針對睡眠腦電（EEG）信號數據不均衡分布以及多導睡眠圖采集過程中舒適性差，從而降低了模型分類能力的問題，本文提出一種基于一維寬核卷積神經網絡（WKCNN）和長短時記憶網絡（LSTM）的單導EEG信號睡眠狀態識別方法（WKCNN-LSTM）。首先，通過小波去噪，并以合成少數過采樣技術（SMOTE）與托梅克聯系對（Tomek）聯合的算法（SMOTE-Tomek）對原始睡眠EEG信號進行預處理；其次，以一維睡眠EEG信號作為模型的輸入，利用WKCNN提取頻域特征并抑制高頻噪聲；然后，利用LSTM層挖掘時域特征；最后，全連接層采用歸一化指數函數實現睡眠狀態識別。實驗表明，本文一維WKCNN-LSTM模型的分類準確率為91.80%，分類效果優于近年的同類研究，并且該模型具有良好的泛化性能。本研究不僅提高了單導睡眠EEG信號的分類準確率，也有利于促進便攜式睡眠監測設備性能的提高。
現有自動睡眠分期算法存在模型參數量多、訓練耗時長導致分期效率不佳的問題。本文使用單通道腦電信號，提出一種基于遷移學習（TL）的隨機深度（SD）殘差網絡（ResNet）自動睡眠分期算法（TL-SDResNet）。首先，選取16人共30條單通道（Fpz-Cz）腦電信號，在保留有效睡眠片段后，利用巴特沃斯濾波和連續小波變換對原始腦電信號進行預處理，得到包含其時-頻聯合特征的二維圖像作為分期模型的輸入數據。隨后，構建經公開數據集——歐洲數據格式存儲的睡眠數據庫拓展版（Sleep-EDFx）訓練的ResNet50預訓練模型，使用隨機深度策略并修改輸出層以優化模型結構。最后，應用遷移學習對人體整夜睡眠過程進行自動分期。本文算法在進行了多次實驗后，模型分期準確率達到87.95%。實驗表明，TL-SDResNet50可完成少量腦電數據的快速訓練，總體效果優于近年來其他分期算法與經典算法，具有一定的實用價值。