Fugu-MT 論文翻訳(概要): sleep2vec: Unified Cross-Modal Alignment for Heterogeneous Nocturnal Biosignals

論文の概要: sleep2vec: Unified Cross-Modal Alignment for Heterogeneous Nocturnal Biosignals

arxiv url: http://arxiv.org/abs/2602.13857v1
Date: Sat, 14 Feb 2026 19:40:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-17 14:17:28.516962
Title: sleep2vec: Unified Cross-Modal Alignment for Heterogeneous Nocturnal Biosignals
Title（参考訳）: sleep2vec : 不均一夜間生体信号に対する一貫したクロスモーダルアライメント
Authors: Weixuan Yuan, Zengrui Jin, Yichen Wang, Donglin Xie, Ziyi Ye, Chao Zhang, Xuesong Chen,
Abstract要約: 多様な夜間生体信号の基盤モデルであるtextttsleep2vec について述べる。 textttsleep2vecは、9つのモードにまたがる42,249の夜間録音で、対照的に事前訓練されている。ダウンストリーム睡眠ステージングと臨床成績評価では、ttexttsleep2vecは一貫して強いベースラインを上回っている。
参考スコア（独自算出の注目度）: 15.989293188183069
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Tasks ranging from sleep staging to clinical diagnosis traditionally rely on standard polysomnography (PSG) devices, bedside monitors and wearable devices, which capture diverse nocturnal biosignals (e.g., EEG, EOG, ECG, SpO$_2$). However, heterogeneity across devices and frequent sensor dropout pose significant challenges for unified modelling of these multimodal signals. We present \texttt{sleep2vec}, a foundation model for diverse and incomplete nocturnal biosignals that learns a shared representation via cross-modal alignment. \texttt{sleep2vec} is contrastively pre-trained on 42,249 overnight recordings spanning nine modalities using a \textit{Demography, Age, Site \& History-aware InfoNCE} objective that incorporates physiological and acquisition metadata (\textit{e.g.}, age, gender, recording site) to dynamically weight negatives and mitigate cohort-specific shortcuts. On downstream sleep staging and clinical outcome assessment, \texttt{sleep2vec} consistently outperforms strong baselines and remains robust to any subset of available modalities and sensor dropout. We further characterize, to our knowledge for the first time, scaling laws for nocturnal biosignals with respect to modality diversity and model capacity. Together, these results show that unified cross-modal alignment, coupled with principled scaling, enables label-efficient, general-purpose modelling of real-world nocturnal biosignals.
Abstract（参考訳）: 睡眠段階から臨床診断までのタスクは、伝統的に標準的なPSG(polysomnography)デバイス、ベッドサイドモニター、ウェアラブルデバイスに依存しており、多様な夜間生体信号(例えば、EEG、EOG、ECG、SpO$_2$)をキャプチャする。しかし、デバイス間の不均一性と頻繁なセンサドロップアウトは、これらのマルチモーダル信号の統一的なモデリングに重大な課題をもたらす。本稿では,多様かつ不完全な夜間生体信号の基礎モデルであるtexttt{sleep2vec} について述べる。対象は、生理的および取得メタデータ(\textit{e g }、年齢、性別、記録サイト)を動的に重み付けし、コホート固有のショートカットを緩和する。ダウンストリーム睡眠ステージングと臨床成績評価では、texttt{sleep2vec} は一貫して強いベースラインを上回り、利用可能なモダリティやセンサーのドロップアウトのサブセットに対して頑健である。我々は, 夜間生体信号の法則を, モダリティの多様性とモデルキャパシティに関して, 初めて明らかにした。これらの結果から, 実世界の夜行性生体信号のラベル効率, 汎用的モデリングを可能にすることが示唆された。

関連論文リスト

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)
MetaSTH-Sleep: Towards Effective Few-Shot Sleep Stage Classification for Health Management with Spatial-Temporal Hypergraph Enhanced Meta-Learning [27.155280206930055]
時空間ハイパーグラフ強化メタラーニングに基づく数発の睡眠ステージ分類フレームワークであるMetaSTH-Sleepを提案する。提案手法は,脳波信号の複雑な空間的相互干渉と時間的ダイナミクスを効果的にモデル化する一方で,少数のラベル付きサンプルを用いた新しい被験者への迅速な適応を可能にする。
論文参考訳（メタデータ） (2025-05-22T07:09:03Z)
PhysLLM: Harnessing Large Language Models for Cross-Modal Remote Physiological Sensing [49.243031514520794]
LLM(Large Language Models)は、テキスト中心の設計のため、長距離信号の取得に優れる。 PhysLLMは最先端の精度とロバスト性を実現し、照明のバリエーションや動きのシナリオにまたがる優れた一般化を示す。
論文参考訳（メタデータ） (2025-05-06T15:18:38Z)
wav2sleep: A Unified Multi-Modal Approach to Sleep Stage Classification from Physiological Signals [0.6261444979025643]
wav2sleepは、トレーニングと推論中に入力信号の可変セットを操作するために設計された統一モデルである。 ECG、PSG、呼吸信号を含むテスト時間入力の組み合わせで、既存の睡眠ステージ分類モデルよりも優れています。
論文参考訳（メタデータ） (2024-11-07T12:01:36Z)
MSSC-BiMamba: Multimodal Sleep Stage Classification and Early Diagnosis of Sleep Disorders with Bidirectional Mamba [5.606144017978037]
本研究では,睡眠時ステージングと障害分類の自動モデルを構築し,診断精度と効率を向上させる。マルチモード睡眠状態分類モデルMSSC-BiMamba を設計した。このモデルは、マルチモーダルPSGデータを用いたスリープステージングにBiMambaを初めて適用し、計算とメモリ効率を大幅に向上させた。
論文参考訳（メタデータ） (2024-05-30T15:16:53Z)
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)
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)
Ensemble of Convolution Neural Networks on Heterogeneous Signals for Sleep Stage Scoring [63.30661835412352]
本稿では,脳波以外の追加信号の利用の利便性について検討し,比較する。最も優れたモデルである深部分離畳み込みニューラルネットワークのアンサンブルは86.06%の精度を達成した。
論文参考訳（メタデータ） (2021-07-23T06:37:38Z)
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)
Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文参考訳（メタデータ） (2020-07-16T09:39:17Z)

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。