論文の概要: Personalized Scorer Modeling: A Learning-Based Framework for Deriving Robust Sleep Stage Labels from Multiple Experts

• arxiv url: http://arxiv.org/abs/2608.12446v1
• Date: Wed, 12 Aug 2026 17:28:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.291752
• Title: Personalized Scorer Modeling: A Learning-Based Framework for Deriving Robust Sleep Stage Labels from Multiple Experts
• Title（参考訳）: パーソナライズされたスカラーモデリング: 複数の専門家からロバスト睡眠ステージラベルを抽出する学習ベースフレームワーク
• Abstract要約: 本研究では,複数の専門家の集合行動から,より信頼性の高い参照ラベルを構築するために,マルチスコアデータセットが利用できるかどうかを検討する。 脳波(C3-M2) と chin EMG の信号は30-s のエポックに区切られ、各モードから30の特徴が抽出され、脳波+EMG の60の特徴が得られた。 機械学習モデルから派生した混乱行列を用いて,各スコアのステージ固有の振る舞いをモデル化する学習ベースハイドノグラム(LBH)を提案する。
• 参考スコア（独自算出の注目度）: 1.0439136407307046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sleep stage classification is important for the diagnosis and management of sleep disorders, yet most automatic staging studies evaluate models against a single reference hypnogram despite known inter-scorer variability. This study investigates whether multi-scored datasets can be used to construct more reliable reference labels from the collective behavior of multiple experts. We use the publicly available DOD-H and DOD-O datasets. EEG (C3-M2) and chin EMG signals were segmented into 30-s epochs, and 30 features were extracted from each modality, yielding 60 features for EEG+EMG. We propose a learning-based hypnogram (LBH) that models the stage-specific behavior of each scorer using confusion matrices derived from machine-learning models. After column normalization, these matrices estimate the probability of each true sleep stage given each scorer's label; probabilities are aggregated across scorers to assign the final label for each epoch. LBH was evaluated with random forest, support vector machine, and multilayer perceptron classifiers under EEG-only and EEG+EMG settings, and compared with the dataset hypnogram (DH) and best-scorer hypnogram (BSH). LBH consistently improved overall performance. The best results were obtained with random forest and EEG+EMG, reaching 86.07% accuracy, 85.46% precision, and 85.29% F1-score on DOD-H, and 86.04% accuracy, 85.21% precision, and 84.70% F1-score on DOD-O. These findings suggest that personalized scorer modeling can improve reference hypnogram construction without discarding information from individual experts.
• Abstract（参考訳）: 睡眠段階分類は睡眠障害の診断と管理に重要であるが、ほとんどの自動ステージング研究は、スコーラ間の変動が知られているにもかかわらず、単一の基準ハイドノグラムに対するモデルを評価する。 本研究では,複数の専門家の集合行動から,より信頼性の高い参照ラベルを構築するために,マルチスコアデータセットが利用できるかどうかを検討する。 公開されているDOD-HとDOD-Oデータセットを使用します。 EEG (C3-M2) と chin EMG の信号は30個のエポックに区切られ, それぞれから30個の特徴が抽出され, EEG+EMG の60個の特徴が得られた。 機械学習モデルから派生した混乱行列を用いて,各スコアのステージ固有の振る舞いをモデル化する学習ベースハイドノグラム(LBH)を提案する。 カラム正規化後、これらの行列は各スコアラーのラベルに与えられた真の睡眠ステージの確率を推定し、確率はスコアラー間で集約され、各エポックに最終ラベルを割り当てる。 LBHは,無作為林,サポートベクターマシン,多層パーセプトロン分類器をEEGのみ,EEG+EMG設定で評価し,データセットハイドノグラム(DH)およびベストスカラーハイドノグラム(BSH)と比較した。 LBHは全体的な性能を継続的に改善した。 その結果、ランダム森林とEEG+EMGが86.07%の精度、85.46%の精度、85.29%のF1スコア、86.04%の精度、85.21%の精度、84.70%のF1スコアに達した。 これらの結果から,個々の専門家からの情報を捨てることなく,パーソナライズされたスコアラーモデリングが参照ハイノグラム構築を改善することが示唆された。

関連論文リスト

• eegFloss: A Python package for refining sleep EEG recordings using machine learning models [0.559239450391449]
  本稿では,eegUsability(eegUsability)を利用したオープンソースのPythonパッケージであるeegFlossを紹介した。 EegUsabilityは、Zmaxヘッドバンドを使用して127晩にわたって15人の参加者から収集された、手動でアーチファクトラベルのEEGデータに基づいて訓練され、評価されている。 eegFlossは分析の精度と厳密さ、結果の正確さと信頼性を高めることができる。
  論文  参考訳（メタデータ） (2025-07-08T22:27:43Z)
• SLEEPYLAND: trust begins with fair evaluation of automatic sleep staging models [0.0]
  本稿では,オープンソースの睡眠ステージ評価フレームワークであるSLEEPYLANDを紹介する。 ドメイン内睡眠記録(ID)は220万時間以上、ドメイン外睡眠記録(OOD)は84万時間以上である。 本稿では,SoMNUSを紹介する。SoMNUSは,ソフト投票によるアーキテクチャとチャネル設定のモデルを組み合わせたアンサンブルである。
  論文  参考訳（メタデータ） (2025-06-10T08:46:19Z)
• Automatic detection of abnormal clinical EEG: comparison of a finetuned foundation model with two deep learning models [0.24848203755267906]
  提案する基礎モデルであるBioSerenity-E1とCNN-LSTMとTransformer-basedの2つのディープラーニングモデルを比較し,脳波記録全体を正常または異常と分類する。 3機は2500のEEG記録で訓練または微調整が行われた。 脳波自動分類における事前学習モデルの有用性について検討した。
  論文  参考訳（メタデータ） (2025-05-13T07:07:24Z)
• 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)
• EEG-Fest: Few-shot based Attention Network for Driver's Vigilance Estimation with EEG Signals [160.57870373052577]
  運転士の警戒の欠如は、ほとんどの車両事故の主な原因である。 EEGはドライバーの眠気推定のための信頼性と効率的なツールである。
  論文  参考訳（メタデータ） (2022-11-07T21:35:08Z)
• Examining Uniqueness and Permanence of the WAY EEG GAL dataset toward User Authentication [0.0]
  本研究では、WAY EEG GAL公開データセットからの脳波データの識別能力(特異性)を評価し、個人を互いに認証する。 特徴重要度アルゴリズムを用いて、各ユーザが他のすべての機能に対して認証する最適な特徴を選択する。 線形SVMを用いた95.3%の精度(95.3%のF1スコア)と非線形SVMを用いた97.4%の精度(97.3%のF1スコア)のハイパフォーマンスな個人も観察されている。
  論文  参考訳（メタデータ） (2022-09-11T06:53:51Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• 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)
• 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)
• MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
  ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。 モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
  論文  参考訳（メタデータ） (2021-01-07T13:08:44Z)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)

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。