基于 HRV 的睡眠分期的 LSTM 知识迁移
利用视频数据和深层迁移学习的方法,通过心率、呼吸速率和活动度等参数对睡眠进行分类,其在 50 名正常志愿者数据集上实现了 73.4% 的准确率和 Cohen's kappa 系数 0.61,成为基于视频的睡眠分级的最新研究水平。
Jun, 2023
通过研究编码器 - 预测器体系结构的设计选择,我们找到了适用于时间序列和频谱图输入表示的可靠体系结构,其中结构化状态空间模型作为其组成部分,从而在广泛的 SHHS 数据集上显著提高了性能,这些改进通过统计和系统误差估计进行了评估。我们预计,从本研究获得的体系结构见解不仅对于未来的睡眠分期研究有价值,而且对其他时间序列注释任务也具有相关性。
Oct, 2023
通过相机采集的生理监测进展,我们可以非接触性地测量呼吸和心脏脉搏,而这些指标可以反映出睡眠阶段的信息。因此,我们提出了 SleepVST,一种基于 Transformer 模型的睡眠分期分类方法,通过预训练和应用于视频数据,SleepVST 在睡眠分期中取得了领先的表现。
Apr, 2024
提出了使用深度学习方法进行睡眠分期的自动分类系统,可有效利用 Polysomnography 信号的多变量和多模态的特性,通过学习线性空间滤波器与英特飞凌分类器结合,其性能达到同类算法最优水平。
Jul, 2017
该研究旨在开发一种可推广的深度学习模型,用于从原始 PPG 生理时间序列中进行四类(清醒、浅睡眠、深睡眠和快速眼动(REM))睡眠分期任务,并与其他优秀模型进行对比评估。SleepPPG-Net2 模型在性能上表现出更高的优势,并且可以根据年龄、性别和睡眠呼吸暂停的严重程度进行个性化表现。
Apr, 2024
本研究提出了一种端到端的深度学习结构 SSNet,包括基于卷积神经网络(CNN)和长短期记忆(LSTM)的两个深度学习网络,用于通过联合眼电图(EOG)、脑电图(EEG)和肌电图(EMG)的信号分类睡眠阶段。在两个公共数据集上进行了测试,取得了最佳性能。
Jul, 2023
使用 SE-Resnet-Bi-LSTM 架构对睡眠进行五个阶段的分类,方法基于对单通道脑电图(EEG)的分析,利用 1D-GradCAM 可视化方法解释模型决策过程,研究结果表明该模型在睡眠阶段分类上具有较高的准确率和 F1 分数。
Sep, 2023
本文提出了一种解决单个主动电极应用于睡眠阶段分类的局限性的实际方法,其中利用整流器神经网络和长短期记忆网络来优化分类性能,并找到了单通道 EEG 在额头上的舒适配置,并证明它可以与其他电极一起使用,从而实现了睡眠自动分类的更好性能。
Oct, 2016
本文提出了一种基于深度学习的解释性方法,通过将深度学习嵌入使用归一化特征来表示,用于支持临床睡眠分期,该方法在不同数据集上具有优异的性能,能够实现良好的性能和可靠的临床解释性。
Nov, 2022
睡眠阶段的分类对于评估睡眠质量至关重要,本论文提出了一种基于 eXtreme Gradient Boosting 算法和光折光法信号、活动计数来提取特征的机器学习睡眠 - 清醒分类模型,性能优于其他方法,并适用于具有有限计算能力的可穿戴设备。
Aug, 2023