阿尔茨海默病和睡眠障碍之间存在紧密联系，睡眠模式的中断经常在轻度认知障碍（MCI）和早期 AD 发作之前出现。本研究探讨利用通过多导睡眠监测仪（PSG）获得的与睡眠相关的脑电图（EEG）信号用于早期 AD 检测的潜力。我们主要关注于探索半监督深度学习技术用于 EEG 信号分类，这是由于临床场景中数据可用性有限的特点。实验方法包括测试和比较半监督 SMATE 和 TapNet 模型的性能，并与监督 XCM 模型和无监督的隐马尔科夫模型（HMMs）进行比较评估。研究强调了空间和时间分析能力的重要性，对每个睡眠阶段进行独立分析。结果表明，SMATE 在利用有限标记数据方面取得了稳定的度量结果，并在监督形式下达到了 90% 的准确率。比较分析揭示了 SMATE 在性能上优于 TapNet 和 HMM，而 XCM 在监督场景中以 92-94% 的准确率表现出色。这些发现强调了半监督模型在早期 AD 检测中的潜力，特别是在应对标记数据稀缺性方面。消融测试验证了空间 - 时间特征提取在半监督预测性能中的关键作用，并通过 t-SNE 可视化验证了模型在区分 AD 模式方面的熟练性。总体而言，这项研究通过创新的深度学习方法为 AD 检测的进展做出了贡献，突出了半监督学习在应对数据限制方面的重要作用。

Apr, 2024

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

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

介绍了一种新问题：在线选择性异常检测（OSAD）用于模拟对睡眠科学的研究。这种方法结合了机器学习和控制理论技术，可以很好地检测和触发警报，针对非 SS 异常而言，从数据结果来看非常有效。

Mar, 2014

本研究通过对移动健康可穿戴设备和应用的 7,261 名用户的一天内活动模式进行研究，发现使用穿戴式追踪器记录的步数和睡眠数据明显提高了与精神健康和神经系统紊乱相关的自我报告的慢性病症状的分类效果。通过联合预测所有疾病类型，利用多任务学习可以提取横跨数据集的特征，并实现最高的分类性能。该研究证实了使用卷积神经网络对多变量时间序列进行直接训练，可以实现领先于基线模型的分类性能。

Dec, 2016

精神分裂症是一种常见的心理障碍，其诊断涉及临床访谈、体格检查、心理评估、神经影像技术等多种工具；本研究回顾了应用脑电图信号和人工智能方法进行精神分裂症诊断的论文，并介绍了相关的研究领域和挑战。

Sep, 2023

通过在电子健康记录中引入话题提取和临床情绪分析等额外的可解释性自然语言处理功能，本文评估了在精神病患者中预测早期再入院风险的读入风险分类器建立过程中包括额外临床可解释性自然语言处理功能的重要性。

Oct, 2019

本文提出了使用红外视频来识别睡眠阶段，通过将 EEG 知识提炼至视觉信息的方法来实现。为了建立一个坚实的跨模态基准，作者还开发了一个新数据集（S3VE），包括 105 个受试者和 154,573 个视频剪辑，达 1100 个小时长。使用基于结构感知对比提炼的新模型（SACD）在 S3VE 和现有跨模态数据集上均取得最先进的性能。

Aug, 2022

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

本文介绍了使用心率变异性自动睡眠分期分类的最新技术，提出了一种基于长短时记忆网络（LSTM）的时态模型，使用美国睡眠医学协会注释标准获取手腕运动 PPG 的睡眠分期，在小型数据集上展示了知识转移的成功。

Sep, 2018