論文の概要: SWINSleepNet: A Hierarchical Context-Aware Framework for Sleep Staging (v2)

• arxiv url: http://arxiv.org/abs/2608.02183v1
• Date: Mon, 03 Aug 2026 13:07:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.572154
• Title: SWINSleepNet: A Hierarchical Context-Aware Framework for Sleep Staging (v2)
• Title（参考訳）: SWINSleepNet:スリープステージングのための階層型コンテキスト認識フレームワーク(v2)
• Authors: Chongjian Wang, Junjie Gao,
• Abstract要約: 伝統的なエポックレベルのエンコーダは、微妙な時間的ミクロ構造とエポック内部のクロスリージョン相互作用を抽出することができない。 スウィンスリープネット (SwinSleepNet) は、階層型文脈対応の双方向ストリームフレームワークで、エポック内表現学習とエポック間文脈モデリングを個別に最適化する。 本手法は,難易度の高いN1段および過渡期において,強靭性と安定性を示す。
• 参考スコア（独自算出の注目度）: 3.911341147858216
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic sleep staging is a critical role in sleep disorder diagnosis, sleep quality assessment, and long-term health monitoring; however, existing approaches suffer poor performance on ambiguous and transition-related sleep stages, caused by inadequate modeling of fine-grained intra-epoch structures and complex cross-region spectral dependencies. Traditional epoch-level encoders commonly fail to extract subtle temporal microstructures and intra-epoch cross-region interactions, resulting in unsatisfactory recognition accuracy for hard categories such as the N1 stage. To tackle these drawbacks, we propose SwinSleepNet, a hierarchical context-aware dual-stream framework that separately optimizes intra-epoch representation learning and inter-epoch contextual modeling. Concretely, we characterize each sleep epoch from two complementary perspectives: raw time-domain EEG signal and its time-frequency transformation. The time-domain branch adopts convolutional encoders to capture fine waveform temporal details, and the time-frequency branch uses Swin Transformer to extract local spectro-temporal features, hierarchical multi-scale information and long-range spatial dependencies. The multi-branch extracted features are fused into integrated embeddings, which are optimized by a bidirectional context module to capture cross-epoch temporal dependencies for final sleep stage classification. Comprehensive experiments on Sleep-EDF-20, Sleep-EDF-78 and SHHS datasets verify that our method achieves competitive overall performance, and exhibits stronger robustness and stability on difficult N1 stages and transitional epochs. The results prove that optimized intra-epoch representation learning based on hierarchical architecture greatly benefits automatic sleep staging tasks.
• Abstract（参考訳）: 自動睡眠ステージングは睡眠障害の診断、睡眠品質評価、長期健康モニタリングにおいて重要な役割を担っているが、既存のアプローチでは、微細なエポック内構造と複雑なクロススペクトル依存性のモデリングが不十分なため、曖昧で遷移関連のある睡眠ステージにおいてパフォーマンスが低下している。 伝統的なエポックレベルのエンコーダは、通常、微妙な時間的ミクロ構造とエポック内のクロスリージョン相互作用を抽出できないため、N1ステージのようなハードカテゴリでは不満足な認識精度が得られる。 これらの欠点に対処するため,階層型コンテキスト認識型双方向ストリームフレームワークであるSwinSleepNetを提案する。 具体的には、各睡眠エピックを、生の時間領域脳波信号とその時間周波数変換という2つの相補的な視点から特徴づける。 時間領域ブランチは、微細波形の時間的詳細をキャプチャするために畳み込みエンコーダを採用し、時間周波数ブランチはSwin Transformerを使用して、局所スペクトル時間的特徴、階層的マルチスケール情報、長距離空間依存を抽出する。 マルチブランチ抽出した機能は統合埋め込みに融合され、双方向コンテキストモジュールによって最適化され、最終睡眠段階分類のための時間的相互依存関係をキャプチャする。 スリープ-EDF-20,スリープ-EDF-78,SHHSデータセットの総合的な実験により,本手法が総合的な性能を向上し,難易度N1期および過渡期において強い強靭性と安定性を示す。 その結果、階層型アーキテクチャに基づくエポック内表現学習の最適化は、自動睡眠ステージリングタスクに大いに効果があることが証明された。

関連論文リスト

• STDA-Net: Spectrogram-Based Domain Adaptation for cross-dataset Sleep Stage Classification [3.30265216867318]
  STDA-Netは、スペクトログラムに基づく特徴抽出のための畳み込みニューラルネットワーク(CNN)、時間モデリングのためのaBiLSTMモジュール、ソース・ツー・ターゲット特徴アライメントのためのドメイン・逆ニューラルネットワーク(DANN)を組み合わせたフレームワークである。 その結果,提案フレームワークの平均精度は89.03%,マクロF1スコアは87.64%であった。
  論文  参考訳（メタデータ） (2026-05-07T13:10:00Z)
• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• PSDNorm: Test-Time Temporal Normalization for Deep Learning in Sleep Staging [63.05435596565677]
  我々は,モンジュマッピングと時間文脈を利用したPSDNormを提案し,信号の深層学習モデルにおける特徴写像の正規化を行う。 PSDNormは、BatchNormよりも4倍のデータ効率が高く、目に見えない左のデータセットで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-06T16:20:25Z)
• ST-USleepNet: A Spatial-Temporal Coupling Prominence Network for Multi-Channel Sleep Staging [9.83413257745779]
  時空間グラフ構築モジュール(ST)とU字型睡眠ネットワーク(USleepNet)からなるST-USleepNetという新しいフレームワークを提案する。 STモジュールは、信号類似性、時間的、空間的関係に基づいて生信号を時空間グラフに変換し、時空間結合パターンをモデル化する。 USleepNetは、時間的および空間的ストリームの両方にU字型の構造を採用しており、重要なターゲットを分離するために画像セグメント化に当初使用していたことを反映している。
  論文  参考訳（メタデータ） (2024-08-21T14:57:44Z)
• 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)
• FOCAL: Contrastive Learning for Multimodal Time-Series Sensing Signals in Factorized Orthogonal Latent Space [7.324708513042455]
  本稿では,マルチモーダル時系列センシング信号から包括的特徴を抽出する,FOCALと呼ばれる新しいコントラスト学習フレームワークを提案する。 ダウンストリームタスクにおける最先端のベースラインを、明確なマージンで一貫して上回る。
  論文  参考訳（メタデータ） (2023-10-30T22:55:29Z)
• Diagnostic Spatio-temporal Transformer with Faithful Encoding [54.02712048973161]
  本稿では,データ生成プロセスが複合時間(ST)依存性を持つ場合の異常診断の課題について述べる。 我々は、ST依存を時系列分類の副産物として学習する、教師付き依存発見として問題を定式化する。 既存のST変圧器で使用される時間的位置符号化は、高周波数(短時間スケール)の周波数をキャプチャする重大な制限を有することを示す。 また、空間的および時間的方向の両方で容易に消費可能な診断情報を提供する新しいST依存性発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-26T05:31:23Z)
• FormerTime: Hierarchical Multi-Scale Representations for Multivariate Time Series Classification [53.55504611255664]
  formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。 1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
  論文  参考訳（メタデータ） (2023-02-20T07:46:14Z)
• Temporal Memory Relation Network for Workflow Recognition from Surgical Video [53.20825496640025]
  本研究では, 長期および多スケールの時間パターンを関連づける, エンドツーエンドの時間メモリ関係ネットワーク (TMNet) を提案する。 我々はこのアプローチを2つのベンチマーク手術ビデオデータセットで広範囲に検証した。
  論文  参考訳（メタデータ） (2021-03-30T13:20:26Z)

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。