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

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。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多