A deep learning architecture for temporal sleep stage classification\n using multivariate and multimodal time series

• 类型：arxiv
• 标识：1707.03321
• 链接：https://arxiv.org/abs/1707.03321
• 主题：multimodal
• 主分类：multimodal
• 形态：method
• 被引：615
• 被引来源：OpenAlex
• S2被引：578
• OpenAlex被引：615
• 影响力被引：45
• TLDR：This work introduces here the first deep learning approach for sleep stage classification that learns end-to-end without computing spectrograms or extracting handcrafted features, that exploits all multivariate and multimodal polysomnography (PSG) signals (EEG, EMG, and EOG), and that can exploit the temporal context of each 30-s window of data.
• OpenAlex ID：W2963919481
• OpenAlex DOI：10.48550/arxiv.1707.03321
• DOI：10.48550/arxiv.1707.03321
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/1707.03321
• OpenAlex更新：2026-08-23
• 待LLM分类：否
• 标题中文：基于多变量多模态时间序列的深度学习睡眠阶段时序分类架构
• TLDR中文：本文提出了首个用于睡眠阶段分类的深度学习方法，无需计算频谱图或提取手工特征即可端到端学习，利用了全部多变量多模态 PSG 信号（EEG、EMG、EOG），并能利用每个 30 秒窗口数据的时序上下文。
• 来源文件：
• [OpenAlex discover]
• [S2 enrich]