Sep, 2023

利用 EOG 增强医疗保健：一种新的睡眠阶段分类方法

PDF
TL;DR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。
automated sleep stage classificationeog signalsse-resnet-transformer modelsleep disorder investigationswearable technology
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

  • 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

  • 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

  • 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

  • 从 EEG 到红外视频的跨模态蒸馏：看见你的睡眠阶段

    本文提出了使用红外视频来识别睡眠阶段，通过将 EEG 知识提炼至视觉信息的方法来实现。为了建立一个坚实的跨模态基准，作者还开发了一个新数据集（S3VE），包括 105 个受试者和 154,573 个视频剪辑，达 1100 个小时长。使用基于结构感知对比提炼的新模型（SACD）在 S3VE 和现有跨模态数据集上均取得最先进的性能。

    Aug, 2022

  • 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

    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。

    Jul, 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

    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。

    Aug, 2023

  • 利用脑电信号屏蔽自编码器从多导睡眠监测中重建多信号

    基于单通道脑电图的遮蔽自编码器，我们的研究旨在通过发展一个只需单个脑电图测量的系统来进行多信号多导睡眠图（PSG）的重构，结果显示本模型成功地重构了多信号数据，为开发更易于获取且长期监测的睡眠系统提供了潜在可能性。

    Nov, 2023

  • 利用预训练的深度学习模型进行睡眠阶段分类

    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