睡眠是对人的健康至关重要,随着睡眠障碍病患的高发,睡眠问题备受关注。睡眠分期是研究睡眠及相关疾病的基础,是完成睡眠质量评估的前提,具有重要临床意义。睡眠研究一直是个热门话题,临床上普遍采用人工判别法实现睡眠分期,效率太低,心理量表法主观性太强,生理参数检测法是一种客观有效的方法。近年来,已有许多学者致力于睡眠EEG自动分期研究,但国外进展较好,国内相对滞后,利用睡眠EEG评估睡眠质量的准确性需待进一步提高。研究了一种基于单通道脑电信号的睡眠自动分期方法。对获取的脑电信号进行预处理,提取有效的睡眠脑电特征。设计性能优良的分类器,实现睡眠自动分期。建立结合睡眠脑电信号分析、匹兹堡睡眠质量指数量表和主诉睡眠情况的睡眠综合评估模型。睡眠脑电十分复杂,直接分析和处理很困难,提取反映睡眠时相变化的特征是睡眠自动分期的重要任务。基于信号处技术和非线性动力学方法,提取有效的睡眠脑电特征(10个能量特征和1个Lempel-Ziv复杂度特征)。10个能量特征包括总能量,k-complex波、δ波、θ波、α波、sleep spindle波、β1波和β2波的相对能量,以及两个波段的能量比(E E??、E E??)。对比FIR带通滤波器、Hilbert-Huang变换和小波包分解三种脑电特征波提取方法,并验证了特征的有效性。模式分类是睡眠自动分期的关键技术,选用LS-SVM作为分类器,对睡眠脑电特征进行识别,实现自动分期。比较几种流行的模式识别分类方法(fisher线性判别分类器、人工神经网络和LS-SVM),对各个算法的优缺点进行分析总结。设计性能良好的LS-SVM多分类器,对自动分期系统进行测试,验证该睡眠自动分期方法的有效性。基于睡眠的复杂性特点,在睡眠自动分期系统的基础上,建立睡眠脑电信号分析、匹兹堡睡眠质量指数量表和主诉睡眠情况相结合的睡眠综合评估模型。量表法评估睡眠简单直接,但主观性较强;脑电信号检测法是一种客观的方法,但需进行大量信号处理分析,且结果受分期准确率的限制。结合各种方法的优缺点,建立睡眠综合评估系统,使睡眠评估更客观、准确。