Fugu-MT 論文翻訳(概要): Transparency in Sleep Staging: Deep Learning Method for EEG Sleep Stage Classification with Model Interpretability

論文の概要: Transparency in Sleep Staging: Deep Learning Method for EEG Sleep Stage Classification with Model Interpretability

arxiv url: http://arxiv.org/abs/2309.07156v4
Date: Sun, 14 Jan 2024 14:33:19 GMT
ステータス: 処理完了
システム内更新日: 2024-01-18 01:33:14.739370
Title: Transparency in Sleep Staging: Deep Learning Method for EEG Sleep Stage Classification with Model Interpretability
Title（参考訳）: 睡眠ステージの透明性:モデル解釈可能性を考慮した脳波睡眠ステージ分類のための深層学習法
Authors: Shivam Sharma, Suvadeep Maiti, S. Mythirayee, Srijithesh Rajendran, Raju Surampudi Bapi
Abstract要約: 本研究では,残差ネットワーク内に圧縮ブロックと励起ブロックを統合し,複雑な時間的依存関係を理解するために,特徴抽出と積み重ねBi-LSTMを組み込んだエンド・ツー・エンドディープラーニング(DL)モデルを提案する。本研究の特筆すべき側面は、睡眠ステージングのためのGradCamの適応であり、この領域における説明可能なDLモデルの最初の事例であり、その決定と睡眠専門家の洞察の一致である。
参考スコア（独自算出の注目度）: 5.747465732334616
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automated Sleep stage classification using raw single channel EEG is a critical tool for sleep quality assessment and disorder diagnosis. However, modelling the complexity and variability inherent in this signal is a challenging task, limiting their practicality and effectiveness in clinical settings. To mitigate these challenges, this study presents an end-to-end deep learning (DL) model which integrates squeeze and excitation blocks within the residual network to extract features and stacked Bi-LSTM to understand complex temporal dependencies. A distinctive aspect of this study is the adaptation of GradCam for sleep staging, marking the first instance of an explainable DL model in this domain with alignment of its decision-making with sleep expert's insights. We evaluated our model on the publically available datasets (SleepEDF-20, SleepEDF-78, and SHHS), achieving Macro-F1 scores of 82.5, 78.9, and 81.9, respectively. Additionally, a novel training efficiency enhancement strategy was implemented by increasing stride size, leading to 8x faster training times with minimal impact on performance. Comparative analyses underscore our model outperforms all existing baselines, indicating its potential for clinical usage.
Abstract（参考訳）: 単チャンネル脳波を用いた睡眠ステージの自動分類は睡眠品質評価と障害診断にとって重要なツールである。しかし、この信号に固有の複雑さと変動性をモデル化することは難しい課題であり、臨床における実用性と有効性を制限する。これらの課題を緩和するために、残余ネットワーク内に圧縮ブロックと励起ブロックを統合して特徴を抽出し、複雑な時間的依存関係を理解するために積み重ねたBi-LSTM(Deep-to-end Deep Learning)モデルを提案する。本研究の特筆すべき側面は、睡眠ステージングのためのGradCamの適応であり、この領域における説明可能なDLモデルの最初の事例であり、その決定と睡眠専門家の洞察の一致である。公開データセット(SleepEDF-20,SleepEDF-78,SHHS)を用いて,Macro-F1スコアが82.5,78.9,81.9であった。さらに、ストライドサイズの増大により、新たなトレーニング効率向上戦略が実施され、パフォーマンスへの影響を最小限に抑えながら、トレーニング時間を8倍に短縮した。比較分析は,本モデルが既存のすべてのベースラインより優れており,臨床応用の可能性を示している。

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)
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)
Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
論文参考訳（メタデータ） (2024-01-17T09:01:29Z)
Not All Steps are Equal: Efficient Generation with Progressive Diffusion Models [62.155612146799314]
ステップ適応トレーニングと呼ばれる新しい2段階のトレーニング戦略を提案する。初期段階では、ベース・デノナイジング・モデルはすべてのタイムステップを包含するように訓練される。タイムステップを別々のグループに分割し、各グループ内でモデルを微調整して、特殊な認知機能を実現します。
論文参考訳（メタデータ） (2023-12-20T03:32:58Z)
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)
Learning Objective-Specific Active Learning Strategies with Attentive Neural Processes [72.75421975804132]
学びアクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。能動学習問題の対称性と独立性を利用した新しい分類法を提案する。私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
論文参考訳（メタデータ） (2023-09-11T14:16:37Z)
SleepEGAN: A GAN-enhanced Ensemble Deep Learning Model for Imbalanced Classification of Sleep Stages [4.649202082648198]
本研究では,睡眠段階の非バランスな分類のために,GAN(Generative Adversarial Network)を用いたアンサンブル深層学習モデルであるSleepEGANを開発した。提案手法は,3つの睡眠データセットを用いた既存手法と比較して,分類精度を向上できることを示す。
論文参考訳（メタデータ） (2023-07-04T01:56:00Z)
A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
論文参考訳（メタデータ） (2022-11-01T14:12:58Z)
Do Not Sleep on Linear Models: Simple and Interpretable Techniques Outperform Deep Learning for Sleep Scoring [1.6339105551302067]
私たちは、睡眠スコアリングのディープラーニングソリューションのほとんどは、トレーニング、デプロイ、再現が難しいため、実際の適用性に制限がある、と論じています。本研究では,従来の機械学習を用いた睡眠ステージ分類の問題を再考する。その結果、従来の機械学習パイプラインでは、最先端のパフォーマンスが達成できることがわかった。
論文参考訳（メタデータ） (2022-07-15T21:03:11Z)
DLTTA: Dynamic Learning Rate for Test-time Adaptation on Cross-domain Medical Images [56.72015587067494]
DLTTAと呼ばれるテスト時間適応のための新しい動的学習率調整法を提案する。本手法は,現在最先端のテスト時間適応法よりも一貫した性能向上を図り,有効かつ高速なテスト時間適応を実現する。
論文参考訳（メタデータ） (2022-05-27T02:34:32Z)
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。