Feb, 2024

评估深度学习睡眠分期中长程相关性的重要性

PDF
TL;DR通过研究深度学习睡眠分期模型 S4Sleep (TS)，本文探讨了长程相关性对自动睡眠分期的影响，结果发现增加模型输入大小并不能显著提高性能，这对睡眠分期中的非常长程的相关性的诊断意义产生了怀疑。
long-range correlationsdeep-learning-based sleep stagings4sleep(ts)electroencephalography (eeg)structured state space sequence (s4) models
发现论文，激发创造
  • S4Sleep: 深度学习基于睡眠阶段分类模型的设计空间阐明

    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

  • 可解释性睡眠分期中性能和效用的平衡权衡

    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

  • 合成时间序列预训练的数据高效睡眠分期

    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

  • 基于 HRV 的睡眠分期的 LSTM 知识迁移

    本文介绍了使用心率变异性自动睡眠分期分类的最新技术，提出了一种基于长短时记忆网络（LSTM）的时态模型，使用美国睡眠医学协会注释标准获取手腕运动 PPG 的睡眠分期，在小型数据集上展示了知识转移的成功。

    Sep, 2018

  • 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

  • 使用具有位置预测的 Transformer 进行高效睡眠分期

    无监督学习在睡眠分期方面的研究表明，应用全面的预训练方案能够显著提高性能，减少所需的标记训练数据，因此建议在睡眠分期的自监督学习研究中采用这种方法。

    Mar, 2024

  • 基于个体间相关性的睡眠分期对比学习

    该研究应用深度学习于自动睡眠阶段分类，并通过提出的 MViTime 模型实现了跨主体睡眠阶段分类问题中的交叉主体关联理论，并通过对比学习提供了解决方案。研究结果表明，基于对比学习的跨主体方法在睡眠分期方面取得了最先进的性能。

    May, 2023

  • 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

  • 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

  • 传统机器学习不容忽视：简单且可解释的技术在睡眠评分方面与深度学习相竞争

    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