当前位置: 首页 > news >正文

ICLR 2025|SleepSMC:通过监督多模式协调实现普遍的睡眠分期

💤 SleepSMC:让睡眠分期真正“无处不在”的多模态学习新范式

—— ICLR 2025 论文阅读与深度解读
在这里插入图片描述

🧭 一、研究背景:睡眠监测的两难困境

睡眠分期(Sleep Staging)是衡量睡眠质量与神经健康的重要手段。传统的多模态多导睡眠监测(PSG, Polysomnography)虽然准确,但需要 EEG、EOG、EMG、ECG 等多种信号同步采集,操作复杂、成本高、佩戴不舒适。
相反,单模态设备(如耳戴 EEG、智能手表或雷达)更轻便,但准确率显著下降。

核心矛盾

  • 多模态 → 高精度 × 低便利性
  • 单模态 → 高便利性 × 低精度

ICLR 2025 论文《SleepSMC: Ubiquitous Sleep Staging via Supervised Multimodal Coordination》正是为了解决这一长期困境而提出的。


💡 二、研究目标与创新动机

“如何让模型在训练阶段利用多模态数据学习,但在测试阶段只需单模态即可保持高精度?”

现有多模态学习通常假设训练与测试阶段的模态一致,这在现实中不成立。论文提出的 SleepSMC 框架 旨在通过“监督式多模态协调学习”,让单模态模型也能继承多模态知识。
在这里插入图片描述

✳️ 创新概念三要素:

  1. Supervised Modality-level Instance Contrastive Coordination

    • 在模态级别进行监督式对比学习。
    • 同类别的样本(跨模态)被拉近,不同类别被推远。
    • 学到“类别相关的共享特征”。
  2. Uncertainty-based Feature Weighting

    • 利用多次随机掩码计算置信度方差(即不确定性),自适应调整辅助模态权重。
    • 模态越稳定(低方差),在训练中权重越高。
  3. Ubiquitous Testing

    • 测试时仅用一个主模态(如 EEG),模型仍保持高精度。
    • 解决“训练多模态、推理单模态”的现实问题。

⚙️ 三、方法设计解析

在这里插入图片描述

1️⃣ 模态特征提取与分类

采用 FeatureNet(双尺度 CNN)为基础,每个模态都有独立的特征提取与分类分支。

在这里插入图片描述

这种结构保留了每种信号(EEG、EOG、EMG)的独特特征。


2️⃣ 不确定性加权机制(Uncertainty-based Feature Weighting)

每个辅助模态多次随机掩码(Random Mask)后计算置信度方差:

在这里插入图片描述

然后转化为权重:

在这里插入图片描述

低不确定性(高置信度)的模态在对比学习中贡献更大,使主模态学习到更稳健的跨模态表示。


3️⃣ 监督式对比协调学习(Supervised Contrastive Coordination)

在模态级别进行监督式对比学习:

在这里插入图片描述

思想:

  • 同类别跨模态样本 → 拉近
  • 异类别样本 → 推远
  • 捕获“模态间一致性 + 类别判别性”。

4️⃣ 总损失函数

在这里插入图片描述

该联合优化实现了分类准确性与模态协同的统一。


📊 四、实验与结果

📦 数据集

使用四个公开数据集验证:ISRUC-S3、ISRUC-S1、MASS-SS3、Sleep-EDF-78。

🧪 对比方法

与 FeatureNet、DeepSleepNet、AttnSleep、BSTT、DrFuse 等 11 种 SOTA 方法比较。


🚀 结果概览(跨模态 + 单模态)

数据集测试模式准确率提升核心发现
ISRUC-S3多模态+1.7%超越 BSTT
ISRUC-S3单模态(EEG)+1.8%单模态仍领先所有模型
MASS-SS3多模态+0.6%精度稳定提升
Sleep-EDF-78多模态+1.4%在更大样本中表现稳健

