論文の概要: Insomnia Identification via Electroencephalography
- arxiv url: http://arxiv.org/abs/2402.06251v1
- Date: Fri, 9 Feb 2024 08:59:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-12 17:42:37.339623
- Title: Insomnia Identification via Electroencephalography
- Title（参考訳）: 脳波による不眠症の診断
- Authors: Olviya Udeshika, Dilshan Lakshitha, Nilantha Premakumara, Surangani
Bandara
- Abstract要約: 全世界で推定5000万人が不眠症に罹患していると考えられている。
本研究では、深層学習を用いて不眠症患者を自動的に識別する手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Insomnia is a serious sleep disorder caused by abnormal or excessive neural
activity in the brain. An estimated 50 million people worldwide are thought to
be affected by this condition, which is the second most severe neurological
disease after stroke. In order to ensure a quick recovery, an early and
accurate diagnosis of insomnia enables more effective drug and treatment
administration. This study proposes a method that uses deep learning to
automatically identify patients with insomnia. A set of optimal features are
extracted from spectral and temporal domains, including the relative power of
{\sigma}, \b{eta} and {\gamma} bands, the total power, the absolute slow wave
power, the power ratios of {\theta}, {\alpha}, {\gamma}, \b{eta},
{\theta}/{\alpha}, {\theta}/\b{eta}, {\alpha}/{\gamma} and {\alpha}/\b{eta},
mean, zero crossing rate, mobility, complexity, sleep efficiency and total
sleep time, to accurately quantify the differences between insomnia patients
and healthy subjects and develops a 1D CNN model for the classification
process. With the experiments use Fp2 and C4 EEG channels with 50 insomnia
patients and 50 healthy subjects, the proposed model arrives 99.34% accuracy
without sleep stage annotation. Using the features only from a single channel,
the study proposes a smart solution for insomnia patients which allows machine
learning to be to simplify current sleep monitoring hardware and improve
in-home ambulatory monitoring.
- Abstract（参考訳）: 不眠症は脳の異常または過剰な神経活動によって引き起こされる深刻な睡眠障害である。
世界中で推定5000万人が、脳卒中後の2番目に重篤な神経疾患であるこの病気の影響を受けていると考えられている。
迅速な回復を確保するため、不眠症の早期かつ正確な診断は、より効果的な薬物および治療管理を可能にする。
本研究は、深層学習を用いて不眠症患者を自動的に識別する手法を提案する。
A set of optimal features are extracted from spectral and temporal domains, including the relative power of {\sigma}, \b{eta} and {\gamma} bands, the total power, the absolute slow wave power, the power ratios of {\theta}, {\alpha}, {\gamma}, \b{eta}, {\theta}/{\alpha}, {\theta}/\b{eta}, {\alpha}/{\gamma} and {\alpha}/\b{eta}, mean, zero crossing rate, mobility, complexity, sleep efficiency and total sleep time, to accurately quantify the differences between insomnia patients and healthy subjects and develops a 1D CNN model for the classification process.
fp2とc4の脳波チャネルを用いた50人の不眠症患者と50人の健常者による実験では、睡眠ステージのアノテーションなしで99.34%の精度が得られた。
この研究は、1つのチャンネルでのみ機能を利用することで、不眠症患者に対するスマートなソリューションを提案し、機械学習が現在の睡眠監視ハードウェアを簡素化し、家庭内振動モニタリングを改善する。
関連論文リスト
- What Radio Waves Tell Us about Sleep [34.690382091650314]
本研究では、睡眠中の人から反射される電波からの睡眠と夜間呼吸を受動的にモニタリングする高度な機械学習アルゴリズムを開発した。
睡眠時無呼吸(AUROC=0.88)を検知し,睡眠時無呼吸を検知した。
このモデルは、睡眠段階と、神経、精神医学、循環器、免疫疾患を含む様々な疾患の間の情報的相互作用を明らかにする。
論文 参考訳（メタデータ） (2024-05-20T02:41:21Z) - Sleep Stage Classification Using a Pre-trained Deep Learning Model [0.0]
EEGMobileは脳波の脳波スペクトログラムから学習する機械学習モデルである。
このモデルは"Sleep-EDF20"と呼ばれる公開データセットで86.97%の精度を達成し、他の研究者によって提案されたモデルよりも優れていた。
論文 参考訳（メタデータ） (2023-09-12T23:02:19Z) - A machine-learning sleep-wake classification model using a reduced
number of features derived from photoplethysmography and activity signals [0.0]
Photoplethys (mography) は睡眠期推論に有効なシグナルであることが示された。
本稿では,eXtreme Gradient Boostingアルゴリズムに基づく機械学習睡眠覚醒分類モデルを提案する。
本手法の性能は現在の最先端手法と比較し,感度91.15 $pm$ 1.16%,特異度53.66 $pm$ 1.12%,F1スコア83.88 $pm$ 0.56%,Kappa48.0 $pm$ 0.86%であった。
論文 参考訳（メタデータ） (2023-08-07T13:43:19Z) - Automatic Sleep Stage Classification with Cross-modal Self-supervised
Features from Deep Brain Signals [35.141080847207355]
深層脳記録に基づく睡眠段階分類は、患者に対してより正確な治療を提供する大きな可能性を持っている。
人工睡眠装置を用いた睡眠段階分類に適用可能なクロスモーダル・トランスファー学習法を提案した。
パーキンソン病12例の脳深部記録データを用いて実験を行った。
論文 参考訳（メタデータ） (2023-02-07T03:21:33Z) - 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) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳（メタデータ） (2021-10-01T23:01:20Z) - 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) - 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。