Abstract—The monitoring of sleep by

Abstract—The monitoring of sleep by quantifying sleeping
time and quality is pivotal in many preventive health care
scenarios. A substantial amount of wearable sensing products
have been introduced to the market for just this reason, detecting
whether the user is either sleeping or awake. Assessing these
devices for their accuracy in estimating sleep is a daunting task,
as their hardware design tends to be different and many are
closed-source systems that have not been clinically tested. In
this paper, we present a challenging benchmark dataset from
an open source wrist-worn data logger that contains relatively
high-frequent (100Hz) 3D inertial data from 42 sleep lab patients,
along with their data from clinical polysomnography. We analyse
this dataset with two traditional approaches for detecting sleep
and wake states and propose a new algorithm specifically for 3D
acceleration data, which operates on a principle of Estimation
of Stationary Sleep-segments (ESS). Results show that all three
methods generally over-estimate for sleep, with our method
performing slightly better (almost 79% overall median accuracy)
than the traditional activity count-based methods.


An illustration of timeseries data from a wrist-worn 3D accelerometer
(top) and polysomnography, suggesting that there is strong correlation between
sleep-wake phases (middle) and amount of activity (bottom). This paper
presents a benchmarking dataset to evaluate and reproduce results for such
algorithmic approaches to detect sleep and wake phases from accelerometer
data, and proposes a novel algorithm that is compared with 2 traditional ones


Timeseries of the data abstraction steps performed in this study, to
compare methods that detect sleep-wake phases based on 3D acceleration. The
raw accelerometer data (top) is first treated with a band-pass filter (middle, in
red), after which method-specific features, called activity counts, are computed
per epoch (bottom, in black) to detect the sleep and wake phases.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อ — การตรวจสอบการนอนหลับ โดยเชิงปริมาณการนอนหลับเวลาและคุณภาพเป็นสำคัญในการดูแลสุขภาพเชิงป้องกันมากมายสถานการณ์ เป็นจำนวนมากจากการตรวจวัดผลิตภัณฑ์สวมใส่ได้ได้ถูกแนะนำสู่ตลาดเพียงเพราะเหตุนี้ การตรวจจับผู้ใช้จะนอนหลับ หรือตื่น การประเมินเหล่านี้อุปกรณ์สำหรับในการนอนหลับประมาณเป็นงานยากลำบากการออกแบบฮาร์ดแวร์ของพวกเขามีแนวโน้มที่ จะแตกต่างกัน และมีระบบปิดแหล่งที่มาที่ไม่ได้ถูกทางคลินิกทดสอบ ในกระดาษนี้ เรานำเสนอชุดข้อมูลมาตรฐานท้าทายจากการเปิดแหล่งที่มาข้อมือสวมใส่อุณหภูมิที่ค่อนข้างประกอบด้วยห้องปฏิบัติการผู้ป่วย นอนบ่อยสูง (100Hz) แรงข้อมูล 3D จาก 42พร้อมกับข้อมูลของตนจาก polysomnography คลินิก เราวิเคราะห์ชุดข้อมูลนี้ ด้วยวิธีการตรวจการนอนหลับแบบสองและปลุกรัฐ และเสนออัลกอริธึมใหม่สำหรับ 3D โดยเฉพาะข้อมูลอัตราเร่ง ที่ทำงานบนหลักการของการประเมินนิ่งนอนกลุ่ม (ESS) ผลลัพธ์แสดงว่าทั้งสามวิธีโดยทั่วไปผ่านประเมินสำหรับการนอนหลับ ด้วยวิธีของเราการดำเนินการดีขึ้นเล็กน้อย (เกือบ 79% ความแม่นยำโดยรวมเฉลี่ย)กว่ากิจกรรมดั้งเดิมตามการนับวิธีการภาพประกอบของข้อมูล timeseries จากการสวมใส่ข้อมือเร่ง 3D(บน) และ polysomnography แนะนำที่ มีความสัมพันธ์ที่แข็งแกร่งระหว่างนอนหลับปลุกระยะ (กลาง) และยอดเงินของกิจกรรม (ด้านล่าง) กระดาษนี้นำเสนอชุดข้อมูลเปรียบเทียบเพื่อประเมิน และเกิดผลลัพธ์สำหรับดังกล่าวอัลกอริทึมวิธีการตรวจการนอนหลับ และปลุกระยะจากมาตรวัดความเร่งข้อมูล และเสนออัลกอริธึมแบบนวนิยายที่เปรียบเทียบกับแบบดั้งเดิม 2 คนTimeseries ข้อมูลนามธรรมขั้นตอนดำเนินการในการศึกษานี้ เพื่อเปรียบเทียบวิธีการที่ตรวจหาขั้นตอนนอนหลับปลุกอิงเร่ง 3D การข้อมูลดิบเร่ง (ด้านบน) ก่อนได้รับการรักษา ด้วยตัวกรองผ่านย่าน (กลาง ในสีแดง), หลังซึ่งมีวิธีการเฉพาะ จำนวนนับกิจกรรมที่เรียกว่า computedต่อยุค (ล่าง สีดำ) เพื่อตรวจสอบการนอนหลับ และตื่นระยะ

