睡眠質量與人體健康密切相關,睡眠狀態的正確分期對于睡眠質量的評估、睡眠相關疾病的診斷分析都具有重要的意義。多導睡眠(PSG)信號常用于記錄和分析睡眠狀態,而有效的特征提取和表達方法是提高睡眠分期準確性的重要環節。本文提出采用協作表示(CR)方法重新表達腦電(EEG)信號的特征,并進一步采用核熵成分分析(KECA)對CR特征進行降維。為驗證本文提出算法的有效性,將CR-KECA特征與原始特征、CR特征和CR經過主成分分析(PCA)降維后的特征進行對比,實驗結果表明:基于CR-KECA方法的特征獲得了最好的睡眠狀態分期性能,其準確率、敏感度和特異性分別為68.74%±0.46%、68.76%±0.43%、92.19%±0.11%,明顯優于CR-PCA特征、CR特征和原始特征;同時,CR算法計算復雜度非常低,而且KECA降維后的特征維度更小,因而適于臨床海量睡眠數據的分析。