深度学习模型有望通过脑电图对睡眠呼吸暂停进行分类

研究人员开发了深度学习模型，通过脑电图（EEG）信号对睡眠呼吸暂停进行分类，旨在减少传统多导睡眠图（polysomnography）对资源的密集需求。该研究比较了包括Vision Transformer和Graph Attention Networks在内的各种架构，使用了原始时间数据、频谱图和拓扑数据分析特征等不同的信号表示。在575名儿科受试者的数据集上，一个在拓扑数据分析特征上训练的Vision Transformer模型取得了0.750的最高测试AUC，展示了自动化筛查的潜力，但也指出了临床部署的挑战。 AI

影响 通过对医学信号进行自动化分析，有潜力提高睡眠呼吸暂停的诊断效率。

排序理由 学术论文，详细介绍了针对特定分类任务的新型深度学习方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• electroencephalogram
• Gotit.pub
• Graph Attention Networks
• Hugging Face
• IArxiv
• polysomnography
• ScienceCast
• Shashank Manjunath
• topological data analysis
• Vision Transformers

• 论文
• 模型发布
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →