睡眠分期是对人在睡眠过程中所经历的阶段进行划分。准确的睡眠分期能够为睡眠问题的诊断提供可靠的技术支持,进而采取相应的措施进行调理和治疗。睡眠分期一方面可以准确地描述睡眠中的状态转换过程,及时发现潜在的睡眠问题;另一方面,持续的监测能够有效地预防睡眠中的呼吸心跳暂停等突发性疾病,保护生命健康。目前常用的多导睡眠图分期监测方法在医院等场所有着广泛的应用,但由于其导联数目较多、测量方式复杂、对监测对象影响较大、同时还极易诱发其他生理伪迹干扰等缺点,严重限制了其进一步的发展和应用。相比而言,发展电极数目更少的便携式或可穿戴式睡眠分期监测设备已经成为当前的研究热点之一。本文重点针对单通道脑电信号睡眠分期监测过程中的若干关键技术进行了研究,研制了便携式单通道脑电信号睡眠分期监测设备,并进行了相关的实验验证。主要研究内容包括:(1)单通道脑电信号眼电伪迹去除。睡眠脑电信号中最主要的生理伪迹成分是快速眼动期的眼电伪迹。独立成分分析算法已经在多通道脑电信号的眼电伪迹去除中取得了较好的效果。而在单通道脑电信号的眼电伪迹去除中,已有的WT-ICA算法存在超完备且分离结果不稳定等问题。本文提出了一种用于单通道脑电信号眼电伪迹去除的WT-EEMD-ICA算法,通过引入集合经验模态分解,解决了WT-ICA算法的超完备问题,在没有参考眼电通道的条件下,仅通过单一通道的脑电信号,成功地实现了脑电信号和眼电伪迹的有效分离。(2)单通道脑电信号特征提取。传统的多通道脑电信号特征提取往往集中于某个单一分析域,通过对比各通道参数的变化及分布情况进行特征提取。而对于单通道脑电信号,由于其严重的非线性和非平稳特性,仅从一个分析域进行特征参数提取往往无法充分获取睡眠脑电信号中的有价值信息。本文提出了一种用于单通道脑电信号的多分析域特征参数提取算法,同时采用非线性分析、时域分析、频域分析以及时频分析等方法,提取了多重分形去趋势波动指数、序列连通度、FFT子频带能量比以及短时傅里叶变换时频分布等特征参数。相对于近似熵、复杂度、符号熵以及AR模型等传统参数,本文所提取的多分析域特征参数具有更高的分类精度。(3)单通道脑电信号特征选择。为了建立稳定性和泛化能力更好的睡眠脑电数学模型,需要对所提取的全部特征参数进行优化选择,筛选出最适合建模的特征参数组合。在目前常用的模拟退火遗传算法中,交叉概率和变异概率无法自适应调整,而且其邻域随机产生新解机制对解的稳定性影响较大,严重的还会造成迭代结果不收敛。本文提出了一种自适应模拟退火遗传算法,在模拟退火遗传算法的基础上增加了交叉概率和变异概率的自适应调整机制,采用基因优化算法代替了模拟退火遗传算法中的邻域随机选择机制,并设计了加权适应度函数。相对于相关系数法、遗传算法、自适应遗传算法以及模拟退火遗传算法,本文提出的特征选择优化算法能够以更少的特征参数实现更高的分类精度。(4)单通道脑电信号特征分类。脑电信号具有严重的非线性和非平稳特性,非线性分类方法相对于传统的线性分类方法正确率较高。其中最具代表性的自适应模糊神经推理系统兼备了神经网络和模糊逻辑的优点。但其在训练过程中根据经验建立规则库的方法往往不能够达到较好的训练结果。本文提出了用于睡眠脑电分期的GA-ANFIS算法,通过遗传算法对自适应模糊神经推理系统的每个输入参数隶属度函数个数进行优化设置。相对于偏最小二乘法、最小二乘支持向量机以及传统自适应模糊神经推理系统等分类算法,GA-ANFIS分类算法的睡眠分期精度更高。(5)睡眠分期监测实验。脑电信号的有效提取是睡眠分期监测的基础,通过头皮电极采集的脑电信号幅度一般为10～100μV,频率为0.5～100Hz,属于低频的微弱信号,且背景噪声和干扰较为严重。基于以上特点,本文设计了便携式单通道脑电信号睡眠监测设备。该设备包含3个电极,共模抑制比高于100dB,输入阻抗高于50M?。最后,设计了该设备与西班牙Morpheus Medical公司生产的IoC-View监护设备的睡眠分期监测对比实验系统,验证了本文所设计的睡眠分期设备硬件及相关软件算法的有效性。