論文の概要: Automatic Sleep Staging: Recent Development, Challenges, and Future Directions

• arxiv url: http://arxiv.org/abs/2111.08446v1
• Date: Wed, 3 Nov 2021 19:49:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-21 14:52:20.816702
• Title: Automatic Sleep Staging: Recent Development, Challenges, and Future Directions
• Title（参考訳）: 自動睡眠停止:最近の展開,課題,今後の方向性
• Authors: Huy Phan, Kaare Mikkelsen
• Abstract要約: 現代のディープラーニングは、人間の睡眠における臨床実践を変革する大きな可能性を秘めている。 機械は手動のスコアリングを模倣するように訓練されており、人間の睡眠専門家と同じようなパフォーマンスにつながっている。 著明な進歩にもかかわらず,臨床環境では自動睡眠スコアが広く採用されていない。
• 参考スコア（独自算出の注目度）: 10.685136927202286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern deep learning holds a great potential to transform clinical practice on human sleep. Teaching a machine to carry out routine tasks would be a tremendous reduction in workload for clinicians. Sleep staging, a fundamental step in sleep practice, is a suitable task for this and will be the focus in this article. Recently, automatic sleep staging systems have been trained to mimic manual scoring, leading to similar performance to human sleep experts, at least on scoring of healthy subjects. Despite tremendous progress, we have not seen automatic sleep scoring adopted widely in clinical environments. This review aims to give a shared view of the authors on the most recent state-of-the-art development in automatic sleep staging, the challenges that still need to be addressed, and the future directions for automatic sleep scoring to achieve clinical value.
• Abstract（参考訳）: 現代のディープラーニングは、人間の睡眠における臨床実践を変える大きな可能性を秘めている。 日常的な作業を行う機械を教えることは、臨床医の作業負荷を大幅に削減するでしょう。 睡眠ステージングは、睡眠練習の基本的なステップであり、これに適したタスクであり、この記事の焦点となる。 近年、自動睡眠ステージングシステムが手動のスコアリングを模倣するように訓練され、少なくとも健康な被験者のスコアにおいて、人間の睡眠専門家と同じようなパフォーマンスがもたらされている。 著明な進歩にもかかわらず,臨床環境では自動睡眠スコアが広く採用されていない。 本総説は, 自動睡眠ステージングにおける最新の技術開発, 対処すべき課題, 臨床的価値を達成するための自動睡眠スコアリングの今後の方向性について, 著者の共通見解を提供することを目的としている。

関連論文リスト

• aSAGA: Automatic Sleep Analysis with Gray Areas [2.47298967960367]
  最新の自動睡眠ステージング手法は、手動睡眠ステージングと同等の信頼性と優れた時間効率をすでに示している。 本稿では,睡眠分析のためのヒューマン・イン・ザ・ループの概念を提案し,臨床ポリソノグラフィー記録と在宅睡眠研究の両方で効果的に機能する自動睡眠ステージングモデル(aSAGA)を提案する。
  論文  参考訳（メタデータ） (2023-10-03T13:17:38Z)
• Automatic Sleep Stage Classification with Cross-modal Self-supervised Features from Deep Brain Signals [35.141080847207355]
  深層脳記録に基づく睡眠段階分類は、患者に対してより正確な治療を提供する大きな可能性を持っている。 人工睡眠装置を用いた睡眠段階分類に適用可能なクロスモーダル・トランスファー学習法を提案した。 パーキンソン病12例の脳深部記録データを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-02-07T03:21:33Z)
• Sleep Activity Recognition and Characterization from Multi-Source Passively Sensed Data [67.60224656603823]
  睡眠活動認識法は、被験者の睡眠覚醒サイクルを評価し、監視し、特徴づけ、行動の変化を検出する指標を提供することができる。 本稿では,スマートフォンから受動的に知覚されたデータを連続的に操作して,睡眠の特徴を識別し,重要な睡眠エピソードを識別する一般的な方法を提案する。 これらの装置は、その用途により、連続的で客観的で非侵襲的な方法で被験者の生体リズムをプロファイルするための優れた代替データ源となっている。
  論文  参考訳（メタデータ） (2023-01-17T15:18:45Z)
• Heterogeneous Hidden Markov Models for Sleep Activity Recognition from Multi-Source Passively Sensed Data [67.60224656603823]
  精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。 睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。 スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
  論文  参考訳（メタデータ） (2022-11-08T17:29:40Z)
• Continual learning benefits from multiple sleep mechanisms: NREM, REM, and Synaptic Downscaling [51.316408685035526]
  先行学習を失うことなく、新しいタスクやスキルを連続して学習することは、人工ニューラルネットワークと生物学的ニューラルネットワークの両方にとって、計算上の課題である。 本稿では,3つの異なる睡眠成分のモデル化が,人工ニューラルネットワークの連続学習にどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2022-09-09T13:45:27Z)
• TransSleep: Transitioning-aware Attention-based Deep Neural Network for Sleep Staging [2.105172041656126]
  本稿では,局所的な時間的特徴を捉えた新しいディープニューラルネットワーク構造であるTransSleepを提案する。 その結果,TransSleepは自動睡眠ステージングにおいて有望な性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2022-03-22T08:55:32Z)
• Enabling AI and Robotic Coaches for Physical Rehabilitation Therapy: Iterative Design and Evaluation with Therapists and Post-Stroke Survivors [66.07833535962762]
  人工知能(AI)とロボットコーチは、社会的相互作用を通じてリハビリテーション運動における患者の関与を改善することを約束する。 これまでの研究は、AIやロボットコーチの運動を自動的に監視する可能性を探ったが、デプロイは依然として難しい課題だ。 我々は,AIとロボットコーチが患者の運動をどのように操作し,指導するかに関する詳細な設計仕様を提示する。
  論文  参考訳（メタデータ） (2021-06-15T22:06:39Z)
• A preliminary study on evaluating Consultation Notes with Post-Editing [67.30200768442926]
  医師が作成後にメモを編集して提出する半自動的なアプローチを提案します。 編集後,自動生成したコンサルテーションノートの時間節約に関する予備研究を行う。 これを時間をかけて、スクラッチからメモを書くより速いことに気付きます。
  論文  参考訳（メタデータ） (2021-04-09T14:42:00Z)
• Automatic detection of microsleep episodes with deep learning [55.41644538483948]
  15秒未満の睡眠の短い断片は、マイクロスリープエピソード(MSEs)として定義される 覚醒検査(MWT)の維持は、警戒を評価するために臨床現場でしばしば用いられる。 MSEは、MSEを定義する確立された評価基準が欠如しているため、ほとんど考慮されていない。 入力として生の脳波とEOGデータに基づいて機械学習を用いてMSEを自動的に検出することを目的とした。
  論文  参考訳（メタデータ） (2020-09-07T11:38:40Z)
• MetaSleepLearner: A Pilot Study on Fast Adaptation of Bio-signals-Based Sleep Stage Classifier to New Individual Subject Using Meta-Learning [15.451212330924447]
  モデル非依存メタラーニング(MAML)に基づく転移学習フレームワークMetaSleepLearnerを提案する。 従来のアプローチと比較すると、MetaSleepLearnerは5.4%から17.7%の改善を達成している。 これは、非伝統的な事前学習手法であるMAMLを調査した最初の研究であり、その結果、睡眠段階分類における人間と機械の協調が可能となった。
  論文  参考訳（メタデータ） (2020-04-08T16:31:03Z)

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。