論文の概要: SomnNET: An SpO2 Based Deep Learning Network for Sleep Apnea Detection
in Smartwatches
- arxiv url: http://arxiv.org/abs/2108.11468v1
- Date: Wed, 25 Aug 2021 20:49:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-28 02:50:54.937787
- Title: SomnNET: An SpO2 Based Deep Learning Network for Sleep Apnea Detection
in Smartwatches
- Title(参考訳): SomnNET: スマートウォッチの睡眠時無呼吸検出のためのSpO2ベースのディープラーニングネットワーク
- Authors: Arlene John, Koushik Kumar Nundy, Barry Cardiff, Deepu John
- Abstract要約: 末梢酸素飽和信号から睡眠時無呼吸症候群(呼吸障害)を検出する新しい方法について検討した。
そこで,SomnNETと呼ぶ1次元畳み込みニューラルネットワークを開発した。
このネットワークは97.08%の精度を示し、いくつかの低分解能アパネ検出法より優れている。
- 参考スコア(独自算出の注目度): 3.2116198597240846
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The abnormal pause or rate reduction in breathing is known as the sleep-apnea
hypopnea syndrome and affects the quality of sleep of an individual. A novel
method for the detection of sleep apnea events (pause in breathing) from
peripheral oxygen saturation (SpO2) signals obtained from wearable devices is
discussed in this paper. The paper details an apnea detection algorithm of a
very high resolution on a per-second basis for which a 1-dimensional
convolutional neural network -- which we termed SomnNET -- is developed. This
network exhibits an accuracy of 97.08% and outperforms several lower resolution
state-of-the-art apnea detection methods. The feasibility of model pruning and
binarization to reduce the computational complexity is explored. The pruned
network with 80% sparsity exhibited an accuracy of 89.75%, and the binarized
network exhibited an accuracy of 68.22%. The performance of the proposed
networks is compared against several state-of-the-art algorithms.
- Abstract(参考訳): 呼吸の異常停止または速度低下は睡眠時無呼吸症候群と呼ばれ、個人の睡眠の質に影響する。
本稿では,ウェアラブルデバイスから得られる末梢酸素飽和(SpO2)信号から睡眠時無呼吸現象(呼吸時ポーズ)を検出する新しい手法について述べる。
論文では、SomnNETと呼ばれる1次元畳み込みニューラルネットワークが開発された秒単位の超高分解能のアパネ検出アルゴリズムについて詳述する。
このネットワークは97.08%の精度を示し、いくつかの低分解能アパネ検出法より優れている。
計算複雑性を低減するためのモデルプルーニングとバイナライズの実現可能性について検討した。
80%のスパーシティを有するプルーニングネットワークは89.75%の精度を示し、バイナリ化ネットワークは68.22%の精度を示した。
提案したネットワークの性能は、いくつかの最先端アルゴリズムと比較される。
関連論文リスト
- Automated Atrial Fibrillation Classification Based on Denoising Stacked
Autoencoder and Optimized Deep Network [1.7403133838762446]
心房細動(AFib)の発症率は世界中で増加傾向にある。
AFibのリスクを早期に検出するために,我々はディープニューラルネットワークに基づく自動検出システムを開発した。
Denoising Autoencoders (DAE) を用いて心電図信号を復調するエンド・ツー・エンドモデルを提案する。
論文 参考訳(メタデータ) (2022-01-26T21:45:48Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳(メタデータ) (2021-10-01T23:01:20Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳(メタデータ) (2021-05-20T18:13:58Z) - A 1D-CNN Based Deep Learning Technique for Sleep Apnea Detection in IoT
Sensors [3.2116198597240846]
本稿では,ウェアラブルデバイスから取得した心電図(ECG)信号から呼吸時無呼吸検出のための新しい手法を提案する。
この新しさは、秒単位の高分解能の無呼吸検出に起因している。
このモデルはいくつかの低分解能アパネ検出法より優れる。
論文 参考訳(メタデータ) (2021-05-02T18:35:57Z) - 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) - Automated Respiratory Event Detection Using Deep Neural Networks [3.489191364043618]
閉塞性無呼吸, 中枢性無呼吸, 低呼吸, 呼吸障害関連興奮症を検知するために, 単一の呼吸運動ベルトに基づいてニューラルネットワークを訓練する。
呼吸イベントを完全自動検出し, 臨床応用に十分な精度で無呼吸ハイポネア指数を評価できる。
論文 参考訳(メタデータ) (2021-01-12T17:43:17Z) - RetiNerveNet: Using Recursive Deep Learning to Estimate Pointwise 24-2
Visual Field Data based on Retinal Structure [109.33721060718392]
緑内障は 世界でも 不可逆的な盲目の 主要な原因です 7000万人以上が 影響を受けています
The Standard Automated Perimetry (SAP) test's innate difficulty and its high test-retest variable, we propose the RetiNerveNet。
論文 参考訳(メタデータ) (2020-10-15T03:09:08Z) - Classifying sleep-wake stages through recurrent neural networks using
pulse oximetry signals [0.0]
自律神経系の調節は睡眠段階によって変化する。
我々はこれらの変化を利用して、覚醒または睡眠中の睡眠段階をパルスオキシメータ信号を用いて分類する。
心拍数と末梢酸素飽和信号にリカレントニューラルネットワークを適用し,30秒毎に睡眠ステージを分類した。
論文 参考訳(メタデータ) (2020-08-07T21:43:46Z) - ESPN: Extremely Sparse Pruned Networks [50.436905934791035]
簡単な反復マスク探索法により,非常に深いネットワークの最先端の圧縮を実現することができることを示す。
本アルゴリズムは,シングルショット・ネットワーク・プルーニング法とロッテ・ティケット方式のハイブリッド・アプローチを示す。
論文 参考訳(メタデータ) (2020-06-28T23:09:27Z) - Automatic scoring of apnea and hypopnea events using blood oxygen
saturation signals [0.0]
DAS-KSVDを用いて、睡眠健康研究データベースから得られた信号から無呼吸および低呼吸の事象を検出し分類した。
中等度から重度のOSAHスクリーニングでは、それぞれ0.957の曲線と87.56%と88.32%の診断感度と特異性を示す特性曲線解析を行う。
論文 参考訳(メタデータ) (2020-03-22T15:17:20Z)
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。