本文研究了编程课程中的生物钟和个人活动时间规律（chronotypes），通过收集学生的按键数据，并运用无监督学习方法发现了与文献报告一致的 chronotypes。同时，作者还发现了某些 chronotypes 与学术成就的相关性。

Mar, 2021

本研究通过对 3 百万晚上的睡眠和 7,500 万互动任务的分析， 提出了有关真实世界中客观测量的睡眠对认知表现的影响的最大研究，并证明了真实世界中的表演受循环节律，钟型（早晨 / 晚上偏好）和前一次睡眠持续时间和时序的影响。我们开发了一个统计模型，证明了睡眠和表现方面的大量工作的效果，展示了缺乏睡眠对真实世界表现的影响，并表明连续两个晚上睡眠不到六个小时会导致表现下降，持续六天。

Jan, 2017

使用机器学习技术，利用活动监测和健康追踪设备收集的数据，通过行为模式和活动推荐来提高人们的睡眠质量。

Oct, 2021

使用小波进行特征提取，随机森林进行分类的自动睡眠阶段分类方法，评估了受试者年龄和睡眠时间对分类器性能的影响。研究发现，这些变量确实对自动模型的性能产生影响，改善了一些睡眠阶段的分类，但恶化了其他阶段的分类。

Oct, 2023

本文提出了一个基于多源客观和主观数据的计算框架来监测个体睡眠质量，并通过数据驱动的个性化反馈来提高睡眠质量。基于 PMData 数据集的洞察和不同生活事件及不同水平 SQ 之间的发现模式来实现反馈。使用深度学习模型 (PerSQ) 基于长期异构数据和考虑 carry-over effect，相较于基线模型，获得更高的预测性能。一项个案研究还表明个人可以通过该模型监测和改善其睡眠质量。

Nov, 2022

本文探讨了利用深度学习建立基于 actigraphy 数据的睡眠质量预测模型，并使用卷积神经网络在原始穿戴式传感器输出上进行建模以提高睡眠质量的预测价值，使得睡眠和身体活动研究的数据预处理不再需要，简化了整个工作流程

Jul, 2016

本文介绍了利用可穿戴设备识别睡眠阶段的方法，并使用 NetHealth 数据集和深度学习算法 Convolutional Neural Networks 和传统的 Random Forest 进行了比较。

Mar, 2023

本文提出了一个以学生为中心的 LMS 活动数据分析框架，可以从观察数据中提供不仅是相关性，还有因果性的见解。我们分析了一个包括 1651 名计算专业学生的数据集，并扩展了 LMS 行为指标库，以包括可以表征登陆日期的行为指标。我们的分析表明，与其他登录行为指标相比，学生的登录量既强相关又与学生的学业表现有因果关系，特别是在学业表现较差的学生中。我们预计这些见解将为大学学生支持小组提供令人信服的证据，以推出以学生为中心和有针对性的干预措施，这些措施是有效和可扩展的。

Oct, 2022

采用认知行为疗法技术的睡眠平台 SleepioTM，分析和建立神经网络模型来预测用户的睡眠习惯和质量，并提供个性化的睡眠建议。神经网络模型比标准统计方法更准确，并能解释和计算预测的置信区间，这对于临床医生的採用也非常重要。

Jul, 2022

该研究利用深度卷积神经网络来识别睡眠 / 清醒状态，以拓展标准的 “睡觉” 和 “清醒” 活动空间，进一步研究睡眠 / 清醒状态与丛集性头痛发作的关系。

Feb, 2018