論文の概要: Multi-task deep-learning for sleep event detection and stage classification
- arxiv url: http://arxiv.org/abs/2501.09519v1
- Date: Thu, 16 Jan 2025 13:09:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-17 15:09:08.309396
- Title: Multi-task deep-learning for sleep event detection and stage classification
- Title(参考訳): 睡眠イベントの検出とステージ分類のためのマルチタスク深層学習
- Authors: Adriana Anido-Alonso, Diego Alvarez-Estevez,
- Abstract要約: 本研究では,睡眠事象の同時検出と1回のパスでのハイドノグラム構築のためのマルチタスク深層学習手法を提案する。
本研究では,脳波覚醒剤,呼吸イベント(呼吸時,呼吸時,呼吸時,睡眠時)の異なる組み合わせを同定する手法の性能について検討した。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Polysomnographic sleep analysis is the standard clinical method to accurately diagnose and treat sleep disorders. It is an intricate process which involves the manual identification, classification, and location of multiple sleep event patterns. This is complex, for which identification of different types of events involves focusing on different subsets of signals, resulting on an iterative time-consuming process entailing several visual analysis passes. In this paper we propose a multi-task deep-learning approach for the simultaneous detection of sleep events and hypnogram construction in one single pass. Taking as reference state-of-the-art methodology for object-detection in the field of Computer Vision, we reformulate the problem for the analysis of multi-variate time sequences, and more specifically for pattern detection in the sleep analysis scenario. We investigate the performance of the resulting method in identifying different assembly combinations of EEG arousals, respiratory events (apneas and hypopneas) and sleep stages, also considering different input signal montage configurations. Furthermore, we evaluate our approach using two independent datasets, assessing true-generalization effects involving local and external validation scenarios. Based on our results, we analyze and discuss our method's capabilities and its potential wide-range applicability across different settings and datasets.
- Abstract(参考訳): ポリソノグラフィー睡眠分析は、睡眠障害を正確に診断し治療するための標準的な臨床方法である。
これは、複数の睡眠イベントパターンのマニュアル識別、分類、位置を含む複雑なプロセスである。
これは複雑で、異なる種類のイベントを識別するには、信号の異なるサブセットに焦点を合わせ、その結果、複数の視覚分析パスを含む反復的な時間を要する。
本稿では,1回のパスで睡眠イベントとハイドノグラム構築を同時検出するためのマルチタスク深層学習手法を提案する。
コンピュータビジョンの分野におけるオブジェクト検出の基準的手法として,多変量時系列解析の問題,特に睡眠分析シナリオにおけるパターン検出の問題を再検討する。
本研究は,脳波覚醒,呼吸イベント(呼吸時,呼吸時,呼吸時,睡眠時)の異なる組み合わせの同定法の性能について検討し,入力信号のモンタージュの異なる構成も検討した。
さらに,本手法を2つの独立したデータセットを用いて評価し,局所的および外部的検証シナリオを含む真の一般化効果を評価する。
この結果に基づいて、異なる設定やデータセットにまたがるメソッドの機能と、潜在的に幅広い適用可能性を分析し、議論する。
関連論文リスト
- Automatic Classification of Sleep Stages from EEG Signals Using Riemannian Metrics and Transformer Networks [6.404789669795639]
睡眠医学において、被験者の睡眠の進化を評価するには、脳波(EEG)信号の高価な手作業によるスコアが伴うことが多い。
本研究では,Symmetric Definite Positive (SPD) の性質を犠牲にすることなく,学習した信号的特徴をそれらの行列に組み込む新しい方法を提案する。
論文 参考訳(メタデータ) (2024-10-18T06:49:52Z) - Meta-Learners for Partially-Identified Treatment Effects Across Multiple Environments [67.80453452949303]
観察データから条件平均治療効果(CATE)を推定することは、パーソナライズされた医療など多くの応用に関係している。
ここでは、観測データが複数の環境からやってくる広範囲な環境に焦点を当てる。
任意の機械学習モデルと組み合わせて使用可能な境界を推定するために、異なるモデルに依存しない学習者(いわゆるメタ学習者)を提案する。
論文 参考訳(メタデータ) (2024-06-04T16:31:43Z) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳(メタデータ) (2023-04-21T02:20:24Z) - Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
本稿では,時間関連メタラーニング(TAML)手法を提案する。
タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。
複数の臨床データセットに対するTAMLの有効性を示す。
論文 参考訳(メタデータ) (2023-03-05T03:54:54Z) - 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) - An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time
Series [7.675917669905486]
本稿では,異常検出・診断のための教師なし・半教師付き深層学習手法の体系的・包括的評価について述べる。
我々は、10のモデルと4のスコアリング関数のグリッドを通して、モデルエラーのモデルと後処理を変え、これらの変種を最先端の手法と比較する。
既存の評価指標は、事象を考慮に入れていないか、良い検知器と自明な検出器を区別できないかのどちらかである。
論文 参考訳(メタデータ) (2021-09-23T15:14:24Z) - Feasibility Assessment of Multitasking in MRI Neuroimaging Analysis:
Tissue Segmentation, Cross-Modality Conversion and Bias correction [3.5450828190071655]
本研究では, 組織分割, モダリティ変換, バイアス場補正など, マルチタスキングの3つの応用の可能性について検討した。
2つのよく知られたネットワーク、U-Netはよく知られた畳み込みニューラルネットワークアーキテクチャであり、条件付き生成対向ネットワークに基づくクローズドアーキテクチャを実装している。
論文 参考訳(メタデータ) (2021-05-31T14:16:28Z) - Identity and Posture Recognition in Smart Beds with Deep Multitask
Learning [8.422257363944295]
被験者とその睡眠姿勢を正確に検出できる堅牢な深層学習モデルを提案する。
喪失機能の組み合わせは、被験者と睡眠姿勢を同時に区別するために使用される。
提案するアルゴリズムは、最終的に臨床およびスマートホーム環境で使用できる。
論文 参考訳(メタデータ) (2021-04-05T21:21:54Z) - 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) - A Background-Agnostic Framework with Adversarial Training for Abnormal
Event Detection in Video [120.18562044084678]
近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。
通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
論文 参考訳(メタデータ) (2020-08-27T18:39:24Z) - RED: Deep Recurrent Neural Networks for Sleep EEG Event Detection [0.0]
我々は、リカレントイベント検出器(RED)と呼ばれる睡眠脳波イベント検出のための深層学習手法を提案する。
REDは2つの入力表現のうちの1つを使用している:a) 時間領域のEEG信号、またはb) 連続ウェーブレット変換(CWT)で得られる信号の複素スペクトル。
MASSデータセットで評価すると、我々の検出器は、それぞれ80.9%と82.6%の平均F1スコアで睡眠スピンドルとK-プレプレックス検出の両方において、技術の現状より優れています。
論文 参考訳(メタデータ) (2020-05-15T21:48:26Z)
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。