論文の概要: Multi-Signal Reconstruction Using Masked Autoencoder From EEG During Polysomnography

• arxiv url: http://arxiv.org/abs/2311.07868v1
• Date: Tue, 14 Nov 2023 02:57:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-15 15:41:41.005135
• Title: Multi-Signal Reconstruction Using Masked Autoencoder From EEG During Polysomnography
• Title（参考訳）: 脳波自動エンコーダを用いた多信号再構成
• Authors: Young-Seok Kweon, Gi-Hwan Shin, Heon-Gyu Kwak, Ha-Na Jo, Seong-Whan Lee
• Abstract要約: ポリソムノグラフィー(PSG)は睡眠医学において欠かせない診断ツールである。 単一チャネル脳波から多信号PSGを再構成できる新しいシステムを提案する。 以上の結果から,よりアクセスしやすい長期睡眠モニタリングシステムの開発が期待できる。
• 参考スコア（独自算出の注目度）: 24.336598771550157
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Polysomnography (PSG) is an indispensable diagnostic tool in sleep medicine, essential for identifying various sleep disorders. By capturing physiological signals, including EEG, EOG, EMG, and cardiorespiratory metrics, PSG presents a patient's sleep architecture. However, its dependency on complex equipment and expertise confines its use to specialized clinical settings. Addressing these limitations, our study aims to perform PSG by developing a system that requires only a single EEG measurement. We propose a novel system capable of reconstructing multi-signal PSG from a single-channel EEG based on a masked autoencoder. The masked autoencoder was trained and evaluated using the Sleep-EDF-20 dataset, with mean squared error as the metric for assessing the similarity between original and reconstructed signals. The model demonstrated proficiency in reconstructing multi-signal data. Our results present promise for the development of more accessible and long-term sleep monitoring systems. This suggests the expansion of PSG's applicability, enabling its use beyond the confines of clinics.
• Abstract（参考訳）: ポリソムノグラフィー(PSG)は睡眠医学において欠かせない診断ツールであり、睡眠障害の特定に不可欠である。 脳波、EOG、EMG、心呼吸測定値などの生理的信号を捉えることで、PSGは患者の睡眠構造を示す。 しかし、複雑な機器や専門知識に依存しているため、専門的な臨床現場での使用は限られている。 本研究の目的は,脳波計測のみを必要とするシステムを開発することでPSGを実現することである。 マスク付きオートエンコーダを用いた単一チャネル脳波から多信号PSGを再構成できる新しいシステムを提案する。 マスク付きオートエンコーダはsleep-edf-20データセットを用いてトレーニングと評価を行い、平均二乗誤差を元の信号と再構成信号の類似性を評価する指標とした。 このモデルは多信号データを再構成する能力を示した。 以上の結果から,よりアクセスしやすい長期睡眠モニタリングシステムの開発が期待できる。 これはpsgの適用性の拡大を示唆し、診療所の範囲を超えた使用を可能にした。

関連論文リスト

• wav2sleep: A Unified Multi-Modal Approach to Sleep Stage Classification from Physiological Signals [0.6261444979025643]
  wav2sleepは、トレーニングと推論中に入力信号の可変セットを操作するために設計された統一モデルである。 ECG、PSG、呼吸信号を含むテスト時間入力の組み合わせで、既存の睡眠ステージ分類モデルよりも優れています。
  論文  参考訳（メタデータ） (2024-11-07T12:01:36Z)
• ECGrecover: a Deep Learning Approach for Electrocardiogram Signal Completion [1.727597257312416]
  完全12誘導ECG信号を不完全部分から再構成するという課題に対処する。 再建問題に対処するために,新しい目的関数を訓練したU-Netアーキテクチャを用いたモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-31T15:17:12Z)
• ARNN: Attentive Recurrent Neural Network for Multi-channel EEG Signals to Identify Epileptic Seizures [2.3907933297014927]
  A Attention Recurrent Neural Network (ARNN) が提案され、大量のデータを効率的に正確に処理できる。 ARNN細胞は、配列に沿って注意層を繰り返し適用し、配列長と線形複雑である。 このフレームワークは、注意層と長い短期記憶(LSTM)細胞にインスパイアされているが、この典型的な細胞を複数の順序でスケールアップし、マルチチャネル脳波信号を並列化する。
  論文  参考訳（メタデータ） (2024-03-05T19:15:17Z)
• vEEGNet: learning latent representations to reconstruct EEG raw data via variational autoencoders [3.031375888004876]
  本稿では,2つのモジュールを持つDLアーキテクチャであるvEEGNetを提案する。つまり,データの潜在表現を抽出する変分オートエンコーダに基づく教師なしモジュールと,フィードフォワードニューラルネットワークに基づく教師付きモジュールにより異なる動作を分類する。 我々は最先端の分類性能を示し、生の脳波の低周波成分と中周波成分の両方を再構成する能力を示した。
  論文  参考訳（メタデータ） (2023-11-16T19:24:40Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• SVM and ANN based Classification of EMG signals by using PCA and LDA [0.0]
  筋電信号(MES)は、人体の筋肉を一次元パターンとして生成する。 Support Vector Machines (SVM) は n 次元超平面を識別し、入力特徴点の集合を異なるクラスに分離する技術である。
  論文  参考訳（メタデータ） (2021-10-22T06:44:08Z)
• Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
  複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。 本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。 実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
  論文  参考訳（メタデータ） (2021-10-07T14:03:00Z)
• 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)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)

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。