Fugu-MT 論文翻訳(概要): LightSleepX: A Lightweight, Inception-Based Dual-Modal Network for Sleep Staging

論文の概要: LightSleepX: A Lightweight, Inception-Based Dual-Modal Network for Sleep Staging

arxiv url: http://arxiv.org/abs/2609.19062v1
Date: Wed, 22 Jul 2026 02:31:08 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-28 05:09:55.611191
Title: LightSleepX: A Lightweight, Inception-Based Dual-Modal Network for Sleep Staging
Title（参考訳）: LightSleepX:ライトウェイトでインセプションをベースとした2つのモードネットワーク
Abstract要約: 本稿では、リソース制約のある環境で堅牢な睡眠分析を実現するための軽量フレームワークであるLightSleepXを紹介する。 LightSleepXは、インセプションスタイルのアーキテクチャと奥行き分離可能な畳み込みと、効率的なマルチモーダルEEG/EOG特徴抽出のためのマルチスケール拡張注意を組み合わせる。公開ベンチマークデータセットでは、LightSleepXは85.9%の精度、Sleep-EDF-20では0.803のマクロF1スコア、クロスオブジェクトISRUC-S3データセットでは81.8%の精度と0.796のマクロF1スコアを達成している。
参考スコア（独自算出の注目度）: 2.9084367756135676
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automatic sleep staging is fundamental to personal health monitoring, yet many existing approaches are ill-suited for real-world applications. Traditional pipelines often rely on hand-crafted features or shallow machine learning models that struggle to generalize, while state-of-the-art deep learning methods, though accurate, are computationally heavy and impractical for resource-constrained environments. This paper introduces LightSleepX, a lightweight framework designed to deliver robust sleep analysis in resource-constrained environments. LightSleepX combines an Inception-style architecture with depthwise separable convolutions and Multi-scale Enhanced Attention for efficient multi-modal EEG/EOG feature extraction, and a Mamba encoder for rule-free long-range temporal modeling. On public benchmark datasets, LightSleepX achieves 85.9% accuracy and a 0.803 macro-F1 score on Sleep-EDF-20, and 81.8% accuracy and a 0.796 macro-F1 score on the cross-subject ISRUC-S3 dataset. With 0.049M parameters and 195.9 MFLOPs, the framework targets practical local deployment where computational cost and privacy are central constraints.
Abstract（参考訳）: 個人の健康モニタリングには自動睡眠ステージリングが不可欠だが、既存の多くのアプローチは現実世界のアプリケーションには適していない。従来のパイプラインは手作りの機能や、一般化に苦慮する浅い機械学習モデルに頼っていることが多いが、最先端のディープラーニング手法は正確ではあるが、計算的に重く、リソースに制約のある環境では実用的ではない。本稿では、リソース制約のある環境で堅牢な睡眠分析を実現するための軽量フレームワークであるLightSleepXを紹介する。 LightSleepXは、インセプションスタイルのアーキテクチャと、奥行き分離可能な畳み込みと、効率的なマルチモーダルEEG/EOG特徴抽出のためのマルチスケール拡張アテンションと、ルールフリーの長距離時間モデリングのためのMambaエンコーダを組み合わせる。公開ベンチマークデータセットでは、LightSleepXは85.9%の精度、Sleep-EDF-20では0.803のマクロF1スコア、クロスオブジェクトISRUC-S3データセットでは81.8%の精度と0.796のマクロF1スコアを達成している。 0.049Mパラメータと195.9 MFLOPで、このフレームワークは計算コストとプライバシが中心的な制約である実際のローカルデプロイメントをターゲットにしている。

