睡眠是人的生理活动所必需的,它在机体的恢复和整合中起着重要的作用,是健康不可或缺的组成部分。随着社会的发展,睡眠问题越来越受到人们的关注,特别是现在睡眠障碍人群呈现发生率升高、患病人群年轻化等。睡眠障碍不仅不利于机体的恢复,而且会给人带来极大的精神压力。睡眠分期（Sleep staging）,是监测睡眠质量和检测睡眠相关疾病中非常重要的基础。临床医学领域睡眠分期标准AASM,将人的睡眠过程划分为清醒期（Wake）、非快速眼动期（REM）、浅睡一期（NREM1）、浅睡二期（NREM2）、深睡期（NREM3）。睡眠分期过程需要专业人士经过大量的训练和领域经验的积累,这是一个复杂而繁琐的过程,因此自动化、高效地评估睡眠阶段是一项很有必要的工作。目前,已经有大量的研究人员以机器学习、深度学习等方法为基础,提出了自动化睡眠分期的解决方案,获得较好的睡眠阶段5分类效果。然而,这些方案存在一些不足,其中最显著的问题是存在浅睡眠1期（N1）误判率较高的问题。浅睡一期虽然在整个睡眠周期中占比不大,但是却占据重要地位,它是人类从清醒到入睡的过渡阶段,能够准确区分浅睡一期对睡眠障碍的研究具有重要作用。因此,本研究旨在提高睡眠分期中对浅睡一期（N1）的分类准确率。本文提出一种新的方法来解决这个问题,将一段睡眠脑电序列分割成连续的、持续时长更短的序列片段（序列分割）,通过聚类从细分的睡眠序列片段中提取新的特征符号向量,最后将得到的特征符号向量馈送到双向长短期网络结构Bi LSTM来挖掘时间序列的潜在特征,实现睡眠分期。实验证明,我们的模型能够有效地提高睡眠分期任务中浅睡1期的分类准确率。