Sleep Stage Scoring Using Joint Frequency-Temporal and Unsupervised Features
如果睡眠障碍患者了解自己的特殊情况,他们可以更好地管理自己的生活方式。通常可以通过分析从患者收集的多个生命信号来检测这种睡眠障碍。为了简化这项任务,已经提出了许多自动睡眠阶段识别(ASSR)方法。这些方法中的大多数使用已经从生命信号中提取的时间-频率特征。然而,由于睡眠信号的非平稳性质,这样的方案不会导致可接受的精度。最近,人们提出了一些ASSR方法,这些方法使用深度神经网络进行无监督特征提取。在本文中,我们提出了结合这两种思想,并同时使用时频和无监督特征。为了提高时间分辨率,每个标准历元被分割成5个子历元。此外,为了提高准确率,我们采用了三个不同属性的分类器,然后使用集成方法作为最终的分类器。仿真结果表明,该方法提高了传统ASSR方法的准确性。
2020-04-10 cs.LG eess.SP
Siamese Sleep Transformer For Robust Sleep Stage Scoring With Self-knowledge Distillation and Selective Batch Sampling
Korea University(高丽大学)
在本文中,我们提出了一个连体睡眠Transformer(SST),有效地提取功能,从单通道原始脑电图信号强大的睡眠阶段评分。尽管在过去几年中睡眠阶段评分有了显著的进步,但大多数主要集中在模型性能的增加上。然而,其他问题仍然存在:数据集中的标签的偏见和重复训练模型性能的不稳定性。为了缓解这些问题,我们提出了SST,一种新的睡眠阶段评分模型与选择性批量抽样策略和自我知识蒸馏。为了评估模型对标签偏差的鲁棒性,我们使用不同的数据集进行训练和测试:睡眠心脏健康研究和Sleep-EDF数据集。在这种情况下,SST在睡眠阶段评分中表现出竞争力。此外,我们证明了选择性批量抽样策略的有效性,通过重复训练降低了性能的标准差。这些结果表明,SST提取了有效的学习特征,克服了数据集标签的偏见,选择性批量抽样策略有助于模型在训练中的鲁棒性。
2022-12-12 cs.AI cs.HC cs.LG
LG-Sleep: Local and Global Temporal Dependencies for Mice Sleep Scoring
University of Rochester(罗切斯特大学);University of Copenhagen(哥本哈根大学);Goergen Institute for Data Science(戈根数据科学研究所)
提出LG-Sleep深度神经网络架构,通过时间分布卷积神经网络和长短期记忆模块提取EEG信号的局部与全局时间依赖性,以自动编码器-解码器方式优化,实现小鼠睡眠评分并在有限样本下表现优异。
2024-12-19 cs.LG
Automatic Sleep Staging of EEG Signals: Recent Development, Challenges, and Future Directions
Aarhus University(奥胡斯大学)
现代深度学习在改变人类睡眠的临床实践方面具有巨大的潜力。教一台机器执行常规任务将大大减少临床医生的工作量。睡眠分期是睡眠实践中的一个基本步骤,是一个合适的任务,也是本文的重点。最近,自动睡眠分期系统已经被训练成模仿人工评分,至少在健康受试者的评分方面,其表现与人类睡眠专家相似。尽管取得了巨大的进步,但我们还没有看到自动睡眠评分在临床环境中广泛采用。本文旨在就自动睡眠分期的最新发展、仍需解决的挑战以及自动睡眠评分实现临床价值的未来方向提供作者的共同观点。
2022-05-09 cs.AI cs.LG eess.SP
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
DeepSleepNet-Lite: A Simplified Automatic Sleep Stage Scoring Model with Uncertainty Estimates
University of Bern(伯尔尼大学);University of Applied Sciences and Arts of Southern Switzerland(瑞士南部应用科学与艺术大学)
