論文の概要: SleepNetZero: Zero-Burden Zero-Shot Reliable Sleep Staging With Neural Networks Based on Ballistocardiograms

• arxiv url: http://arxiv.org/abs/2410.22646v1
• Date: Wed, 30 Oct 2024 02:25:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-31 14:26:22.482878
• Title: SleepNetZero: Zero-Burden Zero-Shot Reliable Sleep Staging With Neural Networks Based on Ballistocardiograms
• Title（参考訳）: SleepNetZero: バリスト心電図に基づくニューラルネットワークによるゼロバーデンゼロショット信頼睡眠
• Authors: Shuzhen Li, Yuxin Chen, Xuesong Chen, Ruiyang Gao, Yupeng Zhang, Chao Yu, Yunfei Li, Ziyi Ye, Weijun Huang, Hongliang Yi, Yue Leng, Yi Wu,
• Abstract要約: Ballistocardiography (BCG) は、非侵襲的で、ユーザフレンドリで、長期の在宅モニタリングの代替手段である。 SleepNetZeroは、スリープステージングのためのゼロショット学習ベースのアプローチである。 この研究は、BCGをベースとした初めての信頼できる睡眠ステージングの取り組みである。
• 参考スコア（独自算出の注目度）: 24.843099813799025
• License:
• Abstract: Sleep monitoring plays a crucial role in maintaining good health, with sleep staging serving as an essential metric in the monitoring process. Traditional methods, utilizing medical sensors like EEG and ECG, can be effective but often present challenges such as unnatural user experience, complex deployment, and high costs. Ballistocardiography~(BCG), a type of piezoelectric sensor signal, offers a non-invasive, user-friendly, and easily deployable alternative for long-term home monitoring. However, reliable BCG-based sleep staging is challenging due to the limited sleep monitoring data available for BCG. A restricted training dataset prevents the model from generalization across populations. Additionally, transferring to BCG faces difficulty ensuring model robustness when migrating from other data sources. To address these issues, we introduce SleepNetZero, a zero-shot learning based approach for sleep staging. To tackle the generalization challenge, we propose a series of BCG feature extraction methods that align BCG components with corresponding respiratory, cardiac, and movement channels in PSG. This allows models to be trained on large-scale PSG datasets that are diverse in population. For the migration challenge, we employ data augmentation techniques, significantly enhancing generalizability. We conducted extensive training and testing on large datasets~(12393 records from 9637 different subjects), achieving an accuracy of 0.803 and a Cohen's Kappa of 0.718. ZeroSleepNet was also deployed in real prototype~(monitoring pads) and tested in actual hospital settings~(265 users), demonstrating an accuracy of 0.697 and a Cohen's Kappa of 0.589. To the best of our knowledge, this work represents the first known reliable BCG-based sleep staging effort and marks a significant step towards in-home health monitoring.
• Abstract（参考訳）: 睡眠モニタリングは健康維持に重要な役割を担い、睡眠ステージはモニタリングプロセスにおいて重要な指標となる。 脳波や心電図などの医療センサーを利用する従来の方法は効果的であるが、不自然なユーザエクスペリエンス、複雑なデプロイメント、高コストといった課題をしばしば提示する。 圧電センサ信号の一種であるBallistocardiography~(BCG)は、非侵襲的で、ユーザフレンドリで、長期監視のための容易に展開可能な代替手段を提供する。 しかし、BCGで利用可能な睡眠モニタリングデータが少ないため、信頼性の高いBCGベースの睡眠ステージングは困難である。 制限されたトレーニングデータセットは、モデルを人口全体にわたって一般化することを防ぐ。 さらに、BCGへの転送は、他のデータソースからの移行時にモデルの堅牢性を保証するのが困難である。 これらの問題に対処するために、ゼロショット学習に基づく睡眠ステージングアプローチであるSleepNetZeroを導入する。 そこで本研究では,BCG成分をPSGの呼吸,心臓,運動チャネルと整合させる一連のBCG特徴抽出手法を提案する。 これにより、個体数に多様性がある大規模なPSGデータセットでモデルをトレーニングすることができる。 マイグレーションの課題では,データ拡張技術を採用し,一般化可能性を大幅に向上させる。 9637検体から12393検体を採取し,精度0.803検体とCohen's Kappa検体0.718検体を作成した。 ZeroSleepNetは実際のプロトタイプ〜(監視パッド)にデプロイされ、実際の病院設定〜(265ユーザ)でテストされ、精度は0.697、Cohen's Kappaは0.589だった。 私たちの知る限りでは、この研究はBCGベースの睡眠ステージングの取り組みとして初めて知られており、家庭内健康モニタリングへの大きな一歩となっている。

