ADAST：基于注意力跨域脑电的迭代自训练睡眠分期框架
机器学习
2022-07-07 v4
摘要
睡眠分期在睡眠障碍的诊断与治疗中极为重要。近年来，众多数据驱动的深度学习模型被提出用于自动睡眠分期。它们主要在大型公开标注睡眠数据集上训练模型，并在较小的、含感兴趣受试者的数据集上测试。然而，它们通常假设训练与测试数据来自同一分布，而这在真实场景中未必成立。无监督域适应（UDA）近期被发展用于处理这一域偏移问题。然而，先前应用于睡眠分期的 UDA 方法存在两个主要局限。首先，它们依赖完全共享的模型进行域对齐，这可能在特征提取过程中丢失域特有信息。其次，它们仅在全球范围内对齐源域与目标域分布，而未考虑目标域中的类别信息，从而阻碍了模型测试时的分类性能。本工作中，我们提出一种称为 ADAST 的新型对抗学习框架，以解决未标注目标域中的域偏移问题。首先，我们开发了非共享注意力机制以保留两域中的域特有特征。其次，我们设计了一种迭代自训练策略，通过目标域伪标签提升在目标域上的分类性能。我们还提出双重异质分类器，以提升伪标签的鲁棒性与质量。在六种跨域场景上的实验结果验证了我们所提框架的有效性及其相对于最先进 UDA 方法的优势。源代码见 https://github.com/emadeldeen24/ADAST。
引用
@article{arxiv.2107.04470,
title = {ADAST: Attentive Cross-domain EEG-based Sleep Staging Framework with Iterative Self-Training},
author = {Emadeldeen Eldele and Mohamed Ragab and Zhenghua Chen and Min Wu and Chee-Keong Kwoh and Xiaoli Li and Cuntai Guan},
journal= {arXiv preprint arXiv:2107.04470},
year = {2022}
}
备注
Published in IEEE Transactions on Emerging Topics in Computational Intelligence