Nov, 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

PDF
TL;DR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。
polysomnographysleep disorderssingle-channel eegmasked autoencodersleep monitoring systems
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

  • SLEEPNET：基于深度学习的自动睡眠分期系统

    提出了一种基于深度递归神经网络的睡眠分期自动化诊断工具 SLEEPNET，其在超过 10000 名患者的数据集上进行了训练，并在独立测验中展现出高于 85％的准确性与 79％左右的算法 - 专家间一致性，可实现专业水平的睡眠诊断。

    Jul, 2017

  • 多模式睡眠呼吸暂停检测

    在本研究中，我们提出了一个综合的流程，用于在进行睡眠呼吸暂停检测时弥补缺失或嘈杂的模态。与其他现有研究不同，我们的模型可以使用任意组合的可用模态，并在各种可用数据子集和不同的噪声水平下优于其他先进方法，即使在高水平的噪声或缺失情况下，其性能仍保持较高（AUROC>0.9）。这在噪声和缺失水平较高的情况下（如儿科或诊所外的场景）尤为重要。

    Feb, 2024

  • PSG 信号中的阿尔茨海默病检测

    阿尔茨海默病和睡眠障碍之间存在紧密联系，睡眠模式的中断经常在轻度认知障碍（MCI）和早期 AD 发作之前出现。本研究探讨利用通过多导睡眠监测仪（PSG）获得的与睡眠相关的脑电图（EEG）信号用于早期 AD 检测的潜力。我们主要关注于探索半监督深度学习技术用于 EEG 信号分类，这是由于临床场景中数据可用性有限的特点。实验方法包括测试和比较半监督 SMATE 和 TapNet 模型的性能，并与监督 XCM 模型和无监督的隐马尔科夫模型（HMMs）进行比较评估。研究强调了空间和时间分析能力的重要性，对每个睡眠阶段进行独立分析。结果表明，SMATE 在利用有限标记数据方面取得了稳定的度量结果，并在监督形式下达到了 90% 的准确率。比较分析揭示了 SMATE 在性能上优于 TapNet 和 HMM，而 XCM 在监督场景中以 92-94% 的准确率表现出色。这些发现强调了半监督模型在早期 AD 检测中的潜力，特别是在应对标记数据稀缺性方面。消融测试验证了空间 - 时间特征提取在半监督预测性能中的关键作用，并通过 t-SNE 可视化验证了模型在区分 AD 模式方面的熟练性。总体而言，这项研究通过创新的深度学习方法为 AD 检测的进展做出了贡献，突出了半监督学习在应对数据限制方面的重要作用。

    Apr, 2024

  • 利用 EOG 增强医疗保健：一种新的睡眠阶段分类方法

    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

  • 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

  • 标准多导睡眠图像数据与耳内脑电信号的比较分析：初步研究

    睡眠监测中，聚睡眠图是一种常用的评估睡眠障碍的基准，然而它不舒适、不方便家庭使用且在睡眠质量评估中引入了偏差，因此有必要探索一种非侵入性、经济实惠且便携的替代方案。本研究旨在建立一种评估耳内脑电信号与标准聚睡眠图相似性的方法，结果表明耳内脑电信号与聚睡眠图信号的相似性较高，表明它是一种有价值的家庭睡眠监测解决方案，但需要进行更大规模、更多领域的进一步研究。

    Jan, 2024

  • 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

  • DeepSleepNet：基于原始单通道脑电信号的自动睡眠分期评分模型

    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

  • 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