論文の概要: Multimodal Sleep Stage and Sleep Apnea Classification Using Vision Transformer: A Multitask Explainable Learning Approach

• arxiv url: http://arxiv.org/abs/2502.17486v1
• Date: Tue, 18 Feb 2025 15:48:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 02:21:19.539655
• Title: Multimodal Sleep Stage and Sleep Apnea Classification Using Vision Transformer: A Multitask Explainable Learning Approach
• Title（参考訳）: 視覚変換器を用いたマルチモーダル睡眠ステージと睡眠時無呼吸分類:マルチタスク説明型学習アプローチ
• Authors: Kianoosh Kazemi, Iman Azimi, Michelle Khine, Rami N. Khayat, Amir M. Rahmani, Pasi Liljeberg,
• Abstract要約: 睡眠段階と睡眠障害の同時分類のための1D-Vision Transformerを提案する。 提案手法は,5段階睡眠分類では78% (0.66) ,睡眠時無呼吸分類では74% (0.58) の総合的精度を示した。
• 参考スコア（独自算出の注目度）: 1.7765306045990206
• License:
• Abstract: Sleep is an essential component of human physiology, contributing significantly to overall health and quality of life. Accurate sleep staging and disorder detection are crucial for assessing sleep quality. Studies in the literature have proposed PSG-based approaches and machine-learning methods utilizing single-modality signals. However, existing methods often lack multimodal, multilabel frameworks and address sleep stages and disorders classification separately. In this paper, we propose a 1D-Vision Transformer for simultaneous classification of sleep stages and sleep disorders. Our method exploits the sleep disorders' correlation with specific sleep stage patterns and performs a simultaneous identification of a sleep stage and sleep disorder. The model is trained and tested using multimodal-multilabel sensory data (including photoplethysmogram, respiratory flow, and respiratory effort signals). The proposed method shows an overall accuracy (cohen's Kappa) of 78% (0.66) for five-stage sleep classification and 74% (0.58) for sleep apnea classification. Moreover, we analyzed the encoder attention weights to clarify our models' predictions and investigate the influence different features have on the models' outputs. The result shows that identified patterns, such as respiratory troughs and peaks, make a higher contribution to the final classification process.
• Abstract（参考訳）: 睡眠は人間の生理学の重要な要素であり、全体の健康と生活の質に大きく貢献する。 正確な睡眠ステージングと障害検出は、睡眠の質を評価するために重要である。 この論文では,PSGに基づくアプローチと,単一モダリティ信号を用いた機械学習手法が提案されている。 しかし,既存の手法では,睡眠段階と障害を別々に分類するマルチモーダル・マルチラベル・フレームワークが欠如していることが多い。 本稿では,睡眠段階と睡眠障害の同時分類のための1D-Vision Transformerを提案する。 本手法は睡眠障害と特定の睡眠ステージパターンとの相関を利用して,睡眠ステージと睡眠障害の同時同定を行う。 このモデルは、マルチモーダル・マルチラベル感覚データ(光胸腺図、呼吸流、呼吸活動信号を含む)を用いて訓練され、試験される。 提案手法は,5段階睡眠分類では78% (0.66) ,睡眠時無呼吸分類では74% (0.58) の総合的精度を示した。 さらに,エンコーダの注意重みを解析して,モデルの予測を明らかにするとともに,モデル出力に異なる特徴が与える影響について検討した。 その結果,呼吸トラフやピークなどの特定パターンは,最終分類過程に高い寄与を示すことが明らかとなった。

関連論文リスト

• What Radio Waves Tell Us about Sleep [34.690382091650314]
  本研究では、睡眠中の人から反射される電波からの睡眠と夜間呼吸を受動的にモニタリングする高度な機械学習アルゴリズムを開発した。 睡眠時無呼吸(AUROC=0.88)を検知し,睡眠時無呼吸を検知した。 このモデルは、睡眠段階と、神経、精神医学、循環器、免疫疾患を含む様々な疾患の間の情報的相互作用を明らかにする。
  論文  参考訳（メタデータ） (2024-05-20T02:41:21Z)
• Multimodal Sleep Apnea Detection with Missing or Noisy Modalities [1.3518297878940662]
  本研究では,睡眠時無呼吸検出を行う際の欠損や雑音を補うことを目的とした包括的パイプラインを提案する。 本実験は,睡眠時無呼吸の検出において,提案モデルが他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-24T16:29:36Z)
• Domain Invariant Representation Learning and Sleep Dynamics Modeling for Automatic Sleep Staging [6.86283473936335]
  ニューラルネットワークに基づく睡眠ステージングモデルDREAMを提案し,生理的信号とモデル睡眠ダイナミクスから領域一般化表現を学習する。 DREAMは、様々な被験者の睡眠信号から睡眠関連および被写体不変表現を学習し、シーケンシャル信号セグメントと睡眠ステージ間の相互作用を捉えて睡眠ダイナミクスをモデル化する。 睡眠ステージ予測実験,ケーススタディ,ラベルなしデータの使用,不確実性など,DREAMの優位性を示すための総合的な実証的研究を行った。
  論文  参考訳（メタデータ） (2023-12-06T00:28:08Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Sleep Stage Classification Using a Pre-trained Deep Learning Model [0.0]
  EEGMobileは脳波の脳波スペクトログラムから学習する機械学習モデルである。 このモデルは"Sleep-EDF20"と呼ばれる公開データセットで86.97%の精度を達成し、他の研究者によって提案されたモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-09-12T23:02:19Z)
• 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)
• Heterogeneous Hidden Markov Models for Sleep Activity Recognition from Multi-Source Passively Sensed Data [67.60224656603823]
  精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。 睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。 スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
  論文  参考訳（メタデータ） (2022-11-08T17:29:40Z)
• Continual learning benefits from multiple sleep mechanisms: NREM, REM, and Synaptic Downscaling [51.316408685035526]
  先行学習を失うことなく、新しいタスクやスキルを連続して学習することは、人工ニューラルネットワークと生物学的ニューラルネットワークの両方にとって、計算上の課題である。 本稿では,3つの異なる睡眠成分のモデル化が,人工ニューラルネットワークの連続学習にどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2022-09-09T13:45:27Z)
• 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)

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。