SleepVST：基于预训练变换模型的近红外视频信号睡眠分期
计算机视觉与模式识别
2024-04-08 v1 人机交互
神经元与认知
摘要
摄像头生理监测技术的进展，使我们能够对呼吸和心脏脉搏进行稳健、非接触式的测量，这些指标已知与睡眠阶段有关。这导致了基于摄像头的睡眠监测作为“金标准”多聚合物睡眠图谱的研究，这种图谱笨拙、昂贵，因而不适用于长期临床研究。在本文中，我们介绍了 SleepVST，这是一个变换模型，实现了基于摄像头的睡眠阶段分类（睡眠分期）的领先性能。经过在接触传感器数据上的预训练，SleepVST 在 SHHS 和 MESA 数据集上超越了现有方法，实现了 0.75 和 0.77 的总 Cohen's Kappa 分数。随后我们展示了 SleepVST 能够成功迁移到来自视频的心呼吸波形，实现完全无接触的睡眠分期。使用 50 夜的视频数据集，我们实现了 78.8% 的总准确率和 0.71 的 Cohen's Kappa 分数，设立了该领域的新 SOTA。
引用
@article{arxiv.2404.03831,
title = {SleepVST: Sleep Staging from Near-Infrared Video Signals using Pre-Trained Transformers},
author = {Jonathan F. Carter and João Jorge and Oliver Gibson and Lionel Tarassenko},
journal= {arXiv preprint arXiv:2404.03831},
year = {2024}
}
备注
CVPR 2024 Highlight Paper