SleepExplain: Explainable Non-Rapid Eye Movement and Rapid Eye Movement Sleep Stage Classification from EEG Signal
Islamic University of Technology(伊斯兰科技大学);Seoul National University(首尔国立大学)
提出SleepExplain模型,使用集成学习(随机森林、XGBoost、梯度提升)对NREM和REM睡眠阶段进行分类,准确率达94.30%,并利用SHAP提供可解释性。
2026-06-05 cs.AI cs.LG
Combining Generative and Discriminative Neural Networks for Sleep Stages Classification
Universitas Indonesia(印度尼西亚大学);Bogor Agricultural University(茂物农业大学)
睡眠阶段模式为诊断睡眠障碍提供了重要线索。通过分析睡眠阶段模式并从EEG、EOG和EMG信号中提取其特征,可以对睡眠阶段进行分类。该研究提出了一种新的分类模型,用于预测睡眠阶段,具有较高的准确性。其主要思想是将深度信念网络(DBN)的生成能力与长短期记忆(LSTM)的区分能力和序列模式识别能力相结合。我们使用的DBN被视为一个自动的更高层次的功能生成器。DBN的输入是先前睡眠阶段研究中使用的28个“手工制作”特征。我们比较了我们的方法与其他技术相结合的DBN和隐马尔可夫模型(HMM)。在这项研究中,我们利用睡眠数据集的序列或时间序列的特点。据我们所知,目前大多数来自多导睡眠图的睡眠分析仅依赖于用于分类的单实例标签(非序列)。在这项研究中,我们使用了两个数据集:一个开放的数据集被视为基准;另一个数据集是我们的睡眠阶段数据集(可供下载),以进一步验证结果。我们的实验表明,DBN与LSTM的组合对于基准数据集和MKG数据集的总体准确率分别为98.75%(Fscore=0.9875)和98.94%(Fscore=0.9894)。这一结果优于目前睡眠分期的91.31%。
2016-10-06 cs.LG cs.NE
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
Ubi-SleepNet: Advanced Multimodal Fusion Techniques for Three-stage Sleep Classification Using Ubiquitous Sensing
Newcastle University(纽卡斯尔大学);Georgia Institute of Technology(佐治亚理工学院)
睡眠是一个基本的生理过程,对维持健康的身心至关重要。临床睡眠监测的黄金标准是多导睡眠图(PSG),根据多导睡眠图,睡眠可以分为五个阶段,包括清醒/快速眼动睡眠(REM睡眠)/非REM睡眠1(N1)/非REM睡眠2(N2)/非REM睡眠3(N3)。然而,PSG价格昂贵,负担沉重,不适合日常使用。对于长期睡眠监测,无处不在的传感可能是一种解决方案。最近,心脏和运动感测在对三阶段睡眠进行分类方面已经变得流行,因为这两种模态都可以容易地从研究级或消费级设备(例如,Apple Watch)。然而,如何最好地融合数据以获得最大的准确性仍然是一个悬而未决的问题。在这项工作中,我们全面研究了基于深度学习(DL)的高级融合技术,包括三种融合策略以及三种融合方法,用于基于两个公开数据集的三阶段睡眠分类。实验结果表明,通过融合心脏/运动传感模态,可以可靠地对三阶段睡眠进行分类,这可能成为进行大规模睡眠阶段评估研究或长期自我跟踪睡眠的实用工具。为了加速无处不在/可穿戴计算社区中睡眠研究的进展,我们将该项目开源,代码可以在https://github.com/bzhai/Ubi-SleepNet上找到。
2021-11-19 cs.AI cs.CV cs.LG
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
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
Sleep Analytics and Online Selective Anomaly Detection
University of Sydney(悉尼大学)
我们引入了一个新的问题,在线选择性异常检测(OSAD),从睡眠科学的研究中出现的一个特定的场景建模。科学家们已经将睡眠分为几个阶段,第二阶段的特征是记录在睡眠受试者身上的EEG时间序列中的两种模式(或异常)。这两种模式是睡眠梭形(SS)和K复合体。OSAD问题被引入设计一个残差系统,其中所有异常(已知和未知)都被检测到,但系统只在出现非SS异常时触发警报。OSAD问题的解决方案要求我们将机器学习和控制理论的技术结合起来。真实数据的实验证明了我们的方法的有效性。
2014-03-02 cs.LG
Edge AI on Constrained Devices for Binary Sleep-Wake Classification in Dynamic Environments
Chemnitz University of Technology(开姆尼茨工业大学);University of Hagen(哈根大学)
