随着可穿戴设备的普及和移动互联网的发展，生理信号的采集和获取变得更为便捷。生理信号分类是根据人体物理现象判断用户状态或意图的研究，该研 究在健康监测、情绪判断和人机交互领域都有广泛的应用前景，因此开展该研究具有重要的应用价值。 生理信号由多模态信号组成，其时间、空间和频率特征复杂，并且存在着信噪比较低和个体差异性大等特点，这对生理信号模式分类带来了挑战。本文利用 生理信号开展了睡眠分期、情绪识别和人机交互等三项研究工作。 本文的主要研究内容和贡献如下：

1. 基于 Transformer 编码器的生理信号睡眠分期 针对睡眠分期任务中生理信号存在长时依赖关系的问题，本文提出了端到 端自动睡眠分期模型 SleepZzNet，该模型包含多个卷积神经网络和 Transformer 编码器，分别用于提取波形特征和长时序依赖的睡眠转换特征。在 SleepEDF 数 据集上，分类精度达到了 86.10%，超过了当前最先进模型方法。此外，我们招募 受试者采集其睡眠时的生理信号数据，实验证明我们的模型有良好的泛化能力。

2. 基于时空注意力机制的脑电信号情绪识别 针对情绪识别任务中生理信号存在时间、空间、频率特征复杂的问题，我们 提出 VitEmoNet。该模型使用时空注意力机制，用于提取频率、空间、时间多维 度的特征。Transformer 编码器模型用于特征融合和模式分类。在 SEED 数据集 上精度可达到 94.26%，与其它先进模型持平。

3. 基于眼动信号的人机交互系统 本章提出了一种基于眼动信号的人机交互系统，该系统从多个方位上采集 用户的眼动信号，使用分类器判断用户的视线方向类别，得到对应的控制策略， 对与人机交互设备连接的输入设备进行移动操作。该系统在实现简单有效的人 机交互的同时，可减少软件和硬件成本。