陈涛

（佛山职业技术学院，广州佛山，528000）

0 引言

睡眠是一项非常重要的生理活动。人类有1/3 的时间是在睡眠中度过。睡眠质量与身心健康有着密切的关联。好的睡眠质量有助于放松大脑，缓解疲劳，促进健康；反之则容易造成倦怠乏力，注意力不集中，严重者可引发焦躁、抑郁等疾病，损害身心健康[1]。研究表明，睡眠质量的改善可以通过在特定的睡眠时期施加适当的外界干预实现[2-3]。因此，正确识别睡眠时期具有重要的意义。

依照Rechtschaffe 和Kales（简称R&K）分期准则，睡眠过程分为清醒期（Wakefulness,W）、非快速眼动期（Non-Rapid Eye Movement，NREM）和快速眼动期（Rapid Eye Movement，REM）[4]。其中，NREM 期可具体划分为非快速眼动1 期（N1），非快速眼动2 期（N2），非快速眼动3 期（N3）和非快速眼动4 期（N4）。2007 年，美国睡眠医学会（AASM）对R&K 睡眠分期准则进行修订，将N1 期和N2 期整合为浅睡期（Light Sleep，LS）,N3 期和N4 期整合为深睡期（Slow Wave Sleep，SWS）[5]。本文遵照AASM 的睡眠分期标准。睡眠分期结构图如图1 所示。

图1 睡眠分期结构图

传统的睡眠分期依靠睡眠专家标定实现。健康成年人整晚的睡眠时间为7～8h，相应的标定工作需要2～4 h，耗时久，工作量大，而且不同睡眠专家的判读结果常存在出入，无法保证一致性。因此，发展自动睡眠分期算法具有重要的意义。

现阶段，睡眠分期研究已经取得了一定的进展。Liang等[6]研究20 位受试者的睡眠脑电（Elect roencephalogram，EEG）信号,提取多尺度熵（Multiscale Entropy）、自回归模型（Autoregressive Model）作为特征，使用线性判别分类器（Linear Discriminant Analysis）对睡眠阶段5 分类，准确率76.91%；Rodriguez 等[7]研究39 位受试者的睡眠EEG 信号，提取分形维数(Fractal Dimension，FD)、去趋势流动分析(Detrended Fluctuation Analysi，DFA)、香农熵(Shannon entropy，H)、近似熵(Approximate entrop，ApEn)、样本熵(Sample Entrop，SampEn)以及多尺度熵(Multiscale Entropy,MSE)等特征，基于K-均值聚类算法对睡眠阶段5 分类，准确率76.8%；……