論文の概要: Energy-Efficient Real-Time 4-Stage Sleep Classification at 10-Second Resolution: A Comprehensive Study

• arxiv url: http://arxiv.org/abs/2508.11664v1
• Date: Wed, 06 Aug 2025 06:45:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-24 10:27:26.488025
• Title: Energy-Efficient Real-Time 4-Stage Sleep Classification at 10-Second Resolution: A Comprehensive Study
• Title（参考訳）: 10秒分解能におけるエネルギー効率の良いリアルタイム4段階睡眠分類:総合的研究
• Authors: Zahra Mohammadi, Parnian Fazel, Siamak Mohammadi,
• Abstract要約: 睡眠段階分類は、睡眠時無呼吸症や不眠症などの疾患を診断し、管理するために重要である。 単誘導心電図から4つの睡眠段階を検出するエネルギー効率の高いパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sleep stage classification is crucial for diagnosing and managing disorders such as sleep apnea and insomnia. Conventional clinical methods like polysomnography are costly and impractical for long-term home use. We present an energy-efficient pipeline that detects four sleep stages (wake, REM, light, and deep) from a single-lead ECG. Two windowing strategies are introduced: (1) a 5-minute window with 30-second steps for machine-learning models that use handcrafted features, and (2) a 30-second window with 10-second steps for deep-learning models, enabling near-real-time 10-second resolution. Lightweight networks such as MobileNet-v1 reach 92 percent accuracy and 91 percent F1-score but still draw significant energy. We therefore design SleepLiteCNN, a custom model that achieves 89 percent accuracy and 89 percent F1-score while lowering energy use to 5.48 microjoules per inference at 45 nm. Applying eight-bit quantization preserves accuracy and further reduces power, and FPGA deployment confirms low resource usage. The proposed system offers a practical solution for continuous, wearable ECG-based sleep monitoring.
• Abstract（参考訳）: 睡眠段階分類は、睡眠時無呼吸症や不眠症などの疾患を診断し、管理するために重要である。 ポリソムノグラフィーのような従来の臨床手法は、長期の家庭での使用には費用がかかり、実用的ではない。 単葉心電図から4つの睡眠段階(覚醒,REM,光,深度)を検出するエネルギー効率の高いパイプラインを提案する。 1)手作り特徴を用いた機械学習モデルの5分ウィンドウと,(2)ディープラーニングモデルの10秒ステップを備えた30秒ウィンドウと,ほぼリアルタイムな10秒解像度を実現する。 MobileNet-v1のような軽量ネットワークは92%の精度と91%のF1スコアを達成したが、それでもかなりのエネルギーを消費している。 そこで我々はSleepLiteCNNを設計した。これは99%の精度と99%のF1スコアを達成するカスタムモデルで、エネルギー使用量を45nmで5.48マイクロジュールに低下させる。 8ビット量子化の適用は精度を保ち、パワーをさらに削減し、FPGAデプロイメントはリソース使用率の低いことを確認する。 提案システムは連続型ウェアラブル心電図に基づく睡眠モニタリングのための実用的なソリューションを提供する。

関連論文リスト

• SleepLiteCNN: Energy-Efficient Sleep Apnea Subtype Classification with 1-Second Resolution Using Single-Lead ECG [0.0]
  睡眠時無呼吸症(Sleep apnea)は、呼吸中断が少なくとも10秒間持続し、1時間に5回以上起こるのを特徴とする一般的な睡眠障害である。 本稿では,高時間分解能のシングルリード心電図(ECG)を用いて睡眠時無呼吸サブタイプを分類するエネルギー効率のよい方法を提案する。 ウェアラブルプラットフォーム用に設計されたコンパクトでエネルギー効率の良い畳み込みニューラルネットワークであるSleepLiteCNNを紹介する。
  論文  参考訳（メタデータ） (2025-08-01T00:04:40Z)
• RestAware: Non-Invasive Sleep Monitoring Using FMCW Radar and AI-Generated Summaries [0.0]
  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。
  論文  参考訳（メタデータ） (2025-07-10T13:10:50Z)
• Optimizing Photoplethysmography-Based Sleep Staging Models by Leveraging Temporal Context for Wearable Devices Applications [0.0]
  最先端の睡眠ステージング手法では、長期間の連続的な信号取得が必要であり、高エネルギー消費のためウェアラブルデバイスでは実用的ではない。 本研究では,トップパフォーマンスの最先端手法に基づく適応型睡眠ステージングモデルを提案し,その性能を異なるセグメントサイズで評価する。
  論文  参考訳（メタデータ） (2024-10-01T13:47:42Z)
• EdgeOL: Efficient in-situ Online Learning on Edge Devices [51.86178757050963]
  予測精度、微調整実行時間、エネルギー効率を最適化するエッジオンライン学習フレームワークであるEdgeOLを提案する。 実験結果から、EdgeOLは、全体の微調整実行時間を64%削減し、エネルギー消費を52%削減し、オンラインの即時学習戦略よりも平均推定精度を1.75%向上させることがわかった。
  論文  参考訳（メタデータ） (2024-01-30T02:41:05Z)
• 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)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• ECG-TCN: Wearable Cardiac Arrhythmia Detection with a Temporal Convolutional Network [14.503893070243585]
  シングルリード心電図信号は、心不整脈を検出、分類、予測する能力を提供する。 ウェアラブルプラットフォームでの利用が可能でありながら、高い精度を実現する新しい時間的畳み込みネットワーク(TCN)を提案します。
  論文  参考訳（メタデータ） (2021-03-25T10:39:54Z)
• Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
  本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。 また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
  論文  参考訳（メタデータ） (2020-10-22T12:32:29Z)
• 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)
• Improving Efficiency in Large-Scale Decentralized Distributed Training [58.80224380923698]
  通信コストを最小化しつつ、スペクトルギャップを改善して(A)D-PSGDに基づくトレーニングを加速する手法を提案する。 提案手法の有効性を示すために,2000時間Switchboard音声認識タスクとImageNetコンピュータビジョンタスクの実験を行った。
  論文  参考訳（メタデータ） (2020-02-04T04:29:09Z)
• 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。