論文の概要: Comparative Analysis of State-of-the-Art Foundation Models for Sleep Analysis Under Channel Reduction

• arxiv url: http://arxiv.org/abs/2609.22105v1
• Date: Fri, 14 Aug 2026 05:52:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.711356
• Title: Comparative Analysis of State-of-the-Art Foundation Models for Sleep Analysis Under Channel Reduction
• Title（参考訳）: チャンネルリダクション下における睡眠分析のための現状基礎モデルの比較分析
• Abstract要約: The Multi-Ethnic Study of Atherosclerosis (MESA) PSG data。 脳波は睡眠時信号のほとんどを持ち、ウェアラブル互換の代替品の一貫性のある精度コストを定量化し、睡眠関連事前訓練がMESAに良好に伝達されることを示す。
• 参考スコア（独自算出の注目度）: 3.666071815004404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic sleep staging from polysomnography (PSG) is a well-studied task, but PSG itself is expensive, clinic-based, and burdensome to manually score, which limits its use for long-term or at-home monitoring. Most existing sleep-staging foundation models are evaluated using the full PSG montage. We instead ask how much of that montage is actually necessary. We evaluate six sleep staging models on the Multi-Ethnic Study of Atherosclerosis (MESA) PSG dataset across three signal conditions: electroencephalography (EEG), electrocardiography (ECG), and their combination (EEG+ECG). This is motivated by edge-cloud deployment, where EEG requires a clinic-grade scalp electrode, whereas ECG is already captured by consumer wearables. We test state-of-the-art foundation models such as SleepFM with an encoder trained from scratch on MESA, alongside BIOT, MOMENT, LaBraM, a base-scale Vision Transformer (ViT-B) reimplementation of SensorLM trained from scratch, and YASA, spanning EEG-pretrained, general-time-series, from-scratch, and classical non-learned approaches. No model architecture is modified from its original form; SensorLM's encoder is reimplemented only in PyTorch. For EEG-only staging, BIOT achieves the best result with a macro~F1 of 0.7237, followed by LaBraM (0.6835) and SleepFM from scratch (0.6582). Across the five models capable of ECG-only staging, switching from EEG to ECG costs between 0.2798 (MOMENT) and 0.4151 (BIOT) macro~F1, averaging 0.3531, while cutting the raw channel data rate to a third. Adding ECG to EEG provides no gain for most models. These results show that EEG carries most of the sleep-staging signal, quantify the consistent accuracy cost of the wearable-compatible alternative, and demonstrate that sleep-relevant pretraining transfers well to MESA.
• Abstract（参考訳）: 睡眠自動ステージング(PSG)はよく研究されている課題であるが、PSG自体が高価であり、診療ベースであり、手動によるスコア付けが難しい。 既存の睡眠安定基盤モデルの多くは、PSGモンタージュで評価されている。 その代わりに、実際にどれくらいのモンタージュが必要か尋ねる。 脳波(EEG)、心電図(ECG)、それらの組み合わせ(EEG+ECG)の3つの信号条件で,多民族性動脈硬化症(MESA)PSGデータセットを用いた睡眠ステージングモデルの評価を行った。 これは、EEGがクリニックグレードの頭皮電極を必要とするエッジクラウドデプロイメントによるものであるのに対して、ECGはすでに消費者向けウェアラブルによって捕獲されている。 BIOT, MOMENT, LaBraM, ベーススケールビジョントランスフォーマー (ViT-B) によるスクラッチからトレーニングしたSensorLMの再実装, YASA などとともに, MESA 上でスクラッチからトレーニングしたエンコーダでSleepFM などの最先端基盤モデルをテストする。 SensorLMのエンコーダはPyTorchのみで再実装されている。 EEGのみのステージングでは、BIOTは0.7237のマクロ~F1、LaBraM(0.6835)、SleepFM(0.6582)で最高の結果を得る。 ECGのみのステージングが可能な5つのモデルで、EEGからECGへの切り替えは0.2798(MOMENT)から0.4151(BIOT)マクロ~F1(平均0.3531)となり、生チャネルのデータレートは3分の1に削減された。 ECGをEEGに追加することは、ほとんどのモデルにとって利益にならない。 これらの結果から、脳波は睡眠時信号のほとんどを持ち、ウェアラブル互換の代替品の一貫性のある精度コストを定量化し、睡眠関連事前訓練がMESAに良好であることを示す。

