基于深度学习利用近红外摄像机测得的生命体征与活动进行睡眠分期
计算机视觉与模式识别
2023-06-07 v1
摘要
传统的睡眠监测耗时、昂贵且令人不适，需要将大量接触式传感器贴附于患者。视频数据通常作为睡眠实验室评估的一部分被记录。若仅从视频即可实现准确的睡眠分期，将克服传统方法的诸多问题。本工作中，我们利用从近红外摄像机提取的心率、呼吸率和活动度量来进行睡眠阶段分类。我们采用深度迁移学习方法克服数据稀缺性，通过使用已有的接触式传感器数据集从心率和呼吸率时间序列中学习有效表征。利用 50 名健康志愿者的数据集，我们在四分类睡眠分期中达到了 73.4% 的准确率和 0.61 的 Cohen's kappa，确立了基于视频的睡眠分期的新 SOTA。
引用
@article{arxiv.2306.03711,
title = {Deep Learning-Enabled Sleep Staging From Vital Signs and Activity Measured Using a Near-Infrared Video Camera},
author = {Jonathan Carter and João Jorge and Bindia Venugopal and Oliver Gibson and Lionel Tarassenko},
journal= {arXiv preprint arXiv:2306.03711},
year = {2023}
}
备注
Accepted to the 6th International Workshop on Computer Vision for Physiological Measurement (CVPM) at CVPR 2023. 10 pages, 12 figures, 5 tables