Apr, 2022

并行频率剪切注意力自动睡眠分期

PDF
TL;DR本文提出了一种新的框架，可以自动捕捉到基于权威睡眠医学指导的人类睡眠的脑电图信号的时频特性，并通过使用时间 - 频率补丁序列划分输入的 EEG 频谱图的信息特征和基于注意力的架构并行地有效地搜索划分的时频补丁与睡眠阶段的定义因素之间的相关性来对其进行定义。提出的方法在只使用脑电图信号的情况下，在 Sleep Heart Health Study 数据集上得出了新的最先进结果，分别获得了 0.93、0.88 和 0.87 的 F1 得分，并且具有高达 0.80 kappa 的高度一致性。我们还可视化了睡眠分期决策和所提出方法提取的特征之间的对应关系，为我们的模型提供了强大的可解释性。
发现论文，激发创造
  • 基于混合注意力的脑电睡眠分期

    该论文提出了一个名为 HASS 的新框架，使用良好设计的时空注意机制以自适应方式分配权重给不同的睡眠阶段下的 EEG 信号的空间和时间关系，该框架显著提高了睡眠定量评估的准确性和可靠性。

    May, 2023

  • 合成时间序列预训练的数据高效睡眠分期

    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

  • 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

  • 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

  • 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

  • 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

  • 混合神经网络方法用于时间睡眠阶段分类

    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

  • 用于认知大量脑电信号的多层平台

    该研究提出了一种多层次的神经网络框架，能够高准确率地进行神经认知，在睡眠阶段评分上超过了现有技术，同时也提供了可视化的脑电波信号特点解释方法。

    Apr, 2022

  • 可解释性睡眠分期中性能和效用的平衡权衡

    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

  • TransSleep：基于转换感知的注意力机制深度神经网络用于睡眠分期

    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