論文の概要: Sleep-stage efficient classification using a lightweight self-supervised model

• arxiv url: http://arxiv.org/abs/2605.26295v1
• Date: Mon, 25 May 2026 19:37:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.388932
• Title: Sleep-stage efficient classification using a lightweight self-supervised model
• Title（参考訳）: 軽量自己監督モデルを用いた睡眠段階の効率的な分類
• Authors: Eldiane Borges dos Santos Durães, João Batista Florindo,
• Abstract要約: ここでは,脳波信号表現を自己監督的に学習するmulEEGモデルを単純化した。 その結果,データ量を削減することで,モデルの簡易化よりもコスト対利益率が高いことがわかった。
• 参考スコア（独自算出の注目度）: 9.983526161001995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate classification of sleep stages is crucial for diagnosing sleep disorders and automating this process can significantly enhance clinical assessments. This study aims to explore the use of a self-supervised model (more specifically, an adapted version of mulEEG) combined with a Linear SVM classifier to improve sleep stage classification. \textbf{Methods:} The mulEEG model, which learns electroencephalogram signal representations in a self-supervised manner, was simplified here by replacing ResNet-50 with 1D-convolutions used as time series encoder by a ResNet-18 backbone. Two other adaptations were conducted: the first one evaluated different configurations of the model and data volume for training, while the second tested the effectiveness of time series features, spectrogram features, and their concatenation as inputs to a Linear SVM classifier. \textbf{Results:} The results showed that reducing the volume of data offered a better cost-benefit ratio compared to simplifying the model. Using the concatenated features with ResNet-18 also outperformed the linear evaluations of the original mulEEG model, achieving higher classification performance. \textbf{Conclusions:} Simplifying the mulEEG model to extract features and pairing it with a robust classifier leads to more efficient and accurate sleep stage classification. This approach holds promise for improving clinical sleep assessments and can be extended to other biological signal classification tasks.
• Abstract（参考訳）: 睡眠ステージの正確な分類は睡眠障害の診断に不可欠であり、このプロセスの自動化は臨床評価を大幅に向上させる可能性がある。 本研究の目的は、睡眠段階分類を改善するために、自己教師付きモデル(特にmulEEGの適応版)と線形SVM分類器を組み合わせることである。 mulEEGモデルは、ResNet-50をResNet-18バックボーンによって時系列エンコーダとして使用される1D-畳み込みに置き換えることで、自己教師付きで脳波信号表現を学習する。 1つはモデルの異なる構成とトレーニングのためのデータボリュームを評価し、もう1つは時系列の特徴、分光器の特徴、およびそれらの結合を線形SVM分類器への入力として検証した。 結果から、データ量を減らすことで、モデルを簡単にするよりもコスト対効果の比率が向上したことがわかった。 ResNet-18と組み合わせた特徴を用いて、元のmulEEGモデルの線形評価を上回り、より高い分類性能を実現した。 \textbf{Conclusions:} mulEEGモデルを単純化して特徴を抽出し、ロバストな分類器と組み合わせることで、より効率的で正確な睡眠ステージ分類が可能になる。 このアプローチは、臨床睡眠アセスメントを改善することを約束し、他の生物学的信号分類タスクに拡張することができる。

関連論文リスト

• An Objective Performance Evaluation of the LSTM Networks in Time Series Classification [0.0]
  長期記憶(LSTM)ネットワークは時系列解析において一般的な選択肢となっている。 本稿では,LSTM分類器とモデルベース予測分類器(EM)分類器を比較した性能評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-19T03:47:01Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• 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)
• SleepEGAN: A GAN-enhanced Ensemble Deep Learning Model for Imbalanced Classification of Sleep Stages [4.649202082648198]
  本研究では,睡眠段階の非バランスな分類のために,GAN(Generative Adversarial Network)を用いたアンサンブル深層学習モデルであるSleepEGANを開発した。 提案手法は,3つの睡眠データセットを用いた既存手法と比較して,分類精度を向上できることを示す。
  論文  参考訳（メタデータ） (2023-07-04T01:56:00Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
  本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。 実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-17T04:34:28Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Train your classifier first: Cascade Neural Networks Training from upper layers to lower layers [54.47911829539919]
  我々は,高品質な分類器を探索するアルゴリズムとして見ることのできる,新しいトップダウン学習手法を開発した。 本研究では,自動音声認識(ASR)タスクと言語モデリングタスクについて検討した。 提案手法は,Wall Street Journal 上でのリカレントニューラルネットワーク ASR モデル,Switchboard 上での自己注意型 ASR モデル,WikiText-2 上での AWD-LSTM 言語モデルなど,一貫して改善されている。
  論文  参考訳（メタデータ） (2021-02-09T08:19:49Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)

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。