不要忽视传统机器学习：简单且可解释的技术在睡眠评分中与深度学习具有竞争力

近年来，自动睡眠分期的研究主要集中在开发越来越复杂的深度学习架构上。然而，最近这些方法仅取得了微小的改进，通常是以需要更多数据和更昂贵的训练过程为代价的。尽管付出了巨大努力并取得了令人满意的表现，但自动睡眠分期解决方案尚未在临床环境中广泛采用。我们认为，大多数用于睡眠评分的深度学习解决方案在实际应用中受到限制，因为它们难以训练、部署和重现。此外，这些解决方案缺乏可解释性和透明度，而这两点往往是提高采用率的关键因素。在这项研究中，我们重新审视了使用经典机器学习方法进行睡眠阶段分类的问题。结果显示，通过包含预处理、特征提取和简单机器学习模型在内的传统机器学习流程，可以实现具有竞争力的性能。特别是，我们分析了线性模型和非线性（梯度提升）模型的性能。我们的方法在两个公开数据集上超越了现有最佳方法（使用相同数据）：Sleep-EDF SC-20（宏F1得分 0.810）和Sleep-EDF ST（宏F1得分 0.795），同时在Sleep-EDF SC-78（宏F1得分 0.775）和MASS SS3（宏F1得分 0.817）上也达到了有竞争力的结果。我们证明，在睡眠阶段评分任务中，人工设计的特征向量的表达能力与深度学习模型内部学习到的表示相当。这一发现为临床应用打开了大门，因为一个代表性的特征向量可以使传统机器学习模型既具备可解释性又拥有成功的应用记录。