論文の概要: Using Legacy Polysomnography Data to Train a Radar System to Quantify Sleep in Older Adults and People living with Dementia

• arxiv url: http://arxiv.org/abs/2601.04057v1
• Date: Wed, 07 Jan 2026 16:21:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 02:15:23.684066
• Title: Using Legacy Polysomnography Data to Train a Radar System to Quantify Sleep in Older Adults and People living with Dementia
• Title（参考訳）: 老年者および認知症高齢者の睡眠の定量化のためのレーダシステムの学習におけるレガシーポリソノグラフィーデータの利用
• Authors: M. Yin, K. G. Ravindran, C. Hadjipanayi, A. Bannon, A. Rapeaux, C. Della Monica, T. S. Lande, Derk-Jan Dijk, T. G. Constandinou,
• Abstract要約: 本研究では,レーダデータを用いた睡眠段階分類を改善するための新しい深層移動学習フレームワークを提案する。 夜間呼吸と運動信号に基づいて睡眠段階を分類するエンド・ツー・エンドニューラルネットワークを開発した。
• 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: Objective: Ultra-wideband radar technology offers a promising solution for unobtrusive and cost-effective in-home sleep monitoring. However, the limited availability of radar sleep data poses challenges in building robust models that generalize across diverse cohorts and environments. This study proposes a novel deep transfer learning framework to enhance sleep stage classification using radar data. Methods: An end-to-end neural network was developed to classify sleep stages based on nocturnal respiratory and motion signals. The network was trained using a combination of large-scale polysomnography (PSG) datasets and radar data. A domain adaptation approach employing adversarial learning was utilized to bridge the knowledge gap between PSG and radar signals. Validation was performed on a radar dataset of 47 older adults (mean age: 71.2), including 18 participants with prodromal or mild Alzheimer disease. Results: The proposed network structure achieves an accuracy of 79.5% with a Kappa value of 0.65 when classifying wakefulness, rapid eye movement, light sleep and deep sleep. Experimental results confirm that our deep transfer learning approach significantly enhances automatic sleep staging performance in the target domain. Conclusion: This method effectively addresses challenges associated with data variability and limited sample size, substantially improving the reliability of automatic sleep staging models, especially in contexts where radar data is limited. Significance: The findings underscore the viability of UWB radar as a nonintrusive, forward-looking sleep assessment tool that could significantly benefit care for older people and people with neurodegenerative disorders.
• Abstract（参考訳）: 目的:ウルトラワイドバンドレーダー技術は、控えめで費用対効果の高い家庭内睡眠監視のための有望なソリューションを提供する。 しかし、レーダー睡眠データの限られた可用性は、様々なコホートや環境にまたがるロバストなモデルを構築する上での課題となっている。 本研究では,レーダデータを用いた睡眠段階分類を改善するための新しい深層移動学習フレームワークを提案する。 方法:夜間呼吸および運動信号に基づいて睡眠段階を分類するエンド・ツー・エンドニューラルネットワークを開発した。 ネットワークは、大規模ポリソノグラフィー(PSG)データセットとレーダーデータを組み合わせて訓練された。 対角学習を用いた領域適応手法を用いて,PSGとレーダ信号の知識ギャップを埋める。 健常成人47名 (平均年齢71.2歳) を対象に, プロドロマまたは軽度アルツハイマー病18名を含むレーダーデータを用いて検証を行った。 結果: 提案したネットワーク構造は, 覚醒度, 急速眼球運動, 軽睡眠, 深眠の分類において, カッパ値0.65で79.5%の精度を達成している。 実験結果から,本手法は目標領域における自動睡眠ステージング性能を著しく向上させることが示された。 結論: 本手法は, 自動睡眠ステージリングモデルの信頼性, 特にレーダデータに制限のある状況において, データの変動性と限られたサンプルサイズに関連する課題を効果的に解決する。 意義:UWBレーダーは、高齢者や神経変性疾患患者の介護に大いに役立つ非侵襲的で前向きな睡眠評価ツールとして、生存可能性を強調している。

関連論文リスト

• SI-SD: Sleep Interpreter through awake-guided cross-subject Semantic Decoding [5.283755248013948]
  我々は、新しい認知神経科学実験を設計し、覚醒と睡眠の間に134人の被験者から、包括的、十分に注意された脳波(EEG)データセットを収集した。 我々は、覚醒と睡眠の間のニューラル潜伏シーケンスの位置ワイドアライメントにより、睡眠意味のデコーディングを強化するSI-SDを開発した。
  論文  参考訳（メタデータ） (2023-09-28T14:06:34Z)
• Enhancing Healthcare with EOG: A Novel Approach to Sleep Stage Classification [1.565361244756411]
  EOG信号を用いた自動睡眠ステージ分類に革新的アプローチを導入し、脳波データ取得に伴う不快感と非現実性に対処する。 提案するSE-Resnet-Transformerモデルは、生のEOG信号から5つの異なる睡眠ステージを正確に分類する。
  論文  参考訳（メタデータ） (2023-09-25T16:23:39Z)
• Hyper-parameter Adaptation of Conformer ASR Systems for Elderly and Dysarthric Speech Recognition [64.9816313630768]
  ファインチューニングは、多くの非高齢および健康な音声事前訓練モデルを利用するためにしばしば用いられる。 本稿では,Librispeech corpus 上で事前学習した Conformer ASR システムのハイパーパラメータ適応について検討する。
  論文  参考訳（メタデータ） (2023-06-27T07:49:35Z)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• SUMO: Advanced sleep spindle identification with neural networks [0.0]
  睡眠時スピンドルを自動的に検出するU-Net型ディープニューラルネットワークモデルを提案する。 我々のモデルの性能は、最先端の検出器とMODAデータセットのほとんどの専門家を上回る。
  論文  参考訳（メタデータ） (2022-02-06T11:35:47Z)
• 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)
• Sleep syndromes onset detection based on automatic sleep staging algorithm [0.0]
  高速フーリエ変換は、脳波記録の30秒間のエポックに応用され、局所的な時間周波数情報を提供する。 深層畳み込みLSTMニューラルネットワークは睡眠段階分類のために訓練されている。 コード評価の結果、精度は86.43、精度は77.76、リコールは93,32, F1スコアは89.12、最終誤差は0.09だった。
  論文  参考訳（メタデータ） (2021-07-07T15:38:47Z)
• 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)
• 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)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。