睡眠是人体重要的生理活动,其在维护人体免疫系统、缓解大脑神经疲劳方面发挥着不可替代的作用。随着城市化进程的日益加快,睡眠疾病在都市人群中的发病率逐年攀升,这已成为困扰当今世界的一大问题。对睡眠过程进行准确的分期,是评估睡眠质量、治疗睡眠疾病的前提,具有重要的临床意义。通过分析处理脑电信号从而进行睡眠分期是一种客观有效的方法,这已成为国内外睡眠医学领域中的研究热点。本文的主要目的是研究一种基于多导联脑电信号的预处理及其睡眠分期方法,该方法从脑电信号预处理、特征优化选择、特征参数分类三个方面实现睡眠的自动分期。其主要的创新及研究内容如下:第一,在介绍了将传统的S变换用于处理多导联脑电信号时在伪迹识别、计算复杂度和阈值选取这三方面存有不足的基础上,提出了一种基于扩展Infomax与离散正交S变换的眼电伪迹去除算法,在实现多导联脑电信号去噪的同时降低了计算复杂度,并依次使用分形维数法和最大类间方差法实现伪迹的自动识别以及阈值的优化选取,避免了过度去噪而导致的有用信号损失,为下一步分析与应用睡眠脑电奠定了基础。第二,传统的分期算法存在多域特征冗余性高、标注样本需求量大这两方面的不足,为此,本文提出一种基于蚁群算法与半监督学习的睡眠分期算法,旨在设计一种在低标注样本量下仍具备一定的睡眠样本分类能力的分期算法。其按以下两个环节进行研究:1.利用蚁群算法优化多域特征选取,在剔除冗余特征、提高计算效率的同时得到可使分期效率最大化的优选特征子集,为后期睡眠样本分类提供精度保障;2.在获取优选特征子集后,将协同训练与主动学习策略融入ALKLSS半监督学习算法,并利用加权投票方式改进其样本标注环节,最终实现在保障睡眠样本分类正确率的前提下降低标注样本需求量的目的。利用MIT-BIH中的睡眠生理数据对上述算法进行仿真测试,结果表明本文所提出的去伪迹算法在实现多导联脑电去噪的同时降低了计算复杂度;所改进的半监督睡眠分期算法在保障睡眠分期精度的同时,分期性能相对于ALKLSS和LS-SVM算法分别提升了16.83%和8.59%,证明其在低标注样本量下仍具有可用性。