睡眠的研究与许多学科相关,例如生理学、神经生物学、康复医学、心理学以及计算机等学科,目前各个国家都开始加强研究人类的睡眠。睡眠研究的目的之一是实现睡眠质量评估,而睡眠质量评估的一个重要依据就是睡眠状态的变化,这也是研究睡眠与睡眠相关疾病的基础,具有非常重要的意义。长期以来,由于睡眠状态的分期工作都由专家人工完成,分期规则具有一定的主观性。二十世纪八十年代起,由计算机辅助的自动睡眠分期逐渐引起关注并成为热点。但是目前常规的自动睡眠分期系统的分期准确率仍不高,还存在较大的提高空间。传统的自动睡眠分期方法都是以判断一个睡眠时期的时间片为单位进行特征参数提取,因此考虑按照不同的时间尺度提取特征参数,结合不同的分类模型设计高准确率、高效率的自动睡眠分期系统。本文首先论述了睡眠分期的国内外研究现状,以及睡眠EEG信号在睡眠分期研究中的应用。其次将4个不同分量小波包系数的均值和标准差、排列熵、Petrosian分形维数作为睡眠分期的特征参数,应用到随机分类森林与支持向量机系统中进行自动睡眠分期。本文的创新之处主要体现在以下方面:(1)针对睡眠脑电采用30秒、90秒、150秒以及210秒的不同时间尺度提取4个分量小波包系数的均值和标准差、排列熵、Petrosian分形维数,通过对不同睡眠阶段脑电信号特征参数的分析对比,发现EEG的上述几类特征都随着睡眠阶段的不同呈现一定的差别和变化规律,所以就将它们作为自动睡眠分期的特征指标。(2)介绍基于随机森林与支持向量机的分类识别器,通过对不同时间尺度取得的单个特征作为分类器的输入寻找最优的参数组合,将三种脑电信号特征参数的组合对分类模型进行训练,寻找高准确率、高效率的自动睡眠分期系统。最终确定210s时间尺度获得的小波包系数和标准差、30秒时间尺度获得的排列熵以及90秒时间尺度获得的Petrosian分形维数与SVM协同作用的自动睡眠分期系统比与随机森林协同具有更高的准确率。