論文の概要: Insomnia Identification via Electroencephalography

• arxiv url: http://arxiv.org/abs/2402.06251v2
• Date: Wed, 04 Dec 2024 06:36:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-05 15:05:06.280407
• Title: Insomnia Identification via Electroencephalography
• Title（参考訳）: 脳電図による不眠症の同定
• 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:
• 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、早期かつ正確な不眠症の診断により、より効果的な薬物および治療管理が可能となる。 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。 スペクトル領域と時間領域から最適な特徴の集合を抽出し、例えば、スペクトル領域、例えば、スペクトル領域、例えば、相対パワー、総パワー、絶対スロー波パワー、パワー比、 {\theta}, {\alpha}, \b{eta}, {\theta}/{\alpha}, {\theta}/{\alpha}, {\alpha}/{\gamma}, {\alpha}/{\gamma}, {\alpha}/{\gamma}, {\alpha}/{\gamma}, {\alpha}/{\gamma}, {\alpha}, {\alpha}/{\gamma}, 平均、交差速度、運動量、睡眠効率、総睡眠時間から抽出し、不眠症患者と健康な被験者の差を正確に定量化し、分類プロセスのための1D CNNモデルを作成する。 実験では、Fp2とC4EEGチャネルを使用し、50人の不眠症患者と50人の健康な被験者で、このモデルが睡眠段階のアノテーションなしで99.34%の精度で到達した。 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ソリューションを提案し、機械学習によって現在の睡眠監視ハードウェアを簡素化し、家庭内での増幅モニタリングを改善する。

関連論文リスト

• MobileNetV2: A lightweight classification model for home-based sleep apnea screening [3.463585190363689]
  本研究は、心電図(ECG)と呼吸信号から抽出した特徴を早期OSAスクリーニングに利用した、新しい軽量ニューラルネットワークモデルを提案する。 ECG信号は睡眠段階を予測するための特徴スペクトログラムを生成するのに使用され、呼吸信号は睡眠関連呼吸異常を検出するために用いられる。 これらの予測を統合することで、AHI(apnea-hypopnea index)を精度良く算出し、OSAの正確な診断を容易にする。
  論文  参考訳（メタデータ） (2024-12-28T01:37:25Z)
• A generative foundation model for five-class sleep staging with arbitrary sensor input [14.146442985487598]
  金標準睡眠スコアは、PSG信号のサブセット、すなわちEEG、EOG、EMGに基づいている。 PSGは、心臓や呼吸の調節など、睡眠のステージングに使える可能性のある多くのシグナル導出物で構成されている。 本稿では,複数のセンサからの完全自動睡眠ステージ作成のための深層生成基盤モデルとその組み合わせを提案する。
  論文  参考訳（メタデータ） (2024-08-09T08:09:28Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• SERF: Interpretable Sleep Staging using Embeddings, Rules, and Features [0.0]
  ポリソムノグラム(PSG)による臨床診断睡眠段階は、睡眠の質を評価するための金の基準である。 我々は,PSGを読むための埋め込み,ルール,特徴を用いたSERF,解釈可能なスリープステージを提案する。 SerFは、解釈可能な睡眠ステージングの最先端を2%超える。
  論文  参考訳（メタデータ） (2022-09-21T10:01:56Z)
• 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)
• Ensemble of Convolution Neural Networks on Heterogeneous Signals for Sleep Stage Scoring [63.30661835412352]
  本稿では,脳波以外の追加信号の利用の利便性について検討し,比較する。 最も優れたモデルである深部分離畳み込みニューラルネットワークのアンサンブルは86.06%の精度を達成した。
  論文  参考訳（メタデータ） (2021-07-23T06:37:38Z)
• Sleep Staging Based on Serialized Dual Attention Network [0.0]
  生の脳波に基づく深層学習モデルSDANを提案する。 チャネルアテンションと空間アテンション機構を連続的に組み合わせて、キー情報をフィルタリングしハイライトする。 他の方法と比較して、N1睡眠期において優れた結果が得られる。
  論文  参考訳（メタデータ） (2021-07-18T13:18:12Z)
• 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)
• Temporal convolutional networks and transformers for classifying the sleep stage in awake or asleep using pulse oximetry signals [0.0]
  覚醒・睡眠中の睡眠段階をパルスオキシメータからのHR信号のみを用いて分類することを目的としたネットワークアーキテクチャを開発する。 トランスフォーマーはシーケンスをモデル化し、睡眠段階間の遷移ルールを学ぶことができる。 全体の正確性、特異性、感受性、およびコーエンのカッパ係数は90.0%, 94.9%, 78.1%, 0.73であった。
  論文  参考訳（メタデータ） (2021-01-29T22:58:33Z)
• 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)
• 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。