深度学习广泛应用于最新的自动睡眠评分算法中。它的受欢迎程度源于其出色的性能以及直接处理原始信号和从数据中学习特征的能力。大多数现有的评分算法利用非常计算要求的架构,由于其大量的训练参数,并处理输入中的长时间序列(长达12分钟)。这些架构中只有少数提供了模型不确定性的估计。在这项研究中,我们提出了DeepSleepNet-Lite,一个简化和轻量级的评分架构,只处理90秒的EEG输入序列。我们利用,第一次在睡眠评分,蒙特卡罗辍学技术,以提高性能的架构,也检测到不确定的情况。在开源Sleep-EDF扩展数据库的单通道EEG Fpz-Cz上进行评价。与现有的最先进的架构相比,DeepSleepNet-Lite在整体准确性、宏F1评分和Cohen's kappa方面的性能略低(在Sleep-EDF v1-2013 +/-30分钟上:84.0%,78.0%,0.78;在Sleep-EDF v2-2018 +/-30分钟上:80.3%,75.2%,0.73)。蒙特卡罗丢弃使得能够估计不确定的预测。通过拒绝不确定的实例,该模型在两个版本的数据库上都实现了更高的性能(Sleep-EDF v1-2013 +/-30分钟:86.1.0%,79.6%,0.81; Sleep-EDF v2-2018 +/-30分钟:82.3%,76.7%,0.76)。我们的轻度睡眠评分方法为实时睡眠分析评分算法的应用铺平…
2021-08-24 cs.LG
Towards Sleep Scoring Generalization Through Self-Supervised Meta-Learning
University of Bern(伯尔尼大学)
在这项工作中,我们介绍了一种新的元学习方法睡眠评分的基础上自监督学习。我们的方法旨在构建睡眠评分模型,该模型可以在不同的患者和记录设施中推广,但不需要对目标数据进行进一步的调整。为了实现这一目标,我们将我们的方法建立在模型不可知的元学习(MAML)框架之上,通过引入自监督学习(SSL)阶段,并将其称为S2MAML。我们表明,S2MAML可以显着优于MAML。性能的提高来自SSL阶段,我们基于一个通用的伪任务,该任务将过拟合限制在训练数据集中存在的特定于主题的模式。我们证明了S2MAML在SC,ST,ISRUC,UCD和CAP数据集上的性能优于标准监督学习和MAML。
2022-07-27 cs.LG
Do Not Sleep on Traditional Machine Learning: Simple and Interpretable Techniques Are Competitive to Deep Learning for Sleep Scoring
Ghent University(根特大学);imec(比利时微电子研究中心)
在过去的几年里,自动睡眠评分的研究主要集中在开发越来越复杂的深度学习架构上。然而,最近这些方法只取得了很小的改进,往往是以需要更多的数据和更昂贵的培训程序为代价的。尽管所有这些努力及其令人满意的性能,自动睡眠分期解决方案尚未在临床环境中广泛采用。我们认为,大多数用于睡眠评分的深度学习解决方案在现实世界中的适用性有限,因为它们很难训练、部署和复制。此外,这些解决方案缺乏可解释性和透明度,而这往往是提高采用率的关键。在这项工作中,我们使用经典的机器学习重新审视睡眠阶段分类的问题。结果表明,具有竞争力的性能可以实现与传统的机器学习管道组成的预处理,特征提取,和一个简单的机器学习模型。特别是,我们分析了一个线性模型和一个非线性(梯度提升)模型的性能。我们的方法在两个公共数据集上超越了最先进的(使用相同的数据):Sleep-EDF SC-20(MF 1 0.810)和Sleep-EDF ST(MF 1 0.795),同时在Sleep-EDF SC-78(MF 1 0.775)和MASS SS 3(MF 1 0.817)上获得了有竞争力的结果。我们表明,对于睡眠阶段评分任务,工程特征向量的表达能力与深度学习模型的内部学习表示相当。这一观察结果为临床采用打开了大门,因为代表性特征向量允许利用传统机器学习模型的可解释性和成功记录。
2022-12-14 cs.AI cs.LG eess.SP
Automatic Sleep Stage Scoring with Single-Channel EEG Using Convolutional Neural Networks
Imperial College London(帝国理工学院)
我们使用卷积神经网络(CNN)进行基于单通道脑电图(EEG)的自动睡眠阶段评分,以在不使用先验领域知识的情况下学习用于分类的任务特定过滤器。我们使用了来自20名健康年轻人的公开数据集进行评估,并应用了20倍交叉验证。我们在CNN的随机梯度下降(SGD)优化中使用了类平衡随机采样,以避免偏向最具代表性的睡眠阶段的性能。我们在所有受试者中实现了较高的平均F1评分(81%,范围79-83%),各个睡眠阶段的平均准确率(82%,范围80-84%)和总体准确率(74%,范围71-76%)。通过分析和可视化我们的CNN学习的过滤器,我们发现过滤器学习的规则与人类专家遵循的美国睡眠医学学会(AASM)手册中的睡眠评分标准相对应。我们的方法的性能是跨类平衡,我们的结果是与手工设计的功能的最先进的方法相媲美。我们表明,在不使用先验领域知识的情况下,CNN可以自动学习区分不同的正常睡眠阶段。
2016-10-05 cs.LG stat.ML
Inter-database validation of a deep learning approach for automatic sleep scoring
Haaglanden Medisch Centrum(海牙兰登医学中心)
