传统上,自动睡眠分期是一项非常具有挑战性且费时费力的任务,由于睡眠是人类自我修复的一项不可或缺的生理机制,于此衍生了大量的睡眠研究。因为大多数现有的自动睡眠分期方法都基于单通道的脑电(electroencephalography,EEG)数据,然而,这些方法忽略了医师从整体上观测多个通道EEG信号进行睡眠阶段的分期过程。为了解决这一问题,我们优化了数据结构,对医师的分期过程进行了详细的学习与建模。最终,考虑到人工智能领域的飞速发展与其子类神经网络的强大的非线性拟合能力。我们提出了一种基于多通道脑电图的自动睡眠分期方法,介绍了在原始EEG与EOG样本上使用深度卷积神经网络(convolutional neural network,CNN)进行睡眠阶段分期的监督学习。该网络具有11层,每30s的睡数据作为被分为一个期,被预测的样本以及前两个时期作为输入数据,并且不需要任何信号预处理或特征提取,只需要对类别不均衡的数据做简单数据增强(Data Augmentation,DA),删减特殊数据与非普适性数据。我们使用来自福建省某睡眠中心医院的EEG与EOG及专家评估的多导睡眠图(Polysomnographic,PSG)数据对提出的模型进行训练和评估。实验结果表明,我们的模型SuperSleepNet性能与人类专家的性能相当。实验证明,神经网络与医疗时序数据的结合是完全可行的,且在自动睡眠分期的研究中不应该忽略EOG数据。我们还将探索使用其他医疗时序数据解决其他问题的方法,例如疾病检测和健康分析。实验与理论紧密结合,才能更好的造福人类社会。