睡眠段階分類は、睡眠の質の評価や疾病の診断において極めて重要です。しかし、既存の分類方法は時間変動する多チャンネル脳信号の空間および時間特徴の処理、個別の生体信号の違いへの対応、モデルの解釈可能性の点で多くの課題に直面しています。従来の機械学習方法は複雑な特徴工学に依存しており、深層学習方法は特徴の表現学習に優れているものの、空間-時間特徴の利用、個体間の一般化能力、モデルの解釈可能性においてまだ改善の余地があります。 これらの課題を解決するために、北京交通大学のZiyu Jiaらとマサチューセッツ工科大学のLi-Wei H. Lehmanは、多視角時空グラフ畳み込みネットワーク（Multi-View Spatial-Temporal Graph Convolutional Networks...

自己監督学習による手首加速度計データが明かす睡眠と死亡率の新たな関連性 現代社会において、睡眠は生命活動に欠かせない基本的な行為であり、その重要性は言うまでもありません。睡眠/覚醒状態や異なる睡眠段階を正確に測定および分類することは、睡眠障害の診断や消費者向けデバイスが提供する運動および心理的健康データの解釈において非常に重要です。しかし、現在のポリソムノグラフィー（Polysomnography, PSG）以外の睡眠分類技術は主にヒューリスティックな方法に依存しており、これらの方法は比較的小規模なサンプル集団で開発されるため、ある程度の限界があります。従って、本研究の目標は手首に装着する加速度計を用いて睡眠段階分類の正確性を確認し、睡眠時間と効率が死亡率とどのように関連しているかを調査する...