関連論文リスト

• Taming foundation model with invariance-oriented pre-training for broad-spectrum EEG analysis across signal-level, brain-state, and brain-health tasks [46.533103231728724]
  INCEPTは11,000時間以上の非競合型臨床脳波をトレーニングした、不変指向の脳波基礎モデルである。 買収後の脳波分析の3段階にまたがる10個のデータセットの広スペクトルベンチマークでINCEPTを評価した。
  論文  参考訳（メタデータ） (2026-08-25T14:20:02Z)
• CLEF: EEG Foundation Model for Learning Clinical Semantics [50.3767252824646]
  CLEFは,脳波基礎モデルである。 CLEFは, 疾患の表現型, 薬物曝露, 脳波所見にまたがる新しい234タスク・ベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-05-11T16:34:58Z)
• eegFloss: A Python package for refining sleep EEG recordings using machine learning models [0.559239450391449]
  本稿では,eegUsability(eegUsability)を利用したオープンソースのPythonパッケージであるeegFlossを紹介した。 EegUsabilityは、Zmaxヘッドバンドを使用して127晩にわたって15人の参加者から収集された、手動でアーチファクトラベルのEEGデータに基づいて訓練され、評価されている。 eegFlossは分析の精度と厳密さ、結果の正確さと信頼性を高めることができる。
  論文  参考訳（メタデータ） (2025-07-08T22:27:43Z)
• Sleep Stage Classification using Multimodal Embedding Fusion from EOG and PSM [0.06282171844772422]
  本研究では,マルチモーダル埋め込み深層学習モデルであるImageBindを用いて,睡眠段階分類のためのデュアルチャネルEOG信号とPSMデータを統合する手法を提案する。 以上の結果から,ImageBindの微調整により分類精度が向上し,既存のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-06-07T20:18:45Z)
• GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images [44.50428701650495]
  GEMは,第1回MLLM統合ECG時系列,第12回リードECG画像,地上および臨床のECG解釈のためのテキストである。 GEMは、3つのコアイノベーションを通じて機能的解析、エビデンス駆動推論、および臨床医のような診断プロセスを可能にする。 基礎心電図理解におけるMLLMの能力を評価するために,臨床動機付けのベンチマークであるグラウンドドECGタスクを提案する。
  論文  参考訳（メタデータ） (2025-03-08T05:48:53Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• EEG aided boosting of single-lead ECG based sleep staging with Deep Knowledge Distillation [0.8602553195689513]
  心電図(Electrocardiogram, ECG)は、睡眠期における脳波の代替としてより適している。 知識蒸留(KD)はDeep Learning(DL)において有望な概念であり、優れたパフォーマンスだがより複雑な教師モデルから劣るがコンパクトな学生モデルまで知識を共有している。 本研究は, 単チャンネル心電図による3クラス (W-R-N) と4クラス (W-R-L-D) の睡眠ステージング性能向上のためのKDの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-11-18T21:09:25Z)
• Performer: A Novel PPG to ECG Reconstruction Transformer For a Digital Biomarker of Cardiovascular Disease Detection [0.0]
  心臓血管疾患(CVD)は死因の上位1つとなり、これらの死亡の4分の3は低所得層で発生している。 心電図 (ECG) は, ユーザ参加の必要性から, 連続心臓モニタリングには有効ではない。 フォトプレチスモグラフィーは容易に収集できるが、精度の制限により臨床応用は制限される。
  論文  参考訳（メタデータ） (2022-04-25T17:10:13Z)
• A Deep Knowledge Distillation framework for EEG assisted enhancement of single-lead ECG based sleep staging [1.181206257787103]
  脳波で訓練されたモデルを用いて学習した特徴の助けを借りて、ECGベースの睡眠ステージング性能を向上させるためのクロスモーダルKDフレームワークを提案する。 提案したモデルでは、それぞれ4クラスと3クラスの睡眠ステージにおける重み付きF1スコアが14.3%、13.4%増加した。
  論文  参考訳（メタデータ） (2021-12-14T09:35:40Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)

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。