睡眠是使机体复原和巩固的重要环节,对睡眠分期和睡眠觉醒事件进行研究是临床上诊断睡眠相关疾病的基础,临床上通常采用多导睡眠仪采集相关人体生理数据,经医生人工分析标注后确定睡眠分期和觉醒情况。该方式由于待分析的数据量大,数据格式各异等情况易造成工作量繁杂,同时人工分析结果受医生个人医学临床经验影响,易造成诊断结果不一致的问题。随着人工智能、大数据技术的发展,基于睡眠相关数据的采集、分析,构建模型实现对睡眠信号的分析识别,从而辅助医生智能诊断,能有效减少医生的工作量,同时将大数据和医生经验进行融合,具有重要的临床意义和应用价值。本文针对睡眠信号自动识别领域的睡眠觉醒事件检测和睡眠分期问题,首先,基于多模态的睡眠信号设计了睡眠觉醒分类模型CRPEMA(ConvolutionalResidual network with Positional Embedding and Multi-head Attention);进而在CRPEMA模型基础上,构造了针对睡眠觉醒事件和睡眠分期识别的多任务深度学习模型,并对其进行了参数设置和性能评估;最后,设计并实现了一个远程睡眠分析系统。主要研究内容如下:(1)构建了一个睡眠觉醒分类模型CRPEMA。首先,通过快速傅里叶变换滤波和全局归一化对数据预处理,并通过数据生成器解决数据不平衡问题;然后提出了CRPEMA集成模型,该模型使用位置嵌入(Positional Embedding,PE)的多头注意力机制(Multi-head Attention,MA)代替LSTM(Long Short-Term Memory)结构并行的提取时序特征;模型通过改进残差块结构,降维的同时保留了局部特征和全局特征。实验表明CRPEMA获得了0.391的AUPRC(Area Under the Precision-Recall curve)和0.844的AUROC(Area Under the Receiver Operating Characteristic curve)。(2)构建了一个多模态多任务的睡眠分析模型。首先对数据集预处理并获得多任务标签,然后使用CRPEMA构建多模态多任务模型,使用FL(Focal loss)和CE(Cross Entropy)作为睡眠觉醒事件和睡眠分期的损失函数处理数据不平衡下的多分类任务。最后探究多任务学习中损失函数组合、不平衡类标签权重、损失函数间联合权重对模型性能的影响。实验表明多模态多任务睡眠分析模型在睡眠觉醒事件分类任务(13分类)中获得了0.6822的macro accuracy,在睡眠分期任务(5分类)中获得了0.8122的macro accuracy。(3)设计并实现了一个睡眠分析系统。首先给出了睡眠分析系统的需求分析;其次按照表现层、逻辑层和数据层三层设计结构,完成了用户管理模块、数据获取模块、数据分析处理模块和前端展示模块的设计与实现;最后设计实现了针对大量睡眠信号的HDFS(Hadoop Distributed File System)存储环境,保证数据存储安全性。测试结果表明,该系统可以远程在线辅助医生对睡眠信号分析诊断,具有一定临床应用价值。