睡眠是人的生命活动的重要一环,睡眠质量的高低与人的身心健康有着极为紧密的联系。睡眠分期是客观分析睡眠质量的技术,同时也是诊治各种睡眠障碍相关疾病的重要参考。人工视觉标注睡眠期是睡眠分期的金标准,但需要睡眠医师耗费大量时间处理睡眠数据,亟需可靠的自动睡眠分期方法,这既能减轻睡眠医师的工作负担,又能推动便携式睡眠监测技术的发展。睡眠片段的前后状态是睡眠医师标注时的重要参考,睡眠阶段转换遵循一定规律,本文在此背景下提出结合特征学习和序列分析的自动睡眠分期算法,分别基于传统机器学习和深度学习方法提取相关特征,着重研究如何利用睡眠状态的时间依赖性提升算法性能。本文的研究主要分为以下几个方面:(1)基于传统机器学习方法的睡眠分期:依据各睡眠阶段中生理信号的特点,在脑电(Electroencephalograph,EEG)、眼电(Electrooculogram,EOG)、肌电(Electromyography,EMG)通道中提取了时域特征、时频特征和非线性特征,得到各睡眠片段的特征向量表达。应用梯度提升树(Gradient Boosting Decision Tree,GBDT)算法拟合数据分布,建立预分类模型;考虑到序列分析的重要性,采用条件随机场(Conditional Random Field,CRF)学习状态链的转换规律,对预分类结果进行修正,输出更合理的序列分期结果。(2)基于深度学习方法的睡眠分期:首先,构建了自动学习特征的密集卷积神经网络(Dense Net),该网络通过密集的短路连接重复利用前层提取的特征,随着卷积层的叠加,能有效融合时频特征,以压缩信号为低维特征向量。其次,利用擅长处理时间序列依赖性的长短期记忆模型(Long Short-Term Memory,LSTM)分析阶段转换关系,为改进网络对长期依赖关系的关注,在编码过程中加入注意力机制。最后,在两个公开数据集(Sleep-EDFx和Physionet2018)上进行实验,实验结果表明,本文提出的方法能实现稳定可靠的自动分期。同时,数据分析结果显示本文获得的编码特征是睡眠片段的有效特征表达,在模型中加入序列分析能明显提高睡眠分期准确率,将特征学习和序列分析相结合是睡眠分析切实可行的方法。