論文の概要: Personalized Sleep Staging Leveraging Source-free Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2412.12159v1
• Date: Wed, 11 Dec 2024 12:59:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 14:01:07.575949
• Title: Personalized Sleep Staging Leveraging Source-free Unsupervised Domain Adaptation
• Title（参考訳）: ソースレス非教師なしドメイン適応を利用したパーソナライズスリープステージング
• Authors: Yangxuan Zhou, Sha Zhao, Jiquan Wang, Haiteng Jiang, hijian Li, Benyan Luo, Tao Li, Gang Pan,
• Abstract要約: 本稿では,SF-UIDA(Source-Free Unsupervised Individual Domain Adaptation)フレームワークを提案する。 この2段階の適応方式により、ソースデータを必要とせずに、新しいラベルのない個人に効果的に適応することができる。 我々のフレームワークは、確立された3つの睡眠ステージモデルに適用され、3つの公開データセットでテストされ、最先端のパフォーマンスが達成された。
• 参考スコア（独自算出の注目度）: 12.283567614448392
• License:
• Abstract: Sleep staging is crucial for assessing sleep quality and diagnosing related disorders. Recent deep learning models for automatic sleep staging using polysomnography often suffer from poor generalization to new subjects because they are trained and tested on the same labeled datasets, overlooking individual differences. To tackle this issue, we propose a novel Source-Free Unsupervised Individual Domain Adaptation (SF-UIDA) framework. This two-step adaptation scheme allows the model to effectively adjust to new unlabeled individuals without needing source data, facilitating personalized customization in clinical settings. Our framework has been applied to three established sleep staging models and tested on three public datasets, achieving state-of-the-art performance.
• Abstract（参考訳）: 睡眠ステージングは、睡眠の質を評価し、関連する疾患を診断するために重要である。 近年の睡眠自動ステージングの深層学習モデルでは, 個人差を見越して, 同じラベル付きデータセットでトレーニング, テストされるため, 新しい被験者への一般化が困難になっていることが多い。 この問題に対処するため,我々は,SF-UIDA(Source-Free Unsupervised Individual Domain Adaptation)フレームワークを提案する。 この2段階の適応方式により、ソースデータを必要とせずに、新しいラベルのない個人に効果的に適応することができ、臨床現場でのパーソナライズされたカスタマイズが容易になる。 我々のフレームワークは、確立された3つの睡眠ステージモデルに適用され、3つの公開データセットでテストされ、最先端のパフォーマンスが達成された。

