通过超图学习利用时空数据进行睡眠阶段分类
本文提出了一个能够共同编码复杂犯罪空间和时间模式以及不同类别犯罪语义关系的空间 - 时间序列超图网络,该网络采用超图学习范例,设计图结构信息传递架构,并引入多通道路由机制。通过实验证明了该方法的较强预测性能。
Jan, 2022
通过研究编码器 - 预测器体系结构的设计选择,我们找到了适用于时间序列和频谱图输入表示的可靠体系结构,其中结构化状态空间模型作为其组成部分,从而在广泛的 SHHS 数据集上显著提高了性能,这些改进通过统计和系统误差估计进行了评估。我们预计,从本研究获得的体系结构见解不仅对于未来的睡眠分期研究有价值,而且对其他时间序列注释任务也具有相关性。
Oct, 2023
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
本文提出了基于超伯利模型的时间图网络(HTGN),旨在通过利用超伯利几何的指数能力和层次意识来捕捉时变行为并保持层次信息,从而在时间图嵌入方面取得更好的效果。在多个真实数据集上的实验结果表明,HTGN 在各种时间链接预测任务中的表现优于竞争方法。
Jul, 2021
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
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
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
本研究提出了一个基于神经脉冲的建模框架,使得 SNN 网络可以直接应用于处理图形数据。通过空时展开的神经脉冲数据流,我们将图形卷积滤波器与神经脉冲动力学相结合,并提出了一种适用于 SNN 的空时特征归一化技术 (STFN),并将其实例化为两个脉冲图形模型。在三个节点分类基准上验证了我们的模型的性能,包括 Cora,Citeseer 和 Pubmed。实验结果表明,我们的方法与现有的图神经网络 (GNN) 模型相比具有可比性,但计算成本明显更低,可以在神经形态硬件上得到很好的应用。
Jun, 2021