本研究提出sDREAMER模型，解决了自动睡眠分期中模态间信息交互不足的问题，显著提升了多通道和单通道输入的分类准确性，为睡眠研究提供了新工具。

本研究提出了一种新型决策支持模型ConMIL，旨在提高大型语言模型在医疗时间序列数据中的精确性。该模型通过集成多实例学习和外推预测，在心律不齐检测和睡眠分期任务中表现优越，具有重要的临床应用潜力。

本文探讨了基于EEG数据的医疗辅助系统，利用深度学习技术提升脑电图信号识别精度。研究提出了DREAM和EEG-ITNet等模型，解决了睡眠分期和脑机接口中的关键问题，并展示了数据增强技术的有效性，旨在改善生理监测和临床诊断的准确性。

本研究提出了一种基于神经网络的自动睡眠分期模型（DREAM），解决了睡眠分期研究中的关键问题，并在三个数据集上胜过现有方法。案例研究证明模型可以学习到广义的决策函数，利用未标记的脑电数据也有益处。DREAM提供了预测的不确定性，使模型可靠，并有助于实际应用中的睡眠专家。