論文の概要: Subject-Relative Micro-Motion and Sleep Dynamics for Near-Infrared Video Sleep Staging

• arxiv url: http://arxiv.org/abs/2609.05550v1
• Date: Thu, 03 Sep 2026 06:47:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.091906
• Title: Subject-Relative Micro-Motion and Sleep Dynamics for Near-Infrared Video Sleep Staging
• Title（参考訳）: 近赤外ビデオ睡眠時における主観的微動と睡眠動態
• Abstract要約: 近赤外(NIR)ビデオは、非接触型睡眠監視において有望なモダリティである。 最近のビデオベースの睡眠ステージング手法では、呼吸/心臓のプロキシを再構築するルートとしてよく用いられる。 ViNUSS(Video-Native Unmediated Sleep Staging)は、主観的マイクロモーション学習とフルナイト睡眠動態モデリングを組み合わせたフレームワークである。
• 参考スコア（独自算出の注目度）: 3.6257074818543007
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Near-infrared (NIR) video is a promising modality for contactless sleep monitoring, but recent video-based sleep staging methods often use it as a route to reconstructed respiratory/cardiac proxies or cross-modal physiological representations. We study video-only sleep staging under labels defined by polysomnography (PSG), where the model infers sleep stages from NIR video alone without explicit physiological proxy reconstruction or auxiliary physiological signal supervision. This tests whether NIR video itself can provide informative sleep-stage evidence, rather than only serving as an input for recovering physiological proxies. We propose ViNUSS (Video-Native Unmediated Sleep Staging), a framework that combines subject-relative micro-motion learning with full-night sleep dynamics modeling. Spatially anchored pre-spatial micro-motion encoding preserves localized temporal variation together with its spatial context. Within-subject stage contrast learns stage cues with respect to each subject's night-specific baseline. Two-scale sleep dynamics modeling captures within-epoch motion evolution and organizes epoch-level evidence into a coherent full-night sleep-stage trajectory. On 475 overnight NIR recordings (~3,250 hours), ViNUSS achieves 0.80 accuracy and 0.78 macro-F1 for four-class sleep staging. Interpretability analysis suggests attention to thoraco-abdominal periodic motion and gross body movements associated with arousals and position changes. These results support NIR video as an independently informative and complementary modality for PSG-defined sleep-stage estimation
• Abstract（参考訳）: 近赤外線(NIR)ビデオは、接触のない睡眠モニタリングには有望なモダリティであるが、近年のビデオベースの睡眠ステージング手法では、呼吸/心臓プロキシの再構成や、クロスモーダルな生理的表現のルートとしてしばしば使用される。 ポリソムノグラフィー (PSG) で定義されたラベルに基づいて, NIRビデオのみから睡眠段階を推測し, 明示的な生理的プロキシ再構成や補助的生理的信号監督を行うことなく, 睡眠段階を推定する。 この実験は、NIRビデオ自体が生理的プロキシを回復するための入力としてのみ機能するのではなく、情報的な睡眠段階の証拠を提供するかどうかをテストする。 ViNUSS(Video-Native Unmediated Sleep Staging)は、主観的マイクロモーション学習とフルナイト睡眠動態モデリングを組み合わせたフレームワークである。 空間的に固定された空間的前空間マイクロモーションエンコーディングは、その空間的コンテキストとともに局所的な時間的変動を保存する。 サブオブジェクト内のステージコントラストは、各被験者の夜間固有のベースラインに関してステージキューを学習する。 2スケールの睡眠ダイナミクスモデリングは、エポック内の運動の進化を捉え、エポックレベルの証拠を一貫性のあるフルナイト睡眠段階の軌道に整理する。 475夜のNIR記録(約3,250時間)では、ViNUSSは0.80の精度と0.78のマクロF1を4クラスの睡眠ステージで達成している。 解釈可能性分析は, 胸腹部の周期運動と, 覚醒, 位置変化に伴う全身運動に注意を向けることが示唆された。 これらの結果は、PSG定義睡眠ステージ推定のための独立的に情報的・補完的モダリティとしてNIRビデオをサポートする。

