睡眠是关乎人身体健康最重要的生理过程,随着社会的发展,人民生活节奏的加快和生活压力变大,导致越来越多的人出现睡眠质量降低的情况,由此衍生出的疾病也日益增多,因此对睡眠的研究引起了学者的广泛关注。临床上通过对睡眠过程分期检测相关疾病,传统的人工睡眠分期方法耗时且费力,主观性较强。脑电信号(EEG)是目前进行睡眠障碍疾病治疗诊断的重要依据,近年来开始研究睡眠脑电信号的自动分期方法,对睡眠障碍疾病治疗和诊断具有重要的应用价值。本文研究一种基于EEG信号睡眠自动分期的新方法,主要包括信号预处理、特征提取和分类识别三部分。首先将MIT-BIH数据库中的8位测试者的EEG信号作为分析对象,采用小波变换对脑电信号预处理,用小波包分解法提取EEG信号的α、β、δ、θ四种节律波,并计算相对能量特征,之后提取EEG的复杂度、多尺度样本熵(MSE)、Lyapunov指数和关联维数特征。本文对MSE方法进行改进,提出复合多尺度样本熵(CMSE)的新方法,减小了计算误差并提高了计算能力。对所有的特征参数构建BP神经网络和支持向量机(SVM)两种分类模型进行自动分期,结果与专家分期对比得出准确率,选择较准确的SVM分类器进行实验数据的分析。最后使用医院睡眠采集模块采集的8名患者共48小时的睡眠脑电数据,提取多个特征,分别将MSE、CMSE作为主特征,采用SVM方法进行分期计算,将自动分期结果与医院诊断的分期结果对比,验证了CMSE作为主特征进行SVM睡眠分期的较高准确性。实验结果表明,BP神经网络和SVM都可以作为睡眠分期的模型,整体分期结果相似,但用SVM自动分期的正确率更高;利用SVM对本文提出的CMSE与节律波、相对能量、复杂度等特征进行睡眠自动分期时,可以减少特征提取的计算时间,减小误差,并提高自动分期的准确率。因此本文提出的基于EEG信号的睡眠分期方法为睡眠障碍疾病的诊断和治疗提供了一种有效途径,具有实际的应用价值。