Automatic Sleep Scoring from Large-scale Multi-channel Pediatric EEG
University of California Los Angeles（加州大学洛杉矶分校）；Philips Research（飞利浦研究院）
睡眠对婴儿、儿童和青少年的健康尤为重要，睡眠评分是准确诊断和治疗可能危及生命的疾病的第一步。但是，与健康机器学习背景下的成人睡眠相比，儿科睡眠研究严重不足，为成人开发的睡眠评分算法通常在婴儿身上表现不佳。在这里，我们介绍了在标准临床护理期间收集的最近大规模儿科睡眠研究数据集的第一个自动睡眠评分结果。我们开发了一个基于transformer的模型，该模型可以学习从数百万个多通道脑电图（EEG）睡眠时期中分类五个睡眠阶段，总体准确率为78%。此外，我们进行了深入的分析模型的性能的基础上，患者的人口统计和EEG通道。这些结果表明，对儿科睡眠的机器学习研究的需求日益增长。
2022-10-26 cs.LG eess.SP
EEG-based Sleep Staging with Hybrid Attention
Nanyang Technological University（南洋理工大学）；Zhejiang Sci-Tech University（浙江理工大学）
本文提出混合注意力EEG睡眠分期框架HASS，通过时空注意力机制自适应分配通道间与通道内权重，在MASS和ISRUC数据集上显著提升典型睡眠分期网络的性能。
2023-05-16 cs.AI cs.LG eess.SP
On the Variability of Chaos Indices in Sleep EEG Signals
前人的研究揭示了脑电信号的混沌和非线性本质。本文研究了睡眠脑电信号的混沌指标如最大李雅普诺夫指数、互信息、关联维数和最小嵌入维数在不同受试者、不同睡眠状态和不同睡眠阶段之间的变化规律。这些指数的经验直方图从睡眠脑电图的31个科目，显示出，具有良好的准确性，这些指数在睡眠的每个阶段不同，从健康的人类受试者怀疑有睡眠呼吸障碍。
2018-03-13 eess.SP
eegFloss: A Python package for refining sleep EEG recordings using machine learning models
Radboud University Medical Center（拉德堡德大学医学中心）；Rhine-Waal University of Applied Sciences（莱茵-瓦尔应用科学大学）
本文提出eegFloss，一个开源Python包，利用机器学习模型eegUsability检测睡眠EEG中的伪影，以提高自动睡眠分期的准确性，并支持卧床时间检测和睡眠统计生成。
2025-07-08 cs.LG eess.SP q-bio.QM
AI vs Humans for the diagnosis of sleep apnea
Dreem（Dreem公司）；Stanford University（斯坦福大学）
多导睡眠图（PSG）是诊断睡眠阻塞性呼吸暂停（OSA）的金标准。它可以监测整个晚上的呼吸事件。这些事件的检测通常由训练有素的睡眠专家完成。然而，这项任务是繁琐的，非常耗时，并受到重要的评分员之间的变化。在这项研究中，我们将最先进的睡眠事件检测深度学习方法DOSED应用于PSG中睡眠呼吸事件的检测，以诊断OSA。我们使用了52个PSG记录的数据集，其中呼吸暂停低通气事件评分来自5名训练有素的睡眠专家。我们评估了自动方法的性能，并将其与OSA严重程度诊断和单次呼吸事件检测的微尺度评分器间性能进行了比较。我们观察到，人类睡眠专家达到了75%的平均准确率，而自动方法达到了81%的睡眠呼吸暂停严重程度诊断。单个事件检测的F1分数平均为专家0.55，自动方法0.57。这些结果表明，自动方法可以在睡眠专家水平上执行OSA的诊断。
2019-06-20 cs.LG eess.SP stat.ML
StARS DCM: A Sleep Stage-Decoding Forehead EEG Patch for Real-time Modulation of Sleep Physiology
本文提出StARS DCM系统，通过前额脑电贴片结合神经网络睡眠分期解码，实现闭环听觉刺激和热调节等实时睡眠干预，为EEG和BCI研究提供低负担开源平台。
2025-06-06 eess.SP
Intra- and Inter-epoch Temporal Context Network (IITNet) Using Sub-epoch Features for Automatic Sleep Scoring on Raw Single-channel EEG
Korea Atomic Energy Research Institute（韩国原子能研究院）；Gwangju Institute of Science and Technology (GIST)（光州科学技术院）
提出了一种名为IITNet的深度学习模型，用于从原始单通道EEG中学习时期内和时期间的时间上下文以进行自动睡眠评分。为了从半分钟的EEG中对睡眠阶段进行分类，称为一个时期，睡眠专家调查了与睡眠相关的事件，并考虑了所发现的事件之间的过渡规则。类似地，IITNet通过残差神经网络在子时期级别提取代表性特征，并通过双向LSTM从特征序列中捕获时期内和时期间的时间上下文。当序列长度（L）从1增加到10时，针对三个数据集研究性能。IITNet实现了与其他国家的最先进的结果相媲美的性能。SleepEDF（L=10）、MASS（L=9）和SHHS（L = 10）的最佳准确度、MF 1和Cohen's kappa（$κ$）分别为83.9%、77.6%、0.78、86.5%、80.7%、0.80和86.7%、79.8%、0.81。虽然用了四个纪元，但性能仍然相当。与使用单个时期相比，平均而言，N1、N2和REM的准确度和MF1分别增加了2.48%p和4.90%p，F1分别增加了16.1%p、1.50%p和6.42%p。四个时期以上，性能改善不显著。研究结果表明，考虑到最新的两分钟原始单通道EEG可以是通过深度神经网络进行睡眠评分的合理选择，具有效率和可靠性。此外，基线实验表明，引入具有深度残差网络的时间内上下文学习有助于提高整体性能，并与时间间上下文学习具有积极的协同效应。
2020-06-10 cs.LG eess.SP stat.ML
MRNet: a Multi-scale Residual Network for EEG-based Sleep Staging
Wuhan University（武汉大学）
