Fugu-MT 論文翻訳(概要): Sleep Position Classification using Transfer Learning for Bed-based Pressure Sensors

論文の概要: Sleep Position Classification using Transfer Learning for Bed-based Pressure Sensors

arxiv url: http://arxiv.org/abs/2505.08111v1
Date: Mon, 12 May 2025 22:54:03 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-14 20:57:54.356232
Title: Sleep Position Classification using Transfer Learning for Bed-based Pressure Sensors
Title（参考訳）: 移動学習を用いたベッド型圧力センサの睡眠位置分類
Authors: Olivier Papillon, Rafik Goubran, James Green, Julien Larivière-Chartier, Caitlin Higginson, Frank Knoefel, Rébecca Robillard,
Abstract要約: ベッドベースの感圧マット(PSM)は、睡眠中の患者を監視する非侵襲的な方法を提供する。睡眠クリニックのマットレスの下に置かれたPSMから収集したデータを用いた4方向睡眠位置分類に焦点を当てた。
参考スコア（独自算出の注目度）: 0.06282171844772422
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Bed-based pressure-sensitive mats (PSMs) offer a non-intrusive way of monitoring patients during sleep. We focus on four-way sleep position classification using data collected from a PSM placed under a mattress in a sleep clinic. Sleep positions can affect sleep quality and the prevalence of sleep disorders, such as apnea. Measurements were performed on patients with suspected sleep disorders referred for assessments at a sleep clinic. Training deep learning models can be challenging in clinical settings due to the need for large amounts of labeled data. To overcome the shortage of labeled training data, we utilize transfer learning to adapt pre-trained deep learning models to accurately estimate sleep positions from a low-resolution PSM dataset collected in a polysomnography sleep lab. Our approach leverages Vision Transformer models pre-trained on ImageNet using masked autoencoding (ViTMAE) and a pre-trained model for human pose estimation (ViTPose). These approaches outperform previous work from PSM-based sleep pose classification using deep learning (TCN) as well as traditional machine learning models (SVM, XGBoost, Random Forest) that use engineered features. We evaluate the performance of sleep position classification from 112 nights of patient recordings and validate it on a higher resolution 13-patient dataset. Despite the challenges of differentiating between sleep positions from low-resolution PSM data, our approach shows promise for real-world deployment in clinical settings
Abstract（参考訳）: ベッドベースの感圧マット(PSM)は、睡眠中の患者を監視する非侵襲的な方法を提供する。睡眠クリニックのマットレスの下に置かれたPSMから収集したデータを用いた4方向睡眠位置分類に焦点を当てた。睡眠姿勢は睡眠の質や無呼吸など睡眠障害の頻度に影響を与える可能性がある。睡眠障害の疑いのある患者を対象に, 睡眠クリニックでの評価を行った。大量のラベル付きデータを必要とするため、臨床環境でのディープラーニングモデルのトレーニングは難しい場合がある。ラベル付きトレーニングデータの不足を克服するため,我々は移動学習を用いて事前学習した深層学習モデルを適用し,ポリソノグラフィー睡眠実験室で収集した低分解能PSMデータセットから睡眠位置を正確に推定する。提案手法では, マスク付きオートエンコーディング(ViTMAE)と人間のポーズ推定(ViTPose)の事前トレーニングモデルを用いて, ImageNet上で事前学習したビジョントランスフォーマーモデルを利用する。これらのアプローチは、エンジニアリング機能を使用した従来の機械学習モデル(SVM、XGBoost、ランダムフォレスト)と同様に、ディープラーニング(TCN)を使用したPSMベースのスリープポーズ分類による以前の作業よりも優れています。 112夜の患者記録から睡眠位置分類を行い,高分解能13患者データセットで評価した。低分解能PSMデータから睡眠位置を区別することの課題にもかかわらず、我々のアプローチは臨床現場での実際の展開を約束している。

関連論文リスト

PSDNorm: Test-Time Temporal Normalization for Deep Learning on EEG Signals [63.05435596565677]
PSDNormは、Mongeマッピングと時間コンテキストを活用して、ディープラーニングモデルでフィーチャーマップを正規化するレイヤである。 PSDNormは、トレーニング中に見えないデータセットのテスト時間における最先端のパフォーマンスを達成する。 PSDNormはロバスト性を大幅に改善し、20%の難題でF1スコアを著しく高めている。
論文参考訳（メタデータ） (2025-03-06T16:20:25Z)
Day-Night Adaptation: An Innovative Source-free Adaptation Framework for Medical Image Segmentation [51.520294290813865]
そこで我々は,DyNA(Day-Night Adaptation)と呼ばれる新しい適応フレームワークを提案する。日中は、各テストサンプルに凍結モデルを適用するために、低周波プロンプトが訓練される。夜間,日中から収集したテストデータを再利用し,教師モデルと学生モデルとの知識を橋渡しするグローバルな学生モデルを導入する。
論文参考訳（メタデータ） (2024-10-17T12:02:29Z)
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)
Sleep Model -- A Sequence Model for Predicting the Next Sleep Stage [18.059360820527687]
単チャンネル脳波(EEG)、脳電図(EOG)、筋電図(EMG)、心電図(ECG)などの単純なセンサーを用いた睡眠段階分類が注目されている。本研究では、次の睡眠段階を予測する睡眠モデルを提案し、睡眠分類精度を向上させるために使用した。
論文参考訳（メタデータ） (2023-02-17T07:37:54Z)
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)
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)
Personalised recommendations of sleep behaviour with neural networks using sleep diaries captured in Sleepio [11.243440695021567]
Big Healthと共同で、私たちは401,174回の睡眠日記のランダムなサンプルからデータを分析しました。個人の睡眠行動と睡眠の質をパーソナライズされた方法でモデル化するニューラルネットワークを構築した。ニューラルネットワークは、ユーザーがどの睡眠習慣に従うべきかをパーソナライズしたレコメンデーションを生成し、睡眠の質を最大化する。
論文参考訳（メタデータ） (2022-07-29T18:29:05Z)
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)
RobustSleepNet: Transfer learning for automated sleep staging at scale [0.0]
睡眠障害の診断は、PSG(polysomnography)レコードの分析に依存する。実際には、睡眠ステージ分類は、ポリソムノグラフィー信号の30秒エポックの視覚検査に依存します。我々は、任意のPSGモンタージュを扱える自動睡眠ステージ分類のためのディープラーニングモデルであるRobustSleepNetを紹介する。
論文参考訳（メタデータ） (2021-01-07T09:39:08Z)
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)

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。