睡眠分期是依据睡眠过程中的生理规律,对睡眠阶段进行划分的过程。精确的分期可以为睡眠质量评估和相关疾病诊断提供可靠的技术支持。早期睡眠分期工作由人工完成,主观性较强且分期效率较低。近年出现的自动睡眠分期技术,虽然在很大程度上解决了工作效率较低的问题,但也与之带来了参数数量与准确率之间出现矛盾的问题。本文以PhysioBank数据库中睡眠过程的单通道脑电信号和心电信号为研究对象,重点解决睡眠分期技术研究过程中参数过多和准确率较低的问题。主要研究内容如下:(1)睡眠生理信号特征提取。在时域、频域以及非线性域中提取单通道脑电信号特征,得到频带比、样本熵等14个特征参数。同时对心电信号进行预处理,生成心率变异性信号,在多分析域共提取9个特征参数。(2)睡眠生理信号特征选择与特征降维。采用自适应遗传算法进行特征参数选择,比使用全部特征参数,准确率提高3%。对比相关系数法以及基础遗传算法,使用自适应遗传算法筛选出的参数能够建立泛化能力更好的数学模型。对选出的特征参数进行主成分分析处理,可使得特征维数降低一半,为睡眠自动分期的实时过程提供了可能。(3)睡眠生理信号特征分类。提出基于遗传算法的组合分类器,优化子分类器在各分期类别上的判定权值,与基于贝叶斯投票法和单分类器的分期结果进行对比,实验结果表明两种组合分类器的分期准确率比4个单分类器的分期准确率高,而基于GA-CMC算法的组合分类器比基于贝叶斯投票法的分期准确率提高2.3%。研究证明,基于单通道脑电信号和心电信号所设计的GA-CMC自动睡眠分期算法,能够使用较少的特征参数,得到相对满意的分类结果,为实现睡眠过程的实时监测提供了可能,具有一定的应用价值。