- 综合排序
- 最热优先
- 最新优先
- 来自专栏脑机接口
这项研究对慢波睡眠最能解释深度睡眠的理论提出了挑战
洛桑大学医院的一组研究人员的研究结果，挑战了睡眠期间脑电波缓慢表明人感觉自己处于深度睡眠状态的理论。他们的研究结果发表在《Current Biology》杂志上。 图3.NREM 睡眠中的绝对功率谱密度和感知睡眠深度 上图 (A)为 线性混合模型的结果，通过功率谱密度解释良好睡眠者（n = 20，顶行）和错误感知者（n = 10；中间行）的感知睡眠深度。 NREM 睡眠中的纺锤体和感知睡眠深度 上图为良好睡眠者（n = 20，顶行）和睡眠错误感知者（n = 10，第二行）头皮水平的平均纺锤体参数的地形分布。 线性混合模型的结果解释了良好睡眠者（第三行）、错误感知者（第四行）和群体互动效应（底行）的纺锤体参数感知睡眠深度的程度。提取纺锤体参数，并在觉醒前120秒内取平均值。 DOI: 10.1016/j.cub.2021.10.012 https://medicalxpress.com/news/2021-11-results-theory-slow-wave-accounts-deeply.html
95430编辑于 2022-08-18 - 来自专栏用户画像
新的深度学习模型可以准确识别睡眠阶段
New deep learning model can accurately identify sleep stages 新的深度学习模型可以准确识别睡眠阶段 ? 东芬兰大学研究人员开发了一种新的深度学习模式，可以像经验丰富的医生一样准确地识别睡眠阶段。这为诊断和治疗包括阻塞性睡眠呼吸暂停在内的睡眠障碍开辟了新的途径。
71610发布于 2020-02-24 - 来自专栏思影科技
急性睡眠剥夺和慢性睡眠限制后个体调制睡眠稳态的压力增长
现代社会普遍存在慢性睡眠缺失的现象，每个人在睡眠缺失后表现出不同的症状，瑞士苏黎世医院大学的研究者，发现急性睡眠剥夺（ASD, acute sleep deprivation）和慢性睡眠限制（CSR, （睡眠手环控制），确保其睡眠状态的恢复。 急性睡眠剥夺在实验室进行，慢性睡眠限制则是通过减少被试在自己床上的睡眠时间2小时。 实验结果发现，实验发现了个体睡眠问题的调控稳态压力可以从慢波活动上观测出来，急性睡眠剥夺和慢性睡眠限制后大部分电极都有慢波增长的现象。 总结来说，个体的睡眠稳态调控反应—慢波的增长和急性睡眠缺失、慢性睡眠缺失有关，而且广泛存在于大脑皮层上。
2.3K70发布于 2018-04-08 - 来自专栏caoqi95的记录日志
SleepNet - 通过深度学习实现的自动睡眠分阶系统
该应用可以加载来自临床（如睡眠研究所等）的新 PSG 文件，并自动进行睡眠分阶标注。同时通过该 web 应用的接口可以展示原始的 EEG 数据，光谱图及一些重要的汇总统计，如下图所示： ? 该论文遵从的是 AASM 睡眠分阶准则，睡眠分阶包括这五个阶段：W，N1，N2，N3，R。 一个是睡眠实验室环境：在睡眠实验室，技术人员已经具备了对睡眠阶段的脑电图数据进行注释的专业知识，并正在寻找工具来帮助加快注释过程，确保更好的质量；另一个是神经内科 ICU 环境：在这个环境中，患者(如癫痫患者 在 ICU 环境下得到的反馈如下： 睡眠不足是重症幸存者最常见的抱怨也是最多的抱怨之一。但 ICUs 缺乏测量睡眠的能力，除非在专业的研究中。而且通常睡眠分析很耗费时间，需要很多以外的专业知识。 在这个部署的初步研究中，SleepNet 允许医生们在不增加重要临床工作的情况下，快速描述单个 ICU 患者的睡眠特征。让他们能够证实以前 ICU 关于睡眠的研究发现：睡眠是经常被严重干扰的。
