1.一种睡眠自动分期方法，其特征在于，包括以下步骤：获取EEG数据，进行数据预处理后转换为频域信号；

利用训练好的GoogLeNet神经网络，以预处理后的频域信号为输入，得到训练样本数据；

以训练样本数据和实时采集的EEG数据为输入，利用SRC分类算法得到睡眠分类结果。

2.如权利要求1所述的睡眠自动分期方法，其特征在于，进行数据预处理，具体为：创建EEG信号的时频表示的尺度图，尺度图为EEG信号的CWT系数的绝对值；

利用函数cwtfilterbank为具有N个样本的信号创建CWT滤波器组，利用滤波器组获取信号的前N个样本的CWT，并基于系数获得尺度图；

利用函数helperCreateRGBfromTF将尺度图创建为RGB图像。

3.如权利要求2所述的睡眠自动分期方法，其特征在于，将RGB图像加载为图像数据存储，利用imageDatastore函数自动根据文件夹名称对图像加标签，并将数据存储为ImageDatastore对象。

4.如权利要求1所述的睡眠自动分期方法，其特征在于，采用梯度下降算法对GoogLeNet神经网络进行训练，并通过InitialLearnRate函数指定损失函数负梯度方向的初始步长大小。

5.如权利要求4所述的睡眠自动分期方法，其特征在于，采用MiniBatchSize函数指定在每次迭代中使用的训练集子集的大小。

6.如权利要求4所述的睡眠自动分期方法，其特征在于，采用MaxEpochs函数指定用于训练的最大轮数。

7.如权利要求1所述的睡眠自动分期方法，其特征在于，SRC分类算法具体为：输入：训练样本矩阵：A＝[A1,A2,...Ak]∈Rm×n，其中一共包含k个类别，一个新的测试样本记为y∈Rm；ε是一个可调的允许误差；

正交标准化：以l2范数为单位，对矩阵A的列进行正交标准化；

l1范数最小化：求解式 s.t.||Ax-y||≤ε的l1范数最小化：计算残差： i＝1,2,...k；

输出：把测试样本y所属的类额归为残差最小对应的类别。

8.一种睡眠自动分期系统，其特征在于，包括：

数据预处理模块，被配置为：获取EEG数据，进行数据预处理后转换为频域信号；

训练样本数据获取模块，被配置为：利用训练好的GoogLeNet神经网络，以预处理后的频域信号为输入，得到训练样本数据；

分类模块，被配置为：以训练样本数据和实时采集的EEG数据为输入，利用SRC分类算法得到睡眠分类结果。

9.一种介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-

7任一项所述的睡眠自动分期方法中的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的睡眠自动分期方法中的步骤。