論文の概要: A CNN-Transformer Deep Learning Model for Real-time Sleep Stage
Classification in an Energy-Constrained Wireless Device
- arxiv url: http://arxiv.org/abs/2211.13005v1
- Date: Sun, 20 Nov 2022 16:22:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 16:26:47.128744
- Title: A CNN-Transformer Deep Learning Model for Real-time Sleep Stage
Classification in an Energy-Constrained Wireless Device
- Title（参考訳）: エネルギー制約無線デバイスにおけるリアルタイム睡眠ステージ分類のためのCNN変換器深層学習モデル
- Authors: Zongyan Yao, Xilin Liu
- Abstract要約: 本稿では,単一チャネル脳波データに基づく自動睡眠ステージ分類のためのディープラーニング(DL)モデルを提案する。
このモデルは、ローカル処理によるリアルタイム操作のために、エネルギーとメモリ制限されたデバイス上で動作するように設計された。
我々は、Arduino Nano 33 BLEボード上で、提案モデルの小型版をテストし、完全に機能し、精度が高かった。
- 参考スコア（独自算出の注目度）: 2.5672176409865686
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes a deep learning (DL) model for automatic sleep stage
classification based on single-channel EEG data. The DL model features a
convolutional neural network (CNN) and transformers. The model was designed to
run on energy and memory-constrained devices for real-time operation with local
processing. The Fpz-Cz EEG signals from a publicly available Sleep-EDF dataset
are used to train and test the model. Four convolutional filter layers were
used to extract features and reduce the data dimension. Then, transformers were
utilized to learn the time-variant features of the data. To improve
performance, we also implemented a subject specific training before the
inference (i.e., prediction) stage. With the subject specific training, the F1
score was 0.91, 0.37, 0.84, 0.877, and 0.73 for wake, N1-N3, and rapid eye
movement (REM) stages, respectively. The performance of the model was
comparable to the state-of-the-art works with significantly greater
computational costs. We tested a reduced-sized version of the proposed model on
a low-cost Arduino Nano 33 BLE board and it was fully functional and accurate.
In the future, a fully integrated wireless EEG sensor with edge DL will be
developed for sleep research in pre-clinical and clinical experiments, such as
real-time sleep modulation.
- Abstract（参考訳）: 本稿では,単一チャネル脳波データに基づく睡眠ステージの自動分類のための深層学習モデルを提案する。
DLモデルは畳み込みニューラルネットワーク(CNN)とトランスフォーマーを備えている。
このモデルは、ローカル処理によるリアルタイム操作のために、エネルギーとメモリ制限されたデバイス上で動作するように設計された。
利用可能なSleep-EDFデータセットからのFpz-Cz EEG信号を使用して、モデルをトレーニングし、テストする。
4つの畳み込みフィルタ層が特徴抽出とデータ次元の削減に用いられた。
そして,データの時間変化特性を学習するためにトランスフォーマーを用いた。
また,性能向上のために,推論(予測)の段階前に特定の教科の訓練も実施した。
F1スコアはそれぞれ0.91,0.37,0.84,0.877,0.73,N1-N3,急速眼球運動(REM)であった。
モデルの性能は、計算コストが大幅に高い最先端の作業に匹敵するものだった。
我々は、Arduino Nano 33 BLEボード上で、提案モデルの小型版をテストし、完全に機能的かつ正確であった。
将来的には、エッジDLを備えた完全統合型無線脳波センサが、リアルタイム睡眠変調などの前臨床および臨床実験における睡眠研究のために開発される予定である。
関連論文リスト
- Addressing the speed-accuracy simulation trade-off for adaptive spiking
neurons [0.0]
本稿では,適応統合火災モデル(ALIF)をアルゴリズム的に再解釈する。
合成ベンチマークで小さなDTを用いて50ドル以上のトレーニングスピードアップを得る。
また、我々のモデルが皮質ニューロンの電気生理学的記録を迅速かつ正確に適合させる方法についても紹介する。
論文 参考訳（メタデータ） (2023-11-19T18:21:45Z) - Efficient Model Adaptation for Continual Learning at the Edge [15.334881190102895]
ほとんどの機械学習(ML)システムは、トレーニングとデプロイメントの間、定常的で一致したデータ分散を前提としている。
データ分布は、環境要因、センサー特性、タスク・オブ・関心などの変化により、時間とともに変化することが多い。
本稿では,ドメインシフト下での効率的な連続学習のためのアダプタ・リコンフィグレータ(EAR)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-03T23:55:17Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳（メタデータ） (2023-05-30T08:24:01Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Convolutional Neural Networks for the classification of glitches in
gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。
どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。
また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文 参考訳（メタデータ） (2023-03-24T11:12:37Z) - 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) - Do Not Sleep on Linear Models: Simple and Interpretable Techniques
Outperform Deep Learning for Sleep Scoring [1.6339105551302067]
私たちは、睡眠スコアリングのディープラーニングソリューションのほとんどは、トレーニング、デプロイ、再現が難しいため、実際の適用性に制限がある、と論じています。
本研究では,従来の機械学習を用いた睡眠ステージ分類の問題を再考する。
その結果、従来の機械学習パイプラインでは、最先端のパフォーマンスが達成できることがわかった。
論文 参考訳（メタデータ） (2022-07-15T21:03:11Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳（メタデータ） (2021-05-07T11:39:05Z) - Wireless Localisation in WiFi using Novel Deep Architectures [4.541069830146568]
本稿では,コモディティ・チップセットと標準チャネル・サウンドによるWiFi機器の屋内位置推定について検討する。
本稿では、異なるアンテナで受信されたWiFiサブキャリアに対応するチャネル状態情報から特徴を抽出する、新しい浅層ニューラルネットワーク(SNN)を提案する。
論文 参考訳（メタデータ） (2020-10-16T22:48:29Z) - REST: Robust and Efficient Neural Networks for Sleep Monitoring in the
Wild [62.36144064259933]
ニューラルネットワークの逆トレーニングとLipschitz定数の制御を通じて、両問題に同時に対処する新しい方法であるRESTを提案する。
私たちは、RESTがノイズの存在下で、オリジナルのフルサイズのモデルを大幅に上回る、ロバストで効率的なモデルを生成することを実証しています。
これらのモデルをスマートフォン上のAndroidアプリケーションにデプロイすることにより、RESTによってモデルが最大17倍のエネルギー削減と9倍高速な推論を達成することができることを定量的に観察する。
論文 参考訳（メタデータ） (2020-01-29T17:23:16Z)
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。