基于脑电图的睡眠分期在睡眠障碍的临床诊断和治疗中具有重要作用。为了将人类专家从繁重的标记工作中解放出来，最近已经采用深度神经网络来制定自动睡眠分期系统。然而，脑电信号在网络传播过程中丢失了大量的细节信息，影响了深层特征的表示。为了解决这个问题，我们提出了一个新的框架，称为MRNet，数据驱动的睡眠分期集成多尺度特征融合模型和基于马尔可夫序列校正算法。MRNet的骨干网络是一个基于残差块的网络，它作为一个特征提取器，然后融合模型通过连接骨干网络不同深度的输出来构建一个特征金字塔，这可以帮助网络更好地理解不同尺度下的信号。基于马尔可夫的顺序校正算法的设计，以减少由分类器产生的输出抖动。该算法依赖于与睡眠阶段转换规则和马尔可夫链相关联的先前阶段分布。实验结果表明，我们提出的方法在准确率和F1得分（例如，Sleep-EDFx上的85.14% Acc和78.91% F1评分，Sleep-EDF上的87.59% Acc和79.62% F1评分）。
2021-01-07 cs.LG eess.SP
EEG aided boosting of single-lead ECG based sleep staging with Deep Knowledge Distillation
IIT Madras（印度理工学院马德拉斯分校）
脑电图（EEG）信号目前被接受为用于自动睡眠分期的标准。最近，通过基于深度学习（DL）的方法可以实现自动睡眠分期的接近人类的准确性，从而在该领域取得了多方面的进展。然而，基于EEG的睡眠分期需要广泛且昂贵的临床设置。此外，EEG设置本质上是突兀的并且需要专家进行设置，这增加了研究对象的不便，使得其在护理点设置中不利。心电图（ECG）是EEG的一种不显眼且更合适的替代方法。不出所料，与睡眠分期中的EEG相比，其性能仍然低于标准。为了利用这两种模式，将知识从EEG转移到ECG是一种合理的方法，最终提高基于ECG的睡眠分期的性能。知识蒸馏（KD）是DL中一个很有前途的概念，它将知识从表现优异但通常更复杂的教师模型共享到表现较差但紧凑的学生模型。基于这一概念，提出了一种跨模态KD框架，该框架通过在EEG上训练的模型来辅助学习特征，以提高基于ECG的睡眠分期性能。此外，为了更好地理解蒸馏方法，对所提出的模型的独立模块进行了广泛的实验。本研究使用了由200名受试者组成的蒙特利尔睡眠研究档案（MASS）数据集。3级和4级睡眠分级的加权F1评分结果分别显示了13.40%和14.30%的改善。该研究证明了KD用于基于单通道ECG的睡眠分期在3类（W-R-N）和4类（W-R-L-D）分类中的性能增强的可行性。
2022-11-18 cs.AI cs.LG eess.SP
Exploration of LLMs, EEG, and behavioral data to measure and support attention and sleep
Rice University（里士大学）；Microsoft Research（微软研究院）
本文探索利用大语言模型（LLMs）结合脑电图（EEG）和活动数据估计注意力状态、睡眠阶段和质量，并生成改善建议和引导想象脚本，发现LLMs能基于行为特征评估睡眠质量，但基于EEG和活动数据的检测需更多训练数据。
2026-06-23 cs.AI cs.HC cs.LG
Real-Time Sleep Staging using Deep Learning on a Smartphone for a Wearable EEG
MIT Media Lab（麻省理工学院媒体实验室）
我们提出了第一个实时的【形】睡眠分期系统，该系统使用深度学习，而无需在智能手机应用程序中为可穿戴EEG提供服务器。我们采用单通道脑电图（EEG）的实时的【形】自适应来从时间分布的1-D深度卷积神经网络进行推断。多导睡眠图（PSG）-睡眠分期的黄金标准，需要人工评分，既复杂又资源密集。我们的工作展示了一个端到端的智能手机管道，可以在30秒的时间内推断睡眠阶段，使用开放的Sleep-EDF数据集对睡眠阶段的五类分类进行20倍交叉验证，总体准确率为83.5%。
2018-11-28 cs.HC cs.LG eess.SP
Detection of Sleep Oxygen Desaturations from Electroencephalogram Signals
Khoury College of Computer Sciences（科里计算机科学学院）；Northeastern University（东北大学）
本研究利用机器学习技术，仅从患有睡眠呼吸暂停的儿科患者的脑电信号中识别氧饱和度下降的潜在生物标志物，分类平均平衡准确率达66.8%，表明EEG数据中存在氧饱和度下降的潜在生物标志物。
2024-05-08 cs.LG eess.SP
NeuroLingua: A Language-Inspired Hierarchical Framework for Multimodal Sleep Stage Classification Using EEG and EOG
Université du Québec à Trois-Rivières（魁北克大学三河分校）；Shiraz University（设拉子大学）
针对自动睡眠阶段分类缺乏时间层次、多模态融合难和模型可解释性低的问题，提出受语言启发的NeuroLingua框架，通过CNN分词器和双层Transformer实现分层建模与多模态融合，提升分类性能和临床可解释性。
2025-11-12 cs.LG eess.SP
Automatic Sleep Staging of EEG Signals: Recent Development, Challenges, and Future Directions
Aarhus University（奥胡斯大学）
现代深度学习在改变人类睡眠的临床实践方面具有巨大的潜力。教一台机器执行常规任务将大大减少临床医生的工作量。睡眠分期是睡眠实践中的一个基本步骤，是一个合适的任务，也是本文的重点。最近，自动睡眠分期系统已经被训练成模仿人工评分，至少在健康受试者的评分方面，其表现与人类睡眠专家相似。尽管取得了巨大的进步，但我们还没有看到自动睡眠评分在临床环境中广泛采用。本文旨在就自动睡眠分期的最新发展、仍需解决的挑战以及自动睡眠评分实现临床价值的未来方向提供作者的共同观点。
2022-05-09 cs.AI cs.LG eess.SP
Transparency in Sleep Staging: Deep Learning Method for EEG Sleep Stage Classification with Model Interpretability
International Institute of Information Technology Hyderabad（海得拉巴国际信息技术学院）；National Institute of Mental Health and Neurosciences（国家心理健康与神经科学研究所）
