論文の概要: SleepGMUformer: A gated multimodal temporal neural network for sleep staging

• arxiv url: http://arxiv.org/abs/2502.14227v1
• Date: Thu, 20 Feb 2025 03:42:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-21 14:29:05.943660
• Title: SleepGMUformer: A gated multimodal temporal neural network for sleep staging
• Title（参考訳）: SleepGMUformer:スリープステージングのための多モーダル時間ニューラルネットワーク
• Authors: Chenjun Zhao, Xuesen Niu, Xinglin Yu, Long Chen, Na Lv, Huiyu Zhou, Aite Zhao,
• Abstract要約: 本稿では、WristHR-Motion-SleepおよびSleepEDF-78の心拍、運動、ステップ、脳波(Fpz-Cz、Pz-Oz)、EOGを含む多ドメイン睡眠データのためのゲート型時空間ニューラルネットワークを提案する。 1)機能アライメント、値ハンドリングの欠如、EEGデトレクションのための前処理モジュール、2)時間次元における複雑な睡眠特徴のための特徴抽出モジュール、3)リアルタイムなモータリティ重み付けのための動的融合モジュール。
• 参考スコア（独自算出の注目度）: 12.839348425917581
• License:
• Abstract: Sleep staging is a key method for assessing sleep quality and diagnosing sleep disorders. However, current deep learning methods face challenges: 1) postfusion techniques ignore the varying contributions of different modalities; 2) unprocessed sleep data can interfere with frequency-domain information. To tackle these issues, this paper proposes a gated multimodal temporal neural network for multidomain sleep data, including heart rate, motion, steps, EEG (Fpz-Cz, Pz-Oz), and EOG from WristHR-Motion-Sleep and SleepEDF-78. The model integrates: 1) a pre-processing module for feature alignment, missing value handling, and EEG de-trending; 2) a feature extraction module for complex sleep features in the time dimension; and 3) a dynamic fusion module for real-time modality weighting.Experiments show classification accuracies of 85.03% on SleepEDF-78 and 94.54% on WristHR-Motion-Sleep datasets. The model handles heterogeneous datasets and outperforms state-of-the-art models by 1.00%-4.00%.
• Abstract（参考訳）: 睡眠ステージングは、睡眠の質を評価し、睡眠障害を診断するための重要な方法である。 しかし、現在のディープラーニング手法は課題に直面している。 1) 輸液後の技術は,異なるモダリティの様々な貢献を無視する。 2)未処理睡眠データは周波数領域情報に干渉することができる。 これらの課題に対処するために、WristHR-Motion-SleepとSleepEDF-78の心拍、運動、ステップ、脳波(Fpz-Cz、Pz-Oz)、EOGを含む多ドメイン睡眠データのためのゲート型マルチモーダル時間的ニューラルネットワークを提案する。 モデルは以下のようになる。 1) 特徴整合,価値ハンドリングの欠如,及び脳波復調のための前処理モジュール 2)時空間における複雑な睡眠特徴を抽出するための特徴抽出モジュール,及び 3) リアルタイムモード重み付けのための動的融合モジュール。実験では、SleepEDF-78では85.03%、WristHR-Motion-Sleepデータセットでは94.54%の分類精度を示した。 このモデルは異種データセットを処理し、最先端のモデルを1.00%-4.00%上回る。

関連論文リスト

• 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)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• 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)
• A Closed-loop Sleep Modulation System with FPGA-Accelerated Deep Learning [1.5569382274788235]
  我々は,低消費電力フィールドプログラマブルゲートアレイ(FPGA)デバイス上でのクローズドループ操作をサポートする睡眠変調システムを開発した。 ディープラーニング(DL)モデルは、低消費電力のフィールドプログラマブルゲートアレイ(FPGA)デバイスによって加速される。 81名の被験者を含む公衆睡眠データベースを用いて、85.8%の最先端の分類精度とF1スコアの79%の精度でモデルが検証されている。
  論文  参考訳（メタデータ） (2022-11-19T01:47:53Z)
• Sleep Staging Based on Serialized Dual Attention Network [0.0]
  生の脳波に基づく深層学習モデルSDANを提案する。 チャネルアテンションと空間アテンション機構を連続的に組み合わせて、キー情報をフィルタリングしハイライトする。 他の方法と比較して、N1睡眠期において優れた結果が得られる。
  論文  参考訳（メタデータ） (2021-07-18T13:18:12Z)
• Sleep syndromes onset detection based on automatic sleep staging algorithm [0.0]
  高速フーリエ変換は、脳波記録の30秒間のエポックに応用され、局所的な時間周波数情報を提供する。 深層畳み込みLSTMニューラルネットワークは睡眠段階分類のために訓練されている。 コード評価の結果、精度は86.43、精度は77.76、リコールは93,32, F1スコアは89.12、最終誤差は0.09だった。
  論文  参考訳（メタデータ） (2021-07-07T15:38:47Z)
• 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)
• AutoHR: A Strong End-to-end Baseline for Remote Heart Rate Measurement with Neural Searching [76.4844593082362]
  既存のエンド・ツー・エンドのネットワークが難易度が低い理由を考察し,アーキテクチャ・サーチ(NAS)を用いたリモートHR計測のための強力なベースラインを確立する。 総合的な実験は、時間内テストとクロスデータセットテストの両方で3つのベンチマークデータセットで実施される。
  論文  参考訳（メタデータ） (2020-04-26T05:43:21Z)

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。