人一生中大约有三分之一的时间处于睡眠状态，睡眠有助于缓解身体疲劳，恢复精力，与人体的健康息息相关。据研究表明，好的睡眠习惯有助于延长人类的寿命。但令人担忧的是，近年来随着社会快速发展，人们的睡眠质量呈梯度式下滑。造成这种现象有两个主要原因，一是因为工作、生活节奏的加快，让人们忽略了对于睡眠的关注，二是因为缺乏有效的睡眠分析帮助人们了解自身的睡眠状态。为了帮助人们更好地了解自身的睡眠状况，本文基于智能床垫采集的信号进行了睡眠分期研究；为了及时了解睡眠出现的变化趋势，本文在睡眠分期的基础上，进一步研究了睡眠时长预测模型。
　　本文实验中所采用的数据集是通过智能床垫采集，该床垫中包含了18个压感传感器，分别记录受试者睡眠时的胸部及头部信号。数据集的标签由多导睡眠仪（Polysomnography，PSG）进行同步记录获取。针对智能床垫采集的心冲击图（Ballistocardiogram，BCG）信号具有噪声大，样本不均衡等问题，本文在去噪的基础上，又提出了少数类过采样技术（Synthetic Minority Oversampling Technique，SMOTE）与滑窗相结合的联合算法，解决了样本不均衡问题。在睡眠分期的研究中，本文结合长短时记忆神经网络（LongShort TermMemory，LSTM）与卷积神经网络(Convolutional Neural Network，CNN）以及机器学习支持向量机（Supported Vector Machine，SVM）分类器提出了BcgSleepNet睡眠分期模型，实验结果表明：针对清醒、浅睡、深睡三种状态的分期准确率达到了86.6%，针对清醒、睡眠状态的分期准确率达到91.8%，与已有的BCG信号的睡眠分期模型有一定程度的提高。
　　研究表明，过长或过短的睡眠都不利于身体健康，特别是老年人的睡眠时长变化更能反映老人的健康状况，为了帮助养老院的医护人员及时了解老人的睡眠状况并及时调整看护方案，本文在睡眠分期的基础上提出了EMD-AProphet睡眠时长预测模型，实验表明该模型在均方误差、绝对平均误差和R_Square等多个评价指标上与已有的预测模型相比，预测表现更优异，与真实值更为接近。
　　本文在BCG信号上的睡眠分期以及睡眠时长预测上的研究成果，未来可扩展至BCG信号监控设备上层的睡眠监测系统、睡眠质量评价系统中，帮助人们了解并调节自身的睡眠习惯。