論文の概要: Lightweight ML-Based Automatic Sleep Staging Framework with Constrained CNN and Mamba for Small-Sample EEG Datasets

• arxiv url: http://arxiv.org/abs/2607.04934v1
• Date: Mon, 06 Jul 2026 11:06:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.123224
• Title: Lightweight ML-Based Automatic Sleep Staging Framework with Constrained CNN and Mamba for Small-Sample EEG Datasets
• Title（参考訳）: 小型脳波データセットのための制約付きCNNとMambaを用いた軽量MLベース自動睡眠ステージングフレームワーク
• Abstract要約: 本稿では,単一チャネル脳波のための軽量かつ低遅延自動睡眠ステージングフレームワークであるGamSleepNetを提案する。 Sleepedfデータセットでは、このモデル全体の精度は87.86パーセントで、パラメータはわずか30.86万で、すべてのメトリクスがSOTAレベルに達する。
• 参考スコア（独自算出の注目度）: 5.545826188919722
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic sleep staging is a key technology for precise diagnosis and treatment of sleep disorders as well as long-term home sleep monitoring. Portable electroencephalogram (EEG) devices have become the focus of research due to their convenience in data collection. However, current methods still face three major challenges: large parameter sizes that easily lead to overfitting on small datasets, low accuracy in classifying difficult stages such as N1 and REM, unclear optimal training dataset size, and difficulty in deployment. This paper proposes GamSleepNet, a lightweight and low-latency automatic sleep staging framework for single-channel EEG. The framework features the FEB module, which combines improved Gabor kernels with learnable filters for feature extraction, uses the Mamba architecture to build a temporal classification network, introduces a novel contrastive loss and a two-stage training strategy, and experimentally validates the optimal dataset size for single-channel EEG sleep staging models. On the Sleepedf dataset, this model achieves an overall accuracy of 87.86 percent with only 30.86 thousand parameters, with all metrics reaching SOTA levels and significantly improving the identification accuracy of challenging sleep stages.
• Abstract（参考訳）: 自動睡眠ステージングは、睡眠障害の正確な診断と治療、および長期の在宅睡眠モニタリングのための重要な技術である。 ポータブル脳波(EEG)デバイスは、データ収集の利便性から研究の焦点となっている。 しかし、現在の手法では、小さなデータセットに簡単にオーバーフィットする大きなパラメータサイズ、N1やREMのような難しいステージの分類の精度の低い、不明確なトレーニングデータセットサイズ、デプロイメントの困難という3つの大きな課題に直面している。 本稿では,単一チャネル脳波のための軽量かつ低遅延自動睡眠ステージングフレームワークであるGamSleepNetを提案する。 このフレームワークは、改良されたGaborカーネルと学習可能なフィルタを組み合わせたFEBモジュールを備え、Mambaアーキテクチャを使用して時間分類ネットワークを構築し、新しいコントラスト損失と2段階トレーニング戦略を導入し、単一チャネルのEEG睡眠ステージモデルのための最適なデータセットサイズを実験的に検証する。 Sleepedfデータセットでは、このモデル全体の精度は87.86パーセント、パラメータは30.86万で、すべての指標がSOTAレベルに達し、挑戦的な睡眠ステージの識別精度が大幅に向上した。

