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/2412.15947v2
- Date: Thu, 06 Mar 2025 22:43:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-10 12:20:33.676793
- 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, Veronique van der Horst, Aron S. Buchman, Nasim Montazeri Ghahjaverestan, Maged Goubran, Bo Wang, Andrew S. P. Lim,
- Abstract要約: 本稿では,アンネワンシステムからの信号に基づいて,マンバをベースとした睡眠ステージングのためのディープラーニングアプローチについて検討する。
我々は、畳み込み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ネットワーク(RNN)アーキテクチャを用いて、Mambaベースのモデルを訓練した。
深層学習モデルは、ANNE Oneから主要な睡眠段階を推測することができ、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）: 3.7428541180163126
- License:
- Abstract: Study Objectives: We investigate Mamba-based deep learning approaches for sleep staging on signals from ANNE One (Sibel Health, Evanston, IL), a non-intrusive dual-module wireless wearable system measuring chest electrocardiography (ECG), accelerometry, and temperature, and finger photoplethysmography (PPG) and temperature. Methods: We obtained wearable sensor recordings from 360 adults undergoing concurrent polysomnography (PSG) at a tertiary care sleep lab. Each PSG recording was manually scored and these annotations served as ground truth labels for training and evaluation of our models. PSG and wearable sensor data were automatically aligned using their ECG channels with manual confirmation by visual inspection. We trained Mamba-based models with 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, non rapid eye movement [NREM] sleep, rapid eye movement [REM] sleep) balanced accuracy of 84.02%, F1 score of 84.23%, Cohen's $\kappa$ of 72.89%, and a Matthews correlation coefficient (MCC) score of 73.00%; a 4-class (wake, NREM stage 1/2 [N1/N2], NREM stage 3 [N3], REM) balanced accuracy of 75.30%, F1 score of 74.10%, Cohen's $\kappa$ of 61.51%, and MCC score of 61.95%; a 5-class (wake, N1, N2, N3, REM) balanced accuracy of 65.11%, F1 score of 66.15%, Cohen's $\kappa$ of 53.23%, MCC score of 54.38%. Conclusions: Deep learning models can infer major sleep stages from the ANNE One, 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睡眠ステージングのための深層学習手法をANNE One(Sibel Health, Evanston, IL)、心電図(ECG)、加速度計、温度計、指光胸腺撮影(PPG)、温度計などの非侵襲型デュアルモジュール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について検討した。
それぞれのPSG記録は手動で収集され、これらのアノテーションは、我々のモデルのトレーニングと評価のための基底真理ラベルとして機能した。
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)アーキテクチャを用いて,マンバをベースとした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:覚醒後の3クラス(覚醒,非急速眼球運動(NREM)睡眠,急速眼球運動(REM)睡眠)の精度は84.02%、F1スコアは84.23%、Cohen's $\kappa$ 72.89%、Matthews相関係数(MCC)スコアは73.00%、NREMステージ1/2[N1/N2],NREMステージ3[N3],REM)のバランス精度は75.30%、Cohen's $\kappa$ 61.51%、MCCスコアは61.95%、Cohen's $\kappa$ 72.89%、Cohen's $\kappa$ 72.89%、Matthews相関係数(MCC)スコアは73.00%、NREMステージ1/2[N1/N2],NREMステージ3[N3],REM)のバランス精度は75.30%、Cohen's $\kappa$ 61.51%、PMCスコアは54.33%である。
結論: 深層学習モデルは脳波のないウェアラブルシステムであるANNE Oneから主要な睡眠段階を推測することができ、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
- ECG-SleepNet: Deep Learning-Based Comprehensive Sleep Stage Classification Using ECG Signals [4.070551979222657]
本研究は,心電図信号を用いた睡眠段階分類のための新しい3段階アプローチを提案する。
第1フェーズでは、FIN(Feature Imitating Networks)を用いて重要な特徴を推定し、より高精度で高速な収束を実現する。
第2段階は、心電図信号の時間周波数表現によるN1睡眠段階の同定に焦点を当てている。
第3段階は以前の段階からモデルを統合し、KAN(Kolmogorov-Arnold Network)を使用して5つの異なる睡眠ステージを分類する。
論文 参考訳（メタデータ） (2024-12-02T19:31:25Z) - 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) - 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。