基于单夜数据的个性化自动睡眠分期：一项采用 KL 散度正则化的初步研究

脑电波因人而异。对于纵向睡眠监测的自动睡眠分期，一种明显的改进方式是利用从首夜数据提取的个体特征对算法进行个性化。由于单夜数据量极少，不足以训练睡眠分期模型，我们提出了一种 Kullback-Leibler (KL) 散度正则化的迁移学习方法来解决该问题。我们采用预训练的 SeqSleepNet（即与受试者无关的模型）作为起点，并用单夜个性化数据对其进行微调以得到个性化模型。这是在微调过程中，将受试者无关模型输出与个性化模型输出之间的 KL 散度加入损失函数来实现的。实际上，KL 散度正则化防止了个性化模型对单夜数据过拟合以及偏离受试者无关模型过远。在包含 75 名受试者的 Sleep-EDF Expanded 数据库上的实验结果表明，借助所提出的 KL 散度正则化，利用单夜数据进行睡眠分期个性化是可行的。平均而言，我们实现了 79.6% 的个性化睡眠分期准确率、0.706 的 Cohen's kappa、73.0% 的宏 F1 分数、71.8% 的灵敏度和 94.2% 的特异度。我们发现该方法对过拟合具有鲁棒性，并且与非个性化相比准确率提高了 4.5 个百分点，与无正则化的个性化相比提高了 2.2 个百分点。