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。

本研究提出了开放基础模型PaPaGei，旨在解决光电容积描记法（PPG）模型的通用性问题。该模型在超过57,000小时的未标记PPG信号上预训练，显著提升了在心血管健康和睡眠障碍等20项任务中的分类和回归性能，具有重要的健康监测应用潜力。

本研究利用PPG信号和深度CNN-MLP网络方法进行压力检测，准确率约为82%，表明PPG信号在压力检测中具有重要应用潜力。

本研究提出了一种名为RespDiff的端到端多尺度RNN扩散模型，用于从PPG信号中估计呼吸波形。该模型通过多尺度编码器和双向RNN处理PPG信号，避免了手工特征提取，展现出优于其他方法的准确性，平均绝对误差仅为1.18 bpm，为可靠的呼吸监测提供了新可能。

本研究解决了从光电容积描记（PPG）重建动脉血压（ABP）时信息损失的问题。我们提出的可逆神经网络（INN-PAR）通过同时学习PPG与ABP信号及其梯度之间的映射，显著提升了信号重建的准确性并防止了信息丢失。实验结果表明，该方法在波形重建和血压测量精度方面超越了目前最先进的技术。

Phasic Policy Gradient (PPG) 是一种强化学习框架，通过分阶段训练策略和价值函数来提高样本利用效率。该方法结合了随机和确定性策略梯度，降低了梯度估算的方差，尤其在高斯探索中表现优越。多项研究提出了不同的策略梯度方法，如近端策略优化（PPO）和排名策略梯度（RPG），在多种任务中显示出优于传统方法的性能，提升了数据效率和学习效果。

该研究提出了一种基于波形的深度学习模型，用于非侵入性血压估计，利用PPG和ECG信号提取特征。模型在多个数据集上表现优异，尤其是频域回归模型，MAE低于8。此外，研究探讨了大型语言模型在健康监测中的应用，显示其在分析生理数据和健康评估中的高准确性，推动移动健康设备的发展。

研究发现传统机器学习方法在伪迹检测方面优于基于Transformer模型的方法。自我监督学习能够增强Transformer模型的表示学习能力，提高伪迹分类的稳健性。对比学习是最稳定且性能最优的SSL技术，适用于小规模PPG数据集。引入新的对比损失函数有助于提高伪迹分类性能。该研究证实了SSL在利用未标记数据方面的效果，并有望在注释数据有限的PICU环境中应用。

该研究提出了一种基于注意力机制的深度状态空间模型，将光电脉搏图信号转化为心电图波形，以检测心律失常。在MIMIC III数据库的55个受试者上进行了评估，实验结果证明了该方法的有效性和效率。