論文の概要: Fully-automated sleep staging: multicenter validation of a generalizable deep neural network for Parkinson's disease and isolated REM sleep behavior disorder
- arxiv url: http://arxiv.org/abs/2602.09793v2
- Date: Wed, 11 Feb 2026 12:41:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-12 15:03:20.226895
- Title: Fully-automated sleep staging: multicenter validation of a generalizable deep neural network for Parkinson's disease and isolated REM sleep behavior disorder
- Title（参考訳）: 完全自動睡眠ステージリング:パーキンソン病と孤立型REM睡眠行動障害に対する一般化可能なディープニューラルネットワークのマルチセンター検証
- Authors: Jesper Strøm, Casper Skjærbæk, Natasha Becker Bertelsen, Steffen Torpe Simonsen, Niels Okkels, David Bertram, Sinah Röttgen, Konstantin Kufer, Kaare B. Mikkelsen, Marit Otto, Poul Jørgen Jennum, Per Borghammer, Michael Sommerauer, Preben Kidmose,
- Abstract要約: 睡眠行動障害(iRBD)はパーキンソン病(PD)の鍵となる予後マーカーである
我々は,深いニューラルネットワークであるUSleepをPDおよびIRBDの一般的な睡眠段階に適用した。
- 参考スコア（独自算出の注目度）: 0.4686663122869858
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Isolated REM sleep behavior disorder (iRBD) is a key prodromal marker of Parkinson's disease (PD), and video-polysomnography (vPSG) remains the diagnostic gold standard. However, manual sleep staging is particularly challenging in neurodegenerative diseases due to EEG abnormalities and fragmented sleep, making PSG assessments a bottleneck for deploying new RBD screening technologies at scale. We adapted U-Sleep, a deep neural network, for generalizable sleep staging in PD and iRBD. A pretrained U-Sleep model, based on a large, multisite non-neurodegenerative dataset (PUB; 19,236 PSGs across 12 sites), was fine-tuned on research datasets from two centers (Lundbeck Foundation Parkinson's Disease Research Center (PACE) and the Cologne-Bonn Cohort (CBC); 112 PD, 138 iRBD, 89 age-matched controls. The resulting model was evaluated on an independent dataset from the Danish Center for Sleep Medicine (DCSM; 81 PD, 36 iRBD, 87 sleep-clinic controls). A subset of PSGs with low agreement between the human rater and the model (Cohen's $κ$ < 0.6) was re-scored by a second blinded human rater to identify sources of disagreement. Finally, we applied confidence-based thresholds to optimize REM sleep staging. The pretrained model achieved mean $κ$ = 0.81 in PUB, but $κ$ = 0.66 when applied directly to PACE/CBC. By fine-tuning the model, we developed a generalized model with $κ$ = 0.74 on PACE/CBC (p < 0.001 vs. the pretrained model). In DCSM, mean and median $κ$ increased from 0.60 to 0.64 (p < 0.001) and 0.64 to 0.69 (p < 0.001), respectively. In the interrater study, PSGs with low agreement between the model and the initial scorer showed similarly low agreement between human scorers. Applying a confidence threshold increased the proportion of correctly identified REM sleep epochs from 85% to 95.5%, while preserving sufficient (> 5 min) REM sleep for 95% of subjects.
