SleepEEGNet: Automated Sleep Stage Scoring with Sequence to Sequence Deep Learning Approach
Northern Arizona University(北亚利桑那大学);Ngee Ann Polytechnic(义安理工学院);Singapore University of Social Sciences(新加坡社会科学大学);University of Malaya(马来亚大学)
脑电图(EEG)是一种用于监测大脑活动和诊断睡眠障碍的常见基础信号。对于睡眠专家来说,手动睡眠阶段评分是一项耗时的任务,并且受到评分者间可靠性的限制。在本文中,我们提出了一个自动的睡眠阶段注释方法称为SleepEEGNet使用单通道EEG信号。SleepEEGNet由深度卷积神经网络(CNN)组成,用于提取时不变特征,频率信息和序列到序列模型,以捕获睡眠时期和分数之间的复杂和长期短期上下文依赖关系。此外,为了减少现有睡眠数据集中存在的类别不平衡问题的影响,我们应用了新的损失函数,以便在训练网络时每个睡眠阶段都有相等的误分类错误。我们在不同的单EEG通道上评估了所提出的方法(即,Fpz-Cz和Pz-Oz EEG通道),来自2013年和2018年发布的Physionet Sleep-EDF数据集。评价结果表明,该方法实现了最好的注释性能相比,目前的文献,与84.26%的整体准确率,宏观F1分数为79.66%和科恩的Kappa系数= 0.79。我们开发的模型可以测试更多的睡眠EEG信号,并帮助睡眠专家做出准确的诊断。源代码可在https://github.com/SajadMo/SleepEEGNet上获得。
2019-03-05 cs.LG eess.SP q-bio.QM
MSED: a multi-modal sleep event detection model for clinical sleep analysis
Technical University of Denmark(丹麦技术大学);Stanford University(斯坦福大学);University Hospital of Copenhagen(哥本哈根大学医院)
临床睡眠分析需要人工分析睡眠模式,以正确诊断睡眠障碍。然而,几项研究表明,临床相关的离散睡眠事件,如觉醒,腿部运动,睡眠呼吸障碍(呼吸暂停和呼吸不足)的手动评分显着的变化。我们研究了自动方法是否可以用于事件检测,以及在所有事件上训练的模型(联合模型)是否比相应的特定于事件的模型(单事件模型)表现更好。我们在1653个单独的记录上训练了一个深度神经网络事件检测模型,并在1000个单独的保留记录上测试了优化模型。对于觉醒、腿部运动和睡眠呼吸障碍,优化的联合检测模型的F1评分分别为0.70、0.63和0.62,而优化的单事件模型的F1评分分别为0.65、0.61和0.60。根据检测到的事件计算的指数值与手动注释呈正相关(分别为$r^2$ = 0.73、$r^2$ = 0.77、$r^2$ = 0.78)。我们还根据时间差异度量量化了模型的准确性,与单事件模型相比,使用联合模型整体上有所提高。我们的自动模型联合检测觉醒,腿部运动和睡眠呼吸障碍事件与人类注释高度相关。最后,我们对以前最先进的多事件检测模型进行了基准测试,发现尽管模型大小减少了97.5%,但我们提出的模型的F1分数总体增加。训练和推断的源代码可在https://github.com/neergaard/msed.git上获得。
2023-03-05 cs.CV cs.LG eess.SP
Towards a Flexible Deep Learning Method for Automatic Detection of Clinically Relevant Multi-Modal Events in the Polysomnogram
Technical University of Denmark(丹麦技术大学);Stanford University(斯坦福大学);University Hospital Copenhagen(哥本哈根大学医院);Telecom ParisTech(巴黎高等电信学院);Universite Paris-Saclay(巴黎-萨克雷大学);Dreem(Dreem公司)
在过去的几年里,人们对自动睡眠分期算法给予了很大的关注,但是在睡眠研究中检测离散事件对于精确表征睡眠模式和诊断睡眠障碍也是至关重要的。我们在这里提出了一个深度学习模型,用于自动检测和注释唤醒和腿部运动。这两种情况在正常睡眠期间都很常见,而过量的任何一种都与睡眠模式中断,影响生活质量的日间过度嗜睡以及各种睡眠障碍有关。我们的模型在1,485名受试者身上进行了训练,并在1,000个独立的睡眠记录上进行了测试。我们测试了两种不同的实验设置,发现通过在我们的默认模型中包含一个递归神经网络模块,并使用动态默认事件窗口(F1 = 0.75)来实现最佳唤醒检测,而使用静态事件窗口(F1 = 0.65)来实现最佳腿部运动检测。我们的工作显示出希望,同时仍允许改进。具体来说,未来的研究将探索所提出的模型作为一个通用的睡眠分析模型。
2019-05-16 cs.LG eess.SP stat.ML
Automate Obstructive Sleep Apnea Diagnosis Using Convolutional Neural Networks
Wilfird Laurier University(威尔弗里德·劳雷尔大学)
从夜间多导睡眠图(PSG)记录中识别睡眠问题的严重程度在诊断和治疗阻塞性睡眠呼吸暂停(OSA)等睡眠障碍中起着重要作用。这种分析传统上是由专家通过目视检查手动完成的,这可能是繁琐的,耗时的,并且容易出现主观错误。解决方案之一是使用卷积神经网络(CNN),其中卷积和池化层充当特征提取器,并且一些全连接(FCN)层用于对OSA严重性进行最终预测。在本文中,CNN架构与一维卷积和FCN层分类。该项目的PSG数据来自克利夫兰儿童睡眠和健康研究数据库,分类结果证实了所提出的CNN方法的有效性。所提出的一维CNN模型实现了优异的分类结果,而无需手动预处理PSG信号,如特征提取和特征约简。
2020-06-13 cs.LG eess.SP stat.ML
Continuous Sleep Depth Index Annotation with Deep Learning Yields Novel Digital Biomarkers for Sleep Health
National Institute of Health Data Science, Peking University(北京大学健康数据科学国家研究院);Shanghai Jiao Tong University(上海交通大学);Beth Israel Deaconess Medical Center(贝斯以色列女执事医疗中心);Harvard Medical School(哈佛医学院);HeartVoice Medical Technology(心音医疗科技);University of California, San Francisco(加州大学旧金山分校)
