Jul, 2023

SleepEGAN: 一种增强 GAN 集成深度学习模型用于睡眠阶段不平衡分类

PDF
TL;DR本文提出了一种基于生成式对抗网络的加强型深度学习模型 SleepEGAN，该模型通过新的生成对抗网络架构 EGAN 进行数据增强，以提高睡眠阶段识别的准确性，在验证和测试集之间设计了一种无代价的集成学习策略以减少模型估计方差。实验表明，该方法优于现有的几种最先进的方法。
deep neural networkssleep stages classificationgenerative adversarial networkdata augmentationensemble learning
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 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

  • 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

  • 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

  • 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 Wasserstein 生成对抗网络提高 EEG 信号分类准确性

    提出了一种基于深度学习和 Wasserstein 生成对抗网络的实用解决方案，通过增强小数据集来提高分类器的泛化能力，从而解决脑 - 计算机接口开发中有限的脑电图数据问题。

    Feb, 2024

  • 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

  • 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

  • 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