本文提出一种结合残差网络挤压激励模块与堆叠Bi-LSTM的可解释深度学习模型用于单通道脑电睡眠分期，首次将GradCam引入该领域，在三个公开数据集上取得最优性能并将训练速度提升8倍。
2024-01-14 cs.LG eess.SP
SleepEEGNet: Automated Sleep Stage Scoring with Sequence to Sequence Deep Learning Approach
Northern Arizona University（北亚利桑那大学）；Ngee Ann Polytechnic（义安理工学院）；Singapore University of Social Sciences（新加坡社会科学大学）；University of Malaya（马来亚大学）
脑电图（EEG）是一种用于监测大脑活动和诊断睡眠障碍的常见基础信号。对于睡眠专家来说，手动睡眠阶段评分是一项耗时的任务，并且受到评分者间可靠性的限制。在本文中，我们提出了一个自动的睡眠阶段注释方法称为SleepEEGNet使用单通道EEG信号。SleepEEGNet由深度卷积神经网络（CNN）组成，用于提取时不变特征，频率信息和序列到序列模型，以捕获睡眠时期和分数之间的复杂和长期短期上下文依赖关系。此外，为了减少现有睡眠数据集中存在的类别不平衡问题的影响，我们应用了新的损失函数，以便在训练网络时每个睡眠阶段都有相等的误分类错误。我们在不同的单EEG通道上评估了所提出的方法（即，Fpz-Cz和Pz-Oz EEG通道），来自2013年和2018年发布的Physionet Sleep-EDF数据集。评价结果表明，该方法实现了最好的注释性能相比，目前的文献，与84.26%的整体准确率，宏观F1分数为79.66%和科恩的Kappa系数= 0.79。我们开发的模型可以测试更多的睡眠EEG信号，并帮助睡眠专家做出准确的诊断。源代码可在https://github.com/SajadMo/SleepEEGNet上获得。
2019-03-05 cs.LG eess.SP q-bio.QM
End-to-end Sleep Staging with Raw Single Channel EEG using Deep Residual ConvNets
Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）
人类一生中大约有三分之一的时间在睡觉，这使得监测睡眠成为健康不可或缺的一部分。本文提出了一种用于端到端睡眠分级的34层深度残差ConvNet架构。该网络以原始单通道脑电信号（Fpz-Cz）为输入，每30秒产生一段睡眠图注释作为输出。在扩展的PhysioNet Sleep-EDF数据集上针对两种不同的评分标准（5和6阶段分类）进行实验，该数据集包含来自医院和家庭多导睡眠图设置的多源数据。所提出的网络的性能进行了比较，在病人独立的验证任务的国家的最先进的算法。实验结果表明，该网络的优越性相比，现有的最好的方法，提供了一个相对改善的逐时平均精度为6.8%和6.3%的家庭数据和多源数据，分别。代码在Github上公开。
2019-04-23 cs.CV cs.LG eess.SP
SleePyCo: Automatic Sleep Scoring with Feature Pyramid and Contrastive Learning
Korea Atomic Energy Research Institute（韩国原子能研究院）
本文提出SleePyCo框架，通过特征金字塔主干网络与监督对比学习解决单通道EEG自动睡眠分期中多尺度特征提取和相似阶段混淆问题，在四个数据集上优于现有方法，显著提升N1与REM阶段区分能力。
2022-09-20 cs.AI cs.LG eess.SP
Adaptive Spike-Like Representation of EEG Signals for Sleep Stages Scoring
近年来，通过提取脑电信号的时空特征来进行自动阶段评分的研究取得了可喜的成果。这样的方法需要费力的人工特征工程和领域知识。在这项研究中，我们提出了一个自适应的计划，概率编码，过滤和积累的输入信号和加权所得的功能的信号强度的半高斯概率。自适应表示随后被馈送到Transformer模型中，以自动挖掘特征和相应阶段之间的相关性。在最大的公共数据集上对最先进的方法进行了广泛的实验，验证了我们所提出的方法的有效性，并揭示了有前途的未来方向。
2022-04-02 cs.LG eess.SP
Self-supervised EEG Representation Learning for Automatic Sleep Staging
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Relativity（Relativity公司）；Harvard Medical School（哈佛医学院）；Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心）
背景资料：深度学习模型通过从仔细注释的脑电图（EEG）数据中学习，在自动化睡眠医学任务方面取得了巨大成功。然而，有效地利用大量的原始EEG仍然是一个挑战。目的：在本文中，我们的目标是从大量未标记的EEG信号中学习鲁棒的矢量表示，以便学习的矢量化特征（1）具有足够的表达能力，可以取代睡眠分期任务中的原始信号;（2）在标签和噪声样本较少的情况下，提供比监督模型更好的预测性能。研究方法：我们提出了一个自监督模型，名为与世界表示的对比（ContraWR），用于EEG信号表示学习，它使用来自数据集的全局统计数据来区分与不同睡眠阶段相关的信号。在三个真实世界的EEG数据集上评估了ContraWR模型，这些数据集包括家庭和实验室EEG记录设置。结果：在3个大型EEG数据集上，ContraWR在睡眠分期任务上优于4种最近的自监督学习方法。当可用的训练标签较少时（例如，当标记的数据少于2%时，精度提高4%）。此外，该模型在2D投影中提供了信息丰富的代表性特征结构。结论：我们表明，ContraWR对噪声具有鲁棒性，可以为下游预测任务提供高质量的EEG表示。该模型可以推广到其他无监督的生理信号学习任务。未来的发展方向包括探索特定任务的数据增强，以及将自我监督与监督方法相结合，建立在本文自我监督学习的初步成功基础上。
2023-02-12 cs.AI cs.LG eess.SP
Exploring the Efficacy of Convolutional Neural Networks in Sleep Apnea Detection from Single Channel EEG
