尽管最近对成人自动睡眠分期进行了巨大进展，但目前是未知的，如果最先进的算法概括为儿科人群，这在过夜多核心摄影（PSG）中显示出独特的特征。为了回答这个问题，在这项工作中，我们对儿科自动睡眠分期的最先进的深层学习方法进行了大规模比较研究。采用各种具有发散特征的六种不同的深神经网络的选择来评估超过1,200名儿童的样品，横跨宽度的阻塞性睡眠呼吸暂停（OSA）严重程度。我们的实验结果表明，在新科目评估时自动儿科睡眠滞高器的个性表现相当于在成人报告的专家级。将六个级别与集合模型相结合，进一步提高了暂存精度，达到了87.7％的整体准确性，一个0.837的Cohen的Kappa，在新科目评估时，单通道EEG的宏观F1分数为84.2％。当使用双通道EEG $ \ CDOT $ EOT时，达到88.8％的准确性，即0.852的精度，宏观F1分数为85.8％时，该性能进一步提高。同时，集合模型导致预测性不确定性降低。结果还表明，当训练和测试数据分开和临床干预后7个月记录7个月时，研究了算法及其集合对于概念漂移是强大的。详细分析进一步展示了自动分级彼此之间的“几乎完美”协议及其在分期错误上的类似模式。

近年来，深度学习显示了广泛区域的潜力和效率，包括计算机视觉，图像和信号处理。然而，由于缺乏算法决策和结果的解释性，用户应用程序仍然存在转化挑战。这个黑匣子问题对于高风险应用程序（例如与医疗相关的决策制定）尤其有问题。当前的研究目标是设计一个可解释的深度学习系统，用于对脑电图的时间序列分类（EEG）进行睡眠阶段评分，以此作为设计透明系统的一步。我们已经开发了一个可解释的深神经网络，该网络包括基于内核的层，该层是基于人类专家在视觉分析记录的视觉分析中用于睡眠评分的一组原理。将基于内核的卷积层定义并用作系统的第一层，并可用于用户解释。训练有素的系统及其结果从脑电图信号的微观结构（例如训练的内核）以及每个内核对检测到的阶段的效果，宏观结构（例如阶段之间的过渡）中解释了四个级别。拟议的系统表现出比先前的研究更大的性能，而解释的结果表明，该系统学习了与专家知识一致的信息。

目的：开发和验证一种自动化方法，用于对新生儿重症监护病房中睡眠状态波动的床旁监测。方法：基于深度学习的算法是使用30个近期新生儿的长期（a）脑电图监测的53个EEG录音设计和训练的。使用来自30个多摄影记录的外部数据集对结果进行了验证。除了训练和验证单个脑电图通道安静的睡眠探测器外，我们还构建了睡眠状态趋势（SST），这是一种可视化分类器输出的床旁准备手段。结果：训练数据中安静的睡眠检测的准确性为90％，在4电极记录中获得的所有双极派生中，精度是可比的（85-86％）。该算法很好地概括了外部数据集，尽管信号推导不同，但仍显示81％的总体精度。 SST允许对分类器输出的直观，清晰可视化。结论：可以从单个EEG通道的高保真度中检测到睡眠状态的波动，并且可以将结果可视化为床边监视器中透明和直观的趋势。意义：睡眠状态趋势（SST）可以为护理人员提供对睡眠状态波动及其周期性的实时视图。

AASM准则是为了有一种常用的方法，旨在标准化睡眠评分程序的数十年努力的结果。该指南涵盖了从技术/数字规格（例如，推荐的EEG推导）到相应的详细睡眠评分规则到年龄的几个方面。在睡眠评分自动化的背景下，与许多其他技术相比，深度学习表现出更好的性能。通常，临床专业知识和官方准则对于支持自动睡眠评分算法在解决任务时至关重要。在本文中，我们表明，基于深度学习的睡眠评分算法可能不需要充分利用临床知识或严格遵循AASM准则。具体而言，我们证明了U-Sleep是一种最先进的睡眠评分算法，即使使用临床非申请或非规定派生，也可以解决得分任务，即使无需利用有关有关的信息，也无需利用有关有关的信息。受试者的年代年龄。我们最终加强了一个众所周知的发现，即使用来自多个数据中心的数据始终导致与单个队列上的培训相比，可以使性能更好。确实，我们表明，即使增加了单个数据队列的大小和异质性，后者仍然有效。在我们的所有实验中，我们使用了来自13个不同临床研究的28528多个多摄影研究研究。