関連論文リスト

• Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
  心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。 本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。 そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
  論文  参考訳（メタデータ） (2024-10-18T12:37:51Z)
• Thermal Imaging and Radar for Remote Sleep Monitoring of Breathing and Apnea [42.00356210257671]
  睡眠モニタリングのためのレーダとサーマルイメージングの初回比較を行った。 熱画像法では,0.99,精度0.68,リコール0.74,F1スコア0.71,クラス内相関0.73が検出された。 マルチモーダル・セットアップを活用して閉塞性および中枢性睡眠時無呼吸を分類するための新しい提案を提案する。
  論文  参考訳（メタデータ） (2024-07-16T17:26:50Z)
• Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
  コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。 MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。 また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
  論文  参考訳（メタデータ） (2024-07-02T19:30:25Z)
• A Personalized Zero-Shot ECG Arrhythmia Monitoring System: From Sparse Representation Based Domain Adaption to Energy Efficient Abnormal Beat Detection for Practical ECG Surveillance [17.29714304835742]
  本稿では,ウェアラブルモバイルセンサにおける早期不整脈検出のための低コストで高精度なECGモニタリングシステムを提案する。 ウェアラブルデバイスにパーソナライズされたアルゴリズムが組み込まれている現実のシナリオでは、そのようなトレーニングデータは、心疾患歴のない健康な人には利用できない。 本稿では,既存ユーザの異常信号と正常信号とを新たなユーザ信号空間に投影するために,疎表現に基づくドメイン適応手法を提案する。 ゼロショット不整脈検出のアプローチでは、平均精度は98.2%、F1スコアは92.8%となる。
  論文  参考訳（メタデータ） (2022-07-14T17:40:05Z)
• WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma [51.50991881342181]
  この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。 第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
  論文  参考訳（メタデータ） (2022-04-13T15:27:05Z)
• Using Ballistocardiography for Sleep Stage Classification [2.360019611990601]
  睡眠ステージ検出の現在の方法は高価で、人の睡眠に侵入し、現代の家庭では実用的ではない。 バリスト心電図(英: Ballistocardiography、BCG)は、心臓が生み出す弾道力を測定することで情報を収集する非侵襲的なセンシング技術である。 本稿では,Fitbit Sense Smart Watchから抽出した睡眠ステージと,睡眠ステージ検出アルゴリズムを実装して比較する。
  論文  参考訳（メタデータ） (2022-02-02T14:02:48Z)
• 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)
• Temporal convolutional networks and transformers for classifying the sleep stage in awake or asleep using pulse oximetry signals [0.0]
  覚醒・睡眠中の睡眠段階をパルスオキシメータからのHR信号のみを用いて分類することを目的としたネットワークアーキテクチャを開発する。 トランスフォーマーはシーケンスをモデル化し、睡眠段階間の遷移ルールを学ぶことができる。 全体の正確性、特異性、感受性、およびコーエンのカッパ係数は90.0%, 94.9%, 78.1%, 0.73であった。
  論文  参考訳（メタデータ） (2021-01-29T22:58:33Z)
• Classification Of Sleep-Wake State In A Ballistocardiogram System Based On Deep Learning [1.4680035572775534]
  本稿では,マルチヘッド1次元畳み込みに基づくディープニューラルネットワークを提案し,睡眠覚醒状態を正確に予測する。 睡眠覚醒分類スコアは95.5%であり,PSGシステムに基づく研究と同等である。
  論文  参考訳（メタデータ） (2020-11-11T03:38:33Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)
• Detection of Obstructive Sleep Apnoea Using Features Extracted from Segmented Time-Series ECG Signals Using a One Dimensional Convolutional Neural Network [0.19686770963118383]
  本研究は,単チャンネル心電図(ECG)信号から得られた閉塞性睡眠時無呼吸症(OSA)の自動検出を目的とした1次元畳み込みニューラルネットワーク(1DCNN)モデルを提案する。 このモデルは、畳み込み、最大プール層と、隠蔽層とSoftMax出力からなる完全に接続された多層パーセプトロン(MLP)を用いて構成されている。 これは、モデルが高い精度でApnoeaの存在を識別できることを示している。
  論文  参考訳（メタデータ） (2020-02-03T15:47:00Z)

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。