基于轻量自监督模型的睡眠阶段高效分类
计算机视觉与模式识别
2026-05-27 v1
摘要
准确分类睡眠阶段对于诊断睡眠障碍至关重要，自动化此过程可显著提升临床评估。本研究旨在探索使用自监督模型（更具体地说，是改进版的mulEEG）结合线性支持向量机（Linear SVM）分类器，以提高睡眠阶段分类效果。\textbf{方法:} 本文通过将ResNet-50替换为用作时间序列编码器的1D卷积，简化了mulEEG模型。还进行了两种改进：第一种评估了模型配置和训练数据量的不同组合，第二种测试了时间序列特征、频谱特征及其拼接作为线性SVM分类器输入的有效性。\textbf{结果:} 结果表明，减少数据量的成本效益比简化模型更佳。使用ResNet-18的拼接特征也优于原始mulEEG模型的线性评估，实现了更高的分类性能。\textbf{结论:} 将mulEEG模型简化以提取特征并搭配稳健的分类器，实现了更高效更准确的睡眠阶段分类。该方法有望提升临床睡眠评估，可扩展至其他生物信号分类任务。
引用
@article{arxiv.2605.26295,
title = {Sleep-stage efficient classification using a lightweight self-supervised model},
author = {Eldiane Borges dos Santos Durães and João Batista Florindo},
journal= {arXiv preprint arXiv:2605.26295},
year = {2026}
}