論文の概要: SleepDIFFormer: Sleep Stage Classification via Multivariate Differential Transformer

• arxiv url: http://arxiv.org/abs/2508.15215v2
• Date: Thu, 28 Aug 2025 01:52:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 11:47:01.173309
• Title: SleepDIFFormer: Sleep Stage Classification via Multivariate Differential Transformer
• Title（参考訳）: SleepDIFFormer:多変量微分変換器による睡眠段階分類
• Authors: Benjamin Wei Hao Chin, Yuin Torng Yew, Haocheng Wu, Lanxin Liang, Chow Khuen Chan, Norita Mohd Zain, Siti Balqis Samdin, Sim Kuan Goh,
• Abstract要約: 睡眠ステージの分類は、睡眠品質の評価と睡眠障害の診断に不可欠である。 機械学習と深層学習は活発に開発されているが、脳波(EEG)と脳波(EOG)の非定常性や変動性による課題に直面している。 本研究では,共同脳波とEOG表現学習のためのSleepDIFFormerを開発した睡眠段階分類法を提案する。
• 参考スコア（独自算出の注目度）: 1.422074091840573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classification of sleep stages is essential for assessing sleep quality and diagnosing sleep disorders. However, manual inspection of EEG characteristics for each stage is time-consuming and prone to human error. Although machine learning and deep learning methods have been actively developed, they continue to face challenges from the non-stationarity and variability of electroencephalography (EEG) and electrooculography (EOG) signals across different domains (i.e., datasets), often leading to poor generalization. This work proposed a Sleep Stage Classification method by developing Multivariate Differential Transformer (SleepDIFFormer) for joint EEG and EOG representation learning. Specifically, SleepDIFFormer was developed to process EEG and EOG signals using our Multivariate Differential Transformer Architecture (MDTA) for time series, trained with cross-domain alignment. Our method mitigated spatial and temporal attention noise while learning a domain-invariant joint EEG-EOG representation through feature distribution alignment, thereby enabling generalization to unseen target datasets. Empirically, we evaluated our method on five different sleep staging datasets and compared it with existing approaches, achieving state-of-the-art performance. We also conducted a thorough ablation analysis of SleepDIFFormer and interpreted the differential attention weights, highlighting their relevance to characteristic sleep EEG patterns. These findings have implications for advancing automated sleep stage classification and its application to sleep quality assessment. Our source code is publicly available at https://github.com/Ben1001409/SleepDIFFormer
• Abstract（参考訳）: 睡眠ステージの分類は、睡眠品質の評価と睡眠障害の診断に不可欠である。 しかし,各段階の脳波特性を手動で検査することは時間を要するため,ヒューマンエラーが生じる傾向にある。 機械学習とディープラーニングの手法は活発に開発されているが、脳波(EEG)と電気電図(EOG)の信号の非定常性や変動性から問題に直面し続けており、しばしば一般化に乏しい。 本研究では,脳波とEOG表現学習のための多変量微分変換器(SleepDIFFormer)を開発した睡眠段階分類法を提案する。 特に、SleepDIFFormerは、我々の多変量微分変換器アーキテクチャ(MDTA)を用いて脳波とEOG信号を処理するために開発され、クロスドメインアライメントで訓練された。 提案手法は,特徴分布アライメントによる領域不変な共同脳波-EOG表現を学習しながら,空間的・時間的注意ノイズを軽減し,ターゲットデータセットの一般化を可能にする。 実験により,5種類の睡眠ステージデータセットを用いて提案手法の評価を行い,既存手法と比較し,最先端性能を実現した。 また、SleepDIFFormerのアブレーション分析を行い、異なる注意重みを解釈し、特徴的な睡眠脳波パターンとの関連を強調した。 これらの知見は、自動睡眠ステージ分類の進歩と睡眠品質評価への応用に影響を及ぼす。 私たちのソースコードはhttps://github.com/Ben1001409/SleepDIFFormerで公開されています。

関連論文リスト

• Sleep Stage Classification using Multimodal Embedding Fusion from EOG and PSM [0.06282171844772422]
  本研究では,マルチモーダル埋め込み深層学習モデルであるImageBindを用いて,睡眠段階分類のためのデュアルチャネルEOG信号とPSMデータを統合する手法を提案する。 以上の結果から,ImageBindの微調整により分類精度が向上し,既存のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-06-07T20:18:45Z)
• PSDNorm: Test-Time Temporal Normalization for Deep Learning in Sleep Staging [63.05435596565677]
  我々は,モンジュマッピングと時間文脈を利用したPSDNormを提案し,信号の深層学習モデルにおける特徴写像の正規化を行う。 PSDNormは、BatchNormよりも4倍のデータ効率が高く、目に見えない左のデータセットで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-06T16:20:25Z)
• LG-Sleep: Local and Global Temporal Dependencies for Mice Sleep Scoring [0.3141085922386211]
  この研究は、脳波(EEG)信号による睡眠スコアリング用に設計された、新しい主題に依存しないディープニューラルネットワークアーキテクチャであるLG-Sleepを紹介した。 LG-Sleepは脳波信号内の局所的および大域的時間的遷移を抽出し、睡眠データを3段階(覚醒、急速眼球運動(REM)睡眠、非急速眼球運動(NREM)睡眠)に分類する。
  論文  参考訳（メタデータ） (2024-12-19T21:39:57Z)
• 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)
• Geodesic Optimization for Predictive Shift Adaptation on EEG data [53.58711912565724]
  ドメイン適応メソッドは、$X$と$y$で分散シフトが同時に発生したときに苦労する。 本稿では,GOPSA(Geodesic Optimization for Predictive Shift Adaptation)と呼ばれる新しい手法を提案する。 GOPSAは、脳波のバイオメディカル応用のための混合効果モデリングと機械学習を併用する可能性を持っている。
  論文  参考訳（メタデータ） (2024-07-04T12:15:42Z)
• 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)
• Classification of sleep stages from EEG, EOG and EMG signals by SSNet [2.1915057426589746]
  睡眠段階の分類は、睡眠障害ブレスティング(SDB)病を含む睡眠関連疾患の診断において重要な役割を担っている。 我々は,CNNとLSTMに基づく2つのディープラーニングネットワークからなる,SSNetというエンドツーエンドのディープラーニングアーキテクチャを提案する。 本モデルでは, 睡眠段階の分類において, 最先端技術と比較して最高の性能を達成している。
  論文  参考訳（メタデータ） (2023-07-03T01:05:24Z)
• 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)
• 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)

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。