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

利用自我监督学习解决了许多有监督方法所面临的大量注释数据的需求，本研究在时域和频域中引入了双流预训练任务架构，并在睡眠阶段分类任务中通过引入频率相似性预训练任务，成功地提高了任务精度，并得到了具有意义信息的学习嵌入表示。

Dec, 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

本文提出了一种新的框架，可以自动捕捉到基于权威睡眠医学指导的人类睡眠的脑电图信号的时频特性，并通过使用时间 - 频率补丁序列划分输入的 EEG 频谱图的信息特征和基于注意力的架构并行地有效地搜索划分的时频补丁与睡眠阶段的定义因素之间的相关性来对其进行定义。提出的方法在只使用脑电图信号的情况下，在 Sleep Heart Health Study 数据集上得出了新的最先进结果，分别获得了 0.93、0.88 和 0.87 的 F1 得分，并且具有高达 0.80 kappa 的高度一致性。我们还可视化了睡眠分期决策和所提出方法提取的特征之间的对应关系，为我们的模型提供了强大的可解释性。

Apr, 2022

本文提出一种名为 SleepEEGNet 的自动睡眠阶段注释方法，使用单通道睡眠 EEG 信号，由深度卷积神经网络、序列到序列模型组成，通过新颖的损失函数解决类不平衡问题，相比现有文献具有更好的标注性能，整体精度为 84.26%，F1 得分为 79.66%，Kappa 系数为 0.79，为睡眠专家提供更精确的诊断。

Mar, 2019

在多个领域，数据采集和标注的成本和实际应用性限制了监督式学习范式。本文提出了一种使用自监督学习范式从多元时间序列中学习信息表示的方法，并表明该方法没有依赖标签数据就可以超越纯监督式方法在低数据情况下应用于临床相关任务（如睡眠评分）以及两个脑电波数据集，并捕获了重要的生理信息。

Nov, 2019

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

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

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