Toward Foundational Model for Sleep Analysis Using a Multimodal Hybrid Self-Supervised Learning Framework

要約

睡眠は、人間の健康と生活の質を維持するために不可欠です。
睡眠中の生理学的信号の分析は、睡眠の質を評価し、睡眠障害の診断に重要です。
ただし、臨床医による手動診断は、時間を集中的かつ主観的です。
自動化が強化された深い学習の進歩にもかかわらず、これらのアプローチは大規模なラベル付けされたデータセットに大きく依存しています。
この研究では、Polysomnography（PSG）データを分析するために設計されたマルチモーダルハイブリッドの自己監視学習フレームワークであるSynths Sleepnetを紹介します。
Synthsleepnetは、脳波（EEG）、電気総体（EEG）、電気造影（EMG）、心電図（ECG）など、複数のモダリティにわたって相補的な特徴を活用するために、マスクされた予測と対照的な学習を効果的に統合します。
このアプローチにより、モデルはPSGデータの高度に表現力のある表現を学習できます。
さらに、MAMBAに基づく時間的コンテキストモジュールが開発され、信号全体でコンテキスト情報を効率的にキャプチャしました。
Synths Sleepnetは、それぞれ89.89％、99.75％、および89.60％の精度で、睡眠段階分類、無呼吸検出、および低体力検出の3つの下流タスクにわたる最先端の方法と比較して優れた性能を達成しました。
このモデルは、限られたラベルを持つ半監視学習環境で堅牢なパフォーマンスを実証し、同じタスクで87.98％、99.37％、77.52％の精度を達成しました。
これらの結果は、PSGデータの包括的な分析の基礎ツールとしてのモデルの可能性を強調しています。
Synthsleepnetは、他の方法論と比較して、複数のダウンストリームタスクで包括的に優れたパフォーマンスを実証しているため、睡眠障害の監視と診断システムの新しい基準を設定することが期待されています。

要約(オリジナル)

Sleep is essential for maintaining human health and quality of life. Analyzing physiological signals during sleep is critical in assessing sleep quality and diagnosing sleep disorders. However, manual diagnoses by clinicians are time-intensive and subjective. Despite advances in deep learning that have enhanced automation, these approaches remain heavily dependent on large-scale labeled datasets. This study introduces SynthSleepNet, a multimodal hybrid self-supervised learning framework designed for analyzing polysomnography (PSG) data. SynthSleepNet effectively integrates masked prediction and contrastive learning to leverage complementary features across multiple modalities, including electroencephalogram (EEG), electrooculography (EOG), electromyography (EMG), and electrocardiogram (ECG). This approach enables the model to learn highly expressive representations of PSG data. Furthermore, a temporal context module based on Mamba was developed to efficiently capture contextual information across signals. SynthSleepNet achieved superior performance compared to state-of-the-art methods across three downstream tasks: sleep-stage classification, apnea detection, and hypopnea detection, with accuracies of 89.89%, 99.75%, and 89.60%, respectively. The model demonstrated robust performance in a semi-supervised learning environment with limited labels, achieving accuracies of 87.98%, 99.37%, and 77.52% in the same tasks. These results underscore the potential of the model as a foundational tool for the comprehensive analysis of PSG data. SynthSleepNet demonstrates comprehensively superior performance across multiple downstream tasks compared to other methodologies, making it expected to set a new standard for sleep disorder monitoring and diagnostic systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google