CN104706318A - 一种睡眠分析方法及装置 - Google Patents

Abstract

本发明公开了一种睡眠分析方法及装置，包括：获取按照预设采样频率在每个子监测时间段内采集的待监测者的多轴加速度数据；分别基于在每个子监测时间段内采集的该待监测者的多轴加速度数据，确定该待监测者在每个子监测时间段内的活动量；并分别针对每个子监测时间段，根据该子监测时间段对应的时间段窗口包括的子监测时间段内的活动量，确定该待检测者在每个子监测时间段内的活动量特征值，并确定该监测时间段内活动量特征值的动态阈值；分别将每个子监测时间段内的活动量特征值与该动态阈值进行比较，得到该待监测者在每个子监测时间段内为睡眠状态或清醒状态的第一睡眠分析结果。采用本发明实施例提供的方法，提高了醒睡分类的准确率。

Description

一种睡眠分析方法及装置

技术领域

本发明涉及信号分析领域，尤其涉及一种睡眠分析方法及装置。

背景技术

睡眠研究是睡眠学和脑电图学的重要组成部分，也是当今世界上科学研究的热点之一。多导睡眠图监测是目前国际公认的睡眠监测的“金标准”，通过贴在待监测者身上的电极，记录检测者的血氧、心电、眼动、腿动、脑电等指标，来判断待监测者的睡眠情况。但多导睡眠图监测设备造价昂贵，随着科技的进步，对睡眠监测的研究逐渐向小型化及家庭化的方向发展。通过采集用户睡眠期间的多轴加速度数据，利用用户睡眠期间的加速度小于清醒时的加速度这一特点，进行醒睡分析。

现有的技术方案中，通过加速度传感器采集待监测者的多轴加速度数据，将该多轴加速度数据分为多个子数据段，将通过对多轴加速度数据进行判断得到的在子数据段对应的时间段内的活动次数，作为该时间段内的活动量，并且当该时间段内的活动量大于一固定阈值时，确定待监测者在该时间段内为清醒状态，否则，为睡眠状态，对每个子数据段进行分析，最后得到待监测者在整个监测时间段内的睡眠分析结果。还可以对该睡眠分析结果进行后续处理，比如，当待监测者在长时间的睡眠过程中出现了短暂的清醒，则将该短暂清醒的状态判为睡眠，当待监测者在长时间的清醒过程中出现了短暂的睡眠，则将该短暂睡眠的状态判为清醒。

但是，对于不同的待监测者，睡眠习惯各不相同，可能有的待监测者睡眠期间比较安静，而有的可能睡眠期间比较多动，这就导致基于固定阈值判断的醒睡分类准确率较低。

发明内容

本发明实施例提供一种睡眠分析方法及装置，用以解决现有技术中存在的基于固定阈值判断的醒睡分类准确率较低的问题。

本发明实施例提供一种获取按照预设采样频率在每个子监测时间段内采集的待监测者的多轴加速度数据，所述多轴加速度数据包括多个多轴加速度，其中，一个监测时间段包括多个子监测时间段；

分别基于在每个子监测时间段内采集的所述待监测者的多轴加速度数据，确定所述待监测者在每个子监测时间段内的活动量；

分别针对每个子监测时间段，根据该子监测时间段对应的时间段窗口包括的子监测时间段内的活动量，确定所述待检测者在每个子监测时间段内的活动量特征值，其中，子监测时间段对应的时间段窗口包括该子监测时间段以及其前后若干个子监测时间段；

根据监测时间段内所述多个子监测时间段内的活动量特征值，确定所述监测时间段内活动量特征值的动态阈值；

分别将每个子监测时间段内的活动量特征值与所述动态阈值进行比较，得到所述待监测者在每个子监测时间段内为睡眠状态或清醒状态的第一睡眠分析结果。

采用本发明实施例提供的方法，基于子监测时间段的活动量，以及该子监测时间段对应的时间段窗口包括的其他的子监测时间段的活动量，确定子监测时间段的活动量特征值；根据整个监测时间段内子监测时间段的活动量特征值，确定整个监测时间段内活动量特征值的动态阈值；根据动态阈值来判断待监测者在每个子监测时间段睡眠还是清醒。相比于现有技术，提高了醒睡分类的准确率。