AI and Computer Engineering International School of Engineering, CMKL University（CMKL大学国际工程学院人工智能与计算机工程系）
针对睡眠呼吸暂停传统诊断金标准PSG的诸多局限，提出基于单通道EEG训练的CNN检测方法，配套预处理、数据集构建及类别不平衡处理方案，准确率达85.1%，为家庭化自动化睡眠呼吸暂停检测提供可行路径。
2025-08-16 cs.LG eess.SP
A Multi Constrained Transformer-BiLSTM Guided Network for Automated Sleep Stage Classification from Single-Channel EEG
本文提出DenseRTSleep-II架构，结合CNN、Transformer和BiLSTM并引入加权多损失方案，在SleepEDFx数据集上显著超越IIT-Net和DeepSleepNet等现有方法，实现高效的单通道EEG自动睡眠分期。
2023-09-19 eess.SP
Artifact detection and localization in single-channel mobile EEG for sleep research using deep learning and attention mechanisms
Institute of Biomedical Engineering, Ulm University（生物医学工程研究所，乌尔姆大学）；Mobile Health Systems Lab, Department of Health Sciences and Technology, ETH Zurich（移动健康系统实验室，健康科学与技术系，苏黎世联邦理工学院）
该研究针对单通道移动EEG伪影检测的应用局限，提出CNN-CBAM模型，经72份训练、26份测试数据验证，其性能优于6种对比方法，实现了可穿戴睡眠EEG伪影的自动化检测与定位。
2026-08-11 cs.LG eess.SP
Automatic Classification of Sleep Stages from EEG Signals Using Riemannian Metrics and Transformer Networks
Normandie Univ（诺曼底大学）；UNICAEN（卡昂大学）；ENSICAEN（卡昂高等工程师学院）；CNRS（法国国家科学研究中心）；LAMSADE（决策实验室）；PSL University Paris-Dauphine（巴黎第九大学（PSL大学巴黎多芬学院））；Normandie Université（诺曼底大学）；INSERM（法国国家健康与医学研究院）；CHU Caen（卡昂大学医院中心）
本文提出 SPDTransNet，利用协方差矩阵时间序列和保持 SPD 性质的特征融合机制进行 EEG 睡眠阶段分类，在单数据集及多数据集实验中达到或超过最先进性能。
2024-10-18 cs.LG eess.SP
Classification of sleep stages from EEG, EOG and EMG signals by SSNet
本文提出端到端深度学习架构SSNet，融合CNN和LSTM从EEG、EOG、EMG信号中提取特征，在Sleep-EDF Expanded和ISRUC-Sleep数据集上实现睡眠阶段分类的最佳性能。
2023-07-03 cs.AI cs.LG eess.SP
FetalSleepNet: A Transfer Learning Framework with Spectral Equalisation Domain Adaptation for Fetal Sleep Stage Classification
Department of Biomedical Informatics, Emory University（埃默里大学生物医学信息学系）；Ritchie Centre, Hudson Institute of Medical Research（哈德逊医学研究所里奇中心）；Department of Biomedical Engineering, Georgia Institute of Technology（佐治亚理工学院生物医学工程系）；Department of Obstetrics and Gynaecology, Monash University（莫纳什大学妇产科学系）；Department of Electrical and Computer Systems Engineering, Monash University（莫纳什大学电气与计算机系统工程系）
本文提出FetalSleepNet，首次利用深度学习对羊胎儿EEG进行睡眠阶段分类，通过迁移学习和频谱均衡域适应策略提升分类准确率，实现自动化睡眠阶段识别，为临床应用提供支持。
2025-09-12 cs.LG eess.SP
Diffuse to fuse EEG spectra -- intrinsic geometry of sleep dynamics for classification
本文提出了一种新的睡眠动态可视化和自动标注算法，该算法应用基于扩散几何的传感器融合算法融合两个脑电图（EEG）的频谱信息。扩散几何方法有助于组织隐藏在EEG信号中的非线性动力学结构。通过所选扩散几何算法的非线性降维能力实现可视化。为了自动注释的目的，{支持向量机}被训练以预测睡眠阶段。预测性能在公开可用的基准数据库Physionet Sleep-EDF [扩展] SC $^*$ {（SC = Sleep Cassette）}和ST $^*$ {（ST = Sleep Telemetry）}上进行验证，并采用留一受试者交叉验证。当我们具有单个EEG通道（Fpz-Cz）时，总体准确度、宏F1和Cohen's kappa分别在Sleep-EDF SC $^*$中达到$82.72\%$、$75.91\%$和$76.1\%$，在Sleep-EDF ST $^*$中达到$78.63\%$、$73.58\%$和$69.48\%$。这种性能与最先进的结果相一致。当我们有两个EEG通道（Fpz-Cz和Pz-Oz）时，总体准确度、宏F1和Cohen's kappa分别在Sleep-EDF SC $^*$中达到$84.44\%$、$78.25\%$和$78.36\%$，在Sleep-EDF ST $^*$中达到$79.05\%$、$74.73\%$和$70.31\%$。结果表明，该算法在实际应用中的潜力…
2019-05-07 eess.SP physics.data-an stat.AP
