通过对抗领域适应和主动深度学习,提高基于EEG的睡眠分阶段效率,使用最小的道
Roya Ghasemigarjan1, Mohammad Mikaeili1, Seyed Kamaledin Setarehdan2
1Department of Engineering, Shahed University, Tehran, Iran.
Journal of neural engineering
|July 11, 2025
概括
这项研究引入了与主动深度学习 (ADAADL) 进行对抗域适应,以准确分类睡眠阶段. ADAADL有效地使用未标记的数据和主动学习来提高准确性,优于现有方法.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 准确的睡眠阶段分类对于睡眠研究和医疗保健至关重要.
- 传统的深度学习和域调整方法面临着有限的标记数据和微妙的类区别的挑战.
研究的目的:
- 开发一个新的框架,与主动深度学习 (ADAADL) 进行对抗性域调整,以提高睡眠阶段分类的准确性.
- 为了有效地利用未标记的数据,并降低睡眠研究中的注释成本.
主要方法:
- ADAADL框架将对抗式学习与积极学习 (AL) 策略相结合.
- 使用两个睡眠阶段分类器作为细化特征对齐的区分器.
- 包含度和交叉损失,以更好地利用未标记的数据.
- 采用主动学习组件来代地选择和标记信息数据点.
主要成果:
- ADAADL产生了强大的和可转移的功能,用于睡眠阶段的分类.
- 与基准EEG数据集上现有的域调整方法相比,显著提高了分类准确性.
- 通过主动学习,对未见的数据进行增强的概括.
结论:
- ADAADL框架代表了睡眠阶段分类的重大进步.
- 为现实世界睡眠监控应用提供可扩展和准确的解决方案.
- 通过改善睡眠阶段建模,有助于更深入地了解睡眠动态.
