수면 데이터 기반 사전 학습이 수면 관련이 아닌 생체 신호 분석 작업 성능을 향상시킨다

Pretraining on Sleep Data Improves non-Sleep Biosignal Tasks

최근, 수면 기반 모델은 수면 단계 분석, 무호흡증 감지, 질병 위험 예측 등과 같은 수면 관련 다중 생체 신호 분석 작업에서 뛰어난 성능을 보여주었습니다. 본 연구에서는 수면 생체 신호가 수면 영역을 넘어 인접 영역으로의 지식 전달을 가능하게 하는 효과적인 사전 학습 데이터 분포 역할을 할 수 있는지 조사합니다. 수면 기반 모델의 접근 방식을 따라, 본 연구에서는 수면 데이터만을 사용하여 다중 모달 대비 학습(leave-one-out 방식으로)을 수행하고, 다양한 EEG 및 심전도 데이터셋을 활용한 잘 확립된 두 가지 생체 신호 모달리티(EEG 및 ECG)에 대한 지식 전달 성능을 평가했습니다. 본 연구에서 수행한 8개의 다양한 EEG 및 심전도 데이터셋을 활용한 후속 작업에서, 수면 기반 사전 학습은 매번 처음부터 학습하는 경우보다 성능을 향상시키는 것으로 나타났습니다. 또한, 여러 작업에서 기존의 특수화된 최첨단 모델 및 기반 모델과 경쟁하거나 그 이상의 성능을 달성했습니다.

Sleep foundation models have recently demonstrated strong performance on in-domain polysomnography tasks, including sleep staging, apnea detection, and disease risk prediction. In this work, we investigate whether sleep biosignals can serve as an effective pretraining distribution for learning representations that transfer beyond sleep to adjacent domains. Following sleep foundation models, we perform sleep-only multimodal contrastive pretraining (with a leave-one-out objective) and evaluate transfer to non-sleep EEG and ECG, two well-benchmarked biosignal modalities with heterogeneous datasets and clinically meaningful downstream tasks. Across eight downstream tasks spanning multiple EEG and ECG datasets, sleep pretraining consistently improves performance relative to training from scratch. Moreover, on several tasks, we achieve performance competitive with or surpassing prior specialized state-of-the-art and foundation models.