机器学习模型通过分析座椅背部和座位的 32 x 32 压力传感器所收集的数据进行姿势识别，实现对六个坐姿的分类，平均分类准确率在受控和逼真数据集上分别达到了 98％和 97％。

Jan, 2022

睡眠阶段的分类对于评估睡眠质量至关重要，本论文提出了一种基于 eXtreme Gradient Boosting 算法和光折光法信号、活动计数来提取特征的机器学习睡眠 - 清醒分类模型，性能优于其他方法，并适用于具有有限计算能力的可穿戴设备。

Aug, 2023

基于压电电阻材料 Velostat 的智能压力电子垫 (SPem) 系统，采用深度神经网络 (DNNs) 进行信号处理和识别，可以用于各种人体活动的监测，具有更灵活的应用和商业化前景。

May, 2023

我们引入一种创新的方法来使用 EOG 信号进行自动睡眠分期分类，解决了 EEG 数据采集的不适和不实用性。我们的提出的 SE-Resnet-Transformer 模型能够准确分类来自原始 EOG 信号的五个不同的睡眠阶段。在公开可获得的数据库（SleepEDF-20，SleepEDF-78 和 SHHS）上进行了广泛验证，显示出显著的性能，宏 F1 分数分别为 74.72，70.63 和 69.26。我们的模型在识别 REM 睡眠方面表现出色，这是睡眠障碍研究中的关键方面。我们还使用 1D-GradCAM 和 t-SNE 图等技术提供了关于我们模型内部机制的见解。我们的方法提高了睡眠分期分类的可访问性，同时减少了对 EEG 模式的需求。这一发展将对医疗保健和将可穿戴技术纳入睡眠研究中产生有希望的影响，从而推动该领域的诊断和患者舒适性的提升。

Sep, 2023

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

利用由物理学建模的合成数据集，提出了一个使用压力传感垫推断人体姿势和形状的深度学习模型 Pressurepose，并展示了这个模型的良好性能。

Apr, 2020

该研究提出了 REST 方法，通过敌对训练和光谱正则化控制神经网络的 Lipschitz 常数，同时通过稀疏正则化实现神经网络压缩，从而解决了将深度学习模型应用于家庭健康监测的噪声与紧凑高效的问题，并针对睡眠阶段分类任务进行了实验验证和手机应用部署测试。

Jan, 2020

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

使用 SE-Resnet-Bi-LSTM 架构对睡眠进行五个阶段的分类，方法基于对单通道脑电图（EEG）的分析，利用 1D-GradCAM 可视化方法解释模型决策过程，研究结果表明该模型在睡眠阶段分类上具有较高的准确率和 F1 分数。

Sep, 2023

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