関連論文リスト

• Omni-Sleep: A Sleep Foundation Model via Hierarchical Contrastive Learning of CNS-ANS Dynamics [13.009463605294604]
  我々は、CNS/ANSパーティションを表現学習の生理的先行として利用する睡眠基盤モデルであるOmni-Sleepを紹介する。 マルチセンターマルチモーダルPSGデータを10万時間以上事前トレーニングしたOmni-Sleepは、睡眠ステージングとマルチディスリーズ分類に基づいて評価される。
  論文  参考訳（メタデータ） (2026-07-04T13:45:39Z)
• Towards Athlete Fatigue Assessment from Association Football Videos [53.20057980542362]
  本稿では,ピッチ座標における選手軌跡を抽出する最先端のゲーム状態再構成手法を構築した。 次に,これらの信号から加速度-速度プロファイルを構築し,その挙動を疲労関連性能指標として解析する。 以上の結果から,単眼映像は,A-S時間と相性のあるキネマティックなパターンを回復すると同時に,トラジェクティブノイズ,校正誤差,放送映像固有の時間的不連続性に敏感であることが明らかとなった。
  論文  参考訳（メタデータ） (2026-04-07T09:36:28Z)
• Scaling Video Pretraining for Surgical Foundation Models [51.92777479821822]
  SurgRecは、スケーラブルで再現可能な、外科的ビデオ理解のための事前学習のレシピだ。 内視鏡,腹腔鏡,白内障,ロボット手術を対象とする10,535ビデオと214.5Mフレームの大規模なコーパスをキュレートした。
  論文  参考訳（メタデータ） (2026-03-31T16:31:25Z)
• PhysNeXt: Next-Generation Dual-Branch Structured Attention Fusion Network for Remote Photoplethysmography Measurement [50.524262997433546]
  ハーモグラフィーは、心臓の脈動によって引き起こされる顔の皮膚の色変化を分析し、心拍数やその他の重要な兆候を測定することができる。 現在の手法は主に生のビデオからエンド・ツー・エンドのモデリング、または微妙な心拍マップ(ST)表現に基づいている。 本稿では,ビデオフレームとST表現を併用したデュアルインプットディープラーニングフレームワークであるPhysMapXtを提案する。
  論文  参考訳（メタデータ） (2026-03-20T08:37:02Z)
• sleep2vec: Unified Cross-Modal Alignment for Heterogeneous Nocturnal Biosignals [15.989293188183069]
  多様な夜間生体信号の基盤モデルであるtextttsleep2vec について述べる。 textttsleep2vecは、9つのモードにまたがる42,249の夜間録音で、対照的に事前訓練されている。 ダウンストリーム睡眠ステージングと臨床成績評価では、ttexttsleep2vecは一貫して強いベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-14T19:40:04Z)
• Physiology as Language: Translating Respiration to Sleep EEG [43.02603129452492]
  本稿では,呼吸信号から睡眠脳波(EEG)を合成するクロス生理学的翻訳タスクを紹介する。 離散トークン化により脳波の標的空間を制約しながら、微細な呼吸動態を保ちながら波形条件生成フレームワークを提案する。 脳波スペクトログラム再構成では,28,000人以上の被験者を対象に,平均絶対誤差を7%以上達成している。
  論文  参考訳（メタデータ） (2026-01-31T05:44:45Z)
• Learning Cortico-Muscular Dependence through Orthonormal Decomposition of Density Ratios [39.3721526159124]
  本研究では,皮質振動と筋振動の関係をモデル化するために,密度比の正則分解に基づく統計的依存推定器の新たな応用を提案する。 本研究では,皮質筋接続から学習した固有関数が,運動と被験者を正確に分類できることを実験的に実証した。
  論文  参考訳（メタデータ） (2024-10-04T16:05:08Z)
• What Radio Waves Tell Us about Sleep [34.690382091650314]
  本研究では、睡眠中の人から反射される電波からの睡眠と夜間呼吸を受動的にモニタリングする高度な機械学習アルゴリズムを開発した。 睡眠時無呼吸(AUROC=0.88)を検知し,睡眠時無呼吸を検知した。 このモデルは、睡眠段階と、神経、精神医学、循環器、免疫疾患を含む様々な疾患の間の情報的相互作用を明らかにする。
  論文  参考訳（メタデータ） (2024-05-20T02:41:21Z)
• SleepVST: Sleep Staging from Near-Infrared Video Signals using Pre-Trained Transformers [0.6599755599064447]
  本研究では,カメラベース睡眠ステージ分類における最先端性能を実現するトランスフォーマーモデルであるSleepVSTを紹介する。 本研究では,ビデオから抽出した呼吸波形にSleepVSTをうまく移行させることにより,完全接触型睡眠ステージリングが可能となることを示す。
  論文  参考訳（メタデータ） (2024-04-04T23:24:14Z)
• Diffusion Priors for Dynamic View Synthesis from Monocular Videos [59.42406064983643]
  ダイナミックノベルビュー合成は、ビデオ内の視覚的コンテンツの時間的進化を捉えることを目的としている。 まず、ビデオフレーム上に予め訓練されたRGB-D拡散モデルをカスタマイズ手法を用いて微調整する。 動的および静的なニューラルレイディアンス場を含む4次元表現に、微調整されたモデルから知識を蒸留する。
  論文  参考訳（メタデータ） (2024-01-10T23:26:41Z)
• Deep Learning-Enabled Sleep Staging From Vital Signs and Activity Measured Using a Near-Infrared Video Camera [1.0499611180329802]
  我々は、近赤外線ビデオカメラから得られる心拍数、呼吸速度、活動測定値を用いて睡眠ステージ分類を行う。 我々は4クラス睡眠段階分類において73.4%の精度とコーエンのカッパ0.61の精度を達成した。
  論文  参考訳（メタデータ） (2023-06-06T14:21:22Z)
• Automatic Sleep Stage Classification with Cross-modal Self-supervised Features from Deep Brain Signals [35.141080847207355]
  深層脳記録に基づく睡眠段階分類は、患者に対してより正確な治療を提供する大きな可能性を持っている。 人工睡眠装置を用いた睡眠段階分類に適用可能なクロスモーダル・トランスファー学習法を提案した。 パーキンソン病12例の脳深部記録データを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-02-07T03:21:33Z)
• 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)
• 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)

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。