DeepSleepNet是一个创新的深度学习模型，用于基于原始单通道脑电图(EEG)数据的自动睡眠阶段评分。其独特的双阶段架构融合了表示学习和序列残差学习技术，大幅提升了评分准确性。通过在MASS和Sleep-EDF等公开数据集上的严格评估，DeepSleepNet展现出优于传统手工特征工程方法的卓越性能。这一高效、精确的自动化工具为睡眠障碍诊断、睡眠质量监测等睡眠研究和临床应用领域带来了新的可能。

EEG-ATCNet是一种创新的深度学习模型,专门用于脑机接口中EEG信号的运动想象分类。该模型融合卷积神经网络、自注意力机制和时间卷积网络,有效提取EEG信号时空特征。在BCI竞赛IV-2a数据集上,EEG-ATCNet准确率达81.10%,优于其他常用模型。项目还实现了多种注意力机制和数据处理方法,为EEG信号分析研究提供了实用工具。