2.3K10发布于 2019-03-28 - 来自专栏Python深度学习
使用Python实现深度学习模型：智能睡眠监测与分析
随着人们对健康生活方式的关注日益增加，智能睡眠监测与分析成为了一个热门话题。通过深度学习技术，我们可以实时监测和分析睡眠数据，提供个性化的睡眠建议，从而帮助人们改善睡眠质量。 本文将详细介绍如何使用Python实现一个简单的深度学习模型，用于智能睡眠监测与分析。深度学习在睡眠监测中的应用深度学习是一种基于人工神经网络的机器学习方法，能够自动提取数据中的特征并进行预测。 在睡眠监测中，深度学习可以用于以下几个方面：睡眠阶段识别：通过分析生理数据（如心率、呼吸频率等），识别不同的睡眠阶段（如浅睡、深睡和快速眼动睡眠）。 使用Python实现深度学习模型我们将使用Python的深度学习库Keras和TensorFlow来实现一个简单的深度学习模型，用于睡眠阶段识别。 通过使用Python和深度学习库，我们可以构建高效的模型，实时监测和分析睡眠数据，提供个性化的睡眠建议，从而帮助人们改善睡眠质量。
1K10编辑于 2024-09-15 - 来自专栏计算机工具
深度学习11：Transformer
和经典的 seq2seq 模型一样，Transformer 模型中也采用了 encoer-decoder 架构。上图的左半边用 NX 框出来的，就代表一层 encoder，其中论文里面的 encoder 一共有6层这样的结构。上图的右半边用 NX 框出来的，则代表一层 decoder，同样也有6层。
63210编辑于 2024-12-14 - 来自专栏新智元
先有大脑，还是先有睡眠？ScienceAdvances解密：睡眠先于大脑进化
---- 新智元报道 来源：外媒 编辑：LQ 【新智元导读】动物是从什么时候开始需要睡眠的？大脑是产生睡眠的前提吗？ScienceAdvances解密：原来睡眠比大脑出现的还要早。 识别睡眠 法国睡眠科学家Henri Piéron在1913年写道: 睡眠不同于冬眠、昏迷、醉酒或任何其他静止状态。 对于那些想更多了解睡眠的研究人员来说，了解睡眠对大脑的影响至关重要。 所以，在20世纪中叶，如果你想研究睡眠，你就成了脑电图的专家。 Sehgal 说，睡眠仍然是心理学家的主要领域，而不是研究遗传学或细胞生物学的科学家。关于机制，从分子生物学家的角度来看，“睡眠场处于睡眠状态。 水螅睡眠有它的特点: 多巴胺，通常使动物睡得更少，导致水螅静止不动。水螅似乎并不是24小时睡眠周期，而是每四个小时就有一部分时间睡眠。
86920编辑于 2023-05-22 - 来自专栏随便写写-kifuan
JS写睡眠排序
就是说当前数字是多少，就在多少*100毫秒后添加到result数组。不过从这个例子里也能小小练习一下Promise的用法。
13.2K20编辑于 2022-10-24 - 来自专栏自由而无用的灵魂的碎碎念
关于睡眠和休眠
所以当进入睡眠后一直没有唤醒，直到休眠定时器到点，则系统会自动把内存数据存入硬盘，断开所有设备电源，进入休眠状态。 1.2.2 混合式睡眠，即当混合式睡眠开启后。 当然，如果睡眠到休眠定时器触发，也会自动转入休眠状态，这时候就不用再进行数据转存了，因为之前已经做过了。所以说混合式睡眠 = 睡眠 + 休眠，这样可以防止突然断电导致数据丢失。 而在睡眠机制下，倡导大家在任何想离开的时侯直接按下睡眠键，在恢复时就可以立即回到原先的状态。把开启和关闭的时间都省略了，这就是睡眠的精髓所在。 4.1 关于混合式睡眠，台式机还是建议开启吧，为了防止意外发生。开启混合式睡眠只会影响到进入睡眠的时间，恢复时间不受影响。笔记本没有开启的必要。 还有各个按钮的作用也要设置好，我的习惯（仅供参考）是：对于笔记本，盖上盖子是睡眠，开始菜单那的按钮也是睡眠，机子上的电源按钮是休眠；对于台式机，开始菜单那是睡眠，主机上电源按钮是休眠；至于关机和重新启动
