睡眠，作为人体非常重要的一种生理活动，其质量的好坏对人身体健康、生活等有着密切的影响。在现代社会，各方面的压力和不健康的生活习惯严重影响着人们的睡眠，睡眠已经成为医学、神经科学领域的研究热点。其中，睡眠分期，作为一种评估睡眠质量、辅助诊断疾病的重要途径，得到了广泛的关注。正常人的睡眠特点和变化规律比较符合睡眠分期规则中的描述，较易采用模式识别的方法实现自动睡眠分期。然而，临床数据的复杂性使得分类算法在实际数据的应用中存在较多局限性。因此，寻找一种能适应临床睡眠变化数据的分期方法尤为重要。　　本课题以整晚睡眠过程中同步采集的生物电信号为分析对象，结合临床数据的特点，对K-均值聚类算法进行了改进，实现了睡眠过程的自动分期判别。首先，对采集到的整晚睡眠脑电、眼电、肌电时序列信号进行分析，结合睡眠各时期的特点，提取了脑电、眼电信号的频域特征和肌电信号的时域特征。标准化特征后，组成的特征向量能够较好地突出各睡眠分期的主要特性。其次，针对原始K-均值聚类算法在实际应用中的局限性进行改进。结合密度的思想，改进算法选择周围数据分布密集且相互远离的点作为初始中心，解决了原始算法受初始中心不确定性影响的问题。在迭代过程中更新聚类中心时，改进算法借鉴“3σ法则”思想，计算离类中心近的样本均值作为新的中心，解决了原始算法对离群点敏感的问题，使类中聚类效果更紧密，各类中样本相似度更大。最后，针对临床研究中睡眠数据所呈现出的多样性形态进行了探讨。主要分析了觉醒期的多样性问题对睡眠自动分期的影响，利用改进的K-均值聚类算法，比较不同聚类数情况下睡眠分期的效果，验证了改进算法对临床睡眠数据的适应性和灵活性。　　本课题针对临床睡眠分期应用的目的，从K-均值聚类算法的初始中心选择和减小离群点影响的角度出发，提出了一种改进的K-均值聚类算法。与原始算法相比，改进算法的分类准确率更高，分期效果更好。同时针对睡眠形态多样性问题，分析讨论了调整聚类数对睡眠分期的应用效果。将改进算法在健康被试和接受持续正压通气(CPAP)治疗的睡眠障碍者的睡眠数据上进行了测试，平均分类精确度达到76％，验证了改进算法在形态多变的临床睡眠数据应用中的可行性和有效性。