自动睡眠评分对于诊断和治疗睡眠障碍至关重要，并在家庭环境中实现纵向睡眠跟踪。通常，对单渠道脑电图（EEG）进行基于学习的自动睡眠评分是积极研究的，因为困难在睡眠过程中获得多通道信号。但是，由于以下问题，来自原始脑电图信号的学习表示形式挑战：1）与睡眠相关的脑电图模式发生在不同的时间和频率尺度上，2）睡眠阶段共享相似的脑电图模式。为了解决这些问题，我们提出了一个名为Sleepyco的深度学习框架，该框架结合了1）功能金字塔和2）自动睡眠评分的监督对比度学习。对于特征金字塔，我们提出了一个名为sleepyco-backbone的骨干网络，以考虑在不同的时间和频率尺度上的多个特征序列。监督的对比学习允许网络通过最大程度地降低类内部特征之间的距离并同时最大程度地提高阶层间特征之间的距离来提取类别特征。对四个公共数据集的比较分析表明，Sleepyco始终优于基于单渠道EEG的现有框架。广泛的消融实验表明，Sleepyco表现出增强的总体表现，N1和快速眼运动（REM）阶段之间的歧视有了显着改善。

本文提出了一个新颖的框架，以根据权威的睡眠医学指导自动捕获人睡眠的脑电图（EEG）信号的时间频率。该框架由两个部分组成：第一部分通过将输入EEG频谱图将其划分为一系列时频贴片来提取信息特征。第二部分是由基于注意力的体系结构有效地搜索分配的时频贴片和并行睡眠阶段定义因素之间的相关性构成的。拟议的管道在Sleep Heart Health研究数据集上进行了验证，其阶段唤醒，N2和N3的新最新结果获得了相应的F1分数为0.93、0.88和0.87，仅使用EEG信号。该提出的方法还具有高评分者间可靠性为0.80 kappa。我们还可以看到睡眠分期决策与提出方法提取的特征之间的对应关系，为我们的模型提供了强大的解释性。

准确的睡眠阶段分类对于睡眠健康评估很重要。近年来，已经开发了几种基于深度学习和机器学习的睡眠阶段算法，并且在人类注释方面取得了表现。尽管性能提高，但最深入学习算法的局限性是其黑盒行为，它限制了它们在临床环境中的使用。在这里，我们提出了跨模式变压器，这是一种基于变压器的睡眠阶段分类的方法。我们的模型通过最先进的方法实现了竞争性能，并通过利用注意模块的可解释性方面消除了深度学习模型的黑盒行为。提出的跨模式变压器由一种新型的跨模式变压器编码器结构以及多尺度的一维卷积神经网络组成，用于自动表示学习。基于此设计的我们的睡眠阶段分类器能够以与最先进的方法相同或更好地达到睡眠阶段分类性能，以及可解释性，参数数量减少了四倍，并且比较培训时间减少了。到当前的最新。我们的代码可从https://github.com/jathurshan0330/cross-modal-transformer获得。

目的：随着具有非传统电极配置的可穿戴睡眠监测设备的快速升高，需要自动算法，可以在具有少量标记数据的配置上执行睡眠暂存。转移学习具有从源模态（例如标准电极配置）到新的目标模态（例如非传统电极配置）的神经网络权重。方法：我们提出功能匹配，一个新的转移学习策略作为常用的芬降方法的替代方案。该方法包括培训具有来自源模态的大量数据的模型，以及源头和目标模态的成对样本很少。对于那些配对的样本，模型提取目标模态的特征，与来自源模态的相应样本相匹配。结果：我们将特征与三种不同的目标域的FineTuning进行比较，具有两个不同的神经网络架构，以及不同数量的培训数据。特别是在小型队列（即，在非传统的记录设置中标记的记录）上，具有系统地匹配的特征，具有平均相对差异的精度为不同场景和数据集的0.4％至4.7％。结论：我们的研究结果表明，特征符合FineTuning作为转移学习方法的特征，特别是在非常低的数据制度中。意义：因此，我们得出结论，特征匹配是具有新颖设备可穿戴睡眠分段的有希望的新方法。