针对传统粗粒度睡眠分期的局限性,提出基于深度学习的连续睡眠深度指数自动标注方法,经万余条多导睡眠图验证,可捕捉精细睡眠结构,识别睡眠亚型并产出与疾病及死亡风险相关的新型数字生物标志物。
2024-12-08 cs.HC cs.LG eess.SP
AIOSA: An approach to the automatic identification of obstructive sleep apnea events based on deep learning
Udine University Hospital(乌迪内大学医院);University of Udine(乌迪内大学)
阻塞性睡眠呼吸暂停综合征(OSAS)是最常见的睡眠相关呼吸障碍。它是由睡眠期间增加的上气道阻力引起的,这决定了气流的部分或完全中断。OSAS的检测和治疗在卒中患者中尤其重要,因为严重OSAS的存在与较高的死亡率、更差的神经功能缺损、康复后更差的功能结果以及更高的不受控制的高血压的可能性相关。诊断OSAS的金标准测试是多导睡眠图(PSG)。不幸的是,在一个电气恶劣的环境中,如中风单位,对神经功能受损的患者进行PSG是一项艰巨的任务;而且,每天中风的数量超过了多导睡眠仪和专业医疗保健专业人员的可用性。因此,一个简单的和自动化的识别系统,以确定急性中风患者中的OSAS,依赖于常规记录的生命体征,是可取的。到目前为止,所做的大部分工作都集中在理想条件下记录的数据和高度选择的患者,因此在现实生活中几乎无法利用,在现实生活中,它将被实际使用。在本文中,我们提出了一种卷积深度学习架构,能够降低原始波形数据(如生理信号)的时间分辨率,提取可用于进一步处理的关键特征。我们利用基于这种架构的模型来检测从监测OSAS患者获得的卒中单元记录中的OSAS事件。与现有方法不同,注释以一秒的粒度执行,允许医生更好地解释模型结果。领域专家认为结果令人满意。此外,基于一个广泛使用的基准,我们表明,所提出的方法优于目前最先进的解决方案。
2023-02-10 cs.LG cs.NE
Automated Polysomnography Analysis for Detection of Non-Apneic and Non-Hypopneic Arousals using Feature Engineering and a Bidirectional LSTM Network
Aalto University(阿尔托大学);Tampere University(坦佩雷大学);Northwestern University(西北大学)
目的:本研究的目的是开发一种多导睡眠图(PSG)记录的自动分类算法,以检测非呼吸暂停和非低通气觉醒。我们特别关注的是检测呼吸努力相关的觉醒(RERA),这是非常微妙的呼吸事件,不符合呼吸暂停或呼吸不足的标准,更具有挑战性的检测。研究方法:该算法基于双向长短期记忆(BiLSTM)分类器和465个多域特征,从多模态临床时间序列中提取。这些特征由一组生理启发特征(n = 75)和一组生理不可知特征(n = 390)组成,其中生理启发特征是通过多个特征选择和专家分析步骤获得的,而生理不可知特征是通过散射变换获得的。结果:所提出的算法在2018年PhysioNet挑战数据集上得到了验证。在隐藏测试数据集上,精确率-召回率曲线下面积(AUPRC)的整体性能为0.50。这一成绩与2018年PhysioNet挑战赛后续和正式阶段的第二好成绩并列。结论:结果表明,它是可以自动检测微妙的非呼吸暂停/非低通气觉醒事件从PSG记录。重要性:自动检测细微的呼吸事件,如RERA以及其他非呼吸暂停/非呼吸不足觉醒,将允许对大型PSG数据库进行详细注释。这有助于对睡眠数据进行更好的回顾性分析,这也可能提高治疗质量。
2019-09-06 cs.LG eess.SP stat.ML
Addressing database variability in learning from medical data: an ensemble-based approach using convolutional neural networks and a case of study applied to automatic sleep scoring
Haaglanden Medisch Centrum(哈格兰登医疗中心);University of A Coruña(拉科鲁尼亚大学)
在这项工作中,我们研究了一些与机器学习模型的发展相关的问题,其目标是在常见的任务多数据库场景中实现强大的泛化能力。被称为“数据库变异性问题”,我们专注于一个特定的医疗领域(睡眠分期睡眠医学),以显示翻译的估计模型的本地泛化能力到独立的外部数据库的非平凡。我们分析了当多个数据库数据被用作训练单个学习模型的输入时的一些可扩展性问题。然后,我们介绍了一种新的方法的基础上集成的本地模型,我们展示了它的优势,在数据库间的泛化性能和数据的可扩展性。此外,我们分析了不同的模型配置和数据预处理技术,以确定其对整体泛化性能的影响。为此,我们进行了涉及多个睡眠数据库的实验,并评估了基于卷积神经网络的不同机器学习模型
2020-03-19 cs.LG eess.SP stat.ML
U-Time: A Fully Convolutional Network for Time Series Segmentation Applied to Sleep Staging
University of Copenhagen(哥本哈根大学);Danish Center for Sleep Medicine(丹麦睡眠医学中心);Rigshospitalet(丹麦国家医院)
神经网络在生理时间序列分析中的应用越来越广泛。该领域最成功的深度学习系统结合了卷积层和递归层,以提取有用的特征来建模时间关系。不幸的是,这些循环模型很难调整和优化。根据我们的经验,它们通常需要特定于任务的修改,这使得它们对于非专家来说具有挑战性。我们提出了U-Time,这是一种用于分析睡眠数据的生理时间序列分割的完全前馈深度学习方法。U-Time是一个基于U-Net架构的时间全卷积网络,最初是为图像分割而提出的。U-Time将任意长度的序列输入映射到自由选择的时间尺度上的类标签序列。这是通过隐式地对输入信号的每个单独的时间点进行分类并在固定间隔内聚合这些分类以形成最终预测来完成的。我们评估了U-Time在大量睡眠脑电图(EEG)数据集上的睡眠阶段分类。在所有情况下,我们发现U-Time都达到或优于当前最先进的深度学习模型,同时在训练过程中更加强大,并且不需要跨任务进行架构或超参数调整。
2019-10-24 cs.LG eess.SP stat.ML
Exploring the Efficacy of Convolutional Neural Networks in Sleep Apnea Detection from Single Channel EEG
AI and Computer Engineering International School of Engineering, CMKL University(CMKL大学国际工程学院人工智能与计算机工程系)
