背景：睡眠觉醒是指在睡眠过程中短暂出现的清醒状态。过度的睡眠觉醒与多种不良后果相关，包括日间嗜睡及各类睡眠障碍。高质量的多导睡眠图（polysomnographic recordings）标注对于睡眠觉醒障碍的诊断至关重要。目前，睡眠觉醒事件主要依赖人工专家通过手动查看数百万个数据点进行标注，这一过程耗时耗力，效率较低。方法：本研究利用来自两个独立数据集的2,994例个体的多导睡眠图数据进行模型训练（60%）、验证（15%）和测试（25%），分别为（i）PhysioNet挑战赛数据集（n=994）和（ii）睡眠与心脏健康研究数据集（n=2000）。我们提出了一种深度卷积神经网络方法——DeepSleep，用于自动分割睡眠觉醒事件。该方法能够捕捉多时间尺度下生理信号之间的长程与短程相互作用，从而提升睡眠觉醒的检测能力。此外，我们引入了一种新颖的数据增强策略：随机交换相似的生理信号通道，进一步提升了预测准确性。结果：与现有睡眠研究中的其他计算方法相比，DeepSleep在睡眠觉醒的识别上表现出优异性能，具有高精度（受试者工作特征曲线下面积AUC为0.93，精确率-召回率曲线下面积AUC为0.55）、高分辨率（5毫秒分辨率）和快速处理能力（每条睡眠记录仅需10秒）。在2018年PhysioNet挑战赛中，该方法在大型独立测试集（n=989）上对非呼吸暂停性觉醒事件的分割任务中排名第一。我们发现，DeepSleep在觉醒与非觉醒事件之间的低置信度边界区域，能够提供比人工标注更为精细的划分。这表明，基于计算的虚拟标注可作为人工标注的有效补充，有望推动当前睡眠觉醒二元标签体系及评分标准的优化与升级。解释：所提出的深度学习模型在睡眠觉醒检测任务中达到了当前最优水平。通过引入标注置信度的概率输出，该模型可为睡眠障碍的诊断以及睡眠质量的评估提供更为精确的信息支持，具有重要的临床应用潜力。