3.9K20发布于 2018-07-24 - 来自专栏脑机接口
EEG与睡眠分期
睡眠定义为一种无意识状态(unconsciousness) ¨1937年美国学者Loomis首次提出用EEG方法取代行为学作为睡眠深度判断的标准。 NREM睡眠 ¨Dement和Kleitman（1957）将此相睡眠分为1—4期（S1—4）。 S1为思睡期，S2浅睡期，S3中度睡眠期，S4深睡期。 各期在EEG表现和睡眠深度上有较大差别。 深度思睡的标志是出现顶尖波，其为复合电位：一个正相小棘波伴随一个大的负相慢波，可以单独出现，也可以12c/s或更快的频率反复出现，在顶部最明显。 Ⅱ期睡眠（S2，轻睡期） ¨背景为低幅EEG脑波，以睡眠纺锤，K复合波及δ波（<20%）为特征。睡眠纺锤11。5—15C/S，持续0。5S以上，波幅>15μV，以中央区为主。 正常睡眠结构 ¨正常睡眠是由NREM睡眠和REM睡眠两个时相构成。在整个睡眠过程中，NREM与REM睡眠交替出现。
3.1K11发布于 2020-07-01 - 来自专栏Data分析
睡眠健康数据分析
睡眠障碍：人体内是否存在睡眠障碍（无、失眠、睡眠呼吸暂停）。 有关睡眠障碍专栏的详细信息： 类型 说明 无 个体没有表现出任何特定的睡眠障碍。 失眠 个人难以入睡或保持睡眠状态，导致睡眠不足或质量差。 睡眠呼吸暂停 个人在睡眠期间呼吸暂停，导致睡眠模式中断和潜在的健康风险。 parameters = {'max_depth': [3, 4, 5, 6, 7, 9, 11], 'min_samples_split': [2, 3, 4, 5, 6, from sklearn.ensemble import RandomForestClassifier parameters = {'max_depth': [3, 4, 5, 6, 7, 9, 11 应用网格搜索 from sklearn.ensemble import ExtraTreesClassifier parameters = {'max_depth': [3, 4, 5, 6, 7, 9, 11
93110编辑于 2024-01-30 - 来自专栏LINUX阅码场
宋宝华： 聊一聊进程深度睡眠的TASK_KILLABLE这个状态
众所周知，Linux的进程睡眠有两种常规状态： TASK_INTERRUPTIBLE（浅度睡眠）：可以被等待的资源唤醒，也能被signal唤醒； TASK_UNINTERRUPTIBLE（深度睡眠）：可以被等待的资源唤醒 简单来说，深度睡眠的进程必须等待资源来了才能醒，在此之前，甚至你给它发任何的信号，它都不可能醒来。 那么，有的童鞋就会问，既然浅度睡眠这么好，那么还要TASK_UNINTERRUPTIBLE这种完全不响应信号的深度睡眠干什么？ 这样就使得深度睡眠的进程，还可以被杀死，妈妈再也不用担心NFS服务器挂了后，我痛苦，我孤独，我精分了! Linux因此推出了一个特殊的深度睡眠状态，叫做 TASK_KILLABLE（可杀的深度睡眠）：可以被等到的资源唤醒，不能被常规信号唤醒，但是可以被致命信号唤醒。
