論文の概要: Annotation of Sleep Depth Index with Scalable Deep Learning Yields Novel Digital Biomarkers for Sleep Health
- arxiv url: http://arxiv.org/abs/2407.04753v1
- Date: Fri, 5 Jul 2024 08:42:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-09 22:46:24.868084
- Title: Annotation of Sleep Depth Index with Scalable Deep Learning Yields Novel Digital Biomarkers for Sleep Health
- Title(参考訳): 拡張型深層学習収量を用いた睡眠深度指標の注釈付け : 睡眠健康のための新しいデジタルバイオマーカー
- Authors: Songchi Zhou, Ge Song, Haoqi Sun, Yue Leng, M. Brandon Westover, Shenda Hong,
- Abstract要約: 伝統的な睡眠ステージは、睡眠と覚醒を5つの粗いクラスに分類し、各ステージの微妙な変化を見越す。
既存の睡眠ステージリングラベルを用いた睡眠深度指標の自動的かつスケーラブルなアノテーションのディープラーニング手法を提案する。
本手法は4つの大規模コホートにまたがる1万以上の録音からポリソムノグラフィーを用いて検証した。
- 参考スコア(独自算出の注目度): 15.197165195697666
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional sleep staging categorizes sleep and wakefulness into five coarse-grained classes, overlooking subtle variations within each stage. It provides limited information about the probability of arousal and may hinder the diagnosis of sleep disorders, such as insomnia. To address this issue, we propose a deep-learning method for automatic and scalable annotation of sleep depth index using existing sleep staging labels. Our approach is validated using polysomnography from over ten thousand recordings across four large-scale cohorts. The results show a strong correlation between the decrease in sleep depth index and the increase in arousal likelihood. Several case studies indicate that the sleep depth index captures more nuanced sleep structures than conventional sleep staging. Sleep biomarkers extracted from the whole-night sleep depth index exhibit statistically significant differences with medium-to-large effect sizes across groups of varied subjective sleep quality and insomnia symptoms. These sleep biomarkers also promise utility in predicting the severity of obstructive sleep apnea, particularly in severe cases. Our study underscores the utility of the proposed method for continuous sleep depth annotation, which could reveal more detailed structures and dynamics within whole-night sleep and yield novel digital biomarkers beneficial for sleep health.
- Abstract(参考訳): 伝統的な睡眠ステージは、睡眠と覚醒を5つの粗いクラスに分類し、各ステージの微妙な変化を見越す。
覚醒の確率についての限られた情報を提供し、不眠症などの睡眠障害の診断を妨げる可能性がある。
そこで本研究では,既存の睡眠ステージリングラベルを用いた睡眠深度指標の自動的かつスケーラブルなアノテーションのディープラーニング手法を提案する。
本手法は4つの大規模コホートにまたがる1万以上の録音からポリソムノグラフィーを用いて検証した。
その結果,睡眠深度指数の低下と覚醒可能性の増加との間には強い相関が認められた。
いくつかのケーススタディでは、睡眠深度指数が従来の睡眠ステージよりもニュアンスな睡眠構造を捉えることが示されている。
睡眠深度指数から抽出した睡眠バイオマーカーは、主観的睡眠品質と不眠症症状の異なる群間で、中~大規模効果の大きさと統計的に有意な差を示した。
これらの睡眠バイオマーカーは、特に重篤なケースにおいて、閉塞性睡眠時無呼吸の重症度を予測するためにも有効である。
本研究は, 睡眠中の詳細な構造や動態を明らかにし, 睡眠に有用な新しいバイオマーカーを提示する継続的睡眠深度アノテーションの有用性を実証する。
関連論文リスト
- Clustering and Data Augmentation to Improve Accuracy of Sleep Assessment and Sleep Individuality Analysis [1.9662978733004597]
本研究の目的は,就寝時の頻繁な動きによる睡眠不足など,エビデンスに基づく評価を提供する機械学習ベースの睡眠評価モデルを構築することである。
睡眠音イベントの抽出,VAEを用いた潜時表現の抽出,GMMによるクラスタリング,主観的睡眠評価のためのLSTMトレーニングは94.8%の精度で睡眠満足度を識別した。
論文 参考訳(メタデータ) (2024-04-16T05:56:41Z) - Domain Invariant Representation Learning and Sleep Dynamics Modeling for
Automatic Sleep Staging [6.86283473936335]
ニューラルネットワークに基づく睡眠ステージングモデルDREAMを提案し,生理的信号とモデル睡眠ダイナミクスから領域一般化表現を学習する。
DREAMは、様々な被験者の睡眠信号から睡眠関連および被写体不変表現を学習し、シーケンシャル信号セグメントと睡眠ステージ間の相互作用を捉えて睡眠ダイナミクスをモデル化する。
睡眠ステージ予測実験,ケーススタディ,ラベルなしデータの使用,不確実性など,DREAMの優位性を示すための総合的な実証的研究を行った。
論文 参考訳(メタデータ) (2023-12-06T00:28:08Z) - 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) - 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) - Continual learning benefits from multiple sleep mechanisms: NREM, REM,
and Synaptic Downscaling [51.316408685035526]
先行学習を失うことなく、新しいタスクやスキルを連続して学習することは、人工ニューラルネットワークと生物学的ニューラルネットワークの両方にとって、計算上の課題である。
本稿では,3つの異なる睡眠成分のモデル化が,人工ニューラルネットワークの連続学習にどのように影響するかを検討する。
論文 参考訳(メタデータ) (2022-09-09T13:45:27Z) - A Review of the Non-Invasive Techniques for Monitoring Different Aspects of Sleep [19.49661647406365]
睡眠モニタリングのための研究が進められており、睡眠行動を理解するための重要なツールとなっている。
睡眠分析のための金の標準法は、臨床環境で行うポリソムノグラフィ(PSG)であるが、この方法は高価であり、長期使用には複雑である。
家庭内睡眠モニタリングに安価で使い易いウェアラブルと非ウェアラブルの両方を用いた様々なソリューションが提案されている。
論文 参考訳(メタデータ) (2021-04-27T04:12:43Z) - On Hallucination and Predictive Uncertainty in Conditional Language
Generation [76.18783678114325]
高い予測の不確実性は幻覚の確率が高い。
認識的不確実性は、アレエータ的あるいは全体的不確実性よりも幻覚の指標である。
提案したビームサーチ変種との幻覚を抑えるため、標準メートル法で取引性能のより良い結果を得るのに役立ちます。
論文 参考訳(メタデータ) (2021-03-28T00:32:27Z) - 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) - 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) - N=1 Modelling of Lifestyle Impact on SleepPerformance [2.9073923339818006]
睡眠は健康な生活に欠かせない。
最近の研究にもかかわらず、実際の環境でパーソナライズされた睡眠モデルを作成することは困難だった。
本研究では,日常活動と睡眠品質の因果関係を同定する睡眠モデルを提案する。
論文 参考訳(メタデータ) (2020-06-18T22:43:35Z)
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。