論文の概要: Evaluating sleep-stage classification: how age and early-late sleep affects classification performance

• arxiv url: http://arxiv.org/abs/2310.13754v1
• Date: Fri, 20 Oct 2023 18:30:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-25 05:40:03.403518
• Title: Evaluating sleep-stage classification: how age and early-late sleep affects classification performance
• Title（参考訳）: 睡眠段階分類の評価 : 年齢と早期睡眠が分類性能に与える影響
• Authors: Eugenia Moris and Ignacio Larrabide
• Abstract要約: 特徴抽出にウェーブレット,分類にランダムフォレストを用い,自動睡眠段階分類法を求め評価した。 被験者の年齢と睡眠時(早夜と深夜)は、分類器のパフォーマンスに直面する。
• 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 stage classification is a common method used by experts to monitor the quantity and quality of sleep in humans, but it is a time-consuming and labour-intensive task with high inter- and intra-observer variability. Using Wavelets for feature extraction and Random Forest for classification, an automatic sleep-stage classification method was sought and assessed. The age of the subjects, as well as the moment of sleep (early-night and late-night), were confronted to the performance of the classifier. From this study, we observed that these variables do affect the automatic model performance, improving the classification of some sleep stages and worsening others.
• Abstract（参考訳）: 睡眠ステージ分類(sleep stage classification)は、ヒトの睡眠の量と質を監視するために専門家が使用する一般的な方法であるが、時間消費と労働集約的な作業であり、オブザーバー間およびオブザーバー内変動性が高い。 特徴抽出にウェーブレット,分類にランダムフォレストを用い,自動睡眠段階分類法を求め評価した。 被験者の年齢と睡眠の瞬間(初夜と晩)は分類器のパフォーマンスと対立した。 本研究では,これらの変数が自動モデルの性能に影響を与え,睡眠段階の分類が改善し,他の変数が悪化することを示した。

関連論文リスト

• Clustering and Data Augmentation to Improve Accuracy of Sleep Assessment and Sleep Individuality Analysis [1.9662978733004597]
  本研究の目的は,就寝時の頻繁な動きによる睡眠不足など,エビデンスに基づく評価を提供する機械学習ベースの睡眠評価モデルを構築することである。 睡眠音イベントの抽出,VAEを用いた潜時表現の抽出,GMMによるクラスタリング,主観的睡眠評価のためのLSTMトレーニングは94.8%の精度で睡眠満足度を識別した。
  論文  参考訳（メタデータ） (2024-04-16T05:56:41Z)
• 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)
• Contrastive Learning for Sleep Staging based on Inter Subject Correlation [2.092935059855151]
  本稿では,睡眠ステージング研究に用いられているMViTimeモデルについて述べる。 睡眠段階分類におけるクロスオブジェクト問題に対処するために,コントラスト学習による物体間相関理論を実装した。
  論文  参考訳（メタデータ） (2023-05-05T12:16:01Z)
• 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)
• Benchmarking common uncertainty estimation methods with histopathological images under domain shift and label noise [62.997667081978825]
  リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。 我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。 我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
  論文  参考訳（メタデータ） (2023-01-03T11:34:36Z)
• Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
  本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。 固体アンサンブル分類器を構築するためのプール選択戦略が提示される。 我々は異常検出手法の不確実性を利用する。
  論文  参考訳（メタデータ） (2022-12-23T00:50:41Z)
• 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)
• SleepTransformer: Automatic Sleep Staging with Interpretability and Uncertainty Quantification [19.51641720686276]
  ブラックボックス懐疑論は、深層学習に基づく自動睡眠スコアが臨床環境で使用されることを妨げる主要な障害の1つである。 本研究は、シーケンシャル・ツー・シークエンス・スリープ・ステーティング・モデル、すなわちSleepTransformerを提案する。 これは、自己アテンションスコアが、エポックとシークエンスの両方のレベルでモデルの決定の解釈可能性を提供するトランスフォーマーバックボーンに基づいている。
  論文  参考訳（メタデータ） (2021-05-23T23:30:58Z)
• 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)

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。