Fugu-MT 論文翻訳(概要): Dynamic Structural Causal Modeling for Sleep

論文の概要: Dynamic Structural Causal Modeling for Sleep

arxiv url: http://arxiv.org/abs/2608.20285v1
Date: Thu, 20 Aug 2026 17:20:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-21 20:28:51.659879
Title: Dynamic Structural Causal Modeling for Sleep
Title（参考訳）: 睡眠の動的構造因果モデリング
Abstract要約: 睡眠時無呼吸テスト(HSAT)記録から睡眠時無呼吸呼吸の動的因果グラフを学習した。我々は,PCMCI+ アルゴリズムを用いて 105 HSAT レコードから導出した分数変数のウィンドウ化を行う。学習されたグラフは、時間的自己依存性と無呼吸・不飽和関係が全てのコホートで持続し、他の関係は著しく異なることを示している。
参考スコア（独自算出の注目度）: 8.248005171814997
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The causal dynamics of sleep-disordered breathing are complex and vary across patient populations, hindering the development of targeted interventions. We learn dynamic causal graphs of sleep-disordered breathing from Home Sleep Apnea Test (HSAT) recordings, revealing systematic differences in causal structure across sex and age subcohorts. We do so using the PCMCI+ algorithm on windowed fractional variables derived from 105 HSAT recordings, exploiting domain knowledge via edge blacklisting and employing bootstrap aggregation to address small subcohort sizes. The learned graphs show that temporal self-dependencies and the apnea-desaturation relationship persist across all cohorts, while other relationships vary substantially.
Abstract（参考訳）: 睡眠障害呼吸の因果ダイナミクスは複雑であり、患者集団によって異なるため、標的とした介入の発生を妨げる。睡眠時無呼吸テスト (HSAT) 記録から, 睡眠時無呼吸呼吸の動的因果グラフを学習し, 性別と年齢による因果構造の系統的差異を明らかにした。我々は,PCMCI+アルゴリズムを,105個のHSATレコードから派生したウィンドウ付き分数変数上で使用し,エッジブラックリストによるドメイン知識を活用し,ブートストラップアグリゲーションを用いて,小さなサブコホートサイズに対処する。学習されたグラフは、時間的自己依存性と無呼吸・不飽和関係が全てのコホートで持続し、他の関係は著しく異なることを示している。

関連論文リスト

MedMamba: Multi-View State Space Models with Adaptive Graph Learning for Medical Time Series Classification [60.41879345743941]
状態空間モデルとドメイン固有の帰納バイアスを統合するエンドツーエンドアーキテクチャであるMedMambaを提案する。 MedMambaは線形計算複雑性を維持しながら最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2026-05-24T09:23:39Z)
Distance-Aware Joint Spatio-Temporal Graph Contrastive Learning for Major Depressive Disorder Diagnosis [14.96995835279229]
大うつ病(Major depressive disorder、MDD)は、安静時機能的MRI(rs-fMRI)からの正確な診断が困難である一般的な疾患である。動的機能接続(DFC)は、脳領域間の時間的相互作用を捉え、リッチ時間相関を提供するが、DFCベースの手法には3つの制限がある。
論文参考訳（メタデータ） (2026-05-22T06:12:31Z)
Learning Disease-Sensitive Latent Interaction Graphs From Noisy Cardiac Flow Measurements [4.124036410364937]
グラフ内の相互作用ノードとして心臓の渦をモデル化するための物理インフォームド・潜時関係フレームワークを提案する。我々のモデルは、神経関係推論アーキテクチャと物理にインスパイアされた相互作用エネルギーと生死のダイナミクスを組み合わせることで、病気の重症度と介入レベルに敏感な潜伏グラフを生成する。
論文参考訳（メタデータ） (2026-02-26T14:17:49Z)
Temporal Complexity and Self-Organization in an Exponential Dense Associative Memory Model [0.0]
時間複雑度(TC)は、秩序と障害の間の断続的な遷移イベントによって複雑なシステムを特徴づけるフレームワークである。以上の結果から,SEDAMモデルでは,非自明な時間的相関とスケールフリーな挙動を特徴とする複雑な断続的な状態がみられた。本研究は, 人工神経と生体神経の学習と情報処理を理解するための補完的枠組みとして, TCの意義を強調した。
論文参考訳（メタデータ） (2026-01-16T18:01:14Z)
Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文参考訳（メタデータ） (2024-07-28T02:42:36Z)
Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文参考訳（メタデータ） (2024-05-21T20:37:07Z)
Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
論文参考訳（メタデータ） (2023-06-24T17:01:51Z)
DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
論文参考訳（メタデータ） (2023-02-08T16:36:40Z)
ProductGraphSleepNet: Sleep Staging using Product Spatio-Temporal Graph Learning with Attentive Temporal Aggregation [4.014524824655106]
本研究では,協調時間グラフ学習のための適応型製品グラフ学習型グラフ畳み込みネットワークProductGraphSleepNetを提案する。提案したネットワークにより、臨床医は学習した睡眠段階の接続グラフを理解し、解釈することができる。
論文参考訳（メタデータ） (2022-12-09T14:34:58Z)
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)
Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。