関連論文リスト

• SleepCoT: A Lightweight Personalized Sleep Health Model via Chain-of-Thought Distillation [9.133271556862738]
  本研究は,CoT蒸留法を用いて睡眠管理を個別化するための新しいアプローチを提案する。 提案手法は,課題解決戦略,長期専門知識,大規模モデルからのパーソナライズされたレコメンデーション機能を,より効率的でコンパクトなモデルに同時に蒸留する。
  論文  参考訳（メタデータ） (2024-10-22T11:56:34Z)
• Day-Night Adaptation: An Innovative Source-free Adaptation Framework for Medical Image Segmentation [51.520294290813865]
  そこで我々は,DyNA(Day-Night Adaptation)と呼ばれる新しい適応フレームワークを提案する。 日中は、各テストサンプルに凍結モデルを適用するために、低周波プロンプトが訓練される。 夜間,日中から収集したテストデータを再利用し,教師モデルと学生モデルとの知識を橋渡しするグローバルな学生モデルを導入する。
  論文  参考訳（メタデータ） (2024-10-17T12:02:29Z)
• Transparency in Sleep Staging: Deep Learning Method for EEG Sleep Stage Classification with Model Interpretability [5.747465732334616]
  本研究では,残差ネットワーク内に圧縮ブロックと励起ブロックを統合し,複雑な時間的依存関係を理解するために,特徴抽出と積み重ねBi-LSTMを組み込んだエンド・ツー・エンドディープラーニング(DL)モデルを提案する。 本研究の特筆すべき側面は、睡眠ステージングのためのGradCamの適応であり、この領域における説明可能なDLモデルの最初の事例であり、その決定と睡眠専門家の洞察の一致である。
  論文  参考訳（メタデータ） (2023-09-10T17:56:03Z)
• Anatomy-guided domain adaptation for 3D in-bed human pose estimation [62.3463429269385]
  3次元人間のポーズ推定は臨床モニタリングシステムにおいて重要な要素である。 ラベル付きソースからシフトしたラベル付きターゲットドメインにモデルを適応させる新しいドメイン適応方式を提案する。 我々の手法は、様々な最先端のドメイン適応法より一貫して優れています。
  論文  参考訳（メタデータ） (2022-11-22T11:34:51Z)
• Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
  ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。 本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-09-27T14:19:00Z)
• Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation [70.32536356351706]
  本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。 ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。 本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2022-03-29T07:14:58Z)
• On-the-Fly Test-time Adaptation for Medical Image Segmentation [63.476899335138164]
  ソースモデルをテスト時にターゲットデータに適応させることは、データシフト問題に対する効率的な解決策である。 本稿では、各畳み込みブロックに適応バッチ正規化層を設けるAdaptive UNetという新しいフレームワークを提案する。 テスト期間中、モデルは新しいテストイメージのみを取り込み、ドメインコードを生成して、テストデータに従ってソースモデルの特徴を適応させる。
  論文  参考訳（メタデータ） (2022-03-10T18:51:29Z)
• Source-Free Domain Adaptive Fundus Image Segmentation with Denoised Pseudo-Labeling [56.98020855107174]
  ドメイン適応は通常、ソースドメインデータにアクセスして、ターゲットデータとのドメインアライメントのために配布情報を利用する必要があります。 多くの実世界のシナリオでは、プライバシの問題により、ターゲットドメインのモデル適応中にソースデータがアクセスできない場合がある。 本稿では,本問題に対する新たな擬似ラベル付け手法を提案する。
  論文  参考訳（メタデータ） (2021-09-19T06:38:21Z)
• RobustSleepNet: Transfer learning for automated sleep staging at scale [0.0]
  睡眠障害の診断は、PSG(polysomnography)レコードの分析に依存する。 実際には、睡眠ステージ分類は、ポリソムノグラフィー信号の30秒エポックの視覚検査に依存します。 我々は、任意のPSGモンタージュを扱える自動睡眠ステージ分類のためのディープラーニングモデルであるRobustSleepNetを紹介する。
  論文  参考訳（メタデータ） (2021-01-07T09:39:08Z)
• TRIER: Template-Guided Neural Networks for Robust and Interpretable Sleep Stage Identification from EEG Recordings [5.156484100374058]
  本研究では,この課題に対処する事前学習手法を提案する。 経験豊富な医師が睡眠状態の分類に用いた従来の手法に着想を得て,コサイン類似性に基づく畳み込みニューラルネットワークを導入した。 本研究では,(1)分類性能が著しく向上し,(2)複数の面における堅牢性が向上するため,テンプレートパターンによるニューラルネットワークの誘導が睡眠ステージングに有効な方法であることを示す。
  論文  参考訳（メタデータ） (2020-09-10T01:58:06Z)
• MetaSleepLearner: A Pilot Study on Fast Adaptation of Bio-signals-Based Sleep Stage Classifier to New Individual Subject Using Meta-Learning [15.451212330924447]
  モデル非依存メタラーニング(MAML)に基づく転移学習フレームワークMetaSleepLearnerを提案する。 従来のアプローチと比較すると、MetaSleepLearnerは5.4%から17.7%の改善を達成している。 これは、非伝統的な事前学習手法であるMAMLを調査した最初の研究であり、その結果、睡眠段階分類における人間と機械の協調が可能となった。
  論文  参考訳（メタデータ） (2020-04-08T16:31:03Z)

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。