論文の概要: Personalized Sleep Prediction via Deep Adaptive Spatiotemporal Modeling and Sparse Data

• arxiv url: http://arxiv.org/abs/2509.09018v1
• Date: Wed, 27 Aug 2025 22:36:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-14 20:41:04.954246
• Title: Personalized Sleep Prediction via Deep Adaptive Spatiotemporal Modeling and Sparse Data
• Title（参考訳）: 深部適応時空間モデルとスパースデータによるパーソナライズされた睡眠予測
• Authors: Xueyi Wang, C. J. C., Lamoth, Elisabeth Wilhelm,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.4582793306013617
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A sleep forecast allows individuals and healthcare providers to anticipate and proactively address factors influencing restful rest, ultimately improving mental and physical well-being. This work presents an adaptive spatial and temporal model (AdaST-Sleep) for predicting sleep scores. Our proposed model combines convolutional layers to capture spatial feature interactions between multiple features and recurrent neural network layers to handle longer-term temporal health-related data. A domain classifier is further integrated to generalize across different subjects. We conducted several experiments using five input window sizes (3, 5, 7, 9, 11 days) and five predicting window sizes (1, 3, 5, 7, 9 days). Our approach consistently outperformed four baseline models, achieving its lowest RMSE (0.282) with a seven-day input window and a one-day predicting window. Moreover, the method maintained strong performance even when forecasting multiple days into the future, demonstrating its versatility for real-world applications. Visual comparisons reveal that the model accurately tracks both the overall sleep score level and daily fluctuations. These findings prove that the proposed framework provides a robust and adaptable solution for personalized sleep forecasting using sparse data from commercial wearable devices and domain adaptation techniques.
• Abstract（参考訳）: 睡眠予測により、個人や医療提供者は、安静に影響を及ぼす要因を予測し、積極的に対処し、最終的に精神的および身体的健康を改善することができる。 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。 提案モデルでは、畳み込み層を組み合わせ、複数の特徴と繰り返しニューラルネットワーク層間の空間的特徴の相互作用を捉え、長期の時間的健康関連データを処理する。 ドメイン分類器は、異なる主題にまたがって一般化するためにさらに統合される。 5つの入力ウィンドウサイズ(3,5,7,9,11日)と5つの予測ウィンドウサイズ(1,3,5,7,9日)を用いて実験を行った。 提案手法は,最低のRMSE(0.282)を7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し,連続的に4つのベースラインモデルを上回った。 さらに,本手法は,複数日後に予測しても高い性能を保ち,実世界のアプリケーションにその汎用性を示す。 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。 これらの結果から,本フレームワークは,市販ウェアラブル機器のスパースデータとドメイン適応技術を用いて,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

• Individualized and Interpretable Sleep Forecasting via a Two-Stage Adaptive Spatial-Temporal Model [1.7904458681854372]
  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。
  論文  参考訳（メタデータ） (2025-08-28T19:01:40Z)
• OmniTraj: Pre-Training on Heterogeneous Data for Adaptive and Zero-Shot Human Trajectory Prediction [62.385417528148224]
  OmniTrajは、大規模な異種データセットで事前トレーニングされたトランスフォーマーベースのモデルである。 実験によると、フレームレートを明示的に条件付けすることで、OmniTrajは最先端のゼロショット転送性能を実現することができる。
  論文  参考訳（メタデータ） (2025-07-31T15:37:09Z)
• 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)
• Soft Computing Approaches for Predicting Shade-Seeking Behaviour in Dairy Cattle under Heat Stress: A Comparative Study of Random Forests and Neural Networks [0.0]
  熱ストレスは地中海の気候において乳牛が直面する主な福祉と生産性の問題の1つである。 我々は2つのソフトコンピューティングアルゴリズム、ランダムフォレスト(Random Forests)とニューラル・ニューラルネットワーク(Neural Networks)を評価し、高解像度の行動データと微小気候データに基づいてトレーニングした。 最高のニューラルネットワーク(3つの隠れ層、16のニューロン、学習速度 = 10e-3)は平均で14.78に達し、ランダムフォレスト(10の木、深さ = 5)は14.97に達し、最も高い解釈性を提供する。
  論文  参考訳（メタデータ） (2025-01-09T14:32:08Z)
• 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)
• 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)
• 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)
• Model Selection, Adaptation, and Combination for Deep Transfer Learning through Neural Networks in Renewable Energies [5.953831950062808]
  再生可能電力予測におけるモデル選択と伝達学習の適応のための最初の徹底的な実験を行う。 異なる季節のデータに基づくモデルを採用し、トレーニングデータの量を制限する。 複数のモデルをアンサンブルで組み合わせることで、モデル選択と適応のアプローチが大幅に改善されることを示す。
  論文  参考訳（メタデータ） (2022-04-28T05:34:50Z)
• Adaptive Prediction Timing for Electronic Health Records [3.308743964406688]
  適応率で患者結果を予測する新しい,より現実的なアプローチを導入する。 リカレントニューラルネットワーク(RNN)とベイズ埋め込み層に新しいアグリゲーション法を適用し,適応予測のタイミングを示す。 入院48時間後,本モデルではスタティックウインドウと同等の性能を示した。
  論文  参考訳（メタデータ） (2020-03-05T12:02:44Z)

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。