論文の概要: AnySleep: a channel-agnostic deep learning system for high-resolution sleep staging in multi-center cohorts

• arxiv url: http://arxiv.org/abs/2512.14461v1
• Date: Tue, 16 Dec 2025 14:49:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.751979
• Title: AnySleep: a channel-agnostic deep learning system for high-resolution sleep staging in multi-center cohorts
• Title（参考訳）: AnySleep:マルチセンターコホートにおける高分解能睡眠ステージングのためのチャネルに依存しないディープラーニングシステム
• Authors: Niklas Grieger, Jannik Raskob, Siamak Mehrkanoon, Stephan Bialonski,
• Abstract要約: 我々は、脳波(EEG)や脳電図(EOG)のデータを用いて、調整可能な時間分解能で睡眠を評価するディープニューラルネットワークモデルであるAnySleepを提案する。 このモデルは最先端のパフォーマンスを達成し、確立されたベースラインを30秒のエポックで上回るか等しくする。
• 参考スコア（独自算出の注目度）: 1.7032702581423902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sleep is essential for good health throughout our lives, yet studying its dynamics requires manual sleep staging, a labor-intensive step in sleep research and clinical care. Across centers, polysomnography (PSG) recordings are traditionally scored in 30-s epochs for pragmatic, not physiological, reasons and can vary considerably in electrode count, montage, and subject characteristics. These constraints present challenges in conducting harmonized multi-center sleep studies and discovering novel, robust biomarkers on shorter timescales. Here, we present AnySleep, a deep neural network model that uses any electroencephalography (EEG) or electrooculography (EOG) data to score sleep at adjustable temporal resolutions. We trained and validated the model on over 19,000 overnight recordings from 21 datasets collected across multiple clinics, spanning nearly 200,000 hours of EEG and EOG data, to promote robust generalization across sites. The model attains state-of-the-art performance and surpasses or equals established baselines at 30-s epochs. Performance improves as more channels are provided, yet remains strong when EOG is absent or when only EOG or single EEG derivations (frontal, central, or occipital) are available. On sub-30-s timescales, the model captures short wake intrusions consistent with arousals and improves prediction of physiological characteristics (age, sex) and pathophysiological conditions (sleep apnea), relative to standard 30-s scoring. We make the model publicly available to facilitate large-scale studies with heterogeneous electrode setups and to accelerate the discovery of novel biomarkers in sleep.
• Abstract（参考訳）: 睡眠は、私たちの生活を通して健康に欠かせないものですが、そのダイナミクスを研究するには、手動睡眠ステージング、労働集約的な睡眠研究、臨床医療が必要です。 センター全体のポリソムノグラフィー(PSG)記録は、伝統的に30年代のエポックで測定され、生理的ではなく、理由として、電極数、モンタージュ、および被検体特性に大きく異なる。 これらの制約は、より短い時間スケールで調和した多施設睡眠研究を行い、新しい堅牢なバイオマーカーを発見する上での課題である。 本稿では、脳波(EEG)や脳電図(EOG)のデータを用いて、時間分解能の調整が可能な睡眠を計測するディープニューラルネットワークモデルであるAnySleepを紹介する。 我々は、複数のクリニックにまたがって収集された21のデータセットから19,000以上の一晩にわたるデータに基づいて、20万時間近い脳波とEOGデータをトレーニングし、検証し、サイト全体の堅牢な一般化を促進しました。 このモデルは最先端のパフォーマンスを達成し、確立されたベースラインを30秒のエポックで上回るか等しくする。 EOGが欠如している場合や、EOGまたは単一のEEG(前頭、中心、後頭)のみが利用可能である場合、パフォーマンスは向上する。 30秒未満のタイムスケールでは、標準的な30秒のスコアと比較すると、このモデルは覚醒剤と整合した短時間の侵入を捉え、生理的特性(年齢、性別)と病態的条件(睡眠時無呼吸)の予測を改善する。 本研究では,不均一電極を用いた大規模研究の促進と,睡眠中の新規バイオマーカーの発見を促進するために,このモデルを一般公開する。

関連論文リスト

• Exploring the Efficacy of Convolutional Neural Networks in Sleep Apnea Detection from Single Channel EEG [0.0]
  本稿では,単一チャネル脳波データに基づいて学習した畳み込みニューラルネットワーク(CNN)を用いた睡眠時無呼吸症候群の検出手法を提案する。 提案されたCNNの精度は85.1%、マシューズ相関係数(MCC)は0.22で、家庭ベースのアプリケーションにとって大きな可能性を示した。
  論文  参考訳（メタデータ） (2025-08-16T04:58:00Z)
• 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)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Time-to-Event Pretraining for 3D Medical Imaging [44.46415168541444]
  本稿では,3次元医用画像モデルのための事前トレーニングフレームワークである,時間とイベントの事前トレーニングを紹介する。 我々は18,945個のCTスキャン(420万枚の2D画像)のデータセットと、何千ものEHR由来のタスクにまたがる時間-時間分布を用いています。 提案手法は,AUROCの平均値が23.7%,HarrellのC-インデックスが29.4%向上し,結果予測が向上する。
  論文  参考訳（メタデータ） (2024-11-14T11:08:54Z)
• 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 Model -- A Sequence Model for Predicting the Next Sleep Stage [18.059360820527687]
  単チャンネル脳波(EEG)、脳電図(EOG)、筋電図(EMG)、心電図(ECG)などの単純なセンサーを用いた睡眠段階分類が注目されている。 本研究では、次の睡眠段階を予測する睡眠モデルを提案し、睡眠分類精度を向上させるために使用した。
  論文  参考訳（メタデータ） (2023-02-17T07:37:54Z)
• 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)
• 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)

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。