在睡眠相关疾病的研究中，睡眠呼吸暂停居于多数。睡眠呼吸暂停人群通常在夜间会出现打鼾、憋气等症状。患有睡眠呼吸暂停综合征的人在睡觉时会反复停止呼吸，呼吸停止时长通常为10~30秒，一晚上可达数百次。睡眠呼吸暂停是一种与睡眠相关的呼吸障碍，如果同时引起慢性低氧血症及高碳酸血症，则通常被称为睡眠呼吸暂停综合征。
睡眠多导图监测通常被用于睡眠呼吸暂停的判定和确诊，但睡眠多导图人工分析是一项耗时耗力的工作，因此自动判定睡眠呼吸暂停显得尤为重要。在汉斯出版社《生物物理学》期刊中，有论文介绍了睡眠呼吸暂停的各种人工智能分类方法，通过对不同方法的分类结果进行对比讨论，显示基于深度学习对多通道数据进行多任务分析是未来关于睡眠呼吸暂停研究的主流方法。
深度神经网络通过从传感器的输入信号中寻找某种模式来自动生成特征。并且在很多相关的研究中是直接使用原始数据作为输入直接进行睡眠呼吸事件的分类的，即不需要再进行繁琐的特征提取。并且深度神经网络的应用能够有效地提升判定准确率。但是现阶段，这方面的工作也存在着一些不足。第一个是在不同的研究中研究人员所使用的数据不尽相同，导致了并不能单纯的从文章中所得到的结果进行对比，难以复现其中的模型。第二个是在使用深度学习来进行睡眠呼吸事件分类的研究尚没有一个很好的可解释性。另外还存在着睡眠数据不够多等问题。
近年的文献可以发现，在自动睡眠呼吸暂停模型的选择上，研究人员越来越倾向于选择深度学习模型来进行该领域的研究。由于深度学习的一些优良特性，未来睡眠呼吸暂停自动判定的研究更多将是一种端到端的基于深度学习为内核的一套判别系统的搭建。同时需要注意的是，模型的搭建上尽量选择开源的数据集进行验证，这样方便后续研究人员进行复现，以提升研究的可靠性。
在研究方向上，对多通道数据进行多任务分析分类将成为一种趋势，由于睡眠呼吸暂停中所用到的PSG数据也可以用在其他的睡眠相关的研究中，故单一模型的多任务分类也将是研究热点。另外，在针对睡眠呼吸暂停相关数据过少这个问题上，已经有研究表明对抗生成网络能够有效地提升模型在睡眠呼吸暂停自动判定上的表现。所以未来生理信号上数据增强的研究也至关重要。
针对人体的各种生理信号大数据的分析，将为各种疾病的智能诊断和预测，提供强有力的分析工具。因此，利用人工智能技术，对PSG等大数据，进行睡眠状态分期和睡眠呼吸暂停等事件的自动分析，用于睡眠障碍、抑郁症等精神疾病的评估、预测、治疗和康复等各种医学过程，将是该研究下一步的重要发展方向，有望将在一定程度上提高医护效率，节约医疗资源，并极大缓解精神医学专业资源服务稀缺的状况。
