该研究使用多模态多达 14,000 个参与者的超过 100,000 个小时的睡眠记录数据集，开发了 SleepFM 模型，通过对比学习在睡眠阶段分类和睡眠障碍呼吸检测方面的任务表现获得比标准对比学习的表征更好的结果。

May, 2024

本文提出了一个名为 XSleepNet 的序列到序列的睡眠分期模型，可以从不同的视角（例如，原始信号和时频图像）学习联合表示，在不同视角之间平衡表示功率，从而改善了睡眠分期方法的结果。

Jul, 2020

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

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

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

在本研究中，我们提出了一个综合的流程，用于在进行睡眠呼吸暂停检测时弥补缺失或嘈杂的模态。与其他现有研究不同，我们的模型可以使用任意组合的可用模态，并在各种可用数据子集和不同的噪声水平下优于其他先进方法，即使在高水平的噪声或缺失情况下，其性能仍保持较高（AUROC>0.9）。这在噪声和缺失水平较高的情况下（如儿科或诊所外的场景）尤为重要。

Feb, 2024

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

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

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