論文の概要: SleepVST: Sleep Staging from Near-Infrared Video Signals using Pre-Trained Transformers

• arxiv url: http://arxiv.org/abs/2404.03831v1
• Date: Thu, 4 Apr 2024 23:24:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-08 17:16:00.535279
• Title: SleepVST: Sleep Staging from Near-Infrared Video Signals using Pre-Trained Transformers
• Title（参考訳）: SleepVST: 事前学習型変換器を用いた近赤外ビデオ信号からの睡眠の安定
• Authors: Jonathan F. Carter, João Jorge, Oliver Gibson, Lionel Tarassenko,
• Abstract要約: 本研究では,カメラベース睡眠ステージ分類における最先端性能を実現するトランスフォーマーモデルであるSleepVSTを紹介する。 本研究では,ビデオから抽出した呼吸波形にSleepVSTをうまく移行させることにより,完全接触型睡眠ステージリングが可能となることを示す。
• 参考スコア（独自算出の注目度）: 0.6599755599064447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advances in camera-based physiological monitoring have enabled the robust, non-contact measurement of respiration and the cardiac pulse, which are known to be indicative of the sleep stage. This has led to research into camera-based sleep monitoring as a promising alternative to "gold-standard" polysomnography, which is cumbersome, expensive to administer, and hence unsuitable for longer-term clinical studies. In this paper, we introduce SleepVST, a transformer model which enables state-of-the-art performance in camera-based sleep stage classification (sleep staging). After pre-training on contact sensor data, SleepVST outperforms existing methods for cardio-respiratory sleep staging on the SHHS and MESA datasets, achieving total Cohen's kappa scores of 0.75 and 0.77 respectively. We then show that SleepVST can be successfully transferred to cardio-respiratory waveforms extracted from video, enabling fully contact-free sleep staging. Using a video dataset of 50 nights, we achieve a total accuracy of 78.8\% and a Cohen's $\kappa$ of 0.71 in four-class video-based sleep staging, setting a new state-of-the-art in the domain.
• Abstract（参考訳）: カメラによる生理学的モニタリングの進歩は、睡眠段階を示すことが知られている呼吸と心臓の脈の堅牢で非接触な測定を可能にした。 この結果、カメラベースの睡眠モニタリングは「ゴールドスタンダード」なポリソムノグラフィーの代替として有望な研究に繋がった。 本稿では,スリープステージ分類(スリープステージ分類)における最先端性能を実現するトランスフォーマーモデルであるSleepVSTを紹介する。 コンタクトセンサーのデータを事前トレーニングした後、SleepVSTは、SHHSデータセットとMESAデータセットで既存の呼吸睡眠ステージ法より優れており、CohenのKappaスコアは0.75と0.77である。 次に,ビデオから抽出した心呼吸波形にSleepVSTをうまく移行させることで,完全な非接触型睡眠ステージリングが可能となることを示す。 50夜のビデオデータセットを使用して、合計78.8\%の精度と、Cohenの$\kappa$0.71の4クラスビデオベースの睡眠ステージを達成し、ドメインに新たな最先端技術を確立する。

関連論文リスト

• Thermal Imaging and Radar for Remote Sleep Monitoring of Breathing and Apnea [42.00356210257671]
  睡眠モニタリングのためのレーダとサーマルイメージングの初回比較を行った。 熱画像法では,0.99,精度0.68,リコール0.74,F1スコア0.71,クラス内相関0.73が検出された。 マルチモーダル・セットアップを活用して閉塞性および中枢性睡眠時無呼吸を分類するための新しい提案を提案する。
  論文  参考訳（メタデータ） (2024-07-16T17:26:50Z)
• SleepFM: Multi-modal Representation Learning for Sleep Across Brain Activity, ECG and Respiratory Signals [17.416001617612658]
  睡眠は、脳、心臓、呼吸活動を記録する様々なモードを通して評価される複雑な生理的過程である。 睡眠分析のための最初のマルチモーダル基礎モデルであるSleepFMを開発した。 コントラスト学習のための新しい一対一アプローチにより、下流タスク性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2024-05-28T02:43:53Z)
• Deep Learning-Enabled Sleep Staging From Vital Signs and Activity Measured Using a Near-Infrared Video Camera [1.0499611180329802]
  我々は、近赤外線ビデオカメラから得られる心拍数、呼吸速度、活動測定値を用いて睡眠ステージ分類を行う。 我々は4クラス睡眠段階分類において73.4%の精度とコーエンのカッパ0.61の精度を達成した。
  論文  参考訳（メタデータ） (2023-06-06T14:21:22Z)
• 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)
• SleepPPG-Net: a deep learning algorithm for robust sleep staging from continuous photoplethysmography [0.0]
  生PSG時系列からの4クラス睡眠ステージングのためのDLモデルであるSleep-Netを開発した。 我々は、最高の報告されたSOTAアルゴリズムに基づいて、Sleep-Netの性能をモデルと比較した。
  論文  参考訳（メタデータ） (2022-02-11T16:17:42Z)
• Using Ballistocardiography for Sleep Stage Classification [2.360019611990601]
  睡眠ステージ検出の現在の方法は高価で、人の睡眠に侵入し、現代の家庭では実用的ではない。 バリスト心電図(英: Ballistocardiography、BCG)は、心臓が生み出す弾道力を測定することで情報を収集する非侵襲的なセンシング技術である。 本稿では,Fitbit Sense Smart Watchから抽出した睡眠ステージと,睡眠ステージ検出アルゴリズムを実装して比較する。
  論文  参考訳（メタデータ） (2022-02-02T14:02:48Z)
• 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)
• In-Bed Person Monitoring Using Thermal Infrared Sensors [53.561797148529664]
  パナソニックグリッド(Panasonic Grid-EYE)は、低解像度の赤外線サーモパイルアレイセンサーで、よりプライバシーを提供する。 この目的のために、2つのデータセットが取得され、1つ (480 画像) は一定条件で、もう1つ (200 画像) は異なるバリエーションで取得された。 我々は、SVM(Support Vector Machines)、k-Nearest Neighbors(k-NN)、Neural Network(NN)の3つの機械学習アルゴリズムをテストする。
  論文  参考訳（メタデータ） (2021-07-16T15:59:07Z)
• 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)

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。