针对睡眠呼吸暂停传统诊断金标准PSG的诸多局限,提出基于单通道EEG训练的CNN检测方法,配套预处理、数据集构建及类别不平衡处理方案,准确率达85.1%,为家庭化自动化睡眠呼吸暂停检测提供可行路径。
2025-08-16 cs.LG eess.SP
Detection of Obstructive Sleep Apnoea Using Features Extracted from Segmented Time-Series ECG Signals Using a One Dimensional Convolutional Neural Network
Liverpool John Moores University(利物浦约翰摩尔斯大学)
本文的研究提出了一种一维卷积神经网络(1DCNN)模型,用于从单通道心电图(ECG)信号中捕获的阻塞性睡眠呼吸暂停(OSA)的自动检测。该系统在临床实践中提供了帮助诊断患有OSA的患者的机制。使用1DCNN中最先进的技术,使用卷积,最大池化层和由隐藏层和SoftMax输出组成的全连接多层感知器(MLP)构建模型进行分类。1DCNN提取显著特征,其用于训练MLP。该模型使用分割的ECG信号进行训练,这些信号被分组为具有设定窗口大小的5个唯一数据集。从包含70个夜间心电图记录的注释数据库中选择了35个心电图信号记录。(A组= a01至a20(呼吸暂停),B组= b01至b05(中度),C组= c01至c10(正常)。共记录了6514分钟的呼吸暂停。使用一组标准度量对模型进行评估,这些标准度量显示所提出的模型在使用我们的窗口策略的训练和验证中均实现了高分类结果,特别是W=500(灵敏度0.9705,特异性0.9725,F1得分0.9717,Kappa得分0.9430,对数损失0.0836,ROCAUC 0.9945)。这表明该模型可以高度准确地识别呼吸暂停的存在。
2020-02-03 cs.LG eess.SP stat.ML
1-D Convlutional Neural Networks for the Analysis of Pupil Size Variations in Scotopic Conditions
University of Siena(锡耶纳大学)
众所周知,通过眼动仪记录的瞳孔大小变化的系统分析是关于受试者的觉醒和认知状态的丰富信息源。目前的瞳孔分析方法仅限于描述性统计,在处理广泛的受试者间的变化,必须加上一长串的预处理信号操作的斗争。在本文中,我们提出了一种数据驱动的方法,其中1-D卷积神经网络直接应用于原始瞳孔大小数据。为了测试其有效性,我们将我们的方法应用于两组不同受试者的二元分类任务中:一组帕金森病(PD)老年患者,一组健康成人受试者(HC)。在暗视条件下(完全黑暗,0勒克斯)收集瞳孔大小的远程配准(10分钟)。1-D卷积神经网络模型被训练用于短距离序列的分类(10到60秒的配准)。该模型提供了高的平均准确度的预测保持测试集。发布数据集和代码用于再现性和基准测试目的。
2020-06-19 cs.LG eess.IV stat.ML
Temporal convolutional networks and transformers for classifying the sleep stage in awake or asleep using pulse oximetry signals
IBB - UNER - CONICET(IBB - 国立恩特雷里奥斯大学 - 阿根廷国家科学与技术研究理事会);sinc(i);FICH - UNL - CONICET(FICH - 国立利托拉尔大学 - 阿根廷国家科学与技术研究理事会)
睡眠障碍在世界人口中非常普遍,并且由于其诊断方法的复杂性而遭受普遍的诊断不足。因此,人们对开发更简单的筛选方法越来越感兴趣。脉搏血氧仪是睡眠障碍筛查的理想设备,因为它是一种便携式,低成本和可访问的技术。该设备可以提供心率(HR)的估计,这对于获得关于睡眠阶段的信息是有用的。在这项工作中,我们开发了一种网络架构,目的是仅使用来自脉搏血氧仪的HR信号对清醒或睡眠中的睡眠阶段进行分类。建议的架构有两个基本部分。第一部分的目标是通过使用时间卷积网络来获得HR的表示。然后,所获得的表示被用于馈送第二部分,该第二部分基于Transformers,这是一个仅使用注意力机制构建的模型。Transformers能够对序列进行建模,学习睡眠阶段之间的转换规则。在由5000名健康和病理受试者组成的睡眠心脏健康研究数据集上评估了所提出的方法的性能。数据集分为三个子集:2500用于训练,$1250$用于验证,1250用于测试。总的准确性、特异性、敏感性和Cohen’s Kappa系数分别为90.0%、94.9%、78.1%和0.73。
2021-01-29 cs.LG eess.SP
Predicting Sleeping Quality using Convolutional Neural Networks
Northumbria University(诺森比亚大学)
识别睡眠阶段和模式是诊断和治疗睡眠障碍的重要组成部分。随着智能技术的进步,可以轻松捕获与睡眠模式相关的传感器数据。在本文中,我们提出了一个卷积神经网络(CNN)架构,提高了分类性能。特别是,我们在3个公开的睡眠数据集上对不同方法的分类性能进行了基准测试,包括传统的机器学习方法,如逻辑回归(LR),决策树(DT),k-最近邻(k-NN),朴素贝叶斯(NB)和支持向量机(SVM)。准确性,灵敏度,特异性,精确度,召回率和F分数的报告,并将作为一个基线,以模拟在这个方向的研究在未来。
2022-04-24 cs.AI cs.CV cs.LG
Multi-task deep-learning for sleep event detection and stage classification
CITIC Research Center(CITIC研究中心);Universidade da Coruña(科鲁纳大学)
本文提出一种多任务深度学习方法,通过单次处理同时检测睡眠事件和构建睡眠图,在两个独立数据集上验证了其准确性和泛化能力。
2025-01-16 cs.LG eess.SP
Deep Learning for Sleep Stages Classification: Modified Rectified Linear Unit Activation Function and Modified Orthogonal Weight Initialisation
Charles Sturt University(查尔斯特大学);Asia Pacific International College(亚太国际学院);Worcester State University(伍斯特州立大学);University of Kurdistan Hewler(库尔德斯坦埃尔比勒大学)
