Data-Efficient Sleep Staging with Synthetic Time Series Pretraining

分析脑电图（EEG）时间序列可能具有挑战性，特别是使用深度神经网络时，由于人类受试者之间的巨大变异性和通常较小的数据集。为了解决这些挑战，提出了各种策略，例如自监督学习，但它们通常依赖于广泛的经验数据集。受计算机视觉的最新进展启发，我们提出了一种预训练任务，称为“频率预训练”，通过预测随机生成的合成时间序列的频率内容来预训练神经网络进行睡眠分期。我们的实验表明，我们的方法在数据有限和受试者较少的情况下超过了完全监督学习，并在具有许多受试者的情况下与其性能相匹配。此外，我们的结果强调了频率信息对于睡眠分期评分的相关性，同时也证明了深度神经网络利用超出频率的信息来提高睡眠分期性能，这与以前的研究一致。我们预计我们的方法将在EEG数据有限或来自少数受试者的广泛应用领域中具有优势，包括脑-计算机界面的领域。

本论文旨在解决睡眠阶段分期中的数据可用性问题，提出了一种基于预训练的方法来提高深度神经网络的性能。

本论文提出了一种名为“频率预训练”的预训练任务，通过预测随机生成的合成时间序列的频率内容来预训练神经网络，以提高睡眠阶段分期的性能。

本论文的实验结果表明，与完全监督学习相比，在数据有限和受试者较少的情况下，本方法的性能更好，并在具有许多受试者的情况下与完全监督学习的性能相当。此外，本论文的结果强调了频率信息对睡眠阶段评分的重要性，同时也表明深度神经网络利用超出频率的信息来增强睡眠阶段分期性能，这与以前的研究一致。

最近的相关研究包括：1. Self-supervised learning for sleep stage classification using stationary and wearable EEG，2. Deep learning for sleep stage scoring from raw single-channel EEG，3. Sleep stage classification using EEG signal analysis: A comprehensive survey and new investigation