論文の概要: Contrastive Learning for Sleep Staging based on Inter Subject Correlation

• arxiv url: http://arxiv.org/abs/2305.03178v1
• Date: Fri, 5 May 2023 12:16:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-08 16:06:46.209841
• Title: Contrastive Learning for Sleep Staging based on Inter Subject Correlation
• Title（参考訳）: 被写体間相関に基づく睡眠ステージングのコントラスト学習
• Authors: Tongxu Zhang and Bei Wang
• Abstract要約: 本稿では,睡眠ステージング研究に用いられているMViTimeモデルについて述べる。 睡眠段階分類におけるクロスオブジェクト問題に対処するために,コントラスト学習による物体間相関理論を実装した。
• 参考スコア（独自算出の注目度）: 2.092935059855151
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, multitudes of researches have applied deep learning to automatic sleep stage classification. Whereas actually, these works have paid less attention to the issue of cross-subject in sleep staging. At the same time, emerging neuroscience theories on inter-subject correlations can provide new insights for cross-subject analysis. This paper presents the MViTime model that have been used in sleep staging study. And we implement the inter-subject correlation theory through contrastive learning, providing a feasible solution to address the cross-subject problem in sleep stage classification. Finally, experimental results and conclusions are presented, demonstrating that the developed method has achieved state-of-the-art performance on sleep staging. The results of the ablation experiment also demonstrate the effectiveness of the cross-subject approach based on contrastive learning.
• Abstract（参考訳）: 近年では、深層学習を自動睡眠ステージ分類に適用する研究が数多く行われている。 実際には、これらの作品は睡眠ステージにおけるクロスサブジェクトの問題にあまり注意を払っていない。 同時に、サブジェクト間の相関に関する新しい神経科学理論は、クロスサブジェクト分析に新たな洞察を与えることができる。 本稿では,睡眠ステージング研究に用いられているMViTimeモデルについて述べる。 また,睡眠ステージ分類におけるクロスサブジェクト問題に対処するための実現可能な解として,コントラスト学習を通じてサブジェクト間相関理論を実装した。 最後に,実験結果と結論を提示し,本手法が睡眠ステージングにおいて最先端のパフォーマンスを達成していることを示す。 アブレーション実験の結果は、対照的な学習に基づくクロスオブジェクトアプローチの有効性を示した。

関連論文リスト

• NeuroNet: A Novel Hybrid Self-Supervised Learning Framework for Sleep Stage Classification Using Single-Channel EEG [2.3310092106321365]
  睡眠ステージ分類は、睡眠障害を診断し、睡眠の質を評価する重要な側面である。 近年の深層学習の進歩は、睡眠段階分類の自動化を著しく促進している。 本稿では,未ラベルの単一チャンネル睡眠脳波(EEG)信号を利用する自己教師型学習フレームワークであるNeuroNetを紹介する。
  論文  参考訳（メタデータ） (2024-04-10T18:32:22Z)
• Domain Invariant Representation Learning and Sleep Dynamics Modeling for Automatic Sleep Staging [6.86283473936335]
  ニューラルネットワークに基づく睡眠ステージングモデルDREAMを提案し,生理的信号とモデル睡眠ダイナミクスから領域一般化表現を学習する。 DREAMは、様々な被験者の睡眠信号から睡眠関連および被写体不変表現を学習し、シーケンシャル信号セグメントと睡眠ステージ間の相互作用を捉えて睡眠ダイナミクスをモデル化する。 睡眠ステージ予測実験,ケーススタディ,ラベルなしデータの使用,不確実性など,DREAMの優位性を示すための総合的な実証的研究を行った。
  論文  参考訳（メタデータ） (2023-12-06T00:28:08Z)
• Evaluating sleep-stage classification: how age and early-late sleep affects classification performance [0.0]
  特徴抽出にウェーブレット,分類にランダムフォレストを用い,自動睡眠段階分類法を求め評価した。 被験者の年齢と睡眠時(早夜と深夜)は、分類器のパフォーマンスに直面する。
  論文  参考訳（メタデータ） (2023-10-20T18:30:36Z)
• TC-LIF: A Two-Compartment Spiking Neuron Model for Long-Term Sequential Modelling [54.97005925277638]
  潜在的な可能性や危険に関連する感覚的手がかりの同定は、長期間の遅延によって有用な手がかりを分離する無関係な事象によってしばしば複雑になる。 SNN(State-of-the-art spiking Neural Network)は、遠方のキュー間の長期的な時間的依存関係を確立する上で、依然として困難な課題である。 そこで本研究では,T-LIFとよばれる,生物学的にインスパイアされたTwo-compartment Leaky Integrate- and-Fireのスパイキングニューロンモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-25T08:54:41Z)
• 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)
• TransSleep: Transitioning-aware Attention-based Deep Neural Network for Sleep Staging [2.105172041656126]
  本稿では,局所的な時間的特徴を捉えた新しいディープニューラルネットワーク構造であるTransSleepを提案する。 その結果,TransSleepは自動睡眠ステージングにおいて有望な性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2022-03-22T08:55:32Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• Correct block-design experiments mitigate temporal correlation bias in EEG classification [68.85562949901077]
  [1]の主主張は極めて過大評価されており、他の分析は間違った方法論的選択によって深刻な欠陥を負っていることを示す。 脳波の時間相関が2つの実験環境で同じモデルをテストすることによって分類精度に及ぼす影響について検討した。
  論文  参考訳（メタデータ） (2020-11-25T22:25:21Z)
• MetaSleepLearner: A Pilot Study on Fast Adaptation of Bio-signals-Based Sleep Stage Classifier to New Individual Subject Using Meta-Learning [15.451212330924447]
  モデル非依存メタラーニング(MAML)に基づく転移学習フレームワークMetaSleepLearnerを提案する。 従来のアプローチと比較すると、MetaSleepLearnerは5.4%から17.7%の改善を達成している。 これは、非伝統的な事前学習手法であるMAMLを調査した最初の研究であり、その結果、睡眠段階分類における人間と機械の協調が可能となった。
  論文  参考訳（メタデータ） (2020-04-08T16:31:03Z)

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。