热点事件持续更新

LLM辅助过滤EEG睡眠分期标签噪声，准确率提升

1 篇报道1 个报道来源15 小时前更新

先了解这件事

AI 综述

研究者Elmira Salari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，把低置信度epoch连同EEG频谱特征和序列上下文交给LLaMA 3.1，按AASM睡眠评分指南判定为RELIABLE或SUSPICIOUS，剔除可疑标注后重新训练分类器。在Sleep-EDF Expanded数据集上以20折交叉验证评估，整体准确率从81.8%升至84.6%，Macro F1-score从75.6%升至77.4%，REM检测提升尤为明显。由于LLM只在训练时使用，推理阶段仍保留1.3M参数的轻量TinySleepNet，可用于实时可穿戴睡眠监测。

AI 根据报道生成 · 2 小时前更新

最新进展11月6日 01:12

LLM 辅助标签噪声校正用于基于 EEG 的睡眠分期分类

报道时间线

沿着报道，了解事件的不同侧面。

11月6日

01:12
arXiv · cs.CL
LLM 辅助标签噪声校正用于基于 EEG 的睡眠分期分类
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 epoch 的 SoftMax 置信度，将低置信度 epoch 连同 EEG 频谱特征与序列上下文交给 LLaMA 3.1，按 AASM 睡眠评分指南判定 RELIABLE 或 SUSPICIOUS，剔除可疑标注后重新训练。在 Sleep-EDF Expanded 数据集上以 20 折交叉验证评估，整体准确率从 81.8% 提升至 84.6%，Macro F1-score 从 75.6% 提升至 77.4%，REM 检测提升尤为明显。由于 LLM 只在训练时使用，推理阶段仍保留 1.3M 参数的轻量 TinySleepNet，适用于实时可穿戴睡眠监测。

本事件热度走势

还没有足够的连续观测数据，暂不绘制趋势。