睡眠作为人体重要的生理活动,其质量是评价人体健康的重要指标。随着当今社会生活节奏的不断加快,各方面压力带来的失眠现象日益严重,通常会引起精神萎靡、食欲不振,甚至焦虑、抑郁、烦躁等情绪问题,长此以往将对身心健康造成极大伤害。客观评价睡眠质量,及时改善失眠状态,对调节自身健康问题有着重要意义。多导睡眠图是临床睡眠质量评估的金标准,然而高专业性的要求及繁琐的操作过程,使其难以应用在日常生活中。因此寻找一种操作便捷、科学有效且自动化程度高的睡眠质量评估方法成为当前的研究热点。心冲击图（Ballistocardiogram,BCG）信号作为心脏因泵血而引起的身体周期性振动信号,包含众多与睡眠相关的生理信息,在睡眠质量评估、心脑血管疾病辅助诊断等方面得到广泛关注。本文充分挖掘睡眠过程中BCG信号蕴含的生命体征信息,结合机器学习算法对睡眠质量评估方法展开研究。本文的主要工作如下:1、通过分析不同的睡眠质量评估方法的研究现状,以及睡眠质量指标与各生理参数的关系,阐明了BCG信号与睡眠生理信号的相关性。通过研究混杂在BCG中的离床和体动信号的变化规律及其特征,实现了对夜间离床及体动的识别。2、基于双向长短时记忆网络（Bidirectional long short-term memory,Bi LSTM）,对周期性BCG信号进行J峰值定位方法研究。通过K-means聚类算法对数据集中的各波峰进行标记,以特征序列作为输入,使用Bi LSTM高级语义模型实现J峰值的识别。基于识别结果进行心率检测,并对BCG信号与ECG信号进行相关性分析。结果表明,模型的J峰值识别结果达到了99.67%的准确率,心率检测偏差率为0.27%,RR间期与JJ间期具有高度一致性。3、基于卷积神经网络（CNN）的睡姿识别模型构建。从受试者四种不同睡姿下的BCG信号中提取了波形图数据集以及包含10种特征的波形特征数据集,分别实现了两种不同数据集的睡姿识别,四种睡姿平均识别准确率皆达到90%以上。4、通过构建shapelets联合K-means算法实现了清醒/睡眠状态识别模型构建及自动睡眠质量评估。实验采用JJ间期序列,利用shapelets算法量化心率变异性序列的相似性,使用聚类算法进行分类,清醒/睡眠识别结果准确率为90.4%。最后,改进了PSQI中部分可量化的评估项,采用上述各类生理指标提取算法对受试者进行睡眠质量评估,将基于BCG信号的计算结果与受试者的自主记录结果进行对比分析。实验表明,两者的最终评估结果基本一致,评估结果分数无统计学差异。本文研究了基于BCG信号的睡眠质量相关指标的计算,并通过采用PSQI的评估项,实现了便捷、有效的睡眠质量评估方法,该评估方法能满足日常化、家庭化的监测需求,为实现无感的睡眠监测及睡眠质量评估赋予更多可能。