Fugu-MT 論文翻訳(概要): Transformer-Based Sleep Stage Classification Enhanced by Clinical Information

論文の概要: Transformer-Based Sleep Stage Classification Enhanced by Clinical Information

arxiv url: http://arxiv.org/abs/2511.08864v1
Date: Thu, 13 Nov 2025 01:12:55 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-13 22:34:54.267087
Title: Transformer-Based Sleep Stage Classification Enhanced by Clinical Information
Title（参考訳）: 臨床情報によるトランスフォーマー型睡眠ステージ分類
Authors: Woosuk Chung, Seokwoo Hong, Wonhyeok Lee, Sangyoon Bae,
Abstract要約: ポリソムノグラフィー(PSG)による手動睡眠ステージングは、労働集約的であり、スカラー間変動の傾向が強い。本稿ではトランスフォーマーをベースとしたエンコーダと1D CNNアグリゲータを組み合わせた2段階アーキテクチャを提案する。文脈融合がステージング精度を大幅に向上することを示す。
参考スコア（独自算出の注目度）: 1.2360653373668684
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Manual sleep staging from polysomnography (PSG) is labor-intensive and prone to inter-scorer variability. While recent deep learning models have advanced automated staging, most rely solely on raw PSG signals and neglect contextual cues used by human experts. We propose a two-stage architecture that combines a Transformer-based per-epoch encoder with a 1D CNN aggregator, and systematically investigates the effect of incorporating explicit context: subject-level clinical metadata (age, sex, BMI) and per-epoch expert event annotations (apneas, desaturations, arousals, periodic breathing). Using the Sleep Heart Health Study (SHHS) cohort (n=8,357), we demonstrate that contextual fusion substantially improves staging accuracy. Compared to a PSG-only baseline (macro-F1 0.7745, micro-F1 0.8774), our final model achieves macro-F1 0.8031 and micro-F1 0.9051, with event annotations contributing the largest gains. Notably, feature fusion outperforms multi-task alternatives that predict the same auxiliary labels. These results highlight that augmenting learned representations with clinically meaningful features enhances both performance and interpretability, without modifying the PSG montage or requiring additional sensors. Our findings support a practical and scalable path toward context-aware, expert-aligned sleep staging systems.
Abstract（参考訳）: ポリソムノグラフィー(PSG)による手動睡眠ステージングは、労働集約的で、スカラー間変動の傾向が強い。最近のディープラーニングモデルには高度な自動ステージングがあるが、ほとんどは生のPSG信号にのみ依存し、人間の専門家が使用する文脈的手がかりを無視している。本稿では,トランスフォーマーをベースとした画期的エンコーダと1D CNNアグリゲータを組み合わせた2段階アーキテクチャを提案する。睡眠心健康研究(SHHS)コホート(n=8,357)を用いて,文脈融合がステージング精度を大幅に向上することを示した。 PSGのみのベースライン(macro-F1 0.7745, micro-F1 0.8774)と比較して、最終モデルはマクロ-F1 0.8031 と micro-F1 0.9051 を達成し、イベントアノテーションは最大のゲインに寄与する。特に、機能融合は、同じ補助ラベルを予測するマルチタスクの代替よりも優れている。これらの結果から,PSGモンタージュを改変したり,追加のセンサーを必要とすることなく,臨床的に有意な特徴を持つ学習表現を増強することで,パフォーマンスと解釈性が向上することが示唆された。本研究は,コンテキスト対応型,専門家対応型睡眠ステージシステムへの実践的でスケーラブルなパスを支援する。

関連論文リスト

VesSAM: Efficient Multi-Prompting for Segmenting Complex Vessel [68.24765319399286]
本稿では,2次元血管セグメンテーションに適した,強力で効率的なフレームワークであるVesSAMを提案する。 VesSAMは、(1)局所的なテクスチャ機能を強化する畳み込みアダプタ、(2)解剖学的プロンプトを融合するマルチプロンプトエンコーダ、(3)ジャグアーティファクトを減らす軽量マスクデコーダを統合する。 VesSAMは、最先端のPEFTベースのSAMを10%以上のDiceと13%のIoUで一貫して上回っている。
論文参考訳（メタデータ） (2025-11-02T15:47:05Z)
AdaFusion: Prompt-Guided Inference with Adaptive Fusion of Pathology Foundation Models [49.550545038402184]
本稿では,新しいプロンプト誘導推論フレームワークであるAdaFusionを提案する。本手法は,多様なモデルからタイルレベルの特徴を圧縮・整列する。 AdaFusionは、分類タスクと回帰タスクの両方にわたって、個々のPFMを一貫して上回っている。
論文参考訳（メタデータ） (2025-08-07T07:09:31Z)
Wearable Sensor-Based IoT XAI Framework for Predicting Freezing of Gait in Parkinsons Disease [0.0]
この研究は、Cataboost、XGBoost、Extra Treesといった機械学習(ML)アルゴリズムを用いて、臨床データに基づく正確なFOG分類を研究する。開発されたセンサーベースの技術は、医療とバイオメディカルテクノロジーの強化の分野で現実世界の問題解決に大きな可能性を秘めている。
論文参考訳（メタデータ） (2025-07-01T01:22:12Z)
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)
Phikon-v2, A large and public feature extractor for biomarker prediction [42.52549987351643]
我々は、DINOv2を用いて視覚変換器を訓練し、このモデルの1つのイテレーションを公開して、Phikon-v2と呼ばれるさらなる実験を行う。 Phikon-v2は、公開されている組織学のスライドをトレーニングしながら、以前リリースしたモデル(Phikon)を上回り、プロプライエタリなデータでトレーニングされた他の病理学基盤モデル(FM)と同等に動作します。
論文参考訳（メタデータ） (2024-09-13T20:12:29Z)
Spatial Adaptation Layer: Interpretable Domain Adaptation For Biosignal Sensor Array Applications [0.7499722271664147]
生体信号アレイモデルに適用可能な空間適応層(SAL)を提案する。また,学習可能なベースライン正規化(LBN)を導入し,ベースライン変動を低減する。 2つのHD-sEMGジェスチャ認識データセットでテストした結果、SALとLBNは通常の配列の標準微調整よりも優れていた。
論文参考訳（メタデータ） (2024-09-12T14:06:12Z)
ASPS: Augmented Segment Anything Model for Polyp Segmentation [77.25557224490075]
SAM(Segment Anything Model)は、ポリープセグメンテーションに先例のないポテンシャルを導入している。 SAMのTransformerベースの構造は、グローバルおよび低周波情報を優先する。 CFAはトレーニング可能なCNNエンコーダブランチと凍結したViTエンコーダを統合し、ドメイン固有の知識の統合を可能にする。
論文参考訳（メタデータ） (2024-06-30T14:55:32Z)
MSSC-BiMamba: Multimodal Sleep Stage Classification and Early Diagnosis of Sleep Disorders with Bidirectional Mamba [5.606144017978037]
本研究では,睡眠時ステージングと障害分類の自動モデルを構築し,診断精度と効率を向上させる。マルチモード睡眠状態分類モデルMSSC-BiMamba を設計した。このモデルは、マルチモーダルPSGデータを用いたスリープステージングにBiMambaを初めて適用し、計算とメモリ効率を大幅に向上させた。
論文参考訳（メタデータ） (2024-05-30T15:16:53Z)
Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文参考訳（メタデータ） (2023-08-31T05:05:53Z)
Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文参考訳（メタデータ） (2023-05-30T08:24:01Z)

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。