論文の概要: Combining scEEG and PPG for reliable sleep staging using lightweight wearables

• arxiv url: http://arxiv.org/abs/2602.15042v1
• Date: Wed, 04 Feb 2026 13:00:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 12:01:13.623425
• Title: Combining scEEG and PPG for reliable sleep staging using lightweight wearables
• Title（参考訳）: 軽量ウェアラブルを用いた信頼性睡眠ステージングのためのScEEGとPSGの組み合わせ
• Authors: Jiawei Wang, Liang Xu, Shuntian Zheng, Yu Guan, Kaichen Wang, Ziqing Zhang, Chen Chen, Laurence T. Yang, Sai Gu,
• Abstract要約: シングルチャネル脳波(scEEG)のような軽量ウェアラブルデバイスでは、信頼性の高い睡眠ステージングは依然として困難である。 scEEGは皮質活動を直接測定し、睡眠段階の基礎として機能するが、軽い睡眠段階において限られたパフォーマンスを示す。 本研究では,短時間 (30 s - 30 min) の制約下での4クラス睡眠ステージングにおける scEEG- PPG 融合について検討した。
• 参考スコア（独自算出の注目度）: 30.175969145789896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable sleep staging remains challenging for lightweight wearable devices such as single-channel electroencephalography (scEEG) or photoplethysmography (PPG). scEEG offers direct measurement of cortical activity and serves as the foundation for sleep staging, yet exhibits limited performance on light sleep stages. PPG provides a low-cost complement that captures autonomic signatures effective for detecting light sleep. However, prior PPG-based methods rely on full night recordings (8 - 10 hours) as input context, which is less practical to provide timely feedback for sleep intervention. In this work, we investigate scEEG-PPG fusion for 4-class sleep staging under short-window (30 s - 30 min) constraints. First, we evaluate the temporal context required for each modality, to better understand the relationship of sleep staging performance with respect to monitoring window. Second, we investigate three fusion strategies: score-level fusion, cross-attention fusion enabling feature-level interactions, and Mamba-enhanced fusion incorporating temporal context modeling. Third, we train and evaluate on the Multi-Ethnic Study of Atherosclerosis (MESA) dataset and perform cross-dataset validation on the Cleveland Family Study (CFS) and the Apnea, Bariatric surgery, and CPAP (ABC) datasets. The Mamba-enhanced fusion achieves the best performance on MESA (Cohen's Kappa $κ$ = 0.798, Acc = 86.9%), with particularly notable improvement in light sleep classification (F1-score: 85.63% vs. 77.76%, recall: 82.85% vs. 69.95% for scEEG alone), and generalizes well to CFS and ABC datasets with different populations. These findings suggest that scEEG-PPG fusion is a promising approach for lightweight wearable based sleep monitoring, offering a pathway toward more accessible sleep health assessment. Source code of this project can be found at: https://github.com/DavyWJW/scEEG-PPGFusion
• Abstract（参考訳）: シングルチャネル脳波(scEEG)や光胸腺波(PPG)などの軽量ウェアラブルデバイスでは、信頼性の高い睡眠ステージングが依然として困難である。 scEEGは皮質活動を直接測定し、睡眠段階の基礎として機能するが、軽い睡眠段階において限られたパフォーマンスを示す。 PPGは、光睡眠を検出するのに効果的な自律神経のシグネチャを捕捉する低コストの補体を提供する。 しかしながら、以前のPSGベースの手法は、睡眠介入のためのタイムリーなフィードバックを提供するために、入力コンテキストとして全夜記録(8時間から10時間)を頼りにしている。 本研究では,短時間 (30 s～30 分) の制約下での4クラス睡眠ステージングにおけるScEEG-PPG融合について検討する。 まず、各モータリティに必要な時間的文脈を評価し、監視窓に対する睡眠ステージング性能の関係をよりよく理解する。 第2に、スコアレベル融合、特徴レベル相互作用を可能にするクロスアテンション融合、時間文脈モデリングを取り入れたマンバエンハンス融合の3つの融合戦略について検討する。 第3に,マルチエスニック・スタディ・オブ・アテローム・アテローム (MESA) データセットをトレーニングし,クリーブランド・ファミリー・スタディ (CFS) とアパネ・バリアント手術 (Apnea, Bariatric surgery) およびCPAP (ABC) データセットを用いたクロスデータセット検証を行った。 マンバ強化核融合はMESA(コーエンのKappa $κ$ = 0.798, Acc = 86.9%)で最高の性能を達成し、特に軽睡眠分類(F1スコア:85.63% vs. 77.76%、リコール:82.85% vs. 69.95%)が向上し、人口の異なるCFSおよびABCデータセットによく一般化している。 以上の結果から,SCEEG-PPG融合は軽度ウェアラブル型睡眠モニタリングにおいて有望なアプローチであり,よりアクセスしやすい睡眠状態評価への道筋が示唆された。 プロジェクトのソースコードは、https://github.com/DavyWJW/scEEG-PPGFusion.comで見ることができる。

関連論文リスト

• On Improving PPG-Based Sleep Staging: A Pilot Study [21.462014806247353]
  Photoplethys(モグラフィー)センサーはコンシューマーデバイスで広く採用されているが、PDGのみを用いた一貫した信頼性の高い睡眠ステージングは難しい課題である。 従来のシングルストリームモデルと2重ストリームのクロスアテンション戦略を比較し、PPGとPPGから派生したモダリティを用いて相補的な情報を学習する。 PPGと補助情報を二重ストリームのクロスアテンションアーキテクチャで組み合わせることで,大幅な性能向上が達成できることがわかった。
  論文  参考訳（メタデータ） (2025-07-23T14:11:41Z)
• 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)
• Optimizing Photoplethysmography-Based Sleep Staging Models by Leveraging Temporal Context for Wearable Devices Applications [0.0]
  最先端の睡眠ステージング手法では、長期間の連続的な信号取得が必要であり、高エネルギー消費のためウェアラブルデバイスでは実用的ではない。 本研究では,トップパフォーマンスの最先端手法に基づく適応型睡眠ステージングモデルを提案し,その性能を異なるセグメントサイズで評価する。
  論文  参考訳（メタデータ） (2024-10-01T13:47:42Z)
• Thermal Imaging and Radar for Remote Sleep Monitoring of Breathing and Apnea [42.00356210257671]
  睡眠モニタリングのためのレーダとサーマルイメージングの初回比較を行った。 熱画像法では,0.99,精度0.68,リコール0.74,F1スコア0.71,クラス内相関0.73が検出された。 マルチモーダル・セットアップを活用して閉塞性および中枢性睡眠時無呼吸を分類するための新しい提案を提案する。
  論文  参考訳（メタデータ） (2024-07-16T17:26:50Z)
• 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)
• EEG-based Sleep Staging with Hybrid Attention [4.718295968108302]
  我々は、HASS(Hybrid Attention EEG Sleep Staging)と呼ばれる新しいフレームワークを提案する。 提案手法は,睡眠時脳波信号の空間的・時間的関係を捉えることの難しさを軽減する。
  論文  参考訳（メタデータ） (2023-05-16T15:37:32Z)
• 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)
• 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 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。