摘要：多导睡眠图(PSG)监测是临床上用于诊断诸如失眠、呼吸暂停等疾病的重要手段。为了解决以手工逐帧视觉判断PSG进行睡眠障碍患者睡眠阶段分期耗时长、耗费精力大等问题,本文提出一种结合卷积神经网络(CNN)与双向门控循环神经网络(Bi GRU)的深度学习算法模型,并设计了一种动态稀疏性自注意力机制以解决门控循环单元(GRU)网络对长距离信息难以获得准确向量表示的问题。本文采集来自上海精神卫生中心143例睡眠障碍患者整晚PSG数据并结合开源数据集153例睡眠障碍患者整晚PSG数据,选取其中的6个脑电(EEG)信号通道、2个眼电(EOG)信号通道与单个下颌肌电(EMG)信号通道等共9个通道的电生理通道信号进行模型训练与测试评估。经交叉验证后得到的分期准确率为(84.0±2.0)%,一致性检验值为0.77±0.50,优于医师间评分的一致性检验值0.75±0.11。实验结果表明,本文算法模型在不同人群中具有较高的分期效果并具有普适性,对于协助临床医师进行快速、大规模PSG睡眠自动分期具有重要研究意义。