利用 “Wake-Sleep Consolidated Learning” 学习策略，结合互补学习系统理论和人脑清醒 - 睡眠阶段，提高深度神经网络在连续学习环境下进行视觉分类任务的性能。

Dec, 2023

通过预测随机生成的合成时间序列的频率内容的一种预训练任务，我们的实验表明，我们的方法在数据有限和受试者少的情况下超越完全监督学习，在有很多受试者的情况下与其性能相匹配。此外，我们的结果强调了频率信息对于睡眠阶段判定的相关性，并且还表明，深度神经网络利用除频率以外的信息来提高睡眠分期的准确性，这与以前的研究一致。我们预计我们的方法将在脑 - 机接口等 EEG 数据有限或来源于少数受试者的广泛应用领域中具有优势。

Mar, 2024

本研究提出了一种新颖的睡眠检测方法，使用弱监督学习来处理缺乏可靠标签的情况。通过借助常规睡眠检测算法生成的预测结果作为弱标签，引入了一种新的非线性统计模型。结合神经网络检测睡眠，以睡眠概率作为二项分布的参数，最大化该模型的似然函数等效于最小化软交叉熵损失。通过对多种模型和损失函数的比较，研究结果表明，基于软交叉熵训练的 LSTM 模型在精度和模型校准方面优于传统睡眠检测算法、其他神经网络架构和损失函数，并在患者数据集上验证了该建模框架的有效性。该研究不仅改进了缺乏真实数据的睡眠检测技术，还通过引入创新方法在弱监督学习领域做出了贡献。

Feb, 2024

利用卷积神经网络结构对现代智能科技中可捕获的人类睡眠数据进行分类，提高睡眠阶段识别精度，并在三个公开数据集上与传统机器学习方法如逻辑回归、决策树、K 最近邻、朴素贝叶斯和支持向量机进行基准测试的性能表现进行对比，以此为未来研究模拟奠定基础。

Apr, 2022

本文提出了一种基于生成式对抗网络的加强型深度学习模型 SleepEGAN，该模型通过新的生成对抗网络架构 EGAN 进行数据增强，以提高睡眠阶段识别的准确性，在验证和测试集之间设计了一种无代价的集成学习策略以减少模型估计方差。实验表明，该方法优于现有的几种最先进的方法。

Jul, 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

本研究提出了一种名为 AMSL 的新方法，通过自身监督学习模块和适应性记忆融合模块，增强了无监督异常检测的泛化能力，并且在四个公共基准测试集上取得了显著的性能改进。

Jan, 2022

本文介绍了利用可穿戴设备识别睡眠阶段的方法，并使用 NetHealth 数据集和深度学习算法 Convolutional Neural Networks 和传统的 Random Forest 进行了比较。

Mar, 2023

本文第一次全面比较哺乳动物大脑中的重放与人工神经网络中的重放。从多个角度指出了人工神经网络中缺少的类似于生物重放的机制，并猜测如何利用这些机制来提高人工神经网络的性能。

Apr, 2021

提出了一种基于深度递归神经网络的睡眠分期自动化诊断工具 SLEEPNET，其在超过 10000 名患者的数据集上进行了训练，并在独立测验中展现出高于 85％的准确性与 79％左右的算法 - 专家间一致性，可实现专业水平的睡眠诊断。

Jul, 2017