論文の概要: RestAware: Non-Invasive Sleep Monitoring Using FMCW Radar and AI-Generated Summaries

• arxiv url: http://arxiv.org/abs/2508.00848v1
• Date: Thu, 10 Jul 2025 13:10:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-17 07:58:47.024374
• Title: RestAware: Non-Invasive Sleep Monitoring Using FMCW Radar and AI-Generated Summaries
• Title（参考訳）: RestAware: FMCWレーダとAI生成サプライヤーを用いた非侵襲型睡眠モニタリング
• Authors: Agniva Banerjee, Bhanu Partap Paregi, Haroon R. Lone,
• Abstract要約: RestAwareは24GHzの周波数変調連続波(FMCW)レーダーに基づく非侵襲無接触睡眠監視システムである。 8回の睡眠姿勢で25名を対象に評価を行い,92%の分類精度,F1スコア0。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Monitoring sleep posture and behavior is critical for diagnosing sleep disorders and improving overall sleep quality. However, traditional approaches, such as wearable devices, cameras, and pressure sensors, often compromise user comfort, fail under obstructions like blankets, and raise privacy concerns. To overcome these limitations, we present RestAware, a non-invasive, contactless sleep monitoring system based on a 24GHz frequency-modulated continuous wave (FMCW) radar. Our system is evaluated on 25 participants across eight common sleep postures, achieving 92% classification accuracy and an F1-score of 0.91 using a K-Nearest Neighbors (KNN) classifier. In addition, we integrate instruction-tuned large language models (Mistral, Llama, and Falcon) to generate personalized, human-readable sleep summaries from radar-derived posture data. This low-cost ($ 35), privacy-preserving solution offers a practical alternative for real-time deployment in smart homes and clinical environments.
• Abstract（参考訳）: 睡眠姿勢と行動のモニタリングは、睡眠障害を診断し、全体的な睡眠品質を改善するために重要である。 しかし、ウェアラブルデバイス、カメラ、圧力センサーといった従来のアプローチは、しばしばユーザーの快適性を損なうことがあり、毛布のような障害の下で失敗し、プライバシーの懸念を高める。 この制限を克服するため,24GHz帯周波数変調連続波レーダを用いた非侵襲非接触型睡眠監視システムであるRestAwareを提案する。 K-Nearest Neighbors (KNN) 分類器を用いたF1スコアは92%, F1スコアは0.91であった。 さらに、レーダーによる姿勢データから、命令調整された大規模言語モデル(Mistral、Llama、Falcon)を統合して、パーソナライズされた人間可読睡眠サマリーを生成する。 この低価格のプライバシ保護ソリューションは、スマートホームや臨床環境へのリアルタイムデプロイに実用的な代替手段を提供する。

関連論文リスト

• Automated Vigilance State Classification in Rodents Using Machine Learning and Feature Engineering [1.5390962520179197]
  本研究では,脳波記録(EEG)を小げっ歯類に分類するために,Team Neural Prognosticatorsによって開発された自動フレームワークを提案する。 このシステムは、高度な信号処理と機械学習を統合し、時間領域と周波数領域の両方のエンジニアリングされた特徴を活用する。 XGBoostモデルは、全体的な精度91.5%、精度86.8%、リコール81.2%、F1スコア83.5%を達成し、全てのベースライン法を上回った。
  論文  参考訳（メタデータ） (2025-07-08T19:08:57Z)
• A deep learning-enabled smart garment for accurate and versatile sleep conditions monitoring in daily life [2.8587098692786905]
  位置決めや皮膚調製の必要なしに局所的な皮膚ひずみ信号を捕捉する,洗濯可能な皮膚適合型スマートスリープ監視システムについて報告する。 印刷された繊維系ひずみセンサアレイは、ゲージ係数を最大100で0.1%から10%のひずみに応答する。 スマートウェアは6つの睡眠状態を98.6%の精度で分類することができ、クラス当たり15サンプル未満の新規ユーザに対して優れた説明性(バイアスの少ない分類)と一般化精度を維持することができる。
  論文  参考訳（メタデータ） (2024-08-01T17:56:25Z)
• Thermal Imaging and Radar for Remote Sleep Monitoring of Breathing and Apnea [42.00356210257671]
  睡眠モニタリングのためのレーダとサーマルイメージングの初回比較を行った。 熱画像法では,0.99,精度0.68,リコール0.74,F1スコア0.71,クラス内相関0.73が検出された。 マルチモーダル・セットアップを活用して閉塞性および中枢性睡眠時無呼吸を分類するための新しい提案を提案する。
  論文  参考訳（メタデータ） (2024-07-16T17:26:50Z)
• 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)
• In-Bed Person Monitoring Using Thermal Infrared Sensors [53.561797148529664]
  パナソニックグリッド(Panasonic Grid-EYE)は、低解像度の赤外線サーモパイルアレイセンサーで、よりプライバシーを提供する。 この目的のために、2つのデータセットが取得され、1つ (480 画像) は一定条件で、もう1つ (200 画像) は異なるバリエーションで取得された。 我々は、SVM(Support Vector Machines)、k-Nearest Neighbors(k-NN)、Neural Network(NN)の3つの機械学習アルゴリズムをテストする。
  論文  参考訳（メタデータ） (2021-07-16T15:59:07Z)
• Classification Of Sleep-Wake State In A Ballistocardiogram System Based On Deep Learning [1.4680035572775534]
  本稿では,マルチヘッド1次元畳み込みに基づくディープニューラルネットワークを提案し,睡眠覚醒状態を正確に予測する。 睡眠覚醒分類スコアは95.5%であり,PSGシステムに基づく研究と同等である。
  論文  参考訳（メタデータ） (2020-11-11T03:38:33Z)
• 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)
• REST: Robust and Efficient Neural Networks for Sleep Monitoring in the Wild [62.36144064259933]
  ニューラルネットワークの逆トレーニングとLipschitz定数の制御を通じて、両問題に同時に対処する新しい方法であるRESTを提案する。 私たちは、RESTがノイズの存在下で、オリジナルのフルサイズのモデルを大幅に上回る、ロバストで効率的なモデルを生成することを実証しています。 これらのモデルをスマートフォン上のAndroidアプリケーションにデプロイすることにより、RESTによってモデルが最大17倍のエネルギー削減と9倍高速な推論を達成することができることを定量的に観察する。
  論文  参考訳（メタデータ） (2020-01-29T17:23:16Z)

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。