Naukowcy z zespołu badawczego zaproponowali nową metodę Learning-Based Hypnogram (LBH), która konstruuje wiarygodne etykiety faz snu przez modelowanie zachowania wielu ekspertów zamiast polegania na pojedynczym referencyjnym hipnogramie. Problem, który rozwiązują, jest powszechnie znany w medycynie - specjaliści często się nie zgadzają co do klasyfikacji faz snu, a większość badań nad automatyczną klasyfikacją ignoruje to źródło niepewności, oceniając modele względem tylko jednego eksperta.
Metodologia opiera się na analizie sygnałów EEG (głównie odprowadzenie C3-M2) i chin EMG z publicznie dostępnych zbiorów DOD-H i DOD-O. Z każdego 30-sekundowego okresu zapisu wyodrębnia się 60 cech (30 z EEG, 30 z EMG). Kluczowa innowacja polega na zastosowaniu macierzy błędów (confusion matrices) wygenerowanych przez modele uczenia maszynowego dla każdego oceniającego. Po normalizacji kolumnowej macierze te szacują prawdopodobieństwo rzeczywistej fazy snu dla każdej etykiety przypisanej przez danego eksperta. Ostateczna etykieta przypisywana każdemu okresowi pochodzi z agregacji prawdopodobieństw wszystkich oceniających.
Wynikiбают imponujące - najlepsze rezultaty osiągnięto za pomocą klasyfikatora random forest w konfiguracji EEG+EMG, uzyskując 86,07% dokładności, 85,46% precyzji i 85,29% F1-score na zbiorze DOD-H, oraz 86,04% dokładności na DOD-O. Te rezultaty konsekwentnie przewyższały tradycyjne podejścia wykorzystujące pojedynczą referencję lub wybór najlepszego eksperta. Znaczenie badania wykracza poza sam algorytm - wykazuje, że zamiast szukać idealnego eksperta, lepiej jest zaufać zbiorowej mądrości, modelując ich indywidualne wzorce błędów. To ma implikacje dla całej dziedziny diagnostyki zaburzeń snu, gdzie jakość treningowych danych etykietowanych bezpośrednio determinuje wydajność systemów pomocniczych w praktyce klinicznej.