2.7K30发布于 2020-03-20 - 来自专栏信数据得永生
深度学习快速参考：11~13
与往常一样，本章的代码可以在本书的 Git 存储库中的Chapter11下找到。 您可以在这个页面中找到此示例所需的数据，该文件将存档许多双语句子对的数据集，我们将在后面详细讨论。 在下一章中，我将向您展示另一个高级主题的示例，即深度强化学习或深度 Q 学习，并向您展示如何实现自己的深度 Q 网络。 在此之前，请放松！ 十二、深度强化学习 在本章中，我们将以略有不同的方式使用深度神经网络。 我们将要构建一个智能体，而不是预测一个类的成员，估计一个值，甚至生成一个序列。 幸运的是，我们可以使用深度神经网络来近似Q函数。 这可能不会让您感到惊讶，因为您正在阅读一本深度学习书，因此您可能猜测深度学习必须在某个地方出现。 深度卷积 GAN 架构 关于 GAN 的论文很多，每篇都提出了新的新颖架构和调整。 但是，它们中的大多数至少在某种程度上基于深度卷积 GAN（DCGAN）。
1K20编辑于 2023-04-23 - 来自专栏paddle深度学习
paddle深度学习11 线性回归
线性回归是一项经典的统计学习方法，广泛应用于预测连续值的问题。它通过拟合输入特征与输出标签之间的线性关系，来建立一个简单的预测模型。线性回归的核心思想是找到一条直线（或超平面），使得这条直线能够尽可能地拟合训练数据中的样本点。
42910编辑于 2025-01-15 Neuron综述：意识与睡眠
非快速眼动睡眠以脑电图慢波和纺锤波为特征。在NREM睡眠中，人们可以区分出伴随脑电图快速变化的短暂入睡阶段(N1)、有纺锤波和少量慢波的浅睡眠阶段(N2)和有更多慢波的深度睡眠阶段(N3)。 在睡眠过程中，慢波的振幅逐渐减小，而快速眼动睡眠的持续时间增加。3.1 NREM睡眠细胞外和细胞内的单元记录揭示了睡眠的主要特征(图2)。 单个PGO波比REM睡眠提前几分钟，之后PGO波通常成群出现，并经常伴有REM睡眠。这导致了一种建议，即从多导睡眠仪定义的非快速眼动睡眠中获得的许多梦报告可能是从“隐蔽的”快速眼动睡眠中引起的。 然而，简单地比较清醒与非快速眼动睡眠，或非快速眼动睡眠与快速眼动睡眠，并不能揭示意识的神经关联。 然而，在快速眼动睡眠和非快速眼动睡眠和快速眼动睡眠之间的过渡阶段，一阶丘脑核的纺锤波几乎是连续的，可能有效地起着睡眠“守护者”的作用。
94110编辑于 2024-07-18Edge 的“睡眠标签页”
睡眠标签页 打开 Edge 的时候发现左上角一个弹窗显示说什么现在超过2小时未使用的标签页会进入“睡眠状态”以节省系统资源（内存），当时看到就觉得这个挺有意思的，这个新功能支持休眠时间与站点是否休眠设置
72710编辑于 2024-03-12- 来自专栏AI SPPECH
11：DeepSeek-OCR-2 深度解析
技术深度拆解与实现分析 4. 与主流方案深度对比 5. 工程实践意义风险与局限性 6. 未来趋势与前瞻预测 1. 背景动机与当前热点 在文档智能处理领域，光学字符识别（OCR）技术一直是核心基础能力。 随着深度学习技术的发展，OCR 技术取得了显著进步，但仍然面临着诸多挑战： 复杂文档理解：传统 OCR 模型在处理复杂排版、多栏布局、混合内容的文档时表现不佳 语义推理能力弱：缺乏对文档内容的语义理解和上下文推理能力 双流注意力机制：融合双流注意力机制，同时关注局部细节和全局上下文 动态视觉 Token 重排：能够动态重排视觉 Token，更精准地还原复杂文档的自然阅读逻辑 语义推理级文档理解：实现从视觉到语义的深度理解 技术深度拆解与实现分析 3.1 系统架构 DeepSeek-OCR-2 采用分层架构设计，主要包含以下核心组件： 系统架构说明： 输入层：负责文档图像的预处理和特征提取 编码层：采用 DeepEncoder 与主流方案深度对比 方案 架构 文档理解能力 复杂布局处理 多语言支持 推理速度 模型大小 结构化输出 开源程度 DeepSeek-OCR-2 DeepEncoder V2 语义推理级 优秀 优秀 快
