.png){kind=icon}
返回
Graph-informed convolutional autoencoder to classify brain responses during sleep
.png){kind=icon}
OA
AI
DOI：10.3389/fnins.2025.1525417.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动化机器学习算法已被用于分析生物医学信号以识别睡眠模式和健康问题。然而，其性能往往不理想，尤其是在处理不平衡数据集时。在本文中，我们提出了一种鲁棒的睡眠状态（SlS）分类算法，利用脑电图（EEG）信号。为此，我们预处理了33名健康受试者的EEG记录。然后，从子带中提取了功能连接特征和复发量化分析。图形表示是根据相位锁定值、相干性和相位-振幅耦合计算得出的。采用统计分析选择p值小于0.05的特征。这些特征在四种状态之间进行了比较：清醒、非快速眼动睡眠（NREM）、呈现听觉刺激时的快速眼动睡眠（REM）以及无刺激时的REM睡眠。在REM期间，向受试者呈现了18种不同类型的刺激，包括乐器和自然声音。所选的显著特征被用于训练一种新型深度学习分类器。我们设计了一种基于图的卷积自编码器（GICA），用于从功能连接特征中提取高级特征。此外，还将基于从EEG中提取的复发率特征的注意力层整合到GICA分类器中，以增强模型动态能力。所提出的模型通过与文献中的基线系统进行比较进行评估。SlS-GICA分类器在显著特征集上的准确率为99.92%。这一成果可考虑用于实时和自动化应用中，以开发针对睡眠相关障碍的新疗法。
Keyword:
auditory stimuli
convolutional neural network
EEG
functional connectivity
graphical representation
sleep
期刊
IF:
3.2
论文数:
1.6W
被引数:
5.3W
机构
引用论文
Phase-Locking Value Based Graph Convolutional Neural Networks for Emotion Recognition.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Meta-analysis of quantitative sleep parameters from childhood to old age in healthy individuals: Developing normative sleep values across the human lifespan健康个体从童年到老年的定量睡眠参数的荟萃分析: 在整个人类生命周期中发展规范睡眠值SLEEPOAAI
SLEEPIF4.9
OAAI分享收藏Trends in Outpatient Visits for Insomnia, Sleep Apnea, and Prescriptions for Sleep Medications among US Adults: Findings from the National Ambulatory Medical Care Survey 1999-2010SLEEPOAAI
SLEEPIF4.9
OAAI分享收藏
查看更多内容