在这项工作中,我们描述了一种新的自动睡眠分期的深度学习方法,并通过在广泛的睡眠分期数据库上解决其泛化能力来进行验证。在独立的本地和外部泛化场景的上下文中评估预测能力。有效地,通过比较两个过程,可以更好地推断该方法在睡眠分期的一般参考任务上的预期性能,而不管来自特定数据库的数据。此外,我们研究了一种新的方法的基础上使用的合奏个别本地模型的适用性,并评估其对所产生的数据库间泛化性能的影响。验证结果显示,与人类专家协议的预期水平以及最先进的自动睡眠分期方法相比,
2020-09-22 cs.LG cs.PF eess.SP
Automated scoring of pre-REM sleep in mice with deep learning
FH Aachen University of Applied Sciences(亚琛应用科学大学);University of Tübingen(蒂宾根大学)
对动物睡眠进行评分的劳动密集型手动任务的可靠自动化可以促进长期睡眠研究的分析。近年来,基于深度学习的系统从数据中学习最佳特征,提高了清醒、REM和非REM等经典睡眠阶段的评分准确性。同时,人们已经认识到,过渡阶段的统计数据,如前快速眼动,发现之间的非快速眼动和快速眼动,可能持有额外的洞察睡眠的生理学,现在正在生动的调查。我们提出了一个分类系统的基础上,一个简单的神经网络架构,评分的经典阶段,以及前REM睡眠小鼠。当仅限于经典阶段时,优化的网络显示出最先进的分类性能,在雄性C57 BL/6 J小鼠中的样本外F1得分为0.95。当不受限制时,与经典阶段相比,网络在REM前表现出较低的F1分数(0.5)。这一结果与之前对其他物种过渡阶段的评分(如大鼠的过渡睡眠或人类的N1睡眠)相当。然而,我们观察到,包括REM前的预测序列通常从非REM过渡到REM,反映了人类评分员观察到的睡眠动态。我们的研究结果为过渡睡眠阶段的评分难度提供了进一步的证据,这可能是因为这些睡眠阶段在典型的数据集中代表性不足,或者显示出较大的评分者间差异。我们还提供了源代码和在线平台,以便使用我们经过训练的网络进行预测。
2021-06-16 cs.LG q-bio.QM
Multi-Scored Sleep Databases: How to Exploit the Multiple-Labels in Automated Sleep Scoring
University of Bern(伯尔尼大学);University of Applied Sciences and Arts of Southern Switzerland(瑞士南部应用科学与艺术大学);Politecnico di Torino(都灵理工大学)
研究目的:多导睡眠图评分中的评分者间差异是一个众所周知的问题。大多数现有的自动睡眠评分系统都是使用由单个评分器注释的标签进行训练的,其主观评价被转移到模型中。当来自两个或更多评分者的注释可用时,评分模型通常在评分者共识上进行训练。平均得分者的主观性被转移到模型中,丢失了关于不同得分者之间的内部变化的信息。在这项研究中,我们的目标是插入不同的医生的多知识到培训过程中。我们的目标是优化模型训练,利用可以从一组评分者的共识中提取的全部信息。方法:我们在三个不同的多评分数据库上训练两个轻量级的基于深度学习的模型。我们利用标签平滑技术与软共识(LSSC)分布一起插入多知识的模型的训练过程。我们引入平均余弦相似性度量(ACS)来量化由LSSC模型生成的催眠密度图与由评分者共识生成的催眠密度图之间的相似性。结果:当我们用我们的LSSC训练模型时,模型的性能在所有数据库上都有所提高。我们发现,在用LSSC训练的模型生成的催眠密度图和共识生成的催眠密度图之间,ACS增加(高达6.4%)。结论:我们的方法绝对能够使模型更好地适应评分者群体的共识。未来的工作将集中在不同的评分架构,并希望大规模异构的多得分数据集的进一步调查。
2023-02-12 cs.LG
Intra- and Inter-epoch Temporal Context Network (IITNet) Using Sub-epoch Features for Automatic Sleep Scoring on Raw Single-channel EEG
Korea Atomic Energy Research Institute(韩国原子能研究院);Gwangju Institute of Science and Technology (GIST)(光州科学技术院)
