Fugu-MT 論文翻訳(概要): U-Sleep: resilient to AASM guidelines

論文の概要: U-Sleep: resilient to AASM guidelines

arxiv url: http://arxiv.org/abs/2209.11173v1
Date: Mon, 19 Sep 2022 15:56:08 GMT
ステータス: 処理完了
システム内更新日: 2022-09-23 14:44:20.870473
Title: U-Sleep: resilient to AASM guidelines
Title（参考訳）: U-Sleep: AASMガイドラインへの耐性
Authors: Luigi Fiorillo, Giuliana Monachino, Julia van der Meer, Marco Pesce, Jan Warncke, Markus H. Schmidt, Claudio L.A. Bassetti, Athina Tzovara, Paolo Favaro and Francesca D. Faraci
Abstract要約: 深層学習に基づく睡眠スコアリングアルゴリズムでは,臨床知識を十分に活用したり,AASMガイドラインに厳格に従う必要がなくなる可能性がある。具体的には、現在最先端の睡眠スコアリングアルゴリズムであるU-Sleepが、臨床的な非推奨または非伝統的な導出を用いても、スコアリングタスクを解くのに十分な強度を持つことを示した。
参考スコア（独自算出の注目度）: 14.894313755470288
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: AASM guidelines are the results of decades of efforts to try to standardize the sleep scoring procedure as to have a commonly used methodology. The guidelines cover several aspects from the technical/digital specifications, e.g., recommended EEG derivations, to the sleep scoring rules, e.g., different rules for adults, children and infants. In the context of sleep scoring automation, in the last decades, deep learning has demonstrated better performance compared to many other approaches. In most of the cases, clinical knowledge and guidelines have been exploited to support the automated sleep scoring algorithms in solving the task. In this paper we show that, actually, a deep learning based sleep scoring algorithm may not need to fully exploit the clinical knowledge or to strictly follow the AASM guidelines. Specifically, we demonstrate that U-Sleep, a state-of-the-art sleep scoring algorithm, can be strong enough to solve the scoring task even using clinically non-recommended or non-conventional derivations, and with no need to exploit information about the chronological age of the subjects. We finally strengthen a well-known finding that using data from multiple data centers always results in a better performing model compared with training on a single cohort. Indeed, we show that this latter statement is still valid even by increasing the size and the heterogeneity of the single data cohort. In all our experiments we used 28528 polysomnography studies from 13 different clinical studies.
Abstract（参考訳）: AASMガイドラインは、一般的な方法論を持つために睡眠スコアリング手順を標準化しようとする数十年の努力の結果である。このガイドラインは、技術的/デジタル的な仕様、例えば推奨の脳波導出、睡眠スコアリング規則、例えば大人、子供、幼児の異なる規則など、いくつかの側面をカバーしている。睡眠スコアリング自動化の文脈では、ここ数十年、ディープラーニングは他の多くのアプローチよりも優れたパフォーマンスを示してきた。ほとんどの場合、臨床知識とガイドラインは、タスクを解決するための自動睡眠スコアリングアルゴリズムをサポートするために利用されてきた。本稿では,深層学習に基づく睡眠スコアリングアルゴリズムが臨床知識を十分に活用したり,AASMガイドラインに厳格に従う必要がなくなることを示す。具体的には、現在最先端の睡眠スコアリングアルゴリズムであるU-Sleepが、臨床上の非推奨や非推奨の導出を用いても、スコアリングタスクを解くのに十分な強度を持ち、被験者の時間的年齢に関する情報を利用する必要がないことを示した。最終的に、複数のデータセンターのデータを使用することで、単一のコホートでのトレーニングよりも優れたパフォーマンスモデルが得られるという、よく知られた発見を強化しました。実際、この後者のステートメントは、単一データコホートのサイズと不均一性を増大させることによっても有効であることを示す。全実験で13種類の臨床研究から28528個のポリソムノグラフィーを用いた。

関連論文リスト

NeuroNet: A Novel Hybrid Self-Supervised Learning Framework for Sleep Stage Classification Using Single-Channel EEG [2.3310092106321365]
睡眠ステージ分類は、睡眠障害を診断し、睡眠の質を評価する重要な側面である。近年の深層学習の進歩は、睡眠段階分類の自動化を著しく促進している。本稿では,未ラベルの単一チャンネル睡眠脳波(EEG)信号を利用する自己教師型学習フレームワークであるNeuroNetを紹介する。
論文参考訳（メタデータ） (2024-04-10T18:32:22Z)
Performance and utility trade-off in interpretable sleep staging [0.0]
脳波、EOG、筋電図などの生理学的信号に基づいて、臨床診断支援システム、睡眠ステージングの解釈方法について検討する。提案されたフレームワークであるNormIntSleepは、正規化機能を使用してディープラーニングの埋め込みを表現することで、さまざまなデータセット間で優れたパフォーマンスを得ることができることを示している。
論文参考訳（メタデータ） (2022-11-07T03:27:01Z)
LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文参考訳（メタデータ） (2022-04-12T12:25:05Z)
Designing ECG Monitoring Healthcare System with Federated Transfer Learning and Explainable AI [4.694126527114577]
我々は、ECGベースの医療アプリケーションのための連合環境で、新しい説明可能な人工知能(XAI)ベースのディープラーニングフレームワークを設計する。提案したフレームワークは、MIT-BIH Arrhythmiaデータベースを使用してトレーニングされ、テストされた。
論文参考訳（メタデータ） (2021-05-26T11:59:44Z)
Low-Regret Active learning [64.36270166907788]
トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
論文参考訳（メタデータ） (2021-04-06T22:53:45Z)
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)
AI Driven Knowledge Extraction from Clinical Practice Guidelines: Turning Research into Practice [2.803896166632835]
臨床実践ガイドライン(CPGs)は、医療領域における最先端の研究成果を医療従事者と共有するための最前線の方法論です。しかし、多くのCPGから関連する知識を抽出することは、すでに負担のかかる医療専門家には実現できません。本研究は, CPGから知識を抽出し, ギャップを減らし, 最新の研究成果を臨床実践に転換する手法を提案する。
論文参考訳（メタデータ） (2020-12-10T07:23:02Z)
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)
MetaSleepLearner: A Pilot Study on Fast Adaptation of Bio-signals-Based Sleep Stage Classifier to New Individual Subject Using Meta-Learning [15.451212330924447]
モデル非依存メタラーニング(MAML)に基づく転移学習フレームワークMetaSleepLearnerを提案する。従来のアプローチと比較すると、MetaSleepLearnerは5.4%から17.7%の改善を達成している。これは、非伝統的な事前学習手法であるMAMLを調査した最初の研究であり、その結果、睡眠段階分類における人間と機械の協調が可能となった。
論文参考訳（メタデータ） (2020-04-08T16:31:03Z)
Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。