SleepEffFormer: Efficient CNN-Transformer with Transition-Aware Smoothing for Single-Channel EEG Sleep Stage Classification
NIMISHES Lab（NIMISHES实验室）；Canadian University of Bangladesh（孟加拉国加拿大大学）
提出SleepEffFormer TAS，结合CNN与Transformer及非参数转换感知平滑，在单通道脑电睡眠分期中达到83.9%准确率，参数少3-5倍，并提升少数类性能。
2026-09-22 eess.SP
Comparative Analysis of State-of-the-Art Foundation Models for Sleep Analysis Under Channel Reduction
University of Turku（图尔库大学）；Turku University Hospital（图尔库大学医院）；University College Cork（科克大学）；University at Albany, SUNY（纽约州立大学奥尔巴尼分校）；Fudan University（复旦大学）；University of Sydney（悉尼大学）
本研究比较六种睡眠分期模型在EEG、ECG及其组合下的性能，发现EEG承载主要信号，BIOT在EEG上最优（宏F1 0.7237），ECG替代平均损失0.3531，且预训练迁移有效。
2026-09-22 cs.LG eess.SP
TRIER: Template-Guided Neural Networks for Robust and Interpretable Sleep Stage Identification from EEG Recordings
Looxid Labs
神经网络在训练过程中往往会得到次优的表示，这会降低鲁棒性和分类性能。这是将深度学习应用于生物医学领域的一个严重问题，因为模型很容易受到数据不规则性和稀缺性的影响。在这项研究中，我们提出了一种预训练技术，可以在睡眠分期任务中应对这一挑战。受经验丰富的医生用于根据特征波形形状或模板模式的存在对睡眠状态进行分类的传统方法的启发，我们的方法引入了基于余弦相似性的卷积神经网络来从训练数据中提取代表性波形。然后，这些特征引导模型基于模板模式构建表示。通过大量的实验，我们证明了用模板模式指导神经网络是一种有效的睡眠分期方法，因为（1）分类性能显着增强，（2）在几个方面的鲁棒性得到改善。最后但并非最不重要的是，对模型的解释表明，在所提出的方法中，在预测过程中正确地处理了经过训练的专家所利用的显著特征。
2020-09-10 cs.LG eess.SP
BiT-MamSleep: Bidirectional Temporal Mamba for EEG Sleep Staging
School of Electronic Engineering and Computer Science, Queen Mary University of London（伦敦大学玛丽女王学院电子工程与计算机科学学院）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出BiT-MamSleep架构，结合TRCNN多尺度特征提取与双向Mamba时序建模，并引入AFR模块、Focal Loss和SMOTE，以低计算成本解决睡眠分期中的双向依赖和类别不平衡问题，在四个数据集上优于现有方法。
2024-11-21 cs.LG eess.SP
A Deep Knowledge Distillation framework for EEG assisted enhancement of single-lead ECG based sleep staging
Healthcare Technology and Innovation Center (HTIC), Indian Institute of Technology (IIT-M), India（医疗技术与创新中心（HTIC），印度理工学院马德拉斯分校（IIT-M））；Department of Electrical Engineering, Indian Institute of Technology, Madras (IITM), India（印度理工学院马德拉斯分校（IITM）电气工程系）
自动睡眠分期研究目前是在脑电图（EEG）信号的帮助下完成的。最近，基于深度学习（DL）的方法在这一领域取得了重大进展，使自动睡眠分期的准确性接近人类。然而，基于EEG的睡眠分期需要广泛且昂贵的临床设置。此外，需要专家进行设置以及给研究对象带来的额外不便使其在护理点环境中不利。心电图（ECG）是EEG的一种不显眼的替代方法，更合适，但与基于EEG的睡眠分期相比，其性能仍然低于标准。当然，将知识从EEG转移到ECG将是有帮助的，最终增强模型在基于ECG的输入上的性能。知识蒸馏（KD）是DL中的一个著名概念，旨在将知识从更好但可能更繁琐的教师模型转移到紧凑的学生模型。基于这一概念，我们提出了一个跨模态KD框架，以提高基于ECG的睡眠分期性能，并借助通过EEG训练的模型学习的特征。此外，我们还对所提出的模型的各个组件进行了多次实验，以更好地了解蒸馏方法。我们的研究使用了来自蒙特利尔睡眠研究档案（MASS）的200名受试者的数据。该模型在4级和3级睡眠分期中分别显示了14.3%和13.4%的加权F1分数增加。这证明了KD在4类（W-L-D-R）和3类（W-N-R）分类中用于基于单通道ECG的睡眠分期的性能改进的可行性。
2022-02-05 cs.AI eess.SP
Sleep Model -- A Sequence Model for Predicting the Next Sleep Stage
Seoul National University（首尔国立大学）
随着睡眠障碍变得越来越普遍，迫切需要以较少干扰的方式对睡眠阶段进行分类，特别是使用简单传感器（例如单通道脑电图（EEG）、眼电图（EOG）、肌电图（EMG）或心电图（ECG））的睡眠阶段分类已经引起了极大的兴趣。在这项研究中，我们提出了一个睡眠模型，预测下一个睡眠阶段，并使用它来提高睡眠分类的准确性。使用睡眠序列数据构建睡眠模型，并采用统计$n$ -gram或基于深度神经网络的模型。我们开发了波束搜索解码来结合来自传感器和睡眠模型的信息。此外，我们评估了基于$n$ -gram和长短期记忆（LSTM）递归神经网络（RNN）的睡眠模型的性能，并证明了使用EOG传感器对睡眠阶段分类的改进。开发的睡眠模型显着提高了睡眠阶段分类的准确性，特别是在没有EEG传感器的情况下。
2023-02-17 cs.LG eess.SP
