如今的社会处于高速发展阶段,越来越多的工作者承受着巨大的工作与生活压力。这些压力会严重影响他们的睡眠,因此对睡眠的研究变得尤为重要。睡眠分期是睡眠研究中很重要的参考指标,为睡眠质量评估与诊断提供可靠的数据。目前,在临床上得出患者的睡眠分期结果主要靠医生手动分期,这样不仅效率低而且容易受到人为因素影响。而眼电信号是睡眠分期很重要的生理指标,因此对眼电信号的研究具有极其重要的意义。本文是通过自制的采集设备（包括眼罩结构、硬件电路以及硬件外壳）提取对象的整晚眼电信号,采集频率为100Hz。采用不同于传统带有Ag Cl的一次性电极贴片方式而是具有镀银的软性线圈贴合皮肤的方式。该方法优势在于成本低、使用简单、导电性良好。算法部分分为三个步骤,首先让采集到的原始眼电信号通过巴特沃斯低通滤波器以滤除部分高频噪声,然后使用小波阈值去噪方法对低通滤波后的信号做分解以及重构,这一步是预处理过程,目的是对原始眼电信号去噪。其次使用多尺度熵（Multiscale Entropy）算法提取第一步得到的相对纯净的眼电信号的特征值,具体方法是把整晚的眼电数据以30s为一个单位且使用粗粒化对每个单位提取1～13个不同的特征值。最后对提取到的特征值使用多类线性判别分析（Linear Discriminant Analysis）进行分类,本文睡眠分期共分为5类,包括清醒期（Wake）、快速眼动期（REM）、N1期、N2期、N3期。该分类的方法是一种有监督学习的降维技术,其核心思想是把高维空间投影到低维空间并使同类间的样本点距离最小,不同类间的距离最大进而达到分类目的。本文的实验结合多导睡眠监测仪在医院的睡眠中心完成,其结果表明对5125个标签的分类中,Wake期正确分类有587个,召回率为72.83%,REM期正确分类有856个,召回率为71.39%,N1期正确分类有903个,召回率为72.94%,N2期正确分类有757个,召回率为62.98%,N3期正确分类有397个,召回率为58.38%。该系统的召回率为68.29%,Kappa值为0.60,属于中等一致性。