本文提出一种在ESP32-S3上运行的边缘AI多模态系统,结合惯性传感与视觉姿态分类,实现动态环境中二值睡眠-清醒检测,准确率达96.5%和89%,验证了隐私保护的本地睡眠监测可行性。
2026-09-25 cs.LG
Lightweight ML-Based Automatic Sleep Staging Framework with Constrained CNN and Mamba for Small-Sample EEG Datasets
School of Electronic Information Engineering, Changchun University of Science and Technology(长春理工大学电子信息工程学院);Jilin University(吉林大学)
针对小样本脑电数据自动睡眠分期面临的挑战,提出GamSleepNet框架,结合改进Gabor核与可学习滤波器提取特征,用曼巴架构构建网络,引入新损失和训练策略,验证了最佳数据集大小,提升了挑战性睡眠阶段识别准确率。
2026-07-07 cs.LG
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
Sleep Stage Classification Using a Pre-trained Deep Learning Model
University of Tehran(德黑兰大学)
针对现有睡眠阶段分类模型耗时长、N1阶段精度低的问题,本研究提出基于预训练模型、利用EEG频谱图学习的EEGMobile模型,在Sleep-EDF20数据集上取得86.97%的整体准确率及56.4%的N1阶段准确率,均优于现有模型,助力睡眠障碍诊疗。
2023-10-06 cs.LG eess.SP
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
Automatic Micro-sleep Detection under Car-driving Simulation Environment using Night-sleep EEG
Korea University(高丽大学)
微睡眠是一种短暂的睡眠,持续1到30秒。在驾驶过程中检测它对于防止可能夺去许多人生命的事故至关重要。脑电(EEG)与意识和睡眠密切相关,适合检测微睡眠。深度学习在识别大脑状态方面表现出色,但需要足够的数据。然而,在驾驶期间收集微睡眠数据是低效的,并且由于嘈杂的驾驶情况而具有获得差的数据质量的高风险。在家里的夜间睡眠数据比在驾驶过程中的微睡眠数据更容易收集。因此,我们提出了一种利用夜间睡眠EEG的深度学习方法来提高微睡眠检测的性能。我们使用夜间睡眠EEG对U-Net进行预训练以分类5类睡眠阶段,并使用U-Net估计的睡眠阶段来检测驾驶期间的微睡眠。与传统方法相比,这将微睡眠检测性能提高了约30%。我们的方法是基于微睡眠对应于非快速眼动(NREM)睡眠的早期阶段的假设。我们分析了夜间睡眠和微睡眠时的脑电分布,发现微睡眠与NREM睡眠具有相似的分布。我们的研究结果提供了微睡眠和NREM睡眠早期阶段之间相似性的可能性,并有助于预防驾驶过程中的微睡眠。
2020-12-10 cs.LG cs.NE
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
SleepEGAN: A GAN-enhanced Ensemble Deep Learning Model for Imbalanced Classification of Sleep Stages
Central South University(中南大学);Hunan Normal University(湖南师范大学);University of California, Riverside(加州大学河滨分校)
本文提出SleepEGAN模型,通过针对EEG信号特征适配的EGAN架构进行数据增强以缓解类别不平衡,并结合无成本集成学习策略降低异质性导致的方差,在三个公开睡眠数据集上提升了睡眠阶段分类准确率。
2023-07-04 cs.LG eess.SP
Using Ballistocardiography for Sleep Stage Classification
University of Virginia(弗吉尼亚大学)
随着我们开始了解睡眠对人们生活的巨大影响,一种检测睡眠阶段的实用方法变得更加必要。当前的睡眠阶段检测方法是昂贵的,对人的睡眠是侵入性的,并且在现代家庭环境中不实用。虽然通过监测大脑活动,肌肉活动和眼球运动来检测睡眠阶段的方法,通过实验室环境中的脑电图,提供了检测的金标准,但本文旨在研究一种新方法,该方法将允许一个人获得类似的洞察力和结果,而不会影响他们的正常睡眠习惯。心冲击描记术(BCG)是一种非侵入性传感技术,通过测量心脏产生的弹道力来收集信息。使用从BCG提取的特征,如使用时间,心率,呼吸率,相对每搏输出量和心率变异性,我们建议实现一个睡眠阶段检测算法,并将其与从Fitbit Sense智能手表提取的睡眠阶段进行比较。BCG的可访问性、易用性和相对低的成本为使用该设备提供了许多应用和优势。通过标准化该设备,人们将能够从BCG中受益,分析自己的睡眠模式,并得出关于睡眠效率的结论。这项工作证明了使用BCG作为一种准确和非侵入性的睡眠监测方法的可行性,这种方法可以在个人舒适的睡眠环境中进行设置。