本发明实施例还提供一种睡眠分析装置，包括：

数据获取单元，用于获取按照预设采样频率在每个子监测时间段内采集的待监测者的多轴加速度数据，所述多轴加速度数据包括多个多轴加速度，其中，一个监测时间段包括多个子监测时间段；

活动量确定单元，用于分别基于在每个子监测时间段内采集的所述待监测者的多轴加速度数据，确定所述待监测者在每个子监测时间段内的活动量；

活动量特征值确定单元，用于分别针对每个子监测时间段，根据该子监测时间段对应的时间段窗口包括的子监测时间段内的活动量，确定所述待检测者在每个子监测时间段内的活动量特征值，其中，子监测时间段对应的时间段窗口包括该子监测时间段以及其前后若干个子监测时间段；

动态阈值确定单元，用于根据监测时间段内所述多个子监测时间段内的活动量特征值，确定所述监测时间段内活动量特征值的动态阈值；

处理单元，用于分别将每个子监测时间段内的活动量特征值与所述动态阈值进行比较，得到所述待监测者在每个子监测时间段内为睡眠状态或清醒状态的第一睡眠分析结果。

本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例提供的睡眠分析方法的流程图之一；

图2为本发明实施例提供的睡眠分析方法的流程图之二；

图3为本发明实施例提供的低频多轴加速度数据进行睡眠分析的流程图；

图4为本发明实施例提供的睡眠分析装置的结构示意图。

具体实施方式

为了给出提高对待监测者醒睡分类的准确率的实现方案，本发明实施例提供了一种睡眠分析方法及装置，以下结合说明书附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。并且在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

本发明实施例提供一种睡眠分析方法，具体流程如图1所示，包括：

步骤101、获取按照预设采样频率在每个子监测时间段内采集的待监测者的多轴加速度数据，该多轴加速度数据包括多个多轴加速度，其中，一个监测时间段包括多个子监测时间段。

步骤102、分别基于在每个子监测时间段内采集的该待监测者的多轴加速度数据，确定该待监测者在每个子监测时间段内的活动量。

步骤103、分别针对每个子监测时间段，根据该子监测时间段对应的时间段窗口包括的子监测时间段内的活动量，确定该待检测者在每个子监测时间段内的活动量特征值，其中，子监测时间段对应的时间段窗口包括该子监测时间段以及其前后若干个子监测时间段。

步骤104、根据监测时间段内该多个子监测时间段内的活动量特征值，确定该监测时间段内活动量特征值的动态阈值。

步骤105、分别将每个子监测时间段内的活动量特征值与该动态阈值进行比较，得到该待监测者在每个子监测时间段内为睡眠状态或清醒状态的第一睡眠分析结果。

本发明实施例中，多轴加速度数据可以通过加速度传感器来进行采集，可以将对待监测者整晚的睡眠分析作为一个监测时间段，将该监测时间段分为多个子监测时间段，对每个子监测时间段的多轴加速度数据进行分析。

采用本发明实施例提供的方法，基于子监测时间段的活动量，以及该子监测时间段对应的时间段窗口包括的其他的子监测时间段的活动量，确定子监测时间段的活动量特征值；根据整个监测时间段内子监测时间段的活动量特征值，确定整个监测时间段内活动量特征值的动态阈值；根据动态阈值来判断待监测者在每个子监测时间段睡眠还是清醒。相比于现有技术，提高了醒睡分类的准确率。

下面结合附图，用具体实施例对本发明提供的方法及装置和相应***进行详细描述。方法详细步骤如图2所示，包括：

步骤201、对采集的待监测者在监测时间段内的多轴加速度数据进行带通滤波。用户人体活动产生的多轴加速度有一个频率范围，对多轴加速度进行带通滤波，主要是为了去除干扰。

步骤202、将滤波后的数据，按照预设采样频率对每个子监测时间段内的多轴加速度数据进行采样，其中，子监测时间段可以设为1分钟。

步骤203、基于采样后的多轴加速度数据，确定待监测者在每个子监测时间段内的活动量。

其中，当该子监测时间段内采样点的多轴加速度大于预设加速度阈值时，确定该待监测者在该采样点对应的时刻是活动的，该采样点根据预设采样频率确定；将在该子监测时间段内确定的待监测者活动的总次数，确定为待监测者在该子监测时间段的活动量。

