基于深度子域自适应与迭代自训练的主体特异性睡眠分期框架DDAST研究

针对睡眠分期任务中因个体差异导致的域偏移问题，研究人员提出融合自适应域特定批归一化与迭代自训练的DDAST框架，在MASS-SS3和ISRUC-S3数据集上分别达到89.7%和84.3%准确率，为临床睡眠监测提供跨主体泛化新方案。

　　

睡眠质量与人体健康密切相关，睡眠障碍可能引发记忆衰退、免疫力下降等问题。传统基于多导睡眠图(PSG)的手动分期存在效率低、主观性强等缺陷，而现有深度学习模型又面临跨主体泛化难题——由于年龄、性别等因素导致的个体差异，使得模型在未见过的主体数据上表现骤降，这种现象被称为"域偏移"(domain shift)。

北京理工大学（根据基金项目推断）的研究团队在《Computer Methods and Programs in Biomedicine Update》发表研究，提出名为DDAST的创新框架。该工作通过自适应域特定批归一化(ADABN)整合源域与目标域统计特征，结合伪标签迭代自训练策略，在无需目标域标注的情况下实现跨主体睡眠分期。研究采用蒙特利尔睡眠研究档案(MASS-SS3)和科英布拉大学医院睡眠数据集(ISRUC-S3)进行验证，分别取得89.7%和84.3%的准确率，显著优于现有基线方法。

关键技术包括：1) 自适应域特定批归一化模块，通过共享源域统计量降低目标域矩估计不确定性；2) 基于差异度的无监督学习策略，利用伪标签对齐源域与目标域的细粒度分布；3) 迭代自训练机制逐步优化分类边界。

【方法】
设计域共享特征提取器与域特定分类器，通过最大均值差异(MMD)度量域间差异。ADABN模块动态融合源域均值方差，缓解小样本目标域统计估计偏差。

【结果】
在交叉验证中，DDAST的总体准确率较Phan等提出的基准方法提升6.2%。特征可视化显示，经ADABN处理后源域与目标域特征分布重叠度提高47%。消融实验证实，单独使用自训练或ADABN时性能分别下降8.5%和11.3%。

【讨论与结论】
该研究首次将域特定批归一化与迭代自训练结合应用于睡眠分期，突破传统UDA方法全共享特征的局限。临床意义在于：1) 解决PSG信号跨主体分布差异问题；2) 为资源匮乏场景提供免标注解决方案；3) 框架可扩展至其他生物信号分类任务。未来可探索多模态信号融合与在线自适应策略以进一步提升性能。