論文の概要: Sleep Quality Prediction from Wearables using Convolution Neural
Networks and Ensemble Learning
- arxiv url: http://arxiv.org/abs/2303.06028v1
- Date: Wed, 8 Mar 2023 18:08:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-13 14:24:55.526639
- Title: Sleep Quality Prediction from Wearables using Convolution Neural
Networks and Ensemble Learning
- Title(参考訳): 畳み込みニューラルネットワークとアンサンブル学習を用いたウェアラブルの睡眠品質予測
- Authors: Ozan K{\i}l{\i}\c{c}, Berrenur Saylam, \"Ozlem Durmaz \.Incel
- Abstract要約: 睡眠は、日々のパフォーマンス、幸福、生活の質に影響を与える最も重要な要因の一つである。
カメラの記録や画像からの状態を抽出する代わりに、手首に装着したデバイスは加速度計、心拍数、心拍変動センサーを介して直接測定することができる。
測定された特徴は、就寝時間、就寝時間、就寝時間、就寝時間、就寝時間、覚醒後就寝時間である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sleep is among the most important factors affecting one's daily performance,
well-being, and life quality. Nevertheless, it became possible to measure it in
daily life in an unobtrusive manner with wearable devices. Rather than camera
recordings and extraction of the state from the images, wrist-worn devices can
measure directly via accelerometer, heart rate, and heart rate variability
sensors. Some measured features can be as follows: time to bed, time out of
bed, bedtime duration, minutes to fall asleep, and minutes after wake-up. There
are several studies in the literature regarding sleep quality and stage
prediction. However, they use only wearable data to predict or focus on the
sleep stage. In this study, we use the NetHealth dataset, which is collected
from 698 college students' via wearables, as well as surveys. Recently, there
has been an advancement in deep learning algorithms, and they generally perform
better than conventional machine learning techniques. Among them, Convolutional
Neural Networks (CNN) have high performances. Thus, in this study, we apply
different CNN architectures that have already performed well in the human
activity recognition domain and compare their results. We also apply Random
Forest (RF) since it performs best among the conventional methods. In future
studies, we will compare them with other deep learning algorithms.
- Abstract(参考訳): 睡眠は日常生活、幸福、生活の質に影響を与える最も重要な要因である。
それにもかかわらず、ウェアラブルデバイスを使って日常的に測定することが可能になった。
カメラの記録や画像からの状態を抽出する代わりに、手首に装着したデバイスは加速度計、心拍数、心拍変動センサーを介して直接測定することができる。
測定された特徴は、就寝時間、就寝時間、就寝時間、就寝時間、就寝時間、起床後数分である。
睡眠の質とステージ予測に関する文献にはいくつかの研究がある。
しかし、睡眠ステージを予測または集中するために、ウェアラブルデータのみを使用する。
本研究では,ウェアラブルを用いた698人の大学生を対象に,nethealthデータセットを用いて調査を行った。
近年,ディープラーニングアルゴリズムが進歩し,従来の機械学習技術よりも性能が向上している。
その中でも畳み込みニューラルネットワーク(cnn)は高性能である。
そこで本研究では,人間の活動認識領域ですでによく機能している異なるCNNアーキテクチャを適用し,その結果を比較した。
また,従来手法の中では最良であるランダムフォレスト(RF)を適用した。
今後の研究では、これらを他のディープラーニングアルゴリズムと比較する。
関連論文リスト
- Deep Learning-Enabled Sleep Staging From Vital Signs and Activity
Measured Using a Near-Infrared Video Camera [1.0499611180329802]
我々は、近赤外線ビデオカメラから得られる心拍数、呼吸速度、活動測定値を用いて睡眠ステージ分類を行う。
我々は4クラス睡眠段階分類において73.4%の精度とコーエンのカッパ0.61の精度を達成した。
論文 参考訳(メタデータ) (2023-06-06T14:21:22Z) - 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) - SleepMore: Sleep Prediction at Scale via Multi-Device WiFi Sensing [0.0]
本研究では,ユーザのWiFiネットワーク上での機械学習に基づく,正確な睡眠追跡手法であるSleepMoreを提案する。
46人の大学生を対象とした1ヶ月にわたるユーザー調査データを用いて、SleepMoreを検証し、Oura Ringウェアラブルと比較した。
以上の結果から,SleepMoreは,5%の不確かさ率以内の予測のために,Ouraリングベースラインから統計的に識別不能な睡眠統計を発生させることが示された。
論文 参考訳(メタデータ) (2022-10-24T16:42:56Z) - RMBench: Benchmarking Deep Reinforcement Learning for Robotic
Manipulator Control [47.61691569074207]
強化学習は、高次元の感覚入力から実際の複雑なタスクを解決するために応用される。
生の知覚信号表現における深層学習の最近の進歩
ロボット操作のための最初のベンチマークであるRMBenchを紹介する。
論文 参考訳(メタデータ) (2022-10-20T13:34:26Z) - 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) - Personalised recommendations of sleep behaviour with neural networks
using sleep diaries captured in Sleepio [11.243440695021567]
Big Healthと共同で、私たちは401,174回の睡眠日記のランダムなサンプルからデータを分析しました。
個人の睡眠行動と睡眠の質をパーソナライズされた方法でモデル化するニューラルネットワークを構築した。
ニューラルネットワークは、ユーザーがどの睡眠習慣に従うべきかをパーソナライズしたレコメンデーションを生成し、睡眠の質を最大化する。
論文 参考訳(メタデータ) (2022-07-29T18:29:05Z) - Predicting Sleeping Quality using Convolutional Neural Networks [6.236890292833385]
本稿では,分類性能を向上させる畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
従来の機械学習手法を含む様々な手法から分類性能をベンチマークする。
精度、感度、特異性、精度、リコール、Fスコアが報告され、研究をシミュレートするためのベースラインとして機能する。
論文 参考訳(メタデータ) (2022-04-24T21:48:54Z) - Using Ballistocardiography for Sleep Stage Classification [2.360019611990601]
睡眠ステージ検出の現在の方法は高価で、人の睡眠に侵入し、現代の家庭では実用的ではない。
バリスト心電図(英: Ballistocardiography、BCG)は、心臓が生み出す弾道力を測定することで情報を収集する非侵襲的なセンシング技術である。
本稿では,Fitbit Sense Smart Watchから抽出した睡眠ステージと,睡眠ステージ検出アルゴリズムを実装して比較する。
論文 参考訳(メタデータ) (2022-02-02T14:02:48Z) - In-Bed Person Monitoring Using Thermal Infrared Sensors [53.561797148529664]
パナソニックグリッド(Panasonic Grid-EYE)は、低解像度の赤外線サーモパイルアレイセンサーで、よりプライバシーを提供する。
この目的のために、2つのデータセットが取得され、1つ (480 画像) は一定条件で、もう1つ (200 画像) は異なるバリエーションで取得された。
我々は、SVM(Support Vector Machines)、k-Nearest Neighbors(k-NN)、Neural Network(NN)の3つの機械学習アルゴリズムをテストする。
論文 参考訳(メタデータ) (2021-07-16T15:59:07Z) - 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)
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。