关于活动量的计算有多种方法，可以选用阈值法、过零法、面积法等，本实施例选用阈值法进行活动量的确定。

步骤204、确定该子监测时间段对应的时间段窗口包括的子监测时间段内的活动量的均值、方差，分别作为该子监测时间段对应的时间段窗口内活动量的均值、方差，并确定该时间段窗口内活动量大于预设活动量的子监测时间段的个数。

时间段窗口可以设为5分钟，子监测时间段为1分钟，则该子监测时间段对应的时间段窗口包括的子监测时间段，即为当前子监测时间段前后各2分钟对应的子监测时间段以及当前子监测时间段，确定该5个子监测时间段活动量的均值和方差。

步骤205、对该时间段窗口内活动量的均值、方差以及该时间段窗口内活动量大于预设活动量的子监测时间段的个数，进行加权求和，得到该子监测时间段内的活动量特征值，将活动量特征值称为PS值。

PS值的确定还可以根据时间段窗口内当前子监测时间段的活动量、当前子监测时间段活动量的对数以及该时间段窗口内其他子监测时间段活动量的最大值、及变化量等来确定，加权系数为经验值。

步骤206、确定监测时间段内多个子监测时间段内的多个PS值的均值和方差，分别作为监测时间段内PS值的均值和方差。

步骤207、基于该监测时间段内PS值的均值和方差，确定PS值的动态阈值。

当该监测时间段内活动量特征值的均值与方差之和大于第一预设活动量特征值阈值时，将该第一预设特征值阈值确定为该监测时间段内活动量特征值的动态阈值；

当该监测时间段内活动量特征值的均值与方差之和不大于第一预设活动量特征值阈值，且该监测时间段内活动量特征值的均值与方差之和小于第二预设活动量特征值阈值时，将该第二预设活动量特征值阈值确定为该监测时间段内活动量特征值的动态阈值，其中，该第二预设活动量特征值阈值小于该第一预设活动量特征值阈值；

当该监测时间段内活动量特征值的均值与方差之和不大于第一预设活动量特征值阈值，且该监测时间段内活动量特征值的均值与方差之和不小于第二预设特征值阈值时，将该监测时间段内活动量特征值的均值与方差之和确定为该监测时间段内活动量特征值的动态阈值。

步骤208、将子监测时间段内的PS值与该监测时间段内PS值的动态阈值进行比较，得到待监测者在子监测时间段内的第一睡眠分析结果。

其中，当子监测时间段的活动量特征值大于该监测时间段内活动量特征值的动态阈值时，确定待监测者在该子监测时间段内为清醒状态；

当子监测时间段的活动量特征值不大于该监测时间段内活动量特征值的动态阈值时，确定待监测者在该子监测时间段内为清醒状态。

在上述实施例提供的方法中，关于动态阈值的确定方法还可以采用其他方法，如最大类间方差算法，是一种自适应阈值方法，基于多个阈值，针对每个阈值，将清醒和睡眠作为两个类别，计算类间方差，将使得两类的类间方差最大的阈值作为最终阈值；熵阈值法，根据不同的阈值确定每个子监测时间段为清醒或睡眠的概率，以及对应的熵值，确定能够使熵值最大的阈值；最小误差法，此方法来源于Bayes最小误差分类方法，Eb(T)是目标类（清醒）错分到背景类（睡眠）的概率，Eo(T)是背景类（睡眠）错分到目标类（清醒）的概率，总的误差概率E(T)＝Eb(T)＋Eo(T)，使E(T)取最小值，即为最优分类方法。

另外，有些用户可能会在睡前看书、玩手机等习惯，此类活动带来的多轴加速度数据频率较低，仅采用上述处理过程有可能会被判定为睡眠状态，因此，本发明实施例还提供一种对于低频多轴加速度数据进行睡眠分析的方法，具体步骤如图3所示，包括：

