論文の概要: A Closed-loop Sleep Modulation System with FPGA-Accelerated Deep Learning

• arxiv url: http://arxiv.org/abs/2211.13128v1
• Date: Sat, 19 Nov 2022 01:47:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 16:25:33.646007
• Title: A Closed-loop Sleep Modulation System with FPGA-Accelerated Deep Learning
• Title（参考訳）: FPGAによる深層学習による閉ループ睡眠変調システム
• Authors: Mingzhe Sun, Aaron Zhou, Naize Yang, Yaqian Xu, Yuhan Hou, and Xilin Liu
• Abstract要約: 我々は,低消費電力フィールドプログラマブルゲートアレイ(FPGA)デバイス上でのクローズドループ操作をサポートする睡眠変調システムを開発した。 ディープラーニング(DL)モデルは、低消費電力のフィールドプログラマブルゲートアレイ(FPGA)デバイスによって加速される。 81名の被験者を含む公衆睡眠データベースを用いて、85.8%の最先端の分類精度とF1スコアの79%の精度でモデルが検証されている。
• 参考スコア（独自算出の注目度）: 1.5569382274788235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Closed-loop sleep modulation is an emerging research paradigm to treat sleep disorders and enhance sleep benefits. However, two major barriers hinder the widespread application of this research paradigm. First, subjects often need to be wire-connected to rack-mount instrumentation for data acquisition, which negatively affects sleep quality. Second, conventional real-time sleep stage classification algorithms give limited performance. In this work, we conquer these two limitations by developing a sleep modulation system that supports closed-loop operations on the device. Sleep stage classification is performed using a lightweight deep learning (DL) model accelerated by a low-power field-programmable gate array (FPGA) device. The DL model uses a single channel electroencephalogram (EEG) as input. Two convolutional neural networks (CNNs) are used to capture general and detailed features, and a bidirectional long-short-term memory (LSTM) network is used to capture time-variant sequence features. An 8-bit quantization is used to reduce the computational cost without compromising performance. The DL model has been validated using a public sleep database containing 81 subjects, achieving a state-of-the-art classification accuracy of 85.8% and a F1-score of 79%. The developed model has also shown the potential to be generalized to different channels and input data lengths. Closed-loop in-phase auditory stimulation has been demonstrated on the test bench.
• Abstract（参考訳）: クローズドループ睡眠変調は、睡眠障害の治療と睡眠改善のための新たな研究パラダイムである。 しかし、2つの大きな障壁は、この研究パラダイムの広範な適用を妨げる。 まず、被験者は、睡眠の質に悪影響を及ぼすデータ取得のためにラックマウントインスツルメンテーションにワイヤー接続する必要があることが多い。 第二に、従来のリアルタイム睡眠ステージ分類アルゴリズムは限られた性能を与える。 本研究では,デバイス上でのクローズドループ操作をサポートする睡眠変調システムの開発により,これらの2つの制約を克服する。 低消費電力フィールドプログラマブルゲートアレイ(FPGA)デバイスによって加速される軽量深層学習(DL)モデルを用いて睡眠ステージ分類を行う。 DLモデルは入力に単一チャネル脳波(EEG)を使用する。 2つの畳み込みニューラルネットワーク(CNN)は一般的な特徴と詳細な特徴を捉えるのに使われ、双方向長短メモリ(LSTM)ネットワークは時間変動シーケンスの特徴を捉えるのに使用される。 8ビット量子化は性能を損なうことなく計算コストを削減するために用いられる。 DLモデルは、81人の被験者を含む公衆睡眠データベースを用いて検証され、最先端の分類精度85.8%、F1スコア79%を達成している。 開発したモデルでは、異なるチャネルや入力データ長に一般化する可能性も示している。 テストベンチでは閉ループ内相音刺激が実証された。

関連論文リスト

• MSSC-BiMamba: Multimodal Sleep Stage Classification and Early Diagnosis of Sleep Disorders with Bidirectional Mamba [5.606144017978037]
  本研究では,睡眠時ステージングと障害分類の自動モデルを構築し,診断精度と効率を向上させる。 マルチモード睡眠状態分類モデルMSSC-BiMamba を設計した。 このモデルは、マルチモーダルPSGデータを用いたスリープステージングにBiMambaを初めて適用し、計算とメモリ効率を大幅に向上させた。
  論文  参考訳（メタデータ） (2024-05-30T15:16:53Z)
• MorpheusNet: Resource efficient sleep stage classifier for embedded on-line systems [0.0]
  睡眠段階分類(SSC)は労働集約的な作業であり、専門家は手動の分類のために数時間の電気生理学的記録を調べる必要がある。 ウェアラブルデバイスの普及と拡張により、SSCは睡眠ベースの治療法を大規模に展開することができる。 ディープラーニングはこのプロセスを自動化するための潜在的な方法として注目を集めている。
  論文  参考訳（メタデータ） (2024-01-14T17:52:08Z)
• DeepGEMM: Accelerated Ultra Low-Precision Inference on CPU Architectures using Lookup Tables [49.965024476651706]
  DeepGEMMはSIMDハードウェア上で超高精度畳み込みニューラルネットワークを実行するためのルックアップテーブルベースのアプローチである。 実装は、x86プラットフォーム上で、対応する8ビット整数カーネルを最大1.74倍の性能で上回る。
  論文  参考訳（メタデータ） (2023-04-18T15:13:10Z)
• 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)
• L-SeqSleepNet: Whole-cycle Long Sequence Modelling for Automatic Sleep Staging [16.96499618061823]
  L-SeqSleepNetは、睡眠ステージングのためのサイクル全体の睡眠情報を考慮した、新しいディープラーニングモデルである。 L-SeqSleepNetは、N2睡眠の優位性を緩和し、他の睡眠段階におけるエラーを減少させることができる。
  論文  参考訳（メタデータ） (2023-01-09T15:44:43Z)
• Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid Precoding [94.40747235081466]
  本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。 我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2021-10-22T20:49:02Z)
• 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)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
  本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。 また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
  論文  参考訳（メタデータ） (2020-10-22T12:32:29Z)

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。