Aug, 2021

DeepSleepNet-Lite: 一种带有不确定性评估的简化自动睡眠分期评分模型

PDF
TL;DR本研究提出 DeepSleepNet-Lite，一种简化和轻量级的睡眠评分体系结构，仅处理 90 秒的 EEG 输入序列，并首次使用 Monte Carlo Dropout 技术来提高算法的性能并检测不确定性，以实现实时睡眠分析。评估表明，模型的性能略低于现有的最先进体系结构，但使用推出的睡眠评分方法可以在实时环境下工作。
deepsleepnet-liteautomatic sleep scoringmonte carlo dropouteegreal-time sleep analysis
发现论文，激发创造
  • DeepSleepNet：基于原始单通道脑电信号的自动睡眠分期评分模型

    本研究提出了一种基于 DeepSleepNet 的深度学习模型，用于自动睡眠阶段评分，其利用卷积神经网络提取时间不变特征，并利用双向长短时记忆自动学习睡眠阶段之间的转换规则，无需使用任何手工特征，该模型在不同的单通道 EEG 数据集上均取得了相似的整体准确率和宏 F1 得分。

    Mar, 2017

  • SleepEEGNet: 序列到序列深度学习自动睡眠分期评分方法

    本文提出一种名为 SleepEEGNet 的自动睡眠阶段注释方法，使用单通道睡眠 EEG 信号，由深度卷积神经网络、序列到序列模型组成，通过新颖的损失函数解决类不平衡问题，相比现有文献具有更好的标注性能，整体精度为 84.26%，F1 得分为 79.66%，Kappa 系数为 0.79，为睡眠专家提供更精确的诊断。

    Mar, 2019

  • 传统机器学习不容忽视：简单且可解释的技术在睡眠评分方面与深度学习相竞争

    本研究比较了使用工程特征向量的传统机器学习模型（包括线性模型和梯度提升模型）与使用深度学习模型在睡眠暂停得分任务中的表现，并在公共数据集上展示了其具有竞争力的性能。观察到工程特征向量的表达力与深度学习模型内部学习的表示相当，这使得传统机器学习模型具有更好的可解释性和成功的历史，可以在临床中得到更好的应用。

    Jul, 2022

  • SLEEPNET：基于深度学习的自动睡眠分期系统

    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

  • SleePyCo：基于特征金字塔和对比学习的自动睡眠分数评定

    本研究提出了一种名为 SleePyCo 的深度学习框架，其中融合了特征金字塔和有监督对比学习的方法，旨在通过对单通道脑电图（EEG）的学习表示以自动睡眠评分，并能够在家庭环境中进行纵向睡眠跟踪，这一框架能够显著提高睡眠评分性能。

    Sep, 2022

  • 基于多变量和多模态时间序列的睡眠阶段分类深度学习架构

    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

  • 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

  • 连接人工智能和临床实践：将自动睡眠评分算法与基于不确定性的医生审核集成

    通过使用不确定性估计方法来提高自动睡眠评分算法的临床应用，从而有效帮助医生手动审核预测的睡眠图，以减少多项睡眠多项指数数据库中存在的明显评分者差异所必需的手动审核工作量，并考虑科目诊断。

    Dec, 2023

  • MorpheusNet: 嵌入式在线系统的资源高效睡眠阶段分类器

    睡眠阶段分类是一项需耗费大量时间的任务，该论文介绍了一种基于深度学习的算法，能够实时预测睡眠阶段并适用于嵌入式设备，经过量化优化后模型体积大幅减小，性能与现有最先进模型相当。

    Jan, 2024

  • NeuroNet：一种新型混合自监督学习框架用于使用单通道 EEG 进行睡眠阶段分类

    通过结合对比学习任务和掩蔽预测任务，利用未标记的单通道睡眠脑电图（EEG）信号，本研究提出了 NeuroNet，一个自监督学习（SSL）框架，通过三个多导睡眠多项生理参数记录（PSG）数据集的广泛实验，展示了超越现有 SSL 方法的优越性能。同时，研究还提出了基于 Mamba 的时间上下文模块，用于捕捉多样性的 EEG 时期之间的关系。结合 NeuroNet 和基于 Mamba 的时间上下文模块，即使在有限的标记数据量下，也能达到甚至超过最新的监督学习方法的性能。该研究有望建立一个关于睡眠阶段分类的新基准，为睡眠分析领域的未来研究和应用提供指导。

    Apr, 2024