論文の概要: SleepMore: Sleep Prediction at Scale via Multi-Device WiFi Sensing
- arxiv url: http://arxiv.org/abs/2210.14152v1
- Date: Mon, 24 Oct 2022 16:42:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 15:59:41.559348
- Title: SleepMore: Sleep Prediction at Scale via Multi-Device WiFi Sensing
- Title（参考訳）: SleepMore:マルチデバイスWiFiセンシングによる大規模睡眠予測
- Authors: Camellia Zakaria, Gizem Yilmaz, Priyanka Mammen, Michael Chee,
Prashant Shenoy, Rajesh Balan
- Abstract要約: 本研究では,ユーザのWiFiネットワーク上での機械学習に基づく,正確な睡眠追跡手法であるSleepMoreを提案する。
46人の大学生を対象とした1ヶ月にわたるユーザー調査データを用いて、SleepMoreを検証し、Oura Ringウェアラブルと比較した。
以上の結果から,SleepMoreは,5%の不確かさ率以内の予測のために,Ouraリングベースラインから統計的に識別不能な睡眠統計を発生させることが示された。
- 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: The availability of commercial wearable trackers equipped with features to
monitor sleep duration and quality has enabled more useful sleep health
monitoring applications and analyses. However, much research has reported the
challenge of long-term user retention in sleep monitoring through these
modalities. Since modern Internet users own multiple mobile devices, our work
explores the possibility of employing ubiquitous mobile devices and passive
WiFi sensing techniques to predict sleep duration as the fundamental measure
for complementing long-term sleep monitoring initiatives. In this paper, we
propose SleepMore, an accurate and easy-to-deploy sleep-tracking approach based
on machine learning over the user's WiFi network activity. It first employs a
semi-personalized random forest model with an infinitesimal jackknife variance
estimation method to classify a user's network activity behavior into sleep and
awake states per minute granularity. Through a moving average technique, the
system uses these state sequences to estimate the user's nocturnal sleep period
and its uncertainty rate. Uncertainty quantification enables SleepMore to
overcome the impact of noisy WiFi data that can yield large prediction errors.
We validate SleepMore using data from a month-long user study involving 46
college students and draw comparisons with the Oura Ring wearable. Beyond the
college campus, we evaluate SleepMore on non-student users of different housing
profiles. Our results demonstrate that SleepMore produces statistically
indistinguishable sleep statistics from the Oura ring baseline for predictions
made within a 5% uncertainty rate. These errors range between 15-28 minutes for
determining sleep time and 7-29 minutes for determining wake time, proving
statistically significant improvements over prior work. Our in-depth analysis
explains the sources of errors.
- Abstract（参考訳）: 睡眠時間と品質を監視する機能を備えた商用ウェアラブルトラッカーが利用可能になったことで、より有用な睡眠健康モニタリングアプリケーションや分析が可能になった。
しかし、これらのモダリティによる睡眠モニタリングにおける長期ユーザー維持の課題について多くの研究が報告している。
現代のインターネットユーザーは複数のモバイルデバイスを所有しているため、ユビキタスなモバイルデバイスとパッシブwifiセンシング技術を用いて睡眠時間を予測できる可能性を探求し、長期的な睡眠モニタリングイニシアチブを補完する基本的な手段となる。
