睡眠状态分析方法及装置、智能可穿戴设备
技术领域
本公开涉及通信领域,尤其涉及睡眠状态分析方法及装置、智能可穿戴设备。
背景技术
相关技术中,在对用户的睡眠状态进行分析时,需要通过在人体粘贴监测电极,且有专业测试人员对监测装置进行操作才可以获取该用户的睡眠状态分析结果。也就是说,获取用户的睡眠状态分析结果的过程操作复杂,不易实现。
发明内容
有鉴于此,本公开提供了睡眠状态分析方法及装置、智能可穿戴设备,以解决相关技术中的不足。
根据本公开实施例的第一方面,提供一种睡眠状态分析方法,用于智能可穿戴设备,所述方法包括:
采集用户日常活动时的生理特征数据值,所述生理特征数据值至少包括用于表征所述用户日常活动时的剧烈程度的体动数据值和用于表征所述用户日常活动时的心率变化的心率值;
根据所述生理特征数据值确定所述用户的睡眠时间段。
可选地,所述采集用户日常活动时的生理特征数据值,包括:
通过加速度传感器、陀螺仪传感器或磁感应传感器采集所述用户日常活动时的所述生理特征数据值中的所述体动数据值;
通过心电传感器或光电心率传感器采集所述用户日常活动时的所述生理特征数据值中的所述心率值。
可选地,所述根据所述生理特征数据值确定所述用户的睡眠时间段,包括:
对所述生理特征数据值进行预处理;
根据预处理后的所述生理特征数据值,确定所述用户的睡眠时间段。
可选地,所述对所述生理特征数据值进行预处理,包括:
对所述生理特征数据值进行中值滤波处理或均值滤波处理。
可选地,所述根据预处理后的所述生理特征数据值,确定所述用户的睡眠时间段,包括:
根据与每个预设时间段对应的经过预处理后的所述生理特征数据值,确定每个所述预设时间段所属的状态区间,所述状态区间包括表征睡眠状态的睡眠区间和表征清醒状态的清醒区间;
如果多个所述清醒区间和目标睡眠区间相邻,将所述目标睡眠区间的睡眠区间起始时间点确定为所述用户的所述睡眠起始点;
如果多个所述睡眠区间和目标清醒区间相邻,将所述目标清醒区间的清醒区间起始时间点确定为所述用户的所述睡眠终止点;
将所述睡眠起始点和所述睡眠终止点之间的时间段确定为所述睡眠时间段。
可选地,所述根据与每个预设时间段对应的经过预处理后的所述生理特征数据值,确定每个所述预设时间段所属的状态区间,包括:
对所述预设时间段内的经过预处理后的所述体动数据值和所述心率值进行统计,分别得到体动数据统计值和心率统计值;
将所述体动数据统计值低于第一体动预设值,且所述心率统计值低于第一预设值的所述预设时间段所属的状态区间确定为所述睡眠区间;
将所述体动数据统计值不低于所述第一体动预设值,且所述心率统计值不低于所述第二预设值的所述预设时间段所属的状态区间确定为所述清醒区间。
可选地,所述根据所述生理特征数据值确定所述用户的睡眠时间段之后,所述方法还包括:
根据所述生理特征数据值对所述睡眠时间段内所述用户的睡眠状态进行分析,确定睡眠状态分析结果;
其中,所述睡眠状态分析结果包括所述用户在所述睡眠时间段内处于深睡眠状态的深睡时间段及深睡时长、处于浅睡眠状态的浅睡时间段及浅睡时长和处于快速眼动睡眠状态的快速眼动时间段及快速眼动时长中的至少一项。
可选地,所述根据所述生理特征数据值对所述睡眠时间段内所述用户的睡眠状态进行分析,确定睡眠状态分析结果,包括:
根据所述生理特征数据值,确定所述用户在所述睡眠时间段内的每个所述预设时间段对应的睡眠状态;
计算相同所述睡眠状态对应的所述预设时间段的累积时长,得到所述睡眠状态分析结果。
可选地,所述根据所述生理特征数据值,确定所述用户在所述睡眠时间段内的每个所述预设时间段对应的睡眠状态,包括:
如果所述预设时间段内的所述心率值均高于第一心率阈值,确定所述用户在所述预设时间段内的所述睡眠状态为所述快速眼动睡眠状态;
如果所述预设时间段内的所述心率值均低于第二心率阈值,且所述预设时间段内的所述体动数据值低于第二体动预设值,确定所述用户在所述预设时间段内的所述睡眠状态为所述深睡眠状态;
