一种利用混合重采样和集成学习的双流水线机器学习框架，用于自动化多类睡眠障碍筛查
机器学习
2026-02-10 v2
摘要
准确分类睡眠障碍，特别是失眠和睡眠呼吸暂停，对于降低长期健康风险和提高患者生活质量至关重要。然而，临床睡眠研究资源密集，难以扩展到人群水平的筛查。本文提出了一种双流水线机器学习框架，利用睡眠健康与生活方式数据集进行多类睡眠障碍筛查。该框架由两个并行处理流组成：一个统计流水线，利用互信息和线性判别分析处理线性可分性；另一个基于包装器的流水线，应用 Boruta 特征选择与自编码器进行非线性表示学习。为了解决类别不平衡问题，我们使用了混合 SMOTETomek 重采样策略。在实验中，Extra Trees 和 K 最近邻算法达到了 98.67% 的准确率，优于同一数据集上的近期基线。使用 Wilcoxon 符号秩检验的统计测试表明，相对于基线配置的改进是显著的，并且推理延迟保持在 400 毫秒以下。这些结果表明，所提出的双流水线设计支持准确且高效的自动化筛查，用于非侵入性睡眠障碍风险分层。
引用
@article{arxiv.2601.05814,
title = {A Dual Pipeline Machine Learning Framework for Automated Multi Class Sleep Disorder Screening Using Hybrid Resampling and Ensemble Learning},
author = {Md Sultanul Islam Ovi and Muhsina Tarannum Munfa and G. M. M Miftahul Alam Adib and Syed Sabbir Hasan},
journal= {arXiv preprint arXiv:2601.05814},
year = {2026}
}
备注
32 pages, 5 figures, 14 tables