MetaSTH-Sleep：基于时空超图增强的少样本睡眠阶段分类
机器学习
2025-09-09 v2 人工智能
摘要
基于生物信号对睡眠阶段进行准确分类，不仅对于自动睡眠阶段标注至关重要，也对临床健康管理和持续睡眠监测至关重要。传统方法依赖经验丰富的临床医生手动标注数据，这一过程既耗时又费力。在近年，深度学习方法在自动化这一任务方面显示出前景。然而，仍存在三个主要挑战：(1) 深度学习模型通常需要大规模标记数据集，在实际场景中标记数据有限，因而效果较差；(2) 生物信号之间存在显著的个体差异，常导致模型在应用于新主体时表现不一致，限制了泛化能力；(3) 现有方法常忽视生物信号之间的高阶关系，未能同时捕捉信号的异质性和时空依赖性。为此，我们提出了 MetaSTH-Sleep，一个基于时空超图增强的少样本睡眠阶段分类框架。我们的做法使我们仅需少量标记样本即可快速适应新主体，而超图结构有效地同时建模 EEG 信号的复杂时空相互关联和动态。实验结果表明，MetaSTH-Sleep 在不同主体上实现了显著的性能提升，为支持临床医生进行睡眠阶段标注提供了宝贵的见解。
引用
@article{arxiv.2505.17142,
title = {MetaSTH-Sleep: Towards Effective Few-Shot Sleep Stage Classification for Health Management with Spatial-Temporal Hypergraph Enhanced Meta-Learning},
author = {Jingyu Li and Tiehua Zhang and Jinze Wang and Yi Zhang and Yuhuan Li and Yifan Zhao and Zhishu Shen and Libing Wu and Jiannan Liu},
journal= {arXiv preprint arXiv:2505.17142},
year = {2025}
}