如果所述预设时间段内的所述睡眠状态不属于所述快速眼动睡眠状态且不属于所述深睡眠状态,确定所述用户在所述预设时间段内的所述睡眠状态为所述浅睡眠状态。
可选地,在所述采集用户日常活动时的生理特征数据值之后,所述方法还包括:
将所述生理特征数据值输入预设模型后,进行模型训练;
根据模型训练结果建立睡眠模型;
通过所述睡眠模型标注出所述用户在每个预设时间段所处的所述睡眠状态。
根据本公开实施例的第二方面,提供一种睡眠状态分析装置,用于智能可穿戴设备,所述装置包括:
数据采集模块,用于采集用户日常活动时的生理特征数据值,所述生理特征数据值至少包括用于表征所述用户日常活动时的剧烈程度的体动数据值和用于表征所述用户日常活动时的心率变化的心率值;
睡眠时间段确定模块,用于根据所述生理特征数据值确定所述用户的睡眠时间段。
可选地,所述数据采集模块包括:
第一采集子模块,用于通过加速度传感器、陀螺仪传感器或磁感应传感器采集所述用户日常活动时的所述生理特征数据值中的所述体动数据值;
第二采集子模块,用于通过心电传感器或光电心率传感器采集所述用户日常活动时的所述生理特征数据值中的所述心率值。
可选地,所述睡眠时间段确定模块包括:
预处理子模块,用于对所述生理特征数据值进行预处理;
睡眠时间段确定子模块,用于根据预处理后的所述生理特征数据值,确定所述用户的睡眠时间段。
可选地,所述预处理子模块包括:
滤波处理单元,用于对所述生理特征数据值进行中值滤波处理或均值滤波处理。
可选地,所述睡眠时间段确定子模块包括:
状态区间确定单元,用于根据与每个预设时间段对应的经过预处理后的所述生理特征数据值,确定每个所述预设时间段所属的状态区间,所述状态区间包括表征睡眠状态的睡眠区间和表征清醒状态的清醒区间;
睡眠起始点确定单元,用于如果多个所述清醒区间和目标睡眠区间相邻,将所述目标睡眠区间的睡眠区间起始时间点确定为所述用户的所述睡眠起始点;
睡眠终止点确定单元,用于如果多个所述睡眠区间和目标清醒区间相邻,将所述目标清醒区间的清醒区间起始时间点确定为所述用户的所述睡眠终止点;
睡眠时间段确定单元,用于将所述睡眠起始点和所述睡眠终止点之间的时间段确定为所述睡眠时间段。
可选地,所述状态区间单元包括:
统计子单元,用于对所述预设时间段内的经过预处理后的所述体动数据值和所述心率值进行统计,分别得到体动数据统计值和心率统计值;
第一状态区间确定子单元,用于将所述体动数据统计值低于第一体动预设值,且所述心率统计值低于第一预设值的所述预设时间段所属的状态区间确定为所述睡眠区间;
第二状态区间确定子单元,用于将所述体动数据统计值不低于所述第一体动预设值,且所述心率统计值不低于所述第二预设值的所述预设时间段所属的状态区间确定为所述清醒区间。
可选地,所述装置还包括:
睡眠状态分析结果确定模块,用于根据所述生理特征数据值对所述睡眠时间段内所述用户的睡眠状态进行分析,确定睡眠状态分析结果;
其中,所述睡眠状态分析结果包括所述用户在所述睡眠时间段内处于深睡眠状态的深睡时间段及深睡时长、处于浅睡眠状态的浅睡时间段及浅睡时长和处于快速眼动睡眠状态的快速眼动时间段及快速眼动时长中的至少一项。
可选地,所述睡眠状态分析结果确定模块包括:
睡眠状态确定子模块,用于根据所述生理特征数据值,确定所述用户在所述睡眠时间段内的每个所述预设时间段对应的睡眠状态;
计算子模块,用于计算相同所述睡眠状态对应的所述预设时间段的累积时长,得到所述睡眠状态分析结果。
可选地,所述睡眠状态确定子模块包括:
第一睡眠状态确定单元,用于如果所述预设时间段内的所述心率值均高于第一心率阈值,确定所述用户在所述预设时间段内的所述睡眠状态为所述快速眼动睡眠状态;