95410编辑于 2026-02-08 - 来自专栏设计模式
深度解析Java 11核心新特性
一起加油吧 ~~ Java 11的发布，标志着这一成熟语言又向前迈进了一大步，它不仅继承了Java一贯的稳健与可靠，更在多个方面进行了创新与优化。 在Java 11中，我们可以看到对性能、安全性和易用性的全面提升。 动态类文件常量 Java 11 允许在运行时动态生成和引用常量池中的常量，这有助于减少 JVM 类加载时的内存占用。 在Java 11中，JFR得到了进一步的改进和优化，包括更多的事件类型、更低的开销以及更好的用户体验。 12. Java 11对JShell进行了改进，提供了更好的自动补全、命令历史和错误处理等功能。 25. 支持新的时间日期格式 11增加了对新的时间日期格式的支持，如ISO 8601扩展格式。
83410编辑于 2024-05-29 - 来自专栏LINUX阅码场
宋宝华：可以杀死的深度睡眠TASK_KILLABLE状态(最透彻一篇)
深度睡眠与浅度睡眠 众所周知，Linux的进程睡眠有两种常规状态： TASK_INTERRUPTIBLE（浅度睡眠）：可以被等待的资源唤醒，也能被signal唤醒； TASK_UNINTERRUPTIBLE （深度睡眠）：可以被等待的资源唤醒，但是不能被signal唤醒。 那么，有的童鞋就会问，既然浅度睡眠这么好，那么还要TASK_UNINTERRUPTIBLE这种完全不响应信号的深度睡眠干什么？ 深度睡眠不可避免 正在读本文的你，可能都有过这样的悲催经历，在NFS文件系统上面运行程序，但是NFS服务器挂了，你怎么都ctrl + c不掉那个进程，因为它就是个深度睡眠的场景。 可杀的深度睡眠 Linux因此推出了一个特殊的深度睡眠状态，叫做 TASK_KILLABLE（可杀的深度睡眠）：可以被等到的资源唤醒，不能被常规信号唤醒，但是可以被致命信号唤醒，醒后即死。
2.3K20发布于 2020-04-09 - 来自专栏音乐与健康
AI 如何“看穿”你的睡眠？
睡眠，这个占据我们生命三分之一的行为，其质量直接关系到我们的身心健康。然而，睡眠障碍，特别是阻塞性睡眠呼吸暂停（OSA），正像一个“隐形杀手”，悄无声息地影响着全球数亿人。 核心观点：研究者们构建了一个新颖的深度学习框架，它仅利用单通道的脑电图（EEG）信号，就能同时完成对睡眠阶段的精准分类和对OSA严重程度的预测。收获预期：本文将带你庖丁解牛，深入浅出地解析这篇论文。 这是因为OSA严重干扰了正常的睡眠节律，导致睡眠阶段的转换模式异常。 临床洞见:研究发现，OSA患者与健康人相比，其清醒期（W）比例显著更高，而深度睡眠（N3）和快速眼动期（REM）的比例则显著更低。 四、总结与展望主要贡献新颖的统一框架:创新性地提出了一种结合多核CNN、自注意力、Transformer和CRF的深度学习框架，为处理复杂的单通道EEG信号提供了新的范式。
20810编辑于 2026-01-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号