一、 课题研究背景及意义睡眠状况是评估人体身体健康的重要标准，不同的睡眠时相其脑电信号、心电信号、血压、肌肉松弛、代谢状况等表现出不同程度的差异。
睡眠时相最常见的分类方法是分成快速眼动期（rapid eye movement, REM）和非快速眼动期（non-rapid eye movement, NREM）两类，其中，非快速眼动期更细致地划分为浅睡期（睡眠S1期加S2期）及深睡期（睡眠S3加s4期）。
快速眼动期最为特殊，在整个睡眠时期里表现为脑电频率加快、振幅降低，伴随心率加快、血压升高、肌肉松弛，因眼珠快速转动而得名，有研究者指出长期阻断快速眼动期睡眠会导致类似认知障碍，而REM期睡眠状况的监测则有助于某些疾病例如心血管疾病的诊断和预后，因此REM和NREM期的识别具有重要意义。
目前，睡眠分期的检测除了常见的金标准多导睡眠图，用脑电信号（Electroencephalograph，ECG）进行自动睡眠分期也有了很大的研究进展。
周鹏[1]通过提取脑电信号的频域、时域、空域及非线性特征参数，利用主成分分析及支持向量机算法对睡眠进行自动分期。
杨鑫[2]等提出了基于双向递归神经网络的单通道脑电图睡眠分期方法。
心率变异性（HRV）作为一种敏感、无创、简易的反映QRS波群中相邻R波间期的心电监测方法，容易获取，是对利用脑电信号及传统PSG识别睡眠分期方法的一种补充。
王金海等[3]建立了基于心率变异性的睡眠分期自动检测支持向量机模型，证实了心率变异性与不同睡眠时相之间的相关性。
Xiao M等[4]建立了随机森林模型，发现心率变异性的时域、频域及非线性参数在自动睡眠分期表现出良好的应用前景，e.g.去趋势波动分析（DFA）。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
