論文の概要: A Deep Knowledge Distillation framework for EEG assisted enhancement of single-lead ECG based sleep staging

• arxiv url: http://arxiv.org/abs/2112.07252v1
• Date: Tue, 14 Dec 2021 09:35:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-15 16:59:49.268331
• Title: A Deep Knowledge Distillation framework for EEG assisted enhancement of single-lead ECG based sleep staging
• Title（参考訳）: シングルリード心電図に基づく睡眠ステージングの強化を支援する脳波深度蒸留フレームワーク
• Authors: Vaibhav Joshi, Sricharan Vijayarangan, Preejith SP, and Mohanasankar Sivaprakasam
• Abstract要約: 脳波で訓練されたモデルを用いて学習した特徴の助けを借りて、ECGベースの睡眠ステージング性能を向上させるためのクロスモーダルKDフレームワークを提案する。 提案したモデルでは、それぞれ4クラスと3クラスの睡眠ステージにおける重み付きF1スコアが14.3%、13.4%増加した。
• 参考スコア（独自算出の注目度）: 1.181206257787103
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Automatic Sleep Staging study is presently done with the help of Electroencephalogram (EEG) signals. Recently, Deep Learning (DL) based approaches have enabled significant progress in this area, allowing for near-human accuracy in automated sleep staging. However, EEG based sleep staging requires an extensive as well as an expensive clinical setup. Moreover, the requirement of an expert for setup and the added inconvenience to the subject under study renders it unfavourable in a point of care context. Electrocardiogram (ECG), an unobtrusive alternative to EEG, is more suitable, but its performance, unsurprisingly, remains sub-par compared to EEG-based sleep staging. Naturally, it would be helpful to transfer knowledge from EEG to ECG, ultimately enhancing the model's performance on ECG based inputs. Knowledge Distillation (KD) is a renowned concept in DL that looks to transfer knowledge from a better but potentially more cumbersome teacher model to a compact student model. Building on this concept, we propose a cross-modal KD framework to improve ECG-based sleep staging performance with assistance from features learned through models trained on EEG. Additionally, we also conducted multiple experiments on the individual components of the proposed model to get better insight into the distillation approach. Data of 200 subjects from the Montreal Archive of Sleep Studies (MASS) was utilized for our study. The proposed model showed a 14.3\% and 13.4\% increase in weighted-F1-score in 4-class and 3-class sleep staging, respectively. This demonstrates the viability of KD for performance improvement of single-channel ECG based sleep staging in 4-class(W-L-D-R) and 3-class(W-N-R) classification.
• Abstract（参考訳）: 現在、脳波(EEG)信号の助けを借りて睡眠時自動測定を行っている。 近年,Deep Learning (DL) ベースのアプローチにより,この領域の大幅な進歩が可能となり,自動睡眠ステージにおけるほぼ人間に近い精度を実現している。 しかし、脳波に基づく睡眠ステージングには、広範囲かつ高価な臨床装置が必要である。 さらに、設定の専門家の要求と、研究対象に対する不便さの追加は、ケアの文脈においてそれは望ましくないことを意味する。 心電図(心電図、ecg)は脳波の代替手段として適しているが、当然ながらその性能はeegベースの睡眠ステージと同等である。 当然、EEGからECGに知識を移すことは有益であり、最終的にはECGベースの入力におけるモデルの性能を高めることになる。 知識蒸留(英: Knowledge Distillation, KD)は、より優れた教師モデルからコンパクトな学生モデルに知識を移すことを目的とした、DLで有名な概念である。 この概念に基づいて,eegでトレーニングされたモデルから学習した機能を用いて,ecgベースの睡眠ステージングパフォーマンスを改善するためのクロスモーダルkdフレームワークを提案する。 さらに, 蒸留法についてより深い知見を得るため, 提案モデルの個々の成分について複数の実験を行った。 本研究にはモントリオール睡眠研究資料館(MASS)の200件の被験者データを利用した。 提案モデルでは,4クラス,3クラスで14.3\%,13.4\%の重み付きF1スコアが増加した。 本研究は, 単チャンネル心電図に基づく睡眠ステージングの4クラス(W-L-D-R)および3クラス(W-N-R)分類における性能改善のためのKDの有効性を示す。

関連論文リスト

• Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
  そこで本研究では,周期型ECG表現学習手法を提案する。 心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。 本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
  論文  参考訳（メタデータ） (2024-10-08T10:03:52Z)
• ECGMamba: Towards Efficient ECG Classification with BiSSM [3.0120310355085467]
  本稿では,双方向状態空間モデル(BiSSM)を用いて分類効率を向上させる新しいモデルECGMambaを提案する。 2つの公開ECGデータセットの実験結果は、ECGMambaが効果的に分類の有効性と効率のバランスをとることを示した。
  論文  参考訳（メタデータ） (2024-06-14T14:55:53Z)
• MEIT: Multi-Modal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [41.324530807795256]
  心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。 最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。 LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-07T23:20:56Z)
• Enhancing Healthcare with EOG: A Novel Approach to Sleep Stage Classification [1.565361244756411]
  EOG信号を用いた自動睡眠ステージ分類に革新的アプローチを導入し、脳波データ取得に伴う不快感と非現実性に対処する。 提案するSE-Resnet-Transformerモデルは、生のEOG信号から5つの異なる睡眠ステージを正確に分類する。
  論文  参考訳（メタデータ） (2023-09-25T16:23:39Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• EEG aided boosting of single-lead ECG based sleep staging with Deep Knowledge Distillation [0.8602553195689513]
  心電図(Electrocardiogram, ECG)は、睡眠期における脳波の代替としてより適している。 知識蒸留(KD)はDeep Learning(DL)において有望な概念であり、優れたパフォーマンスだがより複雑な教師モデルから劣るがコンパクトな学生モデルまで知識を共有している。 本研究は, 単チャンネル心電図による3クラス (W-R-N) と4クラス (W-R-L-D) の睡眠ステージング性能向上のためのKDの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-11-18T21:09:25Z)
• SEVGGNet-LSTM: a fused deep learning model for ECG classification [38.747030782394646]
  入力ECG信号はまずセグメント化され、正規化され、その後、特徴抽出と分類のためにVGGとLSTMネットワークに入力される。 注目機構(SEブロック)をコアネットワークに組み込んで重要な特徴の重み付けを行う。
  論文  参考訳（メタデータ） (2022-10-31T07:36:48Z)
• A Knowledge Distillation Framework For Enhancing Ear-EEG Based Sleep Staging With Scalp-EEG Data [3.382472583898067]
  ポリソムノグラフィーによる睡眠研究は不快感としばしば睡眠の質の低下と関連している。 これまでの研究は、高品質な睡眠研究を行うための邪魔にならない方法の開発に重点を置いてきた。 ドメイン適応手法であるクロスモーダルな知識蒸留戦略を提案する。
  論文  参考訳（メタデータ） (2022-10-27T01:32:58Z)
• Enhancing Deep Learning-based 3-lead ECG Classification with Heartbeat Counting and Demographic Data Integration [0.0]
  本稿では,3段階のECG分類において,現在のディープラーニングシステムの性能向上のための2つの新しい手法を紹介する。 具体的には、心拍数回帰という形でのマルチタスク学習方式と、患者人口統計データをシステムに組み込む効果的なメカニズムを提案する。 これら2つの進歩により、2つの大規模ECGデータセットにおいて、F1スコアの0.9796と0.8140の分類性能を得た。
  論文  参考訳（メタデータ） (2022-08-15T09:33:36Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。