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
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
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
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
这篇研究论文旨在提出一种名为 “EEGMobile” 的机器学习模型,通过利用脑信号的脑电图(EEG)频谱图进行预训练并学习,对睡眠阶段进行准确高效的分类,从而提高对睡眠相关现象的理解,改善疾病治疗效果。该模型在公开数据集 “Sleep-EDF20” 上实现了 86.97% 的准确率,尤其在 N1 睡眠阶段达到了 56.4% 的准确率,超过了其他研究者提出的模型,表明该模型具有更好的治疗该疾病的潜力。
Sep, 2023
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
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
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
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
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