論文の概要: Sleep Brain and Cardiac Activity Predict Cognitive Flexibility and Conceptual Reasoning Using Deep Learning

• arxiv url: http://arxiv.org/abs/2506.00279v1
• Date: Fri, 30 May 2025 22:21:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:32.592813
• Title: Sleep Brain and Cardiac Activity Predict Cognitive Flexibility and Conceptual Reasoning Using Deep Learning
• Title（参考訳）: 深層学習を用いた睡眠脳と心臓活動の認知的柔軟性予測と概念推論
• Authors: Boshra Khajehpiri, Eric Granger, Massimiliano de Zambotti, Fiona C. Baker, Mohamad Forouzanfar,
• Abstract要約: 本研究では、深層学習モデルが夜間睡眠中の生理的過程から実行機能、特に認知的適応性と概念的推論を予測することができるかどうかを検討する。 マルチモーダルポリソノグラフィーデータを処理するために設計されたマルチスケール畳み込み変換器モデルであるCogPSGFormerを紹介する。 拡張睡眠信号の処理を最適化するために,CogPSGFormerアーキテクチャの徹底的な評価を行った。
• 参考スコア（独自算出の注目度）: 7.133591513826875
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite extensive research on the relationship between sleep and cognition, the connection between sleep microstructure and human performance across specific cognitive domains remains underexplored. This study investigates whether deep learning models can predict executive functions, particularly cognitive adaptability and conceptual reasoning from physiological processes during a night's sleep. To address this, we introduce CogPSGFormer, a multi-scale convolutional-transformer model designed to process multi-modal polysomnographic data. This model integrates one-channel ECG and EEG signals along with extracted features, including EEG power bands and heart rate variability parameters, to capture complementary information across modalities. A thorough evaluation of the CogPSGFormer architecture was conducted to optimize the processing of extended sleep signals and identify the most effective configuration. The proposed framework was evaluated on 817 individuals from the STAGES dataset using cross-validation. The model achieved 80.3\% accuracy in classifying individuals into low vs. high cognitive performance groups on unseen data based on Penn Conditional Exclusion Test (PCET) scores. These findings highlight the effectiveness of our multi-scale feature extraction and multi-modal learning approach in leveraging sleep-derived signals for cognitive performance prediction. To facilitate reproducibility, our code is publicly accessible (https://github.com/boshrakh95/CogPSGFormer.git).
• Abstract（参考訳）: 睡眠と認知の関係に関する広範な研究にもかかわらず、睡眠のミクロ構造と特定の認知領域における人間のパフォーマンスの関連性は未解明のままである。 本研究では、深層学習モデルが夜間睡眠中の生理的過程から実行機能、特に認知的適応性と概念的推論を予測することができるかどうかを検討する。 これを解決するために,マルチモーダル・ポリソノグラフィーデータを処理するために設計されたマルチスケール畳み込み変換器モデルであるCogPSGFormerを導入する。 このモデルは、脳波パワーバンドや心拍変動パラメータなどの抽出された特徴と1チャンネルのECGとEEG信号を統合して、モーダルをまたいだ相補的な情報をキャプチャする。 拡張睡眠信号の処理を最適化し,最も効果的な構成を特定するため,CogPSGFormerアーキテクチャの徹底的な評価を行った。 提案手法は, クロスバリデーションを用いてSTAGESデータセットから817名を対象に評価した。 このモデルでは,Penn Conditional Exclusion Test (PCET) スコアに基づく未確認データに基づいて,個人を低評価群と高評価群に分類すると80.3\%の精度が得られた。 以上の結果から,多段階の特徴抽出とマルチモーダル学習による睡眠関連信号の認知性能予測の有効性が示唆された。 再現性を促進するため、私たちのコードは公開されています(https://github.com/boshrakh95/CogPSGFormer.git)。

関連論文リスト

• Dynamic Programming Techniques for Enhancing Cognitive Representation in Knowledge Tracing [125.75923987618977]
  認知表現動的プログラミングに基づく知識追跡(CRDP-KT)モデルを提案する。 質問の難易度とそれらの間の性能間隔に基づいて認知表現を最適化する動的プログラミングアルゴリズムである。 これは、その後のモデルトレーニングのためにより正確で体系的な入力機能を提供し、それによって認知状態のシミュレーションにおける歪みを最小限にする。
  論文  参考訳（メタデータ） (2025-06-03T14:44:48Z)
• Toward Foundational Model for Sleep Analysis Using a Multimodal Hybrid Self-Supervised Learning Framework [2.424910201171407]
  本研究では,PSG(Polysomnography)データを解析するためのマルチモーダルハイブリッド学習フレームワークであるSynthSleepNetを紹介する。 SynthSleepNetは、マスク付き予測とコントラスト学習を効果的に統合し、複数のモードにまたがる相補的特徴を活用する。 3つの下流タスクにわたる最先端のメソッドよりも優れたパフォーマンスを実現した。
  論文  参考訳（メタデータ） (2025-02-18T10:11:50Z)
• Automatic Classification of Sleep Stages from EEG Signals Using Riemannian Metrics and Transformer Networks [6.404789669795639]
  睡眠医学において、被験者の睡眠の進化を評価するには、脳波(EEG)信号の高価な手作業によるスコアが伴うことが多い。 本研究では,Symmetric Definite Positive (SPD) の性質を犠牲にすることなく,学習した信号的特徴をそれらの行列に組み込む新しい方法を提案する。
  論文  参考訳（メタデータ） (2024-10-18T06:49:52Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Transparency in Sleep Staging: Deep Learning Method for EEG Sleep Stage Classification with Model Interpretability [5.747465732334616]
  本研究では,残差ネットワーク内に圧縮ブロックと励起ブロックを統合し,複雑な時間的依存関係を理解するために,特徴抽出と積み重ねBi-LSTMを組み込んだエンド・ツー・エンドディープラーニング(DL)モデルを提案する。 本研究の特筆すべき側面は、睡眠ステージングのためのGradCamの適応であり、この領域における説明可能なDLモデルの最初の事例であり、その決定と睡眠専門家の洞察の一致である。
  論文  参考訳（メタデータ） (2023-09-10T17:56:03Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• 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。