論文の概要: Attention-based Learning for Sleep Apnea and Limb Movement Detection using Wi-Fi CSI Signals

• arxiv url: http://arxiv.org/abs/2304.06474v1
• Date: Sun, 26 Mar 2023 19:40:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-16 21:58:31.153164
• Title: Attention-based Learning for Sleep Apnea and Limb Movement Detection using Wi-Fi CSI Signals
• Title（参考訳）: Wi-Fi CSI信号を用いた睡眠時無呼吸・肢運動検出のための注意に基づく学習
• Authors: Chi-Che Chang, An-Hung Hsiao, Li-Hsiang Shen, Kai-Ten Feng, Chia-Yu Chen
• Abstract要約: 本研究では,睡眠時無呼吸および肢運動検出システム(ALESAL)の注意に基づく学習を提案する。 提案したALESALシステムは84.33の重み付きF1スコアを達成でき、既存のサポートベクトルマシンとディープ多層パーセプトロンの非アテンションに基づく他の手法よりも優れている。
• 参考スコア（独自算出の注目度）: 6.682252544052753
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wi-Fi channel state information (CSI) has become a promising solution for non-invasive breathing and body motion monitoring during sleep. Sleep disorders of apnea and periodic limb movement disorder (PLMD) are often unconscious and fatal. The existing researches detect abnormal sleep disorders in impractically controlled environments. Moreover, it leads to compelling challenges to classify complex macro- and micro-scales of sleep movements as well as entangled similar waveforms of cases of apnea and PLMD. In this paper, we propose the attention-based learning for sleep apnea and limb movement detection (ALESAL) system that can jointly detect sleep apnea and PLMD under different sleep postures across a variety of patients. ALESAL contains antenna-pair and time attention mechanisms for mitigating the impact of modest antenna pairs and emphasizing the duration of interest, respectively. Performance results show that our proposed ALESAL system can achieve a weighted F1-score of 84.33, outperforming the other existing non-attention based methods of support vector machine and deep multilayer perceptron.
• Abstract（参考訳）: Wi-Fiチャネル状態情報(CSI)は、睡眠中の非侵襲的呼吸および身体の動き監視のための有望な解決策となっている。 無呼吸と周期性手足運動障害(PLMD)の睡眠障害はしばしば無意識で致命的なものである。 既存の研究は、非現実的に制御された環境で異常な睡眠障害を検出する。 さらに、睡眠運動の複雑なマクロスケールやマイクロスケールの分類や、無呼吸症候群やPLMDの場合と同様の波形の絡み合わせが難しい。 本稿では,睡眠時無呼吸・下肢運動検出システム(ALESAL)について,睡眠時無呼吸とPLMDを多種多様な睡眠姿勢下で共同検出可能な注意型学習法を提案する。 ALESALには、適度なアンテナ対の影響を緩和し、それぞれ関心の持続時間を強調するアンテナ対と時間注意機構が含まれている。 その結果,提案したALESALシステムは84.33の重み付きF1スコアを達成でき,既存のサポートベクトルマシンやディープ多層パーセプトロンの非アテンションベース手法よりも優れていた。

関連論文リスト

• What Radio Waves Tell Us about Sleep [34.690382091650314]
  本研究では、睡眠中の人から反射される電波からの睡眠と夜間呼吸を受動的にモニタリングする高度な機械学習アルゴリズムを開発した。 睡眠時無呼吸(AUROC=0.88)を検知し,睡眠時無呼吸を検知した。 このモデルは、睡眠段階と、神経、精神医学、循環器、免疫疾患を含む様々な疾患の間の情報的相互作用を明らかにする。
  論文  参考訳（メタデータ） (2024-05-20T02:41:21Z)
• Clustering and Data Augmentation to Improve Accuracy of Sleep Assessment and Sleep Individuality Analysis [1.9662978733004597]
  本研究の目的は,就寝時の頻繁な動きによる睡眠不足など,エビデンスに基づく評価を提供する機械学習ベースの睡眠評価モデルを構築することである。 睡眠音イベントの抽出,VAEを用いた潜時表現の抽出,GMMによるクラスタリング,主観的睡眠評価のためのLSTMトレーニングは94.8%の精度で睡眠満足度を識別した。
  論文  参考訳（メタデータ） (2024-04-16T05:56:41Z)
• Multimodal Sleep Apnea Detection with Missing or Noisy Modalities [1.3518297878940662]
  本研究では,睡眠時無呼吸検出を行う際の欠損や雑音を補うことを目的とした包括的パイプラインを提案する。 本実験は,睡眠時無呼吸の検出において,提案モデルが他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-24T16:29:36Z)
• EEG-based Sleep Staging with Hybrid Attention [4.718295968108302]
  我々は、HASS(Hybrid Attention EEG Sleep Staging)と呼ばれる新しいフレームワークを提案する。 提案手法は,睡眠時脳波信号の空間的・時間的関係を捉えることの難しさを軽減する。
  論文  参考訳（メタデータ） (2023-05-16T15:37:32Z)
• 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)
• 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)
• 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)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)
• 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。