A micro-sleep is a short sleep that lasts from 1 to 30 secs. Its detection during driving is crucial to prevent accidents that could claim a lot of people's lives. Electroencephalogram (EEG) is suitable to detect micro-sleep because EEG was associated with consciousness and sleep. Deep learning showed great performance in recognizing brain states, but sufficient data should be needed. However, collecting micro-sleep data during driving is inefficient and has a high risk of obtaining poor data quality due to noisy driving situations. Night-sleep data at home is easier to collect than micro-sleep data during driving. Therefore, we proposed a deep learning approach using night-sleep EEG to improve the performance of micro-sleep detection. We pre-trained the U-Net to classify the 5-class sleep stages using night-sleep EEG and used the sleep stages estimated by the U-Net to detect micro-sleep during driving. This improved micro-sleep detection performance by about 30\% compared to the traditional approach. Our approach was based on the hypothesis that micro-sleep corresponds to the early stage of non-rapid eye movement (NREM) sleep. We analyzed EEG distribution during night-sleep and micro-sleep and found that micro-sleep has a similar distribution to NREM sleep. Our results provide the possibility of similarity between micro-sleep and the early stage of NREM sleep and help prevent micro-sleep during driving.
Sleep Stage Classification across Heterogeneous EEG/EOG Channels with Multi-Channel Differential Transformer
School of Artificial Intelligence and Robotics, Xiamen University Malaysia（厦门大学马来西亚分校人工智能与机器人学院）；Department of Biomedical Engineering, Universiti Malaya（马来亚大学生物医学工程系）；Department of Biomedical Engineering and Health Sciences, Universiti Teknologi Malaysia（马来西亚理工学院生物医学工程与健康科学系）
Self-supervised Contrastive Learning for EEG-based Sleep Staging
Wuhan University（武汉大学）
EEG信号通常很容易获得，但标记起来很昂贵。虽然监督学习在脑电信号分析领域得到了广泛的应用，但其泛化性能受到标注数据量的限制。自监督学习（Self-supervised learning，SSL）作为计算机视觉（Computer Vision，CV）和自然语言处理（Natural Language Processing，NLP）领域的一种流行的学习范式，可以利用未标记的数据来弥补监督学习的数据不足。在本文中，我们提出了一个自我监督的对比学习方法的脑电信号的睡眠阶段分类。在训练过程中，我们为网络设置了一个任务，以匹配从脑电信号中产生的正确的变换对。通过这种方式，网络通过学习脑电信号的一般特征来提高表示能力。网络的鲁棒性也在处理不同的数据时得到了提高，即从变化的数据中提取恒定的特征。具体而言，网络的性能取决于转换的选择和自监督学习训练过程中使用的未标记数据量。在Sleep-edf数据集上的实验结果表明，该方法在睡眠分期上具有较好的性能（88.16%的准确率和81.96%的F1分数），并验证了SSL策略在有限标记数据制度下对EEG信号分析的有效性。所有代码都在网上公开提供。
A Context-Aware Temporal Modeling through Unified Multi-Scale Temporal Encoding and Hierarchical Sequence Learning for Single-Channel EEG Sleep Staging
EEG Sleep Stage Classification with Continuous Wavelet Transform and Deep Learning
University of Applied Science and Technology（应用科技大学）；MZG Consulting（MZG咨询公司）；Institute of Electrical and Electronics Engineers（电气与电子工程师协会）；Baku State University（巴库国立大学）
Multitaper Spectral Estimation HDP-HMMs for EEG Sleep Inference
MIT Department of BCS（麻省理工学院脑与认知科学系）；MIT Department of EECS（麻省理工学院电子工程与计算机科学系）；Harvard-MIT HST（哈佛-麻省理工健康科学与技术项目）；SEAS Department of Harvard（哈佛大学工程与应用科学学院）；MGH Department of Anesthesia, Critical Care and Pain Medicine（麻省总医院麻醉、重症监护与疼痛医学科）
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：脑电图（EEG）监测睡眠期间的大脑活动，并用于识别睡眠障碍。在睡眠医学中，临床医生在所谓的睡眠阶段解释原始EEG信号，这些睡眠阶段由专家分配给每30秒的信号窗口。对于诊断，他们还依赖于较短的原型微架构事件，这些事件表现出可变的持续时间和形状，例如纺锤体，K复合体或觉醒。注释这些事件传统上是由受过训练的睡眠专家执行的，使得该过程耗时、繁琐并且受到评分者间差异的影响。为了自动化这个过程，已经开发了各种方法，但是这些方法是特定于事件的，并且依赖于手工制作的特征的提取。新方法：我们提出了一种新的深度学习架构，称为Dreem One Shot Event Detector（DOSED）。DOSED联合预测EEG时间序列中事件的位置、持续时间和类型。本文所提出的方法应用于与睡眠相关的微架构事件，其灵感来自于为计算机视觉开发的对象检测器，如YOLO和SSD。它依赖于一个卷积神经网络，该网络从原始EEG信号中构建特征表示，以及分别执行定位和分类的两个模块。结果和与其他方法的比较：所提出的方法在4个数据集和3种类型的事件（纺锤波，K复合波，唤醒）上进行了测试，并与当前最先进的检测算法进行了比较。结论：结果表明，这种新方法的多功能性和改进的性能相比，目前国家的最先进的检测方法。
Automated Classification of Sleep Stages and EEG Artifacts in Mice with Deep Learning
Emory University（埃默里大学）；University Hospital Tübingen（图宾根大学医院）；University of Tübingen（图宾根大学）；Technische Universität Dresden（德累斯顿工业大学）；German Center for Neurodegenerative Diseases (DZNE)（德国神经退行性疾病中心）；FH Aachen University of Applied Sciences（亚琛应用技术大学）
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）
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）
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）
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）
Transformer Model Detects Antidepressant Use From a Single Night of Sleep, Unlocking an Adherence Biomarker
Massachusetts Institute of Technology (MIT)（麻省理工学院）；University of Michigan（密歇根大学）；King Abdulaziz City for Science and Technology (KACST)（阿卜杜勒-阿齐兹国王科技城）；University of Prishtina（普里什蒂纳大学）；University of Pittsburgh Medical Center（匹兹堡大学医学中心）；Massachusetts General Hospital & Harvard Medical School（麻省总医院与哈佛医学院）
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）
