睡眠对于人体至关重要,不幸的是,有近25%的成年人存在睡眠障碍。临床上,脑电图是医生分析睡眠问题的首选。但是脑电图数据量大,波形干扰严重,判读规则复杂,不同专家之间的判断也存在不小的差异。此外,医用脑电图采集复杂,当前基于脑电图的人工睡眠分析模式耗费巨大的人力财力,大众面临的睡眠困扰问题亟需便捷、稳定、自动化的分析手段。鉴于此,本文基于脑电波的睡眠状态评估技术研究主要做了三点工作。第一,从传统信号分析的角度出发,本文研究了人体的入睡时刻和觉醒时刻的检测技术。这部分的研究提出了时段高能弦波模型,其按子信号的频率属性,将反映人体睡眠状态的子信号从脑电波中提取出来。研究表明时段高能弦波可以有效反映人体的入睡时刻和觉醒时刻,在Dreams数据库中,时段高能弦波模型对受试对象的入睡时刻和觉醒时刻的检测结果与专家的判别结果的Kappa一致性为0.58。直接将此模型应用于Sleep-EDF数据库,模型的检测结果与专家的判别结果的Kappa一致性为0.59。第二,本文以特征提取结合机器学习的思路进行了自动睡眠分期算法的研究。这部分提出了弦波滤噪理论和广泛适用的二阶特征生成方案One Hot随机森林子叶和改良的最近邻特征。特征分析采用方差分析与图表分析相结合的方式。分类器采用Stack模型集成理论,综合了支持向量机,神经网络,最近邻算法和XGBoost四种基于不同原理的机器学习算法的预测结果。在Sleep-EDF数据库中,2到6个睡眠阶段的分类的准确率分别为99%,95%,93%,91%,90%,与已经发表的成果持平,并有部分超过。在Dreams数据库中准确率分别为96%,90%,86%,83%,81%,超过已经发表的成果。模型具有良好的稳定性,同一个模型在不同的两个数据库中的整体表现优于已经发表的成果。第三,为了在实践中检验课题的理论研究成果,本课题设计、构建了脑电波采集与测控实验平台,开展了人体短时睡眠监测实验。在对7位受试对象29次有效实验记录的分析中,时段高能弦波模型对入睡时刻与觉醒时刻检测的精确率为88%。自动睡眠分期算法对受试对象睡眠状态的平均检测准确率为85%,依据算法的睡眠分期结果所得到的入睡时刻与觉醒时刻的准确率为92%。课题的两个理论研究成果在简易的实验装置下均展示出了良好的实践效果,实验室条件下可以初步应用于人体睡眠状态的评估。