論文の概要: MM-Net: A Multimodal Multi-Task Network for Sleep Staging and Sleep Apnea Assessment After Ischemic Stroke

• arxiv url: http://arxiv.org/abs/2610.36583v1
• Date: Tue, 27 Oct 2026 03:39:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.476938
• Title: MM-Net: A Multimodal Multi-Task Network for Sleep Staging and Sleep Apnea Assessment After Ischemic Stroke
• Title（参考訳）: MM-Net : 虚血性脳卒中後の睡眠時および睡眠時無呼吸評価のためのマルチモーダルマルチタスクネットワーク
• Abstract要約: 既存の脳卒中特異的アプローチは、主に睡眠段階の分類に対処し、睡眠構造と呼吸イベントの合同分析を過小評価している。 マルチモーダルなマルチタスクフレームワークであるMM-Netを提案する。 MM-NetはSleep-EDFで86.4%のステージング精度を達成し、同じ録音で再実装されたすべてのシングルEEGアーキテクチャを上回り、ISRUC-Iで0.889の呼吸AUCで80.3%のステージング精度を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated polysomnography after ischemic stroke is challenging because of altered sleep-related neural activity and concurrent respiratory disturbances. Existing stroke-specific approaches mainly address sleep-stage classification, leaving joint analysis of sleep architecture and respiratory events underexplored. Moreover, adapting pretrained EEG encoders introduces a representation inconsistency when downstream models are trained on embeddings from previously seen patients but evaluated on unseen individuals. We propose MM-Net, a multimodal multi-task framework that resolves this inconsistency through cross-fitting and ridge-based embedding alignment. Sleep-adapted EEG-EOG representations and engineered neural descriptors are fused with learned cardiorespiratory features through cross-attention and shared temporal modeling for simultaneous sleep staging and respiratory-event detection. On iSLEEPS (99 patients with subacute ischemic stroke), ten-fold patient-independent evaluation achieved 76.3% staging accuracy (Cohen's $κ$ = 0.656) and 0.825 respiratory-event AUC, outperforming the evaluated baselines under matched protocols. The sleep-adapted encoder improved the downstream model when its embeddings were aligned, raising staging accuracy by 1.4 percentage points over the frozen encoder ($p$ = 0.020) versus 0.2 points without alignment. MM-Net also achieved 86.4% staging accuracy on Sleep-EDF, above every single-EEG architecture reimplemented on the same recordings, and 80.3% staging accuracy with 0.889 respiratory AUC on ISRUC-I, exceeding its retrained staging baselines. Without retraining, the iSLEEPS-trained model retained respiratory AUCs of 0.833 on ISRUC-I and 0.841 on UCD. These findings support representation-consistent neural adaptation and joint physiological modeling across stroke, healthy-sleep, and sleep-disorder cohorts.
• Abstract（参考訳）: 虚血性脳梗塞後の自動ポリソムノグラフィーは睡眠関連神経活動の変化と呼吸障害により困難である。 既存の脳卒中特異的アプローチは、主に睡眠段階の分類に対処し、睡眠構造と呼吸イベントの合同分析を過小評価している。 さらに、事前訓練された脳波エンコーダの適応は、下流モデルが既往の患者からの埋め込みで訓練されるが、未確認の個人で評価される場合、不整合性を示す。 マルチモーダルなマルチタスクフレームワークであるMM-Netを提案する。 睡眠適応型脳波-EOG表現と人工神経ディスクリプタは、クロスアテンションおよび同時睡眠ステージと呼吸異常検出のための時間的共有により、学習された呼吸機能と融合する。 iSLEEPS(亜急性虚血性脳梗塞99例)では10倍の患者非依存評価が76.3%のステージング精度(Cohen's $κ$ = 0.656)と0.825の呼吸異常AUCを達成し、一致したプロトコルで評価されたベースラインを上回った。 睡眠適応型エンコーダは, 組込み時の下流モデルを改善し, 凍結型エンコーダ(p$ = 0.020)に対して, 無アライメントの0.2ポイントに対して, ステージング精度を1.4ポイント向上させた。 MM-NetはSleep-EDFで86.4%のステージング精度を達成し、同じ録音で再実装されたシングルEEGアーキテクチャを上回り、ISRUC-Iで0.889のAUCで80.3%のステージング精度を達成した。 iSLEEPSをトレーニングしたモデルでは, ISRUC-Iは0.833, UCDは0.841であった。 これらの知見は, 脳卒中, 健康な睡眠時, 睡眠時無秩序コホートにおける表現一貫性のある神経適応と関節生理学的モデリングを支持した。

関連論文リスト

• ECG-SDI: Single-lead Electrocardiogram Enables Continuous Sleep Depth Index Profiling and Scalable Digital Biomarkers for Sleep Health [23.622260733880463]
  従来の睡眠ステージングは、ステージ内の深さ変化を曖昧にする粗い粒度の表現を提供する。 連続睡眠深度プロファイリングのための単誘導心電図フレームワークECG-を開発した。 バイオマーカーをベースとした表現型は、より劣悪な主観的睡眠品質に関連する乱れたサブタイプを同定した。
  論文  参考訳（メタデータ） (2026-10-16T16:43:07Z)
• A Latent ODE Approach to Spatiotemporal Modeling of Cine Cardiac MRI [35.84205082882139]
  両心室解剖とフルサイクルシネ運動を連続的軌跡として符号化する潜在力学モデルを提案する。 循環器疾患を伴わない英国バイオバンク72,386名を対象に,心不全367例を含む調査を行った。
  論文  参考訳（メタデータ） (2026-06-25T07:53:45Z)
• Uncovering Trajectory and Topological Signatures in Multimodal Pediatric Sleep Embeddings [2.2917707112773593]
  本研究は, 自己エンコーダに埋め込まれた30秒の小児PSGエポックに含まれるセッションワイド診断情報について検討する。 本研究は, PHATE 由来の組込み座標と一晩移動記述子, 組込み雲の持続的ホモロジー要約, EHR がタスク関連信号を生成するかどうかを検証した。
  論文  参考訳（メタデータ） (2026-05-13T22:11:28Z)
• 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)
• MobileNetV2: A lightweight classification model for home-based sleep apnea screening [3.463585190363689]
  本研究は、心電図(ECG)と呼吸信号から抽出した特徴を早期OSAスクリーニングに利用した、新しい軽量ニューラルネットワークモデルを提案する。 ECG信号は睡眠段階を予測するための特徴スペクトログラムを生成するのに使用され、呼吸信号は睡眠関連呼吸異常を検出するために用いられる。 これらの予測を統合することで、AHI(apnea-hypopnea index)を精度良く算出し、OSAの正確な診断を容易にする。
  論文  参考訳（メタデータ） (2024-12-28T01:37:25Z)
• 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)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• 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)

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。