睡眠是一种由不同睡眠状态组成的动态过程，每个睡眠状态对应一个睡眠阶段。睡眠分期根据脑电、肌电、眼电等生理信号的特征而进行划定，属于对各种睡眠阶段进行分类的操作。
目前国际上主要存在两种睡眠分期标准：一种分类标准是1969年由Rechtschaffen和Kales提出R&K规则，该规则将睡眠分为觉醒阶段、快速眼动阶段和非快速眼动阶段。
其中，NREM根据睡眠状态的深浅分为睡眠1期、2期、3期和4期，分类用S1~S4表示。SI和S2被划分为轻度睡眠，S3和S4被划分为深度睡眠或称为慢波睡眠。
另外一种分类标准是由AASM于2007年提出睡眠分期规则，是在R&K规则的基础上进行的改进。
NREM被分为N1、N2和N3三个睡眠阶段，其中，N3阶段是NREM-S3和NREM-S4的合并。
在整个夜晚的睡眠过程中，无睡眠呼吸暂停的各睡眠阶段是周期性变化的，各睡眠阶段之间的转移形式可以表示为:Wake→N1→N2→N3→(N1,N2)→REM。
睡眠从Wake期开始，经过一段时间进入NREM阶段的N1期，N1期持续时间在3~7分钟；由NI期进入N2期，N2期持续10~25分钟；由N2期进入N3期，持续时间从几分钟到!小时不等；
N3期又回到NI或者N2期，然后转入REM阶段，完成一个睡眠周期。对于成年人来说，每个周期约90分钟，整个夜间睡眠会呈现4到6个睡眠周期。
在睡眠过程中，脑电、眼电、肌电、心电等生理信号都会发生不同程度的变化，根据睡眠分期的判读，主要从以下部位采集生理信号；从脑的中心部、枕部和额部采集脑电信号，从右眼外侧、左眼外侧采集眼电信号，从下颌肌采集肌电信号。
不同睡眠阶段在各生理信号上有各自的表现，下面具体介绍每种睡眠阶段的特点。在各种生理信号中，脑电信号最能体现不同睡眠阶段的区别，是睡眠分期的主要依据。
(1)觉醒期:眼球运动次数不定，肌电信号波动不同，呼吸幅度大，频率较高。脑电波出现低电压混合波，频率在8~13Hz的a波和14~30Hz的B波所占比例较大，a波的比例超过50%。
(2)NI期:呼吸变慢，肌肉松弛，脉搏减慢，常出现在由觉醒期向其他睡眠阶段转移的过渡阶段，持续时间为3~7分钟。脑电信号中a波和B波的波动幅度降低，出现4~8Hz的0波。
(3)N2期:肌肉张力降低，眼球几乎无运动，脑波变化不规律，频率与振幅不稳定，属于浅睡期，持续时间占总睡眠周期的45%~55%。脑电信号中出现纺锤波和K-复合波，其中纺锤波波幅为100~300uV，频率为12~15Hz；K-复合波是一高振幅负的慢波之后继一正向成分。
(4)N3期:肌肉松弛，呼吸平衡均匀，心跳迟缓，睡眠逐渐加深，属于慢波睡眠，持续时间占睡眠周期的4%~6%。脑电波出现中幅或高幅δ波，频率为0.5~2Hz，δ波的所占比例在50%以上，可能伴有K-复合波和纺锤波。
(5)REM期:眼球运动次数增多，肌电信号次数减少，出现包含a、B、6等混合波，同时出现频率在2~6Hz的锯齿波。
睡眠分期方法
从睡眠分期的定义可以发现，不同睡眠阶段在脑电、眼电、肌电和呼吸等生理信号上的表现是存在差异的，睡眠专家通过分析这些生理信号的特征，对睡眠阶段进行分类。
根据睡眠分期的结果，可获得测试者的入睡时间及每种睡眠阶段发生的总时间等参数，通过这些参数计算测试者有效的睡眠时间、各睡眠阶段占总睡眠时间的百分比等，从而给出睡眠质量的总体评价。
