최근 수면 기반 모델 (sleep foundation models) 은 수면 단상 (sleep staging), 천식 (apnea detection), 질병 위험 예측 등 인공역 (in-domain) 다중 전극 기록 (polysomnography) 작업에서 강력한 성능을 입증했습니다. 본 연구에서는 수면 생체 신호가 수면 외 인접 도메인으로 표현을 이전할 수 있는 효과적인 사전 학습 분포 (pretraining distribution) 가 될 수 있는지 조사합니다. 수면 기반 모델 다음으로, 우리는 수면 전용 다중 모달리티 대비 사전 학습 (leave-one-out objective) 을 수행하고, 여러 개의 데이터셋과 임상적 의미 있는 다운스트림 작업이 있는 잘 벤치마크된 생체 신호 모달리티인 EEG 와 ECG 로의 이전 성능을 평가합니다. 8 개의 EEG 및 ECG 데이터셋에 걸친 8 개의 다운스트림 작업에서 수면 사전 학습은 초기부터 훈련하는 것보다 일관되게 성능을 향상시킵니다. 또한, 몇몇 작업에서는 이전 전문 최상위 (state-of-the-art) 와 기반 모델과 경쟁적이거나 이를 초과하는 성능을 달성했습니다.