通过建模弱标签集推进睡眠检测：一种新的弱监督学习方法
原文中文，约400字，阅读约需1分钟。发表于：。本研究提出了一种新颖的睡眠检测方法，使用弱监督学习来处理缺乏可靠标签的情况。通过借助常规睡眠检测算法生成的预测结果作为弱标签，引入了一种新的非线性统计模型。结合神经网络检测睡眠，以睡眠概率作为二项分布的参数，最大化该模型的似然函数等效于最小化软交叉熵损失。通过对多种模型和损失函数的比较，研究结果表明，基于软交叉熵训练的 LSTM...
本研究提出了一种新的睡眠检测方法，使用弱监督学习处理缺乏可靠标签的情况。通过利用常规睡眠检测算法生成的预测结果作为弱标签，引入了一种新的非线性统计模型。研究结果表明，基于软交叉熵训练的LSTM模型在精度和模型校准方面优于传统睡眠检测算法、其他神经网络架构和损失函数，并在患者数据集上验证了该建模框架的有效性。