第二睡眠状态确定单元,用于如果所述预设时间段内的所述心率值均低于第二心率阈值,且所述预设时间段内的所述体动数据值低于第二体动预设值,确定所述用户在所述预设时间段内的所述睡眠状态为所述深睡眠状态;
第三睡眠状态确定单元,用于如果所述预设时间段内的所述睡眠状态不属于所述快速眼动睡眠状态且不属于所述深睡眠状态,确定所述用户在所述预设时间段内的所述睡眠状态为所述浅睡眠状态。
可选地,所述装置还包括:
模型训练模块,用于将所述生理特征数据值输入预设模型后,进行模型训练;
睡眠模型建立模块,用于根据模型训练结果建立睡眠模型;
标注模块,用于通过所述睡眠模型标注出所述用户在每个预设时间段所处的所述睡眠状态。
根据本公开实施例的第三方面,提供一种智能可穿戴设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行上述第一方面所述的睡眠状态分析方法。
由以上技术方案可见,智能可穿戴设备可以在采集到用户日常活动时的生理特征数据后,对其进行分析,从而确定出所述用户的睡眠时间段。通过上述过程,用户只需要佩戴智能可穿戴设备,就可以由所述智能可穿戴设备来确定所述睡眠状态分析结果,实时性高,实现简便,可用性高,提升了智能可穿戴设备智能化的同时,提升了用户体验。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是本公开根据一示例性实施例示出的一种睡眠状态分析方法流程图;
图2是本公开根据一示例性实施例示出的另一种睡眠状态分析方法流程图;
图3是本公开根据一示例性实施例示出的另一种睡眠状态分析方法流程图;
图4是本公开根据一示例性实施例示出的另一种睡眠状态分析方法流程图;
图5是本公开根据一示例性实施例示出的另一种睡眠状态分析中的场景示意图;
图6是本公开根据一示例性实施例示出的一种睡眠状态分析中的场景示意图;
图7是本公开根据一示例性实施例示出的另一种睡眠状态分析中的场景示意图;
图8是本公开根据一示例性实施例示出的一种睡眠状态分析装置框图;
图9是本公开根据一示例性实施例示出的另一种睡眠状态分析装置框图;
图10是本公开根据一示例性实施例示出的另一种睡眠状态分析装置框图;
图11是本公开根据一示例性实施例示出的一种用于睡眠状态分析的智能可穿戴设备的一结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本公开实施例中提供的方法可以用于智能可穿戴设备,包括但不限于智能手环、智能手表、智能手镯、智能戒指、智能项链、智能脚链,智能皮带等,如图1所示,图1是根据一示例性实施例示出的一种睡眠状态分析方法,包括以下步骤:
在步骤101中,采集用户日常活动时的生理特征数据值。
本公开实施例中,可选地,所述生理特征数据值至少包括用于表征所述用户日常活动时的剧烈程度的体动数据值和用于表征所述用户日常活动时的心率变化的心率值。
本步骤中,所述智能可穿戴设备可以通过加速度传感器、陀螺仪传感器或磁感应传感器按照预设频率采集所述体动数据值。同时,所述智能可穿戴设备可以通过心电传感器或光电心率传感器同样按照所述预设频率采集所述心率值。
在步骤102中,根据所述生理特征数据值确定所述用户的睡眠时间段。
可选地,步骤102如图2所示,图2是在图1所示实施例的基础上示出的另一种睡眠状态分析方法流程图,可以包括:
在步骤102-1中,对所述生理特征数据值进行预处理。
本步骤中,为了降低噪声影响和数据波动,所述智能可穿戴设备可以按照相关技术对采集到的所述生理特征数据进行中值滤波处理或均值滤波处理。如果经过滤波处理后的所述生理特征数据值中还包括异常数据点,例如心率值超过正常心率值范围的数据点,也同样需要滤除,从而确保所述用户的睡眠状态分析结果的准确性。
在步骤102-2中,根据预处理后的所述生理特征数据值,确定所述用户的睡眠时间段。
可选地,步骤102-2如图3所示,图3是在图2所示实施例的基础上示出的另一种睡眠状态分析方法流程图,可以包括:
在步骤102-21中,根据与每个预设时间段对应的经过预处理后的所述生理特征数据值,确定每个所述预设时间段所属的状态区间。
可选地,所述状态区间包括表征睡眠状态的睡眠区间和表征清醒状态的清醒区间。
本步骤中,可以先对所述预设时间段内的经过预处理后的所述体动数据值和所述心率值进行统计,分别得到体动数据统计值和心率统计值。
其中,为了确保所述用户的睡眠状态分析结果的准确性,可以对选取的所述预设时间段内的所述生理特征数据值进行叠加处理,即删除位于所述预设时间段内最前面的第一目标预设时间段的所述生理特征数据值,增加所述预设时间段后相邻的所述第一目标预设时间段的所述生理特征数据值,将得到的所述生理特征数据值确定为所述第一预设时间段对应的所述生理特征数据值。其中,所述第一目标预设时间段为针对所述叠加处理预先设定的小于所述预设时间段时长的时间段。
例如,每次对预设时间段时长为10毫秒(ms)的体动数据值进行叠加处理,所述第一目标预设时间段的时长小于所述预设时间段的时长,为2ms。在第1ms到第10ms的所述预设时间段对应的所述体动数据值中,删除第1ms到第2ms的所述体动数据值,将第11ms到第12ms的所述体动数据值增加到所述第1ms到第10ms的所述预设时间段对应的所述体动数据值中。最终,第1ms到第10ms的所述预设时间段对应的所述体动数据值为第3ms到第12ms的所述体动数据值。
同样地,所述心率值也可以采用同样的叠加处理方法进行处理。
经过上述叠加处理,可以避免所述可穿戴设备在采集所述生理特征数据值时产生的时延,确保了生理特征数据采集的准确性。另外,还可以使相邻所述预设时间段对应的所述生理特征数据值之间关联性更强,可以得到更为准确地睡眠状态分析结果。
本公开实施例中,对经过叠加处理的所述体动数据值和所述心率值按照相关技术进行统计,可以得到所述体动数据统计值和所述心率统计值。
其中,所述体动数据统计值可以包括所述体动数据值的体动目标均值、体动目标方差、所述体动目标均值与目标预设时间段的第一体动目标均值的第一体动差值、以及所述体动目标方差与所述第二目标预设时间段的第一体动目标方差的第二体动差值中的至少一项,所述第二目标预设时间段为当前所述预设时间段之前或之后的第一个所述预设时间段。
同样地,所述心率统计值可以包括所述心率值的心率目标均值、心率目标方差、所述心率目标均值与所述目标预设时间段的第一心率目标均值的第一心率差值、以及所述心率目标方差与所述目标预设时间段的第一心率目标方差的第二心率差值中的至少一项。
本公开实施例中,如果所述体动数据统计值低于第一体动预设值,且所述心率统计值低于第一预设值,则将所述预设时间段所属的状态区间确定为所述睡眠区间。如果所述体动数据统计值不低于所述第一体动预设值,且所述心率统计值不低于所述第二预设值,则将所述预设时间段所属的状态区间确定为所述清醒区间。
在步骤102-22中,如果多个所述清醒区间和目标睡眠区间相邻,将所述目标睡眠区间的睡眠区间起始时间点确定为所述用户的所述睡眠起始点。
本步骤中,如果在多个所述清醒区间与某一所述睡眠区间相邻,则该睡眠区间即为所述目标睡眠区间。可以确定所述用户由清醒状态转为睡眠状态,则将所述目标睡眠区间的睡眠区间起始时间点确定为所述用户的所述睡眠起始点。
在步骤102-23中,如果多个所述睡眠区间和目标清醒区间相邻,将所述目标清醒区间的清醒区间起始时间点确定为所述用户的所述睡眠终止点。
本步骤中,如果在多个所述睡眠区间与某一所述清醒区间相邻,则该清醒区间即为所述目标清醒区间。可以确定所述用户由睡眠状态转为清醒状态,则将所述目标清醒区间的清醒区间起始时间点确定为所述用户的所述睡眠终止点。
在步骤102-24中,将所述睡眠起始点和所述睡眠终止点之间的时间段确定为所述睡眠时间段。
本步骤中,所述睡眠起始点和所述睡眠终止点之间的时间段就是所述睡眠时间段。
