面向可穿戴 EEG 的标签高效睡眠分期的自监督学习系统评估
人机交互
2026-03-12 v3 人工智能
机器学习
摘要
可穿戴 EEG 设备已涌现作为多极性睡眠研究（PSG）的有前景的替代方案。作为具有成本效益和可扩展性的解决方案，其广泛采用导致大量无标签数据无法被临床医生大规模分析。与此同时，深度学习用于睡眠评分的近期成功依赖于大型标注数据集。自监督学习（SSL）提供了一个机会，通过无标签信号来弥合这一差距，减轻标注工作量。在本文中，我们提出了首个针对可穿戴 EEG 的睡眠分期的 SSL 系统评估。我们引入了一个结构化的基准框架，涵盖多种 SSL 范式，并提出了针对可穿戴 EEG 领域的专门管道，对其在两个睡眠数据库上的评估，这些数据库是使用 Ikon Sleep 可穿戴头戴式设备获取的：BOAS，是一个高质量的基准，包含 PSG 和可穿戴 EEG 记录及共识标签；HOGAR，是一个大型的家庭自记录、无标签记录的集合。定义了三个评估情景来研究标签效率、表征质量和跨数据集泛化。结果表明，SSL 在受监督基线上 consistently 提升了分类性能，提升幅度可达 10%，在标签稀缺时提升尤为显著。SSL 在仅使用 5% 到 10% 的标签数据时即可实现超过 80% 的临床水平准确率，而受监督方法需要两倍的标签。此外，所提出的领域特定 SSL 管道在所有评估情景中都优于所评估的通用 EEG 基础模型。我们的结果表明，SSL 有潜力通过可穿戴 EEG 实现标签高效的睡眠分期，减少对手动标注的依赖，推动affordable sleep monitoring 系统的发展。
引用
@article{arxiv.2510.07960,
title = {A Systematic Evaluation of Self-Supervised Learning for Label-Efficient Sleep Staging with Wearable EEG},
author = {Emilio Estevan and María Sierra-Torralba and Eduardo López-Larraz and Luis Montesano},
journal= {arXiv preprint arXiv:2510.07960},
year = {2026}
}
备注
15 pages, 4 figures