本岗位面向大一新生，聚焦于基于脑电信号的睡眠分期研究。学生将围绕脑电数据，使用多种前沿深度学习架构（如图卷积神经网络、卷积神经网络、Transformer、Mamba 等），开展自动睡眠阶段分类任务。

项目将从多个研究维度出发，系统探索影响睡眠分期性能的关键因素，包括但不限于：模型结构设计、特征提取机制、模型决策的可解释性、生理多模态信号（如眼电）的融合策略，以及算法在实际应用中的推理效率与自适应能力。每位学生将根据自身兴趣选择一个方向深入开展研究，任务内容将覆盖从模型构建与训练、实验设计与性能评估，到结果分析与论文汇报的完整科研流程。

该项目注重动手实践与科研素养的提升，适合对人工智能、神经科学、脑电分析或脑机接口等方向感兴趣、希望在本科早期参与真实科研项目的同学参与。

对机器学习或人工智能有浓厚兴趣，愿意主动学习相关知识。

具备一定的编程基础（推荐使用 Python），了解基本的数据结构与逻辑。

认真负责，有科研好奇心，能够持续投入项目，不怕困难。

良好的自学能力和沟通能力，乐于提问、讨论和协作。

以下条件非必须，但将被优先考虑：

有使用过 PyTorch、NumPy、Matplotlib 等框架或库的经验。

熟悉基本的 神经网络结构（如 CNN、RNN、Transformer 等）。

对 脑电（EEG）、神经科学或睡眠研究有一定了解或兴趣。

有参与过开源项目、科研竞赛或课程项目，并有相关成果展示。

考核内容：

围绕课题目标，构建具备五分类判别能力的深度学习模型，要求模型在验证集上达到不低于78%的分类准确率。同时，完成一篇不少于1000字的研究汇报论文，系统阐述模型设计过程、训练方法、实验结果及分析。

考核办法：

1、模型效果指标考核：

1）在公开或指定数据集上完成模型训练与测试；

2）分类准确率达到78%以上。

2、研究论文完成情况考核：

1）提交≥1000字的研究汇报论文；

2）内容需涵盖背景介绍、方法、实验设置、结果分析、讨论及总结；

3）文稿须符合科研写作规范，经导师/负责人审核通过。