利用无源域自适应的无监督个性化睡眠分期

睡眠分期对于评估睡眠质量和诊断相关疾病至关重要。近期基于多导睡眠图自动进行睡眠分期的深度学习模型，由于在相同的带标签数据集上进行训练和测试，往往对新受试者的泛化能力较差，忽略了个体的差异。为了解决这一问题，我们提出了一种新颖的无源域自适应个体无监督框架。这种两步自适应方案允许模型在不需要源数据的情况下，有效地适应新的无标签个体，从而促进临床环境中的个性化定制。我们的框架已应用于三个成熟的睡眠分期模型，并在三个公开数据集上进行了测试，取得了 SOTA 性能。