睡眠与心理及认知功能息息相关,睡眠障碍会导致心理疾病和认知功能障碍。然而由于实验范式和数据处理技术的局限,过往研究主要关注不同睡眠分期的大脑加工机制,无法探明具体的神经活动模式,及其对心理与认知的作用,结合新的机器学习研究方法有望更细致地分析睡眠过程和大脑活动模式的关系。阻塞性睡眠呼吸暂停-低通气综合征（Obstructive Sleep Apnea/hypopnea Syndrome,OSAS）作为发病率极高的睡眠障碍,患者的注意力、执行功能会随着疾病加重急剧恶化,记忆也同样表现出损伤。本研究将针对这一障碍,基于大数据分析分析其认知和情绪障碍的脑机制。首先提出并实现一种新的基于深度卷积神经网络的方法,能够对缺乏时间对齐的、不等长的睡眠数据进行时域特征提取,从而对睡眠进行更微观的分析;其次针对多个数据集中OSAS患者和健康人及其他睡眠障碍患者的宏观及微观睡眠特征进行分析,并探索OSAS患者和健康人的差异如何解释OSAS患者在认知和情绪方面的障碍。睡眠的宏观特征分析结果表明,OSAS患者并未因疾病导致浅睡眠的增加,反而深度睡眠（N2期、N3期）的占比增加了,同时我们发现OSAS各项指标存在渐进性,会随着OSAS病情严重程度而逐渐改变。然而,通过与其他不同的睡眠障碍的比较,我们发现仅用宏观特征的差异难以解释OSAS独有的认知障碍形式。紧接着,我们通过预训练网络和迁移学习,并结合可视化方法,分析睡眠的微观时域特征,发现OSAS患者的慢波睡眠和快速眼动睡眠的时域脑电相比健康人具有更显著的差异。这些差异具有一定的频域特征,表现为OSAS患者的差异波形具有更多的慢波成分,且在快速眼动睡眠期的25Hz振荡中,OSAS患者的振幅波动更大。本研究结合机器学习算法,提供了一种具有高时间分辨率的时域特征提取方式,并用来分析OSAS患者与正常人群脑电差异的具体模式。本研究的方法在未来将有望结合闭环刺激的方法,通过tACS、rTMS等实验方法,改变某一睡眠阶段的时域特征,并考察其产生的认知影响,实现有效的干预。