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

本研究采用七种不同的算法通过临床和人口统计学数据开发和测试机器学习模型，精确预测癫痫手术的预后，研究表明，基于机器学习的手术前的患者临床特征预测模型，能够精确地预测难治性病人的癫痫手术结果。通过挑选特征子集数据挖掘的监督分类机器学习策略可达到更好的预测效果，同时机器学习预测模型的发展为个性化医疗提供了必要的基础。

Feb, 2023

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

利用机器学习技术从儿科患者睡眠呼吸暂停的脑电图（EEG）信号中识别潜在的氧减标志物，为睡眠呼吸暂停的诊断提供帮助。

May, 2024

我们引入一种基于熵的分类方法 (ECPS) 用于量化心率和逐拍血压记录中的相互依赖关系。该方法的目的是为每个主体获取两个交织数据系列组成的数据，并基于序数模式和类似熵的指数构建一个分类器。使用机器学习选取最适合我们分类问题的一组指数，以便建立一个对于区分患有阻塞性睡眠呼吸暂停症的患者和对照组的最优且简单的模型。

Nov, 2023

使用两个 Transformer 模型，结合患者足够长的访问历史和多种情境，预测阻塞性睡眠呼吸暂停患者接下来一年的访问费用，以帮助医疗决策者进行精细的财务管理和预算分配。

Jan, 2023

通过使用智能手机传感器，本研究旨在评估使用 Apneal 应用程序检测患者 AHI 的性能，并通过一个基于深度学习模型的自动化方法准确评分。手动评分相对于 PSG 评分表明智能手机信号的手动评分是可行且准确的，而基于深度学习模型的自动评分方法提供了有希望的结果。需要进行更大的多中心验证研究以确认这些结果。

Jun, 2024

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

本文系统地检验了机器学习模型在临床预测任务方面的表现，尤其是在生理时间序列方面，并选择 Physionet 2019 挑战公共数据集来预测 ICU 单位脓毒症结局。比较了十个基准机器学习模型，包括三种深度学习方法和七种临床预测领域常用的非深度学习方法，使用了九个具有特定临床意义的评估指标来评估模型的表现。结果表明，深度学习的确优于非深度学习，但必须满足特定的条件才能达到更好的表现，这些条件包括使用特定的评估指标以及拥有足够规模的训练数据集。

Nov, 2022

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