研究人员开发了AnySleep，一个能够从各种脑电图（EEG）和眼电图（EOG）数据中进行睡眠分期的深度学习系统，并具有可调的时间分辨率。AnySleep在超过20,000条过夜记录上进行训练，表现出最先进的性能，在30秒的周期内甚至优于已建立的基线，并显示出在更短时间尺度分析方面的潜力。此外，一个名为SleepBand的新框架通过结合生理结构化光谱建模来解决单源域泛化睡眠分期的挑战，该模型将表示锚定到不变的睡眠节律并提高鲁棒性。 AI
影响 这些AI驱动的睡眠分期进展可以通过自动化和提高睡眠分析的准确性来加速研究和临床诊断。
排序理由 两篇介绍用于睡眠分期的新深度学习模型的论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2512.14461v2 Announce Type: replace Abstract: Sleep is essential for health, yet studying its dynamics requires manual sleep staging, a labor-intensive step in research and clinical care. Across centers, polysomnography (PSG) recordings are traditionally scored in 30-s epoc…
Generalizing sleep staging models to unseen datasets is challenging, and typical domain generalization (DG) methods often rely on multiple source domains or domain labels that are rarely available in practice. We tackle the stricter and more practical setting of single-source dom…