融合动态重加权协同训练的半监督睡眠分期方法

摘要

针对半监督睡眠分期中伪标签噪声与模型趋同的问题，提出一种融合动态重加权协同训练(DRCT)的新方法，通过协同训练与动态重加权机制提升模型鲁棒性与伪标签可靠性。在预训练阶段通过子集划分或构建不同模型，增强模型初始差异性；在再训练阶段，利用伪标签交互进行协同优化，并引入动态重加权机制，根据模型预测一致性动态调整样本损失权重，从而提升高置信伪标签的引导作用，抑制低置信伪标签干扰。该机制既有效抑制了模型趋同现象，又显著提升了分类性能。实验结果表明，所提方法在Sleep-EDF和Sleep-EDFx数据集上分别取得81.2%和79.8%的准确率，显著优于现有方法。

关键词

动态重加权 / 协同训练 / 半监督 / 睡眠分期 / 伪标签