論文の概要: A robust generalizable device-agnostic deep learning model for sleep-wake determination from triaxial wrist accelerometry

• arxiv url: http://arxiv.org/abs/2512.01986v1
• Date: Mon, 01 Dec 2025 18:43:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:35.025515
• Title: A robust generalizable device-agnostic deep learning model for sleep-wake determination from triaxial wrist accelerometry
• Title（参考訳）: 3軸手首加速度計による睡眠覚醒判定のための頑健な一般化可能なデバイス非依存ディープラーニングモデル
• Authors: Nasim Montazeri, Stone Yang, Dominik Luszczynski, John Zhang, Dharmendra Gurve, Andrew Centen, Maged Goubran, Andrew Lim,
• Abstract要約: 我々は三軸加速度計から睡眠覚醒を検出するための頑健な深層学習モデルを開発した。 睡眠障害と非睡眠障害をともなう多年齢の成人において,3種類の装置で有効性を評価した。
• 参考スコア（独自算出の注目度）: 0.816568176049513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Study Objectives: Wrist accelerometry is widely used for inferring sleep-wake state. Previous works demonstrated poor wake detection, without cross-device generalizability and validation in different age range and sleep disorders. We developed a robust deep learning model for to detect sleep-wakefulness from triaxial accelerometry and evaluated its validity across three devices and in a large adult population spanning a wide range of ages with and without sleep disorders. Methods: We collected wrist accelerometry simultaneous to polysomnography (PSG) in 453 adults undergoing clinical sleep testing at a tertiary care sleep laboratory, using three devices. We extracted features in 30-second epochs and trained a 3-class model to detect wake, sleep, and sleep with arousals, which was then collapsed into wake vs. sleep using a decision tree. To enhance wake detection, the model was specifically trained on randomly selected subjects with low sleep efficiency and/or high arousal index from one device recording and then tested on the remaining recordings. Results: The model showed high performance with F1 Score of 0.86, sensitivity (sleep) of 0.87, and specificity (wakefulness) of 0.78, and significant and moderate correlation to PSG in predicting total sleep time (R=0.69) and sleep efficiency (R=0.63). Model performance was robust to the presence of sleep disorders, including sleep apnea and periodic limb movements in sleep, and was consistent across all three models of accelerometer. Conclusions: We present a deep model to detect sleep-wakefulness from actigraphy in adults with relative robustness to the presence of sleep disorders and generalizability across diverse commonly used wrist accelerometers.
• Abstract（参考訳）: Study Objectives: Wrist accelerometry は睡眠覚醒状態の推測に広く用いられている。 以前の研究では、デバイス横断の一般化性がなく、年齢や睡眠障害の検証が困難であった。 我々は三軸加速度計から睡眠覚醒を検出するための頑健な深層学習モデルを開発し,その妥当性を3つの装置で評価した。 方法: 3種類の装置を用いて, 臨床睡眠検査を施行した453名の成人に, ポリソムノグラフィ(PSG)を併用した手首加速度計を採取した。 30秒間における特徴を抽出し, 覚醒, 睡眠, 覚醒を検知する3クラスモデルを訓練し, 決定木を用いて覚醒と睡眠を比較検討した。 覚醒検出の精度を高めるため, ランダムに選択した被験者に対して, 睡眠効率が低く, 覚醒率が高い被験者を対象に, 実験を行い, 実験を行った。 結果: F1スコア0.86, 感度0.87, 特異性(覚醒度)0.78, 総睡眠時間(R=0.69)と睡眠効率(R=0.63)の予測においてPSGと有意かつ適度な相関を示した。 モデル性能は睡眠時無呼吸や睡眠時の周期的な手足の動きを含む睡眠障害の存在に対して堅牢であり、加速度計の3つのモデルで一致していた。 結語: 成人の睡眠覚醒度と睡眠障害の有無, および各種手首加速度計の一般化性から, 睡眠覚醒度を検出するための深層モデルを提案する。

関連論文リスト

• 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)
• A Systematic Review on Sleep Stage Classification and Sleep Disorder Detection Using Artificial Intelligence [0.0]
  本研究は,近年の文献を包括的かつ体系的にレビューし,睡眠研究における様々なアプローチとその成果を分析することを目的としている。 このレビューでは、最初183の論文が異なる雑誌から選ばれ、そのうち80の論文が2016年から2023年まで、明示的なレビューのために登録された。 脳波は、睡眠ステージングや障害研究に最もよく用いられる身体パラメータである。
  論文  参考訳（メタデータ） (2024-05-17T11:09:33Z)
• Clustering and Data Augmentation to Improve Accuracy of Sleep Assessment and Sleep Individuality Analysis [1.9662978733004597]
  本研究の目的は,就寝時の頻繁な動きによる睡眠不足など,エビデンスに基づく評価を提供する機械学習ベースの睡眠評価モデルを構築することである。 睡眠音イベントの抽出,VAEを用いた潜時表現の抽出,GMMによるクラスタリング,主観的睡眠評価のためのLSTMトレーニングは94.8%の精度で睡眠満足度を識別した。
  論文  参考訳（メタデータ） (2024-04-16T05:56:41Z)
• 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)
• 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。