睡眠是人体不可缺少的一种生理状态,充足的睡眠对于体力与脑力的恢复十分重要。社会快速发展与经济水平提高的同时,人们的生活压力也随之增加。生活节奏加快、电子产品使用和夜班工作导致睡眠剥夺（sleep deprivation,SD）的现象频繁发生,睡眠剥夺已经成为影响人们健康的重要原因,因而引起社会各界广泛关注。睡眠剥夺会引起心率和自主神经系统（autonomic nervous system,ANS）的失衡,造成心血管疾病的发病率增加。人类的自主神经通过交感神经系统（sympathetic nervous system,SNS）与副交感神经系统（parasympathetic nervous system,PNS）之间的动态平衡来调节多种器官正常发挥作用。正常情况下白天交感神经活跃,晚上副交感神经活跃,睡眠剥夺时自主神经失衡,夜间交感神经兴奋,副交感神经抑制。分析睡眠剥夺的自主神经模式有助于尽早干预睡眠剥夺状态,预防睡眠剥夺引起的心血管类疾病的发生。然而,还未有文献用机器学习方法和量化指标来研究睡眠剥夺的自主神经活动模式,因此本文以此作为研究问题。本文基于机器学习方法,分析了心率变异性（heart rate variability,HRV）,以确定睡眠剥夺数据和基线（baseline,BL）生理数据之间自主神经功能差异。原始心电（electrocardiogram,ECG）数据是在西南大学采集的,采集对象为本科生和研究生,共采集60个被试的心电数据,男女各30人,其中50人（男女各25人）数据用于训练和测试分类器,未参与训练和特征选择的10人（男女各5人）生理数据用于验证分类器泛化性能。本文在参考已有文献基础上,提取了25个心率变异性特征以区分睡眠剥夺数据和正常生理数据,并用以量化睡眠剥夺状态下与正常状态下的自主神经活动模式差异。应用统计检验和后向特征选择（sequential backward selection,SBS）算法获取区分睡眠剥夺和正常生理数据的最佳心率变异性特征子集。此外,用支持向量机（support vector machine,SVM）,K近邻（k-nearest neighbor,KNN）和线性判别分析（linear discriminant analysis,LDA）作为区分睡眠剥夺心电和正常心电的分类器,使用留一被试法测试各种分类器性能和指导特征选择过程。本文主要研究内容和结果如下。（1）本文设计了睡眠剥夺生理数据和正常生理数据采集实验范式,通过4小时真实数据采集,获取了60个被试生理数据,对基线数据和凌晨01:30睡眠剥夺数据做T检验。结果发现睡眠剥夺数据和正常生理数据有18个特征有明显差异,使用支持向量机分类器对睡眠剥夺数据和正常数据进行区分,通过使用三个心率变异性特征,在验证集上获得了81.82%的识别率。（2）将22点的基线数据与23点到凌晨两点每半小时的睡眠剥夺数据做一次T检验,发现基线数据与后续每半小时睡眠剥夺数据有显著性差异特征数分别为4,8,16,17,13,18。这说明随着睡眠剥夺时间的加长,自主神经反应的差异性特征越多,睡眠剥夺对自主神经系统的影响越明显。（3）三维特征子集中的低频功率特征是多种分类器共同选用的特征,因此选取该特征为量化指标,在每半小时数据集中对其进行时间演化分析,发现该指标随着睡眠剥夺时间的延长而增加的趋势。考虑到组间有差异特征个数随睡眠剥夺延长而增加,并且心率变异性低频功率参数随睡眠剥夺延长而增加,本文得出以下研究结论:随着睡眠剥夺时间延长,自主神经活动特异性改变越明显,交感神经激活占主导地位,并且活跃度在不断增加。