論文の概要: Assessing the importance of long-range correlations for deep-learning-based sleep staging

• arxiv url: http://arxiv.org/abs/2402.17779v1
• Date: Thu, 22 Feb 2024 17:39:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-11 00:17:48.675408
• Title: Assessing the importance of long-range correlations for deep-learning-based sleep staging
• Title（参考訳）: 深層学習に基づく睡眠ステージングにおける長距離相関の重要性評価
• Authors: Tiezhi Wang and Nils Strodthoff
• Abstract要約: S4Sleep(TS)は自動睡眠ステージリングのためのモデルである。 最近の文献では、数百の入力エポックにまたがる非常に長い相関を組み込むことによる潜在的な利点が示唆されている。 文献では,S4Sleep(TS)の性能は,S4Sleep(TS)の性能が著しく向上しないことが明らかとなった。
• 参考スコア（独自算出の注目度）: 1.2618527387900083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study aims to elucidate the significance of long-range correlations for deep-learning-based sleep staging. It is centered around S4Sleep(TS), a recently proposed model for automated sleep staging. This model utilizes electroencephalography (EEG) as raw time series input and relies on structured state space sequence (S4) models as essential model component. Although the model already surpasses state-of-the-art methods for a moderate number of 15 input epochs, recent literature results suggest potential benefits from incorporating very long correlations spanning hundreds of input epochs. In this submission, we explore the possibility of achieving further enhancements by systematically scaling up the model's input size, anticipating potential improvements in prediction accuracy. In contrast to findings in literature, our results demonstrate that augmenting the input size does not yield a significant enhancement in the performance of S4Sleep(TS). These findings, coupled with the distinctive ability of S4 models to capture long-range dependencies in time series data, cast doubt on the diagnostic relevance of very long-range interactions for sleep staging.
• Abstract（参考訳）: 本研究の目的は,深層学習に基づく睡眠ステージングにおける長距離相関の重要性を明らかにすることである。 S4Sleep(TS)は、最近提案された自動睡眠ステージングモデルである。 このモデルは、脳波(eeg)を生の時系列入力として、構造化状態空間シーケンス(s4)モデルを本質的なモデル成分として利用する。 このモデルはすでに15の入力エポックを適度に上回っているが、最近の研究結果は数百の入力エポックにまたがる非常に長い相関を組み込むことによる潜在的な利点を示唆している。 本稿では,モデル入力サイズを体系的にスケールアップし,予測精度の向上を期待することで,さらなる拡張を実現する可能性を検討する。 その結果,S4Sleep(TS) の性能は,S4Sleep(TS) の性能が著しく向上しないことが明らかとなった。 これらの知見は,S4モデルの時系列データにおける長距離依存性を捉える能力と相まって,睡眠段階における超長距離相互作用の診断的関連性に疑問を投げかけた。

