論文の概要: Feasibility of In-Ear Single-Channel ExG for Wearable Sleep~Monitoring in Real-World Settings

• arxiv url: http://arxiv.org/abs/2509.07896v1
• Date: Tue, 09 Sep 2025 16:27:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.39926
• Title: Feasibility of In-Ear Single-Channel ExG for Wearable Sleep~Monitoring in Real-World Settings
• Title（参考訳）: ウェアラブル睡眠における海中シングルチャネルExGの有用性 -実環境におけるモニタリング-
• Authors: Philipp Lepold, Jonas Leichtle, Tobias Röddiger, Michael Beigl,
• Abstract要約: ウェアラブルデバイスにおける自動睡眠ステージングのための単一チャネル内電気生理学的信号(ExG)について検討した。 両睡眠検出の精度は90.5%(Awake vs. Asleep)と4クラスステージ(Awake, REM, Core, Deep)で65.1%(Awake, REM, Core, Deep)であった。
• 参考スコア（独自算出の注目度）: 5.212315750411577
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic sleep staging typically relies on gold-standard EEG setups, which are accurate but obtrusive and impractical for everyday use outside sleep laboratories. This limits applicability in real-world settings, such as home environments, where continuous, long-term monitoring is needed. Detecting sleep onset is particularly relevant, enabling consumer applications (e.g. automatically pausing media playback when the user falls asleep). Recent research has shown correlations between in-ear EEG and full-scalp EEG for various phenomena, suggesting wearable, in-ear devices could allow unobtrusive sleep monitoring. We investigated the feasibility of using single-channel in-ear electrophysiological (ExG) signals for automatic sleep staging in a wearable device by conducting a sleep study with 11~participants (mean age: 24), using a custom earpiece with a dry eartip electrode (D\"atwyler SoftPulse) as a measurement electrode in one ear and a reference in the other. Ground truth sleep stages were obtained from an Apple Watch Ultra, validated for sleep staging. Our system achieved 90.5% accuracy for binary sleep detection (Awake vs. Asleep) and 65.1% accuracy for four-class staging (Awake, REM, Core, Deep) using leave-one-subject-out validation. These findings demonstrate the potential of in-ear electrodes as a low-effort, comfortable approach to sleep monitoring, with applications such as stopping podcasts when users fall asleep.
• Abstract（参考訳）: 自動睡眠ステージリングは通常、ゴールド標準の脳波設定に依存しており、これは正確だが、日常的な睡眠実験室の外での使用には不実用である。 これにより、継続的な長期監視が必要なホーム環境などの実環境設定の適用性が制限される。 睡眠開始を検出することは特に重要であり、消費者アプリケーションを可能にする(例えば、ユーザーが眠りに落ちたときに自動的にメディア再生を一時停止する)。 最近の研究では、様々な現象に対する脳波と全脳波の相関が示されている。 一方の耳にドライイヤーチップ電極(D\atwyler SoftPulse)を装着したカスタムイヤピースを測定電極とし、他方の耳に基準を設けて、11〜参加者(平均年齢:24歳)による睡眠調査を行い、ウェアラブルデバイスにおける睡眠自動ステージングのための単チャンネル式電気生理学的信号(ExG)の有用性を検討した。 睡眠段階はApple Watch Ultraから取得し、睡眠段階の検証を行った。 両睡眠検出の精度は90.5%(Awake vs. Asleep)と4クラスステージ(Awake, REM, Core, Deep)で65.1%(Awake, REM, Core, Deep)であった。 これらの知見は、ユーザーが睡眠中にポッドキャストを停止するなど、睡眠監視に対する低益で快適なアプローチとして、耳内電極の可能性を示している。

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)
• 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)
• SleepMore: Sleep Prediction at Scale via Multi-Device WiFi Sensing [0.0]
  本研究では,ユーザのWiFiネットワーク上での機械学習に基づく,正確な睡眠追跡手法であるSleepMoreを提案する。 46人の大学生を対象とした1ヶ月にわたるユーザー調査データを用いて、SleepMoreを検証し、Oura Ringウェアラブルと比較した。 以上の結果から,SleepMoreは,5%の不確かさ率以内の予測のために,Ouraリングベースラインから統計的に識別不能な睡眠統計を発生させることが示された。
  論文  参考訳（メタデータ） (2022-10-24T16:42:56Z)
• Development of Sleep State Trend (SST), a bedside measure of neonatal sleep state fluctuations based on single EEG channels [0.0]
  新生児集中治療室における睡眠状態変動の自動モニタリング法の開発と評価を行った。 ディープラーニングに基づくアルゴリズムは、30人の新生児の長期(a)EEGモニタリングから53のEEG記録を設計し、訓練した。 トレーニングデータにおける静電睡眠検出の精度は90%で,4電極記録から得られる全双極性導出の精度は85～86%と同等であった。
  論文  参考訳（メタデータ） (2022-08-25T08:36:44Z)
• Using Ballistocardiography for Sleep Stage Classification [2.360019611990601]
  睡眠ステージ検出の現在の方法は高価で、人の睡眠に侵入し、現代の家庭では実用的ではない。 バリスト心電図(英: Ballistocardiography、BCG)は、心臓が生み出す弾道力を測定することで情報を収集する非侵襲的なセンシング技術である。 本稿では,Fitbit Sense Smart Watchから抽出した睡眠ステージと,睡眠ステージ検出アルゴリズムを実装して比較する。
  論文  参考訳（メタデータ） (2022-02-02T14:02:48Z)
• 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)
• 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)
• WiSleep: Scalable Sleep Monitoring and Analytics Using Passive WiFi Sensing [0.0]
  WiSleepは、WiFiインフラから受動的に感知されるスマートフォンネットワーク接続を使用した睡眠監視および分析プラットフォームである。 本研究では,睡眠時間と覚醒時間を予測するため,ベイズ変化点検出の教師なしアンサンブルモデルを提案する。 WiSleepは、単一のコモディティサーバ上で2万人のユーザからのデータを処理することができ、サーバ要求の少ない大規模なキャンパスにスケールできることを示す。
  論文  参考訳（メタデータ） (2021-02-07T00:05:14Z)
• 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)

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。