Aug, 2024

深度学习驱动的智能服装用于多功能睡眠行为监测

HTML
PDF
TL;DR本研究解决了在家中利用简单可穿戴设备识别复杂睡眠模式的挑战，特别是与不同睡眠相关疾病有关的模式。采用打印在智能服装领口区域的超敏应变传感器阵列，结合深度学习算法，该系统能以98.6%的准确率实时识别六种睡眠状态。此外，其可解释性和广泛的适用性使其成为下一代连续睡眠监测的有前景工具。
发现论文，激发创造
  • 体育锻炼对睡眠的影响：一项基于深度学习的探索

    本文探讨了利用深度学习建立基于actigraphy数据的睡眠质量预测模型，并使用卷积神经网络在原始穿戴式传感器输出上进行建模以提高睡眠质量的预测价值，使得睡眠和身体活动研究的数据预处理不再需要，简化了整个工作流程

    Jul, 2016

  • 使用卷积神经网络基于活动监测的睡眠/清醒模式检测

    该研究利用深度卷积神经网络来识别睡眠/清醒状态，以拓展标准的“睡觉”和“清醒”活动空间，进一步研究睡眠/清醒状态与丛集性头痛发作的关系。

    Feb, 2018

  • 使用卷积神经网络预测睡眠质量

    利用卷积神经网络结构对现代智能科技中可捕获的人类睡眠数据进行分类，提高睡眠阶段识别精度，并在三个公开数据集上与传统机器学习方法如逻辑回归、决策树、K最近邻、朴素贝叶斯和支持向量机进行基准测试的性能表现进行对比，以此为未来研究模拟奠定基础。

    Apr, 2022

  • 从长期生活日志监测和改善个性化的睡眠质量

    本文提出了一个基于多源客观和主观数据的计算框架来监测个体睡眠质量，并通过数据驱动的个性化反馈来提高睡眠质量。基于PMData数据集的洞察和不同生活事件及不同水平SQ之间的发现模式来实现反馈。使用深度学习模型(PerSQ)基于长期异构数据和考虑carry-over effect，相较于基线模型，获得更高的预测性能。一项个案研究还表明个人可以通过该模型监测和改善其睡眠质量。

    Nov, 2022

  • 利用卷积神经网络和集成学习从可穿戴设备预测睡眠质量

    本文介绍了利用可穿戴设备识别睡眠阶段的方法，并使用NetHealth数据集和深度学习算法Convolutional Neural Networks和传统的Random Forest进行了比较。

    Mar, 2023

  • 智能压力电子垫：用于人体睡眠姿态和动态活动识别

    基于压电电阻材料Velostat的智能压力电子垫(SPem)系统，采用深度神经网络(DNNs) 进行信号处理和识别，可以用于各种人体活动的监测，具有更灵活的应用和商业化前景。

    May, 2023

  • 一种基于光谱和活动信号的特征简化机器学习睡眠-清醒分类模型

    睡眠阶段的分类对于评估睡眠质量至关重要，本论文提出了一种基于eXtreme Gradient Boosting算法和光折光法信号、活动计数来提取特征的机器学习睡眠-清醒分类模型，性能优于其他方法，并适用于具有有限计算能力的可穿戴设备。

    Aug, 2023

  • SlAction：使用红外视频的非侵入式、轻巧的阻塞性睡眠呼吸暂停检测

    SlAction是一个非侵入性的OSA检测系统，使用红外视频在日常睡眠环境中检测睡眠呼吸暂停综合症。通过分析最大的睡眠视频数据集，建立呼吸暂停与睡眠期间的人体动作之间的相关性，并使用轻量级深度神经网络对资源受限设备进行处理，实现平均87.6%的OSA检测准确率。

    Sep, 2023

  • ZzzGPT: 提升睡眠质量的交互式GPT方法

    本文通过引入基于大型语言模型（LLM）的两阶段框架，结合GLOBEM数据集和XGBoost等模型，研究技术在理解睡眠模式方面的作用，以提供准确的睡眠预测和可行的反馈，从而改善智能可穿戴设备在睡眠监测中用户的参与度。

    Oct, 2023

  • 利用可扩展的深度学习注释睡眠深度指数，为睡眠健康提供新的数字生物标志物

    提出了一种使用深度学习方法对睡眠深度指数进行自动标注的方法，验证了该方法在整夜睡眠中捕捉到更详细的结构，并通过睡眠生物标记物对睡眠质量和失眠症状的评估取得了显著差异。

    Jul, 2024