通过对临床脑电图进行全面研究,利用时序卷积网络 (TCN) 进行年龄回归任务,结果表明模型对非病理和病理样本的年龄均有明显低估,而大脑生物年龄差生物标记不表示脑电图病理。
Sep, 2023
利用基于注意力机制的深度学习模型结合多视图 MRI 图像,可以精确预测胎儿的孕周,在收集了 125~273 天多年龄段的胎儿脑 MRI 数据集的基础上,R2 值达到了 0.94。
Dec, 2018
通过预测随机生成的合成时间序列的频率内容的一种预训练任务,我们的实验表明,我们的方法在数据有限和受试者少的情况下超越完全监督学习,在有很多受试者的情况下与其性能相匹配。此外,我们的结果强调了频率信息对于睡眠阶段判定的相关性,并且还表明,深度神经网络利用除频率以外的信息来提高睡眠分期的准确性,这与以前的研究一致。我们预计我们的方法将在脑 - 机接口等 EEG 数据有限或来源于少数受试者的广泛应用领域中具有优势。
Mar, 2024
提出一种称为 TransSleep 的新颖深度神经网络结构,使用具有上下文的信息,采用多尺度特征提取器模块、阶段混淆估计器模块和上下文编码器模块,用于睡眠分期,取得了良好的自动分期性能,并在 Sleep-EDF 和 MASS 数据集上展示出最先进的性能表现。
Mar, 2022
提出了一种基于深度递归神经网络的睡眠分期自动化诊断工具 SLEEPNET,其在超过 10000 名患者的数据集上进行了训练,并在独立测验中展现出高于 85%的准确性与 79%左右的算法 - 专家间一致性,可实现专业水平的睡眠诊断。
Jul, 2017
深度学习模型通过磁共振成像在估计大脑年龄方面取得了最先进的结果。我们将年龄预测问题从全局预测转化为图像回归问题,比较了基于体素的年龄预测模型与基于全局的模型以及它们对应的显著性地图。结果表明,基于体素的年龄预测模型更具解释性,因为它们提供了关于大脑衰老过程的空间信息,并从定量化中受益。
Aug, 2023
通过在脑电图研究中使用不同的机器学习算法,并结合 SHAP 值的解释能力,我们发现算法的变异性对于脑龄预测的研究结果的一致性有重要影响。
Feb, 2024
本文提出了一种深度学习框架 STATENet,针对新生儿脑电图的动态癫痫发作位置、不同构架和巨大的分布变化等挑战,进行革新性的设计,针对大数据集进行实验,并在新生儿癫痫检测性能方面取得了显著的成果。
Jul, 2023
使用深度学习和卷积神经网络方法,预测健康人群的大脑年龄,并建立其作为大脑衰老过程个体差异性的生物标志物的资格,该预测模型的结果证明了其在灰质或白质参数地图上的预测准确度极高,具有高度的可靠性和遗传学效度,可用于评估大脑老化的生物标志物,并且可以在原始数据上准确生成预测,实现在临床现场获得大脑健康信息。
Dec, 2016
基于可解释深度学习模型的新生儿癫痫自动检测方法,具有实时可解释性,对于 Zenodo 数据集的性能评估中,该模型在曲线下面积(AUC)和召回率方面分别实现了 8.31% 和 42.86% 的绝对改进。
Jun, 2024