論文の概要: Towards Explainable Sleep Stage Classification using Single-Channel Electroencephalogram
- arxiv url: http://arxiv.org/abs/2611.18434v1
- Date: Fri, 13 Nov 2026 17:13:23 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:27:03.263242
- Title: Towards Explainable Sleep Stage Classification using Single-Channel Electroencephalogram
- Title(参考訳): 単一チャンネル脳波を用いた説明可能な睡眠段階分類に向けて
- Abstract要約: 睡眠ステージングフレームワークを拡張して、5つの異なるXAI手法を体系的に比較する。
AASMで定義された脳波周波数帯とスピアマンランク相関を用いて属性の忠実度を評価した。
統合グラディエント(IG)は、睡眠-EDFの5つの睡眠ステージおよびDREAMTのすべてのAHIグループにおいて、最も高い平均帰属率を達成する。
- 参考スコア(独自算出の注目度): 2.817945452805801
- License:
- Abstract: Automated sleep staging has achieved strong bench- mark accuracy; however, clinical adoption remains limited due to a lack of interpretability. In this work, we fill the research gap by extending the SleepXAI sleep staging framework to systematically compare five different XAI methods. Further, attribution fidelity is evaluated using Spearman rank correlation with AASM-defined EEG frequency bands, serving as clinically grounded reference signals. In this paper, we focus on single- channel Electroencephalogram (EEG), which is more amenable to practical clinical deployment compared to full polysomnography setups. Experiments are conducted on the Sleep-EDF benchmark dataset and the DREAMT dataset. In DREAMT, we stratified subjects based on OSA into four Apnea-Hypopnea Index (AHI) severity groups. We observed that the SleepXAI model achieves strong classification performance on both datasets. Among the evaluated methods, Integrated Gradients (IG) consistently achieves the highest mean attribution fidelity across all five sleep stages on Sleep-EDF and across all AHI groups on DREAMT, outperforming all other evaluated methods under the Spearman rank correlation metric. These findings highlight the importance of attribution method selection as a key factor for ensuring reliable and clinically interpretable automated sleep staging systems.
- Abstract(参考訳): 自動睡眠ステージングは強力なベンチマーク精度を達成したが、解釈可能性の欠如により臨床応用は限られている。
本研究では,SleepXAI睡眠ステージングフレームワークを拡張し,5つの異なるXAI手法を体系的に比較することによって,研究ギャップを埋める。
さらに、AASMで定義された脳波周波数帯とスピアマンランク相関を用いて属性の忠実度を評価し、臨床応用基準信号として機能する。
本稿では, 単チャンネル脳波 (EEG) に着目し, 完全ポリソノグラフィー装置と比較して, 臨床応用に適した1チャンネル脳波 (EEG) に焦点を当てた。
実験は、Sleep-EDFベンチマークデータセットとDREAMTデータセットで実施される。
DREAMTでは,OSAに基づく被験者を4つのApnea-Hypopnea Index (AHI)重篤群に分類した。
両データセットにおいて,SleepXAIモデルが強い分類性能を実現することを観察した。
評価手法の中では, 統合グラディエント (IG) は, 睡眠-EDFの5つの睡眠ステージすべて, DREAMTのすべてのAHI群全体において, 常に高い平均帰属率を達成し, スピアマン相関法で評価された他のすべての方法よりも優れていた。
これらの知見は、信頼性と臨床的に解釈可能な自動睡眠ステージシステムを保証するための重要な要因として、帰属法選択の重要性を強調した。
関連論文リスト
- SOTER: A Generative Time-Series Foundation Model for Wearable Human Physiological Signals [29.86069351223442]
本稿では, クロスチャネル結合, スペクトル誘導専門家専門化, および1つの事前学習フレームワーク内での連続潜時進化を統一するウェアラブル生理時系列生成基盤モデルSOTERを提案する。
