自动睡眠评分的个性化:如何最好地适应模型在可穿戴EEG个人领域

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 可穿戴式脑电图 (EEG) 设备为诊断提供了广泛的睡眠数据收集.
• 高性能自动睡眠评分模型对于利用这些数据至关重要.
• 域不匹配和睡眠EEG的个体变化需要个性化模型.

研究的目的:

• 在可穿戴EEG睡眠数据中调查个人领域的范围.
• 评估睡眠评分模型的监督和无监督个性化方法.
• 确定个性化对模型性能和可靠性的影响.

主要方法:

• 审查了睡眠EEG中的监督和无监督个性化技术.
• 实施无监督的对抗域调整和统计数据对齐方法.
• 评估监督个性化,有或没有Kullback-Leibler规范化.

主要成果:

• 无监督的个性化方法没有显示出显著的性能益处.
• 监督个性化改善了科恩的卡帕,在表现较低的受试者中提高了15%,在表现较高的受试者中提高了2%.
• 库尔巴克-莱布勒规范化减少了监督个性化的差异,性能成本最小.

结论:

• 监督个性化可显著提高可穿戴式EEG睡眠评分的准确性.
• 即使是高性能模型也可以从监督个性化中受益.
• 推Kullback-Leibler调整,以优化可穿戴式EEG睡眠评分中的监督个性化.