睡眠分期是睡眠障礙臨牀診斷與管理中的關鍵環節。傳統自動睡眠分期研究通常將某一位臨牀專家標註的睡眠圖作為唯一參考標準，用以訓練和評估模型。然而，不同評分者之間對同一晚睡眠記錄的標註往往存在不可忽略的差異，這種評分者間變異會帶來標籤噪聲，也可能使模型性能評估產生偏差。針對這一問題，Seyyed Ali Hoseini 及其合作者提出了一種稱為“基於學習的睡眠圖”（LBH）的框架，嘗試在保留個體評分者信息的前提下，從多位專家的集體標註中生成更穩健的參考標籤。相關論文於2026年8月12日提交至 arXiv（編號 2608.12446），目前收錄於機器學習（cs.LG）與人工智能（cs.AI）等多個主題。
在方法上，LBH 使用公開的 DOD-H 和 DOD-O 兩個多評分者數據集。研究團隊將 EEG（C3-M2）以及頦下肌電（chin EMG）信號劃分為30秒的片段，並從每種模態中分別提取30個特徵；當同時使用 EEG 與 EMG 時，每個片段共得到60個特徵。LBH 的核心思想是為每一位評分者構建一個混淆矩陣，該矩陣由機器學習分類器輸出得到，用於刻畫評分者在不同睡眠分期上的階段性行為。對混淆矩陣進行列歸一化後，模型可以估計：在給定某位評分者標註結果的前提下，各個真實睡眠分期對應的概率。隨後，系統將多位評分者的概率結果進行跨評分者聚合，為每一個片段賦予最終標籤，從而形成新的參考睡眠圖。
研究者在實驗中比較了三種分類器——隨機森林（RF）、支持向量機（SVM）和多層感知機（MLP），並分別在僅使用 EEG 和使用 EEG+EMG 兩種條件下評估 LBH。同時，他們將 LBH 與原始數據集睡眠圖（DH）以及表現最佳的單人評分者睡眠圖（BSH）進行對比。結果顯示，LBH 在整體性能上一致優於兩種基線。其中最優配置為隨機森林結合 EEG+EMG：在 DOD-H 數據集上達到 86.07% 的準確率、85.46% 的精確率和 85.29% 的 F1 分數；在 DOD-O 數據集上則達到 86.04% 的準確率、85.21% 的精確率和 84.70% 的 F1 分數。
這些結果説明，通過個性化地建模每一位評分者的標註行為，睡眠分期參考標準的構建可以變得更加可靠。與直接捨棄多數評分信息、只保留一個“最佳”評分者或簡單合併所有評分相比，LBH 充分利用了多專家標註中的互補信息，且不需要丟棄個體差異。該方法對後續自動睡眠分期模型的訓練、跨中心數據集的標定以及睡眠研究中的評測基準建立，都有潛在價值。未來工作可能進一步探索更復雜的評分者行為模型，或將 LBH 擴展到更多樣化的臨牀數據集。