睡眠是机体恢复、整合的重要阶段,是一种复杂的生理过程。对睡眠质量的评估是通过睡眠分期来实现的。由人工进行睡眠分期是一项非常耗时的任务,通常需要几个小时对一整晚(8小时)的记录进行分类。因此,研究睡眠脑电的自动分期具有重要的意义。本文以MIT的PhysioBank中的Sleep-EDF数据库中的一导脑电信号(Fpz-Cz)和一导眼电为研究对象,将睡眠过程分成分为觉醒期、NREM 1期、NREM 2期、NREM3/4期、REM(快速眼动期)这五个睡眠阶段。首先利用经验模式分解方法将脑电信号分解为若干个固有模态函数,然后对获得的固有模态函数采用快速独立分量分析算法,从而获得去噪后的脑电信号。其后根据睡眠过程中脑电节律变化规律,利用样本熵和希尔伯特黄变换等方法提取有效的脑电信号特征参数,最后采用支持向量机模式识别方法对脑电信号进行分期。结果表明,样本熵和希尔伯特黄变换方法能提取有效的睡眠特征值。随着睡眠程度的变化,样本熵值也发生着规律性变化。具体表现为：随着睡眠深度的增加,样本熵值呈现出递减的规律,其中在NREM 3.4期递减至最小值,但到了REM期的样本熵值和NREM 1期基本相同。利用希尔伯特黄变换的方法求得的脑电信号的特征值在不同睡眠期具有一定的差异性的,主要是由于不同的睡眠阶段的节律不同。但是仅利用样本熵和希尔伯特黄变换方法进行睡眠分期的效果一般,本文结合样本熵值和希尔伯特黄变换、奇异值方法对脑电信号进行分析,比只用一种或两种方法的效果都要好,10个样本的平均分期准确率达到了85.41%。由此可见,本文所提出的睡眠自动分期方法在睡眠脑电信号的去噪、特征提取和模式识别三方面都表现较为理想。证明了本文所提出的睡眠自动分期方法是有效的和较为准确的。