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。
Aug, 2022
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
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
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
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
通过对 156 篇 DL 和 EEG 论文的回顾和分析,发现 DL 在 EEG 信号识别方面取得了 5.4% 的精度提升,但大多数论文难以复现,因此提出了建议以支持该领域的进一步发展。
Jan, 2019
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
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。
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
本文介绍了一种新的知识蒸馏方法,用于从全套电极教师模型中提取知识并将其迁移给轻量级的学生模型,实现低成本的癫痫监测,该方法使用图神经网络进行个性化,即使只使用少数通道也能获取具有竞争力的癫痫检测性能。
Apr, 2023