論文の概要: Omni-Sleep: A Sleep Foundation Model via Hierarchical Contrastive Learning of CNS--ANS Dynamic
- arxiv url: http://arxiv.org/abs/2607.07720v1
- Date: Sat, 04 Jul 2026 13:45:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.276197
- Title: Omni-Sleep: A Sleep Foundation Model via Hierarchical Contrastive Learning of CNS--ANS Dynamic
- Title（参考訳）: Omni-Sleep: CNSの階層的コントラスト学習による睡眠基礎モデル
- Authors: Zhoujie Hou, Song Wang, Kexin Lou, Mo Wang, Chen Wei, Quanying Liu,
- Abstract要約: 我々は、CNS/ANSパーティションを表現学習の生理的先行として利用する睡眠基盤モデルであるOmni-Sleepを紹介する。
マルチセンターマルチモーダルPSGデータを10万時間以上事前トレーニングしたOmni-Sleepは、睡眠ステージングとマルチディスリーズ分類に基づいて評価される。
- 参考スコア（独自算出の注目度）: 13.009463605294604
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Sleep physiology arises from the coordinated dynamics of the central nervous system (CNS) and autonomic nervous system (ANS), as reflected by multimodal polysomnography signals including EEG, EOG, EMG, ECG, and respiration. However, existing sleep foundation models often fuse heterogeneous biosignals in a topology-agnostic manner, overlooking their physiological organization. We introduce Omni-Sleep, a sleep foundation model that uses the CNS/ANS partition as a physiological prior for topology-constrained representation learning. Omni-Sleep learns structured representations through three objectives: intra-system consistency, which captures shared subsystem-level factors within neural and cardio-respiratory signals; inter-system synchronization, which aligns subsystem trajectories to model brain--body dynamics; and latent-space masked temporal modeling, which captures long-horizon sleep dynamics. Pre-trained on over 100,000 hours of multi-center multimodal PSG data, Omni-Sleep is evaluated on sleep staging and multi-disease classification. Across datasets and modality-ablation settings, Omni-Sleep outperforms strong foundation-model baselines, showing improved label efficiency, cross-dataset generalization, and robustness to missing modalities. These results highlight the value of physiological hierarchy for generalizable sleep representation learning. Code is available at https://github.com/AutoBrain-sleep/OmniSleep.
- Abstract（参考訳）: 睡眠生理学は中枢神経系(CNS)と自律神経系(ANS)の協調力学から発生し、脳波、EOG、EMG、ECG、呼吸などの多モードポリソノグラフィー信号によって反映される。
しかし、既存の睡眠基盤モデルは、しばしばトポロジーに依存しない方法で異種生物シグナルを融合させ、生理的組織を見渡す。
トポロジに制約された表現学習の生理的先行として,CNS/ANSパーティションを用いた睡眠基盤モデルであるOmni-Sleepを紹介する。
Omni-Sleep氏は3つの目的を通じて構造化された表現を学習している。システム内一貫性(Intra-system consistency)、神経および心呼吸信号内の共有サブシステムレベル要素をキャプチャするシステム間同期(intra-system trajectories)、脳-体力学をモデル化するサブシステムトラジェクトリ(subsystem trajectories)、長期水平睡眠ダイナミクスをキャプチャする潜時空間マスク付き時間モデリング( latent-space masked temporal modeling)である。
マルチセンターマルチモーダルPSGデータを10万時間以上事前トレーニングしたOmni-Sleepは、睡眠ステージングとマルチディスリーズ分類に基づいて評価される。
データセットとモダリティ・アブレーション設定全体にわたって、Omni-Sleepは強力な基礎モデルベースラインを上回り、ラベル効率の向上、クロスデータセットの一般化、欠落したモダリティに対する堅牢性を示す。
これらの結果は、一般化可能な睡眠表象学習のための生理的階層の価値を強調した。
コードはhttps://github.com/AutoBrain-sleep/OmniSleepで入手できる。
関連論文リスト
- Topological Neural Dynamics: A Neuron-wise Framework for Sequence Modeling [55.07411490538404]
トポロジカル・ニューラル・ダイナミクス(TND)は、トポロジカル・ニューラル・ダイナミクス(英語版) (TND) が階層的からニューロン的へと変化するシーケンス・モデリング・フレームワークである。
TNDは神経系を、有向ニューロングラフ、相互作用演算子、局所力学関数として表す。
我々はTNDをシングルプレイヤーPongにおける行動クローニングタスクのケーススタディとして評価した。
論文 参考訳（メタデータ） (2026-06-19T10:18:24Z) - Next-Token Prediction Learns Generalisable Representations of Sleep Physiology [3.80147466733132]
我々は8つの異なる感覚モードを用いて訓練された睡眠基盤モデルであるHypnosを開発した。
残差ベクトル量子化を用いて各モダリティを離散トークンのストリームにトークン化する。
大規模自動回帰RQ-Transformerをトレーニングし、並列な全モードにわたって次のトークンを共同で予測する。
論文 参考訳（メタデータ） (2026-06-08T15:13:57Z) - sleep2vec: Unified Cross-Modal Alignment for Heterogeneous Nocturnal Biosignals [15.989293188183069]
多様な夜間生体信号の基盤モデルであるtextttsleep2vec について述べる。
textttsleep2vecは、9つのモードにまたがる42,249の夜間録音で、対照的に事前訓練されている。
ダウンストリーム睡眠ステージングと臨床成績評価では、ttexttsleep2vecは一貫して強いベースラインを上回っている。
論文 参考訳（メタデータ） (2026-02-14T19:40:04Z) - CSBrain: A Cross-scale Spatiotemporal Brain Foundation Model for EEG Decoding [57.90382885533593]
脳波信号の一般化のためのクロススケール時空間脳基盤モデルを提案する。
CSBrainはタスク固有のベースラインと基盤モデルのベースラインを一貫して上回ります。
これらの結果は、CSBrainを将来の脳-AI研究の強力なバックボーンとして、重要な帰納バイアスとして、クロススケールモデリングを確立している。
論文 参考訳（メタデータ） (2025-06-29T03:29:34Z) - CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。
このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。
第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。
第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-06-10T17:20:39Z) - 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) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - Wake-Sleep Consolidated Learning [9.596781985154927]
視覚分類タスクにおける深層ニューラルネットワークの性能向上を目的としたWake-Sleep Consolidated Learningを提案する。
本手法は、異なる覚醒相と睡眠相の同期を通して連続的に学習する。
提案手法の有効性を3つのベンチマークデータセットで評価した。
論文 参考訳（メタデータ） (2023-12-06T18:15:08Z) - Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。
我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文 参考訳（メタデータ） (2023-03-30T02:40:28Z) - Multi-View Spatial-Temporal Graph Convolutional Networks with Domain
Generalization for Sleep Stage Classification [12.488891852531422]
睡眠段階分類のための領域一般化を伴う多視点時空間グラフ畳み込みネットワーク(MSTGCN)を提案する。
MSTGCNは、空間的特徴を抽出するためのグラフ畳み込みと、睡眠段階間の遷移規則をキャプチャするための時間畳み込みからなる。
2つの公開データセットの実験では、提案されたモデルが最先端のベースラインより優れていることが示されている。
論文 参考訳（メタデータ） (2021-09-04T09:19:27Z)
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。