論文の概要: Staging by the Book: Automatic Sleep Stage Classification Using Scoring Rules

• arxiv url: http://arxiv.org/abs/2605.22859v1
• Date: Tue, 19 May 2026 15:13:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.002666
• Title: Staging by the Book: Automatic Sleep Stage Classification Using Scoring Rules
• Title（参考訳）: Scoring Rules を用いた自動睡眠ステージ分類
• Authors: Emil Hardarson, Konstantin Popov, Sigridur Sigurdardottir, Anna Sigridur Islind, Erna Sif Arnardóttir, María Óskarsdóttir,
• Abstract要約: 本稿では,アメリカ睡眠医学会のスコアリングロジックを実行可能なコードとして運用するルールベースの睡眠ステージング手法を提案する。 ポリソノグラフィー記録50件について,基準として10-scorer majority-vote コンセンサスを用いて検討した。 現代のディープラーニングモデルよりも基準との一致が低いにもかかわらず、この手法は決定論的決定とAASMスコアリングルールに沿った自然言語の説明を提供する。
• 参考スコア（独自算出の注目度）: 1.211884891496742
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Automated sleep staging is commonly approached as a supervised machine learning problem, with deep learning methods dominating recent research. While machine learning models achieve near-human level agreement with human-scored reference sleep stages, their decisions are typically opaque and not designed to follow clinical scoring rules. We propose a transparent alternative: a deterministic, rule-based sleep staging method that explicitly operationalizes the American Academy of Sleep Medicine's (AASM) scoring logic as executable code, coupled with epoch-level natural-language justifications derived from an explanation trace. We evaluate the approach on 50 polysomnography recordings with a 10-scorer majority-vote consensus as reference. Across all recordings, the method agreed with the majority-vote reference in 60.5% of epochs ($κ=0.42$), with substantially higher agreement on a dataset used during development (77.1%, $κ=0.61$). Agreement with the reference was highest for sleep stage N2 (recall 83.5%) and moderate for sleep stage R (recall 68.7%), while Wake and N1 recall were low. Despite lower agreement with the reference than contemporary deep learning models, the method provides deterministic decisions and natural language explanations aligned with AASM scoring rules, making it a complementary tool for auditing, debugging, and governing deep learning-based sleep staging.
• Abstract（参考訳）: 自動睡眠ステージングは、教師付き機械学習問題として一般的にアプローチされており、最近の研究ではディープラーニング手法が優位である。 機械学習モデルは人間の睡眠段階と人間に近いレベルの一致を達成するが、その決定は通常不透明であり、臨床スコアリングルールに従うように設計されていない。 本稿では,アメリカ睡眠医学会 (AASM) のスコアリングロジックを実行可能なコードとして明示的に運用する,決定論的で規則に基づく睡眠ステージング手法を提案する。 本研究は,50枚のポリソノグラフィー記録に対するアプローチを,基準として10声の多数声のコンセンサスを用いて評価した。 すべての録音において、この手法は60.5%のエポック(κ=0.42$)の多数投票基準に一致し、開発中に使用されるデータセット(77.1%、$κ=0.61$)についてかなり高い合意が得られた。 基準との一致は睡眠ステージN2(83.5%)と睡眠ステージR(68.7%)が最も高く、ウェイクとN1リコールは低かった。 現代のディープラーニングモデルよりも基準との一致が低いにもかかわらず、この手法はAASMスコアリングルールに沿った決定論的決定と自然言語の説明を提供し、ディープラーニングベースの睡眠ステージングを監査、デバッグ、管理するための補完的なツールとなる。

