通过脑电图信号检测睡眠期间的氧气饱和度下降
本文通过机器学习,探讨了使用大型神经网络来检测与败血症相关的 A B D(呼吸暂停、心动过缓和低氧血症)事件。结果表明,即使数据集非常有限和不平衡,大型神经网络的检测性能也足以在临床治疗中使用,并且比目前流行的两种机器学习算法更加高效。
Nov, 2017
提出了一种基于 S 峰检测的特征提取方法,使用单导联 ECG 来增强睡眠呼吸暂停的检测,并使用卷积神经网络进行训练,实现了比现有方法更高的准确性和敏感度,并表明该机器学习系统有望成为检测睡眠呼吸暂停的有效方法。
Aug, 2022
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
使用仅基于病人血氧水平数据(可通过廉价指尖传感器测量)训练的深度学习模型,能够比有机会浏览现代手术室所有数据的经过训练的麻醉医生更准确地预测低血氧症的发生风险。我们也能够通过赋予病人过去血氧值的权重,提供一种简单的方式来可视化病人风险高低的原因。此工作具有在低资源环境中提供尖端临床决策支持的潜力,这些地区的手术并发症和死亡率显著高于高资源地区。
Dec, 2017
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
我们引入一种基于熵的分类方法 (ECPS) 用于量化心率和逐拍血压记录中的相互依赖关系。该方法的目的是为每个主体获取两个交织数据系列组成的数据,并基于序数模式和类似熵的指数构建一个分类器。使用机器学习选取最适合我们分类问题的一组指数,以便建立一个对于区分患有阻塞性睡眠呼吸暂停症的患者和对照组的最优且简单的模型。
Nov, 2023
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
使用自监督学习技术对无标签的脑电信号数据进行了处理,获得了比使用有标签数据的监督学习深度神经网络更好的效果,并揭示了不同的生理和临床现象之间的潜在结构。
Jul, 2020
通过对 156 篇 DL 和 EEG 论文的回顾和分析,发现 DL 在 EEG 信号识别方面取得了 5.4% 的精度提升,但大多数论文难以复现,因此提出了建议以支持该领域的进一步发展。
Jan, 2019