提出了一种名为IITNet的深度学习模型,用于从原始单通道EEG中学习时期内和时期间的时间上下文以进行自动睡眠评分。为了从半分钟的EEG中对睡眠阶段进行分类,称为一个时期,睡眠专家调查了与睡眠相关的事件,并考虑了所发现的事件之间的过渡规则。类似地,IITNet通过残差神经网络在子时期级别提取代表性特征,并通过双向LSTM从特征序列中捕获时期内和时期间的时间上下文。当序列长度(L)从1增加到10时,针对三个数据集研究性能。IITNet实现了与其他国家的最先进的结果相媲美的性能。SleepEDF(L=10)、MASS(L=9)和SHHS(L = 10)的最佳准确度、MF 1和Cohen's kappa($κ$)分别为83.9%、77.6%、0.78、86.5%、80.7%、0.80和86.7%、79.8%、0.81。虽然用了四个纪元,但性能仍然相当。与使用单个时期相比,平均而言,N1、N2和REM的准确度和MF1分别增加了2.48%p和4.90%p,F1分别增加了16.1%p、1.50%p和6.42%p。四个时期以上,性能改善不显著。研究结果表明,考虑到最新的两分钟原始单通道EEG可以是通过深度神经网络进行睡眠评分的合理选择,具有效率和可靠性。此外,基线实验表明,引入具有深度残差网络的时间内上下文学习有助于提高整体性能,并与时间间上下文学习具有积极的协同效应。
2020-06-10 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
Bridging AI and Clinical Practice: Integrating Automated Sleep Scoring Algorithm with Uncertainty-Guided Physician Review
University of Bern(伯尔尼大学);University of Applied Sciences and Arts of Southern Switzerland(瑞士南部应用科学与艺术大学);Inselspital, Bern University Hospital(伯尔尼大学医院);Ohio Sleep Medicine Institute(俄亥俄睡眠医学研究所)
本研究将不确定性估计融入自动睡眠分期算法U-Sleep,通过医师审查少量不确定时段即可达到高一致性,显著降低临床工作负担。
2023-12-22 cs.AI cs.LG eess.SP
A multi-level interpretable sleep stage scoring system by infusing experts' knowledge into a deep network architecture
University of California, Irvine(加州大学欧文分校)
近年来,深度学习在包括计算机视觉、图像和信号处理在内的广泛领域显示出潜力和效率。然而,由于缺乏算法决策和结果的可解释性,用户应用程序仍然面临翻译挑战。这种黑箱问题对于高风险应用(如医疗相关决策)尤其成问题。目前的研究目标是设计一个可解释的深度学习系统,用于睡眠阶段评分的脑电图(EEG)时间序列分类,作为设计透明系统的一步。我们开发了一种可解释的深度神经网络,它包括一个基于内核的层,该层基于人类专家在多导睡眠图记录的视觉分析中用于睡眠评分的一组原则。基于内核的卷积层被定义并用作系统的第一层,并可供用户解释。从EEG信号的微观结构(如训练的核和每个核对检测阶段的影响)到宏观结构(如阶段之间的过渡),在四个层次上解释训练的系统及其结果。所提出的系统表现出更大的性能比以前的研究和解释的结果表明,该系统学习的信息是一致的专家知识。
2022-07-11 cs.LG
Automatic Classification of Sleep Stages from EEG Signals Using Riemannian Metrics and Transformer Networks
Normandie Univ(诺曼底大学);UNICAEN(卡昂大学);ENSICAEN(卡昂高等工程师学院);CNRS(法国国家科学研究中心);LAMSADE(决策实验室);PSL University Paris-Dauphine(巴黎第九大学(PSL大学巴黎多芬学院));Normandie Université(诺曼底大学);INSERM(法国国家健康与医学研究院);CHU Caen(卡昂大学医院中心)
本文提出 SPDTransNet,利用协方差矩阵时间序列和保持 SPD 性质的特征融合机制进行 EEG 睡眠阶段分类,在单数据集及多数据集实验中达到或超过最先进性能。
2024-10-18 cs.LG eess.SP
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
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
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
Automated Classification of Sleep Stages and EEG Artifacts in Mice with Deep Learning
Emory University(埃默里大学);University Hospital Tübingen(图宾根大学医院);University of Tübingen(图宾根大学);Technische Universität Dresden(德累斯顿工业大学);German Center for Neurodegenerative Diseases (DZNE)(德国神经退行性疾病中心);FH Aachen University of Applied Sciences(亚琛应用技术大学)
