SelectiveFinetuning: Enhancing Transfer Learning in Sleep Staging through Selective Domain Alignment

要約

実際の睡眠段階の分類において、重要な課題は、さまざまな被験者や環境にわたる EEG データのばらつきです。
生理機能、年齢、健康状態、記録条件の違いにより、データ間のドメインのシフトが発生する可能性があります。
これらのドメインのシフトは、特に最初にトレーニングされたものとは異なる特性を持つ新しいデータにモデルが適用される場合に、モデルの精度と信頼性の低下をもたらすことが多く、これは負の転移の典型的な現れです。
これに対処するために、この文書では SelectiveFinetuning を提案します。
私たちの方法では、事前トレーニング済みのマルチ解像度畳み込みニューラル ネットワーク (MRCNN) を利用して EEG 特徴を抽出し、さまざまな睡眠段階の特有の特性を捕捉します。
ドメイン シフトの影響を軽減するために、Earth Mover Distance (EMD) を使用してターゲット ドメインに厳密に一致するソース ドメイン データを評価および選択するドメイン調整メカニズムを導入します。
SelectiveFinetuning は、選択したソース データを使用してモデルを微調整することにより、トレーニングに使用されたデータと比較してドメインのシフトを示すターゲット ドメインでのモデルのパフォーマンスを向上させます。
実験結果は、私たちの方法が既存のベースラインを上回り、データ分布が予測できないことが多い実際のシナリオにおいて、より優れた堅牢性と適応性を提供することを示しています。

要約(オリジナル)

In practical sleep stage classification, a key challenge is the variability of EEG data across different subjects and environments. Differences in physiology, age, health status, and recording conditions can lead to domain shifts between data. These domain shifts often result in decreased model accuracy and reliability, particularly when the model is applied to new data with characteristics different from those it was originally trained on, which is a typical manifestation of negative transfer. To address this, we propose SelectiveFinetuning in this paper. Our method utilizes a pretrained Multi Resolution Convolutional Neural Network (MRCNN) to extract EEG features, capturing the distinctive characteristics of different sleep stages. To mitigate the effect of domain shifts, we introduce a domain aligning mechanism that employs Earth Mover Distance (EMD) to evaluate and select source domain data closely matching the target domain. By finetuning the model with selective source data, our SelectiveFinetuning enhances the model’s performance on target domain that exhibits domain shifts compared to the data used for training. Experimental results show that our method outperforms existing baselines, offering greater robustness and adaptability in practical scenarios where data distributions are often unpredictable.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google