为了提高群体语言想象脑电信号的分类准确率，提出基于卷积块注意力模块（CBAM）和Inception-V4卷积神经网络的分类方法，其中CBAM被用于关注重要的局部区域，从卷积神经网络（CNN）输出的特征图中提取更加独特的特征，从而提升群体语言想象脑电信号的分类性能. 该方法首先利用短时傅里叶变换将群体语言想象脑电信号转换为时频图，然后使用这些图片对融合了CBAM机制的Inception-V4网络进行训练. 开源数据集上的实验结果表明，所提出的方法使得6类短词的分类准确率达到了52.2%，与基于Inception-V4的分类方法相比，分类准确率提高了4.1个百分点，与基于VGG-16的分类方法相比，分类准确率提高了5.9个百分点. 使用迁移学习也能够大幅缩短训练所需的时间.

为了减少对传统多导睡眠图（PSG）系统的依赖，基于单通道心电图（ECG）信号，设计了一种简单高效的睡眠分析算法. 采用最大重叠离散小波变换（MODWT）对原始信号进行多分辨分析，再进一步提取峰值信息；根据峰值位置的一阶偏差，提取多维度的心率变异性（HRV）特征. 为了进一步筛选与不同睡眠阶段具有强关联性的HRV特征，提出基于ReliefF算法与Gini指数的特征提取方法. 在此基础上，采用INFO-ABCLogitBoost方法挖掘HRV与不同睡眠阶段之间的关联性，从而实现睡眠阶段的精细分类. 在实际公开数据集上的实验结果表明，所提出的模型在睡眠分期任务中，总体精度为83.67%，准确率为82.59%，Kappa系数为77.94%，F1-Score为82.97%. 相比于睡眠分期任务中的常规模型，所提方法展现出更加高效便捷的睡眠质量评估性能，有助于实现家庭或移动医疗场景下的睡眠监测.