関連論文リスト

• NanoSleep: A Parameter-Efficient Hybrid Temporal Convolutional Network for Single-Channel Sleep Stage Classification [0.0]
  自動睡眠ステージ分類のための小型ハイブリッド時間畳み込みネットワークであるNanoSleepを提案する。 NanoSleepは、正確性と効率の効果的なバランスを提供し、ウェアラブルデバイス、ホームベースの睡眠監視、リソース制約のある臨床応用に適している。
  論文  参考訳（メタデータ） (2026-08-19T06:08:24Z)
• ULW-SleepNet: An Ultra-Lightweight Network for Multimodal Sleep Stage Scoring [28.352558247977168]
  超軽量・マルチモーダル睡眠ステージスコアリングフレームワークULW-SleepNetを提案する。 新たなDual-Stream Separable Convolution (DSSC) Block、Deepwise Separable Convolutions、チャネルワイドパラメータ共有、グローバル平均プールなどが組み込まれている。 最先端手法と比較して,本モデルではパラメータを98.6%まで削減し,性能損失を極端に抑えた。
  論文  参考訳（メタデータ） (2026-02-27T09:48:11Z)
• A Context-Aware Temporal Modeling through Unified Multi-Scale Temporal Encoding and Hierarchical Sequence Learning for Single-Channel EEG Sleep Staging [0.0]
  本研究は、自動睡眠ステージングのための実用的で広く利用可能な信号である、単一チャネル脳波(EEG)に焦点を当てる。 既存のアプローチでは、クラス不均衡、限定された受容場モデリング、不十分な解釈可能性といった課題に直面している。 本研究は,単一チャネル脳波睡眠ステージングのためのコンテキスト認識・解釈可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-28T15:42:33Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [46.47343031985037]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• Attentive Dilated Convolution for Automatic Sleep Staging using Force-directed Layout [1.0874100424278175]
  AttDiCNN(Attentive Dilated Convolutional Neural Network)と呼ばれる自動睡眠ステージ分類器を提案する。 ネットワークは、ローカル空間特徴抽出ネットワーク(LSFE)、時空間長期保持ネットワーク(S2TLR)、グローバル平均注意ネットワーク(G2A)の3つのモジュールで構成されている。 EDFX, HMC, NCHの3つのデータセットに対して, それぞれ98.56%, 99.66%, 99.08%の精度を達成し, 低計算を維持しながら, モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2024-08-21T06:35:50Z)
• Just How Flexible are Neural Networks in Practice? [89.80474583606242]
  ニューラルネットワークは、パラメータを持つ少なくとも多くのサンプルを含むトレーニングセットに適合できると広く信じられている。 しかし実際には、勾配や正規化子など、柔軟性を制限したトレーニング手順によるソリューションしか見つからない。
  論文  参考訳（メタデータ） (2024-06-17T12:24:45Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• 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)
• Mixed Precision Low-bit Quantization of Neural Network Language Models for Speech Recognition [67.95996816744251]
  長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。 現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。 本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T12:24:02Z)
• Sleep syndromes onset detection based on automatic sleep staging algorithm [0.0]
  高速フーリエ変換は、脳波記録の30秒間のエポックに応用され、局所的な時間周波数情報を提供する。 深層畳み込みLSTMニューラルネットワークは睡眠段階分類のために訓練されている。 コード評価の結果、精度は86.43、精度は77.76、リコールは93,32, F1スコアは89.12、最終誤差は0.09だった。
  論文  参考訳（メタデータ） (2021-07-07T15:38:47Z)
• Automatic detection of microsleep episodes with deep learning [55.41644538483948]
  15秒未満の睡眠の短い断片は、マイクロスリープエピソード(MSEs)として定義される 覚醒検査(MWT)の維持は、警戒を評価するために臨床現場でしばしば用いられる。 MSEは、MSEを定義する確立された評価基準が欠如しているため、ほとんど考慮されていない。 入力として生の脳波とEOGデータに基づいて機械学習を用いてMSEを自動的に検出することを目的とした。
  論文  参考訳（メタデータ） (2020-09-07T11:38:40Z)
• REST: Robust and Efficient Neural Networks for Sleep Monitoring in the Wild [62.36144064259933]
  ニューラルネットワークの逆トレーニングとLipschitz定数の制御を通じて、両問題に同時に対処する新しい方法であるRESTを提案する。 私たちは、RESTがノイズの存在下で、オリジナルのフルサイズのモデルを大幅に上回る、ロバストで効率的なモデルを生成することを実証しています。 これらのモデルをスマートフォン上のAndroidアプリケーションにデプロイすることにより、RESTによってモデルが最大17倍のエネルギー削減と9倍高速な推論を達成することができることを定量的に観察する。
  論文  参考訳（メタデータ） (2020-01-29T17:23:16Z)

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。