Aug, 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

PDF
TL;DR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。
sleep stagesphotoplethysmographymachine learningextreme gradient boostingwearable devices
发现论文，激发创造
  • 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

  • 光电容积脉搏波数据的深度学习方法综述

    近年来，深度学习模型在处理光电容积脉搏图数据方面取得了显著进展，其中医疗相关和非医疗相关任务是主要研究领域。

    Jan, 2024

  • 基于机器学习的光电容积脉搏信号特征用于糖尿病检测

    使用非侵入式的光学光容积描记术（PPG）结合机器学习方法，通过对患者的 PPG 信号和元数据进行训练和分类，成功地开发了一种远程、非侵入式和连续测量的糖尿病检测装置。

    Aug, 2023

  • 佩戴设备用于心血管生物标记监测的光电测量信号质量评估

    本研究提取了 27 个统计特征，利用梯度提升（XGBoost 和 CatBoost）以及随机森林（RF）算法训练机器学习模型来评估血容量变化的 PPG 信号质量，在使用可穿戴设备进行连续监测时，考虑了运动伪影、皮肤色素沉着和血管运动等影响 PPG 准确性和可靠性的因素。研究发现，我们的模型在 XGBoost、CatBoost 和 RF 上分别达到了 Sensitivity（Se）、Positive Predicted Value（PPV）和 F1-score（F1）的 94.4、95.6、95.0，94.7、95.9、95.3 和 93.7、91.3、92.5，结果与文献中的最新成果相当，但使用了更简单的模型，证明机器学习模型在开发远程、非侵入性和连续测量设备方面具有很大的潜力。

    Jul, 2023

  • 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

  • 基于可见性图和迁移学习的无幅机器学习 PPG 信号处理

    本研究介绍了一种基于图论和计算机视觉算法的 PPG 信号处理框架，它对仿射变换具有不变性，计算速度快，并在任务和数据集之间表现出强大的泛化能力，能够提取人体循环系统的各种生物特征。

    May, 2023

  • 用于高血压程度的光电容积脉搏图信号深度学习分类

    使用时间频谱技术 (如 STFT) 相结合的神经网络 (如 CNN、LSTM、Bi-LSTM) 以及机器学习分类器 (SVM 和 RF)，本研究在超过 200 名血压高的患者 (650 + 信号样本) 的 PPG 信号上进行分类，通过两个分类等级 (以下包括 1 级和 2 级)，在 LSTM 和 LSTM-CNN 模型中获得 100% 的精确度和特异度以及 82.1% 的召回率，并利用集成方法实现了不同模型之间的最佳结果。

    May, 2024

  • 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

  • 基于 PPG 的心率估计：高效的传感器采样与学习模型

    本文探讨了低功耗和资源受限的嵌入式设备中更适用于心率估计技术。作者们将信号处理和机器学习相结合，将 PPG 采样频率从 125Hz 降低到 25Hz 以提高准确性，缩小模型大小并加快推理时间。实验结果表明，DT 模型使用 10 至 20 个输入特征通常具有良好的准确性，并几个数量级地降低了模型大小和推理时间。

    Mar, 2023

  • 自监督脉搏波形学习显示高主体间变异性

    本文提出了一种自监督学习方法用于学习一个通用的、具有信息的 PPG 表示，并将其用于活动和睡眠阶段的识别以及更普遍的健康状态预测，结果表明在标记数据稀缺时，使用 SSL 对于简单分类器的训练表现更好，同时也发现 SSL 的结果集中于编码受试者，因此对于标记数据不足的情况有一定局限性。

    Dec, 2022