为此，睡眠分期的准确检测对睡眠质量评估是至关重要的，如何高效、准确地进行睡眠分期，是目前睡眠问题的研究热点。对于无睡眠呼吸暂停的测试者，睡眠阶段是周期性变化，当睡眠呼吸暂停发生时，会打乱睡眠阶段的周期性。
为此，国内外的许多学者针对不同类型的睡眠分期问题进行了研究，旨在提高睡眠分期的效率和准确率，更好地辅助医疗人员进行睡眠质量评估。
睡眠过程影响着人体的各种器官，大脑的新陈代谢始终是活跃的，为此，许多学者使用脑电信号，利用机器学习和深度学习技术自动进行睡眠分期。采用传统机器学习方法进行睡眠分期时，需要经过信号预处理、特征提取、特征选择和分类器的选择四个步骤。
为了提高睡眠分期的准确率，许多学者在每个步骤都做了相应的研究。信号预处理阶段主要采用各种数字滤波技术，保留有用的频率，滤掉噪声颜率，如采用截止滤波器，或带通滤波器。
生理信号的特征提取过程，可分别从时域、频域、时频域和非线性提取特征。2015年，Li等人使用四个统计信息作为特征，如中位数的上限、下限、四分位范围、信号的样本。
2016年，Diykh等人利用中值、峰度等特征进行睡眠分期。频域特征主要包括功率谱特征、能量特征、双谱特征等19-98。时频域特征主要是对非平稳信号进行分析，可以采用短时傅里叶变换、连续小波变换、希尔伯特黄变换等。
除此之外，非线性动力学方法也常用于提取特征，使用各种分形理论描述脑电活动的动态变化，如关联维度、去趋势波动分析等。2014年，Huang等人采用两个前额导联通道的EEG信号，利用短时傅里叶变换提取特征，结合支持向量机分类器实现便携式的睡眠分期。
2015年，Tsinalis等人在多个频带上利用小波变换进行时频域分析，从每个频带中利用滑动窗口提取能量，并计算不同频带之间的能量相关性和信号的自相关性作为特征。
2016年，Hassan等人利用可调O小波变换分解脑电信号，从各个子频带中提取统计特征，利用聚合技术进行自动睡眠分期。2018年，Seifpour等人统计信号的局部极值，利用符号时间序列提取睡眠分期的特征。
Li等人针对EEG信号的时域、频域、非线性特征，使用随机森林的方法进行分类，利用相关性规则，考虑睡眠阶段之间的转移特征进行睡眠分期。
选择适当的特征后，将这些特征放入支持向量机、逻辑回归、自适应提升、K近邻、随机森林等典型的机器学习分类器中进行睡眠分期。
睡眠过程中除了使用EEG信号，其他生理信号也可以为睡眠分期提供有用的信息许多研究使用组合生理信号进行睡眠分期，如血氧饱和度、眼电、肌电、心电、呼吸信号及体动信号与EEG组合，共同完成睡眠分期。
组合信号虽然能够提高睡眠分期性能，但采集多种生理信号的过程会干扰测试者的正常睡眠，使睡眠监测的舒适度变差。
随着深度学习技术的发展，许多研究者尝试直接从生理信号自动学习特征，代替传统手工特征提取方法。为此，各种深度学习模型广泛应用于睡眠的自动分期问题，常用的神经网络模型包括:CNNNN和混合网络。
CNN模型主要由输入层、卷积层、池化层、全连接层和输出层构成，通过这些层自动提取生理信号的特征进行睡眠分期。
卷积层利用多个卷积核在不同的维度上进行特征映射，自动学习生理信号的特征。池化层对特征进行降维，在一定程度上防止过拟合的发生。
CNN模型虽提取时域或频域特征，但在学习分段的时间上下文信息时表现较弱。Eldele等人利用双分支CNN提取特征，结合因果卷积和多头注意力学习分段内的时序性特征。
Yang等人利用卷积从原始EEG信号自动学习特征，并通过隐马尔可夫模型学习分段之间的时序性特征。
