睡眠阶段分类对睡眠评估和疾病诊断至关重要。然而，如何有效地利用不同睡眠阶段的大脑空间特征和过渡信息仍然是一个挑战。特别是，由于对人类大脑的认识有限，为睡眠阶段的分类预先定义一个合适的大脑空间连接结构仍然是一个悬而未决的问题。在本文中，我们提出了一个新的深度图神经网络，命名为GraphSleepNet，用于自动睡眠阶段分类。GraphSleepNet的主要优点是自适应学习不同脑电图(EEG)通道之间的内在联系，以邻接矩阵表示，从而最好地服务于时空图卷积网络(ST-GCN)的睡眠阶段分类。同时，ST-GCN由图卷积提取空间特征和时间卷积捕获睡眠阶段之间的过渡规则组成。在蒙特利尔睡眠研究档案(MASS)数据集上进行的实验表明，GraphSleepNet的表现优于最先进的基线。
SalientSleepNet: Multimodal Salient Wave Detection Network for Sleep Staging
睡眠分期是睡眠评估和疾病诊断的基础。尽管以往的睡眠阶段分类尝试取得了良好的分类效果，但仍存在一些挑战:1)如何有效地提取多模态睡眠数据中的显著波;2)如何捕捉睡眠阶段之间的多尺度转换规律;3)如何自适应地把握特定模式对睡眠分期的关键作用。为了解决这些挑战，我们提出了SalientSleepNet，一种用于睡眠分期的多模态显著波检测网络。SalientSleepNet是一种基于U2-Net架构的时域全卷积网络，最初用于计算机视觉中的显著性目标检测。它主要由两个独立的类u2流分别从多模态数据中提取显著特征。同时，设计了多尺度提取模块，捕捉睡眠阶段之间的多尺度转换规则。此外，提出了多模态注意模块，从多模态数据中自适应地获取特定睡眠阶段的有价值信息。在两个数据集上的实验表明，SalientSleepNet的性能优于最先进的基线。值得注意的是，与现有的深度神经网络模型相比，该模型的参数最少。
HetEmotionNet: Two-Stream Heterogeneous Graph Recurrent Neural Network for Multi-modal Emotion Recognition （MM ’21）
基于生理信号的多媒体刺激下人的情绪研究是一个新兴领域，基于多模态信号的情绪识别已取得重要进展。然而，如何充分利用时空特征之间的互补性进行情感识别，以及如何对多模态信号之间的异质性和相关性进行建模，是一项具有挑战性的工作。本文提出了一种融合多模态生理信号的双流异构图递归神经网络HetEmotionNet，用于情感识别。具体来说，HetEmotionNet由时空流和时空谱流组成，可以在一个统一的框架内融合时空域特征。每个流由建模异构性的图转换器网络、建模相关性的图卷积网络和捕获时域或频谱相关性的门控递归单元组成。在两个真实数据集上的大量实验表明，我们提出的模型比最先进的基线具有更好的性能
三篇论文：都是在脑电波数据上实现分类任务。1）利用GNN。提取时序数据特征，每个特征构造成一个图结构，利用GNN进行分类 ；2）时序图 3）异质图结构
