Vers une classification automatique du sommeil plus précise grâce au transfert profond d'apprentissage

Contexte : Malgré les progrès significatifs récents dans le développement de méthodes d'étagement automatique du sommeil, la construction d'un bon modèle reste un défi majeur pour les études sur le sommeil avec une cohorte restreinte en raison des problèmes de variabilité et d'insuffisance des données. Cette étude présente une approche de transfert profond pour surmonter ces problèmes et permettre le transfert de connaissances d'une grande base de données vers une petite cohorte pour l'étagement automatique du sommeil. Méthodes : Nous partons d'un cadre général d'apprentissage profond bout à bout pour l'étagement séquence à séquence du sommeil et dérivons deux réseaux comme moyens de transfert d'apprentissage. Les réseaux sont d'abord formés dans le domaine source (c'est-à-dire la grande base de données). Les réseaux préformés sont ensuite affinés dans le domaine cible (c'est-à-dire la petite cohorte) pour finaliser le transfert de connaissances. Nous utilisons la base de données de l'Archive montréalaise des études sur le sommeil (MASS), composée de 200 sujets, comme domaine source, et nous examinons l'apprentissage par transfert profond sur trois domaines cibles différents : le sous-ensemble Sleep Cassette et le sous-ensemble Sleep Telemetry de la base de données Sleep-EDF Élargie, ainsi que la base de données Surrey-cEEGrid. Les domaines cibles sont délibérément choisis pour couvrir différents niveaux de désaccord des données par rapport aux domaines sources. Résultats : Nos résultats expérimentaux montrent une amélioration significative des performances en matière d'étagement automatique du sommeil dans les domaines cibles grâce à l'approche proposée de transfert profond. Conclusions : Ces résultats suggèrent l'efficacité de l'approche proposée pour résoudre les problèmes mentionnés ci-dessus liés à la variabilité et à l'insuffisance des données. Importance : Par conséquent, cela permettrait d'améliorer la qualité des modèles d'étagement automatique du sommeil lorsque la quantité de données est relativement faible. Le code source et les modèles préformés sont disponibles à l'adresse http://github.com/pquochuy/sleep_transfer_learning.