Mar, 2024

从心跳骤停后预测昏迷神经恢复的多模态深度学习方法

PDF
TL;DR预测心脏骤停后昏迷状态中的神经恢复，使用临床数据和时间序列信号（如多通道脑电图和心电图），本研究展示了多模态的建模方法，基于二维光谱图表示的脑电图信号，结合临床数据和直接从脑电图记录中提取的特征。通过使用转移学习在医学分类中的有效性和局限性，研究表明模型的性能与决策阈值的选择密切相关，并在数据划分中表现出较大的可变性。
发现论文，激发创造
  • 应用脑电图数据进行心脏停跳后昏迷患者的神经系统预后评估：一种具备竞争风险的动态生存分析框架

    本论文介绍了一种动态框架，用于利用脑电图数据对心脏骤停后昏迷患者的神经预后进行预测，并通过比较三种现有的支持竞争风险的动态生存分析模型在实际数据集上的性能，展示了该框架的实验结果。

    Aug, 2023

  • 昏迷患者自身和交叉通道关注机制下的多通道脑电图数据分析

    通过深度学习方法对双极脑电图记录进行预测，在高特异性、减少误报的目标函数优化下，利用多通道脑电图阵列对神经系统不良结局进行有效预测，并通过我们团队提出的 ONG IVS 框架，在挑战性验证数据上取得了 0.57 的得分。

    Sep, 2023

  • 预测中风后康复：基于可解释人工智能的深度学习、多模态数据和特征选择

    机器学习在预测中风后症状及其对康复的反应方面具有巨大潜力。本研究评估了对神经影像数据进行维度降低和特征选择的方法，并提出了使用卷积神经网络 (CNN) 对结合神经影像和表格数据的新方法。研究结果显示，即使数据集规模较小，结合神经影像和表格数据可实现高精度的中风后分类，可以进一步通过使用医院扫描仪中的图像来提高分类准确性。

    Oct, 2023

  • 使用深度卷积循环神经网络进行脑电信号的多模态分类

    本研究提出了一种新的基于深度神经网络的方法来通过 EEG 数据建模认知事件，同时介绍了光流去表示 EEG 的变量信息，并在此基础上构建了一个混合 BCI 康复支持系统，旨在帮助中风患者执行一些基本操作。

    Jul, 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

  • 基于脑电谱时特征的卷积神经网络心算任务分类

    该研究提出了一个浅层卷积神经网络模型，用于评估脑电信号的特征提取和分类，并在有运动障碍的患者中表现出了更好的分类准确性和鲁棒性。

    Sep, 2022

  • 深度表示学习用于开放词汇的脑电图到文本解码

    使用预训练语言模型对无创脑机接口（BCI）通过脑电图（EEG）信号进行解码的潜力进行了研究，提出了一个具有先进表示学习方法的无创脑电记录的端到端深度学习框架，并使用新的评估指标验证了该框架在解码效果方面的优越性。

    Nov, 2023

  • SleepFM: 跨脑活动、心电图和呼吸信号的多模态睡眠表征学习

    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

  • 超复模态脑电和周边生理信号的情绪识别

    通过在超复数域中进行操作，该论文提出了一个带有新型融合模块的超复数多模态网络，实现了从生理信号中的分类情感识别，超越了多模态最先进的网络。

    Oct, 2023

  • 利用迁移学习从 EEG 中进行情感检测

    本研究使用 Resnet50 作为基本模型和 Mean Phase Coherence（MPC）和 Magnitude Squared Coherence（MSC）的组合来识别情绪，结果表明该方法在情感分类方面很有前途。

    Jun, 2023