論文の概要: SleepPPG-Net: a deep learning algorithm for robust sleep staging from continuous photoplethysmography

• arxiv url: http://arxiv.org/abs/2202.05735v1
• Date: Fri, 11 Feb 2022 16:17:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-14 20:17:39.252625
• Title: SleepPPG-Net: a deep learning algorithm for robust sleep staging from continuous photoplethysmography
• Title（参考訳）: sleepppg-net:連続フォトプレチモグラフィによるロバストな睡眠ステージングのためのディープラーニングアルゴリズム
• Authors: Kevin Kotzen, Peter H. Charlton, Sharon Salabi, Amir Landesberg and Joachim A. Behar
• Abstract要約: 生PSG時系列からの4クラス睡眠ステージングのためのDLモデルであるSleep-Netを開発した。 我々は、最高の報告されたSOTAアルゴリズムに基づいて、Sleep-Netの性能をモデルと比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Introduction: Sleep staging is an essential component in the diagnosis of sleep disorders and management of sleep health. It is traditionally measured in a clinical setting and requires a labor-intensive labeling process. We hypothesize that it is possible to perform robust 4-class sleep staging using the raw photoplethysmography (PPG) time series and modern advances in deep learning (DL). Methods: We used two publicly available sleep databases that included raw PPG recordings, totalling 2,374 patients and 23,055 hours. We developed SleepPPG-Net, a DL model for 4-class sleep staging from the raw PPG time series. SleepPPG-Net was trained end-to-end and consists of a residual convolutional network for automatic feature extraction and a temporal convolutional network to capture long-range contextual information. We benchmarked the performance of SleepPPG-Net against models based on the best-reported state-of-the-art (SOTA) algorithms. Results: When benchmarked on a held-out test set, SleepPPG-Net obtained a median Cohen's Kappa ($\kappa$) score of 0.75 against 0.69 for the best SOTA approach. SleepPPG-Net showed good generalization performance to an external database, obtaining a $\kappa$ score of 0.74 after transfer learning. Perspective: Overall, SleepPPG-Net provides new SOTA performance. In addition, performance is high enough to open the path to the development of wearables that meet the requirements for usage in clinical applications such as the diagnosis and monitoring of obstructive sleep apnea.
• Abstract（参考訳）: はじめに:睡眠ステージングは、睡眠障害の診断と睡眠の健康管理に欠かせない要素である。 伝統的に臨床で測定され、労働集約的なラベリングプロセスを必要とする。 我々は,raw photoplethysmography (ppg) 時系列と最近のディープラーニング (dl) の進歩を用いて,ロバストな4段階睡眠ステージングを行うことが可能であると仮定した。 方法:ppg生記録,2,374例,23,055時間を含む2つの睡眠データベースを用いた。 生PSG時系列からの4クラス睡眠ステージングのためのDLモデルであるSleepPPG-Netを開発した。 SleepPPG-Netはエンドツーエンドで訓練され、自動特徴抽出のための残差畳み込みネットワークと、長距離コンテキスト情報をキャプチャする時間畳み込みネットワークで構成されている。 我々は,SleepPPG-Netの性能を,最良報告のSOTAアルゴリズムに基づくモデルと比較した。 結果: ホールドアウトテストセットでベンチマークすると、SleepPPG-Net は Cohen's Kappa (\kappa$) のスコアが 0.75 対 0.69 となり、SOTA の最良のアプローチとなった。 SleepPPG-Netは外部データベースに優れた一般化性能を示し、転送学習後に$\kappa$スコア0.74を得た。 展望: 全体として、SleepPPG-Netは新しいSOTAパフォーマンスを提供する。 さらに,閉塞性睡眠時無呼吸症候群の診断やモニタリングなどの臨床応用における使用要件を満たすウェアラブルの開発への道を開くには,性能が十分である。

関連論文リスト

• MSSC-BiMamba: Multimodal Sleep Stage Classification and Early Diagnosis of Sleep Disorders with Bidirectional Mamba [5.606144017978037]
  本研究では,睡眠時ステージングと障害分類の自動モデルを構築し,診断精度と効率を向上させる。 マルチモード睡眠状態分類モデルMSSC-BiMamba を設計した。 このモデルは、マルチモーダルPSGデータを用いたスリープステージングにBiMambaを初めて適用し、計算とメモリ効率を大幅に向上させた。
  論文  参考訳（メタデータ） (2024-05-30T15:16:53Z)
• 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)
• Differentially Private SGD Without Clipping Bias: An Error-Feedback Approach [62.000948039914135]
  Differentially Private Gradient Descent with Gradient Clipping (DPSGD-GC) を使用して、差分プライバシ(DP)がモデルパフォーマンス劣化の犠牲となることを保証する。 DPSGD-GCに代わる新しいエラーフィードバック(EF)DPアルゴリズムを提案する。 提案アルゴリズムに対するアルゴリズム固有のDP解析を確立し,R'enyi DPに基づくプライバシ保証を提供する。
  論文  参考訳（メタデータ） (2023-11-24T17:56:44Z)
• L-SeqSleepNet: Whole-cycle Long Sequence Modelling for Automatic Sleep Staging [16.96499618061823]
  L-SeqSleepNetは、睡眠ステージングのためのサイクル全体の睡眠情報を考慮した、新しいディープラーニングモデルである。 L-SeqSleepNetは、N2睡眠の優位性を緩和し、他の睡眠段階におけるエラーを減少させることができる。
  論文  参考訳（メタデータ） (2023-01-09T15:44:43Z)
• ProductGraphSleepNet: Sleep Staging using Product Spatio-Temporal Graph Learning with Attentive Temporal Aggregation [4.014524824655106]
  本研究では,協調時間グラフ学習のための適応型製品グラフ学習型グラフ畳み込みネットワークProductGraphSleepNetを提案する。 提案したネットワークにより、臨床医は学習した睡眠段階の接続グラフを理解し、解釈することができる。
  論文  参考訳（メタデータ） (2022-12-09T14:34:58Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• 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)
• RobustSleepNet: Transfer learning for automated sleep staging at scale [0.0]
  睡眠障害の診断は、PSG(polysomnography)レコードの分析に依存する。 実際には、睡眠ステージ分類は、ポリソムノグラフィー信号の30秒エポックの視覚検査に依存します。 我々は、任意のPSGモンタージュを扱える自動睡眠ステージ分類のためのディープラーニングモデルであるRobustSleepNetを紹介する。
  論文  参考訳（メタデータ） (2021-01-07T09:39:08Z)
• 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)
• Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
  病理組織像における腺分節に対するPRS2モデルを提案する。 このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。 我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
  論文  参考訳（メタデータ） (2020-08-06T15:02:38Z)

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。