换一批摘要睡眠分期对睡眠质量评估、睡眠障碍诊断具有重要的意义.针对基于深度学习的睡眠分期存在标签数据少、数据标注困难等问题,提出一种CLIP自监督学习的多模态睡眠分期方法.通过学习无标签数据的特征表示,解决了因标签数据少而导致的模型训练效果欠佳的问题.在不同标签数据下,将基于CLIP的多模态自监督学习方法与有监督学习、单模态自监督学习方法SimCLR和TS-TCC进行对比实验.实验结果表明,基于CLIP的多模态自监督学习方法能有效提高睡眠分期的性能.
更多相关知识
关键词
多模态自监督学习睡眠分期CLIP单模态自监督学习有监督学习multi modal self supervised learningsleep stagingCLIPsingle modal self supervised learningsupervised learning
栏目名称
DOI
10.3969/j.issn.1674-2605.2024.04.004
发布时间
2024-09-03
基金项目
国家自然科学基金（62073086）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
