通过深度迁移学习实现更准确的自动睡眠分期

背景：尽管在自动睡眠分期方法的开发方面已取得显著进展，但对于小样本量的睡眠研究而言，构建一个良好的模型仍然是一个巨大的挑战，主要原因是数据变异性大和数据利用效率低的问题。本研究提出了一种深度迁移学习方法来克服这些问题，并实现从大型数据集向小样本量群体的知识迁移，以进行自动睡眠分期。方法：我们从一个用于序列到序列睡眠分期的通用端到端深度学习框架出发，推导出两个网络作为迁移学习的手段。首先在源域（即大型数据库）中对这两个网络进行训练。然后，在目标域（即小样本量群体）中对预训练的网络进行微调，以完成知识迁移。我们采用了包含200名受试者的蒙特利尔睡眠研究档案库（Montreal Archive of Sleep Studies, MASS）数据库作为源域，并在三个不同的目标域上研究了深度迁移学习：Sleep-EDF扩展数据库中的Sleep Cassette子集和Sleep Telemetry子集，以及Surrey-cEEGrid数据库。这些目标域被有意选择以涵盖与源域不同程度的数据不匹配情况。结果：我们的实验结果显示，在目标域上应用所提出的深度迁移学习方法后，自动睡眠分期的性能有了显著提升。结论：这些结果表明，所提出的方法在解决上述数据变异性和数据利用效率低的问题方面是有效的。意义：因此，当数据量相对较少时，该方法可以提高自动睡眠分期模型的质量。源代码和预训练模型可在http://github.com/pquochuy/sleep_transfer_learning获取。