智客 ZICQ
EN 登录 / 注册
智客前沿 前沿论文 #睡眠分期 #机器学习 #多专家标注 #EEG #EMG

个性化评分建模框架:基于多专家标注的鲁棒睡眠分期标签生成

Mr.Xu 的头像

文 / Mr.Xu 智客前沿编译 · 审校

发布时间: · 4 次阅读

中文阅读 (Chinese) English Version
共读互动 选中正文任意句子即可高亮划线、写下你的技术批注,或一键生成金句引用卡。 直达讨论区 ↓

摘要:本研究提出了一种基于学习的个性化评分建模框架(LBH),旨在通过整合多位专家的标注数据,提升睡眠分期分类的可靠性。该方法利用机器学习模型生成的混淆矩阵来捕捉每位专家的阶段特异性行为,并通过概率聚合生成更可靠的参考标签。实验结果表明,LBH在DOD-H和DOD-O数据集上均显著优于传统方法,尤其是在随机森林分类器与EEG+EMG信号结合时表现最佳,精度达到86.07%。这项研究为多专家标注数据的整合提供了新思路,对睡眠障碍诊断具有重要意义。


研究背景与动机

睡眠分期分类对于睡眠障碍的诊断和管理至关重要。然而,现有的大多数自动分期研究仅依赖单一参考脑电图(EEG)进行模型评估,忽略了不同专家之间的标注差异性。这种方法可能导致参考标签的可靠性不足,从而影响模型的泛化能力。

方法与创新

本研究提出了一种基于学习的个性化评分建模框架(LBH),其核心创新点包括:

  1. 多专家数据整合:利用DOD-H和DOD-O数据集,整合多位专家的标注数据。
  2. 混淆矩阵建模:通过机器学习模型生成每位专家的混淆矩阵,捕捉其阶段特异性行为。
  3. 概率聚合:对混淆矩阵进行列归一化,估算每个真实睡眠阶段在给定专家标签下的概率,并通过概率聚合生成最终标签。

实验与结果

LBH在以下设置下进行了评估:

  • 分类器:随机森林、支持向量机、多层感知器。
  • 信号类型:仅EEG、EEG+EMG。

实验结果表明,LBH在所有设置下均优于传统方法(数据集脑电图DH和最佳专家脑电图BSH)。其中,使用随机森林分类器与EEG+EMG信号结合时,LBH在DOD-H数据集上达到86.07%的精度、85.46%的召回率和85.29%的F1分数;在DOD-O数据集上达到86.04%的精度、85.21%的召回率和84.70%的F1分数。

行业影响与未来展望

LBH框架为多专家标注数据的整合提供了新的思路,能够在不丢弃任何专家信息的情况下提升参考标签的可靠性。这对于睡眠障碍的诊断和管理具有重要意义,未来可进一步扩展至其他需要多专家标注的领域,如医学影像分析、病理诊断等。

开发者建议

  1. 数据整合策略:在处理多专家标注数据时,建议采用类似LBH的概率聚合方法,以充分利用每位专家的信息。
  2. 模型选择:随机森林在LBH框架中表现最佳,但开发者可根据具体任务需求选择合适的分类器。
  3. 信号类型选择:EEG+EMG信号组合能够提供更丰富的信息,建议在条件允许的情况下优先使用。

结论

LBH框架展示了在多专家标注数据整合方面的巨大潜力,为提升睡眠分期分类的可靠性提供了新的技术路径。

原文出处: arXiv:2608.12446


消息来源:ArXiv Machine Learning (cs.LG) (2026-08-14)

—— 完 ——

主题标签: #睡眠分期 #机器学习 #多专家标注 #EEG #EMG

编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。

读完这篇,你的第一判断是?
🚀 去【作品】晒出你的相关实践

社区整体评论区

正在加载实时智能评论与划词标注…