本公开实施例中,基于至少包括所述体动数据值和所述心率值的所述生理特征数据值来确定所述用户的所述睡眠时间段,用户只需要佩戴智能可穿戴设备,就可以由所述智能可穿戴设备来确定所述睡眠状态分析结果,实时性高,实现简便,可用性高,提升了智能可穿戴设备智能化的同时,提升了用户体验。
进一步地,本公开实施例提供的上述睡眠状态分析方法,如图4所示,图4是在图1所示实施例的基础上示出的另一种睡眠状态分析方法流程图,还可以包括:
在步骤103中,根据所述生理特征数据值对所述睡眠时间段内所述用户的睡眠状态进行分析,确定睡眠状态分析结果。
其中,可选地,所述睡眠状态分析结果包括所述用户在所述睡眠时间段内处于深睡眠状态的深睡时间段及深睡时长、处于浅睡眠状态的浅睡时间段及浅睡时长和处于快速眼动睡眠状态的快速眼动时间段及快速眼动时长中的至少一项。
步骤103如图5所示,图5是在图4所示实施例的基础上示出的另一种睡眠状态分析方法流程图,可以包括:
在步骤103-1中,根据所述生理特征数据值,确定所述用户在所述睡眠时间段内的每个所述预设时间段对应的睡眠状态。
所述睡眠状态包括深睡眠状态、浅睡眠状态或快速眼动睡眠状态。
本公开实施例中,可以根据当前已有的用于标注所述睡眠状态的数据分期标注数据来采用不同的方式确定所述睡眠状态。如果已经获取的所述数据分期标注数据的数目未超过预设数目,即所述数据分期标注数据较少,则可以采用无监督方式确定所述睡眠状态。如果已经获取的所述数据分期标注数据的所述数目超过所述预设数目,即所述数据分期标注数据较多,则可以采用有监督方式确定所述睡眠状态。分别介绍如下。
第一种方式,无监督方式。
首先,可以根据上述心率统计值来确定第一心率阈值和第二心率阈值。可选地,可以将所述睡眠终止点对应的终止点心率值确定为所述第一心率阈值,将所述睡眠起始点对应的起始点心率值确定为所述第二心率阈值。
如果所述预设时间段内的所述心率值均高于所述第一心率阈值,则确定所述用户在所述预设时间段内的所述睡眠状态为所述快速眼动睡眠状态,如图6所示。
如果所述预设时间段内的所述心率值均低于第二心率阈值,且所述预设时间段内的所述体动数据值低于第二体动预设值,确定所述用户在所述预设时间段内的所述睡眠状态为所述深睡眠状态,同样如图6所示。
将所述睡眠状态即不属于所述快速眼动睡眠状态又不属于所述深睡眠状态的所述预设时间段的所述睡眠状态确定为所述浅睡眠状态,同样如图6所示。
第二种方式,有监督方式。
可以将步骤101采集所述生理特征数据值输入预设模型,所述预设模型可以是隐含马尔可夫模型、支持向量机、最大熵模型、感知机等,从而按照相关技术进行模型训练。根据模型训练结果建立睡眠模型。进一步地,可以基于已有的所述数据分期标注数据,对所述用户在每个预设时间段所处的所述睡眠状态进行标注。采用有监督方式还可以同步标注出所述用户在某个所述预设时间段处于清醒状态。
以隐含马尔可夫模型为例,在模型训练阶段,基于所述体动统计值和所述心率统计值,在已有的所述数据分期标注数据的基础上,统计各个睡眠状态之间的转移概率和发射概率。
其中,所述转移概率是当马尔可夫链由m个状态组成时,从任意一个状态出发,经过任意一次转移,必然出现状态1、2、……,m中的一个,这种状态之间的转移称为转移概率。所述隐含马尔可夫模型中包括隐含状态和显状态,例如用户a的某个朋友b每天根据天气{下雨,天晴}决定当天的活动{公园散步,购物,清理房间}中的一种,用户a每天只能在社交网站上看到朋友b发的信息为“啊,我前天公园散步,昨天购物,今天清理房间了!”,那么用户a可以根据朋友b发的信息推断朋友b所在地点这三天的天气。其中,显状态是朋友b的活动状态,隐含状态是天气状态。所述发射概率为所述隐含马尔可夫模型中由隐含状态表现为显状态的概率。