- Abstract（参考訳）: 孤立型REM睡眠行動障害(iRBD)はパーキンソン病(PD)の重要な先駆的マーカーであり、ビデオポリソノグラフィー(vPSG)は診断基準のままである。
しかし、脳波異常と断片化睡眠による神経変性疾患では、手動睡眠ステージングは特に困難であり、PSG評価は、新しいRBDスクリーニング技術を大規模に展開するボトルネックとなる。
ディープニューラルネットワークであるU-SleepをPDおよびIRBDの一般的な睡眠段階に適用した。
プレトレーニングされたU-Sleepモデルは、大規模なマルチサイト非神経発生データセット(PUB:19,236のPSG)に基づいて、Lundbeck Foundation Parkinson's Disease Research Center(PACE)とCologne-Bonn Cohort(CBC)の2つのセンターの研究データセットに基づいて微調整された。
結果は、デンマーク睡眠医学センター(DCSM; 81 PD, 36 IRBD, 87 睡眠周期制御)の独立したデータセットで評価された。
人間の利率とモデルとの一致性の低いPSGのサブセット(コーエンの$κ$ < 0.6)は、意見の相違点を特定するために第2の盲目の人間利率によって再描画された。
最後に、REM睡眠ステージの最適化に信頼度に基づくしきい値を適用した。
事前訓練されたモデルは PUB で$κ$ = 0.81 となるが、PACE/CBC に直接適用すると$κ$ = 0.66 となる。
PACE/CBC上のκ$ = 0.74 (p < 0.001 vs. 事前学習モデル) の一般化モデルを開発した。
DCSMでは平均$κ$が0.60から0.64(p < 0.001)、0.64から0.69(p < 0.001)に増加した。
インターラッター実験では, モデルと初期スコアラーの低一致のPSGは, 同様にヒトスコアラーの低一致を示した。
信頼性閾値を適用すると、正しく同定されたREM睡眠エポックの割合が85%から95.5%に上昇し、95%の被験者で十分な(>5分)REM睡眠を保った。
関連論文リスト
- Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。
評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
論文 参考訳（メタデータ） (2025-05-23T14:06:42Z) - SleepFM: Multi-modal Representation Learning for Sleep Across Brain Activity, ECG and Respiratory Signals [17.416001617612658]
睡眠は、脳、心臓、呼吸活動を記録する様々なモードを通して評価される複雑な生理的過程である。
睡眠分析のための最初のマルチモーダル基礎モデルであるSleepFMを開発した。
コントラスト学習のための新しい一対一アプローチにより、下流タスク性能が大幅に向上することを示す。
論文 参考訳（メタデータ） (2024-05-28T02:43:53Z) - Comparison analysis between standard polysomnographic data and in-ear-EEG signals: A preliminary study [0.10910416614141322]
ポリソムノグラフィー(PSG)は、現在睡眠障害評価の指標となっている。
有望な競合製品の一つが、ear-EEGセンサーだ。
本研究の目的は,単一チャネル内EEGと標準PSGの類似性を評価する手法を確立することである。
論文 参考訳（メタデータ） (2024-01-18T16:18:18Z) - Extraction of Sleep Information from Clinical Notes of Patients with Alzheimer's Disease Using Natural Language Processing [4.268772592648502]
睡眠は、高齢者の最適な認知機能に不可欠なライフスタイルに関連する要因の1つである。
伝統的に睡眠情報を取得する方法は、時間がかかり、効率が悪く、測定不能であり、患者の主観的な経験に限られる。
本研究では,ルールベース自然言語処理(NLP)アルゴリズム,機械学習モデル,およびLarge Language Model(LLM)ベースのNLPアルゴリズムを開発し,睡眠関連概念の抽出を自動化する。
論文 参考訳（メタデータ） (2022-03-08T21:20:19Z) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳（メタデータ） (2021-10-19T00:03:57Z) - Sleep Staging Based on Serialized Dual Attention Network [0.0]
生の脳波に基づく深層学習モデルSDANを提案する。
チャネルアテンションと空間アテンション機構を連続的に組み合わせて、キー情報をフィルタリングしハイライトする。
他の方法と比較して、N1睡眠期において優れた結果が得られる。
論文 参考訳（メタデータ） (2021-07-18T13:18:12Z) - 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) - Temporal convolutional networks and transformers for classifying the
sleep stage in awake or asleep using pulse oximetry signals [0.0]
覚醒・睡眠中の睡眠段階をパルスオキシメータからのHR信号のみを用いて分類することを目的としたネットワークアーキテクチャを開発する。
トランスフォーマーはシーケンスをモデル化し、睡眠段階間の遷移ルールを学ぶことができる。
全体の正確性、特異性、感受性、およびコーエンのカッパ係数は90.0%, 94.9%, 78.1%, 0.73であった。
論文 参考訳（メタデータ） (2021-01-29T22:58:33Z) - 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) - Automatic sleep stage classification with deep residual networks in a
mixed-cohort setting [63.52264764099532]
我々は,大規模コホートの一般化性を評価するために,新しいディープニューラルネットワークモデルを開発した。
総合的な分類精度はトレーニングデータの分数を増やして向上した。
論文 参考訳（メタデータ） (2020-08-21T10:48:35Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z)
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。