論文の概要: SleepMaMi: A Universal Sleep Foundation Model for Integrating Macro- and Micro-structures

• arxiv url: http://arxiv.org/abs/2602.07628v1
• Date: Sat, 07 Feb 2026 17:17:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.729861
• Title: SleepMaMi: A Universal Sleep Foundation Model for Integrating Macro- and Micro-structures
• Title（参考訳）: SleepMaMi: マクロ構造とマイクロ構造を統合するユニバーサルスリープ基礎モデル
• Authors: Keondo Park, Younghoon Na, Yourim Choi, Hyunwoo Ryu, Hyun-Woo Shin, Hyung-Sin Kim,
• Abstract要約: スリープマミ(SleepMaMi)は、スリープファウンデーションモデルであり、スリープファウンデーションモデルであり、スリープファウンデーションのアーキテクチャと微細な信号形態の両方を習得する。 我々のフレームワークは階層的な二重エンコーダ設計を用いており、マクロエンコーダは夜間の時間依存をモデル化し、マイクロエンコーダは生体信号から短期特性をキャプチャする。 SleepMaMiは、さまざまな下流タスクにまたがって既存の基礎モデルを上回り、臨床睡眠分析のための優れた一般化性とラベル効率の適応を示す。
• 参考スコア（独自算出の注目度）: 5.6647921948947015
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: While the shift toward unified foundation models has revolutionized many deep learning domains, sleep medicine remains largely restricted to task-specific models that focus on localized micro-structure features. These approaches often neglect the rich, multi-modal context of Polysomnography (PSG) and fail to capture the global macro-structure of a full night's sleep. To address this, we introduce SleepMaMi , a Sleep Foundation Model engineered to master both hour-long sleep architectures and fine-grained signal morphologies. Our framework utilizes a hierarchical dual-encoder design: a Macro-Encoder to model full-night temporal dependencies and a Micro-Encoder to capture short-term characteristics from biosignals. Macro-Encoder is trained via Demographic-Guided Contrastive Learning, which aligns overnight sleep patterns with objective subject metadata, such as age, sex and BMI to refine global representations. Micro-Encoder is optimized via a hybrid Masked Autoencoder (MAE) and multi-modal contrastive objective. Pre-trained on a massive corpus of $>$20,000 PSG recordings (158K hours),SleepMaMi outperforms existing foundation models across a diverse suite of downstream tasks, demonstrating superior generalizability and label-efficient adaptation for clinical sleep analysis.
• Abstract（参考訳）: 統合基盤モデルへの移行は多くのディープラーニング領域に革命をもたらしたが、睡眠医学は局所的なミクロ構造の特徴に焦点を当てたタスク固有のモデルに大きく制限されている。 これらのアプローチはポリソムノグラフィー(PSG)のリッチでマルチモーダルな文脈を無視し、一晩の睡眠のグローバルなマクロ構造を捉えるのに失敗することが多い。 これを解決するために,1時間の睡眠構造と微細な信号形態の両方を習得するために設計された睡眠基礎モデルであるSleepMaMiを紹介する。 我々のフレームワークは階層型デュアルエンコーダ設計を用いており、マクロエンコーダはフルナイトの時間依存性をモデル化し、マイクロエンコーダはバイオシグナーから短期特性をキャプチャする。 Macro-EncoderはDemographic-Guided Contrastive Learningを通じてトレーニングされている。これは、一晩の睡眠パターンと、年齢、性別、BMIといった客観的なテーマのメタデータを調整して、グローバルな表現を洗練させるものだ。 マイクロエンコーダは、Masked Autoencoder(MAE)とマルチモーダルコントラスト目的によって最適化されている。 SleepMaMiは2万ドルのPSG録音(158K時間)の膨大なコーパスで事前訓練され、さまざまな下流タスクで既存の基礎モデルを上回り、臨床睡眠分析に優れた一般化性とラベル効率の適応を示す。

関連論文リスト

• Adaptive Global and Fine-Grained Perceptual Fusion for MLLM Embeddings Compatible with Hard Negative Amplification [49.109117617514066]
  マルチモーダル埋め込みは、視覚と言語を整合させるブリッジとして機能する。 MLLM埋め込みのための適応的グローバルおよび微粒な知覚融合法を提案する。 AGFF-Embedは、総合的および微粒な理解において、最先端のパフォーマンスを包括的に達成する。
  論文  参考訳（メタデータ） (2026-02-05T14:52:35Z)
• Semantics and Content Matter: Towards Multi-Prior Hierarchical Mamba for Image Deraining [95.00432497331583]
  画像デライニングのためのマルチPrior Hierarchical Mamba (MPHM) ネットワーク MPHMは、タスクレベルのセマンティックガイダンスのためのマクロセマンティックテキスト先行(CLIP)と、シーン認識構造情報のためのマイクロ構造視覚先行(DINOv2)を統合している。 実験ではMPHMの最先端のパフォーマンスを実証し、Rain200Hデータセットで0.57dBのPSNRゲインを達成した。
  論文  参考訳（メタデータ） (2025-11-17T08:08:59Z)
• NeuroLingua: A Language-Inspired Hierarchical Framework for Multimodal Sleep Stage Classification Using EEG and EOG [0.0]
  我々は、睡眠を構造化生理言語として概念化する言語に着想を得たフレームワークであるNeuroLinguaを提案する。 睡眠を構成言語とすることで、NeuroLinguaは階層的なシーケンスモデリングとマルチモーダル融合を統一する。 NeuroLingua は、Sleep-EDF Expanded と ISRUC-Sleep データセットで評価される。
  論文  参考訳（メタデータ） (2025-11-12T22:10:59Z)
• Resource Efficient Sleep Staging via Multi-Level Masking and Prompt Learning [13.557157745776166]
  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。
  論文  参考訳（メタデータ） (2025-11-10T07:19:26Z)
• 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)
• 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)
• TimeMAE: Self-Supervised Representations of Time Series with Decoupled Masked Autoencoders [55.00904795497786]
  トランスフォーマネットワークに基づく転送可能な時系列表現を学習するための,新しい自己教師型パラダイムであるTimeMAEを提案する。 TimeMAEは双方向符号化方式を用いて時系列の豊富な文脈表現を学習する。 新たに挿入されたマスク埋め込みによって生じる不一致を解消するため、分離されたオートエンコーダアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2023-03-01T08:33:16Z)
• 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)
• Deep Autoencoding Topic Model with Scalable Hybrid Bayesian Inference [55.35176938713946]
  我々は、ガンマ分布の階層構造を用いて、その多確率層生成ネットワークを構築するディープ・オートエンコーディング・トピック・モデル(DATM)を開発した。 Weibull上向き変分エンコーダを提案する。このエンコーダは深層ニューラルネットワークを介して情報を上向きに伝播し,次いで下向き生成モデルを提案する。 大規模コーパス上での教師なしおよび教師なしの学習タスクにおいて,モデルの有効性とスケーラビリティを実証した。
  論文  参考訳（メタデータ） (2020-06-15T22:22:56Z)

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。