Oct, 2019

U-Time: 一种用于时间序列分割的全卷积网络，应用于睡眠分期

PDF
TL;DR本研究提出了 U-Time 算法，通过全连接前馈神经网络实现对睡眠数据进行分割和分类，相较于当下领先的深度学习算法，U-Time 算法具备更加强大的鲁棒性和更简单的训练流程，无需特定任务的调整或超参数调控，在多个研究数据集上展现了优异表现
neural networksphysiological time-seriesu-timesleep datadeep learning
发现论文，激发创造
  • ConvTimeNet: 多变量时序分析的深层分层完全卷积模型

    本文介绍了 ConvTimeNet，这是一个新型的深层分层全卷积网络，旨在作为时间序列分析的通用模型。该网络的关键设计从两个方面入手，旨在克服传统卷积网络的局限性。第一，我们提出了将时间序列自适应分割为子序列级的补丁，并将其作为基本建模单元，避免了与原始点级时间步长相关的稀疏语义。第二，我们设计了一个完全卷积块，巧妙地集成了深度卷积和点卷积操作，采用 Transformer 编码器中使用的先进建模风格，使得该主干网络能够有效捕捉全局序列和跨变量依赖，因为它不仅融入了 Transformer 架构的进展，还继承了卷积的固有属性。此外，通过灵活控制核大小，可以学习给定时间序列实例的多尺度表示。我们在时间序列预测和分类任务上进行了广泛的实验。结果在大多数情况下在有效性方面始终优于强基线。代码已公开发布。

    Mar, 2024

  • ConvTimeNet：一个预训练的、深度卷积神经网络用于时序分类

    该研究提出了一种基于深度卷积神经网络的预训练模型 ConvTimeNet（CTN），并通过对多个时间序列分类数据集进行训练和测试，证明了其在新任务上的可迁移性和高效性。

    Apr, 2019

  • TimeNet: 面向时序分类的预训练深度循环神经网络

    TimeNet 是一个基于循环神经网络的深度非监督学习模型，使用序列到序列模型从多个时间序列中提取特征，可用作时间序列的通用特征提取器，并且通过实验证明，使用 TimeNet 特征提取器训练的分类器能够显著提高分类效果。

    Jun, 2017

  • SeqSleepNet: 序列到序列自动睡眠分期的端到端分层循环神经网络

    本研究提出一种基于 SeqSleepNet 的层次循环神经网络，将睡眠分期任务视为序列到序列分类问题，并在公开数据上实现了最高 87.1% 的分类精度。

    Sep, 2018

  • 时间尺度网络：用于时间序列数据的浅层神经网络

    通过结合传统的离散小波变换的转换和扩张序列，利用卷积神经网络和反向传播方法，我们提出了一种最小化、计算效率高的时间尺度网络，它可以同时学习多个时间尺度的特征，用于序列分类，并且具有显著减少参数和操作的优势。在心房功能障碍检测和癫痫预测方面表现出优异性能。

    Nov, 2023

  • ST-UNet: 用于图结构时间序列建模的时空 U 型网络

    文章讲述了设计一种新的多尺度体系结构，Spatio-Temporal U-Net（ST-UNet），用于图形结构的时间序列建模。该模型可有效地捕获多个尺度的综合特征，并在多个真实世界数据集上实现了显着的改进。

    Mar, 2019

  • UCT: 实时视觉跟踪的统一卷积网络学习

    本文提出了一种端到端的卷积神经网络跟踪框架，既可以有效地学习卷积特征，又可实现跟踪过程，对于实时跟踪效果较佳并在多个基准跟踪数据集上达到了最佳结果。

    Nov, 2017

  • TUNeS：一种具有自注意力的时间 U-Net 用于基于视频的手术阶段识别

    通过 TUNeS 模型，结合上下文感知的计算机辅助、注意力机制和时序建模，可以在未来手术室中实现自动识别医疗团队正在执行的手术阶段，并在考虑长期时序特征的情况下达到 Cholec80 数据集上的最佳结果。

    Jul, 2023

  • Kernel-U-Net 多变量时序预测的层次和对称框架

    时间序列预测任务基于历史信息预测未来趋势。本文提出了一种对称和分层的框架，Kernel-U-Net，它在网络的每一层将输入序列切分成片段，然后使用内核对其进行计算。与现有的线性或 Transformer 解决方案相比，我们的模型具有三个优势：1）参数较小，2）灵活性，3）计算效率。在六个（七个中的五个）真实数据集上，Kernel-U-Net 的准确性大于或等于最先进模型的准确性。

    Jan, 2024

  • 深度卷积神经网络用于 EEG 睡眠阶段得分的可解释性分析

    采用多标签谱分析将脑电图信号处理成易于解读的睡眠模式图像，作为深层卷积神经网络的输入，研究自动分级睡眠阶段的方法，实验结果显示在新的患者中准确分类睡眠阶段，同时提供了结果的可视化解释框架。

    Oct, 2017