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，解决了光电容积描记法（PPG）模型的通用性问题。该模型在超过57,000小时的PPG信号数据上进行预训练，在20项健康任务中表现显著提升，具有重要的应用潜力。

本研究结合CNN和MLP模型，利用UBFC-Phys数据集的PPG信号，实现了约82%的压力检测准确率，显示PPG信号在早期压力检测中的重要潜力。

本研究提出了一种名为RespDiff的多尺度RNN扩散模型，用于简化呼吸率监测。该模型通过多尺度编码器和双向RNN处理PPG信号，无需手动特征提取，准确性高于其他方法，平均绝对误差仅为1.18 bpm，为真实环境下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。

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。