論文の概要: SleepBand: Single-Source Domain Generalization for Sleep Staging via Physiologically Structured Spectral Modeling

• arxiv url: http://arxiv.org/abs/2607.04851v1
• Date: Mon, 06 Jul 2026 09:21:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.103082
• Title: SleepBand: Single-Source Domain Generalization for Sleep Staging via Physiologically Structured Spectral Modeling
• Title（参考訳）: SleepBand:生理学的に構造化されたスペクトルモデリングによる睡眠時無睡眠のための単一ソースドメイン一般化
• Authors: Zhi Lu, Yang Hu, Yan Chen,
• Abstract要約: 睡眠ステージングモデルを目に見えないデータセットに一般化することは難しい。 典型的なドメイン一般化手法は、実際にはほとんど利用できない複数のソースドメインやドメインラベルに依存している。 スリープバンド(SleepBand)は、学習可能なMorletフィルタバンクと構造化統合・校正パイプラインを介して、振動前兆を埋め込む生理学的誘導型フレームワークである。
• 参考スコア（独自算出の注目度）: 14.256993800853913
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generalizing sleep staging models to unseen datasets is challenging, and typical domain generalization (DG) methods often rely on multiple source domains or domain labels that are rarely available in practice. We tackle the stricter and more practical setting of single-source domain generalization: training on a single labeled source dataset, without domain labels or access to target data. We present SleepBand, a physiology-guided framework that embeds oscillatory priors via a learnable Morlet filter bank and a structured integration-and-recalibration pipeline. This anchors representations to domain-invariant sleep rhythms (e.g., slow waves, spindles), reducing reliance on dataset-specific artefacts. On five public datasets, SleepBand achieves state-of-the-art SDG performance and remains competitive under leave-one-domain-out (multi-source) DG. Analyses show that the learned filters align with canonical neurophysiology and that robustness stems from focusing on narrowband, physiologically meaningful cues. Our results suggest that principled, physiology-aware inductive biases are a promising path for robust single-domain sleep staging. Code is available at https://github.com/lzcn/sleep-band
• Abstract（参考訳）: 一般的なドメイン一般化(DG)メソッドは、実際にはほとんど利用できない複数のソースドメインやドメインラベルに依存していることが多い。 我々は、単一のラベル付きソースデータセットでトレーニングし、ドメインラベルやターゲットデータにアクセスせずに、より厳密で実践的な単一ソースドメインの一般化に取り組む。 スリープバンド(SleepBand)は、学習可能なMorletフィルタバンクと構造化統合・校正パイプラインを介して、振動前兆を埋め込む生理学的誘導型フレームワークである。 これは、ドメイン不変の睡眠リズム(例えば、スロー波、スピンドル)への表現をアンカーし、データセット固有の成果物への依存を減らす。 5つのパブリックデータセットにおいて、SleepBandは最先端のSDGパフォーマンスを実現し、Let-one-domain-out (multi-source) DGの下での競争力を維持している。 分析によると、学習されたフィルターは正準神経生理学と一致しており、頑丈さは狭帯域、生理学的に意味のある手がかりに焦点を合わせることから生じる。 以上の結果から, 原則的, 生理的認知による誘導バイアスは, 単ドメイン睡眠の堅牢化に有望な経路であることが示唆された。 コードはhttps://github.com/lzcn/sleep-bandで入手できる。

関連論文リスト

• MedMamba: Multi-View State Space Models with Adaptive Graph Learning for Medical Time Series Classification [60.41879345743941]
  状態空間モデルとドメイン固有の帰納バイアスを統合するエンドツーエンドアーキテクチャであるMedMambaを提案する。 MedMambaは線形計算複雑性を維持しながら最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-24T09:23:39Z)
• Towards Multi-Source Domain Generalization for Sleep Staging with Noisy Labels [41.9206371586353]
  既存の雑音ラベル学習手法は、ドメインシフトやラベルノイズ共存時に大幅に劣化することを示す。 JTF-ELR(Joint Time-Frequency Early Learning Regularization)を提案する。 実験は、様々な対称性と非対称な雑音設定の下で、一貫した最先端性能を示す。
  論文  参考訳（メタデータ） (2026-04-11T03:42:40Z)
• Let Synthetic Data Shine: Domain Reassembly and Soft-Fusion for Single Domain Generalization [68.41367635546183]
  単一ドメインの一般化は、単一のソースからのデータを使用して、さまざまなシナリオで一貫したパフォーマンスでモデルをトレーニングすることを目的としている。 モデル一般化を改善するために合成データを活用した学習フレームワークDRSFを提案する。
  論文  参考訳（メタデータ） (2025-03-17T18:08:03Z)
• StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
  単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。 データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
  論文  参考訳（メタデータ） (2024-06-01T02:41:34Z)
• Alleviating Structural Distribution Shift in Graph Anomaly Detection [70.1022676681496]
  グラフ異常検出(GAD)は二項分類の問題である。 ガロン神経ネットワーク(GNN)は、同胞性隣人からの正常の分類に有用である。 ヘテロ親水性隣人の影響を緩和し、不変にするための枠組みを提案する。
  論文  参考訳（メタデータ） (2024-01-25T13:07:34Z)
• Generalizable Sleep Staging via Multi-Level Domain Alignment [14.81540059770533]
  本稿では、自動睡眠ステージングにドメイン一般化を導入し、一般化可能な睡眠ステージングの課題を提案する。 既存の領域一般化手法に着想を得て,機能アライメントの考え方を採用し,SleepDGと呼ばれるフレームワークを提案する。 SleepDGは5つの公開データセットで検証され、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-12-13T14:26:37Z)
• Dynamic Instance Domain Adaptation [109.53575039217094]
  教師なしのドメイン適応に関するほとんどの研究は、各ドメインのトレーニングサンプルがドメインラベルを伴っていると仮定している。 適応的な畳み込みカーネルを持つ動的ニューラルネットワークを開発し、各インスタンスにドメインに依存しない深い特徴を適応させるために、インスタンス適応残差を生成する。 我々のモデルはDIDA-Netと呼ばれ、複数の一般的な単一ソースおよび複数ソースのUDAデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-09T20:05:54Z)
• Discover, Hallucinate, and Adapt: Open Compound Domain Adaptation for Semantic Segmentation [91.30558794056056]
  意味的セグメンテーションのための教師なしドメイン適応(UDA)が近年注目を集めている。 我々は,発見,幻覚,適応の3つの主要な設計原則に基づく新しいフレームワークを提案する。 我々は、標準ベンチマークGTAからC自動運転へのソリューションの評価を行い、新しい最先端の結果を得た。
  論文  参考訳（メタデータ） (2021-10-08T13:20:09Z)
• Adversarial Domain Adaptation with Self-Training for EEG-based Sleep Stage Classification [13.986662296156013]
  本研究では,未ラベル対象領域におけるドメインシフト問題に対処するための新しい逆学習フレームワークを提案する。 まず、ソースドメインとターゲットドメインのドメイン固有の特徴を保存するために、非共有アテンションメカニズムを開発する。 第2に、ターゲットドメインの擬似ラベルを用いて、ソースおよびターゲットドメインの細粒度分布クラスを調整するための自己学習戦略を設計する。
  論文  参考訳（メタデータ） (2021-07-09T14:56:12Z)

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。