Transfer Learning for Subject-Independent Sleep DeprivationDetection from Resting-State EEG
Notice bibliographique
Résumé
Sleep deprivation (SD) impairs cognition and heightens safety risks, yet reliable electroencephalography (EEG)-based detection remains challenging in low-data settings. We evaluated transfer learning with a compact Convolutional Neural Network (CNN) (EEGNetv4) to classify SD versus well-rested wakefulness using an open-source EEG dataset containing eyes-open resting-state data from 71 healthy young adults. EEGNetv4 was initialized with publicly available weights pretrained on an Event-Related Potential (ERP) dataset. Shape-compatible layers were transferred and frozen, with the remaining layers trained on the target data. Baselines comprised EEGNetv4, a bidirectional Long Short-Term Memory (LSTM), and a Transformer model, each trained without pretraining. Five-fold subject-independent cross-validation was used to evaluate model performance. EEGNetv4 with transfer learning achieved the highest mean accuracy (70.79% ± 4.17), outperforming EEGNetv4 trained from scratch (65.75% ± 5.48), the Transformer (63.35% ± 2.78), and the LSTM (61.70% ± 3.20). These findings suggest that leveraging pretrained EEG representations can enhance subject-generalizable SD classification in small-sample contexts, supporting transfer learning as a pragmatic strategy for neurophysiological applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».