본 논문은 수면의 질 평가 및 수면 장애 진단을 위한 다중 모달 자기 지도 학습 프레임워크인 SynthSleepNet을 제시합니다. SynthSleepNet은 EEG, EOG, EMG, ECG 등 다양한 생리 신호를 포함하는 PSG 데이터 분석을 위해 마스크 예측과 대조 학습을 통합합니다. Mamba 기반의 시간적 맥락 모듈을 활용하여 신호 간의 상황 정보를 효율적으로 포착하며, 수면 단계 분류, 무호흡증 검출, 저호흡증 검출 등 세 가지 하위 작업에서 기존 최첨단 방법보다 우수한 성능을 달성했습니다(각각 89.89%, 99.75%, 89.60%의 정확도). 제한된 레이블을 가진 준지도 학습 환경에서도 견고한 성능을 보였습니다 (각각 87.98%, 99.37%, 77.52%의 정확도). 이는 PSG 데이터의 포괄적인 분석을 위한 기본 도구로서의 잠재력을 강조합니다.
