个性化评分者建模：一种基于学习的框架，用于从多位专家推导稳健的睡眠分期标签

arXiv cs.LG 论文
sleep-stage-classification multi-scorer hypnogram eeg emg machine-learning

摘要

本文提出了一种基于学习的框架，通过混淆矩阵对个体评分者行为进行建模，以从多位专家中推导更稳健的睡眠分期标签，提高了在DOD-H和DOD-O数据集上的准确性。

arXiv:2608.12446v1 公告类型：新 摘要：睡眠分期分类对于睡眠障碍的诊断和管理非常重要，然而大多数自动分期研究尽管已知评分者间存在变异性，仍仅针对单一参考睡眠图评估模型。本研究探讨了是否可以利用多评分数据集，从多位专家的集体行为中构建更可靠的参考标签。我们使用了公开可用的DOD-H和DOD-O数据集。将EEG（C3-M2）和颏肌电图信号分割为30秒的时段，并从每种模态中提取30个特征，从而为EEG+EMG生成60个特征。我们提出了一种基于学习的睡眠图（LBH），利用从机器学习模型导出的混淆矩阵来模拟每位评分者的分期特定行为。经过列归一化后，这些矩阵估计在给定每位评分者标签的情况下每个真实睡眠分期的概率；然后跨评分者聚合概率，为每个时段分配最终标签。我们在仅EEG和EEG+EMG设置下，使用随机森林、支持向量机和多层感知机分类器对LBH进行了评估，并与数据集睡眠图（DH）和最佳评分者睡眠图（BSH）进行了比较。LBH持续改善了整体性能。最佳结果来自随机森林和EEG+EMG，在DOD-H上达到86.07%的准确率、85.46%的精确率和85.29%的F1分数，在DOD-O上达到86.04%的准确率、85.21%的精确率和84.70%的F1分数。这些发现表明，个性化评分者建模可以在不丢弃个体专家信息的情况下改善参考睡眠图的构建。
查看原文
查看缓存全文

缓存时间: 2026/08/14 09:29 

# 个性化评分者建模：一种基于学习的框架，用于从多位专家推导稳健的睡眠阶段标签
来源：https://arxiv.org/abs/2608.12446
查看 PDF (https://arxiv.org/pdf/2608.12446)

> 摘要：睡眠阶段分类对于睡眠障碍的诊断和管理具有重要意义，然而，尽管已知评分者间存在变异性，大多数自动分期研究仍仅以单个参考睡眠图来评估模型。本研究探讨了是否可以利用多评分者数据集，从多位专家的集体行为中构建更可靠的参考标签。我们使用了公开可用的 DOD-H 和 DOD-O 数据集。将 EEG（C3-M2）和颏部肌电信号分割为 30 秒的时段，并从每种模态中提取 30 个特征，从而为 EEG+EMG 提供 60 个特征。我们提出了一种基于学习的睡眠图（LBH），它利用从机器学习模型导出的混淆矩阵，对每个评分者的阶段特定行为进行建模。经过列归一化后，这些矩阵在给定每个评分者标签的条件下估计每个真实睡眠阶段的概率；随后将这些概率在评分者之间进行聚合，为每个时段分配最终标签。我们在仅使用 EEG 和使用 EEG+EMG 两种设置下，使用随机森林、支持向量机和多层感知器分类器对 LBH 进行了评估，并将其与数据集睡眠图（DH）和最佳评分者睡眠图（BSH）进行了比较。LBH 一致地提升了整体性能。最佳结果来自随机森林和 EEG+EMG 组合：在 DOD-H 上达到 86.07% 的准确率、85.46% 的精确率和 85.29% 的 F1 分数；在 DOD-O 上达到 86.04% 的准确率、85.21% 的精确率和 84.70% 的 F1 分数。这些研究结果表明，个性化评分者建模可以在不丢弃单个专家信息的情况下改进参考睡眠图的构建。

## 提交历史

来自：AmirHossein Eshghi \[查看电子邮件 (https://arxiv.org/show-email/74af7fc0/2608.12446)\] **\[v1\]**Wed, 12 Aug 2026 17:28:43 UTC \(1,464 KB\)

相似文章

按部就班：使用评分规则的自动睡眠分期分类

arXiv cs.AI

本文提出了一种确定性的、基于规则的睡眠分期方法，该方法明确实现了美国睡眠医学学会（AASM）的评分规则，并提供了逐时段的自然语言解释。在50份多导睡眠图记录中，该方法与多数投票共识达到了60.5%的逐时段一致性，为不透明的深度学习模型提供了透明性的补充。