Khalili等人利用CNN学习时域和频域特征后，再使用时序卷积模型和条件随机场学习这些特征之间的时间上下文信息，为了学习睡眠阶段之间的时序性特征，许多研究采用RNN模型，通过在隐藏单元中存储时间序列的所有过去信息，获取较长序列的时序性信息Michielli等人利用重叠RNN对睡眠进行分类。
第一层网络对事先提取的时域和频域特征进行睡眠阶段的四分类，第二层网络对四分类的结果再进行详细分类，得到五分类的睡眠阶段。
上述文献针对无睡眠呼吸暂停的睡眠分期已取得显著成果，但在睡眠阶段的时序特征学习方面仍存在一些局限性:
第一，大多数研究提取时序特征时，需要将多个睡眠阶段的生理信号同时输入模型，模型训练过程复杂。
第二，时序特征学习的不够充分，现有研究只学习了一个或两个级别的时序特征，忽略了多级别时序特征的作用，影响睡眠分期的准确率。
为此，针对睡眠阶段的时序特征学习问题，设计了基于多级时间上下文信息的睡眠分期方法，通过输入单个睡眠阶段的数据，学习较全面的时序特征，不但减少模型的训练时间，而且提高了睡眠分期的准确率。
睡眠呼吸暂停会影响各睡眠阶段的数量以及睡眠阶段之间的转移关系，从而影响睡眠分期的检测性能。早在2009年，Ratnavadivel等人发现严重睡眠呼吸暂停测试者的各睡眠阶段的数量会发生变化，其中深度睡眠阶段N3的数量减少，过渡阶段N!的数量增加。
2010年，Bianchi等人通过数据分析发现，不同严重程度的睡眠呼吸暂停测试者，快速眼动阶段、N2和N3的百分比存在显著差异。
2012年，Ng等人利用相关系数和回归分析方法，调查呼吸暂停低通气指数和所有可能的睡眠阶段比率之间的关系，调查结果表明随着睡眠呼吸暂停严重性的增加，REM阶段数量会增加。
2020年，Chung等人阐明了睡眠呼吸暂停严重程度影响各睡眠阶段和睡眠质量，严重呼吸暂停患者在非快速眼动阶段具有较高的交感神经活性和较低的副交感神经活性，从而影响睡眠质量。
睡眠呼吸暂停也会影响睡眠阶段之间的转移，2008年，Swihart等人发现睡眠暂停会提高Wake和REM的转移概率。
2015年，Schlemmer等人对包括三种睡眠状态的两步睡眠阶段转移讲行了分析，如:N1→Wake→N1，发现当前睡眠状态的转移概率受邻近的前两种睡眠状态的影响，而且揭示了睡眠阶段之间的转移受年龄和睡眠呼吸障碍的影响。
2019年，Wachter等人发现两步睡眠阶段转移受睡眠呼吸暂停严重程度和人体测量因素的影响，如:N2→NI→N2，N2→Wake→N2在睡眠呼吸暂停患者中的转移频率增加。
针对睡眠呼吸暂停患者的睡眠分期问题，2019年，Lee等人利用多层感知机对睡眠呼吸暂停测试者进行睡眠分期，首先，从脑电信号中提取频域特征以及统计特征，如:a、3、8、0各频段的比率，波形的均值、方差、峰度、斜度等，然后，利用多层感知机将睡眠分为觉醒、深度睡眠、浅度睡眠和快速眼动阶段。
2020年Korkalainen等人对临床上患有睡眠呼吸暂停测试者的睡眠分期进行研究，利用卷积神经网络和递归神经网络相结合的网络模型自动对睡眠阶段进行分类。
实验结果发现，随着睡眠呼吸暂停严重程度的增加，模型的检测性能会下降考虑到睡眠呼吸暂停患者的睡眠结构发生的变化，会产生睡眠碎片，该研究团队于2021年针对不同严重程度的睡眠呼吸暂停患者，采用了重叠信号分段的方法，详细分析了不同患者的睡眠结构。
