- 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
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 - 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。
- MorpheusNet: 嵌入式在线系统的资源高效睡眠阶段分类器
睡眠阶段分类是一项需耗费大量时间的任务,该论文介绍了一种基于深度学习的算法,能够实时预测睡眠阶段并适用于嵌入式设备,经过量化优化后模型体积大幅减小,性能与现有最先进模型相当。
- 一种新的双流时频对比预训练任务框架用于睡眠阶段分类
利用自我监督学习解决了许多有监督方法所面临的大量注释数据的需求,本研究在时域和频域中引入了双流预训练任务架构,并在睡眠阶段分类任务中通过引入频率相似性预训练任务,成功地提高了任务精度,并得到了具有意义信息的学习嵌入表示。
- 评估睡眠阶段分类:年龄和早晚睡眠如何影响分类绩效
使用小波进行特征提取,随机森林进行分类的自动睡眠阶段分类方法,评估了受试者年龄和睡眠时间对分类器性能的影响。研究发现,这些变量确实对自动模型的性能产生影响,改善了一些睡眠阶段的分类,但恶化了其他阶段的分类。
- 探索睡眠之深:基于单通道脑电图的睡眠阶段分类与模型可解释性
使用 SE-Resnet-Bi-LSTM 架构对睡眠进行五个阶段的分类,方法基于对单通道脑电图(EEG)的分析,利用 1D-GradCAM 可视化方法解释模型决策过程,研究结果表明该模型在睡眠阶段分类上具有较高的准确率和 F1 分数。
- 通过超图学习利用时空数据进行睡眠阶段分类
本文提出了使用超图对睡眠阶段进行分类的动态学习框架 STHL,它能够同时考虑多模态数据的异质性、互动性以及时空相关性,相比现有模型,在睡眠阶段分类任务中具有更好的性能。
- 利用 SSNet 从 EEG、EOG 和 EMG 信号中分类睡眠阶段
本研究提出了一种端到端的深度学习结构 SSNet,包括基于卷积神经网络(CNN)和长短期记忆(LSTM)的两个深度学习网络,用于通过联合眼电图(EOG)、脑电图(EEG)和肌电图(EMG)的信号分类睡眠阶段。在两个公共数据集上进行了测试,取 - 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 - 脑电预测模型学习的数据增强方法:系统比较
本研究通过 13 种不同数据增强技术在两个不同的预测任务、数据集和模型上的三种实验比较,证明使用适当的数据增强技术可以使在小数据情况下训练的模型精确度提高高达 45%,并且表明适当的数据增强可以在睡眠阶段分类和运动想象脑 - 计算机接口领域 - 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。
- 混合神经网络方法用于时间睡眠阶段分类
本文提出了一种解决单个主动电极应用于睡眠阶段分类的局限性的实际方法,其中利用整流器神经网络和长短期记忆网络来优化分类性能,并找到了单通道 EEG 在额头上的舒适配置,并证明它可以与其他电极一起使用,从而实现了睡眠自动分类的更好性能。