开题报告内容：
一、课题解决的问题
睡眠作为人体一项重要的生理过程，人一生的三分之一左右的时间都在睡眠中度过，人体也借由这段时间进行自我修复、巩固记忆、发育等等。随着现代社会节奏进程的加快，失眠、焦虑症等与睡眠相关的健康问题也愈来愈常见。除此之外，一些精神方面和呼吸方面的疾病也与睡眠情况有着密切的关系，如睡眠呼吸暂停综合症。因而睡眠的检测的医学价值逐渐凸显，睡眠分期作为睡眠检测中的重要环节成为了许多学者的一个研究方向。
睡眠分期一般可分为清醒期、快速眼动期和非快速眼动期（S1、S2、S3、S4）。传统的睡眠分期依靠的是多导睡眠图，即利用脑电信号（EEG）结合眼电与肌电信号通过经验丰富的专家进行人为检验划分的。这种方法的缺点一是人为检验容易受到主观因素的影响，结果不够精确，且原始数据量较大，耗时耗力；二是脑电信号不易取得，收集脑电信号的相关设备昂贵，且设备的操作复杂，对佩戴者易造成影响，从而影响所收集的实验数据。
本课题拟研究的方向是通过心电信号（ECG），利用机器学习中的神经网络进行睡眠分期。心电信号相较于脑电信号更便于采集，所需的设备也趋于便携式，利于睡眠监测的普及化。而采取的以神经网络为代表的深度学习，可以减少对特征的提取，即对人经验的依赖程度大大下降，且此项研究中数据量巨大的特征也使深度学习相较传统的机器学习更加适合。本课题的研究目的在于通过心电信号来划分睡眠分期，使基于此的睡眠评价的准确率能达到较高的水平。
二、研究方法和技术路线
本课题的研究平台为Eclipse，语言为python3，研究数据为1557人的ECG信号。ECG信号的研究现在主要以传统的机器学习为主，但人为设计的特征提取有很大的主观因素，因而本课题采用的方法为深度学习，相应的深度学习工具为TensorFlow。研究所采用的模型为深度学习中广泛应用的结构——卷积神经网络和循环神经网络。
卷积神经网络（CNN），作为一类深度前馈人工神经网络，主要用于视觉图像分析。它的突出优势在于局部感知（隐藏单元和输入单元的部分连接）、权值共享（多张图像共用一个卷积核）和下采样（池化层降低特征维度），这些确保了某种程度上的位移、尺度、形变不变性，提高了运算的速度和精度，使神经网络更接近于生物视觉神经系统，在一定程度上降低了网络模型的复杂程度。
循环神经网络（RNN），一种用于处理序列数据的神经网络。这种网络比较适合处理时间序列数据，即在不同时间点上收集到的数据。但传统的RNN因其结构设计，天然存在梯度爆炸和梯度消失的缺陷，因而长短时记忆网络（LSTM）相较于RNN应用得更加广泛。相较于RNN，LSTM新增了输入门、输出门和遗忘门的结构，达到对数据保护与控制的作用。遗忘门决定从细胞中丢弃什么信息，输入们决定让多少新的信息加入到细胞中，输出门决定输出的值。这三个门的决定结果也是通过不断学习来确定的。
三、论文课题研究进度安排
以上是文献综述，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。
