論文の概要: On Sleep-Wake Disorder Identification from Polysomnographic Representations

• arxiv url: http://arxiv.org/abs/2610.17451v1
• Date: Mon, 12 Oct 2026 22:09:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 18:57:02.568004
• Title: On Sleep-Wake Disorder Identification from Polysomnographic Representations
• Title（参考訳）: ポリソノグラフィーによる睡眠・覚醒障害の同定について
• Abstract要約: 自己教師型ポリソムノグラフィー基礎モデル(PSG FMs)は、睡眠段階を超えて臨床的に有用な情報を収集することを目的としている。 睡眠覚醒群と概日性障害群を多ラベルで同定するために, 大規模多コア睡眠制御エンコーダとPSG FMの凍結表現を比較した。
• 参考スコア（独自算出の注目度）: 0.6601636598293666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised polysomnography foundation models (PSG FMs) aim to capture clinically useful information beyond sleep staging, yet are rarely compared with sleep-staging encoders pretrained at comparable scale and modality coverage. Using a common whole-night, missingness-aware state-space downstream modeling framework, we compared frozen representations from prominent large-scale, multi-cohort sleep-stage-supervised encoders and self-supervised PSG FMs for multilabel identification of six sleep-wake and circadian disorder groups in 7,906 PSGs from an unseen registry. Although PSG FMs outperformed an EEG-only, single-cohort supervised baseline, this ordering reversed when supervised pretraining approached comparable scale and modality coverage. Transfer learning from neural sleep scorers achieved higher overall performance while exhibiting greater downstream data efficiency. These findings underscore the need for scale- and modality-matched pretrained supervised baselines when assessing PSG FMs' downstream potential.
• Abstract（参考訳）: 自己教師型ポリソムノグラフィー基礎モデル(PSG FMs)は、睡眠段階を超えて臨床的に有用な情報を収集することを目的としているが、同等のスケールとモダリティのカバレッジで事前訓練された睡眠時エンコーダと比較されることは稀である。 睡眠覚醒群6群と概日性障害群7,906例の多ラベル識別のための大規模多コア睡眠制御エンコーダと自己教師型PSG FMの凍結表現を比較した。 PSG FMはEEGのみの単一コホート制御ベースラインよりも優れていたが、教師付き事前訓練が同等のスケールとモダリティのカバレッジに近づくと、この順序は逆転した。 神経睡眠スコアラーからの移行学習は、より下流のデータ効率を高めながら、全体的なパフォーマンスを向上した。 これらの結果は、PSG FMの下流電位を評価する際に、スケールとモダリティに整合した教師付きベースラインの必要性を浮き彫りにした。

関連論文リスト

• Gated Graph Neural Networks for Learning Hidden Independent Cascade Dynamics [50.02140519922548]
  情報や伝染病はソーシャルネットワークを通じて広まっていますが、ノードごとのアクティベーション時間なしでは予測が難しいのです。 本研究では,Hydden Independent Cascade(HIC)モデルの下で,この逆問題について検討する。 本研究では,個々の潜伏カスケードを再構成することなく,ノードレベルのパラメータベクトルを復元するシミュレーションベースの補正推定器を提案する。
  論文  参考訳（メタデータ） (2026-10-02T20:36:22Z)
• 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)
• PSG-MAE: Robust Multitask Sleep Event Monitoring using Multichannel PSG Reconstruction and Inter-channel Contrastive Learning [16.002946830438766]
  ポリソムノグラフィー(PSG)信号は睡眠過程の研究や睡眠障害の診断に不可欠である。 マスクオートエンコーダを用いた事前学習フレームワークPSG-MAEを提案する。 また,PSG-MAEは,PSG信号から時間的詳細情報とチャネル間情報の両方を効果的にキャプチャすることを示した。
  論文  参考訳（メタデータ） (2025-04-17T13:43:16Z)
• PSDNorm: Test-Time Temporal Normalization for Deep Learning in Sleep Staging [63.05435596565677]
  我々は,モンジュマッピングと時間文脈を利用したPSDNormを提案し,信号の深層学習モデルにおける特徴写像の正規化を行う。 PSDNormは、BatchNormよりも4倍のデータ効率が高く、目に見えない左のデータセットで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-06T16:20:25Z)
• Toward Foundational Model for Sleep Analysis Using a Multimodal Hybrid Self-Supervised Learning Framework [3.135883872525168]
  本研究では,PSG(Polysomnography)データを解析するためのマルチモーダルハイブリッド学習フレームワークであるSynthSleepNetを紹介する。 SynthSleepNetは、マスク付き予測とコントラスト学習を効果的に統合し、複数のモードにまたがる相補的特徴を活用する。 3つの下流タスクにわたる最先端のメソッドよりも優れたパフォーマンスを実現した。
  論文  参考訳（メタデータ） (2025-02-18T10:11:50Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Ensemble of Convolution Neural Networks on Heterogeneous Signals for Sleep Stage Scoring [63.30661835412352]
  本稿では,脳波以外の追加信号の利用の利便性について検討し,比較する。 最も優れたモデルである深部分離畳み込みニューラルネットワークのアンサンブルは86.06%の精度を達成した。
  論文  参考訳（メタデータ） (2021-07-23T06:37:38Z)
• 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)
• 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。