論文の概要: Optimizing Photoplethysmography-Based Sleep Staging Models by Leveraging Temporal Context for Wearable Devices Applications

• arxiv url: http://arxiv.org/abs/2410.00693v1
• Date: Tue, 1 Oct 2024 13:47:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-05 04:25:20.083272
• Title: Optimizing Photoplethysmography-Based Sleep Staging Models by Leveraging Temporal Context for Wearable Devices Applications
• Title（参考訳）: ウェアラブルデバイス応用のための時間的コンテキストの活用による光胸腺撮影に基づく睡眠安定度モデルの最適化
• Authors: Joseph A. P. Quino, Diego A. C. Cardenas, Marcelo A. F. Toledo, Felipe M. Dias, Estela Ribeiro, Jose E. Krieger, Marco A. Gutierrez,
• Abstract要約: 最先端の睡眠ステージング手法では、長期間の連続的な信号取得が必要であり、高エネルギー消費のためウェアラブルデバイスでは実用的ではない。 本研究では,トップパフォーマンスの最先端手法に基づく適応型睡眠ステージングモデルを提案し,その性能を異なるセグメントサイズで評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate sleep stage classification is crucial for diagnosing sleep disorders and evaluating sleep quality. While polysomnography (PSG) remains the gold standard, photoplethysmography (PPG) is more practical due to its affordability and widespread use in wearable devices. However, state-of-the-art sleep staging methods often require prolonged continuous signal acquisition, making them impractical for wearable devices due to high energy consumption. Shorter signal acquisitions are more feasible but less accurate. Our work proposes an adapted sleep staging model based on top-performing state-of-the-art methods and evaluates its performance with different PPG segment sizes. We concatenate 30-second PPG segments over 15-minute intervals to leverage longer segment contexts. This approach achieved an accuracy of 0.75, a Cohen's Kappa of 0.60, an F1-Weighted score of 0.74, and an F1-Macro score of 0.60. Although reducing segment size decreased sensitivity for deep and REM stages, our strategy outperformed single 30-second window methods, particularly for these stages.
• Abstract（参考訳）: 正確な睡眠ステージ分類は、睡眠障害を診断し、睡眠の質を評価するために重要である。 ポリソムノグラフィー(PSG)は依然として金の標準であるが、光胸腺造影法(PPG)はウェアラブルデバイスで広く利用されているため、より実用的である。 しかし、最先端の睡眠ステージング手法は、しばしば長期間の連続的な信号取得を必要とするため、高エネルギー消費のためウェアラブルデバイスでは実用的ではない。 より短い信号の取得はより実現可能だが、正確ではない。 本研究は、トップパフォーマンスの最先端手法に基づく適応型睡眠ステージングモデルを提案し、その性能を異なるPSGセグメントサイズで評価する。 我々は15分間隔で30秒のPSGセグメントを結合し、より長いセグメントコンテキストを活用する。 このアプローチは精度0.75、Cohen's Kappaの0.60、F1-Weightedの0.74、F1-Macroの0.60を達成した。 セグメントサイズの削減は深部およびREM段の感度を低下させたが,本手法は特にこれらの段の30秒ウィンドウ法よりも優れていた。

関連論文リスト

• 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)
• SleepVST: Sleep Staging from Near-Infrared Video Signals using Pre-Trained Transformers [0.6599755599064447]
  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。
  論文  参考訳（メタデータ） (2024-04-04T23:24:14Z)
• Differentially Private SGD Without Clipping Bias: An Error-Feedback Approach [62.000948039914135]
  Differentially Private Gradient Descent with Gradient Clipping (DPSGD-GC) を使用して、差分プライバシ(DP)がモデルパフォーマンス劣化の犠牲となることを保証する。 DPSGD-GCに代わる新しいエラーフィードバック(EF)DPアルゴリズムを提案する。 提案アルゴリズムに対するアルゴリズム固有のDP解析を確立し,R'enyi DPに基づくプライバシ保証を提供する。
  論文  参考訳（メタデータ） (2023-11-24T17:56:44Z)
• A machine-learning sleep-wake classification model using a reduced number of features derived from photoplethysmography and activity signals [0.0]
  Photoplethys (mography) は睡眠期推論に有効なシグナルであることが示された。 本稿では,eXtreme Gradient Boostingアルゴリズムに基づく機械学習睡眠覚醒分類モデルを提案する。 本手法の性能は現在の最先端手法と比較し,感度91.15 $pm$ 1.16%,特異度53.66 $pm$ 1.12%,F1スコア83.88 $pm$ 0.56%,Kappa48.0 $pm$ 0.86%であった。
  論文  参考訳（メタデータ） (2023-08-07T13:43:19Z)
• Post-Processing Temporal Action Detection [134.26292288193298]
  時間的行動検出(TAD)法は、通常、入力された可変長のビデオを固定長のスニペット表現シーケンスに変換する際に、前処理のステップを踏む。 この前処理ステップは、ビデオを時間的にダウンサンプリングし、推論の解像度を低減し、元の時間分解における検出性能を阻害する。 モデルの再設計や再学習を伴わない新しいモデル非依存のポストプロセッシング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-27T19:50:37Z)
• 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)
• Sleep Staging Based on Serialized Dual Attention Network [0.0]
  生の脳波に基づく深層学習モデルSDANを提案する。 チャネルアテンションと空間アテンション機構を連続的に組み合わせて、キー情報をフィルタリングしハイライトする。 他の方法と比較して、N1睡眠期において優れた結果が得られる。
  論文  参考訳（メタデータ） (2021-07-18T13:18:12Z)
• 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)
• Hessian-Aware Pruning and Optimal Neural Implant [74.3282611517773]
  プルーニングは、ニューラルネットワークモデルに関連するメモリフットプリントとフラップを減らす効果的な方法である。 構造的プルーニングの指標として2次感度を用いたニューラルインプラントアプローチと組み合わされた新しいヘッセン認識プルーニング法を提案する。
  論文  参考訳（メタデータ） (2021-01-22T04:08:03Z)
• 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)
• 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。