睡眠纺锤波是在特定频段11-16Hz,特定睡眠阶段(无快速眼动睡眠阶段)可以显著观察到的振荡波形。传统上,睡眠纺锤波的检测依赖于医疗专家的主观视觉检测,但这种视觉检测非常费时,并且在受试者自身和个体间存在较大变化时缺乏足够的鲁棒性。随着对睡眠纺锤波检测需求的增加,以及睡眠相关数字记录数据库资源的增多,对自动化睡眠纺锤波检测器的需要也在变得迫切。与专家视觉检测相比,自动化的睡眠纺锤波检测器速度更快,可重复性更高,也更系统化。但是,自动化睡眠纺锤波检测算法也具有一些不足,显示出对纺锤波特征变化的弱鲁棒性以及对专家打分的黄金标准的较差跟随。论文的主要工作是通过在统一数据库上使用8种测试指标,进行实验检测了九种当前主流的自动化纺锤波检测算法,分析了其性能以及可能的原因。结果显示出自动化检测算法对不同的受试者具有较大的性能波动,并且有些算法对个别的测试指标也表现出较大的脆弱性。由于自动化检测算法主要在信号分解和纺锤波判别步骤上的不同而区分彼此,因此,预处理步骤能否消除算法间的性能差别就具有了研究必要。论文使用双基追踪去噪预处理原始EEG信号,试图检测能否由此降低算法在不同受试者和不同测试指标上的性能波动性,改善个别算法对个别指标追随的短板。除了进行了预处理步骤的检测工作,论文通过将多目标进化算法与双基追踪去噪方法结合,找寻自动化睡眠纺锤波检测算法的最优解集。DREAMS数据库中的8名受试者记录数据被应用来进行测试,测试结果通过8项指标与两名专家给出的黄金标准进行分析。论文通过基于双基追踪去噪预处理原始脑电信号,和多目标进化算法寻求最优解集,该方法易于导入到睡眠记录仪和健康监测仪器中,工程上易于实现,具有一定的实用价值。