関連論文リスト

• Putting HUMANS first: Efficient LAM Evaluation with Human Preference Alignment [53.72927532626824]
  わずか50個のサンプル(0.3%のデータ)のサブセットは、完全なベンチマークスコアと0.93以上のピアソン相関を達成可能であることを示す。 選好をより良く予測するために、選択したサブセットの回帰モデルを訓練し、0.98の相関を達成した。 これは回帰モデリングにおいて、よく計算されたサブセットが完全なベンチマークを予測し、量を超える品質を示すことを示している。
  論文  参考訳（メタデータ） (2026-04-20T00:57:31Z)
• SleepVLM: Explainable and Rule-Grounded Sleep Staging via a Vision-Language Model [9.741417444397799]
  SleepVLM(スリープVLM)は、多チャンネルポリソムノグラフィー(PSG)波形画像から睡眠を行うために設計された、ルール付き視覚言語モデル(VLM)である。 スリープVLMは、American Academy of Sleep Medicine (AASM) の基準に基づいて、臨床で読みやすい合理性を生成する。 専門家による評価では、実際の正確性、証拠の包括性、論理コヒーレンスの平均スコアが4.0/5.0を超え、モデルの推論の品質が検証された。
  論文  参考訳（メタデータ） (2026-03-22T09:18:04Z)
• Co-training for Low Resource Scientific Natural Language Inference [65.37685198688538]
  遠隔教師付きラベルに分類器のトレーニング力学に基づいて重みを割り当てる新しいコトレーニング手法を提案する。 予測された信頼度に対する任意のしきい値に基づいてサンプルをフィルタリングするのではなく、重要重みを割り当てることにより、自動ラベル付きデータの使用を最大化する。 提案手法は、遠隔監視ベースラインに対するマクロF1の1.5%の改善と、他の強力なSSLベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-06-20T18:35:47Z)
• The BiGGen Bench: A Principled Benchmark for Fine-grained Evaluation of Language Models with Language Models [94.31327813151208]
  BiGGen Benchは、77のタスクにわたるLMの9つの異なる能力を徹底的に評価するために設計された、原則化された世代ベンチマークである。 BiGGen Benchの重要な特徴は、インスタンス固有の評価基準の使用であり、人間の評価のニュアンスな識別を忠実に反映している。
  論文  参考訳（メタデータ） (2024-06-09T12:30:30Z)
• U-Sleep: resilient to AASM guidelines [14.894313755470288]
  深層学習に基づく睡眠スコアリングアルゴリズムでは,臨床知識を十分に活用したり,AASMガイドラインに厳格に従う必要がなくなる可能性がある。 具体的には、現在最先端の睡眠スコアリングアルゴリズムであるU-Sleepが、臨床的な非推奨または非伝統的な導出を用いても、スコアリングタスクを解くのに十分な強度を持つことを示した。
  論文  参考訳（メタデータ） (2022-09-19T15:56:08Z)
• Interactive Code Generation via Test-Driven User-Intent Formalization [60.90035204567797]
  大きな言語モデル(LLM)は、非公式な自然言語(NL)の意図からコードを生成する。 自然言語は曖昧であり、形式的な意味論が欠けているため、正確性の概念を定義するのは難しい。 言語に依存しない抽象アルゴリズムと具体的な実装TiCoderについて述べる。
  論文  参考訳（メタデータ） (2022-08-11T17:41:08Z)
• Extraction of Sleep Information from Clinical Notes of Patients with Alzheimer's Disease Using Natural Language Processing [4.268772592648502]
  睡眠は、高齢者の最適な認知機能に不可欠なライフスタイルに関連する要因の1つである。 伝統的に睡眠情報を取得する方法は、時間がかかり、効率が悪く、測定不能であり、患者の主観的な経験に限られる。 本研究では,ルールベース自然言語処理(NLP)アルゴリズム,機械学習モデル,およびLarge Language Model(LLM)ベースのNLPアルゴリズムを開発し,睡眠関連概念の抽出を自動化する。
  論文  参考訳（メタデータ） (2022-03-08T21:20:19Z)
• 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)
• Automatic sleep stage classification with deep residual networks in a mixed-cohort setting [63.52264764099532]
  我々は,大規模コホートの一般化性を評価するために,新しいディープニューラルネットワークモデルを開発した。 総合的な分類精度はトレーニングデータの分数を増やして向上した。
  論文  参考訳（メタデータ） (2020-08-21T10:48:35Z)
• Pre-training Is (Almost) All You Need: An Application to Commonsense Reasoning [61.32992639292889]
  事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。 そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。 提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
  論文  参考訳（メタデータ） (2020-04-29T10:54:40Z)

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。