睡眠对人体健康起着重要的作用。睡眠不足会导致白天疲劳和注意力不集中。除了睡眠时长外,睡眠质量也是维持健康的一个重要因素。临床研究表明,睡眠与许多严重的疾病有关,包括糖尿病、肥胖症和抑郁症。近些年,随着高质量传感器的普及,出现了一些致力于开发低成本的睡眠评估系统的研究。基于手机声音信号的睡眠分析系统成为替代高昂多导睡眠图的一种廉价和有效的选择。阻塞性睡眠呼吸暂停(OSA)具有周期性呼吸停止(暂停)和周期性低通气的特点。这是由于睡觉时全部或部分的气道塌陷所造成的。当没有空气进入肺动脉,血氧水平下降,二氧化碳水平上升,会导致脱氧,随之而来的是交感神经系统兴奋,最终造成觉醒。长期下去容易造成睡眠问题和心血管疾病。本文分别利用声音信号和心电信号对用户的睡眠状况、睡眠质量进行详细分析,并对OSA事件进行筛查。具体工作分为以下三个方面:(1)基于声音信号的睡眠分析方法的研究本文通过智能手机收集声音数据,对原始数据进行噪声建模,再对去噪后的信号进行特征提取,然后利用多分类支持向量机对多种睡眠事件进行分类,并对用户睡眠质量和干扰因素进行分析。(2)基于声音信号的呼吸暂停诊断方法的研究本文通过智能手机收集声音数据,利用V-Box算法对无关数据帧进行过滤,然后对过滤后的数据进行特征提取,利用模糊决策树对打鼾事件和非打鼾事件进行分类,然后对不同用户的打鼾数据帧进行特征提取,最终利用支持向量机对OSA患者和非OSA患者进行分类。(3)基于心电信号的呼吸暂停检测方法的研究本文通过心电信号对OSA事件进行检测,对RR间期提取时域、频域和非线性特征,并采用双向选择法和最小冗余最大相关性(mRMR)方法对特征进行筛选。本文在分类方法上采用了支持向量机(SVM)、随机森林(RF)和AdaBoost,并从分类效果上对其做了对比。