通过对最近的文献进行综合性、系统性的回顾和荟萃分析，本研究旨在分析使用人工智能进行的睡眠研究中不同方法和其结果，包括睡眠阶段分类和睡眠障碍检测。

May, 2024

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

这篇研究论文旨在提出一种名为 “EEGMobile” 的机器学习模型，通过利用脑信号的脑电图（EEG）频谱图进行预训练并学习，对睡眠阶段进行准确高效的分类，从而提高对睡眠相关现象的理解，改善疾病治疗效果。该模型在公开数据集 “Sleep-EDF20” 上实现了 86.97% 的准确率，尤其在 N1 睡眠阶段达到了 56.4% 的准确率，超过了其他研究者提出的模型，表明该模型具有更好的治疗该疾病的潜力。

Sep, 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

使用 SE-Resnet-Bi-LSTM 架构对睡眠进行五个阶段的分类，方法基于对单通道脑电图（EEG）的分析，利用 1D-GradCAM 可视化方法解释模型决策过程，研究结果表明该模型在睡眠阶段分类上具有较高的准确率和 F1 分数。

Sep, 2023

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

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

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

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