建模弱标签集合以提升睡眠检测：一种新颖的弱监督学习方法
机器学习
2024-07-09 v1
摘要
了解睡眠和活动模式对于身心健康至关重要。本研究介绍了一种新颖的睡眠检测方法，适用于可靠的真实标签数据稀缺的场景。该方法依赖于一组弱标签，这些弱标签来源于常规睡眠检测算法所生成的预测结果。我们提出一种新颖的广义非线性统计模型，将弱睡眠标签的数量建模为二项分布的结果。在该二项分布中，睡眠概率与基于仪表法（actigraphy）检测睡眠的神经网络预测结果相联系。我们证明，最大化该模型的似然函数等价于最小化软交叉熵损失。此外，我们还探讨了将 Brier 分数作为弱标签的损失函数。通过 Multi-Ethnic Study of Atherosclerosis 数据集验证了所提方法框架的有效性。一个在软交叉熵损失下训练的 LSTM 在准确率和模型校准方面均优于常规睡眠检测算法、其他神经网络架构和损失函数。该研究不仅推动了在真实数据稀缺场景下的睡眠检测技术，还通过创新性地对弱标签集合进行建模，为更广泛的弱监督学习领域做出了贡献。
引用
@article{arxiv.2402.17601,
title = {Advancing sleep detection by modelling weak label sets: A novel weakly supervised learning approach},
author = {Matthias Boeker and Vajira Thambawita and Michael Riegler and Pål Halvorsen and Hugo L. Hammer},
journal= {arXiv preprint arXiv:2402.17601},
year = {2024}
}