睡眠对人类包括日常生活、学习、科研等所有活动都至关重要,良好的睡眠质量,是人体正常生活、生产的必需因素。缺乏睡眠,会导致人体思维和反应能力下降,睡眠严重缺乏,甚至会导致抑郁症、身体机能紊乱等严重后果。在高铁、航空、航运、地铁等交通运输领域,由于速度快、载客量大,司机的睡眠质量不好,就会导致司机注意力不集中,容易引发交通事故。因此,一种客观、有效、简便的睡眠质量评估方法不仅在交通运输等领域具有重要的实用价值,而且也会推动神经科学、脑科学、睡眠医学等领域的研究。但是迄今为止,仍然没有一种客观有效的方法来实现在人体清醒状态下对睡眠质量的评估。现有的主观方法如问卷调查等主体随意性太强,很难具有实用性;现有的客观方法如多导睡眠仪PSG等,需要监控人体睡眠的全过程,而这个要求在很多实际应用中根本无法满足。本课题希望实现一种类似判定酒驾的酒精测量仪的方法,能在测量人体清醒状态下几分钟的脑电波之后,给出一个客观有效的睡眠质量评估。脑电EEG是反应大脑活动的黄金标准,已经成功应用于疲劳驾驶检测、情绪识别、脑机交互等诸多领域。本课题募集了10位被试在晚上佩戴智能手环分别睡4小时、6小时、8小时,相应的睡眠质量认定为较差、适中、较好。然后在早上醒来之后测量半小时脑电波,结合智能手环的记录的总睡眠和深睡眠时长作为标注,采用机器学习的方法构建睡眠质量的分类器。由于不同被试的脑电信号差异显著,为了减少不同被试脑电数据的差异,提取不同被试之间共享的脑电结构和特征,本课题采用了迁移学习的方法来实现非特定人的睡眠质量评估,使用到的迁移学习包括基于特征映射的TCA、ARTL以及基于深度自编码器的深度迁移学习TLDA方法。实验结果表明TLDA的分类准确率最高,达到了82.16%,相对于基准SVM的65.74%有较大提升。对三种睡眠质量的脑电特征模式和分类混淆矩阵进行比较和分析,我们发现不同睡眠质量之间的神经模式确实存在差异并且具有稳定区分能力:当睡眠质量由好变差时,δ频段的脑电成分增加,而α频段的脑电成分减少,而且4小时睡眠和6小时睡眠的脑电信号特征更加接近,而8小时睡眠的脑电信号特征则与前两者有较大区别。