其中,隐含马尔可夫模型采用的特征模板可以包括:当前所述预设时间段前第二个所述预设时间段的所述体动统计值和所述心率统计值,当前所述预设时间段前第一个所述预设时间段的所述体动统计值和所述心率统计值,当前所述预设时间段的所述体动统计值和所述心率统计值,当前所述预设时间段后一个所述预设时间段的所述体动统计值和所述心率统计值,当前所述预设时间段后第二个所述预设时间段的所述体动统计值和所述心率统计值,及这些统计值的组合等。在解码阶段,可以使用Viterbi解码算法得到输出标注序列。从而对所述用户在每个所述预设时间段所处的所述睡眠状态进行标注。
通过上述方式中的任意一种,得到的所述睡眠时间段内的所述用户的所述睡眠状态示例如图7所示。
在步骤103-2中,计算相同所述睡眠状态对应的所述预设时间段的累积时长,得到所述睡眠状态分析结果。
本步骤中,可以将所有所述深睡眠状态对应的所述预设时间段的时长进行累加,得到所述深睡时长。同样地,将所有所述浅睡眠状态对应的所述预设时间段的时长进行累加,得到所述浅睡时长,将所有所述快速眼动睡眠状态对应的所述预设时间段的时长进行累加,得到所述快速眼动时长。
本公开实施例中,最终得到的所述睡眠状态分析结果可以包括所述用户处于所述深睡眠状态时的深睡时间段,包括深睡起始时间点和深睡终止时间点。同样地,所述浅睡时间段包括浅睡起始时间点和浅睡终止时间点,所述快速眼动时间段包括快速眼动起始时间点和快速眼动终止时间点。每个所述睡眠状态可以出现多次。
本公开实施例中,所述智能可穿戴设备将上述睡眠状态分析结果发送到预先绑定的智能电子设备,所述智能电子设备可以是智能手机、智能电脑、或者智能家居中的任意智能电子设备等。由所述智能电子设备进行显示,以便所述用户得知所述睡眠状态分析结果。
上述实施例中,智能可穿戴设备可以在采集到用户日常活动时的生理特征数据后,对其进行分析,从而确定出所述用户的睡眠时间段,进一步地,对所述睡眠时间段内所述用户的睡眠状态进行分析,得到所述用户的睡眠状态分析结果。其中,所述睡眠状态分析结果包括所述用户在所述睡眠时间段内处于深睡眠状态的深睡时间段及深睡时长、处于浅睡眠状态的浅睡时间段及浅睡时长和处于快速眼动睡眠状态的快速眼动时间段及快速眼动时长中的至少一项。通过上述过程,用户只需要佩戴智能可穿戴设备,就可以由所述智能可穿戴设备来确定所述睡眠状态分析结果,实时性高,实现简便,可用性高,提升了智能可穿戴设备智能化的同时,提升了用户体验。
与前述方法实施例相对应,本公开还提供了装置的实施例。
如图8所示,图8是本公开根据一示例性实施例示出的一种睡眠状态分析装置框图,包括:
数据采集模块210,用于采集用户日常活动时的生理特征数据值,所述生理特征数据值至少包括用于表征所述用户日常活动时的剧烈程度的体动数据值和用于表征所述用户日常活动时的心率变化的心率值;
睡眠时间段确定模块220,用于根据所述生理特征数据值确定所述用户的睡眠时间段。
可选地,所述数据采集模块包括:
第一采集子模块,用于通过加速度传感器、陀螺仪传感器或磁感应传感器采集所述用户日常活动时的所述生理特征数据值中的所述体动数据值;
第二采集子模块,用于通过心电传感器或光电心率传感器采集所述用户日常活动时的所述生理特征数据值中的所述心率值。
可选地,所述睡眠时间段确定模块包括:
预处理子模块,用于对所述生理特征数据值进行预处理;
睡眠时间段确定子模块,用于根据预处理后的所述生理特征数据值,确定所述用户的睡眠时间段。
可选地,所述预处理子模块包括:
滤波处理单元,用于对所述生理特征数据值进行中值滤波处理或均值滤波处理。
可选地,所述睡眠时间段确定子模块包括:
状态区间确定单元,用于根据与每个预设时间段对应的经过预处理后的所述生理特征数据值,确定每个所述预设时间段所属的状态区间,所述状态区间包括表征睡眠状态的睡眠区间和表征清醒状态的清醒区间;
睡眠起始点确定单元,用于如果多个所述清醒区间和目标睡眠区间相邻,将所述目标睡眠区间的睡眠区间起始时间点确定为所述用户的所述睡眠起始点;