2022-02-15 cs.HC cs.LG eess.SP
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
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
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
Automatic Sleep Stage Classification with Cross-modal Self-supervised Features from Deep Brain Signals
Tsinghua University(清华大学)
人类睡眠阶段的检测被广泛用于神经和精神疾病的诊断和干预。部分植入脑深部电刺激器的患者可以从脑深部记录其神经活动。基于脑深部记录的睡眠阶段分类具有为患者提供更精确治疗的巨大潜力。现有的基于局部场电位的睡眠阶段分类器的准确性和通用性仍然有限。我们提出了一种适用的跨模态迁移学习方法,用于植入设备的睡眠阶段分类。这种端到端的深度学习模型包含跨模态自监督特征表示、自注意和分类框架。我们用12名帕金森病患者的脑深部记录数据测试了该模型。睡眠阶段分类的最佳总准确率达到83.2%。结果表明,语音自监督特征可以有效地捕捉睡眠阶段的转换模式。提出了一种新的从声信号到局部场电位的迁移学习方法。该方法为临床数据规模不足提供了有效的解决方案。这种睡眠阶段分类模型可以适用于帕金森病患者日常生活中的慢性和连续监测睡眠,并可能用于深度脑机接口(如闭环深度脑刺激)中的更精确治疗。
2023-02-07 cs.LG eess.SP q-bio.NC
Quantifying the Impact of Data Characteristics on the Transferability of Sleep Stage Scoring Models
Mahidol University(玛希隆大学);University of Bremen(不来梅大学)
本文通过 TinySleepNet 与 U-Time 的多配置迁移实验量化数据特征影响,发现环境影响最大,并给出最优迁移源与 EEG 通道选择依据。
2023-03-28 cs.LG eess.SP
ULW-SleepNet: An Ultra-Lightweight Network for Multimodal Sleep Stage Scoring
School of Computer Science and Technology, Dalian University of Technology(大连理工大学计算机科学与技术学院);Faculty of Information Technology, University of Jyväskylä(于韦斯屈莱大学信息科技学院);Key Laboratory of Social Computing and Cognitive Intelligence, Ministry of Education(教育部社会计算与认知智能重点实验室);School of Biomedical Engineering, Faculty of Medicine, Dalian University of Technology(大连理工大学生物医学工程学院);Department of Computing Sciences, Tampere University(塔尔库大学计算机科学系);Faculty of Medicine, University of Helsinki(赫尔辛基大学医学学院)
ULW-SleepNet通过轻量级多模态网络实现高效睡眠阶段评分,参数减少达98.6%且保持高准确率,适用于实时睡眠监测。
2026-02-27 cs.LG eess.SP
Classifying sleep-wake stages through recurrent neural networks using pulse oximetry signals
IBB - UNER - CONICET(生物工程与生物信息学研究所 - 恩特雷里奥斯国立大学 - 阿根廷国家科学与技术研究理事会);FICH - UNL - CONICET(工程学院与水文科学学院 - 国立滨海大学 - 阿根廷国家科学与技术研究理事会)
自主神经系统的调节随着睡眠阶段而改变,从而引起生理变量的变化。我们利用这些变化,目的是使用脉搏血氧计信号对清醒或睡眠中的睡眠阶段进行分类。我们将递归神经网络应用于心率和外周血氧饱和度信号,以每30秒对睡眠阶段进行分类。该网络架构由两个堆叠的双向门控递归单元(GRU)层和一个用于对输出进行分类的softmax层组成。在本文中,我们使用了来自睡眠心脏健康研究数据集的5000名患者。2500名患者被用于训练网络,1250名患者的两个子集被用于验证和测试训练后的模型。在试验阶段,获得的最佳结果为90.13%的准确性,94.13%的敏感性,80.26%的特异性,92.05%的精密度,和84.68%的阴性预测值。此外,科恩Kappa系数为0.74,与实际睡眠时间的平均绝对误差百分比为8.9%。所提出的网络的性能与最先进的算法相比,当他们使用更多的信息信号(除了那些与EEG)。
2020-08-07 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
