論文の概要: Learning transferable human physiology from two million hours of sleep with SleepFM-2

• arxiv url: http://arxiv.org/abs/2609.06849v1
• Date: Sun, 06 Sep 2026 21:47:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.326073
• Title: Learning transferable human physiology from two million hours of sleep with SleepFM-2
• Title（参考訳）: スリープFM-2による200万時間睡眠からの伝達可能なヒト生理学の学習
• Abstract要約: 睡眠は、脳、心臓、筋肉、呼吸系全体にわたる協調した活動を捉えることで、健康に夜の窓を提供する。 睡眠基盤モデルであるSleepFM-2を26コホートから282,511個のポリソノグラフィー記録に導入し,評価した。 SleepFMと比較すると、SleepFM-2は病気の予測と睡眠スコアを改善し、覚醒、手足の動き、呼吸イベントの検出をサポートし、ウェアラブルセンサーや主観的な睡眠表現型に転送する。
• 参考スコア（独自算出の注目度）: 15.707644127616211
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sleep provides a nightly window into health by capturing coordinated activity across the brain, heart, muscles and respiratory system. We introduce SleepFM-2, a sleep foundation model developed and evaluated on 282,511 polysomnography recordings from 26 cohorts, including 235,865 used for pretraining. These data span more than two million hours of multimodal physiology. Compared with SleepFM, SleepFM-2 improves disease prediction and sleep scoring, supports arousal, limb movement and respiratory event detection, and transfers to wearable sensing and subjective sleep phenotypes. A model combining its PSG representation with age, sex and BMI met a prespecified discrimination and significance criterion for 215 subsequently recorded EHR phenotypes in two held-out cohorts, including one health system unseen during pretraining. For 155 phenotypes, the PSG representation added reproducible information beyond demographics. SleepFM-2 also outperformed a 480-feature baseline derived from the same recordings. Its disease scores revealed a reproducible principal component associated with reduced sigma-band spatial coupling and increased hypnodensity entropy. The frozen encoder performed within the observed range of expert scorers for sleep events and transferred to wakeful EEG, headband and in-ear EEG, wrist PPG and wrist accelerometry. It improved sleep staging across six accelerometry cohorts and achieved disease-prediction performance in UK Biobank similar to models pretrained directly on accelerometry. Finally, SleepFM-2 captured aspects of subjective sleep not recovered by conventional PSG summaries, particularly reports of the recorded night. These results show that multimodal sleep physiology can provide a transferable representation of human health across diseases, clinical tasks, sensors and subjective experience.
• Abstract（参考訳）: 睡眠は、脳、心臓、筋肉、呼吸系全体にわたる協調した活動を捉えることで、健康に夜の窓を提供する。 プレトレーニング用235,865種を含む26のコホートから282,511種のポリソムノグラフィー記録を作成し,評価した睡眠基盤モデルであるSleepFM-2を紹介する。 これらのデータは、200万時間以上のマルチモーダル生理学に及びます。 SleepFMと比較すると、SleepFM-2は病気の予測と睡眠スコアを改善し、覚醒、手足の動き、呼吸イベントの検出をサポートし、ウェアラブルセンサーや主観的な睡眠表現型に転送する。 PSG表現と年齢、性別、BMIを組み合わせたモデルでは、事前訓練中に見えない1つの健康システムを含む2つの保持されたコホートに215のEHR表現型が記録された。 155種類の表現型に対して、PSG表現は人口動態を超えた再現可能な情報を追加した。 スリープFM-2は、同じ録音から派生した480機能のベースラインよりも優れていた。 疾患スコアでは,S状バンド空間結合の低下と催眠性エントロピーの増大に伴う再現性主成分がみられた。 凍結したエンコーダは、睡眠イベントの専門家スコアラーの範囲内で実行され、ウェイクフル脳波、ヘッドバンドおよびインイヤー脳波、手首PPGおよび手首加速度計に転送された。 これは6つの加速度計コホートにまたがる睡眠段階を改善し、英国バイオバンクで、加速度計で直接訓練されたモデルと同様、疾患予防性能を達成した。 最後に、SleepFM-2は、従来のPSGサマリー、特に記録された夜の報告によって回収されない主観的睡眠の側面を捉えた。 これらの結果から、多モード睡眠生理学は、疾患、臨床タスク、センサー、主観的体験などにわたる、人間の健康の伝達可能な表現を提供する可能性が示唆された。

関連論文リスト

• The Breakthrough of Sleep: A Contactless Approach for Accurate Sleep Stage Detection Using the Sleepal AI Lamp [15.791950475785113]
  睡眠ステージングは睡眠関連疾患の評価に不可欠である。 従来のPSG(Polysomnography)は、侵入性、労働集約性、長期監視には適さない。 本研究では,非接触型レーダ型睡眠トラッカーであるSleepal AI Lampの性能評価を行った。
  論文  参考訳（メタデータ） (2026-04-07T06:49:41Z)
• 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)
• Stanford Sleep Bench: Evaluating Polysomnography Pre-training Methods for Sleep Foundation Models [18.499236999143474]
  我々はStanford Sleep Benchという大規模なPSGデータセットを公開しました。 以上の結果より, 睡眠時, 呼吸時, 呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時間, 呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時呼吸時 睡眠研究を円滑に進めるために、トレーニング済みモデルウェイト、トレーニングパイプライン、評価コードとともにStanford Sleep Benchをリリースします。
  論文  参考訳（メタデータ） (2025-12-10T12:37:29Z)
• Thermal Imaging and Radar for Remote Sleep Monitoring of Breathing and Apnea [42.00356210257671]
  睡眠モニタリングのためのレーダとサーマルイメージングの初回比較を行った。 熱画像法では,0.99,精度0.68,リコール0.74,F1スコア0.71,クラス内相関0.73が検出された。 マルチモーダル・セットアップを活用して閉塞性および中枢性睡眠時無呼吸を分類するための新しい提案を提案する。
  論文  参考訳（メタデータ） (2024-07-16T17:26:50Z)
• 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)
• A Multimodal Dataset of 21,412 Recorded Nights for Sleep and Respiratory Research [0.0]
  本研究は、FDAが承認したWatchPAT-300デバイスを用いて、在宅睡眠時無呼吸テストから得られた、新しいリッチデータセットを紹介する。 データセットは、センサーからの生のマルチチャネル時系列、注釈付き睡眠イベント、計算された要約統計の3つのレベルで構成されている。
  論文  参考訳（メタデータ） (2023-11-15T14:14:26Z)
• 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)
• Temporal convolutional networks and transformers for classifying the sleep stage in awake or asleep using pulse oximetry signals [0.0]
  覚醒・睡眠中の睡眠段階をパルスオキシメータからのHR信号のみを用いて分類することを目的としたネットワークアーキテクチャを開発する。 トランスフォーマーはシーケンスをモデル化し、睡眠段階間の遷移ルールを学ぶことができる。 全体の正確性、特異性、感受性、およびコーエンのカッパ係数は90.0%, 94.9%, 78.1%, 0.73であった。
  論文  参考訳（メタデータ） (2021-01-29T22:58:33Z)
• 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)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)

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。