本論文では,ユーザのWi-Fiネットワーク上での機械学習に基づく,正確な睡眠追跡手法であるSleepMoreを提案する。
まず、無限小のジャックナイフ分散推定法を用いて、ユーザーのネットワーク活動行動を睡眠状態と覚醒状態に分類する半個人化されたランダム森林モデルを用いる。
移動平均手法により、システムはこれらの状態シーケンスを用いて、ユーザの夜間睡眠期間とその不確かさを推定する。
不確実性定量化により、sleepmoreはノイズの多いwifiデータの影響を克服し、大きな予測エラーを引き起こすことができる。
46人の大学生を対象とした1ヶ月にわたるユーザー調査データを用いて、SleepMoreを検証し、Oura Ringウェアラブルと比較した。
大学キャンパス以外では、異なる住宅プロフィールを持つ非学生を対象に、SleepMoreを評価した。
以上の結果から,sleepmoreはウラ環のベースラインから統計的に識別不能な睡眠統計を生成し,5%の不確実性率で予測した。
これらの誤差は、睡眠時間を決定するのに15-28分、覚醒時間を決定するのに7-29分であり、事前の作業よりも統計的に有意な改善が見られた。
私たちの詳細な分析では、エラーの原因を説明しています。
関連論文リスト
- SleepNet: Attention-Enhanced Robust Sleep Prediction using Dynamic
Social Networks [1.622340939868235]
本研究では,グラフネットワークによる睡眠行動の社会的伝染を利用するシステムであるSleepNetを提案する。
我々のアーキテクチャは、注意機構を考案することによって、睡眠行動に関係のない接続を含む大規模グラフの限界を克服する。
論文 参考訳（メタデータ） (2024-01-20T04:38:34Z) - Sleep Quality Prediction from Wearables using Convolution Neural
Networks and Ensemble Learning [0.0]
睡眠は、日々のパフォーマンス、幸福、生活の質に影響を与える最も重要な要因の一つである。
カメラの記録や画像からの状態を抽出する代わりに、手首に装着したデバイスは加速度計、心拍数、心拍変動センサーを介して直接測定することができる。
測定された特徴は、就寝時間、就寝時間、就寝時間、就寝時間、就寝時間、覚醒後就寝時間である。
論文 参考訳（メタデータ） (2023-03-08T18:08:08Z) - 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) - ZigZag: Universal Sampling-free Uncertainty Estimation Through Two-Step Inference [54.17205151960878]
汎用的でデプロイが容易なサンプリング不要のアプローチを導入します。
我々は,最先端手法と同等の信頼性のある不確実性推定を,計算コストを著しく低減した形で生成する。
論文 参考訳（メタデータ） (2022-11-21T13:23:09Z) - 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) - Personalised recommendations of sleep behaviour with neural networks
using sleep diaries captured in Sleepio [11.243440695021567]
Big Healthと共同で、私たちは401,174回の睡眠日記のランダムなサンプルからデータを分析しました。
個人の睡眠行動と睡眠の質をパーソナライズされた方法でモデル化するニューラルネットワークを構築した。
ニューラルネットワークは、ユーザーがどの睡眠習慣に従うべきかをパーソナライズしたレコメンデーションを生成し、睡眠の質を最大化する。
論文 参考訳（メタデータ） (2022-07-29T18:29:05Z) - In-Bed Person Monitoring Using Thermal Infrared Sensors [53.561797148529664]
パナソニックグリッド(Panasonic Grid-EYE)は、低解像度の赤外線サーモパイルアレイセンサーで、よりプライバシーを提供する。
この目的のために、2つのデータセットが取得され、1つ (480 画像) は一定条件で、もう1つ (200 画像) は異なるバリエーションで取得された。
我々は、SVM(Support Vector Machines)、k-Nearest Neighbors(k-NN)、Neural Network(NN)の3つの機械学習アルゴリズムをテストする。
論文 参考訳（メタデータ） (2021-07-16T15:59:07Z) - A Review of the Non-Invasive Techniques for Monitoring Different Aspects of Sleep [19.49661647406365]
睡眠モニタリングのための研究が進められており、睡眠行動を理解するための重要なツールとなっている。
睡眠分析のための金の標準法は、臨床環境で行うポリソムノグラフィ(PSG)であるが、この方法は高価であり、長期使用には複雑である。
家庭内睡眠モニタリングに安価で使い易いウェアラブルと非ウェアラブルの両方を用いた様々なソリューションが提案されている。
論文 参考訳（メタデータ） (2021-04-27T04:12:43Z) - 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) - WiSleep: Scalable Sleep Monitoring and Analytics Using Passive WiFi
Sensing [0.0]
WiSleepは、WiFiインフラから受動的に感知されるスマートフォンネットワーク接続を使用した睡眠監視および分析プラットフォームである。
本研究では,睡眠時間と覚醒時間を予測するため,ベイズ変化点検出の教師なしアンサンブルモデルを提案する。
WiSleepは、単一のコモディティサーバ上で2万人のユーザからのデータを処理することができ、サーバ要求の少ない大規模なキャンパスにスケールできることを示す。
論文 参考訳（メタデータ） (2021-02-07T00:05:14Z) - 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。