睡眠终止点确定单元,用于如果多个所述睡眠区间和目标清醒区间相邻,将所述目标清醒区间的清醒区间起始时间点确定为所述用户的所述睡眠终止点;
睡眠时间段确定单元,用于将所述睡眠起始点和所述睡眠终止点之间的时间段确定为所述睡眠时间段。
可选地,所述状态区间单元包括:
统计子单元,用于对所述预设时间段内的经过预处理后的所述体动数据值和所述心率值进行统计,分别得到体动数据统计值和心率统计值;
第一状态区间确定子单元,用于将所述体动数据统计值低于第一体动预设值,且所述心率统计值低于第一预设值的所述预设时间段所属的状态区间确定为所述睡眠区间;
第二状态区间确定子单元,用于将所述体动数据统计值不低于所述第一体动预设值,且所述心率统计值不低于所述第二预设值的所述预设时间段所属的状态区间确定为所述清醒区间。
如图9所示,图9是本公开根据一示例性实施例示出的另一种睡眠状态分析装置框图,该实施例在前述图8所示实施例的基础上,所述装置还包括:
睡眠状态分析结果确定模块230,用于根据所述生理特征数据值对所述睡眠时间段内所述用户的睡眠状态进行分析,确定睡眠状态分析结果;
其中,所述睡眠状态分析结果包括所述用户在所述睡眠时间段内处于深睡眠状态的深睡时间段及深睡时长、处于浅睡眠状态的浅睡时间段及浅睡时长和处于快速眼动睡眠状态的快速眼动时间段及快速眼动时长中的至少一项。
可选地,所述睡眠状态分析结果确定模块包括:
睡眠状态确定子模块,用于根据所述生理特征数据值,确定所述用户在所述睡眠时间段内的每个所述预设时间段对应的睡眠状态;
计算子模块,用于计算相同所述睡眠状态对应的所述预设时间段的累积时长,得到所述睡眠状态分析结果。
可选地,所述睡眠状态确定子模块包括:
第一睡眠状态确定单元,用于如果所述预设时间段内的所述心率值均高于第一心率阈值,确定所述用户在所述预设时间段内的所述睡眠状态为所述快速眼动睡眠状态;
第二睡眠状态确定单元,用于如果所述预设时间段内的所述心率值均低于第二心率阈值,且所述预设时间段内的所述体动数据值低于第二体动预设值,确定所述用户在所述预设时间段内的所述睡眠状态为所述深睡眠状态;
第三睡眠状态确定单元,用于如果所述预设时间段内的所述睡眠状态不属于所述快速眼动睡眠状态且不属于所述深睡眠状态,确定所述用户在所述预设时间段内的所述睡眠状态为所述浅睡眠状态。
如图10所示,图10是本公开根据一示例性实施例示出的另一种睡眠状态分析装置框图,该实施例在前述图8所示实施例的基础上,所述装置还包括:
模型训练模块240,用于将所述生理特征数据值输入预设模型后,进行模型训练;
睡眠模型建立模块250,用于根据模型训练结果建立睡眠模型;
标注模块260,用于通过所述睡眠模型标注出所述用户在每个预设时间段所处的所述睡眠状态。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
相应的,本公开还提供一种智能可穿戴设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行上述任一项所述的睡眠状态分析方法。
本公开还提出了图11所示的根据本申请的一示例性实施例的智能可穿戴设备的示意结构图。如图11所示,在硬件层面,该智能可穿戴设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,该处理器可以执行上述的睡眠状态分析方法。当然,除了软件实现方式之外,本申请并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本公开的较佳实施例而已,并不用以限制本公开,凡在本公开的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本公开保护的范围之内。