背景和目的:睡眠的每个阶段都会影响人体健康,任何阶段睡眠不足都可能导致睡眠障碍,如睡眠异常、呼吸暂停、失眠等。然而,由于分类的高复杂度和低准确度,该分类器尚未成功地实施到睡眠阶段分类系统中。本研究的目的是提高卷积神经网络分类器的分类精度,减少学习时间。方法学:所提出的系统使用修改的正交卷积神经网络和修改的亚当优化技术,以提高睡眠阶段分类的准确性,并减少由于S形激活函数而发生的梯度饱和问题。该系统使用Leaky Rectified Linear Unit(ReLU)代替sigmoid激活函数作为激活函数。结果如下:该系统被称为增强型睡眠阶段分类系统(ESSC),使用六个不同的数据库来训练和测试不同睡眠阶段的模型。这些数据库是都柏林大学数据库(UCD),贝斯以色列女执事医疗中心麻省理工学院数据库(MIT-BIH),睡眠欧洲数据格式(EDF),睡眠EDF扩展,蒙特利尔睡眠研究档案(MASS)和睡眠心脏健康研究(SHHS)。我们的结果表明,梯度饱和问题不再存在。修改后的亚当优化器有助于减少噪声,这反过来又导致更快的收敛时间。结论:与最先进的解决方案相比,ESSC的收敛速度加快,分类精度更高。
2022-02-18 cs.LG eess.SP
Convolutional Monge Mapping Normalization for learning on sleep data
Université Paris-Saclay(巴黎-萨克雷大学);Inria(法国国家信息与自动化研究所);CEA(法国原子能委员会);IP Paris(巴黎综合理工学院);CMAP(应用数学研究中心)
针对脑电等生物信号数据跨受试者、会话和设备的变异性问题,提出卷积蒙日映射归一化方法,通过滤波适配功率谱密度至Wasserstein重心,实现无需重训练的测试时自适应,在睡眠EEG数据上取得与域自适应方法相当的显著性能提升。
2023-11-13 cs.LG eess.SP
Multi-View Spatial-Temporal Graph Convolutional Networks with Domain Generalization for Sleep Stage Classification
Beijing Jiaotong University(北京交通大学);Massachusetts Institute of Technology(麻省理工学院)
睡眠阶段分类对于睡眠评估和疾病诊断至关重要。尽管先前对睡眠阶段进行分类的尝试已经实现了高分类性能,但仍存在若干挑战:1)如何有效地利用来自多通道脑信号的时变空间和时间特征仍然具有挑战性。以往的工作还没有能够充分利用大脑区域之间的空间拓扑信息。2)由于个体生物信号中存在许多差异,如何克服受试者的差异并提高深度神经网络的泛化能力非常重要。3)大多数深度学习方法忽略了模型对大脑的可解释性。为了解决上述挑战,我们提出了一个多视图时空图卷积网络(MSTGCN)与域泛化的睡眠阶段分类。具体来说,我们构建了两个大脑视图图MSTGCN的基础上的功能连接和物理距离接近的大脑区域。MSTGCN由用于提取空间特征的图卷积和用于捕获睡眠阶段之间的过渡规则的时间卷积组成。此外,注意机制被用于捕获最相关的时空信息用于睡眠阶段分类。最后,域泛化和MSTGCN集成到一个统一的框架,以提取主题不变的睡眠特征。在两个公共数据集上的实验表明,该模型优于最先进的基线。
2021-09-04 cs.AI cs.CV cs.LG
Convolutional Monge Mapping between EEG Datasets to Support Independent Component Labeling
Department of Computer and Information Sciences University of Delaware(计算机与信息科学系德克萨斯大学);Twitch Interactive Inc.(Twitch互动公司);Department of Electrical and Computer Engineering Department of Computer and Information Sciences University of Delaware(电气与计算机工程系计算机与信息科学系德克萨斯大学)
本文提出了一种改进的卷积蒙日映射方法,通过两种新方法实现EEG数据集之间的映射,以提高独立成分分类的准确性。
2025-12-03 cs.LG
A CNN-Transformer Deep Learning Model for Real-time Sleep Stage Classification in an Energy-Constrained Wireless Device
University of Toronto(多伦多大学)
本文提出了一种基于单通道EEG数据的自动睡眠阶段分类的深度学习(DL)模型。DL模型具有卷积神经网络(CNN)和Transformers。该模型被设计为在能量和内存受限的设备上运行,以进行本地处理的实时操作。来自公开可用的Sleep-EDF数据集的Fpz-Cz EEG信号用于训练和测试模型。使用四个卷积滤波器层来提取特征并降低数据维数。然后,Transformers被用来学习数据的时变特征。为了提高性能,我们还在推断之前实施了主题特定的训练(即,预测)阶段。对于受试者特定训练,清醒、N1-N3和快速眼动(REM)阶段的F1评分分别为0.91、0.37、0.84、0.877和0.73。该模型的性能与最先进的作品相比,具有显着更大的计算成本。我们在低成本的Arduino Nano 33 BLE板上测试了该模型的缩小版,它功能齐全且准确。未来,将开发具有边缘DL的完全集成的无线脑电信号传感器,用于临床前和临床实验中的睡眠研究,例如实时睡眠调制。
2022-11-20 cs.LG eess.SP
RED: Deep Recurrent Neural Networks for Sleep EEG Event Detection
Universidad de Chile(智利大学)
在睡眠期间,脑电活动呈现出几个短事件,这些短事件可以在脑电图(EEG)中被观察到为独特的微结构,例如睡眠纺锤波和K复合波。这些事件与生物过程和神经系统疾病有关,使其成为睡眠医学的研究课题。然而,手动检测限制了他们的研究,因为它是耗时的,并受到显着的专家间的差异,激励自动方法。我们提出了一种基于卷积和递归神经网络的深度学习方法,用于睡眠EEG事件检测,称为递归事件检测器(RED)。RED使用两种输入表示之一:a)时域EEG信号,或b)用连续小波变换(CWT)获得的信号的复频谱图。与以前的方法不同,避免了固定的时间窗口,并集成了时间上下文,以更好地模仿专家的视觉标准。当在MASS数据集上进行评估时,我们的检测器在睡眠纺锤波和K复合波检测方面的表现优于最先进的水平,平均F1分数分别为至少80.9%和82.6%。虽然CWT域模型获得了类似的性能比它的时域对应,前者允许在原则上更可解释的输入表示由于使用的频谱图。所提出的方法是事件不可知的,可以直接用于检测其他类型的睡眠事件。
2020-10-03 cs.LG eess.SP stat.ML
