面向通道失配单通道自动睡眠分期的深度迁移学习
机器学习
2019-06-19 v2 机器学习
摘要
许多睡眠研究受限于数据不足的问题，无法充分利用深度神经网络，因为不同的实验室使用不同的记录设置，导致需要在较小的数据库上训练自动化算法，而现有的大型标注数据库虽然存在，却由于通道失配而无法直接纳入这些研究进行数据补偿。本研究提出了一种深度迁移学习方法，以克服通道失配问题，并将知识从大型数据集迁移到小队列，以研究单通道输入的自动睡眠分期。我们采用最先进的 SeqSleepNet 并在源域（即大型数据集）中训练网络。随后，在目标域（即小队列）中对预训练网络进行微调，以完成知识迁移。我们研究了源域和目标域之间存在轻微和严重通道失配的两种迁移学习场景。我们还研究了完全或部分微调预训练网络是否以及如何影响目标域上睡眠分期的性能。在本研究中，我们使用由 200 名受试者组成的 Montreal Archive of Sleep Studies (MASS) 数据库作为源域，由 20 名受试者组成的 Sleep-EDF Expanded 数据库作为目标域，实验结果表明，所提出的深度迁移学习方法显著提升了睡眠分期的性能。此外，这些结果还揭示了微调预训练网络的特征学习部分对于绕过通道失配问题的必要性。
引用
@article{arxiv.1904.05945,
title = {Deep Transfer Learning for Single-Channel Automatic Sleep Staging with Channel Mismatch},
author = {Huy Phan and Oliver Y. Chén and Philipp Koch and Alfred Mertins and Maarten De Vos},
journal= {arXiv preprint arXiv:1904.05945},
year = {2019}
}
备注
Accepted for 27th European Signal Processing Conference (EUSIPCO 2019)