論文の概要: Mamba-based Deep Learning Approaches for Sleep Staging on a Wireless Multimodal Wearable System without Electroencephalography
- arxiv url: http://arxiv.org/abs/2412.15947v1
- Date: Fri, 20 Dec 2024 14:43:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-23 16:19:48.322685
- Title: Mamba-based Deep Learning Approaches for Sleep Staging on a Wireless Multimodal Wearable System without Electroencephalography
- Title（参考訳）: 脳波のない無線マルチモーダルウェアラブルシステムにおけるマンバによる睡眠時無睡眠の深層学習手法
- Authors: Andrew H. Zhang, Alex He-Mo, Richard Fei Yin, Chunlin Li, Yuzhi Tang, Dharmendra Gurve, Nasim Montazeri Ghahjaverestan, Maged Goubran, Bo Wang, Andrew S. P. Lim,
- Abstract要約: 本研究では,マンバをベースとした深層学習手法を用いて,ウェアラブルシステムからの信号に対する睡眠ステージングについて検討する。
深層学習モデルは、脳波(EEG)のないウェアラブルシステムから主要な睡眠段階を推定することができ、第三次ケア睡眠クリニックに参加する成人のデータにうまく適用することができる。
- 参考スコア（独自算出の注目度）: 3.9578107869187185
- License:
- Abstract: Study Objectives: We investigate using Mamba-based deep learning approaches for sleep staging on signals from ANNE One (Sibel Health, Evanston, IL), a minimally intrusive dual-sensor wireless wearable system measuring chest electrocardiography (ECG), triaxial accelerometry, and temperature, as well as finger photoplethysmography (PPG) and temperature. Methods: We obtained wearable sensor recordings from 360 adults undergoing concurrent clinical polysomnography (PSG) at a tertiary care sleep lab. PSG recordings were scored according to AASM criteria. PSG and wearable sensor data were automatically aligned using their ECG channels with manual confirmation by visual inspection. We trained Mamba-based models with both convolutional-recurrent neural network (CRNN) and the recurrent neural network (RNN) architectures on these recordings. Ensembling of model variants with similar architectures was performed. Results: Our best approach, after ensembling, attains a 3-class (wake, NREM, REM) balanced accuracy of 83.50%, F1 score of 84.16%, Cohen's $\kappa$ of 72.68%, and a MCC score of 72.84%; a 4-class (wake, N1/N2, N3, REM) balanced accuracy of 74.64%, F1 score of 74.56%, Cohen's $\kappa$ of 61.63%, and MCC score of 62.04%; a 5-class (wake, N1, N2, N3, REM) balanced accuracy of 64.30%, F1 score of 66.97%, Cohen's $\kappa$ of 53.23%, MCC score of 54.38%. Conclusions: Deep learning models can infer major sleep stages from a wearable system without electroencephalography (EEG) and can be successfully applied to data from adults attending a tertiary care sleep clinic.
- Abstract（参考訳）: 研究目的: マンバをベースとした深層学習手法をANNE One (Sibel Health, Evanston, IL) の信号に基づいて, 胸部心電図 (ECG) , 3軸加速度計, 温度, 指光断層図 (PPG) , 温度を計測する最小侵入型デュアルセンサ無線ウェアラブルシステムを用いて検討した。
方法:第3次ケア睡眠実験室でPSGを併用した360名の成人のウェアラブルセンサ記録を得た。
PSGはAASM基準に従って測定された。
PSGとウェアラブルセンサーのデータは、視覚検査によって手動による確認を行い、ECGチャネルを使って自動的に整列された。
コンボリューショナル・リカレント・ニューラルネットワーク(CRNN)とリカレント・ニューラル・ニューラルネットワーク(RNN)アーキテクチャの両方を用いて,マンバベースのモデルをトレーニングした。
同様のアーキテクチャでモデル変種を組み立てる。
結果: 得られた最も良いアプローチは、三級(ウェイク、NREM、REM)の精度が83.50%、F1のスコアが84.16%、Chenの$\kappa$72.68%、MCCのスコアが72.84%、A4級(ウェイク、N1/N2、N3、REM)のスコアが74.64%、F1のスコアが74.56%、Cohenの$\kappa$61.63%、MCCのスコアが62.04%、A5級(ウェイク、N1、N2、N3、REM)のスコアが64.30%、Cohenの$\kappa$72.84%、Chenのスコアが53.33%である。
結論: 深層学習モデルは、脳波(EEG)のないウェアラブルシステムから主要な睡眠段階を推定することができ、第三次ケア睡眠クリニックに参加する成人のデータにうまく適用することができる。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Multi-centric AI Model for Unruptured Intracranial Aneurysm Detection and Volumetric Segmentation in 3D TOF-MRI [6.397650339311053]
我々は3DTOF-MRIで未破裂脳動脈瘤(UICA)の検出と分節を併用したオープンソースのnnU-NetベースのAIモデルを開発した。
4つの異なるトレーニングデータセットが作成され、nnU-Netフレームワークがモデル開発に使用された。
一次モデルは85%の感度と0.23FP/ケースレートを示し、ADAM-challengeの勝者(61%)と、ADAMデータでトレーニングされたnnU-Net(51%)を感度で上回った。
論文 参考訳（メタデータ） (2024-08-30T08:57:04Z) - A generative foundation model for five-class sleep staging with arbitrary sensor input [14.146442985487598]
金標準睡眠スコアは、PSG信号のサブセット、すなわちEEG、EOG、EMGに基づいている。
PSGは、心臓や呼吸の調節など、睡眠のステージングに使える可能性のある多くのシグナル導出物で構成されている。
本稿では,複数のセンサからの完全自動睡眠ステージ作成のための深層生成基盤モデルとその組み合わせを提案する。
論文 参考訳（メタデータ） (2024-08-09T08:09:28Z) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳（メタデータ） (2023-03-03T12:05:41Z) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳（メタデータ） (2021-10-19T00:03:57Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳（メタデータ） (2021-10-01T23:01:20Z) - Estimation of atrial fibrillation from lead-I ECGs: Comparison with
cardiologists and machine learning model (CurAlive), a clinical validation
study [0.0]
本研究では,人工知能を用いた心房細動検出法を提案する。
本研究の目的は, 心臓科医と人工知能の診断精度をリードI心電図と比較することである。
論文 参考訳（メタデータ） (2021-04-15T12:50:16Z) - Classifying sleep-wake stages through recurrent neural networks using
pulse oximetry signals [0.0]
自律神経系の調節は睡眠段階によって変化する。
我々はこれらの変化を利用して、覚醒または睡眠中の睡眠段階をパルスオキシメータ信号を用いて分類する。
心拍数と末梢酸素飽和信号にリカレントニューラルネットワークを適用し,30秒毎に睡眠ステージを分類した。
論文 参考訳（メタデータ） (2020-08-07T21:43:46Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z)
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。