1.一种基于ECG信号的睡眠自动分期方法，其特征在于，包括以下步骤：S1、对MITBPD数据库中的ECG信号进行预处理，构建RP信号并提取HRV信号；

S2、提取HRV信号特征和RP信号时域特征；

S3、采用递归特征消除的随机森林算法对所述步骤S2中提取的特征进行预处理并进行特征选择；

S4、将所述步骤S3选择出来的特征再次进行特征预处理，训练多种分类模型并筛选得到最优分类模型，对最优分类模型优化后进行睡眠分期。

2.如权利要求1所述的一种基于ECG信号的睡眠自动分期方法，其特征在于，所述步骤S1包括以下分步骤：

S11、根据注释标签将睡眠分为三期，分别为Wake、REM和NREM；

S12、利用Pan&Tompkins算法获取ECG信号中的R波，通过计算相邻R波之间的时间跨度，并剔除由R波漏检和过检产生的异常值，从而得到HRV信号；

S13、利用获取的R波峰的电压值构建为RP信号。

3.如权利要求2所述的一种基于ECG信号的睡眠自动分期方法，其特征在于，所述步骤S2包括以下分步骤：

S21、将每个HRV和RP信号按照与睡眠阶段分类同步的分期窗口进行切片；

S22、从RP信号切片中提取RP信号时域特征；

S23、从HRV信号切片中提取HRV时域特征、频域特征和非线性特征。

4.如权利要求3所述的一种基于ECG信号的睡眠自动分期方法，其特征在于：所述步骤S21具体包括将每个HRV和RP信号按照与睡眠阶段分类同步的30s进行切片，得到30s窗口切片；创建以对应30s分期为核心，向前延伸150s和向后延伸120s的5min窗口，取核心30s的睡眠标签作为5min的标签，然后将每个信号按照以5min为窗口、步长为30s将每个HRV和RP信号按照与睡眠阶段分类同步进行滑动切片，得到5min窗口切片。

5.如权利要求4所述的一种基于ECG信号的睡眠自动分期方法，其特征在于：所述步骤S22中RP信号时域特征包括30s和5min窗口下的最小值、最大值、均值、中位数、标准差、方差、均方根、RMSSD、峰峰值、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子。

6.如权利要求4所述的一种基于ECG信号的睡眠自动分期方法，其特征在于：所述步骤S23中HRV时域特征包括在30s和5min窗口下的均值、SDNN、SDSD、NN50、pNN50、NN20、pNN20、RMSSD、中位数、RR间期数目、CVSD、CVNN，瞬时心率的均值、最小值、最大值、标准差；

HRV频域特征提取方法为在30s和5min窗口下，分别通过三次样条插值HRV信号并重采样到4Hz，然后利用Welch’s FFT提取频域特征，频域特征包括30s和5min窗口下的LF、HF、VLF、LF/HF、LFnu、HFnu、总功率；

HRV非线性特征包括30s和5min窗口下的SD1、SD2、CSI、CSI10、Modified_CSI10、近似熵、谱熵、最大李雅普诺夫指数、样本熵和5min窗口下CSI30、CSI50、CSI100、Modified_CSI30、Modified_CSI50、Modified_CSI100。

7.如权利要求4所述的一种基于ECG信号的睡眠自动分期方法，其特征在于：所述步骤S3和步骤S4中特征预处理具体包括对RP信号和HRV信号相关特征对应的缺省值采用均值插补，选用Z‑Score标准化得到标准特征集1，采用分层抽样，将标准特征集分为训练集和测试集。

8.如权利要求7所述的一种基于ECG信号的睡眠自动分期方法，其特征在于，所述步骤S3中的特征选择包括以下分步骤：

S31、在训练集上通过随机森林算法获取特征预处理后的每个特征的重要度，重复50次，取每个特征重要度的均值作为后续对应特征的重要度；

S32、取全部特征重要度均值的k倍作为阈值，筛选重要度高于阈值的N个特征，k取值由用户选取；

S33、通过RFE‑RF算法在每次迭代中逐步剔除N个特征中重要度最低的特征，并用剩下的特征集合训练RF，迭代N‑1次，得到在3期睡眠下的准确率，重复50次，取平均准确率作为后续评估指标；

S34、绘制平均准确率结果图，并选取平均准确率即将趋近于平缓时对应的特征集合作为最优特征集合。

9.如权利要求8所述的一种基于ECG信号的睡眠自动分期方法，其特征在于，所述步骤S4包括以下分步骤：

S41、对所述步骤S34选取的最优特征集合进行特征预处理；

S42、选取多种分类模型作为本发明的分类模型集；

S43、在训练集上对每个分类模型采用10次10折交叉验证，并选用准确率和F1分数的均值来评估分类模型的性能，筛选性能最优的分类模型作为本发明的分类模型；

S44、选用遍历搜索中的网格搜索法对所述步骤S43筛选的分类模型中重要超参数组合进行搜索，并通过10次10折交叉验证得到模型在每个数据集上的超参数组合，选用超参数组合出现最多的一组作为模型的超参数；

S45、采用所述步骤S44获得的超参数训练筛选的分类模型得到优化模型，采用训练后的优化模型进行睡眠分期。

10.如权利要求9所述的一种基于ECG信号的睡眠自动分期方法，其特征在于：所述步骤S42中选取的多种常见分类模型包括随机梯度下降法、SVM、逻辑回归、K近邻、决策树、RF和多层感知器分类模型。