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 CoRe-Sleep，一种多模态融合网络，专注于改善不完美数据上的信号分析鲁棒性。训练 CoRe-Sleep 可以处理多模态信息，允许在不完整数据上训练。使用单个模型在 SHHS-1 上进行测试时，CoRe-Sleep 显示出多模态数据和单模态数据的最新表现。该工作旨在弥合自动分析工具和临床实用性之间的差距。

Mar, 2023

本研究提出了一种基于 DeepSleepNet 的深度学习模型，用于自动睡眠阶段评分，其利用卷积神经网络提取时间不变特征，并利用双向长短时记忆自动学习睡眠阶段之间的转换规则，无需使用任何手工特征，该模型在不同的单通道 EEG 数据集上均取得了相似的整体准确率和宏 F1 得分。

Mar, 2017

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

通过多模态生理信号的 Siamese 架构，通过多尺度对比，学习抑郁症识别的多模态生理信号的表示学习框架，能够提高对刺激任务相关的语义表示的学习，且在公开数据集和自收集的多模态生理信号数据集上优于现有模型，具备对多模态时序下游任务的迁移能力。

Jun, 2024

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

该研究提出了 REST 方法，通过敌对训练和光谱正则化控制神经网络的 Lipschitz 常数，同时通过稀疏正则化实现神经网络压缩，从而解决了将深度学习模型应用于家庭健康监测的噪声与紧凑高效的问题，并针对睡眠阶段分类任务进行了实验验证和手机应用部署测试。

Jan, 2020

本研究提出了一种端到端的深度学习结构 SSNet，包括基于卷积神经网络（CNN）和长短期记忆（LSTM）的两个深度学习网络，用于通过联合眼电图（EOG）、脑电图（EEG）和肌电图（EMG）的信号分类睡眠阶段。在两个公共数据集上进行了测试，取得了最佳性能。

Jul, 2023

本文介绍了使用心率变异性自动睡眠分期分类的最新技术，提出了一种基于长短时记忆网络（LSTM）的时态模型，使用美国睡眠医学协会注释标准获取手腕运动 PPG 的睡眠分期，在小型数据集上展示了知识转移的成功。

Sep, 2018