人的一生中大约有1/3的时间是在睡眠中度过的,睡眠是人体免疫等系统正常运作的必要一环,对每个人来说都必不可少。良好的睡眠可以促进人的生长发育,缓解疲劳等,是维持生命的基础。但随着当前社会生活压力的增加,睡眠相关疾病对人类的影响也越来越大,这就推动了睡眠医学研究的发展,而研究睡眠首先就要研究睡眠分期。脑电信号(Electroencephalograph,EEG)图记录反映了大脑一系列的活动状态,利用脑电信号研究睡眠,对睡眠分期和睡眠质量评估而言均有很重要的意义。近年来,利用信号处理与深度学习相结合进行睡眠分期的方法逐渐成为了主流,但是就目前睡眠分期的研究进程以及睡眠分期的准确性而言,我国与国外仍有较大差距。本文提出来一种睡眠自动分期的新方法:首先构建一种适用于睡眠分期卷积神经网络(Convolutional Neural Networks,CNN),然后用该网络提取特征,最后与基于稀疏表示的分类器(sparse representation-based classifier,SRC)相结合对睡眠进行分期。本方法首先利用小波变换对原始脑电信号进行时频处理,将GoogLe Net作为特征提取器从所得到的时频数据中挖掘其所固有的深层次脑电特征,同时提出将GoogLe Net的最后四层替换为新的网络层以达到更为精准分类的目的,从而实现了适用于睡眠自动分期的卷积神经网络的搭建,最后将新构建网络的全连接层丢弃,用SRC分类器代替全连接层,将本应送入全连接层的图像特征送入SRC分类器,结合SRC分类器做出睡眠分期。并且以极限学习机作为对照组检验本文提出方法的准确度。本文用25个睡眠志愿者的脑电数据进行实验,通过观察睡眠分期准确率对构建的深层卷积神经网络进行性能评估。在实验中,本文提出的将创建网络与SRC分类器相结合的方法所得到的平均分期准确率达到了78.68%;从时间上来说,得出实验结果的最长时间大约是23分钟,平均时长大约是18分钟,证明了本文提出的方法不仅有较好的分期性能,还可以有效缩短实验时间,提高分期效率,为睡眠研究提供一种有效的方法。今后的工作重心将会放到如何在不增加模型复杂度与运行时间的基础上,增加睡眠分期的准确率,提高方法的实用性。