論文の概要: Universal Sleep Decoder: Aligning awake and sleep neural representation across subjects

• arxiv url: http://arxiv.org/abs/2309.16457v1
• Date: Thu, 28 Sep 2023 14:06:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-29 14:05:07.055719
• Title: Universal Sleep Decoder: Aligning awake and sleep neural representation across subjects
• Title（参考訳）: universal sleep decoder: 被験者間の覚醒と睡眠の神経表現の調整
• Authors: Hui Zheng, Zhongtao Chen, Haiteng Wang, Jianyang Zhou, Lin Zheng, Yunzhe Liu
• Abstract要約: 睡眠中の脳活動から記憶内容をデコードすることは、神経科学の長年の目標である。 我々は,新しい認知神経科学実験を設計し,脳波(EEG)データセットを総合的に収集した。 被験者間での覚醒と睡眠の神経表現を協調させるユニバーサルスリープデコーダ(USD)を開発した。
• 参考スコア（独自算出の注目度）: 5.879504043177957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decoding memory content from brain activity during sleep has long been a goal in neuroscience. While spontaneous reactivation of memories during sleep in rodents is known to support memory consolidation and offline learning, capturing memory replay in humans is challenging due to the absence of well-annotated sleep datasets and the substantial differences in neural patterns between wakefulness and sleep. To address these challenges, we designed a novel cognitive neuroscience experiment and collected a comprehensive, well-annotated electroencephalography (EEG) dataset from 52 subjects during both wakefulness and sleep. Leveraging this benchmark dataset, we developed the Universal Sleep Decoder (USD) to align neural representations between wakefulness and sleep across subjects. Our model achieves up to 16.6% top-1 zero-shot accuracy on unseen subjects, comparable to decoding performances using individual sleep data. Furthermore, fine-tuning USD on test subjects enhances decoding accuracy to 25.9% top-1 accuracy, a substantial improvement over the baseline chance of 6.7%. Model comparison and ablation analyses reveal that our design choices, including the use of (i) an additional contrastive objective to integrate awake and sleep neural signals and (ii) the pretrain-finetune paradigm to incorporate different subjects, significantly contribute to these performances. Collectively, our findings and methodologies represent a significant advancement in the field of sleep decoding.
• Abstract（参考訳）: 睡眠中の脳活動から記憶内容を復号することは、長い間神経科学の目標だった。 げっ歯類における睡眠中の記憶の自発的再活性化は、記憶の強化とオフライン学習を支援することが知られているが、人間の記憶再生は、注意深い睡眠データセットの欠如と、覚醒と睡眠の間の神経パターンの実質的な違いのために困難である。 これらの課題に対処するため、我々は新しい認知神経科学実験を設計し、覚醒と睡眠の間に52人の被験者から包括的、注意深い脳波(EEG)データセットを収集した。 このベンチマークデータセットを活用することで、被験者間での覚醒と睡眠の神経表現を調整するユニバーサル睡眠デコーダ(USD)を開発した。 本モデルでは、睡眠データを用いた復号化性能に匹敵する、見えない被験者で最大16.6%のゼロショット精度を実現する。 さらに、試験対象に対する微調整USDではデコード精度が25.9%まで向上し、ベースラインの確率は6.7%よりも大幅に向上した。 モデル比較とアブレーション分析により、我々の設計選択が明らかになる。 (i)覚醒と睡眠の神経信号を統合するための追加の対照目的 (ii)異なる主題を取り入れるプリトレイン・フィニチューンパラダイムは、これらのパフォーマンスに大きく寄与する。 総じて、我々の発見と方法論は睡眠デコードの分野で重要な進歩を示している。

関連論文リスト

• A Systematic Review on Sleep Stage Classification and Sleep Disorder Detection Using Artificial Intelligence [0.0]
  本研究は,近年の文献を包括的かつ体系的にレビューし,睡眠研究における様々なアプローチとその成果を分析することを目的としている。 このレビューでは、最初183の論文が異なる雑誌から選ばれ、そのうち80の論文が2016年から2023年まで、明示的なレビューのために登録された。 脳波は、睡眠ステージングや障害研究に最もよく用いられる身体パラメータである。
  論文  参考訳（メタデータ） (2024-05-17T11:09:33Z)
• 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)
• 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)
• Deep Learning for Sleep Stages Classification: Modified Rectified Linear Unit Activation Function and Modified Orthogonal Weight Initialisation [27.681891555949672]
  本研究の目的は,畳み込みニューラルネットワークの精度を高め,学習時間を短縮することである。 提案システムは,活性化関数としてシグモイド活性化関数の代わりにLeaky Rectified Linear Unit (ReLU) を用いる。
  論文  参考訳（メタデータ） (2022-02-18T18:29:15Z)
• Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
  本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。 予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。 本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
  論文  参考訳（メタデータ） (2021-08-11T18:08:09Z)
• 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)
• Patch-based Brain Age Estimation from MR Images [64.66978138243083]
  磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。 より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。 我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
  論文  参考訳（メタデータ） (2020-08-29T11:50:37Z)

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。