polysomnography

本文对多种深度学习架构进行了全面比较，包括视觉Transformer和图注意力网络，用于从多通道脑电图信号中自动检测睡眠呼吸暂停，使用在拓扑数据分析特征上训练的视觉Transformer获得了0.750的最佳测试AUC。

Omni-Sleep 是一种睡眠基础模型，它利用分层对比学习从多模态多导睡眠图中捕捉中枢神经系统-自主神经系统动态，在睡眠分期和多疾病分类上优于强基线模型。

本文提出了一种可解释的因果发现引导框架，用于从多模态多导睡眠图数据中推导睡眠恢复评分（SRS），证明其与感知恢复的一致性比传统的呼吸暂停-低通气指数（AHI）强高达2.5倍，在互联健康中具有潜在应用。

本文提出了一种确定性的、基于规则的睡眠分期方法，该方法明确实现了美国睡眠医学学会（AASM）的评分规则，并提供了逐时段的自然语言解释。在50份多导睡眠图记录中，该方法与多数投票共识达到了60.5%的逐时段一致性，为不透明的深度学习模型提供了透明性的补充。

本文研究了用于儿科睡眠分析的掩码自编码器多模态嵌入的潜在结构。结果表明，通过几何、拓扑和临床特征增强嵌入，可以改善睡眠相关事件的预测和校准。