論文の概要: WaveSleepNet: An Interpretable Network for Expert-like Sleep Staging
- arxiv url: http://arxiv.org/abs/2404.15342v1
- Date: Thu, 11 Apr 2024 03:47:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-28 10:46:58.107510
- Title: WaveSleepNet: An Interpretable Network for Expert-like Sleep Staging
- Title（参考訳）: WaveSleepNet:専門家のような睡眠安定のための解釈可能なネットワーク
- Authors: Yan Pei, Wei Luo,
- Abstract要約: WaveSleepNetは、スリープステージングのための解釈可能なニューラルネットワークである。
WaveSleepNetは遅延空間表現を使用して、異なる睡眠段階に対応する特性波のプロトタイプを識別する。
WaveSleepNetの有効性は、3つの公開データセットで検証されている。
- 参考スコア（独自算出の注目度）: 4.4697567606459545
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although deep learning algorithms have proven their efficiency in automatic sleep staging, the widespread skepticism about their "black-box" nature has limited its clinical acceptance. In this study, we propose WaveSleepNet, an interpretable neural network for sleep staging that reasons in a similar way to sleep experts. In this network, we utilize the latent space representations generated during training to identify characteristic wave prototypes corresponding to different sleep stages. The feature representation of an input signal is segmented into patches within the latent space, each of which is compared against the learned wave prototypes. The proximity between these patches and the wave prototypes is quantified through scores, indicating the prototypes' presence and relative proportion within the signal. The scores are served as the decision-making criteria for final sleep staging. During training, an ensemble of loss functions is employed for the prototypes' diversity and robustness. Furthermore, the learned wave prototypes are visualized by analysing occlusion sensitivity. The efficacy of WaveSleepNet is validated across three public datasets, achieving sleep staging performance that are on par with the state-of-the-art models when several WaveSleepNets are combine into a larger network. A detailed case study examined the decision-making process of the WaveSleepNet which aligns closely with American Academy of Sleep Medicine (AASM) manual guidelines. Another case study systematically explained the misidentified reason behind each sleep stage. WaveSleepNet's transparent process provides specialists with direct access to the physiological significance of its criteria, allowing for future adaptation or enrichment by sleep experts.
- Abstract（参考訳）: 深層学習アルゴリズムは自動睡眠ステージングにおいてその効率を証明しているが、それらの「ブラックボックス」の性質に対する広範な懐疑論は臨床的受容を制限している。
本研究では、睡眠専門家と同じような方法で睡眠ステージングを行うための解釈可能なニューラルネットワークであるWaveSleepNetを提案する。
本ネットワークでは,トレーニング中に発生する潜時空間表現を用いて,異なる睡眠段階に対応する特性波のプロトタイプを同定する。
入力信号の特徴表現は潜在空間内のパッチに分割され、それぞれが学習波のプロトタイプと比較される。
これらのパッチと波動プロトタイプの近接はスコアによって定量化され、プロトタイプの存在と信号内の相対比が示される。
スコアは最終睡眠ステージの決定基準として提供される。
トレーニング中に、プロトタイプの多様性と堅牢性のために、損失関数のアンサンブルが使用される。
さらに、オクルージョン感度を分析して学習波プロトタイプを可視化する。
WaveSleepNetの有効性は3つの公開データセットで検証され、複数のWaveSleepNetが大きなネットワークに結合されたときに、最先端のモデルと同等のスリープステージング性能を達成する。
詳細なケーススタディでは、American Academy of Sleep Medicine(AASM)マニュアルガイドラインと密接に一致したWaveSleepNetの意思決定プロセスについて検討した。
別のケーススタディでは、各睡眠ステージの背後にある誤った理由を体系的に説明しました。
WaveSleepNetの透明なプロセスは、専門家にその基準の生理的重要性に直接アクセスし、将来の適応や睡眠の専門家による強化を可能にする。
関連論文リスト
- ST-USleepNet: A Spatial-Temporal Coupling Prominence Network for Multi-Channel Sleep Staging [9.83413257745779]
睡眠ステージングは、睡眠の質を評価し、障害を診断するために重要である。
近年の人工知能の進歩により、自動睡眠ステージリングモデルの開発が進められている。
本稿では,時空間グラフ構築モジュールとU字型睡眠ネットワークからなるST-USleepNetという新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-21T14:57:44Z) - aSAGA: Automatic Sleep Analysis with Gray Areas [2.47298967960367]
最新の自動睡眠ステージング手法は、手動睡眠ステージングと同等の信頼性と優れた時間効率をすでに示している。
本稿では,睡眠分析のためのヒューマン・イン・ザ・ループの概念を提案し,臨床ポリソノグラフィー記録と在宅睡眠研究の両方で効果的に機能する自動睡眠ステージングモデル(aSAGA)を提案する。
論文 参考訳（メタデータ） (2023-10-03T13:17:38Z) - 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) - ProductGraphSleepNet: Sleep Staging using Product Spatio-Temporal Graph
Learning with Attentive Temporal Aggregation [4.014524824655106]
本研究では,協調時間グラフ学習のための適応型製品グラフ学習型グラフ畳み込みネットワークProductGraphSleepNetを提案する。
提案したネットワークにより、臨床医は学習した睡眠段階の接続グラフを理解し、解釈することができる。
論文 参考訳（メタデータ） (2022-12-09T14:34:58Z) - TransSleep: Transitioning-aware Attention-based Deep Neural Network for
Sleep Staging [2.105172041656126]
本稿では,局所的な時間的特徴を捉えた新しいディープニューラルネットワーク構造であるTransSleepを提案する。
その結果,TransSleepは自動睡眠ステージングにおいて有望な性能を発揮することがわかった。
論文 参考訳（メタデータ） (2022-03-22T08:55:32Z) - Preliminary study on using vector quantization latent spaces for TTS/VC
systems with consistent performance [55.10864476206503]
本稿では,潜在言語埋め込みをモデル化するための量子化ベクトルの利用について検討する。
トレーニングにおいて、潜伏空間上の異なるポリシーを強制することにより、潜伏言語埋め込みを得ることができる。
実験の結果,ベクトル量子化法で構築した音声クローニングシステムは,知覚的評価の点でわずかに劣化していることがわかった。
論文 参考訳（メタデータ） (2021-06-25T07:51:35Z) - SalientSleepNet: Multimodal Salient Wave Detection Network for Sleep
Staging [10.269152939137854]
本研究では睡眠時ステージングのためのサージェント波検出ネットワークであるSalientSleepNetを提案する。
2つの独立した$rm U2$-likeストリームで構成され、マルチモーダルデータから有能な特徴を抽出する。
2つのデータセットの実験では、SalientSleepNetが最先端のベースラインを上回っていることが示されている。
論文 参考訳（メタデータ） (2021-05-24T16:32:09Z) - 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) - Fast accuracy estimation of deep learning based multi-class musical
source separation [79.10962538141445]
本稿では,ニューラルネットワークのトレーニングやチューニングを行うことなく,任意のデータセットにおける楽器の分離性を評価する手法を提案する。
理想的な比マスクを持つオラクルの原理に基づいて、我々の手法は最先端のディープラーニング手法の分離性能を推定するための優れたプロキシである。
論文 参考訳（メタデータ） (2020-10-19T13:05:08Z) - Training Binary Neural Networks through Learning with Noisy Supervision [76.26677550127656]
本稿では,ニューラルネットワーク上の二項化操作を学習の観点から定式化する。
ベンチマークデータセットの実験結果から,提案手法がベースラインよりも一貫した改善を達成できることが示唆された。
論文 参考訳（メタデータ） (2020-10-10T01:59:39Z) - 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。