論文の概要: StableSleep: Source-Free Test-Time Adaptation for Sleep Staging with Lightweight Safety Rails

• arxiv url: http://arxiv.org/abs/2509.02982v1
• Date: Wed, 03 Sep 2025 03:42:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.40438
• Title: StableSleep: Source-Free Test-Time Adaptation for Sleep Staging with Lightweight Safety Rails
• Title（参考訳）: StableSleep: ライトウェイトセーフティRailsによるスリープステージングのためのソースフリーテスト時間適応
• Authors: Hritik Arasu, Faisal R Jahangiri,
• Abstract要約: 方法は、モデルに依存しず、ソースデータや患者キャリブレーションを必要とせず、オンデバイスやベッドサイドでの使用に実用的である。 ステージ単位のメトリクスとCohenのkを報告し、秒単位のレイテンシと最小限のメモリの凍結されたベースラインに対して、一貫したゲインを示す。 この方法は、モデルに依存しず、ソースデータや患者キャリブレーションを必要とせず、オンデバイスやベッドサイドでの使用に実用的である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sleep staging models often degrade when deployed on patients with unseen physiology or recording conditions. We propose a streaming, source-free test-time adaptation (TTA) recipe that combines entropy minimization (Tent) with Batch-Norm statistic refresh and two safety rails: an entropy gate to pause adaptation on uncertain windows and an EMA-based reset to reel back drift. On Sleep-EDF Expanded, using single-lead EEG (Fpz-Cz, 100 Hz, 30s epochs; R&K to AASM mapping), we show consistent gains over a frozen baseline at seconds-level latency and minimal memory, reporting per-stage metrics and Cohen's k. The method is model-agnostic, requires no source data or patient calibration, and is practical for on-device or bedside use.
• Abstract（参考訳）: 睡眠ステージングモデルはしばしば、目に見えない生理状態や記録状態の患者にデプロイされると劣化する。 本研究では, エントロピー最小化 (Tent) とバッチ・ノーム統計更新 (Batch-Norm statistic refresh) と, 不確実なウィンドウへの適応を停止させるエントロピーゲートと, バックドリフトを緩和するEMAベースのリセットの2つの安全レールを組み合わせた, ストリーミング・ソースフリーテスト時間適応 (TTA) レシピを提案する。 Sleep-EDF拡張では、シングルリードのEEG(Fpz-Cz, 100 Hz, 30s epochs; R&Kから AASM マッピング)を使用して、秒単位のレイテンシと最小メモリでの凍結ベースラインよりも一貫したゲインを示し、ステージ単位のメトリクスと Cohen の k を報告します。 この方法は、モデルに依存しず、ソースデータや患者キャリブレーションを必要とせず、オンデバイスやベッドサイドでの使用に実用的である。

関連論文リスト

• Adaptive Deadline and Batch Layered Synchronized Federated Learning [66.93447103966439]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散エッジデバイス間で協調的なモデルトレーニングを可能にする。 我々は,レイヤワイドアグリゲーションのために,ラウンド単位の期限とユーザ固有のバッチサイズを共同で最適化する新しいフレームワークADEL-FLを提案する。
  論文  参考訳（メタデータ） (2025-05-29T19:59:18Z)
• Sleep-time Compute: Beyond Inference Scaling at Test-time [52.87976180878445]
  テスト時間計算のスケーリングは、大規模言語モデルが困難な問題を解決するための重要な要素として現れている。 私たちは、クエリが提示される前に、モデルがコンテキストについて"オフライン"できるスリープタイム計算を導入しました。
  論文  参考訳（メタデータ） (2025-04-17T17:59:25Z)
• SleepGMUformer: A gated multimodal temporal neural network for sleep staging [12.839348425917581]
  本稿では、WristHR-Motion-SleepおよびSleepEDF-78の心拍、運動、ステップ、脳波(Fpz-Cz、Pz-Oz)、EOGを含む多ドメイン睡眠データのためのゲート型時空間ニューラルネットワークを提案する。 1)機能アライメント、値ハンドリングの欠如、EEGデトレクションのための前処理モジュール、2)時間次元における複雑な睡眠特徴のための特徴抽出モジュール、3)リアルタイムなモータリティ重み付けのための動的融合モジュール。
  論文  参考訳（メタデータ） (2025-02-20T03:42:42Z)
• Test-Time Model Adaptation with Only Forward Passes [68.11784295706995]
  テストタイム適応は、トレーニング済みのモデルを、潜在的に分布シフトのある未確認テストサンプルに適応させるのに有効であることが証明されている。 テスト時間フォワード最適化適応法(FOA)を提案する。 FOAは量子化された8ビットのViTで動作し、32ビットのViTで勾配ベースのTENTより優れ、ImageNet-Cで最大24倍のメモリ削減を実現する。
  論文  参考訳（メタデータ） (2024-04-02T05:34:33Z)
• Single Channel EEG Based Insomnia Identification Without Sleep Stage Annotations [0.3495246564946556]
  不眠症患者50名,健常者50名を用いて,本モデルの有効性を検証した。 開発されたモデルでは、現在の睡眠監視システムを簡素化し、家庭内振動モニタリングを可能にする可能性がある。
  論文  参考訳（メタデータ） (2024-02-09T08:59:37Z)
• EcoTTA: Memory-Efficient Continual Test-time Adaptation via Self-distilled Regularization [71.70414291057332]
  TTAは主にメモリ制限のあるエッジデバイス上で実行される。 長期的な適応は、しばしば破滅的な忘れとエラーの蓄積につながる。 本稿では,凍結したオリジナルネットワークを対象ドメインに適応させる軽量なメタネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-03T13:05:30Z)
• A Closed-loop Sleep Modulation System with FPGA-Accelerated Deep Learning [1.5569382274788235]
  我々は,低消費電力フィールドプログラマブルゲートアレイ(FPGA)デバイス上でのクローズドループ操作をサポートする睡眠変調システムを開発した。 ディープラーニング(DL)モデルは、低消費電力のフィールドプログラマブルゲートアレイ(FPGA)デバイスによって加速される。 81名の被験者を含む公衆睡眠データベースを用いて、85.8%の最先端の分類精度とF1スコアの79%の精度でモデルが検証されている。
  論文  参考訳（メタデータ） (2022-11-19T01:47:53Z)
• Sleep syndromes onset detection based on automatic sleep staging algorithm [0.0]
  高速フーリエ変換は、脳波記録の30秒間のエポックに応用され、局所的な時間周波数情報を提供する。 深層畳み込みLSTMニューラルネットワークは睡眠段階分類のために訓練されている。 コード評価の結果、精度は86.43、精度は77.76、リコールは93,32, F1スコアは89.12、最終誤差は0.09だった。
  論文  参考訳（メタデータ） (2021-07-07T15:38:47Z)
• Sleep Stage Scoring Using Joint Frequency-Temporal and Unsupervised Features [5.104181562775778]
  多くの自動睡眠ステージ認識法が提案されている。 これらの手法のほとんどは、バイタル信号から抽出された時間周波数の特徴を用いる。 近年,教師なし特徴抽出にディープニューラルネットワークを用いるASSR法が提案されている。 本稿では,この2つのアイデアを組み合わせて,時間周波数と教師なしの特徴を同時に利用することを提案する。
  論文  参考訳（メタデータ） (2020-04-10T02:00:29Z)

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。