步骤301、对监测时间段内待监测者的多轴加速度数据进行低通滤波，得到每个子监测时间段内的低频多轴加速度数据。

步骤302、分别确定每个子监测时间段内低频多轴加速度数据的复杂度。

其中，复杂度的确定方法可以有多种，本方案可以先确定子监测时间段内低频多轴加速度数据的极值个数以及相邻的极大值与极小值之差，将这两个参数进行加权求和，确定子监测时间段内低频多轴加速度数据的复杂度。

步骤303、根据监测时间段内的多个子监测时间段内低频多轴加速度数据复杂度的均值和方差，确定该监测时间段内该复杂度的动态阈值。关于复杂度动态阈值的确定可以与上述PS值动态阈值的确定方法相同，在此不再赘述。

步骤304、根据子监测时间段内低频多轴加速度数据的复杂度是否大于该复杂度的动态阈值，确定待监测者在该子监测时间段内为睡眠状态或清醒状态的第二睡眠分析结果。

当该监测时间段内复杂度的均值与方差之和大于第一预设复杂度阈值时，将该第一预设复杂度阈值确定为该监测时间段内复杂度的动态阈值；

当该监测时间段内复杂度的均值与方差之和不大于第一预设复杂度阈值，且该监测时间段内复杂度的均值与方差之和小于第二预设复杂度阈值时，将该第二预设复杂度阈值确定为该监测时间段内复杂度的动态阈值，其中，该第二预设复杂度阈值小于该第一预设复杂度阈值；

当该监测时间段内复杂度的均值与方差之和不大于第一预设复杂度阈值，且该监测时间段内复杂度的均值与方差之和不小于第二预设复杂度阈值时，将该监测时间段内复杂度的均值和方差之和确定为该监测时间段内复杂度的动态阈值。

步骤305、针对上述第一睡眠分析结果为睡眠状态且第二睡眠分析结果为清醒状态的子监测时间段，确定该子监测时间段的第三睡眠分析结果为清醒状态。其中，将第三睡眠分析结果作为待监测者在监测时间段内最终的睡眠分析结果。还可以基于第三睡眠分析结果对待监测者的睡眠状况进行进一步的分析。

基于同一发明构思，根据本发明上述实施例提供的睡眠分析方法，相应地，本发明另一实施例还提供了睡眠分析装置，装置结构示意图如图4所示，具体包括：

数据获取单元401，用于获取按照预设采样频率在每个子监测时间段内采集的待监测者的多轴加速度数据，该多轴加速度数据包括多个多轴加速度，其中，一个监测时间段包括多个子监测时间段；

活动量确定单元402，用于分别基于在每个子监测时间段内采集的该待监测者的多轴加速度数据，确定该待监测者在每个子监测时间段内的活动量；

活动量特征值确定单元403，用于分别针对每个子监测时间段，根据该子监测时间段对应的时间段窗口包括的子监测时间段内的活动量，确定该待检测者在每个子监测时间段内的活动量特征值，其中，子监测时间段对应的时间段窗口包括该子监测时间段以及其前后若干个子监测时间段；

动态阈值确定单元404，用于根据监测时间段内该多个子监测时间段内的活动量特征值，确定该监测时间段内活动量特征值的动态阈值；

处理单元405，用于分别将每个子监测时间段内的活动量特征值与该动态阈值进行比较，得到该待监测者在每个子监测时间段内为睡眠状态或清醒状态的第一睡眠分析结果。

进一步的，活动量确定单元402，具体用于当该子监测时间段内采样点的多轴加速度大于预设加速度阈值时，确定该待监测者在该采样点对应的时刻是活动的，该采样点根据预设采样频率进行确定；以及将在该子监测时间段内确定该待监测者活动的总次数，确定为该待监测者在该子监测时间段的活动量。

进一步的，活动量特征值确定单元403，具体用于确定该子监测时间段对应的时间段窗口包括的子监测时间段内的活动量的均值、方差，分别作为该子监测时间段对应的时间段窗口内活动量的均值、方差；

