睡眠是人体必不可少的一项生理活动。研究发现,良好的睡眠是健康的重要保证。失眠会产生不同程度的疾病。睡眠情况的研究基础是睡眠分期。传统上,睡眠分期工作由专家手动进行,然而这种方法存在耗时久、主观性影响较大等缺点。为了解决人工睡眠分期中出现的问题,我们提出了基于深度学习神经网络技术进行睡眠自动分期的方法。该方法模型由卷积神经网络(Convolutional Neural Networks,CNN)以及长短时记忆神经网络(Long Short-term Memory Networks,LSTM)组成。我们的模型共有1 1层网络结构,包括四个卷积层和两个LSTM层。其中LSTM网络捕捉前后睡眠时期之间的关系。数据主要取自美国国家生理数据库中的睡眠数据。由于数据类别的不平衡,我们对数据量较少的类别进行了上采样操作,保证训练过程数据的均衡。另外,我们删除了数据中的某些特殊数据和不确定分期的数据。除此之外,我们没有对原始数据进行任何的预处理操作。我们的模型取得了接近于人类专家的效果。整体分类准确率达到了 80%,MF1值达到75%。这证明了深度学习用于时序医疗数据的处理是可行的。而且与传统的基于统计规则的分期模型相比,本文模型更加简单高效,泛化性能更好。适用于非线性、非平稳的脑电信号,同时我们的工作也给其他类似的生理信号的处理提供了参考。