多導睡眠圖(PSG）監測是臨床上用于診斷諸如失眠、呼吸暫停等疾病的重要手段。為了解決以手工逐幀視覺判斷PSG進行睡眠障礙患者睡眠階段分期耗時長、耗費精力大等問題，本文提出一種結合卷積神經網絡（CNN）與雙向門控循環神經網絡 （Bi GRU）的深度學習算法模型，并設計了一種動態稀疏性自注意力機制以解決門控循環單元（GRU）網絡對長距離信息難以獲得準確向量表示的問題。本文采集來自上海精神衛生中心143例睡眠障礙患者整晚PSG數據并結合開源數據集153例睡眠障礙患者整晚PSG數據，選取其中的6個腦電（EEG）信號通道、2個眼電（EOG）信號通道與單個下頜肌電（EMG）信號通道等共9個通道的電生理通道信號進行模型訓練與測試評估。經交叉驗證后得到的分期準確率為（84.0±2.0）%，一致性檢驗值為0.77±0.50，優于醫師間評分的一致性檢驗值0.75±0.11。實驗結果表明，本文算法模型在不同人群中具有較高的分期效果并具有普適性，對于協助臨床醫師進行快速、大規模PSG睡眠自動分期具有重要研究意義。
睡眠分期是解決睡眠問題的基礎。針對現階段單通道腦電（EEG）數據和特征決定自動睡眠分期模型分類精度的上限問題，本文提出一種將深度卷積神經網絡（DCNN）和雙向長短期記憶神經網絡（BiLSTM）混合的自動睡眠分期模型。模型使用DCNN自動學習EEG信號的時頻域特征，使用BiLSTM提取數據之間的時序特征，充分挖掘數據包含的特征信息，以提高自動睡眠分期的準確率。同時，使用降噪技術與自適應合成采樣技術減少信號噪聲和不平衡數據集對模型性能的影響。本文采用歐洲數據格式存儲的睡眠數據集拓展版和上海精神衛生中心收集的睡眠數據集進行實驗，分別取得了86.9%和88.9%的整體準確率。與基礎網絡模型進行對比分析，實驗結果均優于基礎網絡，進一步證明了本文模型的有效性，可為構建基于單通道EEG信號的家庭睡眠監測系統提供借鑒。