用于EEG睡眠阶段评分可解释分析的深度卷积神经网络
计算机视觉与模式识别
2017-10-03 v1 机器学习
摘要
睡眠研究对于诊断失眠、嗜睡症或睡眠呼吸暂停等睡眠障碍十分重要。它们依赖于从原始多导睡眠图(polisomnography)信号手动评分睡眠阶段，这是一项繁琐的视觉任务，需要训练有素的专业人员承担工作量。因此，近年来基于机器学习技术实现自动阶段评分的研究工作已开展。本工作中，我们借助多锥谱分析从EEG信号创建视觉可解释的睡眠模式图像，作为训练用于解决视觉识别任务的深度卷积网络的输入。作为一个迁移学习的工作示例，我们提出了一个能够准确分类新未见患者中睡眠阶段的系统。在广泛使用公开可用数据集上的评估结果与最先进水平(SOTA)相比颇具优势，同时提供了一个用于结果视觉解释的框架。
引用
@article{arxiv.1710.00633,
title = {Deep Convolutional Neural Networks for Interpretable Analysis of EEG Sleep Stage Scoring},
author = {Albert Vilamala and Kristoffer H. Madsen and Lars K. Hansen},
journal= {arXiv preprint arXiv:1710.00633},
year = {2017}
}
备注
8 pages, 1 figure, 2 tables, IEEE 2017 International Workshop on Machine Learning for Signal Processing