論文の概要: StageGuard: Physiologically Constrained Sleep Staging

• arxiv url: http://arxiv.org/abs/2607.23284v1
• Date: Sat, 25 Jul 2026 16:37:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.048437
• Title: StageGuard: Physiologically Constrained Sleep Staging
• Title（参考訳）: StageGuard:生理的に制限された睡眠状態
• Abstract要約: 生理的インフォームド前駆体を神経系に包み込む構造的推論フレームワークであるStageGuardを提案する。 StageGuardは、睡眠を生成的にモデル化するのではなく、既知の生理的前提を満たすためにステージングアウトプットを制約する。
• 参考スコア（独自算出の注目度）: 20.210652803316748
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated sleep staging is increasingly used in large-scale studies to derive sleep-architecture endpoints: total sleep time, REM latency, sleep efficiency, and bout-duration statistics. Deep learning models achieve epoch-level accuracy approaching inter-rater agreement, yet often produce hypnograms that violate physiological invariants, such as rare transitions (e.g., direct Wake -> REM) or excessively fragmented sequences. Such violations can bias downstream sleep metrics, regardless of overall accuracy. We propose StageGuard, a plug-and-play, backbone-agnostic structured-inference framework that wraps any neural sleep-staging backbone with physiology-informed priors. StageGuard combines (1) a differentiable soft transition penalty that discourages physiologically rare transitions during training, and (2) a semi-Markov constrained decoder with a duration-augmented state space that jointly enforces transition penalties and minimum bout durations at inference. Unlike hard-prohibition methods, it admits rare transitions when emission evidence is overwhelming, leaving informative pathological events recoverable rather than blocked. StageGuard constrains staging outputs to satisfy known physiological priors rather than modeling sleep generatively. We quantify the validity gap using transition-violation rate (TVR) and fragmentation index (FI) and demonstrate that, across six backbones and four datasets, StageGuard reduces TVR to physiologically plausible levels and lowers FI by 56-62%, while maintaining or slightly improving classification accuracy. Crucially, improved constraint satisfaction translates into 59-79% lower error on derived sleep-architecture statistics not directly optimized by the method, and recovers the direction and effect size of expert-defined subgroup differences (OSA severity, age) more faithfully than the unconstrained baseline.
• Abstract（参考訳）: 自動睡眠ステージングは、総睡眠時間、REMレイテンシ、睡眠効率、アウトデューレーション統計といった睡眠構造エンドポイントを導出する大規模研究でますます利用されている。 深層学習モデルは、レアトランジション(例えば、直接ウェイク -> REM)や過度に断片化されたシーケンスなど、生理的不変性に反するヒプノグラムを生成することが多い。 このような違反は、全体的な正確性に関係なく、下流の睡眠指標をバイアスする可能性がある。 そこで我々は, 神経性睡眠時のバックボーンを生理的インフォームドで包み込む, バックボーンに依存しない構造推論フレームワークであるStageGuardを提案する。 StageGuard は,(1) 訓練中に生理的に稀な遷移を阻害する相違性ソフトトランジションペナルティ,(2) 半マルコフ拘束型デコーダと継続時間拡張状態空間を併せ持つ。 硬禁制法とは異なり、発光証拠が圧倒的な場合の稀な遷移を認めており、情報的病理事象はブロックされるよりも回復可能である。 StageGuardは、睡眠を生成的にモデル化するのではなく、既知の生理的前提を満たすためにステージングアウトプットを制約する。 遷移違反率(TVR)とフラグメンテーション指数(FI)を用いて妥当性ギャップを定量化し,6つのバックボーンと4つのデータセットにおいて,StageGuardはTVRを生理学的に可塑性レベルに減らし,FIを56～62%低下させ,分類精度をわずかに向上させることを示した。 重要な点として、制約満足度の改善は、直接最適化されていない派生睡眠構造統計の59～79%の誤差に変換され、制約のないベースラインよりも厳密に専門家定義サブグループ差(OSA重症度、年齢)の方向と効果サイズを回復する。

