本研究利用深度学习算法和卷积神经网络对肺音记录进行呼吸相检测，并将算法检测出的呼吸相与两个有经验的肺音专家手动标注的呼吸相进行比较评估，结果显示算法检测出的和人工标注的呼吸相存在高度一致性，因此该算法适用于肺音记录中的呼吸相检测。

Mar, 2019

本文旨在通过建立分類模型和策略識别呼吸声異常的方法来自動辨别呼吸和肺部疾病，提出使用深度 CNN-RNN 模型基于 Mel-spectrograms 进行呼吸声分类，并采用局部日志量化策略来减少模型权重的内存占用，该模型在 ICBHI'17 科学挑战呼吸声数据库的呼吸周期四级分类上达到 66.31% 的分数，在使用患者特定数据重新训练模型后，还能以 71.81% 的成绩进行交叉验证，而局部日志量化训练后的权重则能够显著降低内存需求，这种类型的患者特定再培训策略在开发可靠的长期自动患者监测系统特别是在可穿戴式医疗解决方案中可能非常有用。

Apr, 2020

本研究提出了一种基于1D卷积神经网络的分类算法，可用于诊断和治疗类似阻塞性睡眠呼吸暂停(OSA)的睡眠障碍。研究结果表明，该方法具有明显的分类效果，并可自动提取特征，省去了预处理PSG数据的繁琐步骤。

Jun, 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

使用基于距离关系的新特征提取方法，提高了轻量级模型的性能，为家庭睡眠呼吸暂停监测和睡眠呼吸暂停检测在物联网设备中的应用潜力。

Nov, 2023

使用 STREAMLINE 方法，这项研究探索了基于摄影的表型特征在预测阻塞性睡眠呼吸暂停（OSA）中的应用价值，结果发现摄影特征在预测中重度/严重 OSA 方面提供了额外的价值，但没有超越传统人口统计学、并发症和症状特征在预测 OSA 中的效果。

Dec, 2023

利用机器学习和深度学习技术，本研究初次尝试通过使用医学数据和药物诱导睡眠内窥镜（DISE）拍摄的视频来判断患者对Inspire疗法的反应，从而帮助耳鼻喉科医生确定适用性，为未来该领域的进展铺平道路。

Feb, 2024

通过呼吸音检测病理学，使用 ICBHI 基准数据集，利用变分卷积自编码器和卷积神经网络实现对呼吸音进行分类以及区分不同类型的病理学或健康状态，取得了高达0.993 F-Score的分类结果。

Feb, 2024

利用商品耳机实时监测呼吸频道和阶段以评估呼吸疗法的遵守情况的潜力。

Apr, 2024

本研究解决了当前呼吸疾病诊断和管理依赖专业临床测试的局限性，提出了一种基于机器学习的算法，用于在家监测接受持续正压呼吸治疗患者的呼吸状态。研究发现，随机森林分类器在准确性上优于其他模型，尤其是考虑呼吸频率后，这为将呼吸评估从临床环境转移到家庭提供了新的可能性，提升了可及性和患者自主性。

Sep, 2024