NeuroNet: A Novel Hybrid Self-Supervised Learning Framework for Sleep Stage Classification Using Single-Channel EEG
Korea University（高丽大学）；University of Cambridge（剑桥大学）；Stanford University School of Medicine（斯坦福大学医学院）；VA Palo Alto Health Care System（帕洛阿尔托退伍军人事务医疗系统）；Korea University College of Medicine（高丽大学医学院）
针对睡眠分期分类依赖大量标注数据、人工标注有偏差的问题，提出融合对比学习与掩码预测的自监督框架NeuroNet，搭配基于Mamba的时序上下文模块，在少量标注下性能超越现有监督方法，为睡眠分析提供新基准。
2024-05-13 cs.AI cs.HC cs.LG
Sleep Staging Based on Multi Scale Dual Attention Network
North China University of Technology（北方工业大学）；Kailuan General Hospital（开滦总医院）；Sun Yat-sen University（中山大学）
睡眠分期在睡眠障碍的诊断中起着重要的作用。一般来说，专家根据多导睡眠图（PSG）手动分类睡眠阶段，这是相当耗时的。同时，多个信号的采集过程非常复杂，这会影响受试者的睡眠。因此，利用单通道脑电图（EEG）进行自动睡眠分期已成为一个热门的研究课题。在文献中，大量的基于单通道脑电的睡眠分期方法已经被提出，并取得了可喜的成果，实现了睡眠分期的初步自动化。然而，这些方法中的大多数在N1阶段的性能不能满足诊断的需要。本文提出了一种基于原始脑电信号的深度学习模型多尺度双注意力网络（MSDAN），该模型利用多尺度卷积提取脑电信号中不同波形的特征，串联通道注意力机制和空间注意力机制过滤和突出关键信息，并使用软阈值去除冗余信息。使用两个数据集进行实验，采用5折交叉验证和保留验证方法。在Sleep-EDF数据集上，模型的最终平均准确率、总体准确率、宏观F1评分和Cohen's Kappa系数分别达到96.70%、91.74%、0.8231和0.8723，在Sleep-EDFx数据集上分别达到96.14%、90.35%、0.7945和0.8284。值得注意的是，我们的模型在N1阶段表现出色，两个数据集的F1得分分别为54.41%和52.79%。结果表明，我们的网络优于现有的方法，达到一个新的国家的最先进的。特别是，该方法在N1睡眠阶段取得了优异的成绩相比，其他方法。
2021-08-14 cs.LG eess.SP
L-SeqSleepNet: Whole-cycle Long Sequence Modelling for Automatic Sleep Staging
Amazon Alexa（亚马逊Alexa）；Aarhus University（奥胡斯大学）；KU Leuven（荷语鲁汶大学）；Lausanne University Hospital (CHUV)（洛桑大学医院）；University of Lausanne（洛桑大学）；University of Oxford（牛津大学）；University of Lübeck（吕贝克大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；The University of Adelaide（阿德莱德大学）；Queen Mary University of London（伦敦玛丽女王大学）；Alan Turing Institute（艾伦·图灵研究所）
本文提出L-SeqSleepNet模型，通过高效建模完整睡眠周期的长序列依赖，在多种EEG设置下提升自动睡眠分期性能，并缓解N2期主导问题，增强鲁棒性且计算时间呈亚线性增长。
2023-08-05 cs.LG eess.SP
Multi-Signal Reconstruction Using Masked Autoencoder From EEG During Polysomnography
Korea University（高丽大学）
本研究提出基于掩码自编码器的系统，仅用单通道脑电即可重建多信号PSG，在Sleep-EDF-20数据集上验证了可行性，为便捷长期睡眠监测开辟了新途径。
2023-11-14 cs.AI cs.LG eess.SP
NeuroSleep: Neuromorphic Event-Driven Single-Channel EEG Sleep Staging for Edge-Efficient Sensing
Henan University（河南大学）；Nanyang Technological University（南洋理工大学）；University of Science and Technology of China（中国科学技术大学）
NeuroSleep通过神经形态事件驱动技术实现单通道EEG睡眠分期，显著降低计算负载并提升能耗效率。
2026-02-23 cs.AI cs.LG eess.SP
Deep Neural Dynamic Bayesian Networks applied to EEG sleep spindles modeling
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
我们提出了一个生成模型的单通道EEG，结合了专家在视觉评分过程中积极执行的约束。该框架采用动态贝叶斯网络的形式，在潜变量和观测可能性中具有深度，而隐变量控制持续时间，状态转换和鲁棒性，观测架构参数化正态伽马分布。由此产生的模型允许通过利用概率模型和深度学习将时间序列分割成局部的、重复发生的动态状态。与典型的检测器不同，我们的模型在没有预处理的情况下（例如，滤波、开窗、阈值化）或后处理（例如，事件合并）。这不仅使模型对实时应用有吸引力，而且还产生了类似于已知临床标准的可解释的超参数。我们通过动态规划和反向传播的广义期望最大化的一个特殊情况下，推导出精确的，易于处理的推理算法。我们在三个公共数据集上验证了该模型，并支持更复杂的模型能够超越最先进的检测器，同时是透明的，可审计的和可推广的。
2021-03-03 cs.LG eess.SP
SpindleFlexNet: Flexible sleep spindles detection for EEG signals based on an adaptive one-dimensional RetinaNet-based framework
Yizhun Medical AI Co., Ltd.（医准医疗人工智能有限公司）