関連論文リスト

• Minimizing the Effect of Sleep Deprivation in the Forward-Forward Algorithm [1.2752808844888015]
  これまでの研究では、フォワードフォワードアルゴリズムの睡眠不足が学習効果に破滅的な影響を及ぼすことが示されている。 この問題を軽減するために、代替活性化、最適化された損失関数、しきい値チューニングなど、いくつかのアプローチを検討する。 また,カフェイン刺激による睡眠不足時のパフォーマンス向上の可能性についても検討した。
  論文  参考訳（メタデータ） (2026-09-05T11:54:27Z)
• ProgFormer: Hierarchical Voxel Diffusion Transformer for Longitudinal Brain MRI Prediction [81.07048249760953]
  縦方向の変化は、しばしば微妙で、特定の解剖学的領域に限られる。 ほとんどの被験者固有の脳構造は、時間とともに安定している。 ProgFormerは、縦型脳MRI予測のための階層型ボクセル空間拡散変換器である。
  論文  参考訳（メタデータ） (2026-07-30T00:13:42Z)
• Geometric-Disentangelment Unlearning [106.99160454669902]
  忘れたサンプルへの勾配は しばしば 保持された知識を傷つける 本稿では,GU(Geometric-disment Unlearning)を提案する。 本手法はプラグ・アンド・プレイであり,既存の勾配に基づくアンラーニング手法と併用することで副作用を軽減できる。
  論文  参考訳（メタデータ） (2025-11-21T09:58:25Z)
• MetaSTH-Sleep: Towards Effective Few-Shot Sleep Stage Classification for Health Management with Spatial-Temporal Hypergraph Enhanced Meta-Learning [27.155280206930055]
  時空間ハイパーグラフ強化メタラーニングに基づく数発の睡眠ステージ分類フレームワークであるMetaSTH-Sleepを提案する。 提案手法は,脳波信号の複雑な空間的相互干渉と時間的ダイナミクスを効果的にモデル化する一方で,少数のラベル付きサンプルを用いた新しい被験者への迅速な適応を可能にする。
  論文  参考訳（メタデータ） (2025-05-22T07:09:03Z)
• Label-Efficient Sleep Staging Using Transformers Pre-trained with Position Prediction [2.591936982899312]
  本稿では,特徴と時間的エンコーディングをシームレスに結合するアーキテクチャと,モデル全体を事前訓練する適切な事前学習方式を提案する。 サンプル睡眠ステージングデータセットにおいて,提案手法はラベル付きトレーニングデータに飽和しない性能向上を提供する。
  論文  参考訳（メタデータ） (2024-03-29T23:22:30Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• Continual learning benefits from multiple sleep mechanisms: NREM, REM, and Synaptic Downscaling [51.316408685035526]
  先行学習を失うことなく、新しいタスクやスキルを連続して学習することは、人工ニューラルネットワークと生物学的ニューラルネットワークの両方にとって、計算上の課題である。 本稿では,3つの異なる睡眠成分のモデル化が,人工ニューラルネットワークの連続学習にどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2022-09-09T13:45:27Z)
• Deep Learning for Sleep Stages Classification: Modified Rectified Linear Unit Activation Function and Modified Orthogonal Weight Initialisation [27.681891555949672]
  本研究の目的は,畳み込みニューラルネットワークの精度を高め,学習時間を短縮することである。 提案システムは,活性化関数としてシグモイド活性化関数の代わりにLeaky Rectified Linear Unit (ReLU) を用いる。
  論文  参考訳（メタデータ） (2022-02-18T18:29:15Z)
• 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)
• Automated scoring of pre-REM sleep in mice with deep learning [0.0]
  本稿では,古典期とマウスのレム前睡眠をスコア付けする,単純なニューラルネットワークアーキテクチャに基づく分類システムを提案する。 古典的な段階に限定されたとき、最適化されたネットワークは、サンプル外F1スコア0.95で最先端の分類性能を示した。 以上の結果から, 過渡睡眠段階のスコア付けが困難であること, 典型的なデータセットではその段階が過度に表れていること, またはスカラー間変動が大きいことなどから, さらなる証拠が得られた。
  論文  参考訳（メタデータ） (2021-05-05T09:03:03Z)
• Direction Matters: On the Implicit Bias of Stochastic Gradient Descent with Moderate Learning Rate [105.62979485062756]
  本稿では,中等度学習におけるSGDの特定の正規化効果を特徴付けることを試みる。 SGDはデータ行列の大きな固有値方向に沿って収束し、GDは小さな固有値方向に沿って収束することを示す。
  論文  参考訳（メタデータ） (2020-11-04T21:07:52Z)
• 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)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。