論文の概要: Resource Efficient Sleep Staging via Multi-Level Masking and Prompt Learning

• arxiv url: http://arxiv.org/abs/2511.06785v2
• Date: Tue, 18 Nov 2025 05:06:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 13:59:16.404269
• Title: Resource Efficient Sleep Staging via Multi-Level Masking and Prompt Learning
• Title（参考訳）: マルチレベルマスキングとプロンプト学習による資源効率のよい睡眠安定
• Authors: Lejun Ai, Yulong Li, Haodong Yi, Jixuan Xie, Yue Wang, Jia Liu, Min Chen, Rui Wang,
• Abstract要約: 本研究では,睡眠時間ごとの信号収集量を削減することを目的とした,資源効率の高い睡眠ステージングの課題を提案する。 この課題を解決するため,マスク・アウェア・スリープ・スタージング(MASS)と呼ばれる新しいフレームワークを提案する。 MASSは4つのデータセットで評価され、特にデータの量が非常に限られている場合、最先端のパフォーマンスを示す。
• 参考スコア（独自算出の注目度）: 13.557157745776166
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic sleep staging plays a vital role in assessing sleep quality and diagnosing sleep disorders. Most existing methods rely heavily on long and continuous EEG recordings, which poses significant challenges for data acquisition in resource-constrained systems, such as wearable or home-based monitoring systems. In this paper, we propose the task of resource-efficient sleep staging, which aims to reduce the amount of signal collected per sleep epoch while maintaining reliable classification performance. To solve this task, we adopt the masking and prompt learning strategy and propose a novel framework called Mask-Aware Sleep Staging (MASS). Specifically, we design a multi-level masking strategy to promote effective feature modeling under partial and irregular observations. To mitigate the loss of contextual information introduced by masking, we further propose a hierarchical prompt learning mechanism that aggregates unmasked data into a global prompt, serving as a semantic anchor for guiding both patch-level and epoch-level feature modeling. MASS is evaluated on four datasets, demonstrating state-of-the-art performance, especially when the amount of data is very limited. This result highlights its potential for efficient and scalable deployment in real-world low-resource sleep monitoring environments.
• Abstract（参考訳）: 自動睡眠ステージングは、睡眠の質を評価し、睡眠障害を診断する上で重要な役割を担っている。 既存の手法の多くは、長期かつ継続的なEEG記録に大きく依存しており、ウェアラブルやホームベースの監視システムのようなリソース制約のあるシステムにおいて、データ取得に重大な課題をもたらす。 本稿では、信頼性の高い分類性能を維持しつつ、睡眠時間ごとの信号収集量を削減することを目的とした、資源効率の高い睡眠ステージングの課題を提案する。 そこで我々は,マスク・アウェア・スリープ・スタージング(MASS)と呼ばれる新しいフレームワークを提案する。 具体的には、部分的および不規則な観測下での効果的な特徴モデリングを促進するために、マルチレベルマスキング戦略を設計する。 さらに,マスキングによるコンテキスト情報の損失を軽減するために,非マスキングされたデータをグローバルなプロンプトに集約する階層的なプロンプト学習機構を提案し,パッチレベルとエポックレベルの特徴モデリングの両方を導くセマンティックアンカーとして機能する。 MASSは4つのデータセットで評価され、特にデータの量が非常に限られている場合、最先端のパフォーマンスを示す。 この結果は、実世界の低リソース睡眠監視環境における効率的でスケーラブルなデプロイメントの可能性を強調している。

関連論文リスト

• MetaSTH-Sleep: Towards Effective Few-Shot Sleep Stage Classification for Health Management with Spatial-Temporal Hypergraph Enhanced Meta-Learning [27.155280206930055]
  時空間ハイパーグラフ強化メタラーニングに基づく数発の睡眠ステージ分類フレームワークであるMetaSTH-Sleepを提案する。 提案手法は,脳波信号の複雑な空間的相互干渉と時間的ダイナミクスを効果的にモデル化する一方で,少数のラベル付きサンプルを用いた新しい被験者への迅速な適応を可能にする。
  論文  参考訳（メタデータ） (2025-05-22T07:09:03Z)
• 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)
• Attentive Dilated Convolution for Automatic Sleep Staging using Force-directed Layout [1.0874100424278175]
  AttDiCNN(Attentive Dilated Convolutional Neural Network)と呼ばれる自動睡眠ステージ分類器を提案する。 ネットワークは、ローカル空間特徴抽出ネットワーク(LSFE)、時空間長期保持ネットワーク(S2TLR)、グローバル平均注意ネットワーク(G2A)の3つのモジュールで構成されている。 EDFX, HMC, NCHの3つのデータセットに対して, それぞれ98.56%, 99.66%, 99.08%の精度を達成し, 低計算を維持しながら, モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2024-08-21T06:35:50Z)
• UGMAE: A Unified Framework for Graph Masked Autoencoders [67.75493040186859]
  グラフマスク付きオートエンコーダのための統一フレームワークであるUGMAEを提案する。 まず,ノードの特異性を考慮した適応型特徴マスク生成器を開発した。 次に,階層型構造再構成と特徴再構成を併用し,総合的なグラフ情報を取得する。
  論文  参考訳（メタデータ） (2024-02-12T19:39:26Z)
• Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
  連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。 提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T15:34:52Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• Effective Multi-User Delay-Constrained Scheduling with Deep Recurrent Reinforcement Learning [28.35473469490186]
  マルチユーザ遅延制約スケジューリングは、無線通信、ライブストリーミング、クラウドコンピューティングを含む多くの現実世界アプリケーションにおいて重要である。 Recurrent Softmax Delayed Deep Double Deterministic Policy Gradient (mathttRSD4$) という深部強化学習アルゴリズムを提案する。 $mathttRSD4$は、それぞれLagrangianのデュアルと遅延に敏感なキューによるリソースと遅延の制約を保証する。 また、リカレントニューラルネットワーク(RNN)によって実現されたメモリ機構により、部分的可観測性にも効率よく取り組み、ユーザレベルの分解とノードレベルを導入している。
  論文  参考訳（メタデータ） (2022-08-30T08:44:15Z)
• Mask-based Latent Reconstruction for Reinforcement Learning [58.43247393611453]
  マスクをベースとした遅延再構成(MLR)は,空間的および時間的マスキング画素を用いた観測から潜在空間の完全な状態表現を予測するために提案される。 広汎な実験により,MLRは深部強化学習における試料効率を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2022-01-28T13:07:11Z)

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。