Enhancing Generalization in PPG-Based Emotion Measurement with a CNN-TCN-LSTM Model
University of Ottawa(渥太华大学)
本文提出一种融合CNN、LSTM与TCN的混合模型,利用PPG信号进行情绪效价与唤醒度分类,实验证明其在跨个体泛化能力上优于现有CNN及CNN-LSTM架构。
2025-07-10 cs.HC cs.LG eess.SP
Sleep syndromes onset detection based on automatic sleep staging algorithm
在本文中,我们提出了一种新的方法和实用的方法来预测早期发作的睡眠综合征,包括不宁腿综合征,失眠,基于算法,由两个模块组成。将快速傅立叶变换应用于30秒长的EEG记录时期以提供局部时间-频率信息,并且训练深度卷积LSTM神经网络用于睡眠阶段分类。从EEG数据自动检测睡眠阶段为解决日常睡眠不规律提供了巨大的潜力。因此,提出了一种结合信号处理和统计学的睡眠阶段分类的新方法。在这项研究中,我们使用了PhysioNet睡眠欧洲数据格式(EDF)数据库。代码评估显示了令人印象深刻的结果,达到了86.43的准确度,77.76的精确度,93.32的召回率,F1分数为89.12,最终平均错误损失为0.09。
2021-07-07 cs.LG eess.SP q-bio.NC
PearNet: A Pearson Correlation-based Graph Attention Network for Sleep Stage Recognition
Macquarie University(麦考瑞大学)
睡眠阶段识别对于评估睡眠和诊断慢性疾病至关重要。深度学习模型,如卷积神经网络和递归神经网络,使用网格数据作为输入进行训练,使它们无法在非欧几里德空间中学习关系。已经开发了基于图形的深度模型来解决这个问题,当研究跨不同大脑区域的电极信号的外部关系时。然而,这些模型不能解决与特定大脑区域内的电极信号段之间的内部关系相关的问题。在这项研究中,我们提出了一个基于Pearson相关性的图形注意力网络,称为PearNet,作为这个问题的解决方案。该方法首先利用分层特征提取方法提取时空特征,生成图节点,然后自适应学习图结构,建立节点连接。基于我们在Sleep-EDF-20和Sleep-EDF-78数据集上的实验,PearNet的性能优于最先进的基线。
2022-10-16 cs.LG eess.SP
SalientSleepNet: Multimodal Salient Wave Detection Network for Sleep Staging
Beijing Jiaotong University(北京交通大学)
睡眠分期是睡眠评估和疾病诊断的基础。尽管以往的睡眠阶段分类尝试已经取得了很高的分类性能,但仍存在一些挑战:1)如何有效地提取多模态睡眠数据中的显著波; 2)如何捕获睡眠阶段之间的多尺度转换规则; 3)如何自适应地抓住特定模态对睡眠分期的关键作用。为了解决这些挑战,我们提出了SalientSleepNet,一个用于睡眠分期的多模态显著波检测网络。具体来说,SalientSleepNet是一种基于$\rm U^2$ -Net架构的时间全卷积网络,最初提出用于计算机视觉中的显著目标检测。它主要由两个独立的$\rm U^2$类流组成,分别从多模态数据中提取显著特征。同时,设计了多尺度提取模块,用于捕获睡眠阶段之间的多尺度转换规则。此外,多模态注意模块提出了自适应捕捉有价值的信息,从多模态数据的特定睡眠阶段。在两个数据集上的实验表明,SalientSleepNet优于最先进的基线。值得注意的是,与现有的深度神经网络模型相比,该模型的参数最少。
2021-05-24 cs.LG eess.SP
Improving snore detection under limited dataset through harmonic/percussive source separation and convolutional neural networks
University of Jaen(哈恩大学)
针对有限数据集下鼾声检测性能受限的问题,提出结合HPSS提取谐波谱图特征输入神经网络的方法,在小样本场景下显著提升检测效果,为OSAS相关声学监测提供技术支持。
2024-10-31 cs.AI cs.ET cs.SD
ProductGraphSleepNet: Sleep Staging using Product Spatio-Temporal Graph Learning with Attentive Temporal Aggregation
Sharif University of Technology(谢里夫理工大学);Massachusetts General Hospital(麻省总医院);Harvard Medical School(哈佛医学院);Georgia Institute of Technology(佐治亚理工学院);Emory School of Medicine(埃默里大学医学院)
睡眠阶段的分类在理解和诊断睡眠病理生理学中起着至关重要的作用。睡眠阶段评分严重依赖于专家的视觉检查,这是耗时且主观的过程。最近,深度学习神经网络方法已被用于开发通用的自动睡眠分期,并考虑可能由固有的受试者间/受试者内变异性、数据集间的异质性和不同记录环境引起的分布变化。然而,这些网络忽略了大脑区域之间的连接,并且忽略了时间相邻的睡眠时段之间的顺序连接。为了解决这些问题,这项工作提出了一种自适应的基于乘积图学习的图卷积网络,名为ProductGraphSleepNet,用于学习联合时空图以及双向门控递归单元和修改的图注意力网络,以捕获睡眠阶段过渡的注意力动态。对两个公共数据库的评估:蒙特利尔睡眠研究档案(MASS)SS 3和SleepEDF,分别包含62名和20名健康受试者的完整夜间多导睡眠图记录,显示性能与最先进的相当(每个数据库的准确度分别为:0.867;0.838,F1评分:0.818;0.774和Kappa:0.802;0.775)。更重要的是,所提出的网络使临床医生能够理解和解释睡眠阶段的学习连接图。
2022-12-09 cs.LG eess.SP
Artifact detection and localization in single-channel mobile EEG for sleep research using deep learning and attention mechanisms
Institute of Biomedical Engineering, Ulm University(生物医学工程研究所,乌尔姆大学);Mobile Health Systems Lab, Department of Health Sciences and Technology, ETH Zurich(移动健康系统实验室,健康科学与技术系,苏黎世联邦理工学院)
该研究针对单通道移动EEG伪影检测的应用局限,提出CNN-CBAM模型,经72份训练、26份测试数据验证,其性能优于6种对比方法,实现了可穿戴睡眠EEG伪影的自动化检测与定位。
