睡眠是一项与人体健康有密切关系的生理活动。研究发现，人的一生中，有约三分之一的时间处于睡眠的状态，对于新生儿来说，一天中有二十个小时处于睡眠状态。良好充足的睡眠可以让人精力充沛，在面对日常的工作学习生活时，可以做到轻松应对，事半功倍。
目前，越来越多的科研工作者开始**************睡眠问题。而作为睡眠问题研究基础的睡眠分期也得到更多人的**************，只有对睡眠进行正确的分期，才使得对睡眠问题的进一步研究成为可能。所以睡眠的自动分期就变得很重要，因此在汉斯出版社《生物物理学》期刊中，有论文将介绍近年来的睡眠分期方法，分别是基于统计规则分期方法与基于深度学习技术的分期方法。在统计的分期方法中，介绍了三个重要的过程，预处理、特征提取以及分类器的选择。
睡眠分期作为睡眠研究的基础工作，在睡眠质量研究中扮演着重要的角色。睡眠的自动分期作为睡眠判定的重要工作，正得到越来越多的研究者的**************。基于统计规则的睡眠自动分期方法主要依靠提取特征以及分类器的选择。随着深度学习的广泛使用，一大批神经网络被应用于睡眠分期的研究之中，可以发现：
数据方面，基于统计规则的分期方法对于训练数据的要求不高，数据的数量对实验结果不会产生很大的影响，几十个到几百个数据就可以完成一个分类器的训练。在数据量较少的时候，或者只有少数受试者的时候，可以选择基于统计规则的睡眠分期方法。
在数据的预处理方面，基于统计规则的睡眠分期需要对数据进行预处理，首先要对数据进行滤波操作，以去除在数据采集的过程中产生的噪音的影响。其次要对脑电数据进行特征抽取，特征抽取是基于统计规则进行睡眠分期工作中重要的一步。
在模型泛化方面，基于统计规则的睡眠分期工作需要在面对不同数据的时候，观察数据的不同，并对于不同的数据进行不同的预处理以及特征提取等工作，因此其泛化性能受到一定的局限。神经网络在面对不同的数据时，只需要对网络中输入层的参数进行修改即可，所以比基于统计规则的睡眠分期方法泛化性能更好。
另外，在进行睡眠自动分期的过程中，如果采用基于统计规则的分期方法，需要研究者熟练掌握睡眠分期的背景知识。由于神经网络是端到端的分期过程，不需要研究者熟练掌握背景知识，可以节省下更多的时间精力到睡眠自动分期的工作中。
神经网络拥有着不需要进行数据预处理和特征提取、泛化性能良好等优点。而且在分期的过程中，不同的网络可以适应各个阶段的任务，如CNN能够自动提取有效特征，RNN可以捕捉前后睡眠时期之间的联系。综上所述，我们认为深度神经网络将会成为未来睡眠分期研究领域的主流工具。
