論文の概要: Pretraining on Sleep Data Improves non-Sleep Biosignal Tasks

• arxiv url: http://arxiv.org/abs/2605.02500v1
• Date: Mon, 04 May 2026 11:51:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.269572
• Title: Pretraining on Sleep Data Improves non-Sleep Biosignal Tasks
• Title（参考訳）: 睡眠データの事前学習による非睡眠生体信号処理の改善
• Authors: William Lehn-Schiøler, Magnus Ruud Kjær, Phillip Hempel, Magnus Guldberg Pedersen, Rahul Thapa, Bryan He, Nicolai Spicher, Andreas Brink-Kjaer, Lars Kai Hansen, Emmanuel Mignot,
• Abstract要約: 睡眠基盤モデルは、最近、ドメイン内ポリソノグラフィータスクで強い性能を示した。 本研究は,睡眠のバイオシグナーが,睡眠を超えて移動する学習表現に有効な事前学習分布として機能するかどうかを考察する。
• 参考スコア（独自算出の注目度）: 5.729701207077404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sleep foundation models have recently demonstrated strong performance on in-domain polysomnography tasks, including sleep staging, apnea detection, and disease risk prediction. In this work, we investigate whether sleep biosignals can serve as an effective pretraining distribution for learning representations that transfer beyond sleep to adjacent domains. Following sleep foundation models, we perform sleep-only multimodal contrastive pretraining (with a leave-one-out objective) and evaluate transfer to non-sleep EEG and ECG, two well-benchmarked biosignal modalities with heterogeneous datasets and clinically meaningful downstream tasks. Across eight downstream tasks spanning multiple EEG and ECG datasets, sleep pretraining consistently improves performance relative to training from scratch. Moreover, on several tasks, we achieve performance competitive with or surpassing prior specialized state-of-the-art and foundation models.
• Abstract（参考訳）: 睡眠基盤モデルは、最近、睡眠ステージング、無呼吸検出、疾患リスク予測など、ドメイン内のポリソノグラフィータスクに強いパフォーマンスを示した。 本研究は, 睡眠のバイオシグナーが, 隣り合う領域に移動する学習表現に有効な事前学習分布として機能するかどうかを検討するものである。 睡眠基礎モデルに従って、睡眠のみのマルチモーダル・コントラスト・プレトレーニングを行い、非睡眠脳波と心電図、不均一なデータセットと臨床的に意味のある下流タスクの2つの生体信号モダリティを評価した。 複数のEEGデータセットとECGデータセットにまたがる8つのダウンストリームタスクにおいて、スリープ事前トレーニングは、スクラッチからトレーニングに対するパフォーマンスを一貫して改善する。 さらに、いくつかのタスクにおいて、従来の専門的な最先端および基礎モデルと競合するか、超越した性能を達成する。

関連論文リスト

• Stanford Sleep Bench: Evaluating Polysomnography Pre-training Methods for Sleep Foundation Models [18.499236999143474]
  我々はStanford Sleep Benchという大規模なPSGデータセットを公開しました。 以上の結果より, 睡眠時, 呼吸時, 呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時間, 呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時 睡眠研究を円滑に進めるために、トレーニング済みモデルウェイト、トレーニングパイプライン、評価コードとともにStanford Sleep Benchをリリースします。
  論文  参考訳（メタデータ） (2025-12-10T12:37:29Z)
• 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)
• PSDNorm: Test-Time Temporal Normalization for Deep Learning in Sleep Staging [63.05435596565677]
  我々は,モンジュマッピングと時間文脈を利用したPSDNormを提案し,信号の深層学習モデルにおける特徴写像の正規化を行う。 PSDNormは、BatchNormよりも4倍のデータ効率が高く、目に見えない左のデータセットで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-06T16:20:25Z)
• Toward Foundational Model for Sleep Analysis Using a Multimodal Hybrid Self-Supervised Learning Framework [3.135883872525168]
  本研究では,PSG(Polysomnography)データを解析するためのマルチモーダルハイブリッド学習フレームワークであるSynthSleepNetを紹介する。 SynthSleepNetは、マスク付き予測とコントラスト学習を効果的に統合し、複数のモードにまたがる相補的特徴を活用する。 3つの下流タスクにわたる最先端のメソッドよりも優れたパフォーマンスを実現した。
  論文  参考訳（メタデータ） (2025-02-18T10:11:50Z)
• Day-Night Adaptation: An Innovative Source-free Adaptation Framework for Medical Image Segmentation [51.520294290813865]
  そこで我々は,DyNA(Day-Night Adaptation)と呼ばれる新しい適応フレームワークを提案する。 日中は、各テストサンプルに凍結モデルを適用するために、低周波プロンプトが訓練される。 夜間,日中から収集したテストデータを再利用し,教師モデルと学生モデルとの知識を橋渡しするグローバルな学生モデルを導入する。
  論文  参考訳（メタデータ） (2024-10-17T12:02:29Z)
• 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)
• 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)
• 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)

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。