2026-08-11 cs.LG eess.SP
TRIER: Template-Guided Neural Networks for Robust and Interpretable Sleep Stage Identification from EEG Recordings
Looxid Labs
神经网络在训练过程中往往会得到次优的表示,这会降低鲁棒性和分类性能。这是将深度学习应用于生物医学领域的一个严重问题,因为模型很容易受到数据不规则性和稀缺性的影响。在这项研究中,我们提出了一种预训练技术,可以在睡眠分期任务中应对这一挑战。受经验丰富的医生用于根据特征波形形状或模板模式的存在对睡眠状态进行分类的传统方法的启发,我们的方法引入了基于余弦相似性的卷积神经网络来从训练数据中提取代表性波形。然后,这些特征引导模型基于模板模式构建表示。通过大量的实验,我们证明了用模板模式指导神经网络是一种有效的睡眠分期方法,因为(1)分类性能显着增强,(2)在几个方面的鲁棒性得到改善。最后但并非最不重要的是,对模型的解释表明,在所提出的方法中,在预测过程中正确地处理了经过训练的专家所利用的显著特征。
2020-09-10 cs.LG eess.SP
Classification of sleep stages from EEG, EOG and EMG signals by SSNet
本文提出端到端深度学习架构SSNet,融合CNN和LSTM从EEG、EOG、EMG信号中提取特征,在Sleep-EDF Expanded和ISRUC-Sleep数据集上实现睡眠阶段分类的最佳性能。
2023-07-03 cs.AI cs.LG eess.SP
A Multi Constrained Transformer-BiLSTM Guided Network for Automated Sleep Stage Classification from Single-Channel EEG
本文提出DenseRTSleep-II架构,结合CNN、Transformer和BiLSTM并引入加权多损失方案,在SleepEDFx数据集上显著超越IIT-Net和DeepSleepNet等现有方法,实现高效的单通道EEG自动睡眠分期。
2023-09-19 eess.SP
Sleep Quality Prediction from Wearables using Convolution Neural Networks and Ensemble Learning
Boğaziçi University(博阿齐奇大学)
睡眠是影响一个人的日常表现、健康和生活质量的最重要因素之一。然而,在日常生活中可以使用可穿戴设备以不显眼的方式测量它。腕戴式设备可以直接通过加速度计、心率和心率变异性传感器进行测量,而不是通过相机记录和从图像中提取状态。一些测量的特征可以如下:上床时间、下床时间、就寝时间、入睡分钟数和醒来后分钟数。文献中有几项关于睡眠质量和阶段预测的研究。然而,他们只使用可穿戴数据来预测或关注睡眠阶段。在这项研究中,我们使用了NetHealth数据集,该数据集通过可穿戴设备以及调查收集了698名大学生。最近,深度学习算法取得了进步,它们通常比传统的机器学习技术表现得更好。其中,卷积神经网络(CNN)具有很高的性能。因此,在这项研究中,我们应用了不同的CNN架构,这些架构在人类活动识别领域已经表现良好,并比较了它们的结果。我们还应用随机森林(RF),因为它在传统方法中表现最好。在未来的研究中,我们将把它们与其他深度学习算法进行比较。
2023-03-08 cs.LG eess.SP
Deep residual networks for automatic sleep stage classification of raw polysomnographic waveforms
Technical University of Denmark(丹麦技术大学);Stanford University(斯坦福大学);Rigshospitalet(国立医院);University of Wisconsin School of Medicine and Public Health(威斯康星大学医学院与公共卫生学院)
我们开发了一种基于深度残差神经网络和原始多导睡眠图信号的自动睡眠阶段分类算法。简单地说,原始数据在随后分类为五个睡眠阶段之一之前通过50个卷积层。三种模型配置在1850个多导睡眠图记录上进行训练,随后在230个独立记录上进行测试。我们表现最好的模型产生了84.1%的准确性和0.746的科恩的kappa值,改善了以前的报告结果,由其他组也只使用原始多导睡眠图数据。大多数错误是在非快速眼动阶段1和3的决定,错误可能是由于这些阶段的定义。需要对独立队列进行进一步测试,以验证临床使用性能。
2018-10-08 cs.CV eess.SP stat.ML
Toward Interpretable Sleep Stage Classification Using Cross-Modal Transformers
University of Moratuwa(莫拉图瓦大学);Harvard University(哈佛大学);Florida International University(佛罗里达国际大学);Aarhus University(奥胡斯大学)
针对深度学习睡眠分期算法的黑盒问题,提出跨模态 Transformer 架构结合多尺度一维卷积进行自动表示学习,在优于现有方法的同时利用注意力机制实现可解释性,并显著减少参数量与训练时间。
2025-04-01 cs.LG eess.SP
A 1D-CNN Based Deep Learning Technique for Sleep Apnea Detection in IoT Sensors
University College Dublin(都柏林大学)
物联网(IoT)支持的可穿戴传感器用于健康监测,被广泛用于降低个人医疗保健成本和提高生活质量。睡眠呼吸暂停低通气综合征,其特征在于呼吸的异常减少或暂停,极大地影响个体的睡眠质量。本文介绍了一种从可穿戴设备获得的心电图(ECG)信号中检测呼吸暂停(呼吸暂停)的新方法。新颖性源于在逐秒的基础上的呼吸暂停检测的高分辨率,并且这是使用用于睡眠呼吸暂停事件的特征提取和检测的一维卷积神经网络来实现的。该方法的准确度为99.56%,灵敏度为96.05%。该模型优于几种分辨率较低的最先进的呼吸暂停检测方法。分析了该模型的复杂性。我们还分析了模型修剪和二值化的可行性,以减少可穿戴物联网设备上的资源需求。稀疏度为80%的剪枝模型的准确率为97.34%,灵敏度为86.48%。二值化模型的准确率为75.59%,灵敏度为63.23%。还研究了从通用模型导出的低复杂度患者特定模型的性能,以分析重新训练现有模型以适应患者特定要求的可行性。患者特异性模型的平均准确度为97.79%,灵敏度为92.23%。这项工作的源代码是公开的。
2021-05-02 cs.LG eess.SP
