論文の概要: Stanford Sleep Bench: Evaluating Polysomnography Pre-training Methods for Sleep Foundation Models
- arxiv url: http://arxiv.org/abs/2512.09591v1
- Date: Wed, 10 Dec 2025 12:37:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-11 15:14:53.519203
- Title: Stanford Sleep Bench: Evaluating Polysomnography Pre-training Methods for Sleep Foundation Models
- Title（参考訳）: スタンフォード睡眠ベンチ:睡眠基礎モデルのためのポリソムノグラフィ事前学習法の評価
- Authors: Magnus Ruud Kjaer, Rahul Thapa, Gauri Ganjoo, Hyatt Moore, Poul Joergen Jennum, Brandon M. Westover, James Zou, Emmanuel Mignot, Bryan He, Andreas Brink-Kjaer,
- Abstract要約: 我々はStanford Sleep Benchという大規模なPSGデータセットを公開しました。
以上の結果より, 睡眠時, 呼吸時, 呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時間, 呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時
睡眠研究を円滑に進めるために、トレーニング済みモデルウェイト、トレーニングパイプライン、評価コードとともにStanford Sleep Benchをリリースします。
- 参考スコア（独自算出の注目度）: 18.499236999143474
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Polysomnography (PSG), the gold standard test for sleep analysis, generates vast amounts of multimodal clinical data, presenting an opportunity to leverage self-supervised representation learning (SSRL) for pre-training foundation models to enhance sleep analysis. However, progress in sleep foundation models is hindered by two key limitations: (1) the lack of a shared dataset and benchmark with diverse tasks for training and evaluation, and (2) the absence of a systematic evaluation of SSRL approaches across sleep-related tasks. To address these gaps, we introduce Stanford Sleep Bench, a large-scale PSG dataset comprising 17,467 recordings totaling over 163,000 hours from a major sleep clinic, including 13 clinical disease prediction tasks alongside canonical sleep-related tasks such as sleep staging, apnea diagnosis, and age estimation. We systematically evaluate SSRL pre-training methods on Stanford Sleep Bench, assessing downstream performance across four tasks: sleep staging, apnea diagnosis, age estimation, and disease and mortality prediction. Our results show that multiple pretraining methods achieve comparable performance for sleep staging, apnea diagnosis, and age estimation. However, for mortality and disease prediction, contrastive learning significantly outperforms other approaches while also converging faster during pretraining. To facilitate reproducibility and advance sleep research, we will release Stanford Sleep Bench along with pretrained model weights, training pipelines, and evaluation code.
- Abstract（参考訳）: 睡眠分析のためのゴールドスタンダードテストであるPSG(Polysomnography)は、多モード臨床データを大量に生成し、事前学習基盤モデルに自己教師付き表現学習(SSRL)を活用する機会を提供し、睡眠分析を強化する。
しかし,睡眠基盤モデルの進歩は,(1)共有データセットの欠如と,(2)睡眠関連タスクにおけるSSRLアプローチの体系的評価の欠如という,2つの大きな制約によって妨げられている。
これらのギャップに対処するために、Stanford Sleep Benchという大規模なPSGデータセットを導入し、主要な睡眠クリニックから計16,467時間以上を録音し、睡眠ステージング、無呼吸診断、年齢推定などの標準睡眠関連タスクと合わせて13の臨床疾患予測タスクを作成した。
本研究では,SSRLプレトレーニングをStanford Sleep Bench上で実施し,睡眠時,無呼吸診断,年齢推定,疾患および死亡予測の4つの課題におけるダウンストリーム性能の評価を行った。
