SLEEP-EDF
PulseAugur coverage of SLEEP-EDF — every cluster mentioning SLEEP-EDF across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
NanoSleep：用于可穿戴设备睡眠分期分类的高效人工智能
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…
-
RG-Flow Transformer在稀疏神经数据上展现出可解释性提升
研究人员开发了一种新颖的RG-Flow Transformer架构，通过引入重整化群（RG）归纳偏置来处理稀疏神经数据。该模型在Physio-EDF语料库上进行了睡眠分期分类测试，并与标准Transformer进行了比较。虽然RG-Flow Transformer在睡眠分期方面未显示出更高的准确性，但它在可解释性方面展现出显著优势，成功地在样本外恢复了脑电图数据的连续频谱指数，而标准Transformer不具备此能力。
-
新判据预测滞后谱嵌入的有效性
研究人员开发了一种新的判据，用于确定多元时间序列的无训练滞后谱嵌入的适用性。该判据基于平稳性和时间耦合性，可预测称为 D(tau) 的描述符是否能有效运行。该方法包括一个两部分的预测试：增强的 Dickey-Fuller 平稳性检查和功率基线饱和度检查。研究在各种数据集上验证了该判据，结果显示在符合判据的数据集上表现具有竞争力，而在不符合的数据集上则可预测地失败。
-
脑电图基础模型在标准审计下仍泄露数据
研究人员开发了一个新的脑电图基础模型审计框架，该框架超越了单一端点评估。该框架联合审计多个端点，揭示了通过单项测试的模型仍可能泄露光谱属性。一个关键发现是，交叉编码器迁移审计证明了不同冻结编码器之间存在属性泄露，即使是标准的差分隐私随机梯度下降（DP-SGD）等防御措施也未能阻止。
-
新框架使用条件扩散模型进行多模态联邦学习
研究人员开发了一个名为 CondI 的新框架，用于解决多模态联邦学习中的缺失数据问题，尤其是在临床环境中。该方法使用条件扩散模型显式填充模态内未观察到的数据点，并利用可用的多模态上下文。该框架训练特定于模态的提取器和联合嵌入空间，使模型能够操作完整的语义结构，并提高对数据不完整的鲁棒性。在临床数据集上的实验表明，CondI 取得了与现有最先进方法相当的结果。