Fugu-MT 論文翻訳(概要): Pediatric Sleep Scoring In-the-wild from Millions of Multi-channel EEG Signals

論文の概要: Pediatric Sleep Scoring In-the-wild from Millions of Multi-channel EEG Signals

arxiv url: http://arxiv.org/abs/2207.06921v1
Date: Thu, 30 Jun 2022 17:44:16 GMT
ステータス: 処理完了
システム内更新日: 2022-07-17 18:58:32.208593
Title: Pediatric Sleep Scoring In-the-wild from Millions of Multi-channel EEG Signals
Title（参考訳）: 数百万の多チャンネル脳波信号による小児睡眠検査
Authors: Harlin Lee, Aaqib Saeed
Abstract要約: 本稿では,近年の大規模睡眠研究データセットにおいて,小児の睡眠自動スコアリング結果について紹介する。本研究では,多チャンネル脳波(EEG)信号から5つの睡眠段階を78%の精度で分類するトランスフォーマーに基づくディープニューラルネットワークモデルを開発した。
参考スコア（独自算出の注目度）: 4.505321919386738
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Sleep is critical to the health and development of infants, children, and adolescents, but pediatric sleep is severely under-researched compared to adult sleep in the context of machine learning for health and well-being. Here, we present the first automated pediatric sleep scoring results on a recent large-scale sleep study dataset that was collected during standard clinical care. We develop a transformer-based deep neural network model that learns to classify five sleep stages from millions of multi-channel electroencephalogram (EEG) signals with 78% overall accuracy. Further, we conduct an in-depth analysis of the model performance based on patient demographics and EEG channels.
Abstract（参考訳）: 睡眠は、幼児、子供、青年の健康と発達に不可欠であるが、小児睡眠は、健康と幸福のための機械学習の文脈において、成人睡眠と比較して極めて研究不足である。そこで本研究では,標準治療中に収集した大規模睡眠研究データセットを用いて,小児の睡眠自動スコアリング結果について紹介する。本研究では,多チャンネル脳波(EEG)信号から5つの睡眠段階を78%の精度で分類するトランスフォーマーに基づくディープニューラルネットワークモデルを開発した。さらに、患者人口統計と脳波チャネルに基づいて、モデルパフォーマンスの詳細な分析を行う。

関連論文リスト

PedSleepMAE: Generative Model for Multimodal Pediatric Sleep Signals [7.949705607963995]
PedSleepMAEは、多チャンネル脳波、呼吸信号、EOG、EMGを含む多モード睡眠信号を完全に活用する生成モデルである。その埋め込みはまた、まれな遺伝性疾患による睡眠信号の微妙な違いを捉えている。これは、複数のタイプの小児睡眠信号に基づいて訓練された最初の汎用的生成モデルである。
論文参考訳（メタデータ） (2024-11-01T16:30:01Z)
Sleep Stage Classification Using a Pre-trained Deep Learning Model [0.0]
EEGMobileは脳波の脳波スペクトログラムから学習する機械学習モデルである。このモデルは"Sleep-EDF20"と呼ばれる公開データセットで86.97%の精度を達成し、他の研究者によって提案されたモデルよりも優れていた。
論文参考訳（メタデータ） (2023-09-12T23:02:19Z)
Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
論文参考訳（メタデータ） (2023-04-26T14:11:04Z)
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)
Development of Sleep State Trend (SST), a bedside measure of neonatal sleep state fluctuations based on single EEG channels [0.0]
新生児集中治療室における睡眠状態変動の自動モニタリング法の開発と評価を行った。ディープラーニングに基づくアルゴリズムは、30人の新生児の長期(a)EEGモニタリングから53のEEG記録を設計し、訓練した。トレーニングデータにおける静電睡眠検出の精度は90%で,4電極記録から得られる全双極性導出の精度は85～86%と同等であった。
論文参考訳（メタデータ） (2022-08-25T08:36:44Z)
SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文参考訳（メタデータ） (2021-10-01T23:01:20Z)
Pediatric Automatic Sleep Staging: A comparative study of state-of-the-art deep learning methods [16.651453507701966]
小児期自動睡眠ステージングにおける最先端の深層学習手法に関する大規模比較研究を行った。 1200人以上の子どものサンプルを評価するため、6つの異なる特徴を持つ深層ニューラルネットワークの選択が採用されている。実験の結果,新しい被験者で評価した場合の自動睡眠ステージングの成績は,成人で報告された専門家レベルに匹敵することがわかった。
論文参考訳（メタデータ） (2021-08-23T15:39:48Z)
Ensemble of Convolution Neural Networks on Heterogeneous Signals for Sleep Stage Scoring [63.30661835412352]
本稿では,脳波以外の追加信号の利用の利便性について検討し,比較する。最も優れたモデルである深部分離畳み込みニューラルネットワークのアンサンブルは86.06%の精度を達成した。
論文参考訳（メタデータ） (2021-07-23T06:37:38Z)
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)
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。