1.一种睡眠分期检测方法，其特征在于，依次包括以下步骤：

S1、采集人体心率变异信号和腕动三轴加速度数据；

S2、将心率变异信号和三轴加速度数据按时间长度划分，对每个时间长度内的心率变异信号和三轴加速度数据提取若干特征参数，所述特征参数包括对心率变异信号提取总体标准差与差值均方根的比值C1、基于阈值的心率加速变化指数C2和将心率变异信号构建为有限穿越水平可视图后得到的平均度C3以及对三轴加速度数据提取基于三轴加速度幅度均方根值的平均值C4、标准差C5和零点穿越数C6，所述特征参数C2由以下步骤提取：S221、计算心率变异信号序列RR(n)的一阶差分DRR(n)＝RR(n+1)-RR(n)；

S222、给定阈值T，将序列DRR(n)进行符号化，得到符号序列SDRR(n)，S223、设序列SDRR(n)的长度为N，从n＝1到N-1遍历整个序列，并按顺序记录所有符合SDRR(n)≠SDRR(n+1)条件的n值，组成新的序列SC(m)；

S224、求序列SC(m)的一阶差分序列DSC(m)＝SC(m+1)-SC(m)；

S225、设DSC(m)序列中等于1的点的个数为k，总长度为M，特征参数C2＝k/M；

所述特征参数C3由以下步骤提取：S231、将心率变异信号组成的时间序列中的点定义为网络节点，根据其幅度画出相应高度的直方条，然后判断节点的连接性，若两个节点对应的直方条之间可以画出一条水平的连线，且被位于两者之间的其他直方条截断的次数n≤1，则认为两个节点间存在连接，据此将心率变异信号组成的时间序列映射为一个网络图，所述网络图中各节点的度的平均值为特征参数C3，所述节点的度为该节点所连的边数；

S3、将步骤S2获得的一个时间长度内的特征参数输入睡眠分期预测模型，得到一个时间长度内的睡眠分期；所述睡眠分期预测模型是根据所述特征参数与睡眠分期关系预先建立的；

S4、统计所有时间长度的睡眠分期获得整个睡眠时间内的睡眠分期。

2.根据权利要求1所述的睡眠分期检测方法，其特征在于，所述特征参数C6由以下步骤提取：S261、计算当前时间长度内各三轴加速度采样点的幅度均方根值序列S(i)，xi，yi，zi分别为x轴、y轴和z轴方向的加速度值；

S262、对当前时间长度内所有S(i)，统计S(i)*S(i+1)<0的次数即为C6。

3.根据权利要求1所述的睡眠分期检测方法，其特征在于，所述特征参数包括将心率变异信号构建为有限穿越水平可视图后得到的度分布熵C7以及基于三轴加速度幅度均方根值的加速度分布熵C8，所述特征参数C7由以下步骤提取：

S271、对各节点的度分布进行直方图统计，得到不同的度k的分布频率p(k)，度分布熵C7为：所述特征参数C8由以下步骤提取：

S281、计算当前时间长度内各三轴加速度采样点的幅度均方根值序列S(i)，xi，yi，zi分别为x轴、y轴和z轴方向的加速度值；

S282、对S(i)幅度值的分布进行直方图统计，划分区间为N，得到不同的幅度区间内的分布率，设第k个区间的分布率为pS(k)，加速度分布熵C8为：

4.根据权利要求1所述的睡眠分期检测方法，其特征在于，所述特征参数包括将心率变异信号构建为有限穿越水平可视图后得到的特征路径长度C9以及基于三轴加速度幅度均方根值的归一化子频带能量C10，所述特征参数C9由以下步骤提取：

S291、 V为所构造的网络图的节点集合，N为图中包含的节点数，

dij为节点i和j之间的最短路径长度；

所述特征参数C10由以下步骤提取：

S2101、计算当前时间长度内各三轴加速度采样点的幅度均方根值序列S(i)，xi，yi，zi分别为x轴、y轴和z轴方向的加速度值；

S2102、采用Welch算法计算S(i)序列的功率谱密度，并得到0.4Hz～3Hz范围内的相对于总功率的归一化功率值即为C10。

5.根据权利要求1所述的睡眠分期检测方法，其特征在于，所述步骤S2、将心率变异信号和三轴加速度数据按时间长度划分前包括信号预处理，所述信号预处理包括对心率变异信号，去除由于心搏漏检、误检及异位搏动造成的异常心搏间期，保留窦性心律；对三轴加速度数据进行带通滤波抑制噪声处理。

