评估睡眠阶段分类:年龄和早晚睡眠如何影响分类绩效
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
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
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
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
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
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
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
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
本文提出了一种基于卷积神经网络的联合分类和预测框架,以及一个简单有效的 CNN 架构,用于自动睡眠分期。在 Sleep-EDF 和 Montreal Sleep Datasets 上进行的实验结果表明,该框架具有优越性能并且优于常见分类方案和现有的深度学习方法。
May, 2018