論文の概要: A machine-learning sleep-wake classification model using a reduced
number of features derived from photoplethysmography and activity signals
- arxiv url: http://arxiv.org/abs/2308.05759v1
- Date: Mon, 7 Aug 2023 13:43:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-20 16:39:03.216768
- Title: A machine-learning sleep-wake classification model using a reduced
number of features derived from photoplethysmography and activity signals
- Title（参考訳）: フォトプレチスモグラフィと活動信号から得られた特徴量の削減を用いた機械学習睡眠・覚醒分類モデル
- Authors: Douglas A.Almeida, Felipe M. Dias, Marcelo A. F. Toledo, Diego A. C.
Cardenas, Filipe A. C. Oliveira, Estela Ribeiro, Jose E. Krieger, Marco A.
Gutierrez
- Abstract要約: Photoplethys (mography) は睡眠期推論に有効なシグナルであることが示された。
本稿では,eXtreme Gradient Boostingアルゴリズムに基づく機械学習睡眠覚醒分類モデルを提案する。
本手法の性能は現在の最先端手法と比較し,感度91.15 $pm$ 1.16%,特異度53.66 $pm$ 1.12%,F1スコア83.88 $pm$ 0.56%,Kappa48.0 $pm$ 0.86%であった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sleep is a crucial aspect of our overall health and well-being. It plays a
vital role in regulating our mental and physical health, impacting our mood,
memory, and cognitive function to our physical resilience and immune system.
The classification of sleep stages is a mandatory step to assess sleep quality,
providing the metrics to estimate the quality of sleep and how well our body is
functioning during this essential period of rest. Photoplethysmography (PPG)
has been demonstrated to be an effective signal for sleep stage inference,
meaning it can be used on its own or in a combination with others signals to
determine sleep stage. This information is valuable in identifying potential
sleep issues and developing strategies to improve sleep quality and overall
health. In this work, we present a machine learning sleep-wake classification
model based on the eXtreme Gradient Boosting (XGBoost) algorithm and features
extracted from PPG signal and activity counts. The performance of our method
was comparable to current state-of-the-art methods with a Sensitivity of 91.15
$\pm$ 1.16%, Specificity of 53.66 $\pm$ 1.12%, F1-score of 83.88 $\pm$ 0.56%,
and Kappa of 48.0 $\pm$ 0.86%. Our method offers a significant improvement over
other approaches as it uses a reduced number of features, making it suitable
for implementation in wearable devices that have limited computational power.
- Abstract（参考訳）: 睡眠は私たちの健康と幸福にとって重要な側面です。
精神と身体の健康を調節し、身体の回復力と免疫系に気分、記憶、認知機能に影響を与える重要な役割を担っている。
睡眠段階の分類は睡眠の質を評価するための必須ステップであり、睡眠の質と、この必須の休息期間に身体がどれくらい機能しているかを評価する指標を提供する。
photoplethysmography (ppg) は睡眠ステージ推定に有効な信号であり、単独でも他の信号と組み合わせて睡眠ステージを決定することができる。
この情報は、潜在的な睡眠問題を特定し、睡眠の質と全体の健康を改善するための戦略を開発する上で有用である。
本稿では,エクストリーム・グラデーション・ブースティング(xgboost)アルゴリズムに基づく機械学習の睡眠・覚醒分類モデルと,ppg信号と活動量から抽出した特徴について述べる。
本手法の性能は現在の最先端手法と比較し,感度91.15 $\pm$ 1.16%,特異性53.66 $\pm$ 1.12%,F1スコア83.88 $\pm$ 0.56%,Kappa48.0 $\pm$ 0.86%であった。
本手法は,計算能力に制限のあるウェアラブルデバイスの実装に適した機能として,他の手法に比べて大幅に改善されている。
関連論文リスト
- A deep learning-enabled smart garment for accurate and versatile sleep conditions monitoring in daily life [2.8587098692786905]
位置決めや皮膚調製の必要なしに局所的な皮膚ひずみ信号を捕捉する,洗濯可能な皮膚適合型スマートスリープ監視システムについて報告する。
印刷された繊維系ひずみセンサアレイは、ゲージ係数を最大100で0.1%から10%のひずみに応答する。
スマートウェアは6つの睡眠状態を98.6%の精度で分類することができ、クラス当たり15サンプル未満の新規ユーザに対して優れた説明性(バイアスの少ない分類)と一般化精度を維持することができる。
論文 参考訳（メタデータ） (2024-08-01T17:56:25Z) - 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) - 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) - 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) - Extraction of Sleep Information from Clinical Notes of Patients with Alzheimer's Disease Using Natural Language Processing [4.268772592648502]
睡眠は、高齢者の最適な認知機能に不可欠なライフスタイルに関連する要因の1つである。
伝統的に睡眠情報を取得する方法は、時間がかかり、効率が悪く、測定不能であり、患者の主観的な経験に限られる。
本研究では,ルールベース自然言語処理(NLP)アルゴリズム,機械学習モデル,およびLarge Language Model(LLM)ベースのNLPアルゴリズムを開発し,睡眠関連概念の抽出を自動化する。
論文 参考訳（メタデータ） (2022-03-08T21:20:19Z) - 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) - 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。