本研究提出一种基于 SeqSleepNet 的层次循环神经网络，将睡眠分期任务视为序列到序列分类问题，并在公开数据上实现了最高 87.1% 的分类精度。

Sep, 2018

本研究提出了一种基于神经网络的自动睡眠分期模型（DREAM），通过从生理信号中学习领域通用表示并建模睡眠动力学，解决了睡眠分期研究中的几个关键问题，包括主体生理信号的异质性、从未标记的睡眠信号数据中提取有意义信息以改善预测性能的能力、建模睡眠阶段相互关系的困难以及量化预测不确定性的有效机制的缺乏。实验表明，DREAM 在三个数据集上胜过现有的睡眠分期方法；案例研究证明我们的模型可以学习到广义的决策函数，从而在新的主体上表现出良好的预测性能，特别是在测试和训练主体之间存在差异的情况下；使用未标记数据展示了利用未标记的脑电数据的益处；进一步，不确定性量化表明 DREAM 提供了预测的不确定性，使模型可靠，并有助于在实际应用中帮助睡眠专家。

Dec, 2023

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

本文提出了 CoRe-Sleep，一种多模态融合网络，专注于改善不完美数据上的信号分析鲁棒性。训练 CoRe-Sleep 可以处理多模态信息，允许在不完整数据上训练。使用单个模型在 SHHS-1 上进行测试时，CoRe-Sleep 显示出多模态数据和单模态数据的最新表现。该工作旨在弥合自动分析工具和临床实用性之间的差距。

Mar, 2023

提出了一种基于多模态数据的睡眠分期网络 SalientSleepNet，该网络使用了 U2-Net 体系结构，并且由两个独立的 U2-Net 流组成，用于从多模态数据中提取显著特征，并使用多尺度提取模块捕获不同睡眠阶段之间的多尺度过渡规则，以及使用多模态注意力模块自适应地捕获有价值的信息用于特定的睡眠分期。与现有深度神经网络模型相比，该模型参数最少，并在两个数据集上展现了优异的表现。

May, 2021

该研究旨在开发一种可推广的深度学习模型，用于从原始 PPG 生理时间序列中进行四类（清醒、浅睡眠、深睡眠和快速眼动（REM））睡眠分期任务，并与其他优秀模型进行对比评估。SleepPPG-Net2 模型在性能上表现出更高的优势，并且可以根据年龄、性别和睡眠呼吸暂停的严重程度进行个性化表现。

Apr, 2024

提出了使用深度学习方法进行睡眠分期的自动分类系统，可有效利用 Polysomnography 信号的多变量和多模态的特性，通过学习线性空间滤波器与英特飞凌分类器结合，其性能达到同类算法最优水平。

Jul, 2017

自动睡眠分期对于睡眠评估和疾病诊断至关重要。本文引入了领域泛化概念，提出了通用睡眠分期任务，旨在提高模型对未见数据集的泛化能力。我们设计了一个名为 SleepDG 的框架，通过多级特征对齐来学习领域不变的特征表示。SleepDG 在五个公共数据集上验证，并取得了最先进的性能。

Dec, 2023

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

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