本研究提出了wav2sleep模型，通过ECG和PPG等生理信号进行睡眠阶段分类。该模型在超过10,000个夜间记录上联合训练，显著提高了分类准确性，具有重要的临床应用潜力。

本研究提出了一种新的无监督“睡眠”阶段策略，以提高人工神经网络在有限且不平衡训练数据下的学习效率。实验结果表明，该策略显著提升了模型的准确性，并减缓了对已学知识的遗忘。

本文探讨了多种基于深度学习和机器学习的方法用于睡眠阶段分类，特别是利用单通道EEG和EOG信号的创新模型。这些方法在准确性和性能上优于传统技术，尤其在REM睡眠识别方面表现突出，推动了睡眠研究和可穿戴技术的发展。

本文介绍了使用红外视频识别睡眠阶段的方法，并开发了一个新的数据集（S3VE）进行实验。通过新模型（SACD）的应用，取得了在S3VE和其他数据集上的最先进性能。