Jun, 2024

评估时间背景对自动鼠标睡眠分期的影响：应用人类模型进行评估

PDF
TL;DR本研究通过使用两个能够考虑长期依赖关系的高效人类睡眠分级模型，对三组老鼠的睡眠分级进行了长时间段上下文的扩充研究，发现增加睡眠分级模型的时间窗口对睡眠阶段的分类有积极影响，特别是快速动眼期睡眠，但在更长的时间窗口上影响有限，因此认为当前的老鼠睡眠分级可以受益于更多的时间上下文。
发现论文，激发创造
  • 评估深度学习睡眠分期中长程相关性的重要性

    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。

    Feb, 2024

  • 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

  • 基于注意力的语音识别系统需要多少上下文？

    使用超过 30 秒的声学上下文来训练语音识别模型在文献中很少见，并且缺乏深入研究。本文通过对超长的声学和语言模型进行训练和评估的序列长度进行了研究，结果表明使用大约 80 秒的声学上下文进行训练可以相对提高 14.9% 的性能，并且与当前最先进的系统相比，通过长上下文转换器语言模型的系统组合可以得到具有竞争力的结果。

    Oct, 2023

  • 利用网络进行人口规模的生理感应：睡眠和表现案例研究

    本研究通过对 3 百万晚上的睡眠和 7,500 万互动任务的分析， 提出了有关真实世界中客观测量的睡眠对认知表现的影响的最大研究，并证明了真实世界中的表演受循环节律，钟型（早晨 / 晚上偏好）和前一次睡眠持续时间和时序的影响。我们开发了一个统计模型，证明了睡眠和表现方面的大量工作的效果，展示了缺乏睡眠对真实世界表现的影响，并表明连续两个晚上睡眠不到六个小时会导致表现下降，持续六天。

    Jan, 2017

  • 基于场景上下文的人类长期动作预测

    本文通过提出新的三阶段框架来对人类运动进行长期预测，在考虑环境场景的情况下大大提高了预测准确性，并提供了具有清晰注释的多样化合成数据集来实现稳定的训练和严格的评估。

    Jul, 2020

  • Saliency Revisited: 鼠标移动与凝视的分析

    通过对视觉显著性预测的量化评估，本文探讨最新挑战，包括对模型训练和评估的鼠标跟踪数据和眼动跟踪数据质量的比较，提出了一种考虑文本、面部和对象属性等背景信息的评估方法，并发现在所有测试的注释中没有单一的模型表现最佳。

    May, 2017

  • 域不变表示学习与自动睡眠分期的睡眠动力学建模

    本研究提出了一种基于神经网络的自动睡眠分期模型（DREAM），通过从生理信号中学习领域通用表示并建模睡眠动力学，解决了睡眠分期研究中的几个关键问题，包括主体生理信号的异质性、从未标记的睡眠信号数据中提取有意义信息以改善预测性能的能力、建模睡眠阶段相互关系的困难以及量化预测不确定性的有效机制的缺乏。实验表明，DREAM 在三个数据集上胜过现有的睡眠分期方法；案例研究证明我们的模型可以学习到广义的决策函数，从而在新的主体上表现出良好的预测性能，特别是在测试和训练主体之间存在差异的情况下；使用未标记数据展示了利用未标记的脑电数据的益处；进一步，不确定性量化表明 DREAM 提供了预测的不确定性，使模型可靠，并有助于在实际应用中帮助睡眠专家。

    Dec, 2023

  • 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

  • 推荐系统中在线行为建模：时间上下文的重要性

    本研究探讨了在线推荐系统和离线评估之间的差异，提出了通过纳入时间因素来提高推荐系统性能的训练方法，并在实际数据集中验证了该方法的有效性。

    Sep, 2020