通过深度迁移学习实现更精准的自动睡眠分期

背景：尽管近期自动睡眠分期方法的开发取得了显著进展，但由于数据变异性和数据低效问题，为小样本睡眠研究构建良好模型仍是一大挑战。本工作提出一种深度迁移学习方法，以克服这些问题并实现从大数据集到小样本队列的知识迁移用于自动睡眠分期。方法：我们从一个通用的端到端深度学习框架用于序列到序列睡眠分期出发，推导出两个网络作为迁移学习的手段。这些网络首先在源域（即大型数据库）中训练，然后在目标域（即小样本队列）中对预训练网络进行微调以完成知识迁移。我们采用由200名受试者组成的Montreal Archive of Sleep Studies（MASS）数据库作为源域，并在三个不同目标域上研究深度迁移学习：Sleep-EDF Expanded数据库的Sleep Cassette子集和Sleep Telemetry子集，以及Surrey-cEEGrid数据库。目标域的选取特意涵盖与源域不同程度的数据失配。结果：我们的实验结果表明，所提出的深度迁移学习方法在目标域上实现了自动睡眠分期的显著性能提升。结论：这些结果提示了所提方法在解决上述数据变异性和数据低效问题上的有效性。意义：因此，它能够在数据量相对较小时提升自动睡眠分期模型的质量。源代码与预训练模型可在 http://github.com/pquochuy/sleep_transfer_learning 获取。