論文の概要: Individualized and Interpretable Sleep Forecasting via a Two-Stage Adaptive Spatial-Temporal Model
- arxiv url: http://arxiv.org/abs/2509.06974v1
- Date: Thu, 28 Aug 2025 19:01:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-14 20:41:04.927842
- Title: Individualized and Interpretable Sleep Forecasting via a Two-Stage Adaptive Spatial-Temporal Model
- Title（参考訳）: 2段階適応時空間モデルによる個別・解釈可能な睡眠予測
- Authors: Xueyi Wang, Elisabeth Wilhelm,
- Abstract要約: 睡眠の質は幸福に大きく影響する。
本稿では,睡眠の質を評価するための2段階適応時空間モデルを提案する。
- 参考スコア（独自算出の注目度）: 1.7904458681854372
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sleep quality significantly impacts well-being. Therefore, healthcare providers and individuals need accessible and reliable forecasting tools for preventive interventions. This paper introduces an interpretable, individualized two-stage adaptive spatial-temporal model for predicting sleep quality scores. Our proposed framework combines multi-scale convolutional layers to model spatial interactions across multiple input variables, recurrent layers and attention mechanisms to capture long-term temporal dependencies, and a two-stage domain adaptation strategy to enhance generalization. The first adaptation stage is applied during training to mitigate overfitting on the training set. In the second stage, a source-free test-time adaptation mechanism is employed to adapt the model to new users without requiring labels. We conducted various experiments with five input window sizes (3, 5, 7, 9, and 11 days) and five prediction window sizes (1, 3, 5, 7, and 9 days). Our model consistently outperformed time series forecasting baseline approaches, including Long Short-Term Memory (LSTM), Informer, PatchTST, and TimesNet. The best performance was achieved with a three-day input window and a one-day prediction window, yielding a root mean square error (RMSE) of 0.216. Furthermore, the model demonstrated good predictive performance even for longer forecasting horizons (e.g, with a 0.257 RMSE for a three-day prediction window), highlighting its practical utility for real-world applications. We also conducted an explainability analysis to examine how different features influence sleep quality. These findings proved that the proposed framework offers a robust, adaptive, and explainable solution for personalized sleep forecasting using sparse data from commercial wearable devices.
- Abstract（参考訳）: 睡眠の質は幸福に大きく影響する。
したがって、医療提供者や個人は予防的介入のためにアクセス可能で信頼性の高い予測ツールが必要である。
本稿では,睡眠の質を評価するための2段階適応時空間モデルを提案する。
提案フレームワークは,複数入力変数間の空間的相互作用をモデル化するためのマルチスケール畳み込み層と,長期的時間的依存を捉えるための繰り返し層とアテンション機構と,一般化を促進するための2段階のドメイン適応戦略を組み合わせる。
第1適応段階は、トレーニングセットのオーバーフィッティングを軽減するためにトレーニング中に適用される。
第2段階では、ラベルを必要とせずに新しいユーザにモデルを適応させるために、ソースフリーのテスト時間適応機構が採用されている。
5つの入力ウィンドウサイズ(3日,5日,7日,9日)と5つの予測ウィンドウサイズ(1日,3日,7日,9日)で実験を行った。
我々のモデルは、Long Short-Term Memory (LSTM)、Informer、PatchTST、TimesNetなど、時系列予測ベースラインアプローチを一貫して上回りました。
