睡眠是生物体的基本生理功能。其基本神经机制及其与神经疾病之间的关系仍未明晰。为了睡眠的研究及临床诊断,精确的睡眠分期是必不可少的。经典的睡眠分期是研究人员结合软件与经验来共同判断,精确的无需人工检视的自动睡眠分期方法来辅助睡眠研究和睡眠疾病的治疗是急需的。精确的自动睡眠分期方法不仅能够减轻临床医生分析大量的睡眠数据的负担,而且也能够让低功率、高精度的可穿戴式睡眠监测设备落地成为现实。因此,在本文中,我们提出和实现了一种基于单通道局部场电位(local field potential,LFP)的高精度睡眠自动分期方法。本文主要的工作包括以下:首先,基于单电极的小鼠前额叶皮层局部场电位信号采集系统的搭建。本文采用Blackrock公司研发的cerebus神经生理信号采集系统,配置数据采集参数,实施以小鼠为模型的单电极慢性采集实验,采集睡眠LFP信号。第二,完成了对单通道LFP数据的离线TQWT小波分解,提取7个基于小波分解sub-bands的能量特征,利用核密度估计和皮尔逊相关系数法分别对小波域的子带特征做了定性和定量分析,从而从统计学意义上评估特征的可靠性。最后,本文利用级联的随机森林集成学习分类器根据TQWT小波分解特征对睡眠状态实现了自动分期。实验结果表明,本文设计的睡眠自动分期算法对小鼠的慢波睡眠(SWS),清醒(Wake),和快速眼动睡眠(REM)三种不同的状态分别实现90.8%,90.6%和88%的分类精度,总体精度也可以达到89.6%。本文的结果表明,基于单通道LFP的集成学习算法可以用于睡眠自动分期系统的实现,是一种比较先进的算法。为后期的实时脑机接口提供新的方法和工具。