論文の概要: Adapting Sleep Foundation Models for Dense Sleep Spindle Localization

• arxiv url: http://arxiv.org/abs/2611.06546v1
• Date: Wed, 04 Nov 2026 14:12:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.130739
• Title: Adapting Sleep Foundation Models for Dense Sleep Spindle Localization
• Title（参考訳）: 高密度睡眠スピンドル定位のための睡眠基礎モデルの適用
• Abstract要約: 睡眠基盤モデルと高密度脳波(EEG)事象の局在の適応は困難である。 凍結したSleepFMエンコーダを局所的な時間周波数経路に適応させることにより、睡眠スピンドル定位に対処する。 局所化したトークン・ツー・サンプル再構成と時間的改善により、高密度な予測が得られる。
• 参考スコア（独自算出の注目度）: 4.6721349194370045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adapting sleep foundation models to dense electroencephalography (EEG) event localization is challenging because multi-second representations may not preserve sufficient temporal detail for precise boundary recovery. We address sleep spindle localization by adapting a frozen SleepFM encoder with a local time-frequency pathway that preserves spindle-relevant spectral content and intra-token position. The local representation drives localization, while residual cross-attention incorporates SleepFM temporal context. Dense predictions are obtained through localized token-to-sample reconstruction and temporal refinement. Tested on the Massive Online Data Annotation (MODA), the proposed model achieves an event-level $F_1$ of $0.8080 \pm 0.0040$ at IoU 0.2 across six folds. Ablations show that localization primarily depends on local spectral and sub-token temporal information, while the pretrained representation provides complementary context. These results indicate that dense adaptation benefits from preserving information below the pretrained token scale. Code will be released upon acceptance.
• Abstract（参考訳）: 多秒間の表象は正確な境界回復に十分な時間的詳細を保存できないため、睡眠基盤モデルを高密度脳波(EEG)事象の局在に適応させることは困難である。 本研究では, 凍結型SleepFMエンコーダを, スピンドル関連スペクトル量とトーケン内位置を保存した局所時間経路に適応させることにより, 睡眠時スピンドル定位に対処する。 局所的な表現はローカライゼーションを駆動し、残りのクロスアテンションはSleepFMの時間的文脈を包含する。 局所化したトークン・ツー・サンプル再構成と時間的改善により、高密度な予測が得られる。 Massive Online Data Annotation (MODA) でテストした結果、提案モデルは6倍のイベントレベルの$F_1$ of $0.8080 \pm 0.0040$をIoU 0.2で達成した。 アブレーションは、局所化は主に局所スペクトルとサブトーケン時間情報に依存し、事前訓練された表現は相補的な文脈を提供することを示している。 これらの結果は、事前訓練されたトークンスケール以下の情報を保存することにより、適応度が高くなることを示唆している。 コードは受理時にリリースされる。

関連論文リスト

• SparseTokenGS: Gaussian-based Sparse-View CBCT Reconstruction via Reusable Token Pool [54.46124485920553]
  Sparse-view cone-beam Computed Tomography は, 高速で低用量な容積像撮影や歯科領域の病変の局所化に広く用いられている。 フィードフォワードガウス法は、各座標をプロジェクション整列した特徴と隣接するアンカーからトレーニングしデコードする。 SparseTokenGSは,再利用可能なトークンプールを用いたスパースビューコーンビームCT再構成のためのガウスベース手法である。
  論文  参考訳（メタデータ） (2026-10-28T06:57:38Z)
• NanoSleep: A Parameter-Efficient Hybrid Temporal Convolutional Network for Single-Channel Sleep Stage Classification [0.0]
  自動睡眠ステージ分類のための小型ハイブリッド時間畳み込みネットワークであるNanoSleepを提案する。 NanoSleepは、正確性と効率の効果的なバランスを提供し、ウェアラブルデバイス、ホームベースの睡眠監視、リソース制約のある臨床応用に適している。
  論文  参考訳（メタデータ） (2026-08-19T06:08:24Z)
• SWINSleepNet: A Hierarchical Context-Aware Framework for Sleep Staging (v2) [3.911341147858216]
  伝統的なエポックレベルのエンコーダは、微妙な時間的ミクロ構造とエポック内部のクロスリージョン相互作用を抽出することができない。 スウィンスリープネット (SwinSleepNet) は、階層型文脈対応の双方向ストリームフレームワークで、エポック内表現学習とエポック間文脈モデリングを個別に最適化する。 本手法は,難易度の高いN1段および過渡期において,強靭性と安定性を示す。
  論文  参考訳（メタデータ） (2026-08-03T13:07:49Z)
• Learning Hyperspherical Time-Frequency Representations for Time-Series Out-of-Distribution Detection [0.2160500132391863]
  本研究は,超球面埋め込みを用いた表現学習として時系列OOD検出を定式化する。 学習された表現は、ドメイン固有のエンコーダを介して入力信号の時間領域と周波数領域のビューを組み合わせる。 クロスデータセットプロトコルを用いて,UCRとUEAの時系列アーカイブを大規模に評価する。
  論文  参考訳（メタデータ） (2026-05-29T11:04:34Z)
• 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)
• Word-Anchored Temporal Forgery Localization [6.691985085293349]
  候補偽造提案を導出するために,単語アンコール時間的偽造位置推定(WAFL)を提案する。 まず、時間的偽造の本質を分析し、最小の有意義な偽造単位、単語トークンを識別し、データ前処理を音声の自然な言語境界と整合させる。 偽造検出に固有の極端なクラス不均衡を克服するために,アーティファクト中心非対称損失(ACA)を設計する。
  論文  参考訳（メタデータ） (2026-03-06T12:33:28Z)
• 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)
• Reconstructing Spatiotemporal Data with C-VAEs [49.1574468325115]
  移動領域の条件付き連続表現は一般的に用いられる。 本研究では,条件変数自動エンコーダ(C-VAE)モデルを用いて,領域の進化を現実的に表現する機能について検討する。
  論文  参考訳（メタデータ） (2023-07-12T15:34:10Z)
• MomentDiff: Generative Video Moment Retrieval from Random to Real [71.40038773943638]
  私たちは、MomentDiffという拡散に基づく生成フレームワークを提供しています。 MomentDiffは、ランダムなブラウジングから段階的なローカライゼーションまで、典型的な人間の検索プロセスをシミュレートする。 MomentDiffは3つの公開ベンチマークで最先端の手法を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2023-07-06T09:12:13Z)

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。