SleepSMC 在 单模态测试场景下 保持高性能,是其最大亮点。


🔍 五、可解释性分析

🎛 不确定性权重变化

随着训练进行,不同辅助模态(EOG、EMG)的权重自适应调整,
模型更倾向学习“可靠信号”而非“高精度信号”。

🎨 特征可视化(t-SNE)

SleepSMC 在 EEG / EOG / EMG 三个模态下均显著增强类间可分性。
尤其是最难区分的 N1 阶段,从“完全混乱”变为“明显聚类”。


🧩 六、消融实验

模块组合ISRUC-S3 准确率结论
无两模块0.7628基线
+Contrastive0.7918主要提升来源
+Contrastive + Uncertainty0.7930两模块协同效果最佳

🧠 七、研究意义与未来方向

🌍 现实意义

SleepSMC 提供了一种“训练多模态,推理单模态”的实用方案,
家庭级睡眠监测设备(如耳戴 EEG、床垫传感器、雷达)提供了算法基础。

🔬 学术贡献

  1. 首次在睡眠分期领域引入**多模态协调学习(Multimodal Coordination)**框架;
  2. 创造性地结合监督对比学习 + 不确定性估计
  3. 实现跨模态知识迁移的可解释性与鲁棒性。

✍️ 八、作者团队与论文信息

  • 🏫 中科院计算所 & 中科大
  • ✒️ 第一作者:马硕
  • 🧠 通讯作者:陈益强(Pengcheng Lab / CAS)
  • 📍 会议:ICLR 2025
  • 📚 论文题目:SleepSMC: Ubiquitous Sleep Staging via Supervised Multimodal Coordination

🪞 九、博客作者评述

SleepSMC 的最大价值不在于简单的“提升几个百分点”,
而在于提出了一个“无处不在的睡眠监测”的系统化思路:

  • 不追求堆叠模态,而追求模态协作;
  • 不追求复杂架构,而追求可部署性;
  • 不追求黑箱学习,而追求解释性与适应性。

这让“在家测睡眠质量”从概念走向现实。


🔚 十、结语

SleepSMC 将“多模态学习”的优势带入“单模态可用”的现实世界,
代表了未来睡眠 AI 从实验室走向大众生活的关键一步。
未来,它或将成为智能睡眠设备算法层的“标准中枢”。


http://www.dtcms.com/a/466967.html

相关文章:

  • PTA6-15 使用函数实现字符串部分复制(C)
  • 做网站须要什么技术网站建设前的需求分析
  • 华清远见25072班C++学习day7
  • wordpress不用php详细描述如何进行搜索引擎的优化
  • QML学习笔记(三十一)QML的Flow定位器
  • 国防教育网站建设说明书苏州协会网站建设
  • Prompt-tuning、Prefix-tuning、P-tuning/v2
  • 青岛胶南市城乡建设局网站页面效果图
  • vscode连接wsl 连接本地项目
  • 掌握定时器基于GD32F407VE的天空星的配置
  • 补充:计算点到原点的距离。(new)
  • 北京网站建设 专业10年郑州艾特网站建设公司
  • 陕西做网站的公司在哪江苏建设行业证书编号查询网站
  • 元服务发布准备工作
  • 【2025-系统规划与管理师】第七章:网络环境规划
  • 固态硬盘保护器Romex Software
  • 如室设计网站东莞房价多少
  • 创建网站超市百度找不到 网站
  • 超参数优化利器:GridSearchCV 详解与实战指南
  • 网站建设合同需要注意什么创意赣州网站建设
  • 从 Wonderware 到 TDengine:大理卷烟厂的国产化转型之路
  • Redis-Bitmaps、HyperLogLog、GEO类型
  • 一级a做爰片i网站商城网站前期推广
  • Golang的结构体和反射
  • 网站点击量软件古腾堡布局的网站
  • 网站title优化手机网页页面设计模板
  • 湛江正规网站制作方案网站建设五项基本原则
  • 【Vue】——路由
  • 160 国际英文网站app开发公司哪里好
  • 企业网站优化哪家好陕西住房与城乡建设部网站