CVPRApr, 2024

SleepVST: 使用预训练转换器从近红外视频信号进行睡眠分期

PDF
TL;DR通过相机采集的生理监测进展，我们可以非接触性地测量呼吸和心脏脉搏，而这些指标可以反映出睡眠阶段的信息。因此，我们提出了 SleepVST，一种基于 Transformer 模型的睡眠分期分类方法，通过预训练和应用于视频数据，SleepVST 在睡眠分期中取得了领先的表现。
发现论文，激发创造
  • 利用近红外视频摄像头测量的生命体征和活动进行的深度学习睡眠分期

    利用视频数据和深层迁移学习的方法，通过心率、呼吸速率和活动度等参数对睡眠进行分类，其在 50 名正常志愿者数据集上实现了 73.4% 的准确率和 Cohen's kappa 系数 0.61，成为基于视频的睡眠分级的最新研究水平。

    Jun, 2023

  • 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

  • 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

  • TransSleep：基于转换感知的注意力机制深度神经网络用于睡眠分期

    提出一种称为 TransSleep 的新颖深度神经网络结构，使用具有上下文的信息，采用多尺度特征提取器模块、阶段混淆估计器模块和上下文编码器模块，用于睡眠分期，取得了良好的自动分期性能，并在 Sleep-EDF 和 MASS 数据集上展示出最先进的性能表现。

    Mar, 2022

  • 利用视频转换器进行瞬时生理估计

    本文提出了一种基于视频 Transformer 的方法，从面部视频中估计瞬时心率和呼吸率，并在大规模 Vision-for-Vitals 基准测试中取得优异表现，尤其在瞬时呼吸率估计方面超越了基于浅层和深度学习的方法。

    Feb, 2022

  • 从 EEG 到红外视频的跨模态蒸馏：看见你的睡眠阶段

    本文提出了使用红外视频来识别睡眠阶段，通过将 EEG 知识提炼至视觉信息的方法来实现。为了建立一个坚实的跨模态基准，作者还开发了一个新数据集（S3VE），包括 105 个受试者和 154,573 个视频剪辑，达 1100 个小时长。使用基于结构感知对比提炼的新模型（SACD）在 S3VE 和现有跨模态数据集上均取得最先进的性能。

    Aug, 2022

  • SleepPPG-Net2：基于光电容积脉搏图的深度学习睡眠分期通用化

    该研究旨在开发一种可推广的深度学习模型，用于从原始 PPG 生理时间序列中进行四类（清醒、浅睡眠、深睡眠和快速眼动（REM））睡眠分期任务，并与其他优秀模型进行对比评估。SleepPPG-Net2 模型在性能上表现出更高的优势，并且可以根据年龄、性别和睡眠呼吸暂停的严重程度进行个性化表现。

    Apr, 2024

  • 多视角声谱图变换器用于呼吸音分类

    提出了一种 Multi-View Spectrogram Transformer (MVST) 模型，将深度神经网络应用于呼吸音频谱图的分类，通过将 mel-spectrogram 分为不同大小的 patches，使用 transformer encoders 提取 patches 之间的注意力信息，并设计了一种门控融合机制来加强多视图特征，在呼吸音分类任务上明显优于现有最先进方法。

    Nov, 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

  • 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