我々は,5つの公開生理学的データセットから226億のタイムポイントを事前トレーニングし,分布外ゼロショット予測,フリーズエンコーダ線形プローブ分類,ウェアラブルベンチマークにおける連続的インキュベーションを含む,同じトレーニング済みモデルを評価する。
論文 参考訳(メタデータ) (2026-09-15T08:11:03Z) - Holter-to-Sleep: AI-Enabled Repurposing of Single-Lead ECG for Sleep Phenotyping [25.495968977141512]
睡眠障害は心臓血管のリスクと密接に関連している。
ポリソムノグラフィー(PSG)は資源集約的であり、マルチナイト、ホームベース、大規模スクリーニングには適していない。
本稿では,シングルリードECGを唯一の入力として使用する概念ホルター・ツー・スリープ・フレームワークを提案する。
論文 参考訳(メタデータ) (2026-03-19T10:11:58Z) - Combining scEEG and PPG for reliable sleep staging using lightweight wearables [30.175969145789896]
シングルチャネル脳波(scEEG)のような軽量ウェアラブルデバイスでは、信頼性の高い睡眠ステージングは依然として困難である。
scEEGは皮質活動を直接測定し、睡眠段階の基礎として機能するが、軽い睡眠段階において限られたパフォーマンスを示す。
本研究では,短時間 (30 s - 30 min) の制約下での4クラス睡眠ステージングにおける scEEG- PPG 融合について検討した。
論文 参考訳(メタデータ) (2026-02-04T13:00:35Z) - Multi-Channel Differential Transformer for Cross-Domain Sleep Stage Classification with Heterogeneous EEG and EOG [1.422074091840573]
異種脳波-EOG表現学習のための多チャンネル差動変換フレームワークであるSleepDIFFormerを提案する。
SleepDIFFormerは複数のスリープステージデータセットでトレーニングされており、それぞれがソースドメインとして扱われる。
提案手法は,空間的および時間的注意雑音を緩和し,データセット間の特徴分布アライメントを通じて,領域不変なEEG-EOG表現を学習することにより,新しい領域への一般化を促進する。
論文 参考訳(メタデータ) (2025-08-21T03:59:10Z) - MetaSTH-Sleep: Towards Effective Few-Shot Sleep Stage Classification for Health Management with Spatial-Temporal Hypergraph Enhanced Meta-Learning [27.155280206930055]
時空間ハイパーグラフ強化メタラーニングに基づく数発の睡眠ステージ分類フレームワークであるMetaSTH-Sleepを提案する。
提案手法は,脳波信号の複雑な空間的相互干渉と時間的ダイナミクスを効果的にモデル化する一方で,少数のラベル付きサンプルを用いた新しい被験者への迅速な適応を可能にする。
論文 参考訳(メタデータ) (2025-05-22T07:09:03Z) - Enhancing Healthcare with EOG: A Novel Approach to Sleep Stage
Classification [1.565361244756411]
EOG信号を用いた自動睡眠ステージ分類に革新的アプローチを導入し、脳波データ取得に伴う不快感と非現実性に対処する。
提案するSE-Resnet-Transformerモデルは、生のEOG信号から5つの異なる睡眠ステージを正確に分類する。
論文 参考訳(メタデータ) (2023-09-25T16:23:39Z) - 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) - Local-Global Temporal Fusion Network with an Attention Mechanism for
Multiple and Multiclass Arrhythmia Classification [26.31920663404757]
本研究では, (i) 局所時間情報抽出, (ii) グローバルパターン抽出, (iii) 局所グローバル情報融合からなるフレームワークを提案する。
提案手法は,情報損失を発生させることなく,ローカル・グローバル情報やダイナミクスをキャプチャできる。
論文 参考訳(メタデータ) (2023-08-03T02:07:32Z) - Classification of sleep stages from EEG, EOG and EMG signals by SSNet [2.1915057426589746]
睡眠段階の分類は、睡眠障害ブレスティング(SDB)病を含む睡眠関連疾患の診断において重要な役割を担っている。
我々は,CNNとLSTMに基づく2つのディープラーニングネットワークからなる,SSNetというエンドツーエンドのディープラーニングアーキテクチャを提案する。
本モデルでは, 睡眠段階の分類において, 最先端技術と比較して最高の性能を達成している。
論文 参考訳(メタデータ) (2023-07-03T01:05:24Z) - Deep Learning for Sleep Stages Classification: Modified Rectified Linear
Unit Activation Function and Modified Orthogonal Weight Initialisation [27.681891555949672]
本研究の目的は,畳み込みニューラルネットワークの精度を高め,学習時間を短縮することである。
提案システムは,活性化関数としてシグモイド活性化関数の代わりにLeaky Rectified Linear Unit (ReLU) を用いる。
論文 参考訳(メタデータ) (2022-02-18T18:29:15Z)
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。