論文の概要: Evaluating the Influence of Temporal Context on Automatic Mouse Sleep Staging through the Application of Human Models
- arxiv url: http://arxiv.org/abs/2406.16911v1
- Date: Thu, 6 Jun 2024 10:07:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-01 06:31:46.730859
- Title: Evaluating the Influence of Temporal Context on Automatic Mouse Sleep Staging through the Application of Human Models
- Title（参考訳）: ヒトモデルを用いたマウスの睡眠自動安定度に及ぼす時間的文脈の影響評価
- Authors: Javier García Ciudad, Morten Mørup, Birgitte Rahbek Kornum, Alexander Neergaard Zahid,
- Abstract要約: ヒトの睡眠ステージリングモデルでは、入力の時間的文脈を数十分の範囲に拡張することで、最近性能改善が示されている。
長期の睡眠パターンはマウス睡眠では明らかでないが、現在のマウス睡眠ステージモデルよりも時間的文脈を増大させると、パフォーマンスが向上する可能性がある。
- 参考スコア（独自算出の注目度）: 43.40222422022386
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In human sleep staging models, augmenting the temporal context of the input to the range of tens of minutes has recently demonstrated performance improvement. In contrast, the temporal context of mouse sleep staging models is typically in the order of tens of seconds. While long-term time patterns are less clear in mouse sleep, increasing the temporal context further than that of the current mouse sleep staging models might still result in a performance increase, given that the current methods only model very short term patterns. In this study, we examine the influence of increasing the temporal context in mouse sleep staging up to 15 minutes in three mouse cohorts using two recent and high-performing human sleep staging models that account for long-term dependencies. These are compared to two prominent mouse sleep staging models that use a local context of 12 s and 20 s, respectively. An increase in context up to 28 s is observed to have a positive impact on sleep stage classification performance, especially in REM sleep. However, the impact is limited for longer context windows. One of the human sleep scoring models, L-SeqSleepNet, outperforms both mouse models in all cohorts. This suggests that mouse sleep staging can benefit from more temporal context than currently used.
- Abstract（参考訳）: ヒトの睡眠ステージリングモデルでは、入力の時間的文脈を数十分の範囲に拡張することで、最近性能改善が示されている。
対照的に、マウス睡眠ステージングモデルの時間的文脈は、典型的には数十秒の順序である。
長期の睡眠パターンは明らかになっていないが、現在のマウス睡眠ステージングモデルよりも時間的文脈を増大させるとパフォーマンスが向上する可能性がある。
本研究では, 長期依存を考慮に入れた最近の2つの高機能ヒト睡眠ステージモデルを用いて, 3匹のマウスコホートで15分間の睡眠時間増加の影響について検討した。
これらは、それぞれ12秒と20秒のローカルコンテキストを使用する2つの著名なマウス睡眠ステージモデルと比較される。
28秒までの文脈の増加は、特にREM睡眠における睡眠ステージ分類性能に肯定的な影響を及ぼすことが観察された。
しかし、影響はより長いコンテキストウィンドウに限られている。
人間の睡眠スコアリングモデルの1つ、L-SeqSleepNetは、すべてのコホートにおいてマウスモデルの両方を上回っている。
これは、マウスの睡眠ステージングが、現在よりも時間的コンテキストの恩恵を受けることを示唆している。
関連論文リスト
- Stuffed Mamba: State Collapse and State Capacity of RNN-Based Long-Context Modeling [69.36377985746878]
本研究では,RNNの長期的文脈処理能力の低下の原因について検討し,重要な緩和策を提案する。
まず,訓練中に遭遇しないシーケンス長の大幅な性能劣化を引き起こす*状態崩壊*(SC)について検討する。
我々は,言語モデルとパスキー検索における逐次状態キャパシティを実証的に推定するために,長い文書上に一連のマンバ2モデルを訓練する。
論文 参考訳（メタデータ） (2024-10-09T17:54:28Z) - 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) - Similarity Min-Max: Zero-Shot Day-Night Domain Adaptation [52.923298434948606]
低照度条件は人間の視覚経験を妨げるだけでなく、下流の視覚タスクにおけるモデルの性能を低下させる。
この論文は、境界適用性、すなわちゼロショットの昼夜ドメイン適応に関するより複雑なシナリオに挑戦する。
我々は、それらを統一された枠組みで考える類似性 min-max パラダイムを提案する。
論文 参考訳（メタデータ） (2023-07-17T18:50:15Z) - Quantifying the Impact of Data Characteristics on the Transferability of
Sleep Stage Scoring Models [0.10878040851637998]
遠隔睡眠モニタリングのための有望な方法として,単チャンネル脳波に基づく睡眠ステージ評価のための深層学習モデルが提案されている。
これらのモデルを新しいデータセット、特にウェアラブルデバイスに適用すると、2つの疑問が浮かび上がる。
まず、ターゲットデータセットのアノテーションが利用できない場合、どの異なるデータ特性が睡眠ステージのスコアリングのパフォーマンスに最も影響するか。
本稿では,異なるデータ特性が深層学習モデルの伝達性に与える影響を定量化する手法を提案する。
論文 参考訳（メタデータ） (2023-03-28T07:57:21Z) - 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) - STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。
実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
論文 参考訳（メタデータ） (2021-07-15T02:53:11Z) - Latent Time-Adaptive Drift-Diffusion Model [0.0]
本稿では,動物実験データと一致する行動特性を示す動物学習モデルとして,潜時適応ドリフト拡散モデル(LTDDM)を提案する。
LTDDMは、リカレントニューラルネットワークよりも桁違いに高速にこれらのイベント時系列を学習できることを示す。
論文 参考訳（メタデータ） (2021-06-04T22:18:16Z) - Automated scoring of pre-REM sleep in mice with deep learning [0.0]
本稿では,古典期とマウスのレム前睡眠をスコア付けする,単純なニューラルネットワークアーキテクチャに基づく分類システムを提案する。
古典的な段階に限定されたとき、最適化されたネットワークは、サンプル外F1スコア0.95で最先端の分類性能を示した。
以上の結果から, 過渡睡眠段階のスコア付けが困難であること, 典型的なデータセットではその段階が過度に表れていること, またはスカラー間変動が大きいことなどから, さらなる証拠が得られた。
論文 参考訳（メタデータ） (2021-05-05T09:03:03Z) - 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) - 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。