1.一种基于改进的深度学习算法模型的睡眠信号自动分期方法，其特征在于，该方法具体包括以下步骤：S1：获取原始睡眠数据；

S2：数据预处理，包括：

S21：信号分解：对原始睡眠数据进行小波分解，获得详细分量和近似分量，其中细节分量对应高频，近似分量对应低频；

S22：阈值处理：对细节分量进行阈值处理，保留近似分量；其中，采用Stein无偏估计方法确定阈值，选择启发式阈值函数对原始睡眠数据进行预处理；

S23：信号重构：采用小波重构，利用处理后的分量得到去噪信号；

S3：构建改进的深度学习算法模型，包括实例特征学习模块、序列特征学习模块和注意力机制加工模块；并利用改进的深度学习算法模型提取睡眠分期所需的特征信息；

所述实例特征学习模块用于获取数据局部特征，该模块由卷积网络组成，包含4个一维卷积单元、2个最大池化单元和2个失活单元；

所述序列特征学习模块是使用双向的长短时记忆网络来获取网络睡眠“帧”间相关特征；

所述注意力机制加工模块是采用自注意力机制来获取关键通道和关键窗口特征；

S4：利用分类器对提取的特征信息进行分类。

2.根据权利要求1所述的睡眠信号自动分期方法，其特征在于，步骤S1中，获取的原始睡眠数据是EEG中的Fpz‑Cz和水平EOG；同时，去掉睡眠中未打分的睡眠“帧”，保留一段睡眠前后30分钟的清醒“帧”。

3.根据权利要求1所述的睡眠信号自动分期方法，其特征在于，步骤S3中，构建的改进的深度学习算法模型还包括：对注意力加工后的数据进行归一化处理。