以上の結果より, 睡眠時, 呼吸時, 呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時間, 呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸
しかし、死亡率や病気の予測では、コントラスト学習は他のアプローチよりも優れており、事前訓練中により速く収束する。
再現性を容易にし、睡眠研究を進めるため、トレーニング済みモデル重量、トレーニングパイプライン、評価コードとともにスタンフォード睡眠ベンチをリリースします。
関連論文リスト
- Sleep Position Classification using Transfer Learning for Bed-based Pressure Sensors [0.06282171844772422]
ベッドベースの感圧マット(PSM)は、睡眠中の患者を監視する非侵襲的な方法を提供する。
睡眠クリニックのマットレスの下に置かれたPSMから収集したデータを用いた4方向睡眠位置分類に焦点を当てた。
論文 参考訳（メタデータ） (2025-05-12T22:54:03Z) - Multimodal Sleep Stage and Sleep Apnea Classification Using Vision Transformer: A Multitask Explainable Learning Approach [1.7765306045990206]
睡眠段階と睡眠障害の同時分類のための1D-Vision Transformerを提案する。
提案手法は,5段階睡眠分類では78% (0.66) ,睡眠時無呼吸分類では74% (0.58) の総合的精度を示した。
論文 参考訳（メタデータ） (2025-02-18T15:48:06Z) - Day-Night Adaptation: An Innovative Source-free Adaptation Framework for Medical Image Segmentation [51.520294290813865]
そこで我々は,DyNA(Day-Night Adaptation)と呼ばれる新しい適応フレームワークを提案する。
日中は、各テストサンプルに凍結モデルを適用するために、低周波プロンプトが訓練される。
夜間,日中から収集したテストデータを再利用し,教師モデルと学生モデルとの知識を橋渡しするグローバルな学生モデルを導入する。
論文 参考訳（メタデータ） (2024-10-17T12:02:29Z) - What Radio Waves Tell Us about Sleep [34.690382091650314]
本研究では、睡眠中の人から反射される電波からの睡眠と夜間呼吸を受動的にモニタリングする高度な機械学習アルゴリズムを開発した。
睡眠時無呼吸(AUROC=0.88)を検知し,睡眠時無呼吸を検知した。
このモデルは、睡眠段階と、神経、精神医学、循環器、免疫疾患を含む様々な疾患の間の情報的相互作用を明らかにする。
論文 参考訳（メタデータ） (2024-05-20T02:41:21Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - Clustering and Data Augmentation to Improve Accuracy of Sleep Assessment and Sleep Individuality Analysis [1.9662978733004597]
本研究の目的は,就寝時の頻繁な動きによる睡眠不足など,エビデンスに基づく評価を提供する機械学習ベースの睡眠評価モデルを構築することである。
睡眠音イベントの抽出,VAEを用いた潜時表現の抽出,GMMによるクラスタリング,主観的睡眠評価のためのLSTMトレーニングは94.8%の精度で睡眠満足度を識別した。
論文 参考訳（メタデータ） (2024-04-16T05:56:41Z) - Sleep Stage Classification Using a Pre-trained Deep Learning Model [0.0]
EEGMobileは脳波の脳波スペクトログラムから学習する機械学習モデルである。
このモデルは"Sleep-EDF20"と呼ばれる公開データセットで86.97%の精度を達成し、他の研究者によって提案されたモデルよりも優れていた。
論文 参考訳（メタデータ） (2023-09-12T23:02:19Z) - Sleep Activity Recognition and Characterization from Multi-Source
Passively Sensed Data [67.60224656603823]
睡眠活動認識法は、被験者の睡眠覚醒サイクルを評価し、監視し、特徴づけ、行動の変化を検出する指標を提供することができる。
本稿では,スマートフォンから受動的に知覚されたデータを連続的に操作して,睡眠の特徴を識別し,重要な睡眠エピソードを識別する一般的な方法を提案する。
これらの装置は、その用途により、連続的で客観的で非侵襲的な方法で被験者の生体リズムをプロファイルするための優れた代替データ源となっている。
論文 参考訳（メタデータ） (2023-01-17T15:18:45Z) - Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel
EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。
専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。
専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文 参考訳（メタデータ） (2021-03-30T09:59:56Z) - MSED: a multi-modal sleep event detection model for clinical sleep
analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。
モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文 参考訳（メタデータ） (2021-01-07T13:08:44Z)
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。