論文の概要: DeepSleepNet-Lite: A Simplified Automatic Sleep Stage Scoring Model with
Uncertainty Estimates
- arxiv url: http://arxiv.org/abs/2108.10600v1
- Date: Tue, 24 Aug 2021 09:33:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-25 14:14:17.401986
- Title: DeepSleepNet-Lite: A Simplified Automatic Sleep Stage Scoring Model with
Uncertainty Estimates
- Title（参考訳）: DeepSleepNet-Lite:不確かさ推定による簡易型自動睡眠ステージスコアモデル
- Authors: Luigi Fiorillo, Paolo Favaro, and Francesca Dalia Faraci
- Abstract要約: DeepSleepNet-Liteはシンプルで軽量なスコアリングアーキテクチャであり、わずか90秒のEEG入力シーケンスしか処理しない。
私たちは初めて、モンテカルロのドロップアウト技術を利用して、アーキテクチャのパフォーマンスを向上しました。
より軽い睡眠スコアリングアプローチは、リアルタイムで睡眠分析を行うためのスコアリングアルゴリズムの応用への道を開く。
- 参考スコア（独自算出の注目度）: 27.23322554521137
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning is widely used in the most recent automatic sleep scoring
algorithms. Its popularity stems from its excellent performance and from its
ability to directly process raw signals and to learn feature from the data.
Most of the existing scoring algorithms exploit very computationally demanding
architectures, due to their high number of training parameters, and process
lengthy time sequences in input (up to 12 minutes). Only few of these
architectures provide an estimate of the model uncertainty. In this study we
propose DeepSleepNet-Lite, a simplified and lightweight scoring architecture,
processing only 90-seconds EEG input sequences. We exploit, for the first time
in sleep scoring, the Monte Carlo dropout technique to enhance the performance
of the architecture and to also detect the uncertain instances. The evaluation
is performed on a single-channel EEG Fpz-Cz from the open source Sleep-EDF
expanded database. DeepSleepNet-Lite achieves slightly lower performance, if
not on par, compared to the existing state-of-the-art architectures, in overall
accuracy, macro F1-score and Cohen's kappa (on Sleep-EDF v1-2013 +/-30mins:
84.0%, 78.0%, 0.78; on Sleep-EDF v2-2018 +/-30mins: 80.3%, 75.2%, 0.73). Monte
Carlo dropout enables the estimate of the uncertain predictions. By rejecting
the uncertain instances, the model achieves higher performance on both versions
of the database (on Sleep-EDF v1-2013 +/-30mins: 86.1.0%, 79.6%, 0.81; on
Sleep-EDF v2-2018 +/-30mins: 82.3%, 76.7%, 0.76). Our lighter sleep scoring
approach paves the way to the application of scoring algorithms for sleep
analysis in real-time.
- Abstract（参考訳）: ディープラーニングは最新の自動睡眠スコアリングアルゴリズムで広く利用されている。
その人気は、優れたパフォーマンスと生信号を直接処理し、データから特徴を学習する能力に起因している。
既存のスコアリングアルゴリズムの多くは、大量のトレーニングパラメータと入力中の長い時間シーケンス(最大12分)のために、非常に計算に要求されるアーキテクチャを利用する。
これらのアーキテクチャのうち、モデルの不確実性の推定を提供するものはごくわずかである。
本研究では,90秒のEEG入力シーケンスのみを処理する簡易軽量スコアリングアーキテクチャであるDeepSleepNet-Liteを提案する。
睡眠スコアリングにおいて,モンテカルロドロップアウト手法を初めて活用し,アーキテクチャの性能向上と不確定なインスタンスの検出に活用した。
オープンソースのSleep-EDF拡張データベースから単一チャネルのEEG Fpz-Czで評価を行う。
DeepSleepNet-Liteは、既存の最先端アーキテクチャと比較して、性能が若干低いが、全体的な精度ではマクロF1スコアとコーエンのカッパ(Sleep-EDF v1-2013 +/30mins:84.0%, 78.0%, 0.78; on Sleep-EDF v2-2018 +/30mins: 80.3%, 75.2%, 0.73)である。
モンテカルロドロップアウトは不確定な予測の推定を可能にする。
