論文の概要: Deep Learning Approaches for Sleep Apnea Classification from Polysomnographic EEG Signals

• arxiv url: http://arxiv.org/abs/2607.15477v1
• Date: Thu, 16 Jul 2026 21:51:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.710873
• Title: Deep Learning Approaches for Sleep Apnea Classification from Polysomnographic EEG Signals
• Title（参考訳）: 脳波信号を用いた睡眠時無呼吸分類のための深層学習手法
• Authors: Shashank Manjunath, Mukesh Cheemakurthi, Aarti Sathyanarayana,
• Abstract要約: ポリソムノグラフィーによる睡眠時無呼吸症候群の診断は、手動によるデータ分析とスコアリングに依存している。 近年の研究では、脳波(EEG)信号によって中枢神経系への影響が検出されている。 本稿では,多チャンネル脳波による睡眠時無呼吸自動検出のためのディープラーニングアーキテクチャと特徴表現の包括的比較を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sleep apnea diagnosis via polysomnography remains resource intensive and relies on time consuming manual data analysis and scoring. Recent work has demonstrated that central nervous system effects of sleep apnea events can be detected through electroencephalogram (EEG) signals. However, most work uses a single feature type on various datasets combined with different classification algorithms. In this work, we present a comprehensive comparison of deep learning architectures and feature representations for automated sleep apnea detection from multichannel EEG on a single dataset of pediatric subjects. We evaluate Vision Transformers and Graph Attention Networks across distinct signal representations: raw temporal signals, short-time Fourier transform spectrograms, coherence based graphs, and two topological data analysis (TDA) derived features. Using age and sex matching of our train and test sets, we train on 2410 pediatric subjects and test on 575 pediatric subjects. We achieve a best test AUC of 0.750 using a vision transformer based model trained on TDA features. Stratified analysis across patient demographics (age, sex, AHI severity) and sleep stages (N1, N2, N3, REM) reveals significant performance variation. Our results demonstrate the feasibility of EEG based automated OSA screening while highlighting essential challenges for clinical deployment.
• Abstract（参考訳）: ポリソムノグラフィーによる睡眠時無呼吸の診断は依然として資源が集中しており、手動によるデータ分析とスコアリングに要する時間に依存する。 近年の研究では、脳波(EEG)信号によって睡眠時無呼吸現象の中枢神経系への影響が検出されている。 しかしながら、ほとんどの研究は、異なる分類アルゴリズムと組み合わせて、さまざまなデータセットに単一の機能タイプを使用する。 本研究では,小児科領域の単一データセット上での多チャンネル脳波からの睡眠時無呼吸自動検出のためのディープラーニングアーキテクチャと特徴表現の包括的比較を行った。 我々は、生の時間信号、短時間フーリエ変換スペクトログラム、コヒーレンスに基づくグラフ、および2つのトポロジデータ解析(TDA)の2つの特徴の異なる信号表現におけるビジョントランスフォーマーとグラフアテンションネットワークを評価した。 電車とテストセットの年齢と性別のマッチングを用いて、2410名の小児科の被験者を訓練し、575名の小児科の被験者を検査した。 我々は、TDA機能に基づいて訓練された視覚変換器に基づくモデルを用いて、0.750の最良のAUCを実現する。 睡眠期(N1,N2,N3,REM)および睡眠期(N1,N2,N3,REM)は有意なパフォーマンス変化を示した。 本研究は,脳波による自動OSAスクリーニングの実現可能性を示すとともに,臨床展開に欠かせない課題を浮き彫りにした。

関連論文リスト

• Multi-Channel Differential Transformer for Cross-Domain Sleep Stage Classification with Heterogeneous EEG and EOG [1.422074091840573]
  異種脳波-EOG表現学習のための多チャンネル差動変換フレームワークであるSleepDIFFormerを提案する。 SleepDIFFormerは複数のスリープステージデータセットでトレーニングされており、それぞれがソースドメインとして扱われる。 提案手法は,空間的および時間的注意雑音を緩和し,データセット間の特徴分布アライメントを通じて,領域不変なEEG-EOG表現を学習することにより,新しい領域への一般化を促進する。
  論文  参考訳（メタデータ） (2025-08-21T03:59:10Z)
• A Novel Data Augmentation Strategy for Robust Deep Learning Classification of Biomedical Time-Series Data: Application to ECG and EEG Analysis [2.355460994057843]
  本研究では,様々な信号タイプにまたがる最先端性能を実現する,新しい統合型深層学習フレームワークを提案する。 従来の研究とは異なり、将来予測能力を達成するために信号の複雑さを科学的に増加させ、最高の予測を導いた。 アーキテクチャには130MBのメモリとプロセスが10ミリ秒で必要であり、ローエンドデバイスやウェアラブルデバイスへのデプロイに適していることを示唆している。
  論文  参考訳（メタデータ） (2025-07-16T21:38:10Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• 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)
• Ensemble of Convolution Neural Networks on Heterogeneous Signals for Sleep Stage Scoring [63.30661835412352]
  本稿では,脳波以外の追加信号の利用の利便性について検討し,比較する。 最も優れたモデルである深部分離畳み込みニューラルネットワークのアンサンブルは86.06%の精度を達成した。
  論文  参考訳（メタデータ） (2021-07-23T06:37:38Z)
• EEG-based Cross-Subject Driver Drowsiness Recognition with an Interpretable Convolutional Neural Network [0.0]
  我々は,新しい畳み込みニューラルネットワークと解釈手法を組み合わせることで,分類の重要な特徴のサンプルワイズ分析を可能にする。 その結果,11名の被験者に対して平均78.35%の精度が得られた。
  論文  参考訳（メタデータ） (2021-05-30T14:47:20Z)
• Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
  睡眠障害は、世界中の主要な病気の1つです。 専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。 専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
  論文  参考訳（メタデータ） (2021-03-30T09:59:56Z)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)

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。