関連論文リスト

• Selecting Influential Samples for Long Context Alignment via Homologous Models' Guidance and Contextual Awareness Measurement [62.87020831987625]
  本稿では,長距離依存関係に富む影響力のある,高品質なサンプルを識別する新しいフレームワークを提案する。 我々は、長距離依存を効果的にフレーム化するために、影響力のあるデータとして最も難しいサンプルを選択する。 実験により, GATEAUは長距離依存関係に富んだサンプルを効果的に同定し, これらのサンプルに基づいて訓練したモデルにより, より優れた指示追従と長文理解能力を示すことが示された。
  論文  参考訳（メタデータ） (2024-10-21T04:30:53Z)
• Oscillatory State-Space Models [61.923849241099184]
  長いシーケンスを効率的に学習するための線形状態空間モデル(LinOSS)を提案する。 高速な連想並列スキャンを用いて時間とともに統合された安定な離散化により、提案した状態空間モデルが得られる。 我々はLinOSSが普遍であること、すなわち時間変化関数間の連続および因果作用素写像を近似できることを示す。
  論文  参考訳（メタデータ） (2024-10-04T22:00:13Z)
• SleepPPG-Net2: Deep learning generalization for sleep staging from photoplethysmography [0.7927502566022343]
  睡眠ステージングは睡眠障害の診断と睡眠の健康管理の基本的な要素である。 最近のスリープステージングのためのデータ駆動アルゴリズムは、ローカルテストセットでは高いパフォーマンスを示しているが、外部データセットでは低いパフォーマンスを示している。 Sleep-Net2は生のPSG時系列からスリープをステージングするための新しい標準を設定している。
  論文  参考訳（メタデータ） (2024-04-10T09:47:34Z)
• Analyzing the Variations in Emergency Department Boarding and Testing the Transferability of Forecasting Models across COVID-19 Pandemic Waves in Hong Kong: Hybrid CNN-LSTM approach to quantifying building-level socioecological risk [0.2985164765599213]
  救急部門(ED)の搭乗は、患者の予後不良と健康システムのパフォーマンスに関連付けられている。 しかし、新型コロナウイルス(COVID-19)に先立って効果的な予測モデルは稀であり、近日中には欠落している。 ここでは、香港の病院局、保健省、住宅局から得られたパブリックドメインデータに対して、ハイブリッド畳み込みニューラルネットワーク(CNN)-Long短期記憶(LSTM)モデルを適用した。
  論文  参考訳（メタデータ） (2024-03-17T11:48:40Z)
• Transparency in Sleep Staging: Deep Learning Method for EEG Sleep Stage Classification with Model Interpretability [5.747465732334616]
  本研究では,残差ネットワーク内に圧縮ブロックと励起ブロックを統合し,複雑な時間的依存関係を理解するために,特徴抽出と積み重ねBi-LSTMを組み込んだエンド・ツー・エンドディープラーニング(DL)モデルを提案する。 本研究の特筆すべき側面は、睡眠ステージングのためのGradCamの適応であり、この領域における説明可能なDLモデルの最初の事例であり、その決定と睡眠専門家の洞察の一致である。
  論文  参考訳（メタデータ） (2023-09-10T17:56:03Z)
• Sleep Model -- A Sequence Model for Predicting the Next Sleep Stage [18.059360820527687]
  単チャンネル脳波(EEG)、脳電図(EOG)、筋電図(EMG)、心電図(ECG)などの単純なセンサーを用いた睡眠段階分類が注目されている。 本研究では、次の睡眠段階を予測する睡眠モデルを提案し、睡眠分類精度を向上させるために使用した。
  論文  参考訳（メタデータ） (2023-02-17T07:37:54Z)
• L-SeqSleepNet: Whole-cycle Long Sequence Modelling for Automatic Sleep Staging [16.96499618061823]
  L-SeqSleepNetは、睡眠ステージングのためのサイクル全体の睡眠情報を考慮した、新しいディープラーニングモデルである。 L-SeqSleepNetは、N2睡眠の優位性を緩和し、他の睡眠段階におけるエラーを減少させることができる。
  論文  参考訳（メタデータ） (2023-01-09T15:44:43Z)
• Deep Latent State Space Models for Time-Series Generation [68.45746489575032]
  状態空間ODEに従って進化する潜伏変数を持つ列の生成モデルLS4を提案する。 近年の深層状態空間モデル(S4)に着想を得て,LS4の畳み込み表現を利用して高速化を実現する。 LS4は, 実世界のデータセット上での限界分布, 分類, 予測スコアにおいて, 従来の連続時間生成モデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2022-12-24T15:17:42Z)
• Liquid Structural State-Space Models [106.74783377913433]
  Liquid-S4はLong-Range Arenaベンチマークで平均87.32%の性能を達成した。 全生音声コマンド認識では、データセットLiquid-S4は96.78%の精度で、S4と比較してパラメータ数が30%減少している。
  論文  参考訳（メタデータ） (2022-09-26T18:37:13Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。