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

通过研究深度学习睡眠分期模型 S4Sleep (TS)，本文探讨了长程相关性对自动睡眠分期的影响，结果发现增加模型输入大小并不能显著提高性能，这对睡眠分期中的非常长程的相关性的诊断意义产生了怀疑。

Feb, 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

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

文章使用一种新方法，通过提高来自不同参与者但属于相同类的特征的相似性，从而实现学习主体无关的表示，进而在训练中仅使用少数样本即可准确预测基于 EEG 信号的视觉刺激类别。在有限数据情况下，即使采用了严格的问题设置，该方法在 EEG-ImageNet40 基准上实现了令人满意的表现，即面向目标主体每类只使用 5 个 EEG 样本时：72.6％ / 91.6％的 top-1 /top-3 测试精度。

Feb, 2022

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

提出一种称为 TransSleep 的新颖深度神经网络结构，使用具有上下文的信息，采用多尺度特征提取器模块、阶段混淆估计器模块和上下文编码器模块，用于睡眠分期，取得了良好的自动分期性能，并在 Sleep-EDF 和 MASS 数据集上展示出最先进的性能表现。

Mar, 2022

通过建立深度学习模型处理视觉刺激与脑电图之间的关联，本研究分析了跨主体差异、模型概括化的困难，并通过独特实验数据集验证该模型能够获得最高准确率。此外，还通过主体间轮廓分数、Grad-CAM 激活评分等分析结果表明，大脑语言和视觉处理区域对模型预测具有重要影响。这些结果有助于神经记录视频重建及其相关应用的发展。

Sep, 2023

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