量化数据特征对睡眠分期评分模型可迁移性的影响
信号处理
2023-04-27 v1 机器学习
摘要
基于单通道 EEG 的深度学习睡眠分期模型已被提出作为远程睡眠监测的一种有前景的方法。然而，将这些模型应用于新数据集（尤其是来自可穿戴设备的）会引发两个问题。第一，当目标数据集的标注不可用时，哪些不同的数据特征对睡眠分期性能影响最大，影响程度如何？第二，当标注可用时，应使用哪个数据集作为迁移学习的源以优化性能？本文提出一种新方法，用于计算量化不同数据特征对深度学习模型可迁移性的影响。量化通过训练和评估两个具有显著架构差异的模型（TinySleepNet 和 U-Time）来完成，在各种迁移配置下，源和目标数据集具有不同的记录通道、记录环境和受试者条件。针对第一个问题，环境对睡眠分期性能影响最大，在睡眠标注不可用时性能下降超过 14%。针对第二个问题，TinySleepNet 和 U-Time 模型最有用的迁移源是 MASS-SS1 和 ISRUC-SG1，它们含有相对较高比例的 N1（最罕见的睡眠阶段）。TinySleepNet 偏好额区和中央区 EEG。所提方法能够充分利用现有睡眠数据集进行训练和规划模型迁移，以在睡眠标注有限或不可用时最大化目标问题的睡眠分期性能，支持远程睡眠监测的实现。
引用
@article{arxiv.2304.06033,
title = {Quantifying the Impact of Data Characteristics on the Transferability of Sleep Stage Scoring Models},
author = {Akara Supratak and Peter Haddawy},
journal= {arXiv preprint arXiv:2304.06033},
year = {2023}
}