Various embodiments of the present technology generally relate to closed loop deep brain stimulation based on inferred sleep stage from physiological data using machine learning classifiers. Some embodiments, for example, may use subthalamic nucleus (STN) deep brain stimulation (DBS) to treat advanced Parkinsons Disease motor symptoms and improve sleep by identifying sleep stages commensurate with clinician-scored polysomnography (PSG). The DBS may be adapted to include novel artificial neural network (ANN) that triggers targeted stimulation in response to inferred sleep state from STN local field potentials (LFPs) recorded from implanted DBS electrodes. A feedforward neural network can be trained to prospectively identify sleep stage with PSG-level accuracy. In some embodiments, the machine learning model stored within the DBS may also adapt stimulation during specific sleep stages to treat targeted sleep deficits.Divers modes de réalisation de la présente technologie concernent généralement la stimulation cérébrale profonde en boucle fermée sur la base d'une phase de sommeil inférée à partir de données physiologiques à l'aide de classificateurs d'apprentissage automatique. Certains modes de réalisation, par exemple, peuvent utiliser une stimulation cérébrale profonde (DBS) du noyau sous-thalamique (STN) pour traiter des symptômes moteurs de la maladie de Parkinson avancée et améliorer le sommeil par l'identification des phases du sommeil correspondant à une polysomnographie notée par un clinicien (PSG). La DBS peut être conçue pour comprendre un nouveau réseau neuronal artificiel (ANN) qui déclenche une stimulation ciblée en réponse à un état de sommeil inféré à partir de potentiels de champ local (LFP) de STN enregistrés à partir d'électrodes de DBS implantées. Un réseau neuronal non bouclé peut être entraîné pour identifier de manière prospective la phase du sommeil avec une précision du niveau de la PSG. Dans certains modes de réalisation, le modèle d'apprentis