睡眠评分是睡眠研究中一项必要且耗时的任务。在动物模型(如小鼠)或人类中,将这一繁琐的过程自动化有望促进长期研究,并促进睡眠生物学成为一个数据驱动的领域。我们引入了一个深度神经网络模型,该模型能够从EEG和EMG记录中预测小鼠的不同意识状态(清醒,非REM,REM),并对样本外数据进行了出色的评分。预测是在4秒长度的时期上进行的,并且时期被分类为无伪影或无伪影。模型架构借鉴了深度学习和卷积神经网络研究的最新进展。与以前的自动睡眠评分方法相比,我们的模型不依赖于手动定义的数据特征,而是自动学习预测特征。我们希望像我们这样的深度学习模型能够广泛应用于不同的领域,自动化许多以前难以解决的重复性认知任务。
2018-09-22 cs.LG q-bio.QM
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 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
Unsupervised domain transfer: Overcoming signal degradation in sleep monitoring by increasing scoring realism
American Academy of Sleep Medicine(美国睡眠医学学会)
本文提出无监督方法应对移动睡眠监测中任意信号退化,通过增加hypnogram现实性提升Cohen's kappa评分,但未达到理论最优性能。
2026-04-15 cs.LG cs.NA math.NA
1D Convolutional Neural Network Models for Sleep Arousal Detection
Tampere University(坦佩雷大学);Aalto University(阿尔托大学);Qatar University(卡塔尔大学)
睡眠唤醒将睡眠深度过渡到更浅的阶段。这些事件的发生通常被认为是一种保护机制,以警告身体有害的刺激。因此,准确的睡眠觉醒检测可以导致对潜在原因的增强理解,并影响睡眠质量的评估。以前的研究和指南表明,睡眠觉醒主要与EEG信号中的突然频率偏移有关,但所提出的规则不足以全面表征觉醒。本研究调查了最近五种卷积神经网络(CNN)在睡眠觉醒检测中的应用,并进行了比较评估,以确定该任务的最佳模型。所研究的最先进的CNN模型最初是为图像或语音处理而设计的。在2018年心脏病学挑战赛中,对PhysioNet/Computing提供的基准数据集进行了一组详细的评估,结果显示,最好的1D CNN模型的精确度-召回率和ROC曲线下面积分别达到了0.31和0.84的平均值。
2019-03-01 cs.LG eess.SP stat.ML
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
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
NanoSleep: A Parameter-Efficient Hybrid Temporal Convolutional Network for Single-Channel Sleep Stage Classification
School of Computing, Wichita State University(威奇托州立大学计算学院)
本研究提出参数高效的混合时间卷积网络NanoSleep,解决单通道EEG睡眠分期分类中模型体积大的问题,经实验验证其在准确率与效率间实现平衡,适用于资源受限设备
2026-08-20 cs.LG
EEG Sleep Stage Classification with Continuous Wavelet Transform and Deep Learning
University of Applied Science and Technology(应用科技大学);MZG Consulting(MZG咨询公司);Institute of Electrical and Electronics Engineers(电气与电子工程师协会);Baku State University(巴库国立大学)
本研究提出基于连续小波变换和集成学习的自动睡眠分期框架,在Sleep-EDF扩展数据库上达到88.37%准确率,优于传统方法,媲美深度学习。
2025-10-08 cs.AI cs.LG
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
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
Actigraphy-based Sleep/Wake Pattern Detection using Convolutional Neural Networks
