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。

本研究分析了大型语言模型在医疗时间序列数据中的局限性，提出了新型决策支持模型ConMIL，显著提高了可解释性和特定任务性能，尤其在心律不齐检测和睡眠分期方面表现突出。

本研究提出了一种名为DREAM的神经网络自动睡眠分期模型，解决了生理信号异质性和未标记数据利用的问题。实验表明，DREAM在多个数据集上优于现有方法，并在不同个体间具有良好的预测性能，同时提供了预测不确定性量化，增强了实际应用的可靠性。

本文总结了2010年至2020年间应用深度学习模型于心电图(ECG)数据的研究，发现深度学习在心电图分析中有广泛应用，包括疾病检测、标注定位、睡眠分期、生物度量和去噪等。混合体系结构表现最佳，同时也提出了未来研究方向和挑战。

通过预测合成时间序列的频率内容，深度神经网络在数据有限和受试者少的情况下超越完全监督学习，提高睡眠分期的准确性。该方法在EEG数据有限的脑-机接口等领域广泛应用。

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。