《基于深度迁移学习的可穿戴睡眠阶段分类》阅读笔记

一、摘要

佩戴可穿戴设备进行睡眠监测是一种无创、便捷的方法，可以提高睡眠障碍筛查和健康监测的效率。然而，由于缺乏大规模、标准化的PPG数据集，使用PPG进行睡眠阶段分类仍然具有挑战性。本文提出了一种基于深度迁移学习的方法来解决这个问题。首先，使用一个大型ECG数据集训练一个深度递归神经网络来执行4类睡眠阶段分类（清醒、快速眼动、N1 / N2和N3）。然后，使用三种迁移学习方法将其部分权重适应到较小、更新的PPG数据集上。最终结果表明，该方法可以显著提高PPG基础下4类睡眠阶段分类的准确性，并为未来研究提供了有价值的参考和启示。

迁移学习：源模型（ECG模型）使用ECG数据和根据R&K规则评分的PSG标签进行训练（本文中使用的是Siesta数据集），然后将其知识迁移到学习涉及PPG输入数据和根据AASM规则的PSG注释的新任务中（本文中使用的是Eindhoven数据集）&