[論文レビュー] ULW-SleepNet: An Ultra-Lightweight Network for Multimodal Sleep Stage Scoring

Zhaowen Wang, Dongdong Zhou+4 more|arXiv (Cornell University)|Feb 27, 2026

EEG and Brain-Computer Interfaces被引用数 0

ひとこと要約

ULW-SleepNetはDual-Stream Separable Convolution (DSSC)ブロックを用いた超軽量マルチモーダル睡眠段階スコアリングフレームワークを提案し、Sleep-EDFデータセット上でパラメータ数とFLOPsを大幅に削減しつつ競争力のある精度を達成する。

ABSTRACT

Automatic sleep stage scoring is crucial for the diagnosis and treatment of sleep disorders. Although deep learning models have advanced the field, many existing models are computationally demanding and designed for single-channel electroencephalography (EEG), limiting their practicality for multimodal polysomnography (PSG) data. To overcome this, we propose ULW-SleepNet, an ultra-lightweight multimodal sleep stage scoring framework that efficiently integrates information from multiple physiological signals. ULW-SleepNet incorporates a novel Dual-Stream Separable Convolution (DSSC) Block, depthwise separable convolutions, channel-wise parameter sharing, and global average pooling to reduce computational overhead while maintaining competitive accuracy. Evaluated on the Sleep-EDF-20 and Sleep-EDF-78 datasets, ULW-SleepNet achieves accuracies of 86.9% and 81.4%, respectively, with only 13.3K parameters and 7.89M FLOPs. Compared to state-of-the-art methods, our model reduces parameters by up to 98.6% with only marginal performance loss, demonstrating its strong potential for real-time sleep monitoring on wearable and IoT devices. The source code for this study is publicly available at https://github.com/wzw999/ULW-SLEEPNET.

研究の動機と目的

• 自動睡眠段階スコアリングをマルチモーダルポリソムノグラフィデータへ動機づけ、ウェアラブル/組込み展開を支援する。
• 大きなパラメータ増加を伴わず、複数の入力チャネルにスケールする超軽量アーキテクチャを開発する。
• Dual-Stream Separable Convolution (DSSC) Blockを導入し、過渡的イベントと長期的時相特徴の両方を効率的にキャプチャする。
• 深層分離畳み込み、チャネル別パラメータ共有、グローバル平均プーリングを用いて計算オーバーヘッドを削減しつつ精度を維持する。

提案手法

• DSSC Blocksに基づく共通チャネルワイズ特徴抽出器を介して、複数チャネル信号（EEG、EOG、EMG）を処理する。
• パラメータと計算量を最小化するために深さ方向分離可能畳み込みを使用する。
• 複数チャネルを効率的に処理するためにパラメータ共有を用いたチャネルワイズ処理を実装する。
• 階層的時相特徴を学習する残差風DSSCブロックアーキテクチャを組み込む。
• 全結合層を置換するグローバル平均プーリングを適用し、パラメータを約90%削減する。

Fig. 1 : An overview of the ULW-SleepNet architecture. Multimodal physiological input signals (i.e., EEG, EOG, EMG) are processed through a shared channel-wise feature extraction pipeline based on the Dual-Stream Separable Convolutional Block.

実験結果

リサーチクエスチョン

• RQ1 超軽量なマルチモーダルネットワークが標準PSGデータセットで競争力のある睡眠段階スコアリング性能を達成できるか。
• RQ2 深さ方向分離可能畳み込み、チャネルワイズパラメータ共有、DSSCブロックはマルチモーダル睡眠段階の精度と効率性にどのような影響を及ぼすか。
• RQ3 Sleep-EDF-20とSleep-EDF-78の間でモデルサイズ（パラメータ）と性能のトレードオフはどうなるか。
• RQ4 ウェアラブル/組込みハードウェア上でリアルタイム展開に適し、精度低下が大きくないか。

主な発見

• ULW-SleepNetはSleep-EDF-20で86.9% ACC、Sleep-EDF-78で81.4% ACCを、パラメータ数13.3KおよびFLOPs 7.89Mで達成。
• パラメータを共有するチャネルワイズ処理は、単一モダリティを用いる場合よりACCを改善する。
• 深さ方向分離可能畳み込みはこのアーキテクチャで標準畳み込みよりFLOPsを削減しつつACCを向上させる。
• Sleep-EDF-78におけるWakeステージのF1스コアが高く（F1 = 93.0%）、最先端モデルと比較して小さなフットプリントを維持する。
• TinySleepNetおよびLWSleepNetと比較して、ULW-SleepNetは最大98.6%のパラメータ削減と大幅なFLOPs削減（最大85.7%）を実現しつつ、精度の喪失はごく僅か。