論文の概要: LLM-Assisted Label Noise Correction for EEG-Based Sleep Stage Classification
- arxiv url: http://arxiv.org/abs/2611.08311v1
- Date: Thu, 05 Nov 2026 17:12:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 04:55:13.592222
- Title: LLM-Assisted Label Noise Correction for EEG-Based Sleep Stage Classification
- Title(参考訳): 脳波を用いた睡眠段階分類のためのLCM支援ラベル雑音補正
- Abstract要約: 学習中にのみ動作する新しい拡張LDM支援ラベルノイズフィルタリングパイプラインを提案する。
TinySleepNetは、最初のデータセットでトレーニングされ、時代遅れのSoftMax信頼スコアを抽出する。
低信頼のエポックは、LLaMA 3.1に、その脳波スペクトルの特徴と周囲のシーケンスコンテキストと共に送信される。
注意すべきエポックはトレーニングセットから削除され、TinySleepNetはクリーンなデータで再トレーニングされる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic sleep stage classification from electroencephalography (EEG) signals is a critical task in clinical sleep medicine. While deep learning models have shown promising results in this domain, their performance is fundamentally constrained by the quality of training labels, which human experts manually annotate and that are subject to inter-rater disagreement and systematic labeling errors. In this paper, we propose a novel LLM-assisted label-noise filtering pipeline that operates exclusively during training to identify and remove unreliable sleep-stage annotations before retraining the classifier. Specifically, TinySleepNet is first trained on the original dataset to extract per-epoch SoftMax confidence scores, then low-confidence epochs are submitted to LLaMA 3.1 along with their EEG spectral features and surrounding sequence context. The LLM evaluates each epoch against AASM sleep-scoring guidelines and assigns a verdict of RELIABLE or SUSPICIOUS. Suspicious epochs are removed from the training set, and TinySleepNet is retrained on the cleaned data. Evaluated on the Sleep-EDF Expanded dataset using 20-fold cross-validation, our method improves overall accuracy from 81.8% to 84.6% and Macro F1-score from 75.6% to 77.4%, with particularly notable gains in REM detection. Crucially, because the LLM operates only during training, the lightweight TinySleepNet architecture (1.3M parameters) is preserved at inference, making the proposed pipeline suitable for real-time, wearable sleep monitoring applications.
- Abstract(参考訳): 脳波信号からの自動睡眠ステージ分類は、臨床睡眠医学において重要な課題である。
ディープラーニングモデルは、この領域で有望な結果を示しているが、そのパフォーマンスは、人間の専門家が手動で注釈を付けるトレーニングラベルの品質に根本的に制約されている。
本稿では,学習中にのみ動作する新しいLCM支援ラベルノイズフィルタリングパイプラインを提案し,分類器を再訓練する前に信頼性の低い睡眠ステージアノテーションを識別・除去する。
具体的には、TinySleepNetは最初に最初のデータセットで訓練され、エピックごとのSoftMaxの信頼性スコアを抽出し、低信頼のエポックはEEGスペクトルの特徴と周辺シーケンスコンテキストとともにLLaMA 3.1に送信される。
LLMは、各エポックをAASM睡眠スコアガイドラインに対して評価し、RELIABLEまたはSUSPICIOUSの判定を割り当てる。
注意すべきエポックはトレーニングセットから削除され、TinySleepNetはクリーンなデータで再トレーニングされる。
20倍のクロスバリデーションを用いてSleep-EDF Expandedデータセットを評価したところ、全体的な精度は81.8%から84.6%に向上し、マクロF1スコアは75.6%から77.4%に向上した。
LLMはトレーニング中のみ動作するため、軽量のTinySleepNetアーキテクチャ(1.3Mパラメータ)は推論時に保存され、提案されたパイプラインはリアルタイムのウェアラブル睡眠監視アプリケーションに適している。