MC2SleepNet: Multi-modal Cross-masking with Contrastive Learning for Sleep Stage Classification
Seoul National University(首尔大学);Hallym University(翰林大学)
针对睡眠阶段分类中多模态深度学习优化难的问题,提出MC2SleepNet,结合CNN与Transformer,利用对比学习和交叉掩蔽,在SleepEDF-78和SHHS上分别取得84.6%和88.6%的准确率,展现良好泛化性。
2025-02-27 cs.AI eess.SP
Automatic detection of microsleep episodes with deep learning
University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院);Inselspital, Bern University Hospital(伯尔尼大学医院);University of Bern(伯尔尼大学)
短于15秒的短暂睡眠片段被定义为微睡眠事件(MSE),通常被主观认为是困倦。其主要特征是脑电图(EEG)频率减慢,类似于标准的N1阶段睡眠。清醒维持试验(MWT)常用于临床评估警觉性。大多数睡眠-觉醒中心的MWT评分仅限于经典的睡眠定义(30秒时段),在缺乏定义MSE的既定评分标准的情况下,大多数情况下不考虑MSE,但也是因为这项工作很辛苦。我们的目标是通过机器学习自动检测MSE,即基于原始EEG和EOG数据作为输入的深度学习。我们分析了76例患者的MWT数据。专家们对觉醒进行了视觉评分,并根据最近开发的评分标准MSE、微睡眠事件候选者(MSEc)和困倦事件(ED)进行了评分。我们实现了基于卷积神经网络(CNN)和CNN与长短期记忆(LSTM)网络的组合的分割算法。LSTM网络是一种递归神经网络,它对过去的事件有记忆,并将它们考虑在内。53例患者的数据用于训练分类器,12例用于验证,11例用于测试。我们的算法表现出接近人类专家的良好性能。觉醒和MSE的检测非常好,而MSEc和ED的检测很差,类似于这些边界段的低专家间可靠性。我们提供了一个原理证明,基于原始EEG和EOG数据,使用深度神经网络可靠地检测MSE是可行的,其性能接近人类专家。算法代码(https://github.com/alexander-malafeev/microsleep-detection)和数据(https:…
2021-03-02 cs.LG eess.SP stat.ML
A Novel Sleep Stage Classification Using CNN Generated by an Efficient Neural Architecture Search with a New Data Processing Trick
随着自动睡眠分期技术的发展,许多经典的方法如k-means、决策树、支持向量机等被用于自动睡眠分期。然而,很少有方法在ASSC上探索深度学习。同时,大多数深度学习方法需要广泛的专业知识,并且需要大量的手工步骤,这些步骤非常耗时,特别是在处理多分类任务时。在本文中,我们提出了一个有效的五个睡眠阶段的分类方法,使用卷积神经网络(CNN)与一个新的数据处理技巧,我们设计的神经结构搜索(NAS)技术的基础上遗传算法(GA),NAS-G,搜索最佳的CNN架构。首先,我们为每个核函数附加一个自适应系数,以增强对输入信号的信号处理。这可以增强信息特征的传播,并在网络的早期阶段抑制无用特征的传播。然后,充分利用遗传算法的启发式搜索和不需要梯度的优点,搜索CNN的最佳结构。这可以以最小的成本在大的搜索空间中实现比手工制作的CNN具有更好性能的CNN。我们验证了我们的数据处理技巧的收敛性,并比较了使用我们的技巧前后传统CNN的性能。同时,我们比较了通过NAS-G生成的CNN和传统CNN的性能与我们的技巧。实验表明,采用数据处理技巧的CNN比不采用数据处理技巧的CNN收敛速度更快,采用NAS-G生成的数据处理技巧的CNN也优于采用数据处理技巧的人工CNN。
2022-03-19 cs.LG eess.SP
Human Biometric Signals Monitoring based on WiFi Channel State Information using Deep Learning
在本文中,我们首先提出了一个单输入,多输出卷积神经网络,可以通过利用心率和呼吸率之间的潜在联系来同时估计心率和呼吸率。神经网络的输入是由一对WiFi设备收集的信道状态信息的幅度和相位。我们基于WiFi的技术解决了隐私问题,并适用于各种设置。该系统对心率和呼吸率估计的总体准确率分别达到99.109%和98.581%。此外,我们开发并分析了两种基于深度学习的神经网络分类算法,用于对四种类型的睡眠阶段进行分类:唤醒,快速眼动(REM)睡眠,非快速眼动(NREM)浅睡眠和NREM深睡眠。本系统整体分类准确率可达95.925%
2022-03-08 eess.SP
Attentive Dilated Convolution for Automatic Sleep Staging using Force-directed Layout
Department of Electrical and Electronic Engineering, BRAC University(BRAC大学电气与电子工程系);Department of Biomedical Engineering, Linköping University(林雪平大学生物医学工程系);Department of Electrical and Computer Engineering, Texas A&M University(德克萨斯农工大学电气与计算机工程系)
本文提出AttDiCNN模型,通过力导向布局捕捉EEG信号关键信息,结合三个模块提取空间-时间特征,实现高精度睡眠分期。
2026-04-07 cs.CV cs.HC cs.LG
Sleep Staging from Electrocardiography and Respiration with Deep Learning
研究目的:睡眠不仅反映在脑电图上,还反映在心律和呼吸模式上。因此,我们假设有可能根据心电图(ECG)和呼吸信号准确地对睡眠进行分期。方法:使用包括8,682个多导睡眠图的数据集,我们开发了深度神经网络,以根据ECG和呼吸信号对睡眠进行分期。由卷积网络和长短期记忆网络组成的五个深度神经网络被训练成使用心脏和呼吸对睡眠进行分期,包括来自ECG的R峰的定时、腹部和胸部呼吸努力以及这些信号的组合。结果如下:ECG与腹式呼吸努力相结合实现了对所有五个睡眠阶段进行分期的最佳性能,Cohen's kappa为0.600(95%置信区间0.599 - 0.602);以及区分清醒与快速眼动与非快速眼动睡眠的0.762(0.760 - 0.763)。对于年轻参与者和呼吸暂停低通气指数较低的参与者,性能更好,而对于常用的门诊药物,性能更稳定。结论:我们的研究结果证实,心电图和呼吸努力提供了大量的睡眠阶段的信息。它为睡眠研究和应用开辟了新的可能性,其中脑电图不容易获得或可能不可行,例如在危重患者中。
