基于合成时间序列预训练的数据高效睡眠分期方法
机器学习
2025-09-18 v2 定量方法
摘要
分析脑电图（EEG）时间序列可能具有挑战性，尤其是在使用深度神经网络时，因为人类受试者之间存在较大差异，且数据集通常较小。为解决这些挑战，人们提出了多种策略，例如自监督学习，但它们通常依赖于大量的经验数据集。受计算机视觉领域最新进展的启发，我们提出了一项名为“频率预训练”的预训练任务，通过预测随机生成的合成时间序列的频率成分来预训练用于睡眠分期的神经网络。我们的实验表明，在数据有限且受试者较少的场景下，我们的方法超越了全监督学习，并在受试者众多的场景下与其性能相当。此外，我们的结果强调了频率信息对于睡眠分期评分的重要性，同时也表明深度神经网络会利用频率之外的信息来提高睡眠分期性能，这与先前的研究一致。我们预计，我们的方法将在EEG数据有限或仅来自少量受试者的广泛应用领域中具有优势，包括脑机接口领域。
引用
@article{arxiv.2403.08592,
title = {Data-Efficient Sleep Staging with Synthetic Time Series Pretraining},
author = {Niklas Grieger and Siamak Mehrkanoon and Stephan Bialonski},
journal= {arXiv preprint arXiv:2403.08592},
year = {2025}
}
备注
15 pages, 4 figures, 1 table