論文の概要: MSSC-BiMamba: Multimodal Sleep Stage Classification and Early Diagnosis of Sleep Disorders with Bidirectional Mamba
- arxiv url: http://arxiv.org/abs/2405.20142v2
- Date: Fri, 31 May 2024 03:31:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-03 12:59:52.376039
- Title: MSSC-BiMamba: Multimodal Sleep Stage Classification and Early Diagnosis of Sleep Disorders with Bidirectional Mamba
- Title（参考訳）: MSSC-BiMamba:多モード睡眠ステージ分類と双方向マンバによる睡眠障害早期診断
- Authors: Chao Zhang, Weirong Cui, Jingjing Guo,
- Abstract要約: 本研究では,睡眠時ステージングと障害分類の自動モデルを構築し,診断精度と効率を向上させる。
マルチモード睡眠状態分類モデルMSSC-BiMamba を設計した。
このモデルは、マルチモーダルPSGデータを用いたスリープステージングにBiMambaを初めて適用し、計算とメモリ効率を大幅に向上させた。
- 参考スコア（独自算出の注目度）: 5.606144017978037
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Monitoring sleep states is essential for evaluating sleep quality and diagnosing sleep disorders. Traditional manual staging is time-consuming and prone to subjective bias, often resulting in inconsistent outcomes. Here, we developed an automated model for sleep staging and disorder classification to enhance diagnostic accuracy and efficiency. Considering the characteristics of polysomnography (PSG) multi-lead sleep monitoring, we designed a multimodal sleep state classification model, MSSC-BiMamba, that combines an Efficient Channel Attention (ECA) mechanism with a Bidirectional State Space Model (BSSM). The ECA module allows for weighting data from different sensor channels, thereby amplifying the influence of diverse sensor inputs. Additionally, the implementation of bidirectional Mamba (BiMamba) enables the model to effectively capture the multidimensional features and long-range dependencies of PSG data. The developed model demonstrated impressive performance on sleep stage classification tasks on both the ISRUC-S3 and ISRUC-S1 datasets, respectively containing data with healthy and unhealthy sleep patterns. Also, the model exhibited a high accuracy for sleep health prediction when evaluated on a combined dataset consisting of ISRUC and Sleep-EDF. Our model, which can effectively handle diverse sleep conditions, is the first to apply BiMamba to sleep staging with multimodal PSG data, showing substantial gains in computational and memory efficiency over traditional Transformer-style models. This method enhances sleep health management by making monitoring more accessible and extending advanced healthcare through innovative technology.
- Abstract（参考訳）: 睡眠状態のモニタリングは、睡眠状態の評価と睡眠障害の診断に不可欠である。
伝統的な手動のステージングは時間がかかり、主観的偏見がちで、しばしば矛盾した結果をもたらす。
そこで我々は、診断精度と効率を高めるために、睡眠ステージングと障害分類の自動モデルを開発した。
マルチモード睡眠状態分類モデルMSSC-BiMambaは,PSG(Polysomnography)とBSSM(Bidirectional State Space Model)を併用し,マルチモード睡眠状態分類モデル(MSSC-BiMamba)を設計した。
ECAモジュールは、異なるセンサーチャネルからのデータ重み付けを可能にし、多様なセンサー入力の影響を増幅する。
さらに、双方向マンバ(BiMamba)の実装により、PSGデータの多次元的特徴と長距離依存性を効果的に捉えることができる。
ISRUC-S3データセットとISRUC-S1データセットの両方で、健康な睡眠パターンと不健康な睡眠パターンを持つデータを含む睡眠ステージ分類タスクにおいて、優れたパフォーマンスを示した。
また、ISRUCとSleep-EDFを組み合わせたデータセットで評価すると、睡眠状態の予測精度が高かった。
多様な睡眠条件を効果的に処理できるこのモデルは,マルチモーダルPSGデータを用いた睡眠ステージングにBiMambaを適用した最初のモデルであり,従来のTransformerスタイルのモデルよりも計算効率とメモリ効率が大幅に向上したことを示す。
この方法は、モニタリングをよりアクセスしやすくし、革新的な技術を通じて先進的な医療を拡大することにより、睡眠管理を強化する。
関連論文リスト
- Enhancing Healthcare with EOG: A Novel Approach to Sleep Stage
Classification [1.565361244756411]
EOG信号を用いた自動睡眠ステージ分類に革新的アプローチを導入し、脳波データ取得に伴う不快感と非現実性に対処する。
提案するSE-Resnet-Transformerモデルは、生のEOG信号から5つの異なる睡眠ステージを正確に分類する。
論文 参考訳（メタデータ） (2023-09-25T16:23:39Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳（メタデータ） (2023-05-30T08:24:01Z) - CoRe-Sleep: A Multimodal Fusion Framework for Time Series Robust to
Imperfect Modalities [10.347153539399836]
CoRe-SleepはCoordinated Representation Multimodal fusion Networkである。
このような堅牢性を達成するための鍵として,マルチモーダル情報の適切な処理が重要であることを示す。
本研究の目的は,自動解析ツールと臨床応用とのギャップを埋めることである。
論文 参考訳（メタデータ） (2023-03-27T18:28:58Z) - 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) - 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) - A Closed-loop Sleep Modulation System with FPGA-Accelerated Deep
Learning [1.5569382274788235]
我々は,低消費電力フィールドプログラマブルゲートアレイ(FPGA)デバイス上でのクローズドループ操作をサポートする睡眠変調システムを開発した。
ディープラーニング(DL)モデルは、低消費電力のフィールドプログラマブルゲートアレイ(FPGA)デバイスによって加速される。
81名の被験者を含む公衆睡眠データベースを用いて、85.8%の最先端の分類精度とF1スコアの79%の精度でモデルが検証されている。
論文 参考訳（メタデータ） (2022-11-19T01:47:53Z) - 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) - 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) - 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) - RobustSleepNet: Transfer learning for automated sleep staging at scale [0.0]
睡眠障害の診断は、PSG(polysomnography)レコードの分析に依存する。
実際には、睡眠ステージ分類は、ポリソムノグラフィー信号の30秒エポックの視覚検査に依存します。
我々は、任意のPSGモンタージュを扱える自動睡眠ステージ分類のためのディープラーニングモデルであるRobustSleepNetを紹介する。
論文 参考訳（メタデータ） (2021-01-07T09:39:08Z)
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。