确定该时间段窗口内活动量大于预设活动量的子监测时间段的个数；

对该时间段窗口内活动量的均值、方差以及该时间段窗口内活动量大于预设活动量的子监测时间段的个数，进行加权求和，得到该子监测时间段内的活动量特征值；

动态阈值确定单元404，具体用于：确定监测时间段内该多个子监测时间段内的多个活动量特征值的均值和方差，分别作为该监测时间段内活动量特征值的均值和方差；

当该监测时间段内活动量特征值的均值与方差之和大于第一预设活动量特征值阈值时，将该第一预设特征值阈值确定为该监测时间段内活动量特征值的动态阈值；

当该监测时间段内活动量特征值的均值与方差之和不大于第一预设活动量特征值阈值，且该监测时间段内活动量特征值的均值与方差之和小于第二预设活动量特征值阈值时，将该第二预设活动量特征值阈值确定为该监测时间段内活动量特征值的动态阈值，其中，该第二预设活动量特征值阈值小于该第一预设活动量特征值阈值；

当该监测时间段内活动量特征值的均值与方差之和不大于第一预设活动量特征值阈值，且该监测时间段内活动量特征值的均值与方差之和不小于第二预设特征值阈值时，将该监测时间段内活动量特征值的均值与方差之和确定为该监测时间段内活动量特征值的动态阈值。

进一步的，处理单元405，具体用于当子监测时间段的活动量特征值大于该监测时间段内活动量特征值的动态阈值时，确定待监测者在该子监测时间段内为清醒状态；以及当子监测时间段的活动量特征值不大于该监测时间段内活动量特征值的动态阈值时，确定待监测者在该子监测时间段内为清醒状态。

进一步的，上述装置，还包括：低频数据处理单元406，用于对该多个子监测时间段内的多轴加速度数据按照预设频率进行低通滤波，得到每个子监测时间段内的低频多轴加速度数据；

分别确定每个子监测时间段内低频多轴加速度数据的复杂度；

根据该监测时间段内的该多个子监测时间段内低频多轴加速度数据复杂度的均值和方差，确定该监测时间段内该复杂度的动态阈值；

根据子监测时间段内低频多轴加速度数据的复杂度是否大于该复杂度的动态阈值，确定该待监测者在该子监测时间段内为睡眠状态或清醒状态的第二睡眠分析结果；

针对第一睡眠分析结果为睡眠状态且第二睡眠分析结果为清醒状态的子监测时间段，确定该子监测时间段的第三睡眠分析结果为清醒状态。

进一步的，低频数据处理单元406，确定一个子监测时间段内低频多轴加速度数据的复杂度，具体用于确定该子监测时间段内低频多轴加速度数据的极值个数以及相邻的极大值与极小值之差；以及对该子监测时间段内低频多轴加速度数据的极值个数以及相邻的极大值与极小值之差，进行加权求和，确定子监测时间段内低频多轴加速度数据的复杂度。

进一步的，低频数据处理单元406，确定该监测时间段内复杂度的动态阈值，具体用于当该监测时间段内复杂度的均值与方差之和大于第一预设复杂度阈值时，将该第一预设复杂度阈值确定为该监测时间段内复杂度的动态阈值；

当该监测时间段内复杂度的均值与方差之和不大于第一预设复杂度阈值，且该监测时间段内复杂度的均值与方差之和小于第二预设复杂度阈值时，将该第二预设复杂度阈值确定为该监测时间段内复杂度的动态阈值，其中，该第二预设复杂度阈值小于该第一预设复杂度阈值；

当该监测时间段内复杂度的均值与方差之和不大于第一预设复杂度阈值，且该监测时间段内复杂度的均值与方差之和不小于第二预设复杂度阈值时，将该监测时间段内复杂度的均值和方差之和确定为该监测时间段内复杂度的动态阈值。

上述各单元的功能可对应于图1至图3所示流程中的相应处理步骤，在此不再赘述。

综上该，本发明实施例提供的方案，获取按照预设采样频率在每个子监测时间段内采集的待监测者的多轴加速度数据；分别基于在每个子监测时间段内采集的该待监测者的多轴加速度数据，确定该待监测者在每个子监测时间段内的活动量；并分别针对每个子监测时间段，根据该子监测时间段对应的时间段窗口包括的子监测时间段内的活动量，确定该待检测者在每个子监测时间段内的活动量特征值；以及根据监测时间段内该多个子监测时间段内的活动量特征值，确定该监测时间段内活动量特征值的动态阈值；分别将每个子监测时间段内的活动量特征值与该动态阈值进行比较，得到该待监测者在每个子监测时间段内为睡眠状态或清醒状态的第一睡眠分析结果。采用本发明实施例提供的方法，相比于现有技术，提高了醒睡分类的准确率。

