睡眠分期研究一直是研究睡眠的一个重要方向,睡眠分期有助于了解睡眠结构,分析睡眠质量。而当前睡眠问题是一个极为普遍的社会现象,人工分期不仅效率低且准确性低,睡眠自动分期便成了研究睡眠的重点。本文详细阐述了睡眠自动分期的理论基础,总结归纳了睡眠自动分期方面的研究情况。同时,对不同睡眠信号及其特点、睡眠自动分期的标准与过程及其方法进行总结与阐述。为了更深入研究深度学习算法用于睡眠自动分期的意义,本文的研究内容主要包含两部分,第一部分是传统的基于机器学习的睡眠自动分期,第二部分是深度学习睡眠自动分期。首先,本文提取了脑电信号的22类特征用于睡眠自动分期,利用支持向量机来完成分类过程,准确度最高为85.93%。结合分期结果再利用方差分析对各类特征在不同睡眠时期中的分布作进一步分析。结果表示,非线性特征的分期效果好于时域分析和时频分析,但是其计算量也更大。然后,为了保证数据量的充足,本文选用多种睡眠信号作为原始信号,包括脑电信号,眼电信号以及肌电信号。利用小波变换完成预处理过程,滤除信号的混杂部分并且保留其重要成分。最后建立一维卷积神经网络和长短时记忆模型结合的深度学习算法模型实现睡眠自动分期。对单一信号和多信号组合的分期结果进行分别讨论,单一信号下最高准确度为93.47%,多信号组合最高准确度为93.86%。同时与单独的多层感知器,卷积神经网络和长短时记忆模型睡眠分期结果进行比较分析,本算法综合性能最高,分期效果最好。根据本文的研究结果,传统机器学习睡眠分期对特征的依赖性很大,特征的优劣会影响到分期结果的好坏,好的特征算法计算量也会更大。而深度学习算法不仅可以避免特征工程,还能有效提升准确度,更具有参考价值。本文所提出的深度学习算法模型可以达到很好的分期效果,具有很好的应用前景。