根据《2021年运动与睡眠白皮书》统计,中国有超3亿人存在睡眠障碍。良好的睡眠有助于恢复精神和体力,是维持身体健康的“必需品”。如今,睡眠障碍已经成为了一种普遍存在的危害性疾病,引起了人们的高度重视。睡眠分期作为研究睡眠相关疾病的常用方法,是评估睡眠质量的有效途径。实现睡眠分期有助于了解睡眠状态变化,为辅助医生临床诊断提供数据参考,为改善睡眠质量提供有价值的理论依据。计算机算法辅助识别是现代睡眠分期的主要研究方向,其基本思想是先利用特征提取方法提取睡眠特征,再结合机器学习中的分类算法来实现睡眠分期。本文利用加入聚类约束的非负矩阵分解（dcNMF）方法来提取睡眠特征,以解决脑电数据量大且特征维度高而导致的分类效果不佳的问题,再结合支持向量机（SVM）分类模型实现睡眠分期,并根据分期结果完成睡眠质量评价。首先,对选定的睡眠脑电信号进行小波阈值去噪处理,并对去噪信号进行初始特征提取及归一化处理,组成32维的初始特征矩阵。然后,针对特征维度高而导致的分类效果不佳的问题,采用dcNMF方法在初始特征的基础上进行二次特征提取,以便为后续的分类提供更有效的睡眠特征,再结合支持向量机分类模型,通过网格搜索法寻找最佳参数实现睡眠分期。最后,根据睡眠分期结果完成睡眠质量评价。根据PhysioNet平台的公开数据集进行睡眠分期实验,结果表明dcNMF方法有助于提高睡眠分期准确率和计算效率,也说明了基于dcNMF和支持向量机的睡眠分期模型的可靠性。在选用的四个数据集中,利用提取的初始特征,结合SVM完成睡眠分期的分类准确率都不到80%,而采用dcNMF方法进行二次特征提取后,分类准确率均提升到了 90%以上,且模型运行时间只需要前者的一半。将本文方法与其他文献方法的分类性能对比发现,本文方法较于带有淘汰机制的F-score的分类准确率提高了 9.7%,较于主成分分析（PCA）方法提高了 3.3%,进一步验证了 dcNMF方法对提升分类准确率的有效性和优越性。同时,根据睡眠分期结果完成的睡眠质量评价也与受试者的真实睡眠状况相吻合,验证了基于dcNMF＆SVM睡眠分期结果的质量评价方法的有效性。因此,dcNMF方法可以有效提高睡眠分期准确率,为睡眠质量评价研究提供了创新性的数据来源,进而辅助医生临床诊断,改善人类睡眠健康。