論文の概要: EEG-based Sleep Staging with Hybrid Attention

• arxiv url: http://arxiv.org/abs/2305.09543v1
• Date: Tue, 16 May 2023 15:37:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-17 14:20:58.951828
• Title: EEG-based Sleep Staging with Hybrid Attention
• Title（参考訳）: ハイブリッド注意を伴う脳波に基づく睡眠ステージング
• Authors: Xinliang Zhou, Chenyu Liu, Jiaping Xiao and Yang Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.718295968108302
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sleep staging is critical for assessing sleep quality and diagnosing sleep disorders. However, capturing both the spatial and temporal relationships within electroencephalogram (EEG) signals during different sleep stages remains challenging. In this paper, we propose a novel framework called the Hybrid Attention EEG Sleep Staging (HASS) Framework. Specifically, we propose a well-designed spatio-temporal attention mechanism to adaptively assign weights to inter-channels and intra-channel EEG segments based on the spatio-temporal relationship of the brain during different sleep stages. Experiment results on the MASS and ISRUC datasets demonstrate that HASS can significantly improve typical sleep staging networks. Our proposed framework alleviates the difficulties of capturing the spatial-temporal relationship of EEG signals during sleep staging and holds promise for improving the accuracy and reliability of sleep assessment in both clinical and research settings.
• Abstract（参考訳）: 睡眠ステージングは睡眠品質の評価と睡眠障害の診断に重要である。 しかし、異なる睡眠段階における脳波(eeg)信号の空間的・時間的関係を捉えることは困難である。 本稿では,Hybrid Attention EEG Sleep Staging (HASS) Frameworkと呼ばれる新しいフレームワークを提案する。 具体的には、睡眠段階の異なる脳の時空間関係に基づいて、チャネル間およびチャネル内脳波セグメントに重みを適応的に割り当てる、よく設計された時空間的注意機構を提案する。 MASSとISRUCデータセットの実験結果は、HASSが典型的な睡眠ステージネットワークを大幅に改善できることを示している。 提案フレームワークは,睡眠時における脳波信号の空間的・時間的関係の把握の難しさを軽減し,臨床および研究環境における睡眠評価の精度と信頼性の向上を約束する。

関連論文リスト

• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• 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)
• Attention-based Learning for Sleep Apnea and Limb Movement Detection using Wi-Fi CSI Signals [6.682252544052753]
  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。
  論文  参考訳（メタデータ） (2023-03-26T19:40:37Z)
• Sleep Model -- A Sequence Model for Predicting the Next Sleep Stage [18.059360820527687]
  単チャンネル脳波(EEG)、脳電図(EOG)、筋電図(EMG)、心電図(ECG)などの単純なセンサーを用いた睡眠段階分類が注目されている。 本研究では、次の睡眠段階を予測する睡眠モデルを提案し、睡眠分類精度を向上させるために使用した。
  論文  参考訳（メタデータ） (2023-02-17T07:37:54Z)
• 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)
• A Knowledge Distillation Framework For Enhancing Ear-EEG Based Sleep Staging With Scalp-EEG Data [3.382472583898067]
  ポリソムノグラフィーによる睡眠研究は不快感としばしば睡眠の質の低下と関連している。 これまでの研究は、高品質な睡眠研究を行うための邪魔にならない方法の開発に重点を置いてきた。 ドメイン適応手法であるクロスモーダルな知識蒸留戦略を提案する。
  論文  参考訳（メタデータ） (2022-10-27T01:32:58Z)
• SleePyCo: Automatic Sleep Scoring with Feature Pyramid and Contrastive Learning [0.0]
  本研究では,1)特徴ピラミッドを組み込んだ深層学習フレームワークSleePyCoと,2)自動睡眠スコアリングのための教師付きコントラスト学習を提案する。 特徴ピラミッドでは,異なる時間・周波数スケールで複数の特徴系列を検討するために,SleePyCo-backboneと呼ばれるバックボーンネットワークを提案する。 教師付きコントラスト学習により、クラス内特徴間の距離を最小化し、クラス間特徴間の距離を最大化することにより、クラス識別特徴を抽出することができる。
  論文  参考訳（メタデータ） (2022-09-20T04:10:49Z)
• 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)
• 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)

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。