論文の概要: Demographic-Aware Transfer Learning for Sleep Stage Classification in Clinical Polysomnography

• arxiv url: http://arxiv.org/abs/2605.02245v1
• Date: Mon, 04 May 2026 05:38:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.149603
• Title: Demographic-Aware Transfer Learning for Sleep Stage Classification in Clinical Polysomnography
• Title（参考訳）: 臨床ポリソノグラフィーにおける睡眠段階分類のためのデモグラフィック・アウェア・トランスファー学習
• Authors: S M Asif Hossain, Shruti Kshirsagar,
• Abstract要約: 睡眠パターンは、性別、年齢、閉塞性睡眠時無呼吸(OSA)の重症度によって大きく異なる。 人口階層化と移動学習の枠組みに基づく2段階の学習戦略を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated sleep stage classification typically employs a single population-agnostic model, disregarding established demographic variations in sleep architecture. Sleep patterns, however, differ substantially across gender, age, and obstructive sleep apnea (OSA) severity, indicating that a onesize-fits all approach may be suboptimal for diverse clinical populations. In this paper, we propose a two stage training strategy based on demographic stratification and transfer learning framework. We first pretrains a convolutional recurrent model on the full population and then fine tunes it independently for demographic subgroups defined by gender, age, and Apnea-Hypopnea Index (AHI) severity according to the AASM clinical standard. Using the DREAMT dataset comprising 100 clinical subjects and 7 PSG channels, we evaluate 37 fine-tuned configurations across single-axis and two-way demographic combinations. Results demonstrate that 35 of the 37 fine-tuned models outperform the baseline, with Cohen's kappa improvements ranging from 0.9 to 12.9%. These findings indicate that stratified fine tuning tailored to specific patient demographics yields substantially more accurate sleep staging than a single generalized model, offering a practical and clinically grounded paradigm for personalized sleep assessment.
• Abstract（参考訳）: 自動睡眠ステージ分類は通常、1つの集団に依存しないモデルを採用し、睡眠アーキテクチャの確立した人口動態を無視する。 しかし、睡眠パターンは、性別、年齢、閉塞性睡眠時無呼吸(OSA)の重症度によって大きく異なるため、あらゆるアプローチが一律に適合する可能性が示唆されている。 本稿では,人口階層化と移動学習の枠組みに基づく2段階の学習戦略を提案する。 まず、全個体群における畳み込み反復モデルを事前訓練し、その後、AASM臨床基準に従って性別、年齢、アパネ-ヒスパネ指数(AHI)の重症度で定義される集団群を個別に微調整する。 患者100名とPSGチャンネル7名からなるDREAMTデータセットを用いて, 単軸群と双方向群の37種類の微調整構成について検討した。 結果、37モデルのうち35モデルがベースラインを上回り、コーエンのカッパの改良は0.9から12.9%であった。 以上の結果から,特定の患者集団に適合した階層化された微調整は,1つの一般化されたモデルよりもかなり正確な睡眠ステージングをもたらすことが示唆され,パーソナライズされた睡眠アセスメントの実践的,臨床的基礎となるパラダイムが提供される。

関連論文リスト

• AI Generalisation Gap In Comorbid Sleep Disorder Staging [5.137280927017341]
  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。
  論文  参考訳（メタデータ） (2026-03-24T15:02:35Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Transparency in Sleep Staging: Deep Learning Method for EEG Sleep Stage Classification with Model Interpretability [5.747465732334616]
  本研究では,残差ネットワーク内に圧縮ブロックと励起ブロックを統合し,複雑な時間的依存関係を理解するために,特徴抽出と積み重ねBi-LSTMを組み込んだエンド・ツー・エンドディープラーニング(DL)モデルを提案する。 本研究の特筆すべき側面は、睡眠ステージングのためのGradCamの適応であり、この領域における説明可能なDLモデルの最初の事例であり、その決定と睡眠専門家の洞察の一致である。
  論文  参考訳（メタデータ） (2023-09-10T17:56:03Z)
• A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
  本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。 トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。 本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2022-11-01T14:12:58Z)
• Identifying and mitigating bias in algorithms used to manage patients in a pandemic [4.756860520861679]
  現実のデータセットを使用して、新型コロナウイルスの死亡率、人工呼吸器の状態、入院状態を予測するために、ロジスティック回帰モデルが作成された。 モデルではバイアス試験の回数が57%減少した。 キャリブレーション後, 予測モデルの平均感度は0.527から0.955に増加した。
  論文  参考訳（メタデータ） (2021-10-30T21:10:56Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• 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)
• MetaSleepLearner: A Pilot Study on Fast Adaptation of Bio-signals-Based Sleep Stage Classifier to New Individual Subject Using Meta-Learning [15.451212330924447]
  モデル非依存メタラーニング(MAML)に基づく転移学習フレームワークMetaSleepLearnerを提案する。 従来のアプローチと比較すると、MetaSleepLearnerは5.4%から17.7%の改善を達成している。 これは、非伝統的な事前学習手法であるMAMLを調査した最初の研究であり、その結果、睡眠段階分類における人間と機械の協調が可能となった。
  論文  参考訳（メタデータ） (2020-04-08T16:31:03Z)

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。