XiaoMi-AI文件搜索系统
World File Search SystemSleepDG
![arxiv：2401.05363v4 [eess.sp] 11月11日，2024年7月](/simg/g:\will\search\icon\source\b\ba1742bc77a8dfbb6a8152d56fd2735a158fea04.webp)
arxiv：2401.05363v4 [eess.sp] 11月11日，2024年7月
自动睡眠分期对于睡眠评估和疾病诊断至关重要。大多数现有的方法取决于一个特定的数据集，并且仅限于将培训数据和测试数据来自同一数据集的其他看不见的数据集。在本文中，我们将DO-MAIR REMALITION引入自动睡眠阶段，并提出了可推广的睡眠阶段的任务，该任务旨在证明模型的概括能力是看不见的数据集。通过现有域概括方法刺激，我们采用了特征对齐想法，并提出了一个称为SleepDG的框架来解决它。考虑到局部显着的功能和顺序特征对于睡眠停滞很重要，我们提出了一个多级特征对齐组合，将epoch级级别和序列级特征级别对齐组合来学习域不变的特征表示。具体而言，我们标志着一个阶段级特征对齐，以使每个单个睡眠时期的特征分布在不同的操作中的特征分布以及一个序列级特征对齐，以最大程度地减少不同do-ains之间顺序特征的差异。SleepDG在五个公共数据集上得到了验证，从而实现了最先进的性能。
通过多级域对齐实现通用的睡眠分期
自动睡眠分期对于睡眠评估和疾病诊断至关重要。大多数现有方法依赖于一个特定的数据集，并且仅限于推广到其他看不见的数据集，这些数据集的训练数据和测试数据来自同一数据集。在本文中，我们将领域泛化引入自动睡眠分期并提出可泛化的睡眠分期任务，旨在提高模型对看不见的数据集的泛化能力。受现有领域泛化方法的启发，我们采用特征对齐的思想并提出一个名为 SleepDG 的框架来解决它。考虑到局部显着特征和序列特征对于睡眠分期都很重要，我们提出了一种结合时代级和序列级特征对齐的多级特征对齐来学习领域不变的特征表示。具体来说，我们设计了一个 Epoch 级特征对齐来对齐不同域之间每个单个睡眠时期的特征分布，并设计了一个 Sequence 级特征对齐来最小化不同域之间序列特征的差异。SleepDG 在五个公共数据集上进行了验证，实现了最先进的性能。