関連論文リスト

Lightweight ML-Based Automatic Sleep Staging Framework with Constrained CNN and Mamba for Small-Sample EEG Datasets [5.545826188919722]
本稿では,単一チャネル脳波のための軽量かつ低遅延自動睡眠ステージングフレームワークであるGamSleepNetを提案する。 Sleepedfデータセットでは、このモデル全体の精度は87.86パーセントで、パラメータはわずか30.86万で、すべてのメトリクスがSOTAレベルに達する。
論文参考訳（メタデータ） (2026-07-06T11:06:16Z)
SpikeMLLM: Spike-based Multimodal Large Language Models via Modality-Specific Temporal Scales and Temporal Compression [46.709828328948724]
スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェアに固有のエネルギー効率の利点を提供する。 MLLMの最初のスパイクベースフレームワークであるSpikeMLLMを提案する。この結果から,SpikeMLLMはアグレッシブ・タイムステップ圧縮下でほぼ無作為な性能を維持していることがわかった。
論文参考訳（メタデータ） (2026-04-13T15:32:44Z)
DyMoE: Dynamic Expert Orchestration with Mixed-Precision Quantization for Efficient MoE Inference on Edge [49.3949520091098]
高速エッジ推論のための動的混合精度量子化フレームワークDyMoEを提案する。我々は、DyMoEが、最先端のオフロードベースラインと比較して、Time-Per-Output-Token(TPOT)において、Time-to-First-Tokenを3.44x-22.7x、14.58倍のスピードアップすることを示す。
論文参考訳（メタデータ） (2026-03-19T17:30:01Z)
ULW-SleepNet: An Ultra-Lightweight Network for Multimodal Sleep Stage Scoring [28.352558247977168]
超軽量・マルチモーダル睡眠ステージスコアリングフレームワークULW-SleepNetを提案する。新たなDual-Stream Separable Convolution (DSSC) Block、Deepwise Separable Convolutions、チャネルワイドパラメータ共有、グローバル平均プールなどが組み込まれている。最先端手法と比較して,本モデルではパラメータを98.6%まで削減し,性能損失を極端に抑えた。
論文参考訳（メタデータ） (2026-02-27T09:48:11Z)
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)
MoDES: Accelerating Mixture-of-Experts Multimodal Large Language Models via Dynamic Expert Skipping [52.02659589971978]
我々は,MoE MLLM推論を効果的かつ正確なものにするために,専門家を適応的にスキップする最初のトレーニングフリーフレームワークであるMoDESを提案する。 MoDESは推論速度を大幅に向上させ、プリフィルタイムを2.16$times$、デコードタイムを1.26$times$に改善する。
論文参考訳（メタデータ） (2025-11-19T18:48:27Z)
NeuroLingua: A Language-Inspired Hierarchical Framework for Multimodal Sleep Stage Classification Using EEG and EOG [0.0]
我々は、睡眠を構造化生理言語として概念化する言語に着想を得たフレームワークであるNeuroLinguaを提案する。睡眠を構成言語とすることで、NeuroLinguaは階層的なシーケンスモデリングとマルチモーダル融合を統一する。 NeuroLingua は、Sleep-EDF Expanded と ISRUC-Sleep データセットで評価される。
論文参考訳（メタデータ） (2025-11-12T22:10:59Z)
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)
Maximize to Explore: One Objective Function Fusing Estimation, Planning, and Exploration [87.53543137162488]
我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。 textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
論文参考訳（メタデータ） (2023-05-29T17:25:26Z)
REST: Robust and Efficient Neural Networks for Sleep Monitoring in the Wild [62.36144064259933]
ニューラルネットワークの逆トレーニングとLipschitz定数の制御を通じて、両問題に同時に対処する新しい方法であるRESTを提案する。私たちは、RESTがノイズの存在下で、オリジナルのフルサイズのモデルを大幅に上回る、ロバストで効率的なモデルを生成することを実証しています。これらのモデルをスマートフォン上のAndroidアプリケーションにデプロイすることにより、RESTによってモデルが最大17倍のエネルギー削減と9倍高速な推論を達成することができることを定量的に観察する。
論文参考訳（メタデータ） (2020-01-29T17:23:16Z)

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。