論文の概要: ProductGraphSleepNet: Sleep Staging using Product Spatio-Temporal Graph Learning with Attentive Temporal Aggregation

• arxiv url: http://arxiv.org/abs/2212.04881v1
• Date: Fri, 9 Dec 2022 14:34:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 16:15:42.408037
• Title: ProductGraphSleepNet: Sleep Staging using Product Spatio-Temporal Graph Learning with Attentive Temporal Aggregation
• Title（参考訳）: ProductGraphSleepNet: 注意時間アグリゲーションを用いた製品時空間グラフ学習による睡眠の安定
• Authors: Aref Einizade, Samaneh Nasiri, Sepideh Hajipour Sardouie, Gari Clifford
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.014524824655106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The classification of sleep stages plays a crucial role in understanding and diagnosing sleep pathophysiology. Sleep stage scoring relies heavily on visual inspection by an expert that is time consuming and subjective procedure. Recently, deep learning neural network approaches have been leveraged to develop a generalized automated sleep staging and account for shifts in distributions that may be caused by inherent inter/intra-subject variability, heterogeneity across datasets, and different recording environments. However, these networks ignore the connections among brain regions, and disregard the sequential connections between temporally adjacent sleep epochs. To address these issues, this work proposes an adaptive product graph learning-based graph convolutional network, named ProductGraphSleepNet, for learning joint spatio-temporal graphs along with a bidirectional gated recurrent unit and a modified graph attention network to capture the attentive dynamics of sleep stage transitions. Evaluation on two public databases: the Montreal Archive of Sleep Studies (MASS) SS3; and the SleepEDF, which contain full night polysomnography recordings of 62 and 20 healthy subjects, respectively, demonstrates performance comparable to the state-of-the-art (Accuracy: 0.867;0.838, F1-score: 0.818;0.774 and Kappa: 0.802;0.775, on each database respectively). More importantly, the proposed network makes it possible for clinicians to comprehend and interpret the learned connectivity graphs for sleep stages.
• Abstract（参考訳）: 睡眠段階の分類は、睡眠生理学の理解と診断において重要な役割を果たす。 睡眠段階のスコアリングは、時間と主観的な手順のエキスパートによる視覚検査に大きく依存する。 近年、ディープラーニングニューラルネットワークのアプローチを活用して、一般化された自動睡眠ステージングを開発し、固有のイントラオブジェクト間の変動、データセット間の不均一性、異なる記録環境によって引き起こされる可能性のある分布の変化を考慮に入れている。 しかし、これらのネットワークは脳領域間の接続を無視し、時間的に隣接する睡眠時間の間の連続的な接続を無視する。 これらの問題に対処するため,ProductGraphSleepNetと呼ばれる適応的な製品グラフ学習グラフ畳み込みネットワークを提案し,双方向ゲート再帰ユニットと修正グラフ注意ネットワークを併用して,睡眠ステージ遷移の注意ダイナミクスを捉える。 モントリオール・アーカイブ・オブ・スリープ・スタディ (MASS) SS3 とスリープEDF (SleepEDF) は、それぞれ62名と20名の健康な被験者のフルナイト・ポリソノグラフィー・レコードを収録しており、それぞれのデータベース上で、最先端(Accuracy: 0.867;0.838, F1スコア: 0.818;0.774, Kappa: 0.802;0.775)に匹敵するパフォーマンスを示している。 さらに重要なことに、提案されたネットワークにより、臨床医は睡眠ステージの学習された接続グラフを理解し、解釈することができる。

関連論文リスト

• SleepPPG-Net2: Deep learning generalization for sleep staging from photoplethysmography [0.7927502566022343]
  睡眠ステージングは睡眠障害の診断と睡眠の健康管理の基本的な要素である。 最近のスリープステージングのためのデータ駆動アルゴリズムは、ローカルテストセットでは高いパフォーマンスを示しているが、外部データセットでは低いパフォーマンスを示している。 Sleep-Net2は生のPSG時系列からスリープをステージングするための新しい標準を設定している。
  論文  参考訳（メタデータ） (2024-04-10T09:47:34Z)
• 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)
• DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data via Dynamic Graph Structure Learning [58.94034282469377]
  下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。 実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
  論文  参考訳（メタデータ） (2022-09-27T16:32:11Z)
• SleePyCo: Automatic Sleep Scoring with Feature Pyramid and Contrastive Learning [0.0]
  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。
  論文  参考訳（メタデータ） (2022-09-20T04:10:49Z)
• Multi-View Spatial-Temporal Graph Convolutional Networks with Domain Generalization for Sleep Stage Classification [12.488891852531422]
  睡眠段階分類のための領域一般化を伴う多視点時空間グラフ畳み込みネットワーク(MSTGCN)を提案する。 MSTGCNは、空間的特徴を抽出するためのグラフ畳み込みと、睡眠段階間の遷移規則をキャプチャするための時間畳み込みからなる。 2つの公開データセットの実験では、提案されたモデルが最先端のベースラインより優れていることが示されている。
  論文  参考訳（メタデータ） (2021-09-04T09:19:27Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• 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)
• Dynamic Graph Modeling of Simultaneous EEG and Eye-tracking Data for Reading Task Identification [79.41619843969347]
  我々は、脳波(EEG)と眼球運動(EM)データからヒトの読取意図を特定するための新しいアプローチAdaGTCNを提案する。 本稿では,AdaGTCN(Adaptive Graph Temporal Convolution Network)の手法として,Adaptive Graph Learning LayerとDeep Neighborhood Graph Convolution Layerを用いた。 このアプローチといくつかのベースラインを比較し、ZuCo 2.0データセットの6.29%の改善と広範なアブレーション実験を報告します。
  論文  参考訳（メタデータ） (2021-02-21T18:19:49Z)
• 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)
• XSleepNet: Multi-View Sequential Model for Automatic Sleep Staging [20.431381506373395]
  XSleepNetは生信号と時間周波数の画像から共同表現を学習することができる。 XSleepNetは単一のビューベースラインと単純な融合戦略でマルチビューベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2020-07-08T15:22:27Z)

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。