【基于机器学习/深度学习的睡眠信号分类】主题必读论文推荐

近日，由韩国、比利时等科学家合作的最新利用深度学习量化意识脑科学的研究发表在nature上。
相关论文：Quantifying arousal and awareness in altered states of consciousness using interpretable deep learning.

在这项研究中，研究团队成功开创了一种可解释的意识指示器，这种指示器能帮助科学家探索意识的不同组成部分。这项研究正是使用了睡眠、全身麻醉、严重脑损伤共3类实验数据，到目前为止，这是第一个对意识进行量化的研究，实验得到了较为可靠的数据。

对此，AMiner整理了【基于机器学习/深度学习的睡眠信号分类】主题的必读论文，该论文合集 希望能对想要了解该领域的各位同学、研究者有一定的帮助。

论文合集地址：https://www.aminer.cn/topic/6082daea92c7f9be21f19e48?f=cs

1.Towards More Accurate Automatic Sleep Staging via Deep Transfer Learning
“背景：尽管最近在自动睡眠分期方法的开发方面取得了重大进展，但由于数据可变性和数据效率低下的问题，建立一个好的模型对于小队列的睡眠研究仍然是一个巨大的挑战。这部作品呈现了一个深刻的……”

2.MetaSleepLearner: A Pilot Study on Fast Adaptation of Bio-signals-Based Sleep Stage Classifier to New Individual Subject Using Meta-Learning.
“识别基于睡眠阶段的生物信号需要熟练的临床医生进行耗时且繁琐的工作。为了挑战自动睡眠阶段分类难题，已经引入了深度学习方法。但是，更换时可能会遇到困难……”

3.Automatic Sleep Staging Employing Convolutional Neural Networks and Cortical Connectivity Images.
“对神经科学睡眠机制的理解与心理/认知和身体健康以及病理状况有关。进一步分析的先决条件是通过手动睡眠分期识别睡眠宏观架构。几台电脑……”

4.Deep Learning for Automated Feature Discovery and Classification of Sleep Stages
“摘要卷积神经网络（CNN）已经在图像分类中展示了最先进的分类结果，但在一维生理信号的分类方面受到的关注相对较少。我们为汽车设计了一个深度 CNN 架构……”

5.A Hierarchical Neural Network for Sleep Stage Classification based on Comprehensive Feature Learning and Multi-flow Sequence Learning.
“自动睡眠分期方法通常从多导睡眠图 (PSG) 记录的信号中提取手工制作的特征或网络训练的特征，然后通过各种分类器估计阶段。在这项研究中，我们提出了一种基于层次神经元的分类方法……”

更多论文查看：https://www.aminer.cn?f=cs