論文の概要: Ubi-SleepNet: Advanced Multimodal Fusion Techniques for Three-stage
Sleep Classification Using Ubiquitous Sensing
- arxiv url: http://arxiv.org/abs/2111.10245v1
- Date: Fri, 19 Nov 2021 14:26:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-22 14:31:43.853240
- Title: Ubi-SleepNet: Advanced Multimodal Fusion Techniques for Three-stage
Sleep Classification Using Ubiquitous Sensing
- Title（参考訳）: ubi-sleepnet:ユビキタスセンシングを用いた3段階睡眠分類のための高度マルチモーダル融合技術
- Authors: Bing Zhai, Yu Guan, Michael Catt, Thomas Ploetz
- Abstract要約: 臨床睡眠モニタリングにおける金の基準はポリソムノグラフィ(PSG)である
PSGは高価で負担がかかり、日常使用には適さない。
長期睡眠モニタリングでは、ユビキタスセンシングが解決策となるかもしれない。
- 参考スコア（独自算出の注目度）: 9.489361939530383
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Sleep is a fundamental physiological process that is essential for sustaining
a healthy body and mind. The gold standard for clinical sleep monitoring is
polysomnography(PSG), based on which sleep can be categorized into five stages,
including wake/rapid eye movement sleep (REM sleep)/Non-REM sleep 1
(N1)/Non-REM sleep 2 (N2)/Non-REM sleep 3 (N3). However, PSG is expensive,
burdensome, and not suitable for daily use. For long-term sleep monitoring,
ubiquitous sensing may be a solution. Most recently, cardiac and movement
sensing has become popular in classifying three-stage sleep, since both
modalities can be easily acquired from research-grade or consumer-grade devices
(e.g., Apple Watch). However, how best to fuse the data for the greatest
accuracy remains an open question. In this work, we comprehensively studied
deep learning (DL)-based advanced fusion techniques consisting of three fusion
strategies alongside three fusion methods for three-stage sleep classification
based on two publicly available datasets. Experimental results demonstrate
important evidence that three-stage sleep can be reliably classified by fusing
cardiac/movement sensing modalities, which may potentially become a practical
tool to conduct large-scale sleep stage assessment studies or long-term
self-tracking on sleep. To accelerate the progression of sleep research in the
ubiquitous/wearable computing community, we made this project open source, and
the code can be found at: https://github.com/bzhai/Ubi-SleepNet.
- Abstract（参考訳）: 睡眠は健康な体と心を維持するのに不可欠な基本的な生理的過程である。
臨床睡眠モニタリングの金本位制はポリソムノグラフィ(psg)であり、睡眠は覚醒/ラピッド眼球運動睡眠(レム睡眠)/非レム睡眠1(n1)/非レム睡眠2(n2)/非レム睡眠3(n3)の5段階に分類できる。
しかし、PSGは高価で負担がかかり、日常使用には適さない。
長期睡眠モニタリングでは、ユビキタスセンシングが解決策となるかもしれない。
最近では、研究グレードまたはコンシューマグレードのデバイス(例えばApple Watch)から、両方のモダリティを簡単に取得できるため、三段階睡眠の分類において心臓と運動感覚が人気である。
しかし、データを最も正確に融合する方法については、まだ疑問の余地がある。
本研究では,3つの融合戦略と3段階の睡眠分類のための3つの融合手法を組み合わせた3つの公開データセットに基づく深層学習(DL)に基づく高度な融合手法を包括的に研究した。
実験結果から,3段階睡眠は,大規模な睡眠ステージアセスメント研究や長期の睡眠自己追跡を行うための実践的ツールとなりうる心・運動感覚モダリティを融合させることで,確実に分類できることが示唆された。
ユビキタス/ウェアラブルコンピューティングコミュニティにおける睡眠研究の進展を加速するため、このプロジェクトをオープンソース化し、https://github.com/bzhai/Ubi-SleepNet.comでコードを見ることができる。
関連論文リスト
- SleepPPG-Net2: Deep learning generalization for sleep staging from photoplethysmography [0.7927502566022343]
睡眠ステージングは睡眠障害の診断と睡眠の健康管理の基本的な要素である。
最近のスリープステージングのためのデータ駆動アルゴリズムは、ローカルテストセットでは高いパフォーマンスを示しているが、外部データセットでは低いパフォーマンスを示している。
Sleep-Net2は生のPSG時系列からスリープをステージングするための新しい標準を設定している。
論文 参考訳（メタデータ） (2024-04-10T09:47:34Z) - Sleep Model -- A Sequence Model for Predicting the Next Sleep Stage [18.059360820527687]
単チャンネル脳波(EEG)、脳電図(EOG)、筋電図(EMG)、心電図(ECG)などの単純なセンサーを用いた睡眠段階分類が注目されている。
本研究では、次の睡眠段階を予測する睡眠モデルを提案し、睡眠分類精度を向上させるために使用した。
論文 参考訳（メタデータ） (2023-02-17T07:37:54Z) - 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) - 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) - Using Ballistocardiography for Sleep Stage Classification [2.360019611990601]
睡眠ステージ検出の現在の方法は高価で、人の睡眠に侵入し、現代の家庭では実用的ではない。
バリスト心電図(英: Ballistocardiography、BCG)は、心臓が生み出す弾道力を測定することで情報を収集する非侵襲的なセンシング技術である。
本稿では,Fitbit Sense Smart Watchから抽出した睡眠ステージと,睡眠ステージ検出アルゴリズムを実装して比較する。
論文 参考訳（メタデータ） (2022-02-02T14:02:48Z) - A Review of the Non-Invasive Techniques for Monitoring Different Aspects of Sleep [19.49661647406365]
睡眠モニタリングのための研究が進められており、睡眠行動を理解するための重要なツールとなっている。
睡眠分析のための金の標準法は、臨床環境で行うポリソムノグラフィ(PSG)であるが、この方法は高価であり、長期使用には複雑である。
家庭内睡眠モニタリングに安価で使い易いウェアラブルと非ウェアラブルの両方を用いた様々なソリューションが提案されている。
論文 参考訳（メタデータ） (2021-04-27T04:12:43Z) - 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) - MSED: a multi-modal sleep event detection model for clinical sleep
analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。
モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文 参考訳（メタデータ） (2021-01-07T13:08:44Z) - Classification Of Sleep-Wake State In A Ballistocardiogram System Based
On Deep Learning [1.4680035572775534]
本稿では,マルチヘッド1次元畳み込みに基づくディープニューラルネットワークを提案し,睡眠覚醒状態を正確に予測する。
睡眠覚醒分類スコアは95.5%であり,PSGシステムに基づく研究と同等である。
論文 参考訳（メタデータ） (2020-11-11T03:38:33Z) - 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) - AutoHR: A Strong End-to-end Baseline for Remote Heart Rate Measurement
with Neural Searching [76.4844593082362]
既存のエンド・ツー・エンドのネットワークが難易度が低い理由を考察し,アーキテクチャ・サーチ(NAS)を用いたリモートHR計測のための強力なベースラインを確立する。
総合的な実験は、時間内テストとクロスデータセットテストの両方で3つのベンチマークデータセットで実施される。
論文 参考訳（メタデータ） (2020-04-26T05:43:21Z)
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。