論文の概要: Using Ballistocardiography for Sleep Stage Classification
- arxiv url: http://arxiv.org/abs/2202.01038v1
- Date: Wed, 2 Feb 2022 14:02:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-03 18:09:10.292718
- Title: Using Ballistocardiography for Sleep Stage Classification
- Title(参考訳): ballistocardiography を用いた睡眠ステージ分類
- Authors: iebei Liu, Peter Morris, Krista Nelson, Mehdi Boukhechba
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 2.360019611990601
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A practical way of detecting sleep stages has become more necessary as we
begin to learn about the vast effects that sleep has on people's lives. The
current methods of sleep stage detection are expensive, invasive to a person's
sleep, and not practical in a modern home setting. While the method of
detecting sleep stages via the monitoring of brain activity, muscle activity,
and eye movement, through electroencephalogram in a lab setting, provide the
gold standard for detection, this paper aims to investigate a new method that
will allow a person to gain similar insight and results with no obtrusion to
their normal sleeping habits. Ballistocardiography (BCG) is a non-invasive
sensing technology that collects information by measuring the ballistic forces
generated by the heart. Using features extracted from BCG such as time of
usage, heart rate, respiration rate, relative stroke volume, and heart rate
variability, we propose to implement a sleep stage detection algorithm and
compare it against sleep stages extracted from a Fitbit Sense Smart Watch. The
accessibility, ease of use, and relatively-low cost of the BCG offers many
applications and advantages for using this device. By standardizing this
device, people will be able to benefit from the BCG in analyzing their own
sleep patterns and draw conclusions on their sleep efficiency. This work
demonstrates the feasibility of using BCG for an accurate and non-invasive
sleep monitoring method that can be set up in the comfort of a one's personal
sleep environment.
- Abstract(参考訳): 睡眠が人々の生活に与える影響を学習し始めるにつれ、睡眠段階を検出するための実践的な方法がより求められている。
現在の睡眠ステージ検出法は高価であり、人の睡眠に侵襲的であり、現代の家庭では実用的ではない。
本研究は、脳活動、筋活動、眼球運動のモニタリングによる睡眠ステージの検出方法であり、実験環境での脳波による睡眠ステージの検出にゴールドスタンダードを提供する一方で、睡眠習慣に邪魔をすることなく、同様の洞察を得ることを可能にする新しい方法を検討することを目的としている。
ballistocardiography(bcg)は、心臓の弾道力を測定することで情報を収集する非侵襲的センシング技術である。
使用時間,心拍数,呼吸速度,相対脳卒中量,心拍変動などのBCGから抽出した特徴を用いて,睡眠ステージ検出アルゴリズムを実装し,Fitbit Sense Smart Watchから抽出した睡眠ステージと比較する。
BCGのアクセシビリティ、使いやすさ、比較的低コストは、このデバイスを使用するための多くのアプリケーションと利点を提供する。
このデバイスを標準化することで、人々は自分の睡眠パターンを分析し、睡眠効率の結論を導き出すBCGの恩恵を受けることができる。
本研究は,bcgを,個人の睡眠環境を快適に設定可能な,正確で非侵襲的な睡眠モニタリング手法として使用できることを示す。
関連論文リスト
- Deep Learning-Enabled Sleep Staging From Vital Signs and Activity
Measured Using a Near-Infrared Video Camera [1.0499611180329802]
我々は、近赤外線ビデオカメラから得られる心拍数、呼吸速度、活動測定値を用いて睡眠ステージ分類を行う。
我々は4クラス睡眠段階分類において73.4%の精度とコーエンのカッパ0.61の精度を達成した。
論文 参考訳(メタデータ) (2023-06-06T14:21:22Z) - 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) - 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) - Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle
Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。
私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。
提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
論文 参考訳(メタデータ) (2021-04-29T00:11:32Z) - A Review of the Non-Invasive Techniques for Monitoring Different Aspects
of Sleep [15.82966379880151]
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。
金本位睡眠分析法(gold standard method for sleep analysis)は臨床環境下で行うポリソムノグラフィ(psg)であるが、長期使用には高価かつ複雑である。
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) - 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) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳(メタデータ) (2020-05-06T09:02:30Z)
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。