arXiv cs.CL· Elmira Salari, Shruti Kshirsagar·· 11 小时前AI 评分31
LLM 辅助标签噪声校正用于基于 EEG 的睡眠分期分类
LLM-Assisted Label Noise Correction for EEG-Based Sleep Stage Classification
AI 导读
研究者提出一种仅在训练阶段运行的 LLM 辅助标签噪声过滤流程：先用 TinySleepNet 提取每个 epoch 的 SoftMax 置信度，将低置信度样本连同 EEG 频谱特征和序列上下文交给 LLaMA 3.1，按 AASM 睡眠判读规则判定为 RELIABLE 或 SUSPICIOUS，剔除可疑标注后重新训练。
正文 · AI 翻译
摘要：基于脑电图（EEG）信号的自动睡眠分期分类是临床睡眠医学中的一项关键任务。尽管深度学习模型在该领域已展现出良好前景，但其性能从根本上受限于训练标签的质量，而这些标签由人类专家人工标注，存在评分者间不一致和系统性标注错误的问题。本文提出了一种新颖的 LLM 辅助标签噪声过滤流程，该流程仅在训练期间运行，用于在重新训练分类器之前识别并移除不可靠的睡眠分期标注。具体而言，首先在原始数据集上训练 TinySleepNet 以提取每个 epoch 的 SoftMax 置信度分数，然后将低置信度的 epoch 连同其 EEG 频谱特征和周围序列上下文一起提交给 LLaMA 3.1。LLM 依据 AASM 睡眠评分指南评估每个 epoch，并给出 RELIABLE 或 SUSPICIOUS 的判定。可疑 epoch 会从训练集中移除，随后在清洗后的数据上重新训练 TinySleepNet。在 Sleep-EDF Expanded 数据集上使用 20 折交叉验证进行评估，我们的方法将总体准确率从 81.8% 提升至 84.6%，Macro F1 分数从 75.6% 提升至 77.4%，其中 REM 检测的提升尤为显著。关键在于，由于 LLM 仅在训练期间运行，推理时仍保留轻量级的 TinySleepNet 架构（130 万参数），使得所提出的流程适用于实时可穿戴睡眠监测应用。
| 学科： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2611.08311 [cs.CL] |
| （或 arXiv:2611.08311v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.08311 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Elmira Salari She [查看电子邮件]
[v1]
2026年11月5日星期四 17:12:05 UTC（3,176 KB）
来源：arXiv cs.CL · arxiv.org