Seizure type identification is essential for the treatment and management of epileptic patients. However, it is a difficult process known to be time consuming and labor intensive. Automated diagnosis systems, with the advancement of machine learning algorithms, have the potential to accelerate the classification process, alert patients, and support physicians in making quick and accurate decisions. In this paper, we present a novel multi-path seizure-type classification deep learning network (MP-SeizNet), consisting of a convolutional neural network (CNN) and a bidirectional long short-term memory neural network (Bi-LSTM) with an attention mechanism. The objective of this study was to classify specific types of seizures, including complex partial, simple partial, absence, tonic, and tonic-clonic seizures, using only electroencephalogram (EEG) data. The EEG data is fed to our proposed model in two different representations. The CNN was fed with wavelet-based features extracted from the EEG signals, while the Bi-LSTM was fed with raw EEG signals to let our MP-SeizNet jointly learns from different representations of seizure data for more accurate information learning. The proposed MP-SeizNet was evaluated using the largest available EEG epilepsy database, the Temple University Hospital EEG Seizure Corpus, TUSZ v1.5.2. We evaluated our proposed model across different patient data using three-fold cross-validation and across seizure data using five-fold cross-validation, achieving F1 scores of 87.6% and 98.1%, respectively.

睡眠对婴儿，儿童和青少年的健康尤为重要，睡眠评分是准确诊断和治疗潜在的威胁生命状况的第一步。但是，与成人睡眠相比，儿科睡眠在健康的情况下与成人睡眠相比严重研究，并且为成年人开发的睡眠评分算法通常在婴儿身上表现不佳。在这里，我们介绍了最近在标准临床护理期间收集的最近大规模的小儿睡眠研究数据集中的第一个自动睡眠评分结果。我们开发了一个基于变压器的监督学习模型，该模型学会从数百万多通道脑电图（EEG）睡眠时期分类五个睡眠阶段，总体准确性为78％。此外，我们根据患者人口统计学和脑电图通道对模型性能进行了深入的分析。结果表明，对小儿睡眠的机器学习研究的需求日益增长。

在过去的几年中，自动睡眠评分的研究主要集中在开发日益复杂的深度学习体系结构上。但是，最近，这些方法仅实现了边际改进，通常以需要更多数据和更昂贵的培训程序为代价。尽管所有这些努力及其令人满意的表现，但在临床背景下，自动睡眠期临时解决方案并未被广泛采用。我们认为，由于很难训练，部署和繁殖，大多数对睡眠评分的深度学习解决方案在现实世界中的适用性受到限制。此外，这些解决方案缺乏可解释性和透明度，这通常是提高采用率的关键。在这项工作中，我们使用经典的机器学习来重新审视睡眠阶段分类的问题。结果表明，通过传统的机器学习管道可以实现最新的性能，该管道包括预处理，功能提取和简单的机器学习模型。特别是，我们分析了线性模型和非线性（梯度提升）模型的性能。我们的方法超过了两个公共数据集上的最新方法（使用相同的数据）：Sleep--EDF SC-20（MF1 0.810）和Sleep-eDF ST（MF1 0.795），同时在Sleep-eDF上取得了竞争成果SC-78（MF1 0.775）和质量SS3（MF1 0.817）。我们表明，对于睡眠阶段评分任务，工程特征向量的表现力与深度学习模型的内部学表现相当。该观察结果为临床采用打开了大门，因为代表性功能向量允许利用传统机器学习模型的可解释性和成功记录。

最近基于深度学习的临床决策支持系统的准确性是有希望的。但是，缺乏模型可解释性仍然是医疗保健中人工智能广泛采用的障碍。使用睡眠作为案例研究，我们提出了一种可推广的方法，将临床解释性与黑盒深度学习得出的高精度相结合。多聚词（PSG）的临床医生确定的睡眠阶段仍然是评估睡眠质量的金标准。但是，专家的PSG手册注释既昂贵又过时。我们建议使用嵌入式，规则和功能来读取PSG的农奴，可解释的睡眠分期。农奴通过从AASM手册中得出的有意义的特征来解释分类的睡眠阶段，用于睡眠和相关事件的评分。在农奴中，从卷积和复发性神经网络的混合体获得的嵌入被转移到可解释的特征空间。这些代表性的可解释功能用于训练简单的模型，例如浅决策树进行分类。模型结果将在两个公开可用的数据集上进行验证。农奴超过了可解释的睡眠分期的当前最新时间。 Serf使用梯度增压树作为分类器，在当前最新的黑盒模型的2％以内，获得了0.766 $ \ kappa $和0.870 AUC-ROC。