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ-The การตรวจสอบของการนอนหลับโดยปริมาณการนอนหลับ
เวลาและมีคุณภาพเป็นสำคัญในหลาย ๆ การดูแลสุขภาพเชิงป้องกัน
สถานการณ์ จำนวนมากของผลิตภัณฑ์ตรวจจับสวมใส่
ได้รับการแนะนำให้รู้จักกับตลาดด้วยเหตุผลเพียงแค่นี้การตรวจสอบ
ว่าผู้ใช้เป็นทั้งการนอนหลับหรือตื่น การประเมินเหล่านี้
อุปกรณ์เพื่อความถูกต้องของพวกเขาในการประมาณการนอนหลับเป็นงานที่น่ากลัว
กับการออกแบบฮาร์ดแวร์ของพวกเขามีแนวโน้มที่จะแตกต่างกันและมีหลาย
แหล่งปิดระบบที่ยังไม่ได้รับการทดสอบทางคลินิก ใน
บทความนี้เราจะนำเสนอชุดข้อมูลมาตรฐานที่ท้าทายจาก
โอเพนซอร์สข้อมือสวมใส่เครื่องบันทึกข้อมูลที่มีค่อนข้าง
ข้อมูลสูงบ่อย (100Hz) 3D เฉื่อยจากผู้ป่วยในห้องปฏิบัติการ 42 นอนหลับ
พร้อมกับข้อมูลของพวกเขาจาก polysomnography ทางคลินิก เราวิเคราะห์
ชุดข้อมูลนี้มีสองวิธีการแบบดั้งเดิมสำหรับการตรวจสอบการนอนหลับ
และตื่นสหรัฐอเมริกาและนำเสนอขั้นตอนวิธีการใหม่โดยเฉพาะสำหรับ 3D
ข้อมูลอัตราเร่งซึ่งทำงานบนหลักการของการประเมิน
ของ Stationary นอนกลุ่ม (ESS) ผลปรากฏว่าทั้งสาม
วิธีโดยทั่วไปมากกว่าที่ประมาณการสำหรับการนอนหลับด้วยวิธีการของเรา
มีประสิทธิภาพที่ดีกว่าเล็กน้อย (เกือบ 79% โดยรวมความถูกต้องเฉลี่ย)
กว่าวิธีนับตามกิจกรรมแบบดั้งเดิม.


ภาพประกอบของข้อมูล timeseries จากข้อมือสวมใส่ accelerometer 3D
(TOP ) และ polysomnography บอกว่ามีความสัมพันธ์ที่แข็งแกร่งระหว่าง
ขั้นตอนตื่นนอน (กลาง) และปริมาณของกิจกรรม (ล่าง) บทความนี้
นำเสนอชุดการเปรียบเทียบเพื่อประเมินและทำซ้ำผลการค้นหาสำหรับเช่น
วิธีการขั้นตอนในการตรวจสอบการนอนหลับและตื่นขั้นตอนจาก accelerometer
ข้อมูลและนำเสนอขั้นตอนวิธีการใหม่ที่ถูกเมื่อเทียบกับ 2 คนแบบดั้งเดิม