本申请的实施例所提供的睡眠分析装置可通过计算机程序实现。本领域技术人员应该能够理解，上述的模块划分方式仅是众多模块划分方式中的一种，如果划分为其他模块或不划分模块，只要睡眠分析装置具有上述功能，都应该在本申请的保护范围之内。

本申请是参照根据本申请实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (14)

1.一种睡眠分析方法，其特征在于，包括：

获取按照预设采样频率在每个子监测时间段内采集的待监测者的多轴加速度数据，所述多轴加速度数据包括多个多轴加速度，其中，一个监测时间段包括多个子监测时间段；

分别基于在每个子监测时间段内采集的所述待监测者的多轴加速度数据，确定所述待监测者在每个子监测时间段内的活动量；

分别针对每个子监测时间段，根据该子监测时间段对应的时间段窗口包括的子监测时间段内的活动量，确定所述待检测者在每个子监测时间段内的活动量特征值，其中，子监测时间段对应的时间段窗口包括该子监测时间段以及其前后若干个子监测时间段；

根据监测时间段内所述多个子监测时间段内的活动量特征值，确定所述监测时间段内活动量特征值的动态阈值；

分别将每个子监测时间段内的活动量特征值与所述动态阈值进行比较，得到所述待监测者在每个子监测时间段内为睡眠状态或清醒状态的第一睡眠分析结果。

2.如权利要求1所述的方法，其特征在于，基于在子监测时间段内采集的所述待监测者的多轴加速度数据，确定所述待监测者在该子监测时间段的活动量，具体包括：

当该子监测时间段内采样点的多轴加速度大于预设加速度阈值时，确定所述待监测者在该采样点对应的时刻是活动的，所述采样点根据预设采样频率进行确定；

将在该子监测时间段内确定所述待监测者活动的总次数，确定为所述待监测者在该子监测时间段的活动量。

3.如权利要求1所述的方法，其特征在于，根据该子监测时间段对应的时间段窗口包括的子监测时间段内的活动量，确定所述待检测者在每个子监测时间段内的活动量特征值，具体包括：

确定该子监测时间段对应的时间段窗口包括的子监测时间段内的活动量的均值、方差，分别作为该子监测时间段对应的时间段窗口内活动量的均值、方差；

确定该时间段窗口内活动量大于预设活动量的子监测时间段的个数；

对该时间段窗口内活动量的均值、方差以及该时间段窗口内活动量大于预设活动量的子监测时间段的个数，进行加权求和，得到该子监测时间段内的活动量特征值；

根据监测时间段内所述多个子监测时间段内的活动量特征值，确定所述监测时间段内活动量特征值的动态阈值，具体包括：

确定监测时间段内所述多个子监测时间段内的多个活动量特征值的均值和方差，分别作为所述监测时间段内活动量特征值的均值和方差；

当所述监测时间段内活动量特征值的均值与方差之和大于第一预设活动量特征值阈值时，将所述第一预设特征值阈值确定为所述监测时间段内活动量特征值的动态阈值；

当所述监测时间段内活动量特征值的均值与方差之和不大于第一预设活动量特征值阈值，且所述监测时间段内活动量特征值的均值与方差之和小于第二预设活动量特征值阈值时，将所述第二预设活动量特征值阈值确定为所述监测时间段内活动量特征值的动态阈值，其中，所述第二预设活动量特征值阈值小于所述第一预设活动量特征值阈值；

当所述监测时间段内活动量特征值的均值与方差之和不大于第一预设活动量特征值阈值，且所述监测时间段内活动量特征值的均值与方差之和不小于第二预设特征值阈值时，将所述监测时间段内活动量特征值的均值与方差之和确定为所述监测时间段内活动量特征值的动态阈值。

4.如权利要求1所述的方法，其特征在于，将子监测时间段内的活动量特征值与所述监测时间段内活动量特征值的动态阈值进行比较，得到待监测者在子监测时间段内的第一睡眠分析结果，具体包括：

