論文の概要: ULW-SleepNet: An Ultra-Lightweight Network for Multimodal Sleep Stage Scoring

• arxiv url: http://arxiv.org/abs/2602.23852v1
• Date: Fri, 27 Feb 2026 09:48:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 19:48:24.354614
• Title: ULW-SleepNet: An Ultra-Lightweight Network for Multimodal Sleep Stage Scoring
• Title（参考訳）: ULW-SleepNet:マルチモーダル睡眠ステージスコーリングのための超軽量ネットワーク
• Authors: Zhaowen Wang, Dongdong Zhou, Qi Xu, Fengyu Cong, Mohammad Al-Sa'd, Jenni Raitoharju,
• Abstract要約: 超軽量・マルチモーダル睡眠ステージスコアリングフレームワークULW-SleepNetを提案する。 新たなDual-Stream Separable Convolution (DSSC) Block、Deepwise Separable Convolutions、チャネルワイドパラメータ共有、グローバル平均プールなどが組み込まれている。 最先端手法と比較して,本モデルではパラメータを98.6%まで削減し,性能損失を極端に抑えた。
• 参考スコア（独自算出の注目度）: 28.352558247977168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic sleep stage scoring is crucial for the diagnosis and treatment of sleep disorders. Although deep learning models have advanced the field, many existing models are computationally demanding and designed for single-channel electroencephalography (EEG), limiting their practicality for multimodal polysomnography (PSG) data. To overcome this, we propose ULW-SleepNet, an ultra-lightweight multimodal sleep stage scoring framework that efficiently integrates information from multiple physiological signals. ULW-SleepNet incorporates a novel Dual-Stream Separable Convolution (DSSC) Block, depthwise separable convolutions, channel-wise parameter sharing, and global average pooling to reduce computational overhead while maintaining competitive accuracy. Evaluated on the Sleep-EDF-20 and Sleep-EDF-78 datasets, ULW-SleepNet achieves accuracies of 86.9% and 81.4%, respectively, with only 13.3K parameters and 7.89M FLOPs. Compared to state-of-the-art methods, our model reduces parameters by up to 98.6% with only marginal performance loss, demonstrating its strong potential for real-time sleep monitoring on wearable and IoT devices. The source code for this study is publicly available at https://github.com/wzw999/ULW-SLEEPNET.
• Abstract（参考訳）: 自動睡眠ステージスコアリングは睡眠障害の診断と治療に不可欠である。 ディープラーニングモデルはこの分野を進歩させてきたが、既存のモデルの多くは単一チャネル脳波(EEG)を計算的に要求し、設計しており、マルチモーダル・ポリソノグラフィー(PSG)データに対する実用性を制限している。 これを解決するために,超軽量多モード睡眠ステージスコアリングフレームワークULW-SleepNetを提案する。 ULW-SleepNetは、新しいDual-Stream Separable Convolution (DSSC) Block、Deepwise Separable Convolutions、チャネルワイドパラメータ共有、グローバル平均プールを組み込んで、競合精度を維持しながら計算オーバーヘッドを削減する。 ULW-SleepNetは、Sleep-EDF-20とSleep-EDF-78のデータセットに基づいて、それぞれ86.9%と81.4%のアキュラシーを達成しており、パラメータは13.3Kと7.89Mである。 最先端の手法と比較して、我々のモデルは限界性能損失のみでパラメータを98.6%まで削減し、ウェアラブルやIoTデバイス上でのリアルタイム睡眠監視の強力な可能性を示している。 この研究のソースコードはhttps://github.com/wzw999/ULW-SLEEPNETで公開されている。

関連論文リスト

• NeuroSleep: Neuromorphic Event-Driven Single-Channel EEG Sleep Staging for Edge-Efficient Sensing [7.848671193820205]
  本稿では,エネルギー効率の高い睡眠ステージ構築のためのイベント駆動型センサと推論システムであるNeuroSleepを提案する。 状態認識モデリングによるニューロモルフィックエンコーディングをブリッジすることで、NeuroSleepはリソース制約のあるウェアラブルシナリオで常時オンの睡眠分析を行うためのスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2026-02-06T13:16:28Z)
• SleepLiteCNN: Energy-Efficient Sleep Apnea Subtype Classification with 1-Second Resolution Using Single-Lead ECG [0.0]
  睡眠時無呼吸症(Sleep apnea)は、呼吸中断が少なくとも10秒間持続し、1時間に5回以上起こるのを特徴とする一般的な睡眠障害である。 本稿では,高時間分解能のシングルリード心電図(ECG)を用いて睡眠時無呼吸サブタイプを分類するエネルギー効率のよい方法を提案する。 ウェアラブルプラットフォーム用に設計されたコンパクトでエネルギー効率の良い畳み込みニューラルネットワークであるSleepLiteCNNを紹介する。
  論文  参考訳（メタデータ） (2025-08-01T00:04:40Z)
• SleepGMUformer: A gated multimodal temporal neural network for sleep staging [12.839348425917581]
  本稿では、WristHR-Motion-SleepおよびSleepEDF-78の心拍、運動、ステップ、脳波(Fpz-Cz、Pz-Oz)、EOGを含む多ドメイン睡眠データのためのゲート型時空間ニューラルネットワークを提案する。 1)機能アライメント、値ハンドリングの欠如、EEGデトレクションのための前処理モジュール、2)時間次元における複雑な睡眠特徴のための特徴抽出モジュール、3)リアルタイムなモータリティ重み付けのための動的融合モジュール。
  論文  参考訳（メタデータ） (2025-02-20T03:42:42Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• A Closed-loop Sleep Modulation System with FPGA-Accelerated Deep Learning [1.5569382274788235]
  我々は,低消費電力フィールドプログラマブルゲートアレイ(FPGA)デバイス上でのクローズドループ操作をサポートする睡眠変調システムを開発した。 ディープラーニング(DL)モデルは、低消費電力のフィールドプログラマブルゲートアレイ(FPGA)デバイスによって加速される。 81名の被験者を含む公衆睡眠データベースを用いて、85.8%の最先端の分類精度とF1スコアの79%の精度でモデルが検証されている。
  論文  参考訳（メタデータ） (2022-11-19T01:47:53Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• 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)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• 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)
• REST: Robust and Efficient Neural Networks for Sleep Monitoring in the Wild [62.36144064259933]
  ニューラルネットワークの逆トレーニングとLipschitz定数の制御を通じて、両問題に同時に対処する新しい方法であるRESTを提案する。 私たちは、RESTがノイズの存在下で、オリジナルのフルサイズのモデルを大幅に上回る、ロバストで効率的なモデルを生成することを実証しています。 これらのモデルをスマートフォン上のAndroidアプリケーションにデプロイすることにより、RESTによってモデルが最大17倍のエネルギー削減と9倍高速な推論を達成することができることを定量的に観察する。
  論文  参考訳（メタデータ） (2020-01-29T17:23:16Z)

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。