論文の概要: BiTimeCrossNet: Time-Aware Self-Supervised Learning for Pediatric Sleep

• arxiv url: http://arxiv.org/abs/2602.02769v1
• Date: Mon, 02 Feb 2026 20:23:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.070432
• Title: BiTimeCrossNet: Time-Aware Self-Supervised Learning for Pediatric Sleep
• Title（参考訳）: BiTimeCrossNet: 小児睡眠の自己監視学習
• Authors: Saurav Raj Pandey, Harlin Lee,
• Abstract要約: BiTimeCrossNet (BTCNet) は、夜間睡眠研究のような長期の生理的記録のためのマルチモーダルな自己教師型学習フレームワークである。 BTCNetは、タスクラベルやシーケンスレベルの監督を必要とせずに、クロスアテンションを通じて生理的信号間のペアワイズ相互作用を学習する。 BTCNetは、睡眠ステージング、覚醒検出、呼吸事象検出を含む6つの下流課題における小児睡眠データに基づいて評価した。
• 参考スコア（独自算出の注目度）: 2.0391237204597363
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present BiTimeCrossNet (BTCNet), a multimodal self-supervised learning framework for long physiological recordings such as overnight sleep studies. While many existing approaches train on short segments treated as independent samples, BTCNet incorporates information about when each segment occurs within its parent recording, for example within a sleep session. BTCNet further learns pairwise interactions between physiological signals via cross-attention, without requiring task labels or sequence-level supervision. We evaluate BTCNet on pediatric sleep data across six downstream tasks, including sleep staging, arousal detection, and respiratory event detection. Under frozen-backbone linear probing, BTCNet consistently outperforms an otherwise identical non-time-aware variant, with gains that generalize to an independent pediatric dataset. Compared to existing multimodal self-supervised sleep models, BTCNet achieves strong performance, particularly on respiration-related tasks.
• Abstract（参考訳）: 夜間睡眠研究などの長期生理的記録のための多モード自己教師型学習フレームワークであるBiTimeCrossNet(BTCNet)を提案する。 多くの既存のアプローチでは、独立したサンプルとして扱われた短いセグメントでトレーニングされているが、BTCNetでは、例えば睡眠セッション内で、各セグメントが親レコード内でいつ発生するかに関する情報が組み込まれている。 BTCNetはさらに、タスクラベルやシーケンスレベルの監督を必要とせずに、クロスアテンションを通じて生理的信号間のペアワイズ相互作用を学習する。 BTCNetは、睡眠ステージング、覚醒検出、呼吸事象検出を含む6つの下流課題における小児睡眠データに基づいて評価した。 凍結したバックボーン線形プローブの下では、BTCNetは、独立な小児データセットに一般化するゲインを持つ、全く同じ非時間意識の変種を一貫して上回る。 既存のマルチモーダル睡眠モデルと比較して、BTCNetは特に呼吸関連タスクにおいて強いパフォーマンスを達成している。

関連論文リスト

• MC2SleepNet: Multi-modal Cross-masking with Contrastive Learning for Sleep Stage Classification [0.06282171844772422]
  本研究は、MC2SleepNet (Multi-modal Cross-masking with Contrastive Learning for Sleep Stage Classification Network)を紹介する。 コントラスト学習とクロスマスキングの助けを借りて、マルチモーダルトレーニングのためのCNNとTransformerアーキテクチャの効果的なコラボレーションを促進することを目的としている。 我々のMC2SleepNetは、SleepEDF-78で84.6%、Sleep Heart Health Studyで88.6%の精度で最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2025-02-13T08:33:38Z)
• CoRe-Sleep: A Multimodal Fusion Framework for Time Series Robust to Imperfect Modalities [10.347153539399836]
  CoRe-SleepはCoordinated Representation Multimodal fusion Networkである。 このような堅牢性を達成するための鍵として,マルチモーダル情報の適切な処理が重要であることを示す。 本研究の目的は,自動解析ツールと臨床応用とのギャップを埋めることである。
  論文  参考訳（メタデータ） (2023-03-27T18:28:58Z)
• L-SeqSleepNet: Whole-cycle Long Sequence Modelling for Automatic Sleep Staging [16.96499618061823]
  L-SeqSleepNetは、睡眠ステージングのためのサイクル全体の睡眠情報を考慮した、新しいディープラーニングモデルである。 L-SeqSleepNetは、N2睡眠の優位性を緩和し、他の睡眠段階におけるエラーを減少させることができる。
  論文  参考訳（メタデータ） (2023-01-09T15:44:43Z)
• ProductGraphSleepNet: Sleep Staging using Product Spatio-Temporal Graph Learning with Attentive Temporal Aggregation [4.014524824655106]
  本研究では,協調時間グラフ学習のための適応型製品グラフ学習型グラフ畳み込みネットワークProductGraphSleepNetを提案する。 提案したネットワークにより、臨床医は学習した睡眠段階の接続グラフを理解し、解釈することができる。
  論文  参考訳（メタデータ） (2022-12-09T14:34:58Z)
• Learning from partially labeled data for multi-organ and tumor segmentation [102.55303521877933]
  本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。 動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。 我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-13T13:03:09Z)
• BiCnet-TKS: Learning Efficient Spatial-Temporal Representation for Video Person Re-Identification [86.73532136686438]
  映像人物再識別(reID)のための効率的な時空間表現法を提案する。 空間相補性モデリングのための双方向相補性ネットワーク(BiCnet)を提案する。 BiCnet-TKSは、約50%の計算量で最先端の性能を発揮する。
  論文  参考訳（メタデータ） (2021-04-30T06:44:34Z)
• DoDNet: Learning to segment multi-organ and tumors from multiple partially labeled datasets [102.55303521877933]
  本稿では,複数の臓器と腫瘍を部分的にラベル付けしたデータセット上に分割する動的オンデマンドネットワーク(DoDNet)を提案する。 DoDNetは共有エンコーダデコーダアーキテクチャ、タスク符号化モジュール、動的畳み込みフィルタを生成するコントローラ、そして単一だが動的セグメンテーションヘッドで構成されている。
  論文  参考訳（メタデータ） (2020-11-20T04:56:39Z)
• Batch Coherence-Driven Network for Part-aware Person Re-Identification [79.33809815035127]
  既存のパートアウェアの人物再識別方法は、通常、ボディ部分の検出と部分レベルの特徴抽出という2つのステップを使用する。 トレーニングフェーズとテストフェーズの両方で身体の一部をバイパスし,セマンティックに整合した機能を実現するNetworkBCDNetを提案する。
  論文  参考訳（メタデータ） (2020-09-21T09:04:13Z)
• 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)
• Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
  病理組織像における腺分節に対するPRS2モデルを提案する。 このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。 我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
  論文  参考訳（メタデータ） (2020-08-06T15:02:38Z)

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。