ECG-SleepNet: Deep Learning-Based Comprehensive Sleep Stage Classification Using ECG Signals
Rensselaer Polytechnic Institute(伦斯勒理工学院)
提出 ECG-SleepNet 三阶段框架,结合 FIN、ECG 时频特征、KAN 与 SMOTE,实现仅依赖 ECG 的五类睡眠阶段分类。
2024-12-02 cs.AI cs.LG eess.SP
Deep Learning Approaches for Sleep Apnea Classification from Polysomnographic EEG Signals
研究基于儿科受试者单数据集多通道EEG,比较深度学习架构和特征表示自动检测睡眠呼吸暂停,评估视觉Transformer和图注意力网络在不同信号表示上的性能,通过年龄和性别匹配训练与测试,基于TDA特征的视觉Transformer模型取得最佳AUC,揭示性能差异及临床挑战。
2026-07-20 cs.LG
A Context-Aware Temporal Modeling through Unified Multi-Scale Temporal Encoding and Hierarchical Sequence Learning for Single-Channel EEG Sleep Staging
Shahid Beheshti University(沙希德·贝赫什提大学)
本文提出一种基于统一多尺度时间编码和分层序列学习的上下文感知框架,用于提高单通道EEG睡眠分期的准确性和可解释性,特别是在N1阶段的检测性能。
2025-12-31 cs.LG
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
Sleep Stage Classification: Scalability Evaluations of Distributed Approaches
Kocaeli University(科贾埃利大学)
使用传统的分析工具处理和分析大量的临床数据是资源密集型和耗时的。脑电图是检测和诊断各种脑部疾病的主要技术之一,并且产生大量的大数据来处理。在这项研究中,我们提出了一个大数据框架,通过对EEG信号的睡眠阶段进行分类来诊断睡眠障碍。该框架是使用开源SparkMlib库开发的。我们还测试和评估所提出的框架,通过测量知名的分类算法的可扩展性的physionet睡眠记录。
2018-09-01 cs.DC cs.LG eess.SP
Transparency in Sleep Staging: Deep Learning Method for EEG Sleep Stage Classification with Model Interpretability
International Institute of Information Technology Hyderabad(海得拉巴国际信息技术学院);National Institute of Mental Health and Neurosciences(国家心理健康与神经科学研究所)
本文提出一种结合残差网络挤压激励模块与堆叠Bi-LSTM的可解释深度学习模型用于单通道脑电睡眠分期,首次将GradCam引入该领域,在三个公开数据集上取得最优性能并将训练速度提升8倍。
2024-01-14 cs.LG eess.SP
Enhancing Healthcare with EOG: A Novel Approach to Sleep Stage Classification
International Institute of Information Technology, Hyderabad(海得拉巴国际信息技术学院)
针对EEG睡眠分期采集不便的问题,提出基于EOG信号的SE-Resnet-Transformer模型实现五阶段睡眠分类,在三个公开数据集上取得较好效果,提升了睡眠分期的可及性与患者舒适度。
2023-09-25 cs.CV 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
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
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
Joint Classification and Prediction CNN Framework for Automatic Sleep Stage Classification
Institute of Biomedical Engineering, University of Oxford(牛津大学生物医学工程研究所)
