論文の概要: PedSleepMAE: Generative Model for Multimodal Pediatric Sleep Signals

• arxiv url: http://arxiv.org/abs/2411.00718v1
• Date: Fri, 01 Nov 2024 16:30:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:47:19.428580
• Title: PedSleepMAE: Generative Model for Multimodal Pediatric Sleep Signals
• Title（参考訳）: PedSleepMAE:マルチモーダル睡眠信号生成モデル
• Authors: Saurav R. Pandey, Aaqib Saeed, Harlin Lee,
• Abstract要約: PedSleepMAEは、多チャンネル脳波、呼吸信号、EOG、EMGを含む多モード睡眠信号を完全に活用する生成モデルである。 その埋め込みはまた、まれな遺伝性疾患による睡眠信号の微妙な違いを捉えている。 これは、複数のタイプの小児睡眠信号に基づいて訓練された最初の汎用的生成モデルである。
• 参考スコア（独自算出の注目度）: 7.949705607963995
• License:
• Abstract: Pediatric sleep is an important but often overlooked area in health informatics. We present PedSleepMAE, a generative model that fully leverages multimodal pediatric sleep signals including multichannel EEGs, respiratory signals, EOGs and EMG. This masked autoencoder-based model performs comparably to supervised learning models in sleep scoring and in the detection of apnea, hypopnea, EEG arousal and oxygen desaturation. Its embeddings are also shown to capture subtle differences in sleep signals coming from a rare genetic disorder. Furthermore, PedSleepMAE generates realistic signals that can be used for sleep segment retrieval, outlier detection, and missing channel imputation. This is the first general-purpose generative model trained on multiple types of pediatric sleep signals.
• Abstract（参考訳）: 小児睡眠は、健康情報学において重要であるが、見落とされがちな領域である。 PedSleepMAEは多チャンネル脳波、呼吸信号、EOG、筋電図などの多モード睡眠信号を完全に活用する生成モデルである。 本発明のマスク付きオートエンコーダベースのモデルは、睡眠スコアリング及び無呼吸、低呼吸、脳波の覚醒及び酸素の飽和の検出において、教師付き学習モデルと互換性がある。 その埋め込みはまた、まれな遺伝性疾患による睡眠信号の微妙な違いを捉えている。 さらに、PedSleepMAEは、スリープセグメントの検索、外れ値の検出、チャネルの計算の欠如に使用できる現実的な信号を生成する。 これは、複数のタイプの小児睡眠信号に基づいて訓練された初めての汎用的生成モデルである。

関連論文リスト

• wav2sleep: A Unified Multi-Modal Approach to Sleep Stage Classification from Physiological Signals [0.6261444979025643]
  wav2sleepは、トレーニングと推論中に入力信号の可変セットを操作するために設計された統一モデルである。 ECG、PSG、呼吸信号を含むテスト時間入力の組み合わせで、既存の睡眠ステージ分類モデルよりも優れています。
  論文  参考訳（メタデータ） (2024-11-07T12:01:36Z)
• MSSC-BiMamba: Multimodal Sleep Stage Classification and Early Diagnosis of Sleep Disorders with Bidirectional Mamba [5.606144017978037]
  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。
  論文  参考訳（メタデータ） (2024-05-30T15:16:53Z)
• 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)
• 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)
• Pediatric Sleep Scoring In-the-wild from Millions of Multi-channel EEG Signals [4.505321919386738]
  本稿では,近年の大規模睡眠研究データセットにおいて,小児の睡眠自動スコアリング結果について紹介する。 本研究では,多チャンネル脳波(EEG)信号から5つの睡眠段階を78%の精度で分類するトランスフォーマーに基づくディープニューラルネットワークモデルを開発した。
  論文  参考訳（メタデータ） (2022-06-30T17:44:16Z)
• Ensemble of Convolution Neural Networks on Heterogeneous Signals for Sleep Stage Scoring [63.30661835412352]
  本稿では,脳波以外の追加信号の利用の利便性について検討し,比較する。 最も優れたモデルである深部分離畳み込みニューラルネットワークのアンサンブルは86.06%の精度を達成した。
  論文  参考訳（メタデータ） (2021-07-23T06:37:38Z)
• 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)
• 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)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)

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。