多评分者睡眠数据库：如何在自动化睡眠分期中利用多标签
机器学习
2023-02-14 v3
摘要
研究目的：多导睡眠图评分中的评分者间差异是众所周知的问题。现有大多数自动化睡眠评分系统使用单一评分者标注的标签进行训练，其主观评估被迁移至模型。当有两个或更多评分者的标注可用时，评分模型通常在评分者共识上训练。评分者平均的主观性被迁入模型，丢失了不同评分者间内在差异的信息。在本研究中，我们旨在将不同医师的多重知识注入训练过程。目标是优化模型训练，利用可从一组评分者共识中提取的全部信息。方法：我们在三个不同的多评分数据库上训练两个轻量级深度学习模型。我们利用标签平滑技术与软共识（LSSC）分布相结合，将多重知识注入模型训练过程。我们引入平均余弦相似度度量（ACS）来量化带LSSC的模型生成的催眠密度图与评分者共识生成的催眠密度图之间的相似性。结果：当我们用LSSC训练模型时，模型在所有数据库上的性能均提升。我们发现带LSSC训练的模型生成的催眠密度图与共识生成的催眠密度图之间的ACS增加（最高达6.4%）。结论：我们的方法确实能使模型更好地适应评分者组的共识。未来工作将聚焦于对不同评分架构的进一步研究，并期望面向大规模异质多评分数据集。
引用
@article{arxiv.2207.01910,
title = {Multi-Scored Sleep Databases: How to Exploit the Multiple-Labels in Automated Sleep Scoring},
author = {Luigi Fiorillo and Davide Pedroncelli and Valentina Agostini and Paolo Favaro and Francesca Dalia Faraci},
journal= {arXiv preprint arXiv:2207.01910},
year = {2023}
}