睡眠作为生命所必须的过程,是机体恢复、整合和巩固记忆的重要环节。睡眠分期是睡眠研究的基础,也是进行睡眠质量评估的前提。因此,实现家居环境下的睡眠监测及质量评估,并为睡眠呼吸相关疾病的筛查提供重要参数有着至关重要的意义。有研究表明,睡眠中心率变异性呈现出与脑电类似的周期性变化,因此,心率变异性与睡眠不同阶段有着密切关系。本文提供了一种睡眠分期的新思路,利用RR间期序列识别睡眠不同阶段,为实现家居环境下的绿色睡眠检测奠定了基础。并通过设计睡眠自动分期算法,实验证明了可以利用RR间期序列较为准确的推算出不同的睡眠状态,该方法是对传统依靠脑电进行分期方法的一种补充。本文的主要研究内容如下：1.对心率变异性与睡眠分期的相关性进行了初步分析。首先,从时域的角度分别通过散点图、标准差及时域图对心率变异性与睡眠各期之间的相关性进行了论证,其次对样本做快速傅里叶变换(Fast Fourier Transform, FFT),从频域的角度论证了其相关性。2.采用主成分分析(Principal Component Analysis, PCA)方法对数据进行预处理,降低数据冗余度。在实际应用中,为了更加全面且准确的描述睡眠状态的变迁,往往需要提取多个特征指标,但多特征指标之间的冗余性和相关性对睡眠分期结果产生影响。因此,需要对数据进行降维处理,消除各变量之间的共线性,用少数几个不相关的主成分替代原始数据,根据主成分的贡献率确定主成分权重,对原始数据信息进行综合与简化,同时解决了模型参数的过度拟合问题。3.利用支持向量机(Support Vector Machine, SVM)作为不同数据源的聚类方法,对降维后的数据进行分类。利用SVM专门针对小样本情况下的机器学习问题的理论体系,较好的解决了小样本、非线性、高维数等实际问题。并利用改进的网格寻参法寻求最优参数,分别通过不同步长和不同寻优区间进行实验仿真,对比分析实验结果得到最优参数,提高分类的实时性和可靠性。本文通过PCA对特征根降维预处理,及SVM对睡眠不同期模式识别,实现了基于心率变异性的睡眠分期模式识别方法,能够获得80%以上的准确率,并通过实验仿真分析得到,该PCA-SVM睡眠分期系统具有较好的抗噪能力,能够满足现代临床需要。