现代医学理论认为睡眠是一种机体主动降低反应性,以恢复精力的自然休息状态,是整合、巩固深层记忆,缓解疲劳的重要生理活动。睡眠质量的好坏意味着生活质量的优劣,监测睡眠质量的首要问题就是对睡眠过程进行准确分期。传统睡眠分期工作是睡眠专家根据多导睡眠图手动进行,采集过程复杂,专业性要求较高,且存在主观认知差异,无法满足睡眠监测家庭化,日常化的需求。因此,寻找一种基于简单信号的自动睡眠分期方法成为当前研究热点。研究表明,自主神经系统的神经中枢-下丘脑能够调控睡眠过程。自主神经系统的活动状态可以使用心率变异性指标进行表征及评估。与此同时,也有研究表明在睡眠过程中心率变异性的一些指标具有和脑电信号相似的规律性。这些研究成果为基于心率变异性信息进行睡眠分期的方法提供了理论支持与事实基础。本文选择易于采集的心电信号作为原始信号获取心率变异性,旨在寻找一种基于心率变异性信息实现自动睡眠分期的深度学习方法。首先,对公开睡眠数据库进行学习,筛选、清洗出可用数据。本文选择了MITBIH和国家睡眠研究资源两个数据库中的三个多导睡眠图数据集,其中包含整晚的心电信号和由睡眠专家标注的睡眠阶段标签。然后,使用Pan-Tompkin算法识别原始心电信号中的QRS波群,并根据数据库中已有的R峰数据检验Pan-Tompkin算法的识别效果,结果显示,Pan-Tompkin算法识求得的R峰数据与数据库中R峰数据高度相关。之后,根据R峰信息提取RR间期序列,并对其进行数据修正、归一化、数据分割重组等一系列预处理工作,构建实验数据集。之后,构建了深度前馈神经网络、卷积神经网络以及长短期记忆神经网络三个深度学习模型。在模型构建过程中,参考已有经验、分析数据情况,调整并逐步优化了模型的网络架构及各个环节。减少各层神经元个数的同时增加网络深度,使其能够学习数据更加深层的特征;使用正则化配合归一化层,辍学层等功能层防止过拟合现象;使用焦点损失函数解决样本数量不均衡的问题。随后,随机抽取80%的实验数据作为训练集,分别训练三个深度学习模型,并使用剩余的20%数据测试三个模型基于心率变异性序列的睡眠分期效果。最后,根据分期实验结果,从混淆矩阵、分期准确率、灵敏度、泛化能力等多个角度对比分析三种深度学习模型在该任务中的表现。结果显示,深度前馈神经网络、卷积神经网络以及长短期记忆神经网络的分期准确率分别为78.07%,90.17%,89.89%;F1分数分别为0.7059,0.8850,0.8745;kappa系数分别为0.7077±0.0094,0.8897±0.0095,0.8785±0.0086。本文研究了基于心电信号提取心率变异性序列,实现端到端自动睡眠分期的多个深度学习模型。实验结果表明本文构建的卷积神经网络模型能够基于独立的心率变异性序列实现自动睡眠分期,分期效果能够满足家庭中日常化的睡眠检测需求。