Fugu-MT 論文翻訳(概要): A Dual Pipeline Machine Learning Framework for Automated Multi Class Sleep Disorder Screening Using Hybrid Resampling and Ensemble Learning

論文の概要: A Dual Pipeline Machine Learning Framework for Automated Multi Class Sleep Disorder Screening Using Hybrid Resampling and Ensemble Learning

arxiv url: http://arxiv.org/abs/2601.05814v1
Date: Fri, 09 Jan 2026 14:43:32 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-12 17:41:49.987456
Title: A Dual Pipeline Machine Learning Framework for Automated Multi Class Sleep Disorder Screening Using Hybrid Resampling and Ensemble Learning
Title（参考訳）: ハイブリッドサンプリングとアンサンブル学習を用いたマルチクラス睡眠障害スクリーニングのためのデュアルパイプライン機械学習フレームワーク
Authors: Md Sultanul Islam Ovi, Muhsina Tarannum Munfa, Miftahul Alam Adib, Syed Sabbir Hasan,
Abstract要約: 本論文では、睡眠状態と生活スタイルのデータセットを用いた多クラス睡眠障害スクリーニングのためのデュアルパイプライン機械学習フレームワークを提案する。実験では、Extra TreesとK Nearest Neighborsが98.67%の精度を達成した。提案したデュアルパイプライン設計は,非侵襲的睡眠障害リスク階層化のための高精度かつ効率的な自動スクリーニングをサポートすることが示唆された。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate classification of sleep disorders, particularly insomnia and sleep apnea, is important for reducing long term health risks and improving patient quality of life. However, clinical sleep studies are resource intensive and are difficult to scale for population level screening. This paper presents a Dual Pipeline Machine Learning Framework for multi class sleep disorder screening using the Sleep Health and Lifestyle dataset. The framework consists of two parallel processing streams: a statistical pipeline that targets linear separability using Mutual Information and Linear Discriminant Analysis, and a wrapper based pipeline that applies Boruta feature selection with an autoencoder for non linear representation learning. To address class imbalance, we use the hybrid SMOTETomek resampling strategy. In experiments, Extra Trees and K Nearest Neighbors achieved an accuracy of 98.67%, outperforming recent baselines on the same dataset. Statistical testing using the Wilcoxon Signed Rank Test indicates that the improvement over baseline configurations is significant, and inference latency remains below 400 milliseconds. These results suggest that the proposed dual pipeline design supports accurate and efficient automated screening for non invasive sleep disorder risk stratification.
Abstract（参考訳）: 睡眠障害、特に不眠症や睡眠時無呼吸の正確な分類は、長期の健康リスクの低減と患者の生活の質の向上に重要である。しかし、臨床睡眠研究は資源集約的であり、集団レベルのスクリーニングではスケールが困難である。本論文では、睡眠状態と生活スタイルのデータセットを用いた多クラス睡眠障害スクリーニングのためのデュアルパイプライン機械学習フレームワークを提案する。このフレームワークは、2つの並列処理ストリームで構成されており、Mutual InformationとLinear Discriminant Analysisを用いて線形分離性をターゲットにした統計パイプラインと、非線形表現学習のためのオートエンコーダでボルタの特徴選択を適用するラッパーベースパイプラインである。クラス不均衡に対処するために、私たちはハイブリッドSMOTETomek再サンプリング戦略を使用します。実験では、Extra TreesとK Nearest Neighborsが98.67%の精度を達成した。 Wilcoxon Signed Rank Testを用いた統計的テストでは、ベースライン構成の改善が重要であり、推論遅延は400ミリ秒以下である。これらの結果は,非侵襲的睡眠障害リスク階層化のための高精度かつ効率的な自動スクリーニングを実現するための二重パイプライン設計が提案されていることを示唆している。

関連論文リスト

Exploring the Efficacy of Convolutional Neural Networks in Sleep Apnea Detection from Single Channel EEG [0.0]
本稿では,単一チャネル脳波データに基づいて学習した畳み込みニューラルネットワーク(CNN)を用いた睡眠時無呼吸症候群の検出手法を提案する。提案されたCNNの精度は85.1%、マシューズ相関係数(MCC)は0.22で、家庭ベースのアプリケーションにとって大きな可能性を示した。
論文参考訳（メタデータ） (2025-08-16T04:58:00Z)
NeuralSurv: Deep Survival Analysis with Bayesian Uncertainty Quantification [42.418429168532406]
我々はベイズの不確実性定量化を取り入れた最初のディープサバイバルモデルであるNeuralSurvを紹介する。モデルサイズを線形にスケールする座標アセット更新を用いた平均場変分アルゴリズムを導入する。実験では、NeuralSurvは最先端のディープサバイバルモデルよりも優れたキャリブレーションを提供する。
論文参考訳（メタデータ） (2025-05-16T09:53:21Z)
An Attentive Dual-Encoder Framework Leveraging Multimodal Visual and Semantic Information for Automatic OSAHS Diagnosis [26.69518726864821]
閉塞型睡眠時無呼吸症候群(英語:obstructive sleep apnea-hypopnea syndrome、OSAHS)は、上気道閉塞による一般的な睡眠障害であり、酸素欠乏と睡眠障害を引き起こす。顔画像解析を用いた既存のディープラーニング手法では、顔の特徴キャプチャが劣り、サンプルサイズが制限されていたため、精度が低かった。自動OSAHS診断のための視覚入力と言語入力を統合したマルチモーダルデュアルエンコーダモデルを提案する。
論文参考訳（メタデータ） (2024-12-25T14:42:17Z)
Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文参考訳（メタデータ） (2023-12-27T09:03:43Z)
Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文参考訳（メタデータ） (2023-08-31T05:05:53Z)
SleePyCo: Automatic Sleep Scoring with Feature Pyramid and Contrastive Learning [0.0]
本研究では,1)特徴ピラミッドを組み込んだ深層学習フレームワークSleePyCoと,2)自動睡眠スコアリングのための教師付きコントラスト学習を提案する。特徴ピラミッドでは,異なる時間・周波数スケールで複数の特徴系列を検討するために,SleePyCo-backboneと呼ばれるバックボーンネットワークを提案する。教師付きコントラスト学習により、クラス内特徴間の距離を最小化し、クラス間特徴間の距離を最大化することにより、クラス識別特徴を抽出することができる。
論文参考訳（メタデータ） (2022-09-20T04:10:49Z)
Enhancement on Model Interpretability and Sleep Stage Scoring Performance with A Novel Pipeline Based on Deep Neural Network [4.296506281243336]
本稿では,アメリカ睡眠医学会の定義に従い,脳波(EEG)の表現学習のための時間周波数フレームワークを提案する。入力された脳波スペクトログラムは、時間と周波数軸の一連のパッチに分割され、さらに表現学習を行うための繊細な深層学習ネットワークに入力される。提案したパイプラインは、大規模なデータベース、すなわちSleep Heart Health Study (SHHS)に対して検証され、その結果、ウェイク、N2、N3ステージの競合性能が最先端の作業より優れていることが示された。
論文参考訳（メタデータ） (2022-04-07T02:48:13Z)
Deep Learning for Sleep Stages Classification: Modified Rectified Linear Unit Activation Function and Modified Orthogonal Weight Initialisation [27.681891555949672]
本研究の目的は,畳み込みニューラルネットワークの精度を高め,学習時間を短縮することである。提案システムは,活性化関数としてシグモイド活性化関数の代わりにLeaky Rectified Linear Unit (ReLU) を用いる。
論文参考訳（メタデータ） (2022-02-18T18:29:15Z)
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)
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)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。