論文の概要: Development of Sleep State Trend (SST), a bedside measure of neonatal
sleep state fluctuations based on single EEG channels
- arxiv url: http://arxiv.org/abs/2208.11933v1
- Date: Thu, 25 Aug 2022 08:36:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-26 13:49:01.222497
- Title: Development of Sleep State Trend (SST), a bedside measure of neonatal
sleep state fluctuations based on single EEG channels
- Title（参考訳）: 単一脳波チャンネルに基づく新生児睡眠状態変動のベッドサイド尺度である睡眠状態傾向(SST)の開発
- Authors: Saeed Montazeri Moghadam, P\"aivi Nevalainen, Nathan J. Stevenson,
Sampsa Vanhatalo
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective: To develop and validate an automated method for bedside monitoring
of sleep state fluctuations in neonatal intensive care units.
Methods: A deep learning -based algorithm was designed and trained using 53
EEG recordings from a long-term (a)EEG monitoring in 30 near-term neonates. The
results were validated using an external dataset from 30 polysomnography
recordings. In addition to training and validating a single EEG channel quiet
sleep detector, we constructed Sleep State Trend (SST), a bedside-ready means
for visualizing classifier outputs.
Results: The accuracy of quiet sleep detection in the training data was 90%,
and the accuracy was comparable (85-86%) in all bipolar derivations available
from the 4-electrode recordings. The algorithm generalized well to an external
dataset, showing 81% overall accuracy despite different signal derivations. SST
allowed an intuitive, clear visualization of the classifier output.
Conclusions: Fluctuations in sleep states can be detected at high fidelity
from a single EEG channel, and the results can be visualized as a transparent
and intuitive trend in the bedside monitors.
Significance: The Sleep State Trend (SST) may provide caregivers a real-time
view of sleep state fluctuations and its cyclicity.
- Abstract（参考訳）: 目的:新生児集中治療室における睡眠状態変動のベッドサイドモニタリングの自動化手法の開発と検証を行う。
方法:30歳児における長期(a)EEGモニタリングから53脳波記録を用いて,ディープラーニングに基づくアルゴリズムを設計,訓練した。
その結果,30枚のポリソノグラフィー記録の外部データセットを用いて検証した。
そこで我々は,脳波チャンネルの静電気睡眠検知器のトレーニングと検証に加えて,ベッドサイド対応で分類器出力を可視化するスリープ状態トレンド(SST)を構築した。
結果: トレーニングデータにおける静時睡眠検出の精度は90%で, 4電極記録から得られる全双極子導出量(85～86%)と同等であった。
このアルゴリズムは外部データセットによく適用され、信号の導出が異なるにもかかわらず全体の81%の精度を示す。
SSTは直感的で明確な分類器出力の可視化を可能にした。
結論: 睡眠状態の変動は単一の脳波チャンネルから高い忠実度で検出でき、その結果はベッドサイドモニターの透明で直感的な傾向として可視化できる。
意義:睡眠状態傾向(SST)は、介護者が睡眠状態の変動とその周期性のリアルタイムなビューを提供する可能性がある。
関連論文リスト
- 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) - 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) - 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) - 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) - Sleep Staging Based on Serialized Dual Attention Network [0.0]
生の脳波に基づく深層学習モデルSDANを提案する。
チャネルアテンションと空間アテンション機構を連続的に組み合わせて、キー情報をフィルタリングしハイライトする。
他の方法と比較して、N1睡眠期において優れた結果が得られる。
論文 参考訳（メタデータ） (2021-07-18T13:18:12Z) - Sleep syndromes onset detection based on automatic sleep staging
algorithm [0.0]
高速フーリエ変換は、脳波記録の30秒間のエポックに応用され、局所的な時間周波数情報を提供する。
深層畳み込みLSTMニューラルネットワークは睡眠段階分類のために訓練されている。
コード評価の結果、精度は86.43、精度は77.76、リコールは93,32, F1スコアは89.12、最終誤差は0.09だった。
論文 参考訳（メタデータ） (2021-07-07T15:38:47Z) - 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) - 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。