本研究纳入了一种新颖的基于图的残差状态更新机制（REST），用于实时脑电信号分析，如癫痫发作检测，通过利用图神经网络和循环结构，REST 能够高效地捕捉脑电数据中的非欧几里得几何和时间依赖关系，显示出在发作检测和分类任务中高准确性，并与现有模型相比，推断速度提高了 9 倍，同时所需的内存大大减少，使 REST 成为用于临床设备实时应用（如响应性脑刺激或癫痫警报系统）的有前景的候选方法。

Jun, 2024

通过重新权重稀疏训练的框架（REST），减少对偏见相关特征的依赖，改善深度神经网络（DNN）在有偏数据中的性能，同时提高计算和内存效率。

Dec, 2023

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

本文提出了一种解决单个主动电极应用于睡眠阶段分类的局限性的实际方法，其中利用整流器神经网络和长短期记忆网络来优化分类性能，并找到了单通道 EEG 在额头上的舒适配置，并证明它可以与其他电极一起使用，从而实现了睡眠自动分类的更好性能。

Oct, 2016

该研究使用多模态多达 14,000 个参与者的超过 100,000 个小时的睡眠记录数据集，开发了 SleepFM 模型，通过对比学习在睡眠阶段分类和睡眠障碍呼吸检测方面的任务表现获得比标准对比学习的表征更好的结果。

May, 2024

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

本研究提出 DeepSleepNet-Lite，一种简化和轻量级的睡眠评分体系结构，仅处理 90 秒的 EEG 输入序列，并首次使用 Monte Carlo Dropout 技术来提高算法的性能并检测不确定性，以实现实时睡眠分析。评估表明，模型的性能略低于现有的最先进体系结构，但使用推出的睡眠评分方法可以在实时环境下工作。

Aug, 2021

该研究提出了一种基于深度学习模型的帕金森病诊断方法，利用静息状态脑电图信号，通过提取复杂的隐藏非线性特征并展示其在未见数据上的泛化能力，该模型由卷积神经网络、双向门控循环单元和注意力机制构成，并在三个公开数据集上进行评估，结果表明该模型在训练和测试数据集上均能准确诊断帕金森病，即使输入信息的部分缺失也能表现良好。该研究结果对患者治疗和帕金森病早期检测持有重要意义，该提出的模型有望成为一种非侵入性且可靠的利用静息状态脑电图进行帕金森病早期检测的技术。

Aug, 2023

本文提出了一种基于深度学习的解释性方法，通过将深度学习嵌入使用归一化特征来表示，用于支持临床睡眠分期，该方法在不同数据集上具有优异的性能，能够实现良好的性能和可靠的临床解释性。

Nov, 2022