PulseAugur
中
实时 09:01:14
English(EN) NanoSleep: A Parameter-Efficient Hybrid Temporal Convolutional Network for Single-Channel Sleep Stage Classification

NanoSleep：用于可穿戴设备睡眠分期分类的高效人工智能

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了NanoSleep，这是一种紧凑型混合时域卷积网络，专为从单通道脑电图（EEG）数据进行高效睡眠分期分类而设计。该模型通过优化性能和大小，解决了在资源受限设备上部署准确深度学习模型的挑战。NanoSleep集成了多种组件，包括Sinc卷积层、双分支特征提取器和用于序列解码的条件随机场，同时利用加权校准焦点损失来处理类别不平衡。在Sleep-EDF和Sleep-EDF-Expanded数据集上的评估表明，NanoSleep的性能优于现有的基线方法，使其适用于可穿戴和家庭睡眠监测应用。 AI

影响 能够在资源受限的可穿戴设备上实现更高效、更准确的睡眠分期分类。

排序理由 该集群描述了一篇详细介绍用于特定任务的新型AI模型架构的学术论文。

在 Hugging Face Daily Papers 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

NanoSleep：用于可穿戴设备睡眠分期分类的高效人工智能

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · S M Asif Hossain, Shruti Kshirsagar ·

    NanoSleep：一种参数高效的混合时域卷积网络，用于单通道睡眠分期分类

    arXiv:2608.18571v1 Announce Type: new Abstract: Sleep stage classification from single-channel electroencephalography (EEG) is essential for wearable and home-based sleep monitoring. However, many deep learning models achieve high accuracy at the cost of large model sizes, which …

  2. Hugging Face Daily Papers TIER_1 English(EN) ·

    NanoSleep：一种参数高效的混合时域卷积网络，用于单通道睡眠分期分类

    Sleep stage classification from single-channel electroencephalography (EEG) is essential for wearable and home-based sleep monitoring. However, many deep learning models achieve high accuracy at the cost of large model sizes, which limits their deployment on resource-constrained …

相关实体

相关话题