Zu genauerer automatischer Schlafstadienbestimmung durch tiefes Transferlernen

Hintergrund: Trotz der jüngsten bedeutenden Fortschritte bei der Entwicklung von Methoden zur automatischen Schlaffaserung bleibt die Erstellung eines guten Modells für Schlafstudien mit einer kleinen Kohorte aufgrund von Daten-Variabilität und Daten-Unzureichigkeit eine große Herausforderung. Diese Arbeit präsentiert einen Ansatz des tiefen Transfer-Learnings, um diese Probleme zu überwinden und das Wissen von einem großen Datensatz zu einer kleinen Kohorte für die automatische Schlaffaserung zu transferieren. Methoden: Wir beginnen mit einem generischen End-to-End-Tiefen-Lernrahmen für die Sequenz-zu-Sequenz-Schlaffaserung und leiten daraus zwei Netzwerke ab, die als Mittel für das Transfer-Learning dienen. Die Netzwerke werden zunächst im Quellbereich (d.h. in der großen Datenbank) trainiert. Die vortrainierten Netzwerke werden dann im Zielbereich (d.h. in der kleinen Kohorte) weiter angepasst, um den Wissenstransfer abzuschließen. Als Quellbereich verwenden wir die Montreal Archive of Sleep Studies (MASS)-Datenbank, die 200 Probanden umfasst, und untersuchen das tiefe Transfer-Learning in drei verschiedenen Zielbereichen: dem Sleep Cassette-Teil und dem Sleep Telemetry-Teil der erweiterten Sleep-EDF-Datenbank sowie der Surrey-cEEGrid-Datenbank. Die Zielbereiche wurden absichtlich ausgewählt, um verschiedene Grade der Daten-MisMatch zu den Quellbereichen abzudecken. Ergebnisse: Unsere experimentellen Ergebnisse zeigen signifikante Leistungsverbesserungen bei der automatischen Schlaffaserung in den Zielbereichen, die durch den vorgeschlagenen Ansatz des tiefen Transfer-Learnings erreicht wurden. Schlussfolgerungen: Diese Ergebnisse deuten darauf hin, dass der vorgeschlagene Ansatz effektiv ist, um die oben genannten Probleme der Daten-Variabilität und -Unzureichigkeit zu lösen. Bedeutung: Folglich ermöglicht dies es, die Qualität von Modellen zur automatischen Schlaffaserung zu verbessern, wenn die Menge an Daten relativ gering ist. Der Quellcode und die vortrainierten Modelle sind unter http://github.com/pquochuy/sleep_transfer_learning verfügbar.