睡眠分期新突破：覆盖率从31.5%飙至48.8%，错误数直降41%！
COVER: Learning to Accept More in Selective Sleep Staging
📖 AI 总结
本文研究选择性睡眠分期中的级联模型第一阶段，目标是在给定可接受风险阈值下最大化主分类器的预测覆盖率。作者提出COVER方法，包含两项创新：一是辅助信息引导的主分类器错误学习，用可学习的错误分数替代最大softmax概率；二是固定尺度评分器精炼，在经验风险约束下直接优化覆盖率而非错误预测精度。在Sleep-EDF-20数据集上以5%可接受风险为目标的实验显示，辅助错误学习将平均受试者覆盖率从MSP的31.5%提升至48.8%；在相同接受量下，错误数从1467降至867。固定尺度精炼进一步提升1.7个百分点，最终COVER在八种评分器中取得最高平均覆盖率50.4%，优于SELE和DuoF。该工作首次将辅助错误学习与固定尺度覆盖精炼结合用于选择性睡眠分期，为级联睡眠分期中可靠性感知的计算分配提供了依据。
🔑 关键词速览
| COVER | 本文提出的面向覆盖率的错误排序方法，用于在可接受风险下最大化主分类器的可靠预测覆盖率。 |
| 睡眠分期 (Sleep Staging) | 根据脑电等生理信号将睡眠过程划分为不同阶段（如清醒、浅睡、深睡、快速眼动期）的任务。 |
| 级联 (Cascade) | 一种计算分配策略，先由主分类器处理可靠样本，再将不确定样本交给更强模型，以节省计算。 |
| 最大 softmax 概率 (MSP) | 一种常用的置信度度量，取模型 softmax 输出的最大概率值，用于判断预测是否可靠。 |
| 可接受风险 (Accepted Risk) | 在选择性预测中允许被接受样本中错误预测所占的比例上限，用于控制可靠性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