作为可穿戴EEG改进迁移学习技术的特征匹配

目的：随着具有非传统电极配置的可穿戴睡眠监测设备的迅速增多，亟需能够针对标注数据量较少的配置自动执行睡眠分期的算法。迁移学习能够将神经网络权重从源模态（如标准电极配置）适配到新的目标模态（如非传统电极配置）。方法：我们提出特征匹配，一种作为常用微调方法替代方案的新型迁移学习策略。该方法使用来自源模态的较大量数据以及少量源与目标模态的配对样本训练模型。对于这些配对样本，模型提取目标模态的特征，并将其与源模态对应样本的特征相匹配。结果：我们在三种不同目标域、两种不同神经网络架构以及不同训练数据量下，将特征匹配与微调进行比较。尤其在小型队列（即非传统记录设置下2–5段标注记录）中，特征匹配系统性地优于微调，在不同场景与数据集下准确率的平均相对差异为0.4%至4.7%。结论：我们的研究结果表明，作为一种迁移学习方法，特征匹配优于微调，尤其在极低数据量情形下。意义：因此，我们得出结论，特征匹配是一种用于新型设备可穿戴睡眠分期的前景可观的新方法。