研究目标：评分多个词法中的绩效差异是一个众所周知的问题。大多数现有的自动睡眠评分系统都是使用单个得分手注释的标签培训的，该标签将主观评估转移到模型中。当有两个或多个得分手的注释可用时，评分模型通常会在得分手共识上训练。平均得分手的主观性被转移到模型中，失去了有关不同得分子之间内部变异性的信息。在这项研究中，我们旨在将不同医生的多重知识插入培训程序中。目标是优化模型培训，利用可以从一组得分手共识中提取的全部信息。方法：我们在三个不同的多得分数据库上训练两个基于深度学习的模型。我们将标签平滑技术与软传感器（LSSC）分布一起利用，以在模型的训练过程中插入多重知识。我们介绍了平均余弦相似性度量（ACS），以量化模型与LSSC产生的催眠密度毛电和得分手共识产生的催眠密度图之间的相似性。结果：当我们使用LSSC训练模型时，模型的性能会改善所有数据库。我们发现，通过LSSC训练的模型和共识产生的催眠仪型的催眠刻画之间的ACS增加（高达6.4％）。结论：我们的方法绝对使模型能够更好地适应得分手的共识。未来的工作将集中于对不同评分体系结构的进一步调查。

在过去的几年中，深度学习用于脑电图（EEG）分类任务一直在迅速增长，但其应用程序受到EEG数据集相对较小的限制。数据扩展包括在培训过程中人为地增加数据集的大小，它一直是在计算机视觉或语音等应用程序中获得最新性能的关键要素。尽管文献中已经提出了一些脑电图数据的增强转换，但它们对跨任务的绩效的积极影响仍然难以捉摸。在这项工作中，我们提出了对主要现有脑电图增强的统一和详尽的分析，该分析在常见的实验环境中进行了比较。我们的结果强调了为睡眠阶段分类和大脑计算机界面界面的最佳数据增强，在某些情况下显示预测功率改善大于10％。

生物医学决策涉及来自不同传感器或来自不同信道的多个信号处理。在这两种情况下，信息融合发挥着重要作用。在脑电图循环交替模式中，在这项工作中进行了深度学习的脑电图通道的特征级融合。通过两个优化算法，即遗传算法和粒子群优化优化了频道选择，融合和分类程序。通过融合来自多个脑电图信道的信息来评估开发的方法，用于夜间胸癫痫和没有任何神经疾病的患者的患者，与其他艺术艺术的工作相比，这在显着更具挑战性。结果表明，两种优化算法都选择了一种具有类似特征级融合的可比结构，包括三个脑电图通道，这与帽协议一致，以确保多个通道的唤起帽检测。此外，两种优化模型在接收器的工作特性曲线下达到了0.82的一个区域，平均精度为77％至79％，这是在专业协议的上部范围内的结果。尽管数据集是困难的数据集，所提出的方法仍处于最佳状态的上层，并且具有困难的数据集，并且具有在不需要任何手动过程的情况下提供全自动分析的优点。最终，模型显示出抗噪声和有弹性的多声道损耗。

眼目光信息的收集为人类认知，健康和行为的许多关键方面提供了一个窗口。此外，许多神经科学研究补充了从眼睛跟踪中获得的行为信息，以及脑电图（EEG）提供的高时间分辨率和神经生理学标记。必不可少的眼睛跟踪软件处理步骤之一是将连续数据流的分割为与扫视，固定和眨眼等眼睛跟踪应用程序相关的事件。在这里，我们介绍了Detrtime，这是一个新颖的时间序列分割框架，该框架创建了不需要额外记录的眼睛跟踪模式并仅依靠脑电图数据的眼部事件检测器。我们的端到端基于深度学习的框架将计算机视觉的最新进展带到了脑电图数据的《时代》系列分割的最前沿。 Detr Time在各种眼睛追踪实验范式上实现眼部事件检测中的最新性能。除此之外，我们还提供了证据表明我们的模型在脑电图阶段分割的任务中很好地概括了。

如今，人工智能（AI）已成为临床和远程医疗保健应用程序的基本组成部分，但是最佳性能的AI系统通常太复杂了，无法自我解释。可解释的AI（XAI）技术被定义为揭示系统的预测和决策背后的推理，并且在处理敏感和个人健康数据时，它们变得更加至关重要。值得注意的是，XAI并未在不同的研究领域和数据类型中引起相同的关注，尤其是在医疗保健领域。特别是，许多临床和远程健康应用程序分别基于表格和时间序列数据，而XAI并未在这些数据类型上进行分析，而计算机视觉和自然语言处理（NLP）是参考应用程序。为了提供最适合医疗领域表格和时间序列数据的XAI方法的概述，本文提供了过去5年中文献的审查，说明了生成的解释的类型以及为评估其相关性所提供的努力和质量。具体而言，我们确定临床验证，一致性评估，客观和标准化质量评估以及以人为本的质量评估作为确保最终用户有效解释的关键特征。最后，我们强调了该领域的主要研究挑战以及现有XAI方法的局限性。

