通过自监督元学习实现睡眠分期泛化
机器学习
2022-07-29 v1
摘要
本文提出一种基于自监督学习的睡眠分期新颖元学习方法。我们的方法旨在构建可跨不同患者与记录机构泛化的睡眠分期模型，且无需对目标数据进一步适配。为此，我们在模型无关元学习（MAML）框架之上引入自监督学习（SSL）阶段构建本方法，称之为 S2MAML。我们表明 S2MAML 能显著优于 MAML。性能提升来自 SSL 阶段，该阶段基于一个通用伪任务，限制了对训练数据集中受试者特定模式的过拟合。我们展示了 S2MAML 在 SC、ST、ISRUC、UCD 和 CAP 数据集上优于标准监督学习与 MAML。
引用
@article{arxiv.2207.13801,
title = {Towards Sleep Scoring Generalization Through Self-Supervised Meta-Learning},
author = {Abdelhak Lemkhenter and Paolo Favaro},
journal= {arXiv preprint arXiv:2207.13801},
year = {2022}
}
备注
EMBC 2022