論文の概要: Automatic Sleep Stage Classification with Cross-modal Self-supervised
Features from Deep Brain Signals
- arxiv url: http://arxiv.org/abs/2302.03227v1
- Date: Tue, 7 Feb 2023 03:21:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-08 17:35:55.557882
- Title: Automatic Sleep Stage Classification with Cross-modal Self-supervised
Features from Deep Brain Signals
- Title（参考訳）: 深部脳信号を用いたクロスモーダル自己監督機能を用いた睡眠ステージの自動分類
- Authors: Chen Gong, Yue Chen, Yanan Sui, Luming Li
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 35.141080847207355
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The detection of human sleep stages is widely used in the diagnosis and
intervention of neurological and psychiatric diseases. Some patients with deep
brain stimulator implanted could have their neural activities recorded from the
deep brain. Sleep stage classification based on deep brain recording has great
potential to provide more precise treatment for patients. The accuracy and
generalizability of existing sleep stage classifiers based on local field
potentials are still limited. We proposed an applicable cross-modal transfer
learning method for sleep stage classification with implanted devices. This
end-to-end deep learning model contained cross-modal self-supervised feature
representation, self-attention, and classification framework. We tested the
model with deep brain recording data from 12 patients with Parkinson's disease.
The best total accuracy reached 83.2% for sleep stage classification. Results
showed speech self-supervised features catch the conversion pattern of sleep
stages effectively. We provide a new method on transfer learning from acoustic
signals to local field potentials. This method supports an effective solution
for the insufficient scale of clinical data. This sleep stage classification
model could be adapted to chronic and continuous monitor sleep for Parkinson's
patients in daily life, and potentially utilized for more precise treatment in
deep brain-machine interfaces, such as closed-loop deep brain stimulation.
- Abstract（参考訳）: ヒトの睡眠段階の検出は、神経学的および精神疾患の診断と治療に広く用いられている。
深部脳刺激装置をインプラントした一部の患者は、深部脳から神経活動を記録することができた。
深部脳記録に基づく睡眠ステージ分類は、患者のより正確な治療を提供する大きな可能性を秘めている。
局所電位に基づく既存の睡眠ステージ分類器の精度と一般化性はまだ限られている。
インプラントデバイスを用いた睡眠段階分類のためのクロスモーダル・トランスファー学習手法を提案する。
このエンドツーエンドのディープラーニングモデルには、クロスモーダルな自己教師付き特徴表現、セルフアテンション、分類フレームワークが含まれている。
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。
最高精度は睡眠ステージ分類で83.2%に達した。
その結果, 音声の自己指導的特徴が睡眠段階の変換パターンを効果的に捉えた。
音響信号から局所場電位への新しい学習法を提案する。
この方法は、臨床データの不十分なスケールに対する効果的なソリューションをサポートする。
この睡眠ステージ分類モデルは、パーキンソン病患者の日常生活における慢性および連続的な睡眠に適応することができ、クローズドループ深部脳刺激などの深部脳-機械界面のより正確な治療に利用できる可能性がある。
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) - Enhancing Healthcare with EOG: A Novel Approach to Sleep Stage
Classification [1.565361244756411]
EOG信号を用いた自動睡眠ステージ分類に革新的アプローチを導入し、脳波データ取得に伴う不快感と非現実性に対処する。
提案するSE-Resnet-Transformerモデルは、生のEOG信号から5つの異なる睡眠ステージを正確に分類する。
論文 参考訳（メタデータ） (2023-09-25T16:23:39Z) - 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) - 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) - Deep Learning for Sleep Stages Classification: Modified Rectified Linear
Unit Activation Function and Modified Orthogonal Weight Initialisation [27.681891555949672]
本研究の目的は,畳み込みニューラルネットワークの精度を高め,学習時間を短縮することである。
提案システムは,活性化関数としてシグモイド活性化関数の代わりにLeaky Rectified Linear Unit (ReLU) を用いる。
論文 参考訳（メタデータ） (2022-02-18T18:29:15Z) - Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。
予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。
本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
論文 参考訳（メタデータ） (2021-08-11T18:08:09Z) - Identity and Posture Recognition in Smart Beds with Deep Multitask
Learning [8.422257363944295]
被験者とその睡眠姿勢を正確に検出できる堅牢な深層学習モデルを提案する。
喪失機能の組み合わせは、被験者と睡眠姿勢を同時に区別するために使用される。
提案するアルゴリズムは、最終的に臨床およびスマートホーム環境で使用できる。
論文 参考訳（メタデータ） (2021-04-05T21:21:54Z) - Temporal convolutional networks and transformers for classifying the
sleep stage in awake or asleep using pulse oximetry signals [0.0]
覚醒・睡眠中の睡眠段階をパルスオキシメータからのHR信号のみを用いて分類することを目的としたネットワークアーキテクチャを開発する。
トランスフォーマーはシーケンスをモデル化し、睡眠段階間の遷移ルールを学ぶことができる。
全体の正確性、特異性、感受性、およびコーエンのカッパ係数は90.0%, 94.9%, 78.1%, 0.73であった。
論文 参考訳（メタデータ） (2021-01-29T22:58:33Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソード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） (2020-05-06T09:02:30Z)
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。