最高性能は3日間の入力ウィンドウと1日間の予測ウィンドウで達成され、根平均二乗誤差(RMSE)は0.216である。
さらに、このモデルはより長い予測地平線(例えば3日間の予測窓に0.257 RMSEを搭載)に対しても優れた予測性能を示し、実世界のアプリケーションに実用性を強調した。
また,異なる特徴が睡眠の質に与える影響について,説明可能性分析を行った。
これらの結果から、提案フレームワークは、市販ウェアラブルデバイスからのスパースデータを用いて、パーソナライズされた睡眠予測のための堅牢で適応的で説明可能なソリューションを提供することが示された。
関連論文リスト
- Personalized Sleep Prediction via Deep Adaptive Spatiotemporal Modeling and Sparse Data [1.4582793306013617]
本研究は、睡眠スコアを予測する適応的空間時間モデル(AdaST-Sleep)を提案する。
視覚的に比較すると、このモデルは睡眠スコアと毎日の変動の両方を正確に追跡する。
論文 参考訳（メタデータ） (2025-08-27T22:36:00Z) - FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale [91.84761739154366]
FourCastNet 3は、確率的アンサンブル予測にスケーラブルで幾何学的な機械学習(ML)アプローチを実装することで、グローバルな気象モデリングを推進している。
FourCastNet 3は、従来のアンサンブルモデルを上回る予測精度を提供し、最良の拡散ベースのメソッドに匹敵する。
その計算効率、中距離確率的スキル、スペクトルの忠実度、およびサブシーズンタイムスケールでのロールアウト安定性は、大規模なアンサンブル予測を通じて気象予知と早期警報システムを改善するための強力な候補となる。
論文 参考訳（メタデータ） (2025-07-16T11:22:18Z) - Breaking Silos: Adaptive Model Fusion Unlocks Better Time Series Forecasting [64.45587649141842]
時系列予測は多くの現実世界のアプリケーションにおいて重要な役割を果たす。
1つのモデルは、異なるテストサンプルで一貫して他よりも優れていますが、(ii) それぞれのモデルは特定のケースで優れています。
異種モデルのサンプルレベル適応融合による時系列予測のためのフレームワークであるTimeFuseを紹介する。
論文 参考訳（メタデータ） (2025-05-24T00:45:07Z) - Neural Conformal Control for Time Series Forecasting [54.96087475179419]
非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。
提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。
予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
論文 参考訳（メタデータ） (2024-12-24T03:56:25Z) - Test-Time Alignment via Hypothesis Reweighting [56.71167047381817]
大規模な事前訓練されたモデルは、しばしば未指定のタスクで苦労する。
テストタイムのユーザ意図にモデルを整合させるという課題に対処する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-11T23:02:26Z) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳（メタデータ） (2023-06-06T07:07:54Z) - Multistep Multiappliance Load Prediction [0.0]
我々は4つの異なる領域の4つのデータセットに基づいて,アプライアンスレベルの負荷予測のための堅牢で正確なモデルを構築した。
実験結果から,長期記憶(LSTM)モデルと並行して,時間特性と気象指標の周期的符号化が最適性能を示すことが示された。
論文 参考訳（メタデータ） (2022-12-19T13:01:51Z) - SwinVRNN: A Data-Driven Ensemble Forecasting Model via Learned
Distribution Perturbation [16.540748935603723]
本研究では,SwinRNN予測器と摂動モジュールを組み合わせた天気予報モデルであるSwinVRNNを提案する。
SwinVRNNはECMWF統合予測システム(IFS)を2m温度と6時間総降水量で最大5日間のリードタイムで上回っている。
論文 参考訳（メタデータ） (2022-05-26T05:11:58Z) - Adaptive Graph Convolutional Network Framework for Multidimensional Time
Series Prediction [6.962213869946514]
本稿では,主に時系列予測における隠れ次元依存性を捉える適応型グラフニューラルネットワークを提案する。
グラフ畳み込みネットワークを様々な時系列予測モデルに統合し、異なる次元間の関係を捉えることができない欠陥を解決する。
私たちのフレームワークの精度は、モデルに導入されてから約10%向上しました。
論文 参考訳（メタデータ） (2022-05-08T04:50:16Z) - Long-Term Prediction of Lane Change Maneuver Through a Multilayer
Perceptron [5.267336573374459]
横方向情報や角度情報のない長期(510秒)レーン変更予測モデルを提案する。
ロジスティック回帰モデル、多層パーセプトロン(MLP)モデル、リカレントニューラルネットワーク(RNN)モデルを含む3つの予測モデルが導入されている。
評価結果から, 開発した予測モデルでは, 実車線変更操作の75%を平均8.05秒で捉えることができることがわかった。
論文 参考訳（メタデータ） (2020-06-23T05:32:40Z)
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。