研究针对睡眠纺锤波在脑电信号中占比小、检测难问题，提出SpindleFlexNet框架，基于自适应一维视网膜网络架构，经两个数据集训练和验证，该框架检测性能稳定、泛化性好，为睡眠研究提供实用工具。
2026-09-30 eess.SP
Sleep Stage Classification: Scalability Evaluations of Distributed Approaches
Kocaeli University（科贾埃利大学）
使用传统的分析工具处理和分析大量的临床数据是资源密集型和耗时的。脑电图是检测和诊断各种脑部疾病的主要技术之一，并且产生大量的大数据来处理。在这项研究中，我们提出了一个大数据框架，通过对EEG信号的睡眠阶段进行分类来诊断睡眠障碍。该框架是使用开源SparkMlib库开发的。我们还测试和评估所提出的框架，通过测量知名的分类算法的可扩展性的physionet睡眠记录。
2018-09-01 cs.DC cs.LG eess.SP
Automated Sleep Staging via Parallel Frequency-Cut Attention
Osaka University（大阪大学）；Nara Institute of Science and Technology（奈良先端科学技术大学院大学）；Fudan University（复旦大学）；Waseda University（早稻田大学）
本文提出了一种新的框架，自动捕获的时频特性的脑电图（EEG）信号的睡眠的权威睡眠医学的指导基础上。该框架由两部分组成：第一部分通过将输入的EEG谱图划分为一系列时频补丁来提取信息特征。第二部分是由一个基于注意力的架构，以有效地搜索分区的时间-频率补丁和睡眠阶段的定义因素之间的相关性并行。在睡眠心脏健康研究数据集上对所提出的管道进行了验证，其中针对唤醒阶段、N2阶段和N3阶段获得了新的最先进的结果，分别获得了0.93、0.88和0.87的F1分数，仅使用EEG信号。所提出的方法也具有较高的评分员间的可靠性为0.80 kappa。我们还可视化了睡眠分期决策和所提出的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。
2023-01-12 cs.AI cs.LG eess.SP
Sleep syndromes onset detection based on automatic sleep staging algorithm
在本文中，我们提出了一种新的方法和实用的方法来预测早期发作的睡眠综合征，包括不宁腿综合征，失眠，基于算法，由两个模块组成。将快速傅立叶变换应用于30秒长的EEG记录时期以提供局部时间-频率信息，并且训练深度卷积LSTM神经网络用于睡眠阶段分类。从EEG数据自动检测睡眠阶段为解决日常睡眠不规律提供了巨大的潜力。因此，提出了一种结合信号处理和统计学的睡眠阶段分类的新方法。在这项研究中，我们使用了PhysioNet睡眠欧洲数据格式（EDF）数据库。代码评估显示了令人印象深刻的结果，达到了86.43的准确度，77.76的精确度，93.32的召回率，F1分数为89.12，最终平均错误损失为0.09。
2021-07-07 cs.LG eess.SP q-bio.NC
SomnoNet: A Lightweight and Interpretable Framework for Sleep Staging Using Single-Channel EEG
Key Laboratory of Information Fusion Estimation and Detection, School of Electronic Engineering, Heilongjiang University（黑龙江大学电子工程学院信息融合估计与检测重点实验室）
研究旨在实现单通道脑电图自动睡眠分期，提出SomnoNet框架，先提取多尺度局部节律表示，再整合相关信息。在两个基准上有良好表现，还开发了紧凑变体SomnoNet-Nano，且能可视化决策证据，平衡了预测性能、紧凑性和决策支持。
2026-08-06 eess.SP
A CNN-Transformer Deep Learning Model for Real-time Sleep Stage Classification in an Energy-Constrained Wireless Device
University of Toronto（多伦多大学）
本文提出了一种基于单通道EEG数据的自动睡眠阶段分类的深度学习（DL）模型。DL模型具有卷积神经网络（CNN）和Transformers。该模型被设计为在能量和内存受限的设备上运行，以进行本地处理的实时操作。来自公开可用的Sleep-EDF数据集的Fpz-Cz EEG信号用于训练和测试模型。使用四个卷积滤波器层来提取特征并降低数据维数。然后，Transformers被用来学习数据的时变特征。为了提高性能，我们还在推断之前实施了主题特定的训练（即，预测）阶段。对于受试者特定训练，清醒、N1-N3和快速眼动（REM）阶段的F1评分分别为0.91、0.37、0.84、0.877和0.73。该模型的性能与最先进的作品相比，具有显着更大的计算成本。我们在低成本的Arduino Nano 33 BLE板上测试了该模型的缩小版，它功能齐全且准确。未来，将开发具有边缘DL的完全集成的无线脑电信号传感器，用于临床前和临床实验中的睡眠研究，例如实时睡眠调制。
2022-11-20 cs.LG eess.SP
MAEEG: Masked Auto-encoder for EEG Representation Learning
Apple（苹果公司）
由于数据集小且难以获得标签，使用机器学习从生物信号（如EEG）中解码信息一直是一个挑战。我们提出了一个基于重建的自监督学习模型，掩蔽的自动编码器的EEG（MAEEG），学习EEG表示通过学习重建掩蔽的EEG功能使用Transformer架构。我们发现，MAEEG可以学习表示，显着提高睡眠阶段分类（约5%的准确性增加）时，只有少量的标签。我们还发现，在基于重建的SSL预训练过程中，输入样本长度和不同的掩蔽方式对下游模型的性能有巨大的影响。具体而言，学习重构更大比例和更集中的掩蔽信号导致睡眠分类的更好性能。我们的研究结果为基于重建的SSL如何帮助EEG的表征学习提供了深入了解。
2022-10-27 cs.LG eess.SP
Multi-Channel Multi-Domain based Knowledge Distillation Algorithm for Sleep Staging with Single-Channel EEG
本文提出基于多通道多域的知识蒸馏算法，通过多通道预训练与单通道微调方案，结合输出和中间特征迁移，实现86.5%的单通道脑电睡眠分期准确率，有效将多域多通道知识迁移至单通道模型。
