本文提出了一个名为 XSleepNet 的序列到序列的睡眠分期模型，可以从不同的视角（例如，原始信号和时频图像）学习联合表示，在不同视角之间平衡表示功率，从而改善了睡眠分期方法的结果。

Jul, 2020

提出了一种基于深度递归神经网络的睡眠分期自动化诊断工具 SLEEPNET，其在超过 10000 名患者的数据集上进行了训练，并在独立测验中展现出高于 85％的准确性与 79％左右的算法 - 专家间一致性，可实现专业水平的睡眠诊断。

Jul, 2017

本文提出一种名为 SleepEEGNet 的自动睡眠阶段注释方法，使用单通道睡眠 EEG 信号，由深度卷积神经网络、序列到序列模型组成，通过新颖的损失函数解决类不平衡问题，相比现有文献具有更好的标注性能，整体精度为 84.26%，F1 得分为 79.66%，Kappa 系数为 0.79，为睡眠专家提供更精确的诊断。

Mar, 2019

通过结合对比学习任务和掩蔽预测任务，利用未标记的单通道睡眠脑电图（EEG）信号，本研究提出了 NeuroNet，一个自监督学习（SSL）框架，通过三个多导睡眠多项生理参数记录（PSG）数据集的广泛实验，展示了超越现有 SSL 方法的优越性能。同时，研究还提出了基于 Mamba 的时间上下文模块，用于捕捉多样性的 EEG 时期之间的关系。结合 NeuroNet 和基于 Mamba 的时间上下文模块，即使在有限的标记数据量下，也能达到甚至超过最新的监督学习方法的性能。该研究有望建立一个关于睡眠阶段分类的新基准，为睡眠分析领域的未来研究和应用提供指导。

Apr, 2024

本文提出了一种基于卷积神经网络的联合分类和预测框架，以及一个简单有效的 CNN 架构，用于自动睡眠分期。在 Sleep-EDF 和 Montreal Sleep Datasets 上进行的实验结果表明，该框架具有优越性能并且优于常见分类方案和现有的深度学习方法。

May, 2018

本研究提出 WaveSleepNet，一种可解释的神经网络用于睡眠分期，在训练过程中利用隐藏空间表示来识别不同睡眠阶段的特征波样本，通过评分确定波样本在输入信号中的存在和相对比例，并通过多个损失函数进行训练以确保波样本的多样性和稳健性。通过对三个公共数据集的验证，证实 WaveSleepNet 达到与最先进模型相媲美的睡眠分期性能，通过详细案例研究解释了 WaveSleepNet 的决策过程，并与美国睡眠医学会（AASM）手册指南紧密对齐，其透明的过程为专家们提供了直接访问其标准的生理意义，以供睡眠专家未来的调整或丰富。

Apr, 2024

本研究提出了一种基于 DeepSleepNet 的深度学习模型，用于自动睡眠阶段评分，其利用卷积神经网络提取时间不变特征，并利用双向长短时记忆自动学习睡眠阶段之间的转换规则，无需使用任何手工特征，该模型在不同的单通道 EEG 数据集上均取得了相似的整体准确率和宏 F1 得分。

Mar, 2017

提出一种称为 TransSleep 的新颖深度神经网络结构，使用具有上下文的信息，采用多尺度特征提取器模块、阶段混淆估计器模块和上下文编码器模块，用于睡眠分期，取得了良好的自动分期性能，并在 Sleep-EDF 和 MASS 数据集上展示出最先进的性能表现。

Mar, 2022

本研究提出了一种名为 SleePyCo 的深度学习框架，其中融合了特征金字塔和有监督对比学习的方法，旨在通过对单通道脑电图（EEG）的学习表示以自动睡眠评分，并能够在家庭环境中进行纵向睡眠跟踪，这一框架能够显著提高睡眠评分性能。

Sep, 2022

本研究提出了一种端到端的深度学习结构 SSNet，包括基于卷积神经网络（CNN）和长短期记忆（LSTM）的两个深度学习网络，用于通过联合眼电图（EOG）、脑电图（EEG）和肌电图（EMG）的信号分类睡眠阶段。在两个公共数据集上进行了测试，取得了最佳性能。

Jul, 2023