Teva R&D(梯瓦研发)
常见的医疗条件往往与睡眠异常有关。与健康人相比,患有医学疾病的患者通常睡眠质量较差,这反过来又可能使疾病的症状恶化。准确检测睡眠/觉醒模式对于开发个性化数字标记物非常重要,这些标记物可用于客观测量和有效的疾病管理。大数据技术和先进的分析方法有望彻底改变临床研究流程,使数字数据有效地融入临床试验。活动记录仪是一种非侵入性活动监测方法,广泛用于检测和评估活动和运动障碍,并评估睡眠/觉醒行为。为了研究睡眠/觉醒模式与丛集性头痛障碍之间的联系,在临床试验过程中使用可穿戴设备收集活动数据。这项研究提出了两种新的建模方案,利用深度卷积神经网络(CNN)来识别睡眠/觉醒状态。所提出的方法是一个顺序的CNN,让人想起双向CNN的插槽填充,和多任务学习(MTL)为基础的模型。此外,我们通过添加"入睡"和"午睡"状态来扩展标准的"睡眠"和"清醒"活动状态空间。我们表明,所提出的方法提供了有前途的结果,在准确检测的扩展睡眠/觉醒状态。最后,我们探讨了检测到的睡眠/觉醒模式和丛集性头痛发作之间的关系,并提出了初步的意见。
2018-02-22 cs.LG
Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal
University of A Coruna(拉科鲁尼亚大学);Instituto de Investigacion Biomedica de A Coruña (INIBIC)(拉科鲁尼亚生物医学研究所);Complexo Hospitalario Universitario de A Coruña (CHUAC)(拉科鲁尼亚大学医院)
睡眠问题已成为世界范围内的主要疾病之一。为了解决这个问题,专家使用的基本工具是多导睡眠图,这是睡眠期间记录的不同信号的集合。在记录之后,专家必须根据标准指南之一对不同的信号进行评分。此过程是手动执行的,这可能非常耗时并且非常容易出现注释错误。因此,多年来,人们探索了许多方法,试图支持专家完成这项任务。在本文中,基于卷积神经网络的方法,其中进行了深入的比较,以确定使用多个信号同时作为输入的方便性。此外,这些模型还被用作总体模型的一部分,以检查是否可以从双信号模型无法识别的时间处的单个信号处理中提取任何有用的信息。已经通过使用称为扩展睡眠EDF的众所周知的数据集进行了测试,该数据集是最常用的数据集,作为该问题的基准。这些测试是在患者身上进行的留一交叉验证,这确保了培训和测试之间没有可能的污染。由此产生的建议是一个比以前发表的网络更小的网络,但它克服了以前任何模型在同一数据集上的结果。最好的结果表明,与人类专家相比,准确率为92.67%,Cohen's Kappa值超过0.84。
2021-03-30 cs.AI cs.LG
A Convolutional Network for Sleep Stages Classification
CITIC Universidade da Coruña(拉科鲁尼亚大学CITIC);Sleep Center & Clinical Neurophysiology Haaglanden Medisch Centrum(海牙兰登医疗中心睡眠中心与临床神经生理学)
睡眠阶段分类是睡眠研究中的一项重要任务。它涉及同时分析睡眠期间记录的多个信号。然而,它是复杂和乏味的,甚至训练有素的专家可以花几个小时来评分一个单一的夜间录音。过去,有多种自动方法试图解决这些问题,其中大多数方法是通过对为特定数据集设计的特征向量进行分类。在这项工作中,我们使用深度学习模型来避免这种偏见,该模型在没有人为干预的情况下学习相关特征。特别是,我们提出了一个5个卷积网络的集合,在对500个睡眠记录的数据集进行分类时,其kappa指数为0.83。
2019-02-15 cs.LG q-bio.NC
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
Exploiting Spatial-temporal Data for Sleep Stage Classification via Hypergraph Learning
Ant Group(蚂蚁集团);Wuhan University of Technology(武汉理工大学)
提出动态学习框架STHL,利用超图编码时空数据,通过空间和时间超边构建节点相关性,进行类型特定超图学习,在睡眠阶段分类中优于现有最先进模型。
2023-09-05 cs.LG eess.SP
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
sDREAMER: Self-distilled Mixture-of-Modality-Experts Transformer for Automatic Sleep Staging
University of Rochester(罗切斯特大学);University of Copenhagen(哥本哈根大学)
