基于人口统计学的迁移学习用于临床多导睡眠阶段分类
机器学习
2026-05-05 v1
摘要
自动睡眠阶段分类通常采用单一的、无人口统计学偏见的模型，忽视了睡眠结构在性别、年龄和阻塞性睡眠呼吸暂停(OSA)严重程度方面的既有人口统计学差异。然而，睡眠模式在性别、年龄和OSA严重程度方面差异显著，表明单一通用方法对于多样化临床人群可能并不次佳。在本文中，我们提出一种基于人口统计学分层和迁移学习框架的两阶段训练策略。首先，在完整人群上预训练卷积循环模型，然后根据性别、年龄和Apnea-Hypopnea Index(AHI)严重程度对细分后的人口统计学子群进行独立微调，遵循AASM临床标准。在由100名临床患者和7根PSG导联组成的DREAMT数据集上，我们评估了37种微调配置的单轴和双向人口统计学组合。结果表明，35个中的37个微调模型均优于基线，克利恩Kappa改进幅度为0.9%至12.9%。这些发现表明，针对特定患者人口统计学特征进行的分层微调在比单一通用模型更精确的睡眠分级方面具有显著优势，为个性化睡眠评估提供了实用且临床导向的方法。
引用
@article{arxiv.2605.02245,
title = {Demographic-Aware Transfer Learning for Sleep Stage Classification in Clinical Polysomnography},
author = {S M Asif Hossain and Shruti Kshirsagar},
journal= {arXiv preprint arXiv:2605.02245},
year = {2026}
}
备注
Under review at IEEE SMC 2026