論文の概要: FetalSleepNet: A Transfer Learning Framework with Spectral Equalisation Domain Adaptation for Fetal Sleep Stage Classification

• arxiv url: http://arxiv.org/abs/2509.10082v1
• Date: Fri, 12 Sep 2025 09:19:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:08.028431
• Title: FetalSleepNet: A Transfer Learning Framework with Spectral Equalisation Domain Adaptation for Fetal Sleep Stage Classification
• Title（参考訳）: FetalSleepNet:胎児睡眠段階分類のためのスペクトル等化ドメイン適応を用いた移行学習フレームワーク
• Authors: Weitao Tang, Johann Vargas-Calixto, Nasim Katebi, Nhi Tran, Sharmony B. Kelly, Gari D. Clifford, Robert Galinsky, Faezeh Marzbanrad,
• Abstract要約: 本研究は、卵脳波(EEG)から睡眠状態を分類する最初のディープラーニングアプローチであるFetalSleepNetを提示する。 正確な睡眠段階分類は、妊娠合併症に関連する脳の異常な成熟を早期に検出するのに役立つ可能性がある。
• 参考スコア（独自算出の注目度）: 4.259898199991103
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Introduction: This study presents FetalSleepNet, the first published deep learning approach to classifying sleep states from the ovine electroencephalogram (EEG). Fetal EEG is complex to acquire and difficult and laborious to interpret consistently. However, accurate sleep stage classification may aid in the early detection of abnormal brain maturation associated with pregnancy complications (e.g. hypoxia or intrauterine growth restriction). Methods: EEG electrodes were secured onto the ovine dura over the parietal cortices of 24 late gestation fetal sheep. A lightweight deep neural network originally developed for adult EEG sleep staging was trained on the ovine EEG using transfer learning from adult EEG. A spectral equalisation-based domain adaptation strategy was used to reduce cross-domain mismatch. Results: We demonstrated that while direct transfer performed poorly, full fine tuning combined with spectral equalisation achieved the best overall performance (accuracy: 86.6 percent, macro F1-score: 62.5), outperforming baseline models. Conclusions: To the best of our knowledge, FetalSleepNet is the first deep learning framework specifically developed for automated sleep staging from the fetal EEG. Beyond the laboratory, the EEG-based sleep stage classifier functions as a label engine, enabling large scale weak/semi supervised labeling and distillation to facilitate training on less invasive signals that can be acquired in the clinic, such as Doppler Ultrasound or electrocardiogram data. FetalSleepNet's lightweight design makes it well suited for deployment in low power, real time, and wearable fetal monitoring systems.
• Abstract（参考訳）: FetalSleepNetは、卵巣脳波(EEG)から睡眠状態を分類するための最初のディープラーニングアプローチである。 胎児脳波は取得が複雑で、一貫した解釈が困難で困難である。 しかし、正確な睡眠段階の分類は妊娠合併症(例えば低酸素症や子宮内発育制限)に関連する脳の異常な成熟を早期に検出するのに役立つかもしれない。 方法: 妊娠後期胎仔24頭の頭頂皮質に脳波電極を固定した。 成体脳波からの伝達学習を用いて、成熟脳波睡眠ステージングのために開発された軽量の深層ニューラルネットワークを卵巣脳波上で訓練した。 スペクトル等化に基づくドメイン適応戦略は、クロスドメインミスマッチを低減するために用いられた。 結果: 直接転送は不十分であったが, 完全微調整とスペクトル等化を組み合わせることで, 総合的性能(精度86.6%, マクロF1スコア62.5)が向上し, ベースラインモデルを上回った。 結論:私たちの知る限りでは、FetalSleepNetは胎児脳波から自動睡眠ステージングのために特別に開発された最初のディープラーニングフレームワークです。 実験室の他に、脳波ベースの睡眠ステージ分類器はラベルエンジンとして機能し、大規模で弱い/半教師付きラベル付けと蒸留を可能にし、ドップラー超音波や心電図データなどのクリニックで取得可能な、より侵襲性の低い信号の訓練を容易にする。 FetalSleepNetの軽量設計は、低消費電力、リアルタイム、ウェアラブルの胎児モニタリングシステムに適している。

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)
• 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)
• PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
  犬心電図(ECG)の評価には熟練した獣医が必要である。 心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。 犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
  論文  参考訳（メタデータ） (2023-05-17T09:06:39Z)
• EEG aided boosting of single-lead ECG based sleep staging with Deep Knowledge Distillation [0.8602553195689513]
  心電図(Electrocardiogram, ECG)は、睡眠期における脳波の代替としてより適している。 知識蒸留(KD)はDeep Learning(DL)において有望な概念であり、優れたパフォーマンスだがより複雑な教師モデルから劣るがコンパクトな学生モデルまで知識を共有している。 本研究は, 単チャンネル心電図による3クラス (W-R-N) と4クラス (W-R-L-D) の睡眠ステージング性能向上のためのKDの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-11-18T21:09:25Z)
• Development of Sleep State Trend (SST), a bedside measure of neonatal sleep state fluctuations based on single EEG channels [0.0]
  新生児集中治療室における睡眠状態変動の自動モニタリング法の開発と評価を行った。 ディープラーニングに基づくアルゴリズムは、30人の新生児の長期(a)EEGモニタリングから53のEEG記録を設計し、訓練した。 トレーニングデータにおける静電睡眠検出の精度は90%で,4電極記録から得られる全双極性導出の精度は85～86%と同等であった。
  論文  参考訳（メタデータ） (2022-08-25T08:36:44Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• 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)
• Automatic detection of microsleep episodes with deep learning [55.41644538483948]
  15秒未満の睡眠の短い断片は、マイクロスリープエピソード(MSEs)として定義される 覚醒検査(MWT)の維持は、警戒を評価するために臨床現場でしばしば用いられる。 MSEは、MSEを定義する確立された評価基準が欠如しているため、ほとんど考慮されていない。 入力として生の脳波とEOGデータに基づいて機械学習を用いてMSEを自動的に検出することを目的とした。
  論文  参考訳（メタデータ） (2020-09-07T11:38:40Z)
• AdaIN-Switchable CycleGAN for Efficient Unsupervised Low-Dose CT Denoising [46.0231398013639]
  スイッチング可能な1つのジェネレータを用いた新しいサイクルGANアーキテクチャを提案する。 提案手法は,約半数のパラメータを用いて,前回のCycleGAN手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-08-13T08:30:23Z)

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。