CVPRJun, 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

PDF
TL;DR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。
sleep monitoringvideo dataheart ratebreathing ratedeep transfer learning
发现论文，激发创造
  • 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

  • 基于 HRV 的睡眠分期的 LSTM 知识迁移

    本文介绍了使用心率变异性自动睡眠分期分类的最新技术，提出了一种基于长短时记忆网络（LSTM）的时态模型，使用美国睡眠医学协会注释标准获取手腕运动 PPG 的睡眠分期，在小型数据集上展示了知识转移的成功。

    Sep, 2018

  • 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

  • 探寻生命：从合成数据中学习，检测视频中的生命体征

    本文针对医疗领域中自动检测视频中生命体征（如心率和呼吸率）这一挑战性的计算机视觉问题，通过使用一种新颖的深度学习方法，在红外热成像领域从纯合成数据中训练递归深度神经网络来检测生命体征，并且无需手工标注，取得了 LCAS 数据集上最优的结果。

    Apr, 2020

  • EventSleep: 使用事件相机进行睡眠活动识别

    通过提供 EventSleep 数据集和方法，我们展示了事件相机在黑暗环境下的高准确性和鲁棒性，以及在睡眠监测和活动识别领域的潜力和应用。

    Apr, 2024

  • SleepPPG-Net2：基于光电容积脉搏图的深度学习睡眠分期通用化

    该研究旨在开发一种可推广的深度学习模型，用于从原始 PPG 生理时间序列中进行四类（清醒、浅睡眠、深睡眠和快速眼动（REM））睡眠分期任务，并与其他优秀模型进行对比评估。SleepPPG-Net2 模型在性能上表现出更高的优势，并且可以根据年龄、性别和睡眠呼吸暂停的严重程度进行个性化表现。

    Apr, 2024

  • 从 EEG 到红外视频的跨模态蒸馏：看见你的睡眠阶段

    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

  • 从颈部近红外视频估计颈动脉脉搏和呼吸率

    本研究提出了利用近红外视频成像技术，通过肉眼无法察觉的颈动脉脉冲和呼吸运动来测量 HR 和 BR 的低成本方法，并使用模板匹配、PCA 和 HMM 等技术实现数据平滑，结果表明该方法在暗光和明光下，能够实现比 FDA 认定设备更高精度的体征测量，这将推动非接触式生理测量技术在现实环境中的应用。

    May, 2018

  • 利用卷积神经网络和集成学习从可穿戴设备预测睡眠质量

    本文介绍了利用可穿戴设备识别睡眠阶段的方法，并使用 NetHealth 数据集和深度学习算法 Convolutional Neural Networks 和传统的 Random Forest 进行了比较。

    Mar, 2023

  • 一种基于光谱和活动信号的特征简化机器学习睡眠 - 清醒分类模型

    睡眠阶段的分类对于评估睡眠质量至关重要，本论文提出了一种基于 eXtreme Gradient Boosting 算法和光折光法信号、活动计数来提取特征的机器学习睡眠 - 清醒分类模型，性能优于其他方法，并适用于具有有限计算能力的可穿戴设备。

    Aug, 2023