揭示睡眠棒层的频率和时间聚焦
本文提出了一种新的框架,可以自动捕捉到基于权威睡眠医学指导的人类睡眠的脑电图信号的时频特性,并通过使用时间 - 频率补丁序列划分输入的 EEG 频谱图的信息特征和基于注意力的架构并行地有效地搜索划分的时频补丁与睡眠阶段的定义因素之间的相关性来对其进行定义。提出的方法在只使用脑电图信号的情况下,在 Sleep Heart Health Study 数据集上得出了新的最先进结果,分别获得了 0.93、0.88 和 0.87 的 F1 得分,并且具有高达 0.80 kappa 的高度一致性。我们还可视化了睡眠分期决策和所提出方法提取的特征之间的对应关系,为我们的模型提供了强大的可解释性。
Apr, 2022
利用自我监督学习解决了许多有监督方法所面临的大量注释数据的需求,本研究在时域和频域中引入了双流预训练任务架构,并在睡眠阶段分类任务中通过引入频率相似性预训练任务,成功地提高了任务精度,并得到了具有意义信息的学习嵌入表示。
Dec, 2023
本研究提出了一种名为 SleePyCo 的深度学习框架,其中融合了特征金字塔和有监督对比学习的方法,旨在通过对单通道脑电图(EEG)的学习表示以自动睡眠评分,并能够在家庭环境中进行纵向睡眠跟踪,这一框架能够显著提高睡眠评分性能。
Sep, 2022
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
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
本研究介绍了一种新的网络架构 TSFF-Net,它集成了时间 - 空间 - 频率特征,有效地弥补了基于时间序列和时频模态的单模特征提取网络的局限性,用于解码三通道运动想象的分类,结果表明,TSFF-Net 在 EEG 解码方面具有显著优势并为算法增强低通道 EEG 解码提供了有价值的洞见。
Apr, 2023
通过预测随机生成的合成时间序列的频率内容的一种预训练任务,我们的实验表明,我们的方法在数据有限和受试者少的情况下超越完全监督学习,在有很多受试者的情况下与其性能相匹配。此外,我们的结果强调了频率信息对于睡眠阶段判定的相关性,并且还表明,深度神经网络利用除频率以外的信息来提高睡眠分期的准确性,这与以前的研究一致。我们预计我们的方法将在脑 - 机接口等 EEG 数据有限或来源于少数受试者的广泛应用领域中具有优势。
Mar, 2024
本研究提出 DeepSleepNet-Lite,一种简化和轻量级的睡眠评分体系结构,仅处理 90 秒的 EEG 输入序列,并首次使用 Monte Carlo Dropout 技术来提高算法的性能并检测不确定性,以实现实时睡眠分析。评估表明,模型的性能略低于现有的最先进体系结构,但使用推出的睡眠评分方法可以在实时环境下工作。
Aug, 2021
介绍了一种名为 Graph-CSPNet 的基于图的技术,结合时频分析的基本视角,用于 MI-EEG 分类。与 Tensor-CSPNet 不同,该方法在 MI-EEG 分类方面实现了更好的结果。
Oct, 2022
该研究使用多模态多达 14,000 个参与者的超过 100,000 个小时的睡眠记录数据集,开发了 SleepFM 模型,通过对比学习在睡眠阶段分类和睡眠障碍呼吸检测方面的任务表现获得比标准对比学习的表征更好的结果。
May, 2024