تقدم هذه الدراسة نموذج تعلم عمقي يُسمى DeepSleepNet لتصنيف مراحل النوم تلقائيًا بناءً على الإشارات الكهروencephalographic (EEG) الأحادية القناة الخام. تعتمد معظم الأساليب الحالية على خصائص تم تصميمها يدويًا والتي تتطلب معرفة سابقة بتحليل النوم. ومع ذلك، فإن عدد قليل فقط من هذه الأساليب يقوم بتشفير المعلومات الزمنية مثل قواعد الانتقال، وهي مهمة لتحديد المراحل التالية للنوم، في الخصائص المستخرجة. في النموذج المقترح، نستخدم شبكات العصبونات التلافيفية لاستخراج الخصائص الثابتة زمنيًا، وذاكرة طويلة قصيرة المدى ثنائية الاتجاه لتعلم قواعد الانتقال بين مراحل النوم تلقائيًا من فترات EEG. قدمنا خوارزمية تدريب ذات خطوتين لتدريب نموذجنا بكفاءة. قمنا بتقييم نموذجنا باستخدام إشارات EEG أحادية القناة مختلفة (F4-EOG(Left)، Fpz-Cz و Pz-Oz) من مجموعة بيانات نوم عامة اثنتين لهما خصائص مختلفة (مثل معدل العينة) ومعايير تصنيف (AASM و R&K). أظهرت النتائج أن نموذجنا حقق دقة شاملة ومعدل F1 الكلي مشابهًا للأساليب الرائدة حاليًا (MASS: 86.2% - 81.7%، Sleep-EDF: 82.0% - 76.9%) على كلا المجموعتين البيانات. هذا أثبت أن نموذجنا يمكنه تعلم الخصائص تلقائيًا لتصنيف مراحل النوم من إشارات EEG أحادية القناة الخام المختلفة ومن مجموعات بيانات مختلفة دون استخدام أي خصائص تم تصميمها يدويًا.