呼吸率（RR）是重要的生物标志物，因为RR变化可以反映严重的医学事件，例如心脏病，肺部疾病和睡眠障碍。但是，不幸的是，标准手动RR计数容易出现人为错误，不能连续执行。这项研究提出了一种连续估计RR，RRWAVENET的方法。该方法是一种紧凑的端到端深度学习模型，不需要特征工程，可以将低成本的原始光摄影学（PPG）用作输入信号。对RRWAVENET进行了独立于主题的测试，并与三个数据集（BIDMC，Capnobase和Wesad）中的基线进行了比较，并使用三个窗口尺寸（16、32和64秒）进行了比较。 RRWAVENET优于最佳窗口大小为1.66 \ pm 1.01、1.59 \ pm 1.08的最佳绝对错误的最新方法，每个数据集每分钟每分钟呼吸0.96。在远程监视设置（例如在WESAD数据集中），我们将传输学习应用于其他两个ICU数据集，将MAE降低到1.52 \ pm每分钟0.50呼吸，显示此模型可以准确且实用的RR对负担得起的可穿戴设备进行准确估算。我们的研究表明，在远程医疗和家里，远程RR监测的可行性。

对于诊断各种疾病的诊断，对睡眠阶段进行分类至关重要。但是，现有的自动诊断方法主要采用“金标准”局部脑图（EEG）或医院中多摄像机仪（PSG）机器的其他单型模式传感信号，这些信号昂贵，导入且因此不适合保健点监测在家。为了在家中启用睡眠阶段监控，我们在本文中分析了红外视频与脑电图信号之间的关系，并提出了一项新任务：通过将有用的知识从EEG信号提炼到视觉视频，使用红外视频对睡眠阶段进行分类。为了为该应用程序建立可靠的跨模式基准，我们开发了一个新的数据集，称为通过红外视频和脑电图（$ s^3ve $）看到您的睡眠阶段。 $ s^3ve $是一个大型数据集，包括用于睡眠阶段分类的同步红外视频和脑电图信号，包括105个主题和154,573个视频剪辑，长度超过1100小时。我们的贡献不仅限于数据集，而且还涉及一种新型的跨模式蒸馏基线模型，即结构感知的对比度蒸馏（SACD），以将脑电图知识提升为红外视频特征。 SACD在我们的$ S^3ve $和现有的跨模式蒸馏基准上都达到了最先进的表演。基准方法和基线方法都将被释放给社区。我们希望在睡眠阶段分类中提高更多注意力并促进更多的发展，更重要的是，从临床信号/媒体到传统媒体的跨模式蒸馏。

在神经科学领域，脑活动分析总是被认为是一个重要领域。精神分裂症（SZ）是一种严重影响世界各地人民的思想，行为和情感的大脑障碍。在Sz检测中被证明是一种有效的生物标志物的脑电图（EEG）。由于其非线性结构，EEG是非线性时间序列信号，并利用其进行调查，这是对其的影响。本文旨在利用深层学习方法提高基于EEG基于SZ检测的性能。已经提出了一种新的混合深度学习模型（精神分裂症混合神经网络），已经提出了卷积神经网络（CNN）和长短期存储器（LSTM）的组合。 CNN网络用于本地特征提取，LSTM已用于分类。所提出的模型仅与CNN，仅限LSTM和基于机器学习的模型进行了比较。已经在两个不同的数据集上进行了评估所有模型，其中数据集1由19个科目和数据集2组成，由16个科目组成。使用不同频带上的各种参数设置并在头皮上使用不同的电极组来进行几个实验。基于所有实验，显然提出的混合模型（SZHNN）与其他现有型号相比，拟议的混合模型（SZHNN）提供了99.9％的最高分类精度。该建议的模型克服了不同频带的影响，甚至没有5个电极显示出91％的更好的精度。该拟议的模型也在智能医疗保健和远程监控应用程序的医疗器互联网上进行评估。