良好的睡眠是恢复体力、维持心理和生理健康的必备条件。睡眠质量与人类的身心健康息息相关,人们已经逐步认识到睡眠健康的重要性,并得知睡眠阶段分布情况对睡眠质量起至关重要的作用。因此人们设计便捷、大众化的可穿戴设备监测睡眠。可穿戴设备存在抗干扰性和可用性差、准确率低等问题,其所产生的数据具有噪声高,质量低的特点。为了能在这类低质量数据上得到较好的睡眠分析结果,设计并实现简洁易用的睡枕监测睡眠。在睡眠数据预处理、特征设计及选择、分类方法三个方向进行研究,达到较高的睡眠分类准确率的目的,主要研究内容如下:1.睡枕所获取的原数据具有非周期性、有限性、离散性特点,为获取隐含其中的呼吸信号,研究离散傅里叶变换和离散小波变换的基本原理,提出基于离散傅里叶对呼吸信号的重构方法和基于离散小波变换对呼吸信号的重构方法。为能够在时域和频域上描述呼吸信号细节信息,结合FFT能准确获得各频谱分量的优点,以及DWT能在时域上较准确地获取各频带信号的优点,提出基于FFT+DWT的呼吸信号获取方法。2.特征的设计以及选择对分类效果极为重要。本文提出体动提取算法、呼吸峰检测算法获取体动信息和呼吸信息。在体动信号上,设计专有特征描述体动量、体动持续时间、体动分布等。为捕捉呼吸变化情况对睡眠阶段的影响,分别在时域与频域上提取样本熵和动态时间规整相关特征描述呼吸与睡眠状态的关系。实现F-score、FCBF、mRMR、LLDR四种特征选择方法,以此对特征进行筛选去除冗余特征,验证设计的特征有效性。3.单分类器针对本文数据分类并不能达到较好的效果,为能够最大程度上描述数据质量较差的生理信号与睡眠阶段之间的关联,在睡眠阶段划分方面,根据生理信号在睡眠各阶段的差异性,设计具有二叉决策树的多贝叶斯分类器组合及选择方法.通过决策以及分类器集成的方式提高分类准确度。