睡眠分期是睡眠研究和诊断各种睡眠障碍的第一步。人在清醒状态下，一些疾病的症状不易于被发觉，但若人处在睡眠状态下，大脑处于一种比较安静的环境，一些相关疾病的症状容易表露出来，而且不同的睡眠分期状态下这些症状的表现也有所不同。针对睡眠分期的研究，有助于评估睡眠质量，诊断与睡眠有关的疾病并改善人们的健康状况。
　　早期的睡眠分期方法主要是睡眠专家手工分期实现的，但这种方法效率低下，误判率较高。后来有学者提出自动的睡眠分期方法，这些分期方法一般都是通过获取信号、信号预处理、特征提取、特征分类这四大步完成的。但手工提取特征的方法可能会忽略信号的某些重要特征，而且生成的模型泛化能力较弱。随着深度学习的快速发展，基于深度神经网络的睡眠分期模型也开始受到重视。
　　本文基于单通道的脑电波信号，提出了深度学习与传统机器学习相结合的睡眠分期模型 ResSleepNet。模型中使用残差网络从脑电波的单个epoch中提取与时序无关的特征，使用双向循环神经网络从连续的脑电波 epoch 中提取与时序相关的信息，即睡眠阶段转换规则。最后根据提取的特征训练支持向量机分类器，将睡眠分为五期和六期。本文使用了Sleep-EDF公开数据集，将脑电波信号处理为多个30s的epoch。其中，少数类的数据量远小于多数类。为了解决睡眠分期中数据集类别不均衡的问题，本文采用了SMOTE算法对数据集进行预处理，对少数类训练集进行了扩充，使得各类的数据量相当，减少了类别不平衡对模型性能的影响。同时，为了方便模型的训练，本文搭建了一个基于TensorFlow的多GPU深度学习平台。最终，模型在五分类和六分类上分别取得了86.75%和85.82%的准确率，结果证明模型进一步提高了睡眠分期的准确率。