不確実なインスタンスを拒絶することで、このモデルはデータベースの両バージョンでより高いパフォーマンスを達成する(Sleep-EDF v1-2013 +/-30mins: 86.1.0%, 79.6%, 0.81; on Sleep-EDF v2-2018 +/-30mins: 82.3%, 76.7%, 0.76)。
より軽い睡眠スコアリングアプローチは、リアルタイムで睡眠分析を行うためのスコアリングアルゴリズムの応用への道を開く。
関連論文リスト
- MorpheusNet: Resource efficient sleep stage classifier for embedded
on-line systems [0.0]
睡眠段階分類(SSC)は労働集約的な作業であり、専門家は手動の分類のために数時間の電気生理学的記録を調べる必要がある。
ウェアラブルデバイスの普及と拡張により、SSCは睡眠ベースの治療法を大規模に展開することができる。
ディープラーニングはこのプロセスを自動化するための潜在的な方法として注目を集めている。
論文 参考訳（メタデータ） (2024-01-14T17:52:08Z) - Quantifying the Impact of Data Characteristics on the Transferability of
Sleep Stage Scoring Models [0.10878040851637998]
遠隔睡眠モニタリングのための有望な方法として,単チャンネル脳波に基づく睡眠ステージ評価のための深層学習モデルが提案されている。
これらのモデルを新しいデータセット、特にウェアラブルデバイスに適用すると、2つの疑問が浮かび上がる。
まず、ターゲットデータセットのアノテーションが利用できない場合、どの異なるデータ特性が睡眠ステージのスコアリングのパフォーマンスに最も影響するか。
本稿では,異なるデータ特性が深層学習モデルの伝達性に与える影響を定量化する手法を提案する。
論文 参考訳（メタデータ） (2023-03-28T07:57:21Z) - A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。
モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。
本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文 参考訳（メタデータ） (2023-03-02T21:48:22Z) - Decoder Tuning: Efficient Language Understanding as Decoding [84.68266271483022]
本稿では,タスク固有のデコーダネットワークを出力側で最適化するデコーダチューニング(DecT)を提案する。
勾配ベースの最適化により、DecTは数秒以内にトレーニングでき、サンプル毎に1つのPクエリしか必要としない。
我々は、広範囲にわたる自然言語理解実験を行い、DecTが200ドル以上のスピードアップで最先端のアルゴリズムを大幅に上回っていることを示す。
論文 参考訳（メタデータ） (2022-12-16T11:15:39Z) - Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。
我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。
得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
論文 参考訳（メタデータ） (2022-11-16T21:55:05Z) - Do Not Sleep on Linear Models: Simple and Interpretable Techniques
Outperform Deep Learning for Sleep Scoring [1.6339105551302067]
私たちは、睡眠スコアリングのディープラーニングソリューションのほとんどは、トレーニング、デプロイ、再現が難しいため、実際の適用性に制限がある、と論じています。
本研究では,従来の機械学習を用いた睡眠ステージ分類の問題を再考する。
その結果、従来の機械学習パイプラインでは、最先端のパフォーマンスが達成できることがわかった。
論文 参考訳（メタデータ） (2022-07-15T21:03:11Z) - SmoothNets: Optimizing CNN architecture design for differentially
private deep learning [69.10072367807095]
DPSGDは、サンプルごとの勾配の切り抜きとノイズ付けを必要とする。
これにより、非プライベートトレーニングと比較してモデルユーティリティが削減される。
SmoothNetと呼ばれる新しいモデルアーキテクチャを蒸留し,DP-SGDトレーニングの課題に対するロバスト性の向上を特徴とした。
論文 参考訳（メタデータ） (2022-05-09T07:51:54Z) - Sleep Staging Based on Serialized Dual Attention Network [0.0]
生の脳波に基づく深層学習モデルSDANを提案する。
チャネルアテンションと空間アテンション機構を連続的に組み合わせて、キー情報をフィルタリングしハイライトする。
他の方法と比較して、N1睡眠期において優れた結果が得られる。
論文 参考訳（メタデータ） (2021-07-18T13:18:12Z) - Sleep syndromes onset detection based on automatic sleep staging
algorithm [0.0]
高速フーリエ変換は、脳波記録の30秒間のエポックに応用され、局所的な時間周波数情報を提供する。
深層畳み込みLSTMニューラルネットワークは睡眠段階分類のために訓練されている。
コード評価の結果、精度は86.43、精度は77.76、リコールは93,32, F1スコアは89.12、最終誤差は0.09だった。
論文 参考訳（メタデータ） (2021-07-07T15:38:47Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳（メタデータ） (2021-05-07T11:39:05Z) - Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel
EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。
専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。
専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文 参考訳（メタデータ） (2021-03-30T09:59:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。