論文の概要: DualStabSleepNet: A Dual-Domain Diffusion Stabilization Network for Robust Sleep Staging

• arxiv url: http://arxiv.org/abs/2609.27793v1
• Date: Mon, 17 Aug 2026 14:52:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.969275
• Title: DualStabSleepNet: A Dual-Domain Diffusion Stabilization Network for Robust Sleep Staging
• Title（参考訳）: DualStabSleepNet:ロバスト睡眠安定のためのデュアルドメイン拡散安定化ネットワーク
• Abstract要約: DualStabSleepNet (DSSNet) は、堅牢な睡眠ステージングのための二重ドメイン拡散安定化ネットワークである。 最先端の精度は89.2%、88.0%、89.7%、86.7%で、マクロF1とコーエンのカッパが改良されている。
• 参考スコア（独自算出の注目度）: 14.493917016390162
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing deep learning approaches for automatic sleep staging suffer from limited robustness under heterogeneous recording conditions, where non-stationary noise, inter-subject differences and cross-dataset distribution shifts cause unstable features and poor generalization. This work proposes DualStabSleepNet (DSSNet), a dual-domain diffusion stabilization network for robust sleep staging, which improves robustness in both data and feature domains. After preprocessing multi-channel polysomnography (PSG), a continuous-scale diffusion-based stabilization module suppresses noise while preserving physiological signal structures. Stabilized signals are converted to time-frequency representations and fed into a Vision Transformer backbone. A teacher-student guided diffusion feature stabilization module further mitigates feature drift and enforces multi-level feature consistency. Evaluated on four public PSG datasets SleepEDF-20, SleepEDF-78, SHHS and ISRUC-S3, DSSNet achieves state-of-the-art accuracy of 89.2%, 88.0%, 89.7%, 86.7% with improved macro-F1 and Cohen's kappa. It obtains notable improvements on hard transitional stages (e.g., 12.5% gain for N1 on SHHS) and boosts N2/REM recognition. Under cross-dataset settings, DSSNet is robust to distribution shift and performs on par with or superior to target-dataset trained baselines, demonstrating its practical potential for real-world sleep staging across heterogeneous cohorts.
• Abstract（参考訳）: 自動睡眠ステージングのための既存のディープラーニングアプローチは、非定常ノイズ、オブジェクト間差、およびデータセット間分布シフトが不安定な特徴や一般化不良を引き起こす不均一な記録条件下で、限られた堅牢性に悩まされている。 本研究では、ロバストスリープステージングのための二重ドメイン拡散安定化ネットワークであるDualStabSleepNet(DSSNet)を提案する。 マルチチャネルポリソノグラフィー(PSG)を前処理した後、連続的な拡散に基づく安定化モジュールは、生理的信号構造を保持しながらノイズを抑制する。 安定化信号は時間周波数表現に変換され、ビジョントランスフォーマーのバックボーンに入力される。 教師が指導する拡散機能安定化モジュールは、機能ドリフトをさらに軽減し、多レベル機能一貫性を強制する。 公開PSGデータセット4つのSleepEDF-20、SleepEDF-78、SHHS、ISRUC-S3で評価され、DSSNetは89.2%、88.0%、89.7%、86.7%の精度でマクロF1とコーエンのカッパを改良した。 ハードトランジショナルステージ(例えばSHHSではN1が12.5%上昇)において顕著な改善が得られ、N2/REM認識が向上する。 クロスデータセット設定下では、DSSNetは分散シフトに対して堅牢であり、ターゲットデータセットのトレーニングされたベースラインと同等か、あるいは同等に動作し、異種コホートをまたいだ現実世界の睡眠ステージングの実用的な可能性を実証している。

関連論文リスト

• SSDi8: Accurate and Efficient 8-bit Quantization for State Space Duality [49.80188257904718]
  SSDi8は、構造化状態空間双対性(SSD)に特化して設計された最初のポストトレーニング量子化フレームワークである。 SSDi8は、チャネル変動のアクティベーションをコスト効率の点で適応的に定量化し、さらにレイテンシを低減する。 精度はFP16に匹敵するが、W4A8とW8A8の設定では1.4倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-08-22T13:29:28Z)
• STDA-Net: Spectrogram-Based Domain Adaptation for cross-dataset Sleep Stage Classification [3.30265216867318]
  STDA-Netは、スペクトログラムに基づく特徴抽出のための畳み込みニューラルネットワーク(CNN)、時間モデリングのためのaBiLSTMモジュール、ソース・ツー・ターゲット特徴アライメントのためのドメイン・逆ニューラルネットワーク(DANN)を組み合わせたフレームワークである。 その結果,提案フレームワークの平均精度は89.03%,マクロF1スコアは87.64%であった。
  論文  参考訳（メタデータ） (2026-05-07T13:10:00Z)
• Dual-Stage Invariant Continual Learning under Extreme Visual Sparsity [8.16821029459195]
  背景駆動の勾配は、連続的なドメインシフトの間、機能のバックボーンを不安定にすることを示す。 連成蒸留による二段階不変連続学習フレームワークを提案する。 高分解能空間ベース RSO 検出データセットの実験は、確立された連続物体検出法よりも一貫した改善を示す。
  論文  参考訳（メタデータ） (2026-03-27T09:03:49Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
  安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。 本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
  論文  参考訳（メタデータ） (2026-02-09T22:48:30Z)
• Test-Time Adaptation for Anomaly Segmentation via Topology-Aware Optimal Transport Chaining [10.091031517157411]
  TopoOTはトポロジ対応の最適なトランスポート(OT)フレームワークである。 多重フィルタ永続図(PD)とテスト時間適応(TTA)を統合する。 TopoOTは2Dおよび3D異常検出ベンチマークで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） (2026-01-28T07:49:28Z)
• A Context-Aware Temporal Modeling through Unified Multi-Scale Temporal Encoding and Hierarchical Sequence Learning for Single-Channel EEG Sleep Staging [0.0]
  本研究は、自動睡眠ステージングのための実用的で広く利用可能な信号である、単一チャネル脳波(EEG)に焦点を当てる。 既存のアプローチでは、クラス不均衡、限定された受容場モデリング、不十分な解釈可能性といった課題に直面している。 本研究は,単一チャネル脳波睡眠ステージングのためのコンテキスト認識・解釈可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-28T15:42:33Z)
• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)
• DDS2M: Self-Supervised Denoising Diffusion Spatio-Spectral Model for Hyperspectral Image Restoration [103.79030498369319]
  ハイパースペクトル画像復元のための自己教師付き拡散モデルを提案する。 textttDDS2Mは、既存の拡散法と比較して、より強力な一般化能力を持っている。 HSIのノイズ除去、ノイズ除去、様々なHSIの超解像実験は、既存のタスク固有状態よりもtextttDDS2Mの方が優れていることを示した。
  論文  参考訳（メタデータ） (2023-03-12T14:57:04Z)

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。