本研究提出了一种基于脑电图信号的神经退行性疾病诊断框架MACS，具有卓越性能。该研究为将MACS技术应用于其他数据分析领域提供了新思路。

通过与人类脑电图信号共同训练人工神经网络，发现网络的EEG预测准确性与对抗鲁棒性存在显著相关性，表明未来使用EEG的潜力。

阿尔茨海默病和睡眠障碍之间存在紧密联系，睡眠模式的中断经常在轻度认知障碍（MCI）和早期AD发作之前出现。本研究探讨利用通过多导睡眠监测仪（PSG）获得的与睡眠相关的脑电图（EEG）信号用于早期AD检测的潜力。实验方法包括测试和比较半监督深度学习技术用于EEG信号分类，结果表明，SMATE在利用有限标记数据方面取得了稳定的度量结果，并在监督形式下达到了90%的准确率。这些发现强调了半监督模型在早期AD检测中的潜力，特别是在应对标记数据稀缺性方面。

该文章介绍了一种改进的增量学习算法，用于进化颗粒神经网络分类器。该算法通过使用双边界超立方体来表示颗粒，并自定义适应过程来增强外部边界对数据覆盖和噪声抑制的鲁棒性。该分类器从头开始进化，并即时融入新的类别，并进行局部增量特征加权。研究结果表明，两个大脑半球都对分类有贡献，尤其是颞叶和顶叶区域的电极。阿尔法波、δ波和θ波与情绪类别有更高的相关性。该算法在10秒时间窗口内达到了81.7%的准确性和0.0029 II的可解释性。

阿尔茨海默病和睡眠障碍之间存在紧密联系，睡眠模式的中断经常在轻度认知障碍（MCI）和早期AD发作之前出现。本研究探讨利用通过多导睡眠监测仪（PSG）获得的与睡眠相关的脑电图（EEG）信号用于早期AD检测的潜力。实验方法包括测试和比较半监督深度学习技术用于EEG信号分类，结果表明，SMATE在利用有限标记数据方面取得了稳定的度量结果，并在监督形式下达到了90%的准确率。这些发现强调了半监督模型在早期AD检测中的潜力，特别是在应对标记数据稀缺性方面。

本文提出了一种新的框架，可以自动捕捉基于权威睡眠医学指导的人类睡眠的脑电图信号的时频特性，并通过使用时间 - 频率补丁序列划分输入的 EEG 频谱图的信息特征和基于注意力的架构并行地有效地搜索划分的时频补丁与睡眠阶段的定义因素之间的相关性来对其进行定义。该方法在 Sleep Heart Health Study 数据集上得出了新的最先进结果，具有高度一致性和可解释性。