本文提出一种名为 SleepEEGNet 的自动睡眠阶段注释方法，使用单通道睡眠 EEG 信号，由深度卷积神经网络、序列到序列模型组成，通过新颖的损失函数解决类不平衡问题，相比现有文献具有更好的标注性能，整体精度为 84.26%，F1 得分为 79.66%，Kappa 系数为 0.79，为睡眠专家提供更精确的诊断。

Mar, 2019

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

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

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

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

本研究比较了使用工程特征向量的传统机器学习模型（包括线性模型和梯度提升模型）与使用深度学习模型在睡眠暂停得分任务中的表现，并在公共数据集上展示了其具有竞争力的性能。观察到工程特征向量的表达力与深度学习模型内部学习的表示相当，这使得传统机器学习模型具有更好的可解释性和成功的历史，可以在临床中得到更好的应用。

Jul, 2022

本文介绍了一种名为 ContraWR 的自监督学习算法，可以用于从大量未标记的 EEG 数据中学习鲁棒的向量表示，用于睡眠分期任务，并且相比监督学习方法在数据标记少和噪声干扰情况下表现更好。

Oct, 2021

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