本研究提出了一种新颖的双向长短期记忆（BiLSTM）深度学习模型，结合基于小波同步挤压变换（WSST）的高度局部化时频系数特征提取，能够有效去除眼球伪迹，相比传统的时间 - 频率分析和原始信号方法，该方法可以显著提高伪迹去除性能。

Sep, 2022

通过在频域操作，并针对噪声进行卷积滤波来实现脑电信号的去噪，可以有效地去除神经活动中的噪声源和生理性伪迹。

Oct, 2023

本论文提出了一种使用三模张量分解方法来去除语音伪影的方法，该方法在大片说话任务中比基于独立成分分析 (ICA) 和盲源分离 (BSS) 的方法表现更好，并且能够正确地保留与语音无关的组分。

Jun, 2022

我们引入一种创新的方法来使用 EOG 信号进行自动睡眠分期分类，解决了 EEG 数据采集的不适和不实用性。我们的提出的 SE-Resnet-Transformer 模型能够准确分类来自原始 EOG 信号的五个不同的睡眠阶段。在公开可获得的数据库（SleepEDF-20，SleepEDF-78 和 SHHS）上进行了广泛验证，显示出显著的性能，宏 F1 分数分别为 74.72，70.63 和 69.26。我们的模型在识别 REM 睡眠方面表现出色，这是睡眠障碍研究中的关键方面。我们还使用 1D-GradCAM 和 t-SNE 图等技术提供了关于我们模型内部机制的见解。我们的方法提高了睡眠分期分类的可访问性，同时减少了对 EEG 模式的需求。这一发展将对医疗保健和将可穿戴技术纳入睡眠研究中产生有希望的影响，从而推动该领域的诊断和患者舒适性的提升。

Sep, 2023

本文提出了一种解决单个主动电极应用于睡眠阶段分类的局限性的实际方法，其中利用整流器神经网络和长短期记忆网络来优化分类性能，并找到了单通道 EEG 在额头上的舒适配置，并证明它可以与其他电极一起使用，从而实现了睡眠自动分类的更好性能。

Oct, 2016

本文提出了一个新方法，使用 Cycle-GAN 来盲目去噪 ECG 信号，从而提高信号质量，无论信号受到何种类型和严重程度的干扰，使其恢复成临床水平的 ECG。该方法在 CPSC-2020 ECG 数据集上经过了量化和定性评估，并得到了心脏病专家的验证。

Jan, 2022

提出了利用 EEG 数据作为时序数据的基于图像的数据表示方法的测试平台，并对六种常用的表示方法进行了十一种流行的深度学习架构的评估。发现在表示方法的选择中，存在着偏差与方差之间的权衡，然而某些表示方法在突出增加数据的信噪比方面更加有效。通过 EEG 数据呈现了实验结果，并开源了我们的测试框架，以促进未来在这方面进行的比较分析。

Dec, 2023

本篇论文提出了一种无需标记的自监督方法，通过积极和消极子图考虑嵌入在 EEG 图中的局部结构和上下文信息，从而检测癫痫通道和片段，并在最大的癫痫数据集上展示了其超越同领域先进水平的性能。

Aug, 2022

本研究采用一种有效的编码方式将脑电信号编码为图像，从而实现对深度学习模型中的脑信号进行更细致的理解，并将其与标准图像特征相结合，以提高深度学习模型的可解释性。通过在六个受试者的层数据集上对 39 个图像类别进行编码分类，该方法在 82% 的准确率方面优于现有工作，从而证明了该理论的可行性。

Sep, 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