在当今社会随着生活节奏的不断提升,和工作竞争的日益激烈,导致大多数人都承担着精神和生理两方面的压力。科学研究表明长期处于高压力状态下的人,容易产生厌世、情绪低落以及脾气暴躁等负面情绪。而且这类人群更容易产生失眠、抑郁等生理或心理疾病,其中严重的可能会诱发心血管疾病、人体的代谢与精神紊乱等诸多疾病。基于传统的心理学自评量表法存在一定的主观性,而通过生理信号对情绪状态的有效评估与识别,能够帮助心理医生去了解每个个体的情绪状态。基于不同的情绪状态进而进行相应的心理指导与治疗,帮助特定的情绪低落患者调整情绪、恢复健康。睡眠是人类最重要的生理活动之一,其质量直接或者间接的影响着人体的健康状态。通过生理信号的睡眠监测,可以分析得到每个人的睡眠分期、睡眠结构和睡眠质量。准确的睡眠分期监测可以帮助医生对睡眠进行分析诊断,并从中发现规律用于睡眠疾病深层次的病因研究。本文以基于生理信号的情绪状态评估与睡眠分期为研究目标,以生理信号的处理与数据分析为核心,实现基于单通道的血氧信号(Photoplethysmogram,PPG)与五通道的脑电信号(Electroencephalography,EEG)的较为准确的情绪识别,以及实现基于单通道的心电信号(Electrocardiogram,ECG)的较为准确的睡眠分期结果。本文的主要工作为:第一部分:作为情绪识别的数据源使用的国际公认的公开数据集DEAP情绪数据集,为了能够更好的结合现有的可穿戴技术的应用特点,使用尽量少的信号通道实现较好的分类结果,所以选用了数据集中的PPG信号和EEG信号。本文分别对数据集中的PPG信号和EEG信号进行信号处理和特征提取,并使用Logistic回归算法和Adaboost算法进行分类建模,调整模型的系统参数,最终获得较好情绪识别分类准确度。第二部分:睡眠分期采用国际公认的库MIT-BIH POLYSOMNOGRAPHIC DATABASE作为数据来源,并选取数据集中的单通道的心电信号作为信号源,对ECG信号进行信号处理,提取特征值;通过对ECG信号峰值运用插值法拟合出呼吸信号((ECG-Derived Respiration,EDR)),得到EDR的特征值。并将ECG与EDR信号进行心肺耦合分析获得耦合特征,进一步提取ECG信号的复杂特征以提高最终的睡眠分期准确度。采用随机森林算法进行特征筛选,得到最优特征子集,再运用SVM算法进行分类系统建模,最终得到二分类(WAKE-REM/NREM),三分类(WAKE-REM-NREM)的准确度分别可达到健康人群的90.48%,88.10%和睡眠障碍患者的83.74%,78.54%,这是现有已知利用单导联ECG信号并使用同样数据集的进行睡眠分期的最优结果。