論文の概要: Development of Personalized Sleep Induction System based on Mental
States
- arxiv url: http://arxiv.org/abs/2212.05669v1
- Date: Mon, 12 Dec 2022 02:55:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 18:16:45.434558
- Title: Development of Personalized Sleep Induction System based on Mental
States
- Title(参考訳): 精神状態に基づくパーソナライズ型睡眠誘導システムの開発
- Authors: Young-Seok Kweon, Gi-Hwan Shin, Heon-Gyu Kwak
- Abstract要約: 睡眠は認知、運動、感情的なパフォーマンスの低下や様々な病気を防ぐために不可欠な行動である。
睡眠障害には、新型コロナウイルスの状況、外からの騒音、夜間の光など様々な要因がある。
脳波と聴覚刺激を用いた精神状態に基づく睡眠誘導システムを開発した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sleep is an essential behavior to prevent the decrement of cognitive, motor,
and emotional performance and various diseases. However, it is not easy to fall
asleep when people want to sleep. There are various sleep-disturbing factors
such as the COVID-19 situation, noise from outside, and light during the night.
We aim to develop a personalized sleep induction system based on mental states
using electroencephalogram and auditory stimulation. Our system analyzes users'
mental states using an electroencephalogram and results of the Pittsburgh sleep
quality index and Brunel mood scale. According to mental states, the system
plays sleep induction sound among five auditory stimulation: white noise,
repetitive beep sounds, rainy sound, binaural beat, and sham sound. Finally,
the sleep-inducing system classified the sleep stage of participants with 94.7
percent and stopped auditory stimulation if participants showed non-rapid eye
movement sleep. Our system makes 18 participants fall asleep among 20
participants.
- Abstract(参考訳): 睡眠は認知、運動、感情的なパフォーマンスの低下や様々な病気を防ぐために不可欠な行動である。
しかし、人々が眠りたいときに眠りに落ちることは容易ではない。
睡眠障害には、新型コロナウイルス(covid-19)の状況、外からの騒音、夜間の光など様々な要因がある。
脳波と聴覚刺激を用いた精神状態に基づくパーソナライズされた睡眠誘導システムの構築を目指している。
本システムは,脳波とピッツバーグ睡眠状態指標とブルネル気分尺度の結果を用いて,ユーザの精神状態を解析する。
精神状態によると、このシステムは、ホワイトノイズ、繰り返しビープ音、雨音、バイノーラルビート、シェーム音の5つの聴覚刺激の間で睡眠誘導音を演奏する。
最後に、睡眠誘発システムは、非刺激性眼球運動睡眠の場合、94.7%の被験者の睡眠ステージを分類し、聴覚刺激を停止した。
当システムでは20名のうち18名が眠る。
関連論文リスト
- Insomnia Identification via Electroencephalography [0.0]
全世界で推定5000万人が不眠症に罹患していると考えられている。
本研究では、深層学習を用いて不眠症患者を自動的に識別する手法を提案する。
論文 参考訳(メタデータ) (2024-02-09T08:59:37Z) - A machine-learning sleep-wake classification model using a reduced
number of features derived from photoplethysmography and activity signals [0.0]
Photoplethys (mography) は睡眠期推論に有効なシグナルであることが示された。
本稿では,eXtreme Gradient Boostingアルゴリズムに基づく機械学習睡眠覚醒分類モデルを提案する。
本手法の性能は現在の最先端手法と比較し,感度91.15 $pm$ 1.16%,特異度53.66 $pm$ 1.12%,F1スコア83.88 $pm$ 0.56%,Kappa48.0 $pm$ 0.86%であった。
論文 参考訳(メタデータ) (2023-08-07T13:43:19Z) - Automatic Sleep Stage Classification with Cross-modal Self-supervised
Features from Deep Brain Signals [35.141080847207355]
深層脳記録に基づく睡眠段階分類は、患者に対してより正確な治療を提供する大きな可能性を持っている。
人工睡眠装置を用いた睡眠段階分類に適用可能なクロスモーダル・トランスファー学習法を提案した。
パーキンソン病12例の脳深部記録データを用いて実験を行った。
論文 参考訳(メタデータ) (2023-02-07T03:21:33Z) - 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) - 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) - Affective Idiosyncratic Responses to Music [63.969810774018775]
本研究では,中国社会音楽プラットフォーム上での403万以上のリスナーコメントから,音楽に対する感情応答を測定する手法を開発した。
我々は,聴取者の感情反応を促進する音楽的,歌詞的,文脈的,人口動態的,精神的健康的効果をテストした。
論文 参考訳(メタデータ) (2022-10-17T19:57:46Z) - Continual learning benefits from multiple sleep mechanisms: NREM, REM,
and Synaptic Downscaling [51.316408685035526]
先行学習を失うことなく、新しいタスクやスキルを連続して学習することは、人工ニューラルネットワークと生物学的ニューラルネットワークの両方にとって、計算上の課題である。
本稿では,3つの異なる睡眠成分のモデル化が,人工ニューラルネットワークの連続学習にどのように影響するかを検討する。
論文 参考訳(メタデータ) (2022-09-09T13:45:27Z) - Neural Language Models are not Born Equal to Fit Brain Data, but
Training Helps [75.84770193489639]
音声ブックを聴く被験者の機能的磁気共鳴イメージングの時間軸予測に及ぼすテスト損失,トレーニングコーパス,モデルアーキテクチャの影響について検討した。
各モデルの訓練されていないバージョンは、同じ単語をまたいだ脳反応の類似性を捉えることで、脳内のかなりの量のシグナルをすでに説明していることがわかりました。
ニューラル言語モデルを用いたヒューマン・ランゲージ・システムの説明を目的とした今後の研究の実践を提案する。
論文 参考訳(メタデータ) (2022-07-07T15:37:17Z) - Automatic Micro-sleep Detection under Car-driving Simulation Environment
using Night-sleep EEG [0.0]
マイクロスリープ(micro-sleep)は、1秒から30秒続く短い睡眠である。
EEGは意識と睡眠に関連していたため、微小睡眠を検出するのに適しています。
深層学習は脳の状態を認識する上で大きなパフォーマンスを示したが、十分なデータが必要である。
論文 参考訳(メタデータ) (2020-12-10T14:37:47Z) - Classification Of Sleep-Wake State In A Ballistocardiogram System Based
On Deep Learning [1.4680035572775534]
本稿では,マルチヘッド1次元畳み込みに基づくディープニューラルネットワークを提案し,睡眠覚醒状態を正確に予測する。
睡眠覚醒分類スコアは95.5%であり,PSGシステムに基づく研究と同等である。
論文 参考訳(メタデータ) (2020-11-11T03:38:33Z) - 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。