6.根据权利要求1所述的睡眠分期检测方法，其特征在于，所述睡眠分期预测模型基于随机森林算法建立。

7.一种可穿戴式睡眠分期检测装置，其特征在于，包括：信号采集模块、信号划分模块和睡眠分期检测模块，所述信号采集模块包括用于采集人体心率变异信号的光电心率检测模块和用于采集腕动三轴加速度数据的三轴加速度检测模块，信号划分模块将一定时间长度内心率变异信号和三轴加速度数据发送给睡眠分期检测模块，所述睡眠分期检测模块包括特征提取模块和基于睡眠分期预测模型的分期结果输出模块，所述特征提取模块包括第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块、第五特征提取模块、第六特征提取模块；所述特征提取模块向分期结果输出模块发送提取的特征参数，所述第一特征提取模块根据心率变异信号计算总体标准差与差值均方根的比值为特征参数C1；

所述第二特征提取模块根据心率变异信号计算基于阈值的心率加速变化指数为特征参数C2；包括计算心率变异信号序列RR(n)的一阶差分DRR(n)＝RR(n+1)-RR(n)；给定阈值T，将序列DRR(n)进行符号化，得到符号序列SDRR(n)，设序列SDRR(n)的长度为N，从n＝1到N-1遍历整个序列，并按顺序记录所有符合SDRR(n)≠SDRR(n+1)条件的n值，组成新的序列SC(m)；求序列SC(m)的一阶差分序列DSC(m)＝SC(m+1)-SC(m)；设DSC(m)序列中等于1的点的个数为k，总长度为M，C2＝k/M；

所述第三特征提取模块计算心率变异信号构建为有限穿越水平可视图后得到的平均度为特征参数C3；包括将心率变异信号组成的时间序列中的点定义为网络节点，根据其幅度画出相应高度的直方条，然后判断节点的连接性，若两个节点对应的直方条之间可以画出一条水平的连线，且被位于两者之间的其他直方条截断的次数n≤1，则认为两个节点间存在连接，据此将心率变异信号组成的时间序列映射为一个网络图，所述网络图中各节点的度的平均值为C3，所述节点的度为该节点所连的边数；

所述第四特征提取模块根据三轴加速度数据提取基于三轴加速度幅度均方根值的平均值为特征参数C4；

所述第五特征提取模块根据三轴加速度数据提取基于三轴加速度幅度均方根值的标准差为特征参数C5；

所述第六特征提取模块根据三轴加速度数据提取基于三轴加速度幅度均方根值的零点穿越数为特征参数C6；包括计算当前时间长度内各三轴加速度采样点的幅度均方根值序列S(i)， xi，yi，zi分别为x轴、y轴和z轴方向的加速度值；对当前时间长度内所有S(i)，统计S(i)*S(i+1)<0的次数为C6；

所述分期结果输出模块向睡眠分期预测模型输入特征参数，由睡眠分期预测模型输出到睡眠分期结果。

8.根据权利要求7所述的可穿戴式睡眠分期检测装置，其特征在于，所述特征提取模块包括第七特征提取模块和第八特征提取模块，所述第七特征提取模块计算心率变异信号构建为有限穿越水平可视图后得到的度分布熵C7；包括对各节点的度分布进行直方图统计，得到不同的度k的分布频率p(k)，度分布熵C7为：所述第八特征提取模块根据三轴加速度数据提取基于三轴加速度幅度均方根值的加速度分布熵C8；包括计算当前时间长度内各三轴加速度采样点的幅度均方根值序列S(i)，xi，yi，zi分别为x轴、y轴和z轴方向的加速度值；对S(i)幅度值的分布进行直方图统计，划分区间为N，得到不同的幅度区间内的分布率，设第k个区间的分布率为pS(k)，加速度分布熵C8为：

9.根据权利要求7所述的可穿戴式睡眠分期检测装置，其特征在于，所述特征提取模块包括第九特征提取模块和第十特征提取模块，所述第九特征提取模块计算心率变异信号构建为有限穿越水平可视图后得到的特征路径长度C9；

V为所构造的网络图的节点集合，N为图中包含的节点数，dij为

节点i和j之间的最短路径长度；

所述第十特征提取模块根据三轴加速度数据提取基于三轴加速度幅度均方根值的归一化子频带能量C10；包括计算当前时间长度内各三轴加速度采样点的幅度均方根值序列S(i)， xi，yi，zi分别为x轴、y轴和z轴方向的加速度值；采用Welch算法计算S(i)序列的功率谱密度，并得到0.4Hz～3Hz范围内的相对于总功率的归一化功率值即为C10。

10.根据权利要求7所述的可穿戴式睡眠分期检测装置，其特征在于，信号采集模块包括第一显示模块，所述采集的人体心率变异信号和腕动三轴加速度数据由第一显示模块显示，所述睡眠分期检测模块包括第二显示模块，所述睡眠分期结果由第二显示模块显示。

11.根据权利要求7所述的可穿戴式睡眠分期检测装置，其特征在于，所述睡眠分期检测模块包括信号预处理模块，所述信号预处理模块将接收的心率变异信号和三轴加速度数据进行信号预处理并发送给信号划分模块，所述信号预处理包括对心率变异信号，去除由于心搏漏检、误检及异位搏动造成的异常心搏间期，保留窦性心律；对三轴加速度数据进行带通滤波抑制噪声处理。