論文の概要: aSAGA: Automatic Sleep Analysis with Gray Areas
- arxiv url: http://arxiv.org/abs/2310.02032v1
- Date: Tue, 3 Oct 2023 13:17:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-04 14:22:38.329358
- Title: aSAGA: Automatic Sleep Analysis with Gray Areas
- Title(参考訳): 浅賀:灰色領域による自動睡眠分析
- Authors: Matias Rusanen, Gabriel Jouan, Riku Huttunen, Sami Nikkonen,
Sigr\'i{\dh}ur Sigur{\dh}ard\'ottir, Juha T\"oyr\"as, Brett Duce, Sami
Myllymaa, Erna Sif Arnardottir, Timo Lepp\"anen, Anna Sigridur Islind, Samu
Kainulainen, Henri Korkalainen
- Abstract要約: 最新の自動睡眠ステージング手法は、手動睡眠ステージングと同等の信頼性と優れた時間効率をすでに示している。
本稿では,睡眠分析のためのヒューマン・イン・ザ・ループの概念を提案し,臨床ポリソノグラフィー記録と在宅睡眠研究の両方で効果的に機能する自動睡眠ステージングモデル(aSAGA)を提案する。
- 参考スコア(独自算出の注目度): 2.47298967960367
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: State-of-the-art automatic sleep staging methods have already demonstrated
comparable reliability and superior time efficiency to manual sleep staging.
However, fully automatic black-box solutions are difficult to adapt into
clinical workflow and the interaction between explainable automatic methods and
the work of sleep technologists remains underexplored and inadequately
conceptualized. Thus, we propose a human-in-the-loop concept for sleep
analysis, presenting an automatic sleep staging model (aSAGA), that performs
effectively with both clinical polysomnographic recordings and home sleep
studies. To validate the model, extensive testing was conducted, employing a
preclinical validation approach with three retrospective datasets; open-access,
clinical, and research-driven. Furthermore, we validate the utilization of
uncertainty mapping to identify ambiguous regions, conceptualized as gray
areas, in automatic sleep analysis that warrants manual re-evaluation. The
results demonstrate that the automatic sleep analysis achieved a comparable
level of agreement with manual analysis across different sleep recording types.
Moreover, validation of the gray area concept revealed its potential to enhance
sleep staging accuracy and identify areas in the recordings where sleep
technologists struggle to reach a consensus. In conclusion, this study
introduces and validates a concept from explainable artificial intelligence
into sleep medicine and provides the basis for integrating human-in-the-loop
automatic sleep staging into clinical workflows, aiming to reduce black-box
criticism and the burden associated with manual sleep staging.
- Abstract(参考訳): 最新の自動睡眠ステージング手法は、手動睡眠ステージングと同等の信頼性と優れた時間効率をすでに示している。
しかし、完全に自動化されたブラックボックスソリューションは臨床ワークフローに適応することは困難であり、説明可能な自動的手法と睡眠技術者の仕事との相互作用は、未熟で不十分な概念化されている。
そこで本研究では,睡眠分析のためのヒューマン・イン・ザ・ループの概念を提案し,臨床用ポリソムノグラフィー記録とホームスリープ研究の両方で効果的に機能する自動睡眠ステージングモデル(asaga)を提案する。
モデルを検証するために,3つの振り返りデータセット(オープンアクセス,臨床,研究駆動)を用いた事前検証アプローチを用いて,広範囲なテストを実施した。
さらに,手作業による再評価を保証した自動睡眠分析において,灰色の領域を概念化した不明瞭な領域を識別するための不確実性マッピングの有用性を検証する。
その結果、睡眠自動分析は、異なる睡眠記録タイプにわたる手動分析と同等のレベルの一致を得た。
さらに、グレーエリアの概念の検証により、睡眠ステージの精度を高め、睡眠技術者が合意に達するのに苦労している記録領域を特定する可能性を明らかにした。
そこで本研究では,説明可能な人工知能の概念を睡眠医学に導入し,ブラックボックス批判の低減と手動睡眠ステージングに伴う負担を軽減することを目的とした,人体自動睡眠ステージングを臨床ワークフローに統合するための基盤を提供する。
関連論文リスト
- WaveSleepNet: An Interpretable Network for Expert-like Sleep Staging [4.4697567606459545]
WaveSleepNetは、スリープステージングのための解釈可能なニューラルネットワークである。
WaveSleepNetは遅延空間表現を使用して、異なる睡眠段階に対応する特性波のプロトタイプを識別する。
WaveSleepNetの有効性は、3つの公開データセットで検証されている。
論文 参考訳(メタデータ) (2024-04-11T03:47:58Z) - 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) - 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) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳(メタデータ) (2021-11-08T07:57:30Z) - Automatic Sleep Staging: Recent Development, Challenges, and Future
Directions [10.685136927202286]
現代のディープラーニングは、人間の睡眠における臨床実践を変革する大きな可能性を秘めている。
機械は手動のスコアリングを模倣するように訓練されており、人間の睡眠専門家と同じようなパフォーマンスにつながっている。
著明な進歩にもかかわらず,臨床環境では自動睡眠スコアが広く採用されていない。
論文 参考訳(メタデータ) (2021-11-03T19:49:47Z) - Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel
EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。
専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。
専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文 参考訳(メタデータ) (2021-03-30T09:59:56Z) - 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) - RobustSleepNet: Transfer learning for automated sleep staging at scale [0.0]
睡眠障害の診断は、PSG(polysomnography)レコードの分析に依存する。
実際には、睡眠ステージ分類は、ポリソムノグラフィー信号の30秒エポックの視覚検査に依存します。
我々は、任意のPSGモンタージュを扱える自動睡眠ステージ分類のためのディープラーニングモデルであるRobustSleepNetを紹介する。
論文 参考訳(メタデータ) (2021-01-07T09:39:08Z) - Chest Area Segmentation in Depth Images of Sleeping Patients [0.7664665225284267]
睡眠障害を検出する最も一般的で効率的な方法は、PSG(Polysomnography)と呼ばれる方法において、睡眠実験室で実施される睡眠検査である。
より正確で安価な3Dセンシングデバイスの開発により、非接触睡眠研究のための新しいアプローチが出現した。
これらの方法は、同じ睡眠パラメータを抽出するために異なる手法を利用するが、遠隔で、患者の身体に物理的に接続する必要がなくなる。
本研究では,睡眠患者の3次元フレームの入力セットを与えられた胸部領域の自動分割アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-08-22T07:54:32Z) - 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。