面向无标签多源域泛化的睡眠分期
机器学习
2026-04-14 v1 计算机视觉与模式识别
机器人学
摘要
自动睡眠分期是一类多模态学习问题，涉及如EEG和EOG等异构生理信号，这些信号常因机构、设备和人群的差异导致域漂移。实际中，这些数据也受到噪声注释的影响，而标签噪声鲁棒的多源域泛化方法尚未得到充分探索。我们提出了面向无标签多源域泛化睡眠分期的第一个基准（NL-DGSS），并指出现有噪声标签学习方法在域漂移与标签噪声共存时性能显著下降。为解决这一挑战，我们提出了 FF-TRUST，一种具备联合时频早期学习正则化（JTF-ELR）的领域不变多模态睡眠分期框架。通过联合利用时域和频谱一致性以及信心-多样性正则化，FF-TRUST 在受噪声监督的情形下提升了鲁棒性。在五个公开数据集上进行的实验表明，在多样化的对称和非对称噪声设置下，FF-TRUST 均实现了一致的领先性能。该基准和代码将在 https://github.com/KNWang970918/FF-TRUST.git 上公开。
引用
@article{arxiv.2604.10009,
title = {Towards Multi-Source Domain Generalization for Sleep Staging with Noisy Labels},
author = {Kening Wang and Di Wen and Yufan Chen and Ruiping Liu and Junwei Zheng and Jiale Wei and Kailun Yang and Rainer Stiefelhagen and Kunyu Peng},
journal= {arXiv preprint arXiv:2604.10009},
year = {2026}
}
备注
The benchmark and code will be made publicly available at https://github.com/KNWang970918/FF-TRUST.git