个性化评分模型：基于学习的框架，用于从多位专家那里获取稳健的睡眠阶段标签

arXiv:2608.12446v1 公告类型：新 摘要：睡眠阶段分类对于睡眠障碍的诊断和管理很重要，但大多数自动分期研究还是根据单个参考催眠图评估模型，尽管已知评分者之间存在差异。本研究调查了多评分数据集是否可用于根据多个专家的集体行为构建更可靠的参考标签。我们使用公开可用的 DOD-H 和 DOD-O 数据集。 EEG (C3-M2) 和下巴 EMG 信号被分割为 30 秒的时期，并且从每种模态中提取 30 个特征，从而为 EEG+EMG 产生 60 个特征。我们提出了一种基于学习的催眠图（LBH），它使用从机器学习模型导出的混淆矩阵来模拟每个评分者的阶段特定行为。列标准化后，这些矩阵根据每个评分者的标签估计每个真实睡眠阶段的概率；各个评分者汇总概率，为每个时期分配最终标签。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器分类器对 LBH 进行评估，并与数据集 hypnogram (DH) 和最佳得分者 hypnogram (BSH) 进行比较。 LBH 不断提高整体绩效。使用随机森林和EEG+EMG获得了最好的结果，在DOD-H上达到86.07%的准确率、85.46%的精确度和85.29%的F1分数，在DOD-O上达到86.04%的准确度、85.21%的精确度和84.70%的F1分数。这些发现表明，个性化记分器建模可以改进参考催眠图的构建，而无需丢弃个别专家的信息。