Sep, 2023

利用预训练的深度学习模型进行睡眠阶段分类

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 关于人工智能在睡眠阶段分类和睡眠障碍检测中的系统回顾和荟萃分析

    通过对最近的文献进行综合性、系统性的回顾和荟萃分析，本研究旨在分析使用人工智能进行的睡眠研究中不同方法和其结果，包括睡眠阶段分类和睡眠障碍检测。

    May, 2024

  • 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

  • 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

  • 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

  • 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

  • 传统机器学习不容忽视：简单且可解释的技术在睡眠评分方面与深度学习相竞争

    本研究比较了使用工程特征向量的传统机器学习模型（包括线性模型和梯度提升模型）与使用深度学习模型在睡眠暂停得分任务中的表现，并在公共数据集上展示了其具有竞争力的性能。观察到工程特征向量的表达力与深度学习模型内部学习的表示相当，这使得传统机器学习模型具有更好的可解释性和成功的历史，可以在临床中得到更好的应用。

    Jul, 2022

  • 混合神经网络方法用于时间睡眠阶段分类

    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

  • S4Sleep: 深度学习基于睡眠阶段分类模型的设计空间阐明

    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

  • MorpheusNet: 嵌入式在线系统的资源高效睡眠阶段分类器

    睡眠阶段分类是一项需耗费大量时间的任务，该论文介绍了一种基于深度学习的算法，能够实时预测睡眠阶段并适用于嵌入式设备，经过量化优化后模型体积大幅减小，性能与现有最先进模型相当。

    Jan, 2024