論文の概要: The Breakthrough of Sleep: A Contactless Approach for Accurate Sleep Stage Detection Using the Sleepal AI Lamp

• arxiv url: http://arxiv.org/abs/2604.16442v1
• Date: Tue, 07 Apr 2026 06:49:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.004627
• Title: The Breakthrough of Sleep: A Contactless Approach for Accurate Sleep Stage Detection Using the Sleepal AI Lamp
• Title（参考訳）: 睡眠のブレイクスルー:スリープAIランプを用いた正確な睡眠ステージ検出のための接触レスアプローチ
• Authors: Zhuo Diao, Yueting Li, Jianpeng Wang, Shengyu Guan, Xinwei Wang, Wenxiong Cui, Xin Shi, Tong Liu, Kailai Sun, Jingyu Wang, Dian Fan, Thomas Penzel,
• Abstract要約: 睡眠ステージングは睡眠関連疾患の評価に不可欠である。 従来のPSG(Polysomnography)は、侵入性、労働集約性、長期監視には適さない。 本研究では,非接触型レーダ型睡眠トラッカーであるSleepal AI Lampの性能評価を行った。
• 参考スコア（独自算出の注目度）: 15.791950475785113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sleep staging is essential for the assessment of sleep quality and the diagnosis of sleep-related disorders. Conventional polysomnography (PSG), while considered the gold standard, is intrusive, labor-intensive, and unsuitable for long-term monitoring. This study evaluates the performance of the Sleepal AI Lamp, a contactless, radar-based consumer-grade sleep tracker, in comparison with gold-standard polysomnography (PSG), using a large-scale dataset comprising 1022 overnight recordings. We extract multi-scale respiratory and motion-related features from radar signals to train a frequency-augmented deep learning model. For the binary sleep-wake classification task, experimental results demonstrated that the model achieved an accuracy of 92.8% alongside a macro-averaged F1 score of 0.895. For four-stage classification (wake, light NREM (N1 + N2), deep NREM (N3), REM), the model achieved an accuracy of 78.5% with a Cohen's kappa coefficient of 0.695 in healthy individuals and maintained a stable accuracy of 77.2% with a kappa of 0.677 in a heterogeneous population including patients with varying severities of obstructive sleep apnea (OSA). These experimental results demonstrate that the sleep staging performance of the contactless Sleepal AI Lamp is in high agreement with expert-labeled PSG sleep stages. Our findings suggest that non-contact radar sensing, combined with advanced temporal modeling, can provide reliable sleep staging performance without requiring physical contact or wearable devices. Owing to its unobtrusive nature, ease of deployment, and robustness to long-term use, the contactless Sleepal AI Lamp shows strong potential for clinical screening, home-based sleep assessment, and continuous longitudinal sleep monitoring in real-world medical and healthcare applications.
• Abstract（参考訳）: 睡眠ステージングは、睡眠品質の評価と睡眠関連疾患の診断に不可欠である。 従来のPSG(Polysomnography)は、金の標準とされているが、侵入的であり、労働集約的であり、長期監視には適さない。 本研究では,コンタクトレスでレーダをベースとした消費者級睡眠トラッカーであるSleepal AI Lampを,金標準ポリソノグラフィー(PSG)と比較し,夜間記録1022件の大規模データセットを用いて評価した。 レーダ信号から多スケールの呼吸・運動関連特徴を抽出し,周波数拡張深層学習モデルの訓練を行う。 2次睡眠覚醒分類タスクにおいて、実験結果により、マクロ平均F1スコア0.895とともに92.8%の精度でモデルが達成された。 4段階の分類(ウェイク、ライトNREM(N1 + N2)、ディープNREM(N3, REM))では、健康な人ではコーエンのカッパ係数0.695で78.5%の精度を達成し、閉塞性睡眠時無呼吸(OSA)の重症度が変化する患者を含む異種集団では、カッパ0.677で77.2%の安定した精度を維持した。 これらの実験結果から,非接触型スリープ型AIランプの睡眠ステージ性能は専門家ラベル付きPSG睡眠ステージと高い一致を示した。 以上の結果から,非接触レーダセンシングと高度な時間モデルを組み合わせることで,物理的接触やウェアラブルデバイスを必要とせず,信頼性の高い睡眠ステージング性能が得られることが示唆された。 その控えめな性質、展開の容易さ、長期使用に対する堅牢性から、コンタクトレススリープAIランプは、臨床スクリーニング、在宅睡眠アセスメント、および実世界の医療・医療応用における持続的睡眠モニタリングに強い可能性を示している。

関連論文リスト

• A robust generalizable device-agnostic deep learning model for sleep-wake determination from triaxial wrist accelerometry [0.816568176049513]
  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。
  論文  参考訳（メタデータ） (2025-12-01T18:43:51Z)
• MobileNetV2: A lightweight classification model for home-based sleep apnea screening [3.463585190363689]
  本研究は、心電図(ECG)と呼吸信号から抽出した特徴を早期OSAスクリーニングに利用した、新しい軽量ニューラルネットワークモデルを提案する。 ECG信号は睡眠段階を予測するための特徴スペクトログラムを生成するのに使用され、呼吸信号は睡眠関連呼吸異常を検出するために用いられる。 これらの予測を統合することで、AHI(apnea-hypopnea index)を精度良く算出し、OSAの正確な診断を容易にする。
  論文  参考訳（メタデータ） (2024-12-28T01:37:25Z)
• Thermal Imaging and Radar for Remote Sleep Monitoring of Breathing and Apnea [42.00356210257671]
  睡眠モニタリングのためのレーダとサーマルイメージングの初回比較を行った。 熱画像法では,0.99,精度0.68,リコール0.74,F1スコア0.71,クラス内相関0.73が検出された。 マルチモーダル・セットアップを活用して閉塞性および中枢性睡眠時無呼吸を分類するための新しい提案を提案する。
  論文  参考訳（メタデータ） (2024-07-16T17:26:50Z)
• 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)
• 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)
• 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)

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。