Timeseries ขั้นตอนข้อมูลนามธรรมดำเนินการในการศึกษาครั้งนี้เพื่อ
เปรียบเทียบ วิธีการที่ตรวจสอบขั้นตอนตื่นนอนขึ้นอยู่กับการเร่ง 3D
ข้อมูล accelerometer ดิบ (TOP) จะถือว่าเป็นครั้งแรกที่มีตัวกรองผ่านแถบ (กลางใน
สีแดง) หลังจากที่คุณสมบัติวิธีการเฉพาะที่เรียกว่านับกิจกรรมจะคำนวณ
ต่อยุค (ล่างในสีดำ) ในการตรวจสอบการนอนหลับและตื่น ขั้นตอน

ผลลัพธ์ (ไทย) 3:

บทคัดย่อ การตรวจสอบปริมาณนอนโดยนอนเวลาและคุณภาพเป็นสำคัญ ในการดูแลสุขภาพเชิงป้องกันหลายสถานการณ์ จำนวนมากได้สัมผัสผลิตภัณฑ์ได้รับการแนะนำในตลาดเหตุผลเพียงแค่นี้ตรวจสอบไม่ว่าผู้ใช้จะให้หลับหรือตื่นอยู่ การประเมินเหล่านี้อุปกรณ์สำหรับความถูกต้องของพวกเขาในการนอน เป็นงานที่น่ากลัวการออกแบบฮาร์ดแวร์ของพวกเขามีแนวโน้มที่จะแตกต่างกันและหลายระบบการปิดแหล่งที่ไม่ได้ถูก clinically ทดสอบ ในกระดาษนี้ เรานำเสนอข้อมูลที่อ้างอิงจากเป็นแหล่งเปิดข้อมือใส่ข้อมูลที่คนตัดไม้ที่มีค่อนข้างสูงบ่อย ( 100hz ) 3D นำข้อมูลจาก 42 ห้องปฏิบัติการการนอนหลับ ผู้ป่วยพร้อมข้อมูลจากการตรวจการนอนหลับในคลินิก เราวิเคราะห์นี้วันที่ 2 แนวทางแบบดั้งเดิม การนอนและรัฐปลุก และเสนอวิธีใหม่สำหรับ 3D โดยเฉพาะข้อมูลอัตราเร่ง ซึ่งประกอบธุรกิจบนหลักการของการประเมินกลุ่มนอนนิ่ง ( ESS ) ผลการทดลองแสดงให้เห็นว่าทั้งสามวิธีการโดยทั่วไปกว่าประมาณการสำหรับนอน ด้วยวิธีของเราการแสดงดีขึ้นเล็กน้อย ( เกือบ 79 % เฉลี่ยความถูกต้องโดยรวม )กว่ากิจกรรมแบบนับตามวิธีภาพประกอบของอนุกรมเวลา ข้อมูลจากข้อมือใส่ Accelerometer 3D( บน ) และการตรวจการนอนหลับ แนะนําว่ามีความสัมพันธ์ที่แข็งแกร่งระหว่างนอนระยะปลุก ( กลาง ) และปริมาณของกิจกรรม ( ล่าง ) กระดาษนี้แสดงการเปรียบเทียบข้อมูลเพื่อประเมินและทบทวนผลสำหรับขั้นตอนวิธีวิธีการตรวจสอบการนอนหลับและตื่นจาก accelerometer ระยะข้อมูล และเสนอวิธีใหม่ที่เป็นเมื่อเทียบกับ 2 คนแบบดั้งเดิมอนุกรมเวลาของข้อมูลที่เป็นนามธรรมขั้นตอนปฏิบัติในการศึกษานี้เปรียบเทียบวิธีการตรวจหาระยะนอนหลับตามความเร่ง 3D ที่ข้อมูล accelerometer ดิบ ( ด้านบน ) เป็นครั้งแรก ถือว่า มี band-pass กรอง ( กลางสีแดง ) หลังจากที่วิธีคุณลักษณะเฉพาะ เรียกว่านับกิจกรรมชั้นต่อยุค ( ด้านล่างสีดำ ) เพื่อตรวจหานอนและระยะปลุก