当子监测时间段的活动量特征值大于所述监测时间段内活动量特征值的动态阈值时，确定待监测者在该子监测时间段内为清醒状态；

当子监测时间段的活动量特征值不大于所述监测时间段内活动量特征值的动态阈值时，确定待监测者在该子监测时间段内为清醒状态。

5.如权利要求1所述的方法，其特征在于，获取按照预设采样频率在每个子监测时间段内采集的待监测者的多轴加速度数据之后，还包括：

对所述多个子监测时间段内的多轴加速度数据按照预设频率进行低通滤波，得到每个子监测时间段内的低频多轴加速度数据；

分别确定每个子监测时间段内低频多轴加速度数据的复杂度；

根据所述监测时间段内的所述多个子监测时间段内低频多轴加速度数据复杂度的均值和方差，确定所述监测时间段内该复杂度的动态阈值；

根据子监测时间段内低频多轴加速度数据的复杂度是否大于所述复杂度的动态阈值，确定所述待监测者在该子监测时间段内为睡眠状态或清醒状态的第二睡眠分析结果；

针对第一睡眠分析结果为睡眠状态且第二睡眠分析结果为清醒状态的子监测时间段，确定该子监测时间段的第三睡眠分析结果为清醒状态。

6.如权利要求5所述的方法，其特征在于，确定一个子监测时间段内低频多轴加速度数据的复杂度，具体包括：

确定所述子监测时间段内低频多轴加速度数据的极值个数以及相邻的极大值与极小值之差；

对所述子监测时间段内低频多轴加速度数据的极值个数以及相邻的极大值与极小值之差，进行加权求和，确定子监测时间段内低频多轴加速度数据的复杂度。

7.如权利要求5所述的方法，其特征在于，确定所述监测时间段内复杂度的动态阈值，具体包括：

当所述监测时间段内复杂度的均值与方差之和大于第一预设复杂度阈值时，将所述第一预设复杂度阈值确定为所述监测时间段内复杂度的动态阈值；

当所述监测时间段内复杂度的均值与方差之和不大于第一预设复杂度阈值，且所述监测时间段内复杂度的均值与方差之和小于第二预设复杂度阈值时，将所述第二预设复杂度阈值确定为所述监测时间段内复杂度的动态阈值，其中，所述第二预设复杂度阈值小于所述第一预设复杂度阈值；

当所述监测时间段内复杂度的均值与方差之和不大于第一预设复杂度阈值，且所述监测时间段内复杂度的均值与方差之和不小于第二预设复杂度阈值时，将所述监测时间段内复杂度的均值和方差之和确定为所述监测时间段内复杂度的动态阈值。

8.一种睡眠分析装置，其特征在于，包括：

数据获取单元，用于获取按照预设采样频率在每个子监测时间段内采集的待监测者的多轴加速度数据，所述多轴加速度数据包括多个多轴加速度，其中，一个监测时间段包括多个子监测时间段；

活动量确定单元，用于分别基于在每个子监测时间段内采集的所述待监测者的多轴加速度数据，确定所述待监测者在每个子监测时间段内的活动量；

活动量特征值确定单元，用于分别针对每个子监测时间段，根据该子监测时间段对应的时间段窗口包括的子监测时间段内的活动量，确定所述待检测者在每个子监测时间段内的活动量特征值，其中，子监测时间段对应的时间段窗口包括该子监测时间段以及其前后若干个子监测时间段；

动态阈值确定单元，用于根据监测时间段内所述多个子监测时间段内的活动量特征值，确定所述监测时间段内活动量特征值的动态阈值；

处理单元，用于分别将每个子监测时间段内的活动量特征值与所述动态阈值进行比较，得到所述待监测者在每个子监测时间段内为睡眠状态或清醒状态的第一睡眠分析结果。

9.如权利要求8所述的装置，其特征在于，所述活动量确定单元，具体用于当该子监测时间段内采样点的多轴加速度大于预设加速度阈值时，确定所述待监测者在该采样点对应的时刻是活动的，所述采样点根据预设采样频率进行确定；以及将在该子监测时间段内确定所述待监测者活动的总次数，确定为所述待监测者在该子监测时间段的活动量。

10.如权利要求8所述的装置，其特征在于，所述活动量特征值确定单元，具体用于确定该子监测时间段对应的时间段窗口包括的子监测时间段内的活动量的均值、方差，分别作为该子监测时间段对应的时间段窗口内活动量的均值、方差；