関連論文リスト
- Lightweight ML-Based Automatic Sleep Staging Framework with Constrained CNN and Mamba for Small-Sample EEG Datasets [5.545826188919722]
本稿では,単一チャネル脳波のための軽量かつ低遅延自動睡眠ステージングフレームワークであるGamSleepNetを提案する。
Sleepedfデータセットでは、このモデル全体の精度は87.86パーセントで、パラメータはわずか30.86万で、すべてのメトリクスがSOTAレベルに達する。
論文 参考訳(メタデータ) (2026-07-06T11:06:16Z) - Self-Supervised Learning via Flow-Guided Neural Operator on Time-Series Data [57.85958428020496]
Flow-Guided Neural Operator (FGNO)は、演算子学習とフローマッチングを組み合わせた新しいフレームワークである。
FGNOは、短時間フーリエ変換を用いて関数空間のマッピングを学習し、異なる時間分解能を統一する。
推論中にノイズのある入力を使用する以前の生成SSL法とは異なり、ノイズのある表現を学習しながら、クリーンな入力を用いて表現抽出を行う。
論文 参考訳(メタデータ) (2026-02-12T18:54:57Z) - 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) - Mask-DPO: Generalizable Fine-grained Factuality Alignment of LLMs [56.74916151916208]
大型言語モデル(LLM)は、様々なドメインでAIアシスタントとして機能する際、幻覚(不信または非感覚的な情報)を示す。
学習中に必然的にノイズを発生させる応答レベルの嗜好学習を行う従来の事実アライメント手法。
本稿では,Mask-DPO (Direct Preference Optimization, DPO) に基づくファクトリティアライメント手法を提案する。
論文 参考訳(メタデータ) (2025-03-04T18:20:24Z) - Co-training for Low Resource Scientific Natural Language Inference [65.37685198688538]
遠隔教師付きラベルに分類器のトレーニング力学に基づいて重みを割り当てる新しいコトレーニング手法を提案する。
予測された信頼度に対する任意のしきい値に基づいてサンプルをフィルタリングするのではなく、重要重みを割り当てることにより、自動ラベル付きデータの使用を最大化する。
提案手法は、遠隔監視ベースラインに対するマクロF1の1.5%の改善と、他の強力なSSLベースラインよりも大幅に改善されている。
論文 参考訳(メタデータ) (2024-06-20T18:35:47Z) - Label-Efficient Sleep Staging Using Transformers Pre-trained with Position Prediction [2.591936982899312]
本稿では,特徴と時間的エンコーディングをシームレスに結合するアーキテクチャと,モデル全体を事前訓練する適切な事前学習方式を提案する。
サンプル睡眠ステージングデータセットにおいて,提案手法はラベル付きトレーニングデータに飽和しない性能向上を提供する。
論文 参考訳(メタデータ) (2024-03-29T23:22:30Z) - TRACE: A Comprehensive Benchmark for Continual Learning in Large
Language Models [52.734140807634624]
調整された大規模言語モデル(LLM)は、タスク解決、指示に従うこと、安全性を確保することにおいて、例外的な能力を示す。
既存の連続学習ベンチマークでは、LLMをリードする上で十分な課題が欠如している。
LLMにおける継続学習を評価するための新しいベンチマークであるTRACEを紹介する。
論文 参考訳(メタデータ) (2023-10-10T16:38:49Z) - Transparency in Sleep Staging: Deep Learning Method for EEG Sleep Stage
Classification with Model Interpretability [5.747465732334616]
本研究では,残差ネットワーク内に圧縮ブロックと励起ブロックを統合し,複雑な時間的依存関係を理解するために,特徴抽出と積み重ねBi-LSTMを組み込んだエンド・ツー・エンドディープラーニング(DL)モデルを提案する。
本研究の特筆すべき側面は、睡眠ステージングのためのGradCamの適応であり、この領域における説明可能なDLモデルの最初の事例であり、その決定と睡眠専門家の洞察の一致である。
論文 参考訳(メタデータ) (2023-09-10T17:56:03Z) - Sleep Staging Based on Serialized Dual Attention Network [0.0]
生の脳波に基づく深層学習モデルSDANを提案する。
チャネルアテンションと空間アテンション機構を連続的に組み合わせて、キー情報をフィルタリングしハイライトする。
他の方法と比較して、N1睡眠期において優れた結果が得られる。
論文 参考訳(メタデータ) (2021-07-18T13:18:12Z) - Sleep syndromes onset detection based on automatic sleep staging
algorithm [0.0]
高速フーリエ変換は、脳波記録の30秒間のエポックに応用され、局所的な時間周波数情報を提供する。
深層畳み込みLSTMニューラルネットワークは睡眠段階分類のために訓練されている。
コード評価の結果、精度は86.43、精度は77.76、リコールは93,32, F1スコアは89.12、最終誤差は0.09だった。
論文 参考訳(メタデータ) (2021-07-07T15:38:47Z) - 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。