正确识别睡眠阶段对于诊断和治疗睡眠障碍非常重要。这项工作提出了一种基于CNN的联合分类和预测框架,用于自动睡眠分期,随后,引入了一种简单而有效的CNN架构来为框架提供动力。给定单个输入时期,新框架在上下文输出中联合确定其标签(分类)及其相邻时期的标签(预测)。虽然所提出的框架是正交的广泛采用的分类方案,它需要一个或多个时代作为上下文输入,并产生一个单一的分类决策的目标时代,我们证明了它的优势,在几个方面。首先,它利用了连续睡眠时期之间的依赖性,同时超越了常见分类方案所遇到的问题。其次,即使是一个单一的模型,该框架有能力产生多个决定,这是必不可少的,以获得良好的性能,在集成模型的方法,很少引起的计算开销。概率聚合技术,然后提出利用多个决策的可用性。我们在两个公共数据集上进行了实验:Sleep-EDF Expanded有20名受试者,Montreal Archive of Sleep Studies有200名受试者。建议的框架产生的总体分类准确率分别为82.3%和83.6%。我们还表明,该框架不仅优于基于常见分类方案的基线,而且优于现有的深度学习方法。据我们所知,这是第一个超越标准单输出分类的工作,考虑多任务神经网络自动睡眠分期。该框架为进一步研究自动睡眠分期的不同神经网络架构提供了途径。
2019-02-02 cs.LG stat.ML
MetaSTH-Sleep: Towards Effective Few-Shot Sleep Stage Classification for Health Management with Spatial-Temporal Hypergraph Enhanced Meta-Learning
The First Affiliated Hospital of Zhengzhou University(郑州大学第一附属医院);School of Computer Science and Technology, Tongji University(同济大学计算机科学与技术学院);School of Engineering, Swinburne University of Technology(斯威本科技大学工程学院);Heart Center, Shanghai Tenth People’s Hospital, School of Medicine, Tongji University(同济大学附属第十人民医院心中心);Liver Cancer Institute, Zhongshan Hospital, Key Laboratory of Carcinogenesis and Cancer Invasion, Fudan University(复旦大学中山医院肝癌研究所);School of Computer Science and Artificial Intelligence, Wuhan University of Technology(武汉理工大学计算机科学与人工智能学院);School of Cyber Science and Engineering, Wuhan University(武汉大学网络空间安全学院);Department of Oral and Maxillofacial Head and Neck Oncology, Shanghai Ninth People’s Hospital, Shanghai Jiao Tong University School of Medicine(上海第九人民医院口腔颌面头颈肿瘤科);College of Stomatology, Shanghai Jiao Tong University(上海交通大学口腔医学院);National Center for Stomatology(口腔医学国家中心)
提出MetaSTH-Sleep框架,利用空间-时间超图增强元学习,实现少样本睡眠阶段分类,快速适应新受试者,提升泛化性能,辅助临床标注。
2025-09-06 cs.AI cs.LG
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
Energy-Efficient Real-Time 4-Stage Sleep Classification at 10-Second Resolution
School of Electrical and Computer Engineering, University of Tehran(德黑兰大学电气与计算机工程学院)
提出基于单导联心电图的能效优先睡眠阶段分类方法,通过10秒分辨率窗口和轻量化模型SleepLiteCNN实现高精度低能耗,适用于可穿戴设备。
2026-07-02 cs.LG eess.SP
A Systematic Review on Sleep Stage Classification and Sleep Disorder Detection Using Artificial Intelligence
BRAC University(BRAC大学);BSRM School of Engineering(BSRM工程学院)
本文对2016-2023年80篇相关文献进行系统综述,分析AI在睡眠阶段分类与障碍检测中的应用,涵盖常用身体参数、主流模型(如CNN占27%)及性能指标,为医生和研究者提供AI在睡眠研究中贡献的要点及工作可行性参考。
2025-04-17 cs.AI 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
Domain Invariant Representation Learning and Sleep Dynamics Modeling for Automatic Sleep Staging
The Ohio State University(俄亥俄州立大学);Google(谷歌)
