論文の概要: TransSleep: Transitioning-aware Attention-based Deep Neural Network for Sleep Staging

• arxiv url: http://arxiv.org/abs/2203.12590v1
• Date: Tue, 22 Mar 2022 08:55:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-24 13:55:11.904766
• Title: TransSleep: Transitioning-aware Attention-based Deep Neural Network for Sleep Staging
• Title（参考訳）: transsleep:睡眠ステージングのための遷移注意型ディープニューラルネットワーク
• Authors: Jauen Phyo, Wonjun Ko, Eunjin Jeon, and Heung-Il Suk
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.105172041656126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sleep staging is essential for sleep assessment and plays a vital role as a health indicator. Many recent studies have devised various machine learning as well as deep learning architectures for sleep staging. However, two key challenges hinder the practical use of these architectures: effectively capturing salient waveforms in sleep signals and correctly classifying confusing stages in transitioning epochs. In this study, we propose a novel deep neural network structure, TransSleep, that captures distinctive local temporal patterns and distinguishes confusing stages using two auxiliary tasks. In particular, TransSleep adopts an attention-based multi-scale feature extractor module to capture salient waveforms; a stage-confusion estimator module with a novel auxiliary task, epoch-level stage classification, to estimate confidence scores for identifying confusing stages; and a context encoder module with the other novel auxiliary task, stage-transition detection, to represent contextual relationships across neighboring epochs. Results show that TransSleep achieves promising performance in automatic sleep staging. The validity of TransSleep is demonstrated by its state-of-the-art performance on two publicly available datasets, Sleep-EDF and MASS. Furthermore, we performed ablations to analyze our results from different perspectives. Based on our overall results, we believe that TransSleep has immense potential to provide new insights into deep learning-based sleep staging.
• Abstract（参考訳）: 睡眠ステージングは睡眠評価に不可欠であり、健康指標として重要な役割を果たす。 近年の多くの研究は、睡眠ステージングのためのディープラーニングアーキテクチャと同様に、さまざまな機械学習を考案している。 しかし、これらのアーキテクチャの実用的利用を妨げる2つの重要な課題は、睡眠信号のサルエント波形を効果的に捉え、変遷時代の混乱した段階を正しく分類することである。 本研究では,局所的な時間パターンを捉え,2つの補助タスクを用いて混乱段階を区別する,新しい深層ニューラルネットワーク構造であるtranssleepを提案する。 特に、transsleepは注目度の高い波形をキャプチャするマルチスケール特徴抽出モジュールと、混乱ステージを識別するための信頼度スコアを推定する新しい補助タスクであるエポックレベルステージ分類を備えたステージ・コンフュージョン・エスティメータモジュールと、他の新しい補助タスクであるステージ・トランジション検出を備えたコンテキストエンコーダモジュールを採用し、隣接したエポック間のコンテキスト関係を表現している。 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。 TransSleepの有効性は、2つの公開データセットであるSleep-EDFとMASS上での最先端のパフォーマンスによって実証されている。 さらに, 異なる視点から結果を分析するため, アブレーションを行った。 全体的な結果に基づいて、TransSleepにはディープラーニングベースの睡眠ステージングに関する新たな洞察を提供する大きな可能性があると考えています。

関連論文リスト

• WaveSleepNet: An Interpretable Network for Expert-like Sleep Staging [4.4697567606459545]
  WaveSleepNetは、スリープステージングのための解釈可能なニューラルネットワークである。 WaveSleepNetは遅延空間表現を使用して、異なる睡眠段階に対応する特性波のプロトタイプを識別する。 WaveSleepNetの有効性は、3つの公開データセットで検証されている。
  論文  参考訳（メタデータ） (2024-04-11T03:47:58Z)
• Quantifying the Impact of Data Characteristics on the Transferability of Sleep Stage Scoring Models [0.10878040851637998]
  遠隔睡眠モニタリングのための有望な方法として,単チャンネル脳波に基づく睡眠ステージ評価のための深層学習モデルが提案されている。 これらのモデルを新しいデータセット、特にウェアラブルデバイスに適用すると、2つの疑問が浮かび上がる。 まず、ターゲットデータセットのアノテーションが利用できない場合、どの異なるデータ特性が睡眠ステージのスコアリングのパフォーマンスに最も影響するか。 本稿では,異なるデータ特性が深層学習モデルの伝達性に与える影響を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2023-03-28T07:57:21Z)
• 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)
• 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)
• 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)
• SleePyCo: Automatic Sleep Scoring with Feature Pyramid and Contrastive Learning [0.0]
  本研究では,1)特徴ピラミッドを組み込んだ深層学習フレームワークSleePyCoと,2)自動睡眠スコアリングのための教師付きコントラスト学習を提案する。 特徴ピラミッドでは,異なる時間・周波数スケールで複数の特徴系列を検討するために,SleePyCo-backboneと呼ばれるバックボーンネットワークを提案する。 教師付きコントラスト学習により、クラス内特徴間の距離を最小化し、クラス間特徴間の距離を最大化することにより、クラス識別特徴を抽出することができる。
  論文  参考訳（メタデータ） (2022-09-20T04:10:49Z)
• 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)
• Preliminary study on using vector quantization latent spaces for TTS/VC systems with consistent performance [55.10864476206503]
  本稿では,潜在言語埋め込みをモデル化するための量子化ベクトルの利用について検討する。 トレーニングにおいて、潜伏空間上の異なるポリシーを強制することにより、潜伏言語埋め込みを得ることができる。 実験の結果,ベクトル量子化法で構築した音声クローニングシステムは,知覚的評価の点でわずかに劣化していることがわかった。
  論文  参考訳（メタデータ） (2021-06-25T07:51:35Z)
• SalientSleepNet: Multimodal Salient Wave Detection Network for Sleep Staging [10.269152939137854]
  本研究では睡眠時ステージングのためのサージェント波検出ネットワークであるSalientSleepNetを提案する。 2つの独立した$rm U2$-likeストリームで構成され、マルチモーダルデータから有能な特徴を抽出する。 2つのデータセットの実験では、SalientSleepNetが最先端のベースラインを上回っていることが示されている。
  論文  参考訳（メタデータ） (2021-05-24T16:32:09Z)
• Temporal Memory Relation Network for Workflow Recognition from Surgical Video [53.20825496640025]
  本研究では, 長期および多スケールの時間パターンを関連づける, エンドツーエンドの時間メモリ関係ネットワーク (TMNet) を提案する。 我々はこのアプローチを2つのベンチマーク手術ビデオデータセットで広範囲に検証した。
  論文  参考訳（メタデータ） (2021-03-30T13:20:26Z)
• 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)

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。