2019-09-16 eess.SP q-bio.NC q-bio.QM
Ensemble of Convolution Neural Networks on Heterogeneous Signals for Sleep Stage Scoring
CITIC;University of A Coruna(拉科鲁尼亚大学);INIBIC;Complexo Hospitalario Universitario de A Coruña(拉科鲁尼亚大学综合医院);Faculty of Computer Science(计算机科学学院)
多年来,有几种方法试图解决对睡眠阶段进行自动评分的问题。虽然任何多导睡眠图通常收集十几种不同的信号,但这个特殊的问题主要是通过使用这些记录中的脑电图来解决的。另一方面,其他记录的信号主要被大多数作品所忽略。本文探讨和比较了使用脑电以外的附加信号的便利性。更具体地说,这项工作使用了SHHS-1数据集,其中有5,804名患者包含同时记录为两个脑电图的肌电图。为了比较结果,首先,使用不同的输入信号及其所有可能的组合来评估相同的架构。这些测试表明,使用多个信号,特别是如果它们来自不同的来源,如何提高分类的结果。此外,获得的一个或多个信号的每个组合的最佳模型已被用于集成模型,其性能进行了比较,显示使用这些多信号模型,以提高分类的便利性。最好的整体模型,一个集成的深度分离卷积神经网络,已经达到了86.06\%的准确度与科恩的Kappa值为0.80和$F_{1}$为0.77。到目前为止,这些是完整数据集上的最佳结果,并且对于数据集中最不常见的类,它在精度和召回率方面都有显着提高。
2021-07-23 cs.LG eess.SP
MSA-CNN: A Lightweight Multi-Scale CNN with Attention for Sleep Stage Classification
Centre for Computational Science and Mathematical Modelling, Coventry University(计算科学与数学建模中心,科文大学);Institute for Infocomm Research, A*STAR(信息通信研究所,A*STAR)
本文提出MSA-CNN,一种轻量级多尺度CNN,通过互补池化和任务分离降低模型复杂度,优于现有模型,在三个数据集上准确率和Cohen's kappa均表现优异。
2026-03-24 cs.LG eess.SP
Retrieving Filter Spectra in CNN for Explainable Sleep Stage Classification
Coventry University(考文垂大学);Institute for Infocomm Research, A*STAR(信息通信研究院,A*STAR)
本研究提出了一种在CNN中检索滤波器光谱的工具,用于提高睡眠阶段分类的可解释性,通过分析EEG通道的光谱信息来增强模型性能。
2025-11-30 eess.SP
Addressing Class Imbalance in Classification Problems of Noisy Signals by using Fourier Transform Surrogates
随机化时间-空间数据的傅里叶变换(FT)相位生成近似来自数据生成分布的示例的代理。我们提出了这样的FT代理作为一种新的工具来增强和分析神经网络的训练,并探讨了睡眠阶段分类的例子中的方法。通过计算原始EEG、EOG和EMG信号的FT替代物,我们平衡了CAPSLPDB睡眠数据库。然后,我们训练和测试了一个用于睡眠阶段分类的卷积神经网络,发现我们基于代理的增强将平均F1分数提高了7%。作为FT代理的另一个应用,我们制定了一种方法来计算个体睡眠时期的显着性图。可视化是基于部分替代短数据段下的推断类概率的响应。为了量化代理和原始数据的分布匹配程度,我们对正确分类示例的代理进行了训练分类器的评估,并在混淆矩阵中总结了这些条件预测。我们展示了如何这样的条件混淆矩阵可以定性地解释类平衡的代理人的性能。FT-代理增强方法可以改善分类噪声信号,如果仔细适应下分析的数据分布。
2019-01-28 eess.SP nlin.CD q-bio.QM
LightSleepNet: Design of a Personalized Portable Sleep Staging System Based on Single-Channel EEG
本文提出轻量级一维CNN架构LightSleepNet,仅用30秒单通道EEG实现移动端正实时睡眠分期,并通过AdaBN与梯度重加权支持免重训练个性化,以极低计算和参数量达到83.8%准确率。
2024-01-24 eess.SP
A-Phase classification using convolutional neural networks
Universidad Autónoma de San Luis Potosí(圣路易斯波托西自治大学)
在NREM睡眠期间,在人类脑电图中可以观察到一系列短事件,称为A相。这些事件可以根据其光谱内容分为三组(A1,A2和A3),并被认为在不同睡眠阶段之间的过渡中发挥作用。A相检测和分类通常由训练有素的专家手动执行,但这是一项繁琐且耗时的任务。在过去的二十年里,各种研究人员设计了算法来自动检测和分类A相,取得了不同程度的成功,但问题仍然存在。在本文中,提出了一种不同的方法:而不是试图为所有科目设计一个通用的分类器,我们建议训练ad-hoc分类器为每个科目使用尽可能少的数据,以大大减少所需的时间量的专家。所提出的分类器是基于深度卷积神经网络,使用EEG信号的对数谱图作为输入数据。结果令人鼓舞,在区分A期和非A期时,平均准确率为80.31%,在A期亚型中分类时,平均准确率为71.87%,只有25%的A期用于训练。当考虑额外的专家验证数据时,子类型分类准确率增加到78.92%。这些结果表明,一个半自动的注释系统与专家的帮助下,可以提供一个更好的替代全自动分类。
2019-07-22 cs.CV eess.IV eess.SP
MEMD-HHT based Emotion Detection from EEG using 3D CNN
在这项研究中,多变量经验模式分解(MEMD)应用于多通道脑电信号,以获得尺度对齐的本征模式函数(IMF)作为输入特征的情绪检测。IMF捕获与情绪变化相关的局部信号变化。在提取的IMF中,高振荡的被认为是显着的预期任务。边缘希尔伯特谱(MHS)是从选定的IMF计算。采用3D卷积神经网络(CNN)来执行具有空间-时间-频谱特征表示的情感检测,所述空间-时间-频谱特征表示通过在连续信号段上堆叠多通道MHS来构造。所提出的方法进行评估的公开可用的DEAP数据库。在效价和唤醒水平(高与低)的二进制分类上,所获得的准确率分别为89.25%和86.23%,这显著优于先前报道的具有2D CNN和/或常规时间和频谱特征的系统。
2022-06-02 eess.SP