論文の概要: AI Generalisation Gap In Comorbid Sleep Disorder Staging

• arxiv url: http://arxiv.org/abs/2603.23582v2
• Date: Thu, 26 Mar 2026 18:13:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.138601
• Title: AI Generalisation Gap In Comorbid Sleep Disorder Staging
• Title（参考訳）: 睡眠障害の高齢化に伴うAI一般化の進展
• Authors: Saswata Bose, Suvadeep Maiti, Shivam Kumar Sharma, Mythirayee S, Tapabrata Chakraborti, Srijitesh Rajendran, Raju S. Bapi,
• Abstract要約: iSLEEPS (iSLEEPS) を新たに導入した。 単一チャネル脳波睡眠ステージリングのためのSE-ResNet+双方向LSTMモデルの評価を行った。 健常者と疾患者のクロスドメインパフォーマンスは貧弱である。
• 参考スコア（独自算出の注目度）: 5.137280927017341
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate sleep staging is essential for diagnosing OSA and hypopnea in stroke patients. Although PSG is reliable, it is costly, labor-intensive, and manually scored. While deep learning enables automated EEG-based sleep staging in healthy subjects, our analysis shows poor generalization to clinical populations with disrupted sleep. Using Grad-CAM interpretations, we systematically demonstrate this limitation. We introduce iSLEEPS, a newly clinically annotated ischemic stroke dataset (to be publicly released), and evaluate a SE-ResNet plus bidirectional LSTM model for single-channel EEG sleep staging. As expected, cross-domain performance between healthy and diseased subjects is poor. Attention visualizations, supported by clinical expert feedback, show the model focuses on physiologically uninformative EEG regions in patient data. Statistical and computational analyses further confirm significant sleep architecture differences between healthy and ischemic stroke cohorts, highlighting the need for subject-aware or disease-specific models with clinical validation before deployment. A summary of the paper and the code is available at https://himalayansaswatabose.github.io/iSLEEPS_Explainability.github.io/
• Abstract（参考訳）: 脳卒中患者のOSAおよび低呼吸の診断には正確な睡眠ステージングが不可欠である。 PSGは信頼性が高いが、コストが高く、労働集約的であり、手動で得点する。 深層学習は、健常者における脳波による自動睡眠ステージングを可能にするが、我々の分析は睡眠障害のある臨床患者に対する一般化が不十分であることを示している。 Grad-CAMの解釈を用いて、この制限を体系的に示す。 iSLEEPSは,新規に注釈付き虚血性脳卒中データセットであり,SE-ResNet+双方向LSTMモデルを用いて単チャンネル脳波睡眠ステージの評価を行う。 予想通り、健常者と疾患患者のクロスドメインパフォーマンスは貧弱である。 臨床専門家のフィードバックによって支援された注意可視化は、患者データにおける生理的非情報的脳波領域に焦点を当てたモデルを示す。 統計的および計算学的分析により、健康な脳卒中コホートと虚血性脳卒中コホートの間に有意な睡眠構造の違いが確認される。 論文の概要とコードはhttps://himalayansaswatabose.github.io/iSLEEPS_Explainability.github.io/で公開されている。

関連論文リスト

• KindSleep: Knowledge-Informed Diagnosis of Obstructive Sleep Apnea from Oximetry [5.901247752047518]
  臨床知識を単一チャンネルの患者固有のオキシメトリー信号や臨床データと統合してOSAの正確な診断を行う,深層学習フレームワークKindSleepを紹介した。 KindSleepはまず、生のオキシメトリー信号から直接、変性指標や呼吸障害などの臨床的に解釈可能な概念を識別することを学ぶ。 AHI(Apnea-Hypopnea Index)を推定するために、AIに由来する概念をマルチモーダルな臨床データと融合する。
  論文  参考訳（メタデータ） (2026-03-05T03:00:34Z)
• Multi-Channel Differential Transformer for Cross-Domain Sleep Stage Classification with Heterogeneous EEG and EOG [1.422074091840573]
  異種脳波-EOG表現学習のための多チャンネル差動変換フレームワークであるSleepDIFFormerを提案する。 SleepDIFFormerは複数のスリープステージデータセットでトレーニングされており、それぞれがソースドメインとして扱われる。 提案手法は,空間的および時間的注意雑音を緩和し,データセット間の特徴分布アライメントを通じて,領域不変なEEG-EOG表現を学習することにより,新しい領域への一般化を促進する。
  論文  参考訳（メタデータ） (2025-08-21T03:59:10Z)
• Exploring the Efficacy of Convolutional Neural Networks in Sleep Apnea Detection from Single Channel EEG [0.0]
  本稿では,単一チャネル脳波データに基づいて学習した畳み込みニューラルネットワーク(CNN)を用いた睡眠時無呼吸症候群の検出手法を提案する。 提案されたCNNの精度は85.1%、マシューズ相関係数(MCC)は0.22で、家庭ベースのアプリケーションにとって大きな可能性を示した。
  論文  参考訳（メタデータ） (2025-08-16T04:58:00Z)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• Enhancing Healthcare with EOG: A Novel Approach to Sleep Stage Classification [1.565361244756411]
  EOG信号を用いた自動睡眠ステージ分類に革新的アプローチを導入し、脳波データ取得に伴う不快感と非現実性に対処する。 提案するSE-Resnet-Transformerモデルは、生のEOG信号から5つの異なる睡眠ステージを正確に分類する。
  論文  参考訳（メタデータ） (2023-09-25T16:23:39Z)
• 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)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• 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)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)

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。