针对生理信号异质、未标注数据利用不足、睡眠阶段关联建模和不确定性量化难题,提出神经网络模型 DREAM,学习域泛化表征并建模睡眠动力学,实验验证其跨受试者泛化与可靠不确定性估计能力。
2023-12-09 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
A Deep Learning Approach with an Attention Mechanism for Automatic Sleep Stage Classification
Örebro University(厄勒布鲁大学)
自动睡眠分期是一个具有挑战性的问题,最先进的算法尚未达到令人满意的性能,以代替睡眠技术人员的手动评分。已经做了很多研究来找到提取有用信息的良好特征表示,以将每个时期正确地分类到正确的睡眠阶段。虽然已经发现了许多有用的特征,但是特征的数量已经增长到一定程度,为了避免维数灾难,特征缩减步骤是必要的。需要如此大的特征集的一个原因是,许多特征仅适于区分睡眠阶段中的一个,并且在其他阶段期间信息较少。本文探讨了如何使用自动编码器来学习一个大的预定义特征集上的第二特征表示,该自动编码器对训练批次中的当前睡眠阶段具有选择性注意力。这种选择性关注允许模型学习关注更相关输入的特征表示,而不必对输入数据执行任何降维。所提出的算法的性能进行评估的一个大型数据集的多导睡眠图(PSG)夜间记录的睡眠呼吸障碍患者。选择性注意的自动编码器的性能进行了比较,与常规的自动编码器和以前的作品,使用深度信念网络(DBN)。
2018-05-14 cs.LG q-bio.NC stat.ML
NeuroLingua: A Language-Inspired Hierarchical Framework for Multimodal Sleep Stage Classification Using EEG and EOG
Université du Québec à Trois-Rivières(魁北克大学三河分校);Shiraz University(设拉子大学)
针对自动睡眠阶段分类缺乏时间层次、多模态融合难和模型可解释性低的问题,提出受语言启发的NeuroLingua框架,通过CNN分词器和双层Transformer实现分层建模与多模态融合,提升分类性能和临床可解释性。
2025-11-12 cs.LG eess.SP
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
Mixed Neural Network Approach for Temporal Sleep Stage Classification
Imperial College London(帝国理工学院)
本文提出了一种实用的方法来解决在睡眠阶段分类应用中使用单个有源电极所带来的限制。基于脑电图(EEG)的睡眠阶段进展的表征有助于诊断和监测的许多睡眠病理。几个先前的报告已经探索了自动化睡眠EEG的分析和降低可靠区分睡眠阶段所需的数据的复杂性的方法,以便能够在家中(而不是仅在专门的临床设施中)以较低的成本进行睡眠研究。然而,这些报告涉及来自放置在颅顶或枕骨上的电极的记录,这可能使受试者不舒服或难以定位。那些利用包含较少睡眠信息的单个EEG通道的方法显示出较差的分类性能。我们利用整流器神经网络进行特征检测,利用长短期记忆(LSTM)网络进行序列数据学习,以优化单电极记录的分类性能。在探索替代电极放置后,我们在前额上发现了一种舒适的单通道EEG配置,并表明它可以与额外的电极集成,以同时记录眼电图(EOG)。对62人(睡眠时间为494小时)的数据进行的评估表明,我们的自动睡眠分类分析算法的性能优于使用顶点或枕部电极放置的现有方法。使用这种记录配置与神经网络去卷积承诺,使临床指示的家庭睡眠研究实用。
2017-08-03 cs.CV cs.LG cs.NE
Adaptive Spike-Like Representation of EEG Signals for Sleep Stages Scoring
近年来,通过提取脑电信号的时空特征来进行自动阶段评分的研究取得了可喜的成果。这样的方法需要费力的人工特征工程和领域知识。在这项研究中,我们提出了一个自适应的计划,概率编码,过滤和积累的输入信号和加权所得的功能的信号强度的半高斯概率。自适应表示随后被馈送到Transformer模型中,以自动挖掘特征和相应阶段之间的相关性。在最大的公共数据集上对最先进的方法进行了广泛的实验,验证了我们所提出的方法的有效性,并揭示了有前途的未来方向。
2022-04-02 cs.LG eess.SP
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
The Breakthrough of Sleep: A Contactless Approach for Accurate Sleep Stage Detection Using the Sleepal AI Lamp
