deepsleepnet

deepsleepnet

自动睡眠阶段评分深度学习模型

DeepSleepNet是一个创新的深度学习模型,用于基于原始单通道脑电图(EEG)数据的自动睡眠阶段评分。其独特的双阶段架构融合了表示学习和序列残差学习技术,大幅提升了评分准确性。通过在MASS和Sleep-EDF等公开数据集上的严格评估,DeepSleepNet展现出优于传统手工特征工程方法的卓越性能。这一高效、精确的自动化工具为睡眠障碍诊断、睡眠质量监测等睡眠研究和临床应用领域带来了新的可能。

DeepSleepNet睡眠阶段评分深度学习EEG神经系统工程Github开源项目

DeepSleepNet

基于原始单通道脑电图的自动睡眠分期深度学习模型。

我们已发布了一个更高效的深度学习模型TinySleepNet,该模型更小巧且可以实现更好的分期性能。

TinySleepNet:基于原始单通道脑电图的高效睡眠分期深度学习模型,由玛希隆大学信息通信技术学院的Akara Supratak和伦敦帝国理工学院的Yike Guo共同开发。[论文][GitHub]

这是伦敦帝国理工学院数据科学研究所Akara Supratak、Hao Dong、Chao Wu和Yike Guo发表的论文《DeepSleepNet:基于原始单通道脑电图的自动睡眠分期模型》中模型的代码。

本研究已被IEEE神经系统与康复工程汇刊接受发表。

您也可以在arXiv上找到我们发表前的接受版本。

DeepSleepNet的架构: DeepSleepNet 注:Fs是输入脑电信号的采样率

此图展示了模型中一个可解释的LSTM单元,它学会追踪每个受试者何时清醒(即处于W期): 睡眠起始单元

环境

复现此研究使用了以下设置:

  • Ubuntu 18.04 / Windows 10 1903 x64
  • CUDA工具包10.0和CuDNN v7.6.4
  • Python 3.5.4 x64
  • tensorflow-gpu (1.15.2)
  • matplotlib (1.5.3)
  • scikit-learn (0.19.1)
  • scipy (1.4.1)
  • numpy (1.18.2)
  • pandas (0.25.3)
  • mne (0.20.0)
  • tensorlayer (可选)
  • MongoDB (可选)
  • eAE (可选)

准备数据集

我们使用MASS和Sleep-EDF数据集评估了DeepSleepNet。

对于MASS数据集,您需要申请访问权限。 对于Sleep-EDF数据集,您可以运行以下脚本下载SC受试者数据。

cd data
chmod +x download_physionet.sh
./download_physionet.sh

然后运行以下脚本提取指定的脑电通道及其对应的睡眠阶段。

python prepare_physionet.py --data_dir data --output_dir data/eeg_fpz_cz --select_ch 'EEG Fpz-Cz'
python prepare_physionet.py --data_dir data --output_dir data/eeg_pz_oz --select_ch 'EEG Pz-Oz'

训练模型

运行此脚本为20折交叉验证的第一折训练DeepSleepNet模型。

python train.py --data_dir data/eeg_fpz_cz --output_dir output --n_folds 20 --fold_idx 0 --pretrain_epochs 100 --finetune_epochs 200 --resume False

您需要为每一折训练DeepSleep模型(即fold_idx=0...19)才能评估性能。您可以使用以下脚本进行批量训练

chmod +x batch_train.sh
./batch_train.sh data/eeg_fpz_cz/ output 20 0 19 0

评分睡眠阶段

运行此脚本为每个交叉验证折的保留受试者确定睡眠阶段。

python predict.py --data_dir data/eeg_fpz_cz --model_dir output --output_dir output

输出将存储在numpy文件中。

获取摘要

运行此脚本显示我们的DeepSleepNet与最先进的人工特征工程方法相比的性能摘要。性能指标包括总体准确率、每类F1分数和宏F1分数。

python summary.py --data_dir output

将任务提交到配备TensorLayer的eAE集群

  1. 设置eAE集群(按照此链接中的说明操作)
  2. 设置MongoDB
  3. deepsleep/trainer.py中更改MongoDB的位置
  4. 修改submit_eAE.py
  5. 运行python submit_eAE.py

待办事项

  • 发布不依赖MongoDB和Tensorlayer的版本(更易安装,但训练时间可能更长)。

引用

如果您觉得本研究有用,请按以下方式引用我们的工作:

@article{Supratak2017,
    title = {DeepSleepNet: a Model for Automatic Sleep Stage Scoring based on Raw Single-Channel EEG},
    author = {Supratak, Akara and Dong, Hao and Wu, Chao and Guo, Yike},
    journal = {IEEE Transactions on Neural Systems and Rehabilitation Engineering},
    year = {2017},
    month = {Nov},
    volume = {25}, 
    number = {11}, 
    pages = {1998-2008}, 
    doi = {10.1109/TNSRE.2017.2721116}, 
    ISSN = {1534-4320}, 
}

许可证

  • 仅供学术和非商业用途
  • Apache许可证2.0版

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多