التقييم التلقائي للنوم ضروري لتشخيص وعلاج اضطرابات النوم، ويتيح تتبع النوم على المدى الطويل في البيئات المنزلية. عادةً ما يتم دراسة التقييم التلقائي للنوم القائم على التعلم باستخدام قناة واحدة من تخطيط كهربية الدماغ (EEG) بشكل نشط، وذلك لأن الحصول على إشارات متعددة القنوات أثناء النوم يكون صعبًا. ومع ذلك، فإن تعلم تمثيل الإشارات الخام من تخطيط كهربية الدماغ يواجه تحديات بسبب المشكلتين التاليتين: 1) أن الأنماط المرتبطة بالنوم في تخطيط كهربية الدماغ تحدث على مقياس زمني وتكراري مختلف، و2) أن مراحل النوم تشترك في أنماط مشابهة لتخطيط كهربية الدماغ. لمعالجة هذه المشكلات، نقترح إطارًا قائمًا على التعلم العميق يُسمى SleePyCo يدمج 1) هرمية الخصائص و2) التعلم التبايني المشرف عليه للتقييم التلقائي للنوم. فيما يتعلق بهرمية الخصائص، نقترح شبكة أساسية تُسمى SleePyCo-backbone لاعتبار سلاسل الخصائص المتعددة على مقياس زمني وتكراري مختلف. يسمح التعلم التبايني المشرف عليه للشبكة باستخراج خصائص تميز بين الفئات عن طريق تقليل المسافة بين الخصائص داخل الفئة وفي الوقت نفسه زيادة المسافة بين الخصائص بين الفئات. أظهرتAnalyses المقارنة التي أجريت على أربعة مجموعات بيانات عامة أن SleePyCo يتفوق باستمرار على الأطر الموجودة المستندة إلى قناة واحدة من تخطيط كهربية الدماغ. كما أظهرت التجارب الشاملة للتخفيف أن SleePyCo يتمتع بأداء عام محسن، مع تحسين كبير في تمييز المرحلة N1 والمرحلة ذات الحركات السريعة للعين (REM).