Fugu-MT 論文翻訳(概要): SleePyCo: Automatic Sleep Scoring with Feature Pyramid and Contrastive Learning

論文の概要: SleePyCo: Automatic Sleep Scoring with Feature Pyramid and Contrastive Learning

arxiv url: http://arxiv.org/abs/2209.09452v1
Date: Tue, 20 Sep 2022 04:10:49 GMT
ステータス: 処理完了
システム内更新日: 2022-09-21 18:00:06.641587
Title: SleePyCo: Automatic Sleep Scoring with Feature Pyramid and Contrastive Learning
Title（参考訳）: sleepyco:機能ピラミッドとコントラスト学習を備えた自動睡眠スコア
Authors: Seongju Lee, Yeonguk Yu, Seunghyeok Back, Hogeon Seo, Kyoobin Lee
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automatic sleep scoring is essential for the diagnosis and treatment of sleep disorders and enables longitudinal sleep tracking in home environments. Conventionally, learning-based automatic sleep scoring on single-channel electroencephalogram (EEG) is actively studied because obtaining multi-channel signals during sleep is difficult. However, learning representation from raw EEG signals is challenging owing to the following issues: 1) sleep-related EEG patterns occur on different temporal and frequency scales and 2) sleep stages share similar EEG patterns. To address these issues, we propose a deep learning framework named SleePyCo that incorporates 1) a feature pyramid and 2) supervised contrastive learning for automatic sleep scoring. For the feature pyramid, we propose a backbone network named SleePyCo-backbone to consider multiple feature sequences on different temporal and frequency scales. Supervised contrastive learning allows the network to extract class discriminative features by minimizing the distance between intra-class features and simultaneously maximizing that between inter-class features. Comparative analyses on four public datasets demonstrate that SleePyCo consistently outperforms existing frameworks based on single-channel EEG. Extensive ablation experiments show that SleePyCo exhibits enhanced overall performance, with significant improvements in discrimination between the N1 and rapid eye movement (REM) stages.
Abstract（参考訳）: 睡眠自動採点は睡眠障害の診断と治療に必須であり、家庭での睡眠追跡を可能にする。従来,睡眠中にマルチチャネル信号を得るのが困難であるため,単チャンネル脳波による学習に基づく睡眠自動スコアリングが積極的に研究されている。しかし,脳波信号からの学習表現は,次のような問題から困難である。 1)睡眠関連脳波パターンは時間的・頻度的に異なる。 2)睡眠段階は同様の脳波パターンを持つ。これらの問題に対処するため,我々はSleePyCoというディープラーニングフレームワークを提案する。 1) 特徴ピラミッド,及び 2)自動睡眠得点のための教師付きコントラスト学習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(supervised contrastive learning)は,クラス内特徴間の距離を最小化し,クラス間特徴を最大化することによって,クラス識別的特徴を抽出する。 4つの公開データセットの比較分析は、SleePyCoが単一チャネルのEEGに基づいて既存のフレームワークを一貫して上回っていることを示している。広範囲にわたるアブレーション実験により、SleePyCoは全体的な性能が向上し、N1とラピッドアイムーブメント(REM)ステージの識別が大幅に改善された。

関連論文リスト

Classification of sleep stages from EEG, EOG and EMG signals by SSNet [2.1915057426589746]
睡眠段階の分類は、睡眠障害ブレスティング(SDB)病を含む睡眠関連疾患の診断において重要な役割を担っている。我々は,CNNとLSTMに基づく2つのディープラーニングネットワークからなる,SSNetというエンドツーエンドのディープラーニングアーキテクチャを提案する。本モデルでは, 睡眠段階の分類において, 最先端技術と比較して最高の性能を達成している。
論文参考訳（メタデータ） (2023-07-03T01:05:24Z)
EEG-based Sleep Staging with Hybrid Attention [4.718295968108302]
我々は、HASS(Hybrid Attention EEG Sleep Staging)と呼ばれる新しいフレームワークを提案する。提案手法は,睡眠時脳波信号の空間的・時間的関係を捉えることの難しさを軽減する。
論文参考訳（メタデータ） (2023-05-16T15:37:32Z)
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)
PADDLES: Phase-Amplitude Spectrum Disentangled Early Stopping for Learning with Noisy Labels [49.43183579415899]
畳み込みニューラルネットワーク(CNN)は、学習パターンの優位性を示しているが、ラベルノイズに敏感であり、トレーニング中にノイズラベルをオーバーフィットさせる可能性がある。早期停止戦略は、初期のトレーニングフェーズにおけるCNNの更新を回避し、ノイズラベルの存在下で広く採用されている。提案手法は, 実世界のラベル・ノイズ・データセットの合成に有効であることを示す。
論文参考訳（メタデータ） (2022-12-07T05:03:13Z)
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)
TransSleep: Transitioning-aware Attention-based Deep Neural Network for Sleep Staging [2.105172041656126]
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。
論文参考訳（メタデータ） (2022-03-22T08:55:32Z)
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)
Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。この現象は脳波(EEG)などの臨床関連データに特に問題となる。ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文参考訳（メタデータ） (2020-07-31T14:34:47Z)
RED: Deep Recurrent Neural Networks for Sleep EEG Event Detection [0.0]
我々は、リカレントイベント検出器(RED)と呼ばれる睡眠脳波イベント検出のための深層学習手法を提案する。 REDは2つの入力表現のうちの1つを使用している:a) 時間領域のEEG信号、またはb) 連続ウェーブレット変換(CWT)で得られる信号の複素スペクトル。 MASSデータセットで評価すると、我々の検出器は、それぞれ80.9%と82.6%の平均F1スコアで睡眠スピンドルとK-プレプレックス検出の両方において、技術の現状より優れています。
論文参考訳（メタデータ） (2020-05-15T21:48:26Z)

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。