PSDNorm：用于深度学习睡眠分期的测试时序归一化
机器学习
2026-02-02 v3
摘要
分布偏移是机器学习中的重要挑战，尤其是针对使用不同主体、机构和录音设备收集的数据的生物医学应用，例如睡眠数据。虽然现有的归一化层（BatchNorm、LayerNorm和InstanceNorm）有助于缓解分布偏移，但在时序维度上应用时会忽略其归一化向量系数所固有的依赖性和自相关性。本文提出PSDNorm，该方法利用Monge映射和时序上下文对深度学习模型中的特征图进行归一化处理。基于U-Net或变换器backbone的架构在10K个主体、10个数据集上进行评估，结果表明PSDNorm在未见的留出数据集上实现了最佳性能，同时对数据稀缺更为鲁棒。
引用
@article{arxiv.2503.04582,
title = {PSDNorm: Test-Time Temporal Normalization for Deep Learning in Sleep Staging},
author = {Théo Gnassounou and Antoine Collas and Rémi Flamary and Alexandre Gramfort},
journal= {arXiv preprint arXiv:2503.04582},
year = {2026}
}