无监督学习在睡眠分期方面的研究表明，应用全面的预训练方案能够显著提高性能，减少所需的标记训练数据，因此建议在睡眠分期的自监督学习研究中采用这种方法。

Mar, 2024

采用多标签谱分析将脑电图信号处理成易于解读的睡眠模式图像，作为深层卷积神经网络的输入，研究自动分级睡眠阶段的方法，实验结果显示在新的患者中准确分类睡眠阶段，同时提供了结果的可视化解释框架。

Oct, 2017

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

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

通过研究编码器 - 预测器体系结构的设计选择，我们找到了适用于时间序列和频谱图输入表示的可靠体系结构，其中结构化状态空间模型作为其组成部分，从而在广泛的 SHHS 数据集上显著提高了性能，这些改进通过统计和系统误差估计进行了评估。我们预计，从本研究获得的体系结构见解不仅对于未来的睡眠分期研究有价值，而且对其他时间序列注释任务也具有相关性。

Oct, 2023

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

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

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