用于标签高效睡眠分期分类的自监督学习：一项综合评估
信号处理
2022-10-14 v1 机器学习
摘要
过去几年，基于 EEG 的睡眠分期分类（SSC）深度学习取得了显著进展。然而，这些模型的成功归因于拥有大量标注数据用于训练，限制了其在真实场景中的适用性。在此类场景中，睡眠实验室可产生大量数据，但标注这些数据昂贵且耗时。近来，自监督学习（SSL）范式已成为克服标注数据稀缺的最成功技术之一。本文中，我们评估 SSL 在少标签情形下提升现有 SSC 模型性能的功效。我们在三个 SSC 数据集上开展深入研究，发现仅用 5% 标注数据微调预训练 SSC 模型即可取得与全标签有监督训练相竞争的性能。此外，自监督预训练有助于 SSC 模型对数据不平衡与域偏移问题更具鲁棒性。代码已公开于 https://github.com/emadeldeen24/eval_ssl_ssc。
引用
@article{arxiv.2210.06286,
title = {Self-supervised Learning for Label-Efficient Sleep Stage Classification: A Comprehensive Evaluation},
author = {Emadeldeen Eldele and Mohamed Ragab and Zhenghua Chen and Min Wu and Chee-Keong Kwoh and Xiaoli Li},
journal= {arXiv preprint arXiv:2210.06286},
year = {2022}
}
备注
Under Review. This document contains 9 pages as a main text, and 2 pages for supplementary materials