针对自动睡眠分期中模态交互有限且缺乏统一模型的问题,提出 sDREAMER 模型,通过混合模态专家架构和自蒸馏训练方案增强跨模态交互,支持多通道训练与单/多通道推理,性能优于现有 Transformer 方法。
2025-01-27 cs.AI cs.LG
Diagnosis of Pediatric Obstructive Sleep Apnea via Face Classification with Persistent Homology and Convolutional Neural Networks
University of Alberta(阿尔伯塔大学)
阻塞性睡眠呼吸暂停是一种严重的疾病,会引起一系列的健康问题,尤其是在儿科人群中。然而,如果诊断是可能的,这种慢性疾病可以治疗。诊断的金标准是过夜睡眠研究,这通常是许多潜在患有这种疾病的人无法获得的。因此,我们试图开发一种快速的非侵入性诊断工具,通过训练一个分类器的2D和3D面部图像的患者,以识别与阻塞性睡眠呼吸暂停相关的面部特征。在这项比较研究中,我们考虑了计算拓扑领域的持久同源性和几何形状分析以及卷积神经网络,这是一种来自深度学习的强大方法,其在图像,特别是面部识别方面的成功已经被计算机科学家证明。
2019-10-26 cs.CV cs.LG stat.ML
PedSleepMAE: Generative Model for Multimodal Pediatric Sleep Signals
Department of Computer Science(计算机科学系);Department of Industrial Design(工业设计系);School of Data Science and Society(数据科学与社会学院)
PedSleepMAE是首个利用掩码自编码器处理多模态儿科睡眠信号的生成模型,在睡眠分期和异常检测上与监督学习相当,并能生成逼真信号用于检索、异常检测和缺失通道插补。
2024-11-01 cs.LG
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
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
SleepNet: Automated Sleep Analysis via Dense Convolutional Neural Network Using Physiological Time Series
在这项工作中,构建了一个密集的递归卷积神经网络(DRCNN),用于使用2018年Physionet挑战数据库中提供的多导睡眠图(PSG)测量通道检测睡眠障碍,包括觉醒、呼吸暂停和呼吸不足。我们的模型结构由多个密集卷积单元(DCU)组成,然后是双向长短期记忆(LSTM)层,然后是softmax输出层。睡眠事件,包括睡眠阶段,唤醒区域和多种类型的呼吸暂停和呼吸不足的专家手动注释,使我们能够训练我们提出的网络使用多任务学习机制。将对应于睡眠/唤醒、目标唤醒和呼吸暂停-呼吸不足/正常检测任务的三个二进制交叉熵损失函数相加,以生成使用Adam方法优化的整体网络损失函数。我们的模型性能使用两个指标进行评估:准确率-召回率曲线下面积(AUPRC)和受试者工作特征曲线下面积(AUROC)。为了衡量我们的模型泛化,还进行了4重交叉验证。为了训练,我们的模型被应用于完整的夜间记录数据。最后,在我们的测试数据集中,与觉醒检测任务相关的平均AUPRC和AUROC值分别为0.505和0.922。在不同数据折叠上训练的四个模型的集合将AUPRC和AUROC分别提高到0.543和0.931。我们提出的算法在2018年Physionet挑战赛的官方阶段获得了第一名,用于在盲测数据集上检测睡眠觉醒,AUPRC为0.54。
2019-07-24 cs.LG cs.NE q-bio.NC
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
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
S4Sleep: Elucidating the design space of deep-learning-based sleep stage classification models
本研究系统探索了睡眠分期深度学习模型的编码器-预测器架构设计空间,提出了集成结构化状态空间模型的稳健架构,在睡眠心脏健康研究数据集上显著优于现有方法,并为其他时间序列标注任务提供借鉴。
2025-01-23 cs.LG eess.SP stat.ML
Deep Neural Dynamic Bayesian Networks applied to EEG sleep spindles modeling
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