确定该时间段窗口内活动量大于预设活动量的子监测时间段的个数；

对该时间段窗口内活动量的均值、方差以及该时间段窗口内活动量大于预设活动量的子监测时间段的个数，进行加权求和，得到该子监测时间段内的活动量特征值；

所述动态阈值确定单元，具体用于：

确定监测时间段内所述多个子监测时间段内的多个活动量特征值的均值和方差，分别作为所述监测时间段内活动量特征值的均值和方差；

当所述监测时间段内活动量特征值的均值与方差之和大于第一预设活动量特征值阈值时，将所述第一预设特征值阈值确定为所述监测时间段内活动量特征值的动态阈值；

当所述监测时间段内活动量特征值的均值与方差之和不大于第一预设活动量特征值阈值，且所述监测时间段内活动量特征值的均值与方差之和小于第二预设活动量特征值阈值时，将所述第二预设活动量特征值阈值确定为所述监测时间段内活动量特征值的动态阈值，其中，所述第二预设活动量特征值阈值小于所述第一预设活动量特征值阈值；

当所述监测时间段内活动量特征值的均值与方差之和不大于第一预设活动量特征值阈值，且所述监测时间段内活动量特征值的均值与方差之和不小于第二预设特征值阈值时，将所述监测时间段内活动量特征值的均值与方差之和确定为所述监测时间段内活动量特征值的动态阈值。

11.如权利要求8所述的装置，其特征在于，所述处理单元，具体用于当子监测时间段的活动量特征值大于所述监测时间段内活动量特征值的动态阈值时，确定待监测者在该子监测时间段内为清醒状态；以及当子监测时间段的活动量特征值不大于所述监测时间段内活动量特征值的动态阈值时，确定待监测者在该子监测时间段内为清醒状态。

12.如权利要求8所述的装置，其特征在于，所述装置，还包括：低频数据处理单元，用于对所述多个子监测时间段内的多轴加速度数据按照预设频率进行低通滤波，得到每个子监测时间段内的低频多轴加速度数据；

分别确定每个子监测时间段内低频多轴加速度数据的复杂度；

根据所述监测时间段内的所述多个子监测时间段内低频多轴加速度数据复杂度的均值和方差，确定所述监测时间段内该复杂度的动态阈值；

根据子监测时间段内低频多轴加速度数据的复杂度是否大于所述复杂度的动态阈值，确定所述待监测者在该子监测时间段内为睡眠状态或清醒状态的第二睡眠分析结果；

针对第一睡眠分析结果为睡眠状态且第二睡眠分析结果为清醒状态的子监测时间段，确定该子监测时间段的第三睡眠分析结果为清醒状态。

13.如权利要求12所述的装置，其特征在于，所述低频数据处理单元，确定一个子监测时间段内低频多轴加速度数据的复杂度，具体用于确定所述子监测时间段内低频多轴加速度数据的极值个数以及相邻的极大值与极小值之差；以及对所述子监测时间段内低频多轴加速度数据的极值个数以及相邻的极大值与极小值之差，进行加权求和，确定子监测时间段内低频多轴加速度数据的复杂度。

14.如权利要求12所述的装置，其特征在于，所述低频数据处理单元，确定所述监测时间段内复杂度的动态阈值，具体用于当所述监测时间段内复杂度的均值与方差之和大于第一预设复杂度阈值时，将所述第一预设复杂度阈值确定为所述监测时间段内复杂度的动态阈值；

当所述监测时间段内复杂度的均值与方差之和不大于第一预设复杂度阈值，且所述监测时间段内复杂度的均值与方差之和小于第二预设复杂度阈值时，将所述第二预设复杂度阈值确定为所述监测时间段内复杂度的动态阈值，其中，所述第二预设复杂度阈值小于所述第一预设复杂度阈值；

当所述监测时间段内复杂度的均值与方差之和不大于第一预设复杂度阈值，且所述监测时间段内复杂度的均值与方差之和不小于第二预设复杂度阈值时，将所述监测时间段内复杂度的均值和方差之和确定为所述监测时间段内复杂度的动态阈值。