Hong Kong Xsmart Century Technology Co., Ltd.(香港Xsmart世纪科技有限公司);Urban Mobility Lab, Massachusetts Institute of Technology(城市移动实验室,麻省理工学院);Singapore-MIT Alliance for Research and Technology (SMART) Centre(新加坡-麻省理工联盟研究技术中心);Department of Respiratory and Critical Care Medicine, Binzhou Medical University Hospital(呼吸与危重症医学科,滨州医学院医院);Interdisciplinary Center of Sleep Medicine, Charité – Universitätsmedizin Berlin(睡眠医学跨学科中心,夏里特-柏林大学医学中心)
本文提出了一种基于雷达的无接触睡眠监测方法,通过多尺度呼吸和运动特征训练深度学习模型,实现了高精度的睡眠阶段检测,验证了Sleepal AI灯在睡眠评估中的可靠性。
2026-04-07 cs.AI cs.LG eess.SP
Sleep Stage Classification Based on Multi-level Feature Learning and Recurrent Neural Networks via Wearable Device
Beihang University(北京航空航天大学);Microsoft Research(微软研究院)
本文提出了一种基于多层次特征学习框架和递归神经网络(RNN)分类器的自动睡眠阶段分类的实用方法,该方法使用来自可穿戴设备的心率和手腕活动记录。特征学习框架旨在提取低级和中级特征。低级特征捕获时域和频域特性,中级特征学习信号的组成和结构信息。由于睡眠分期是一个具有长期依赖性的序列问题,因此我们利用具有双向长短期记忆(BLSTM)架构的RNN进行序列数据学习。为了模拟日常睡眠的实际情况,我们分别对在静息状态下记录睡眠的静息组和包括静息睡眠和非静息睡眠的综合组进行了实验,并基于八重交叉验证对算法进行了评估,将睡眠分为五个阶段(W,N1,N2,N3和REM)。该算法实现了加权精确率,召回率和F1分数分别为58.0%,60.3%和58.2%的休息组和58.5%,61.1%和58.5%的综合组,分别。各种对比实验证明了特征学习和BLSTM的有效性。我们进一步探讨了RNN的深度和宽度对性能的影响。我们的方法是专门为可穿戴设备提出的,预计将适用于长期的睡眠监测在家里。在不使用太多先验知识的情况下,我们的方法有可能推广睡眠障碍检测。
2017-11-02 cs.LG q-bio.NC stat.ML
A Single Channel-Based Neonatal Sleep-Wake Classification using Hjorth Parameters and Improved Gradient Boosting
Department of Computer Science, Loyola University(洛约拉大学计算机科学系);Department of Computer Science, University of People(人民大学计算机科学系);Department of Electronic, Electrical and Systems Engineering, University of Birmingham(伯明翰大学电子、电气与系统工程系);School of Computing, Engineering and the Built Environment, Edinburgh Napier University(爱丁堡纳皮尔大学计算、工程与环境科学学院);RIOTU Lab, Prince Sultan University(普森大学RIOTU实验室)
本文提出利用单通道梯度提升算法与Hjorth特征进行新生儿睡眠阶段分类,通过随机搜索交叉验证优化参数,达到82.35%的分类准确率,验证方法采用5折交叉验证,提升现有算法并拓展应用范围。
2024-08-15 cs.LG eess.SP
TransSleep: Transitioning-aware Attention-based Deep Neural Network for Sleep Staging
Korea University(高丽大学)
睡眠分期对于睡眠评估至关重要,并且作为健康指标发挥着至关重要的作用。许多最近的研究已经设计了用于睡眠分期的各种机器学习以及深度学习架构。然而,两个关键的挑战阻碍了这些架构的实际应用:有效地捕捉睡眠信号中的突出波形和正确地分类过渡时期的混淆阶段。在这项研究中,我们提出了一种新的深层神经网络结构,transSleep,它可以捕获独特的局部时间模式,并使用两个辅助任务区分混淆阶段。特别是,TransSleep采用基于注意力的多尺度特征提取器模块来捕获显著波形;具有新颖辅助任务的阶段混淆估计器模块,即时期级阶段分类,以估计用于识别混淆阶段的置信度分数;以及具有另一新颖辅助任务的上下文编码器模块,即阶段转换检测,以表示相邻时期的上下文关系。结果表明,TransSleep在自动睡眠分期方面取得了令人满意的性能。TransSleep的有效性通过其在两个公开数据集Sleep-EDF和MASS上的最新性能得到证明。此外,我们进行了消融,从不同的角度分析我们的结果。基于我们的总体结果,我们相信TransSleep具有巨大的潜力,可以为基于深度学习的睡眠分期提供新的见解。
2022-03-22 cs.AI cs.HC 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