論文の概要: NanoSleep: A Parameter-Efficient Hybrid Temporal Convolutional Network for Single-Channel Sleep Stage Classification

• arxiv url: http://arxiv.org/abs/2608.18571v1
• Date: Wed, 19 Aug 2026 06:08:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.29071
• Title: NanoSleep: A Parameter-Efficient Hybrid Temporal Convolutional Network for Single-Channel Sleep Stage Classification
• Title（参考訳）: NanoSleep:シングルチャネル睡眠ステージ分類のためのパラメータ効率の良いハイブリッド時間畳み込みネットワーク
• Abstract要約: 自動睡眠ステージ分類のための小型ハイブリッド時間畳み込みネットワークであるNanoSleepを提案する。 NanoSleepは、正確性と効率の効果的なバランスを提供し、ウェアラブルデバイス、ホームベースの睡眠監視、リソース制約のある臨床応用に適している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sleep stage classification from single-channel electroencephalography (EEG) is essential for wearable and home-based sleep monitoring. However, many deep learning models achieve high accuracy at the cost of large model sizes, which limits their deployment on resource-constrained devices. In this work, we present NanoSleep, a compact hybrid temporal convolutional network for automatic sleep stage classification. NanoSleep combines a learnable Sinc-convolutional front end, a dual-branch feature extractor that fuses multi-scale temporal and spectral representations, a gated dilated temporal convolutional backbone with channel recalibration, and a conditional random field for sequence-level decoding. We further employ a weighted calibrated focal loss to address class imbalance. We evaluate NanoSleep on the Sleep-EDF and Sleep-EDF-Expanded datasets using subject-wise cross-validation. The proposed model consistently outperforms six representative baseline methods, and an ablation study confirms the contribution of each major component. These results demonstrate that NanoSleep provides an effective balance between accuracy and efficiency, making it well suited for wearable devices, home-based sleep monitoring, and resource-constrained clinical applications.
• Abstract（参考訳）: 単一チャンネル脳波(EEG)からの睡眠段階分類は、ウェアラブルおよび在宅睡眠監視に不可欠である。 しかし、多くのディープラーニングモデルは、大きなモデルサイズを犠牲にして高い精度を達成するため、リソース制約のあるデバイスへのデプロイメントが制限される。 本研究では、睡眠段階自動分類のためのコンパクトなハイブリッド時間畳み込みネットワークであるNanoSleepについて述べる。 NanoSleepは学習可能なSinc畳み込みフロントエンド、マルチスケールの時間的およびスペクトル的表現を融合するデュアルブランチ特徴抽出器、ゲート拡張された時間的畳み込みバックボーンとチャネルの校正、シーケンスレベルの復号のための条件付きランダムフィールドを組み合わせる。 さらに、クラス不均衡に対処するために、重み付けされた焦点損失を用いる。 本研究では,Sleep-EDFおよびSleep-EDF拡張データセット上でのNanoSleepを主観的クロスバリデーションを用いて評価した。 提案モデルは,6つの代表的ベースライン法を一貫して上回り,各主要成分の寄与をアブレーション研究により確認する。 これらの結果は,NanoSleepが精度と効率のバランスを効果的に保ち,ウェアラブルデバイス,ホームベースの睡眠モニタリング,リソース制約のある臨床応用に適していることを示している。

関連論文リスト

• NeuroSleep: Neuromorphic Event-Driven Single-Channel EEG Sleep Staging for Edge-Efficient Sensing [7.848671193820205]
  本稿では,エネルギー効率の高い睡眠ステージ構築のためのイベント駆動型センサと推論システムであるNeuroSleepを提案する。 状態認識モデリングによるニューロモルフィックエンコーディングをブリッジすることで、NeuroSleepはリソース制約のあるウェアラブルシナリオで常時オンの睡眠分析を行うためのスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2026-02-06T13:16:28Z)
• SleepLiteCNN: Energy-Efficient Sleep Apnea Subtype Classification with 1-Second Resolution Using Single-Lead ECG [0.0]
  睡眠時無呼吸症(Sleep apnea)は、呼吸中断が少なくとも10秒間持続し、1時間に5回以上起こるのを特徴とする一般的な睡眠障害である。 本稿では,高時間分解能のシングルリード心電図(ECG)を用いて睡眠時無呼吸サブタイプを分類するエネルギー効率のよい方法を提案する。 ウェアラブルプラットフォーム用に設計されたコンパクトでエネルギー効率の良い畳み込みニューラルネットワークであるSleepLiteCNNを紹介する。
  論文  参考訳（メタデータ） (2025-08-01T00:04:40Z)
• 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)
• sDREAMER: Self-distilled Mixture-of-Modality-Experts Transformer for Automatic Sleep Staging [41.625261368270614]
  本稿では,新しい睡眠ステージスコアリングモデルsDREAMERを提案する。 我々は,脳波,筋電図,混合信号の3経路を部分的に共有する混合モダリティ・エキスパート(MoME)モデルを開発した。 我々のモデルはマルチチャネル入力で訓練されており、シングルチャネル入力でもマルチチャネル入力でも分類できる。
  論文  参考訳（メタデータ） (2025-01-27T18:59:55Z)
• MSSC-BiMamba: Multimodal Sleep Stage Classification and Early Diagnosis of Sleep Disorders with Bidirectional Mamba [5.606144017978037]
  本研究では,睡眠時ステージングと障害分類の自動モデルを構築し,診断精度と効率を向上させる。 マルチモード睡眠状態分類モデルMSSC-BiMamba を設計した。 このモデルは、マルチモーダルPSGデータを用いたスリープステージングにBiMambaを初めて適用し、計算とメモリ効率を大幅に向上させた。
  論文  参考訳（メタデータ） (2024-05-30T15:16:53Z)
• Single Channel EEG Based Insomnia Identification Without Sleep Stage Annotations [0.3495246564946556]
  不眠症患者50名,健常者50名を用いて,本モデルの有効性を検証した。 開発されたモデルでは、現在の睡眠監視システムを簡素化し、家庭内振動モニタリングを可能にする可能性がある。
  論文  参考訳（メタデータ） (2024-02-09T08:59:37Z)
• 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)
• Knowing When to Stop: Delay-Adaptive Spiking Neural Network Classifiers with Reliability Guarantees [36.14499894307206]
  スパイキングニューラルネットワーク(SNN)は、内部イベント駆動型ニューラルネットワークを通じて時系列データを処理する。 本稿では,入力依存停止時に発生する決定に対して,信頼性を保証する新しい遅延適応型SNNベースの推論手法を提案する。
  論文  参考訳（メタデータ） (2023-05-18T22:11:04Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• A Closed-loop Sleep Modulation System with FPGA-Accelerated Deep Learning [1.5569382274788235]
  我々は,低消費電力フィールドプログラマブルゲートアレイ(FPGA)デバイス上でのクローズドループ操作をサポートする睡眠変調システムを開発した。 ディープラーニング(DL)モデルは、低消費電力のフィールドプログラマブルゲートアレイ(FPGA)デバイスによって加速される。 81名の被験者を含む公衆睡眠データベースを用いて、85.8%の最先端の分類精度とF1スコアの79%の精度でモデルが検証されている。
  論文  参考訳（メタデータ） (2022-11-19T01:47:53Z)
• 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)
• 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)
• Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by Spiking Neural Network [68.43026108936029]
  雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。 このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。 実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-07T08:22:56Z)

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。