Aug, 2022

从 EEG 到红外视频的跨模态蒸馏：看见你的睡眠阶段

PDF
TL;DR本文提出了使用红外视频来识别睡眠阶段，通过将 EEG 知识提炼至视觉信息的方法来实现。为了建立一个坚实的跨模态基准，作者还开发了一个新数据集（S3VE），包括 105 个受试者和 154,573 个视频剪辑，达 1100 个小时长。使用基于结构感知对比提炼的新模型（SACD）在 S3VE 和现有跨模态数据集上均取得最先进的性能。
发现论文，激发创造
  • 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

  • 利用 EEG 辅助深度知识蒸馏提高基于单导联心电图的睡眠分期

    利用知识蒸馏从 EEG 到 ECG 的跨模态知识传递，提高了 ECG 睡眠分期的分类性能。

    Nov, 2022

  • 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

  • 利用 EOG 增强医疗保健：一种新的睡眠阶段分类方法

    我们引入一种创新的方法来使用 EOG 信号进行自动睡眠分期分类，解决了 EEG 数据采集的不适和不实用性。我们的提出的 SE-Resnet-Transformer 模型能够准确分类来自原始 EOG 信号的五个不同的睡眠阶段。在公开可获得的数据库（SleepEDF-20，SleepEDF-78 和 SHHS）上进行了广泛验证，显示出显著的性能，宏 F1 分数分别为 74.72，70.63 和 69.26。我们的模型在识别 REM 睡眠方面表现出色，这是睡眠障碍研究中的关键方面。我们还使用 1D-GradCAM 和 t-SNE 图等技术提供了关于我们模型内部机制的见解。我们的方法提高了睡眠分期分类的可访问性，同时减少了对 EEG 模式的需求。这一发展将对医疗保健和将可穿戴技术纳入睡眠研究中产生有希望的影响，从而推动该领域的诊断和患者舒适性的提升。

    Sep, 2023

  • 利用近红外视频摄像头测量的生命体征和活动进行的深度学习睡眠分期

    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

  • 利用 SSNet 从 EEG、EOG 和 EMG 信号中分类睡眠阶段

    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

  • SleepVST: 使用预训练转换器从近红外视频信号进行睡眠分期

    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

  • 探索睡眠之深：基于单通道脑电图的睡眠阶段分类与模型可解释性

    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

  • 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

  • PSG 信号中的阿尔茨海默病检测

    阿尔茨海默病和睡眠障碍之间存在紧密联系，睡眠模式的中断经常在轻度认知障碍（MCI）和早期 AD 发作之前出现。本研究探讨利用通过多导睡眠监测仪（PSG）获得的与睡眠相关的脑电图（EEG）信号用于早期 AD 检测的潜力。我们主要关注于探索半监督深度学习技术用于 EEG 信号分类，这是由于临床场景中数据可用性有限的特点。实验方法包括测试和比较半监督 SMATE 和 TapNet 模型的性能，并与监督 XCM 模型和无监督的隐马尔科夫模型（HMMs）进行比较评估。研究强调了空间和时间分析能力的重要性，对每个睡眠阶段进行独立分析。结果表明，SMATE 在利用有限标记数据方面取得了稳定的度量结果，并在监督形式下达到了 90% 的准确率。比较分析揭示了 SMATE 在性能上优于 TapNet 和 HMM，而 XCM 在监督场景中以 92-94% 的准确率表现出色。这些发现强调了半监督模型在早期 AD 检测中的潜力，特别是在应对标记数据稀缺性方面。消融测试验证了空间 - 时间特征提取在半监督预测性能中的关键作用，并通过 t-SNE 可视化验证了模型在区分 AD 模式方面的熟练性。总体而言，这项研究通过创新的深度学习方法为 AD 检测的进展做出了贡献，突出了半监督学习在应对数据限制方面的重要作用。

    Apr, 2024