通过脑电图识别失眠

Feb, 2024

Insomnia Identification via Electroencephalography

Olviya Udeshika, Dilshan Lakshitha, Nilantha Premakumara, Surangani Bandara

TL;DR该研究利用深度学习方法提出了一个鉴定失眠症的智能解决方案，通过提取从频谱和时间领域得到的一组最佳特征，包括相对功率、绝对慢波功率、力量比率等，用于准确量化失眠症患者与健康对象的差异，并且开发了一个基于一维卷积神经网络模型的分类过程。通过使用 50 名失眠患者和 50 名健康受试者的 Fp2 和 C4 EEG 通道进行实验，该模型在没有睡眠阶段注释的情况下达到了 99.34% 的准确率，从而为失眠症患者提供了一种智能解决方案，能简化当前的睡眠监测硬件并改善家庭内的动态监测。

Abstract

insomnia is a serious sleep disorder caused by abnormal or excessive neural activity in the brain. An estimated 50 million people worldwide are thought to be affected by this condition, which is the second most severe neurological disease after stroke. In order to ensure a quick recove

insomnia deep learning diagnosis 1d cnn model sleep monitoring

发现论文，激发创造

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

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

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

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

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

使用卷积神经网络基于活动监测的睡眠 / 清醒模式检测

该研究利用深度卷积神经网络来识别睡眠 / 清醒状态，以拓展标准的 “睡觉” 和 “清醒” 活动空间，进一步研究睡眠 / 清醒状态与丛集性头痛发作的关系。

Feb, 2018

临床数据中用于癫痫检测和分类的卷积神经网络

该论文介绍了使用临床脑电图数据和卷积神经网络对癫痫发作进行检测和分类的方法，由于不同年龄、健康状况和临床环境的患者数据的复杂性，使用深度学习方法取得了 0.68 和 0.67 的灵敏度和特异度，取得了显著的进展。

Mar, 2019

基于信号处理和深度神经网络的优化脑电情绪检测

本研究使用电脑建立了一个基于神经网络的智能决策模型，通过 EEG 检测来识别人类主观情绪，并采用一些信号处理技术和算法，实验结果表明该模型能够提高情绪检测的准确性。

Mar, 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

一种基于 EEG 的帕金森病诊断方法：使用胶囊网络

本文提出了一种基于脑电图的方法来诊断帕金森病，通过使用插值方法将脑电图信号的频带能量映射到二维图像中，并使用胶囊网络（CapsNet）进行分类，短期 EEG 部分的正确率达到 89.34％。通过在不同 EEG 带上分类的比较，我们发现在伽马波段的分类准确性最高，暗示我们需要更加关注早期 PD 患者的伽马波段的变化。

Dec, 2021