2024-01-07 eess.SP
SleepEGAN: A GAN-enhanced Ensemble Deep Learning Model for Imbalanced Classification of Sleep Stages
Central South University（中南大学）；Hunan Normal University（湖南师范大学）；University of California, Riverside（加州大学河滨分校）
本文提出SleepEGAN模型，通过针对EEG信号特征适配的EGAN架构进行数据增强以缓解类别不平衡，并结合无成本集成学习策略降低异质性导致的方差，在三个公开睡眠数据集上提升了睡眠阶段分类准确率。
2023-07-04 cs.LG eess.SP
CoRe-Sleep: A Multimodal Fusion Framework for Time Series Robust to Imperfect Modalities
KU Leuven University（鲁汶大学）；Amazon Alexa（亚马逊Alexa）
本文提出多模态融合网络CoRe-Sleep，通过协调表示处理不完美模态，容忍噪声或缺失片段，并在SHHS-1数据集上以单一模型在多模态和单模态测试中均取得最先进性能。
2023-03-27 cs.AI cs.LG eess.SP
mulEEG: A Multi-View Representation Learning on EEG Signals
International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术学院）；National Institute of Mental Health and Neuro Sciences（国家精神卫生与神经科学研究所）
使用相互积极影响的多个视图来建模有效的表示是具有挑战性的，并且现有的方法在用于睡眠分期任务的脑电图（EEG）信号上表现不佳。在本文中，我们提出了一种新的多视图自监督方法（mulEEG）的无监督脑电表示学习。我们的方法试图有效地利用多个视图中的互补信息来学习更好的表示。我们引入了不同的损失，进一步鼓励跨多个视图的互补信息。我们的方法没有访问标签击败监督训练，同时优于多视图基线方法对睡眠分期任务进行的迁移学习实验。我们认为，我们的方法能够通过使用互补的多视图来学习更好的表示。
2022-04-07 cs.LG eess.SP
Sleep Stage Classification Using a Pre-trained Deep Learning Model
University of Tehran（德黑兰大学）
针对现有睡眠阶段分类模型耗时长、N1阶段精度低的问题，本研究提出基于预训练模型、利用EEG频谱图学习的EEGMobile模型，在Sleep-EDF20数据集上取得86.97%的整体准确率及56.4%的N1阶段准确率，均优于现有模型，助力睡眠障碍诊疗。
2023-10-06 cs.LG eess.SP
Two-Stage Hierarchical and Explainable Feature Selection Framework for Dimensionality Reduction in Sleep Staging
University of Pittsburgh（匹兹堡大学）
本文提出一种两阶段层次化可解释特征选择框架，通过引入拓扑特征弥补传统时频分析的结构信息损失，并比较PCA、t-SNE和UMAP三种降维算法在睡眠分期中的表现，验证了所提特征的有效性。
2024-08-31 cs.CV cs.LG eess.SP
Benchmarking real-time algorithms for in-phase auditory stimulation of low amplitude slow waves with wearable EEG devices during sleep
在非快速眼动（NREM）睡眠期间，EEG慢波（SW）的听觉刺激已经显示出当在SW的上相递送时改善认知功能。SW增强在具有低振幅SW的受试者（诸如老年人或患有神经变性（诸如帕金森病（PD））的患者）中是特别期望的。然而，现有的算法来估计的上相位遭受从一个穷人的相位精度在低EEG振幅和SW频率时是不恒定的。我们介绍了两种新的算法，用于自主可穿戴设备上的实时EEG相位估计。该算法基于锁相环（PLL），并首次采用了相位声码器（PV）。我们比较了这些相位跟踪算法与一个简单的幅度阈值的方法。对优化算法的相位准确度、在20至60 microV之间的SW幅度和高于1 Hz的SW频率下估计相位的能力进行基准测试，记录了来自健康老年人和PD患者的324个记录。此外，在可穿戴设备上实现了算法，并在模拟睡眠EEG上以及在PD患者记录期间前瞻性地评估了计算效率和性能。所有三种算法在SW上行阶段输送了超过70%的刺激触发。PV显示出针对低振幅SW和频率高于1 Hz的SW的最高能力。实时硬件测试表明，PV和PLL对微控制器负载的影响很小，而PV的效率比PLL低4%。主动听觉刺激不影响相位跟踪。这项工作表明，相位精确的听觉刺激可以在家庭睡眠干预期间使用可穿戴设备在低振幅SW人群中提供。
2022-03-04 cs.SY eess.SP eess.SY
Identifying trace alternant activity in neonatal EEG using an inter-burst detection approach
INFANT Research Centre（INFANT研究中心）；University College Cork（科克大学）
脑电图（EEG）是一种重要的临床工具，审查睡眠-觉醒周期的新生儿在重症监护。迹线交替（TA）-在长期睡眠中安静睡眠期间EEG活动的特征模式-由短持续时间的交替周期定义，高电压活动（突发）被低电压活动（突发间）隔开。本研究提出了一种新的方法来检测TA活动，首先检测的爆发间，然后处理的爆发和爆发间的时间地图。使用来自72名健康足月新生儿的EEG记录来开发和评估1）爆发间检测方法的性能，然后将其用于2）检测TA活性。首先，使用支持向量机（SVM）组合多个振幅和频谱特征，以将TA活动内的爆发与爆发间分类，得到0.95（95%置信区间，CI：0.93至0.98）的工作特征曲线（AUC）下的中位面积。其次，连续SVM输出的后处理，置信度得分，用于产生TA包络。该包络用于检测连续EEG中的TA活性，中位AUC为0.84（95% CI：0.80 - 0.88）。这些结果验证了如何可以使用与后处理相结合的突发间检测方法来对TA活动进行分类。检测TA的存在或不存在将有助于量化临床上重要的睡眠-觉醒周期的中断。
2020-05-12 cs.LG eess.SP