我们提出了一个生成模型的单通道EEG,结合了专家在视觉评分过程中积极执行的约束。该框架采用动态贝叶斯网络的形式,在潜变量和观测可能性中具有深度,而隐变量控制持续时间,状态转换和鲁棒性,观测架构参数化正态伽马分布。由此产生的模型允许通过利用概率模型和深度学习将时间序列分割成局部的、重复发生的动态状态。与典型的检测器不同,我们的模型在没有预处理的情况下(例如,滤波、开窗、阈值化)或后处理(例如,事件合并)。这不仅使模型对实时应用有吸引力,而且还产生了类似于已知临床标准的可解释的超参数。我们通过动态规划和反向传播的广义期望最大化的一个特殊情况下,推导出精确的,易于处理的推理算法。我们在三个公共数据集上验证了该模型,并支持更复杂的模型能够超越最先进的检测器,同时是透明的,可审计的和可推广的。
2021-03-03 cs.LG eess.SP
A Closed-loop Sleep Modulation System with FPGA-Accelerated Deep Learning
University of Toronto(多伦多大学)
闭环睡眠调节是治疗睡眠障碍和增强睡眠益处的新兴研究范式。然而,两个主要障碍阻碍了这一研究范式的广泛应用。首先,受试者通常需要有线连接到机架安装仪器进行数据采集,这会对睡眠质量产生负面影响。其次,常规的实时睡眠阶段分类算法给出有限的性能。在这项工作中,我们克服了这两个限制,通过开发一个睡眠调制系统,支持设备上的闭环操作。睡眠阶段分类使用由低功耗现场可编程门阵列(FPGA)设备加速的轻量级深度学习(DL)模型来执行。DL模型使用单通道脑电图(EEG)作为输入。两个卷积神经网络(CNN)用于捕获一般和详细特征,双向长短期记忆(LSTM)网络用于捕获时变序列特征。使用8位量化来降低计算成本而不影响性能。DL模型已经使用包含81名受试者的公共睡眠数据库进行了验证,达到了85.8%的最新分类准确率和79%的F1分数。所开发的模型也显示出被推广到不同的通道和输入数据长度的潜力。闭环同相听觉刺激已在测试台上得到证实。
2022-11-19 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
End-to-end Sleep Staging with Raw Single Channel EEG using Deep Residual ConvNets
Bangladesh University of Engineering and Technology(孟加拉国工程技术大学)
人类一生中大约有三分之一的时间在睡觉,这使得监测睡眠成为健康不可或缺的一部分。本文提出了一种用于端到端睡眠分级的34层深度残差ConvNet架构。该网络以原始单通道脑电信号(Fpz-Cz)为输入,每30秒产生一段睡眠图注释作为输出。在扩展的PhysioNet Sleep-EDF数据集上针对两种不同的评分标准(5和6阶段分类)进行实验,该数据集包含来自医院和家庭多导睡眠图设置的多源数据。所提出的网络的性能进行了比较,在病人独立的验证任务的国家的最先进的算法。实验结果表明,该网络的优越性相比,现有的最好的方法,提供了一个相对改善的逐时平均精度为6.8%和6.3%的家庭数据和多源数据,分别。代码在Github上公开。
2019-04-23 cs.CV 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
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
Multitaper Spectral Estimation HDP-HMMs for EEG Sleep Inference
MIT Department of BCS(麻省理工学院脑与认知科学系);MIT Department of EECS(麻省理工学院电子工程与计算机科学系);Harvard-MIT HST(哈佛-麻省理工健康科学与技术项目);SEAS Department of Harvard(哈佛大学工程与应用科学学院);MGH Department of Anesthesia, Critical Care and Pain Medicine(麻省总医院麻醉、重症监护与疼痛医学科)
神经活动的脑电图(EEG)监测被广泛用于睡眠障碍诊断和研究。护理标准是将EEG时域迹线的30秒时期手动分类为5个离散睡眠阶段。不幸的是,这种评分过程是主观和耗时的,并且所定义的阶段不能捕获健康和临床神经动力学的异质景观。这促使人们寻找一种数据驱动和原则性的方法来识别睡眠期间出现的突出的、重复出现的大脑状态的数量和组成。为此,我们提出了一个分层狄利克雷过程隐马尔可夫模型(HDP-HMM),结合广义平稳(WSS)时间序列谱估计构建个性化的主体睡眠状态的生成模型。此外,我们采用多锥度谱估计,以进一步减少固有的有限长度的EEG测量的谱估计的大方差。通过将我们的方法应用于模拟和人类睡眠数据,我们得到了三个主要结果:1)贝叶斯非参数自动算法,该算法恢复了睡眠的一般时间动态,2)在典型睡眠阶段内识别特定于受试者的“微观状态”,以及3)发现具有跨受试者共享频谱特征的阶段依赖子振荡。
2018-05-18 cs.LG eess.SP stat.AP