تلقائيّة تصنيف النوم ضرورية لتوسيع نطاق تقييم وتشخيص النوم لتلبية احتياجات الملايين الذين يعانون من نقص النوم واضطرابات النوم، ولتمكين مراقبة طويلة الأمد للنوم في البيئات المنزلية. كان التعلم من الإشارات الأولية للكثيري الرسم البوليصوغرافي (PSG) ومن تمثيلاتها الزمنية-الترددية السائدة. ومع ذلك، فإن التعلم من مدخلات متعددة الآراء (مثل الإشارات الأولية والصور الزمنية-الترددية) لتصنيف النوم أمر صعب وغير مفهوم جيدًا.يعترض هذا العمل نموذجًا تتابعيًا لتصنيف النوم يُدعى XSleepNet، وهو قادر على التعلم من تمثيل مشترك بين الإشارات الأولية والصور الزمنية-الترددية. بما أن الآراء المختلفة قد تتعمم أو تتخطىء بمعدلات مختلفة، يتم تدريب الشبكة المقترحة بحيث يتم تعديل وتيرة التعلم لكل رأي بناءً على سلوكهم في التعميم/التخطي. بعبارة أخرى، يتم تسريع التعلم في رأي معين عندما يكون أداءه جيدًا في التعميم ويتم إبطاؤه عندما يكون هناك تخطي. يتم حساب مقاييس التعميم/التخطي الخاصة بكل رأي بشكل ديناميكي خلال عملية التدريب واستخدامها لاستخراج الأوزان التي تدمج الانحدارات من الآراء المختلفة. نتيجة لذلك، تكون الشبكة قادرة على الحفاظ على قوة التمثيل للآراء المختلفة في الخصائص المشتركة التي تمثل التوزيع الأساسي بشكل أفضل مما هو عليه عند استخدام كل رأي بمفرده.بالإضافة إلى ذلك، تم تصميم هندسة XSleepNet بشكل أساسي لتحقيق متانة أكبر فيما يتعلق بكمية البيانات المتاحة للتدريب وزيادة المكملة بين الآراء المدخلة. أظهرت نتائج التجارب على خمس قواعد بيانات بأحجام مختلفة أن XSleepNet يتفوق باستمرار على القواعد الأساسية ذات الرأي الواحد وعلى القاعدة الأساسية المتعددة الآراء باستخدام استراتيجية دمج بسيطة. وأخيرًا، حقق XSleepNet أيضًا أداءً أفضل من طرق تصنيف النوم السابقة وحسّن النتائج الرائدة سابقًا على قواعد البيانات التجريبية.