CN107773214A - 一种最佳唤醒策略的方法、计算机可读介质和*** - Google Patents

一种最佳唤醒策略的方法、计算机可读介质和*** Download PDF

Info

Publication number
CN107773214A
CN107773214A CN201710670291.9A CN201710670291A CN107773214A CN 107773214 A CN107773214 A CN 107773214A CN 201710670291 A CN201710670291 A CN 201710670291A CN 107773214 A CN107773214 A CN 107773214A
Authority
CN
China
Prior art keywords
wake
sleep stage
fraction
user
sleep
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710670291.9A
Other languages
English (en)
Other versions
CN107773214B (zh
Inventor
宁广涵
汪灏泓
任小波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
TCL Corp
TCL Research America Inc
Original Assignee
TCL Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by TCL Corp filed Critical TCL Corp
Publication of CN107773214A publication Critical patent/CN107773214A/zh
Application granted granted Critical
Publication of CN107773214B publication Critical patent/CN107773214B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6898—Portable consumer electronic devices, e.g. music players, telephones, tablet computers
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0022—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the tactile sense, e.g. vibrations
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0027—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the hearing sense
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0083—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus especially for waking up
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/50—General characteristics of the apparatus with microprocessors or computers
    • A61M2205/502—User interfaces, e.g. screens or keyboards
    • A61M2205/505—Touch-screens; Virtual keyboard or keypads; Virtual buttons; Soft keys; Mouse touches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/04—Heartbeat characteristics, e.g. ECG, blood pressure modulation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/40—Respiratory characteristics
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/63—Motion, e.g. physical activity

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Cardiology (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Anesthesiology (AREA)
  • Acoustics & Sound (AREA)
  • Psychology (AREA)
  • Hematology (AREA)
  • Pulmonology (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种最佳唤醒策略的方法、计算机可读介质和***，所述方法包括接收用户睡眠状态的一组原始传感器数据，将一组原始传感器数据翻译为至少一个所述用户睡眠阶段，将至少一个睡眠阶段存储为所述用户睡眠阶段历史记录，根据所述原始传感器数据，决定所述用户当前睡眠阶段，根据当前睡眠状态和所述用户睡眠阶段历史记录，预测在下一个间期中的至少一个所述用户的后续睡眠阶段，计算所述当前睡眠阶段的唤醒分数和每个后续睡眠阶段的唤醒分数，根据比较所述当前睡眠阶段的唤醒分数和后续睡眠阶段的唤醒分数得到的唤醒分数来决定最佳唤醒睡眠阶段，在最佳唤醒用户的睡眠阶段，触发闹钟唤醒所述用户。

Description

一种最佳唤醒策略的方法、计算机可读介质和***
技术领域
本发明涉及计算机技术，特别涉及一种最佳唤醒策略的方法、计算机可读介质和***。
背景技术
睡眠是人们日常生活中非常重要的部分，睡眠质量严重影响人们心理和生理状态的诸多方面，例如一个人的疲惫，心情，注意力和专注度等等。高质量睡眠能够大大改变一个人生活质量。因此，出现了多种评估睡眠质量的仪器。
在夜晚，人们通常经历两个不同阶段的睡眠：快速眼动(REM)睡眠和非快速眼动(非REM)睡眠，这两个阶段可在通宵交替出现。我们将REM和非REM睡眠的周期性节奏称为睡眠周期。非REM睡眠可细分为4个亚阶段，其中非REM的每个接替的阶段都表征着一个更深度的睡眠，其中，阶段1最浅，阶段4最深，图1示出了一个典型的人类通宵睡眠的阶段。
多功能睡眠记录仪，通过对睡眠阶段(清醒，REM，非REM)进行评估以辨认不同形式的睡眠失调，仍然是睡眠质量评估的最高标准。但是，多功能睡眠记录仪会有各种限制，诸如成本，测量所需的专业知识，及加于被检查者的身体和心理压力，这些会将其应用缩小至对小众患者的短期测量。将多功能睡眠记录议应用于跟踪长期趋势或对大量人口的普查是不现实的，而以上两点是对睡眠进一步理解的关键。
有提出将体动记录仪用作为量化睡眠的更简单的替代。为了通宵测量体动，体动记录仪通常会要求被检查者穿戴一手环形的加速计。体动记录仪容易进行管理并且对被检查者来说是非入侵式的，其成本低，有利于长期使用。但是，活动记录议不能在用户满意愉悦时候唤醒用户。
本发明公开的方法及其***用于解决现有技术中的一个或者多个问题。
发明内容
本发明一方面包括一通过使用递归神经网络来预测睡眠阶段用于最佳唤醒策略的方法。所述方法包括接收一组用户睡眠状态的原始传感数据，将这组用户睡眠状态的原始传感数据翻译为所述用户的若干睡眠阶段；将所述若干睡眠阶段作为所述用户睡眠阶段的历史记录存储；根据所述原始传感数据，确定所述用户的当前睡眠阶段；根据所述用户当前睡眠阶段和睡眠阶段的历史记录，预测所述用户在下一间期中的若干后续睡眠阶段；计算当前睡眠阶段唤醒分数和每个后续睡眠阶段唤醒分数；根据比较当前睡眠阶段的唤醒分数和后续睡眠阶段的唤醒分数来确定对唤醒最佳的睡眠阶段；并且在对唤醒最佳的睡眠阶段触发闹钟，唤醒用户。
本发明一方面还包括一种具有计算机程序的非暂时性计算机可读介质，当由处理器执行时，可实现最佳唤醒策略的方法，所述最佳唤醒策略的方法包括接收关于用户睡眠状态的一组原始传感器数据，将该组原始传感器数据翻译为所述用户的多个睡眠阶段，将多个所述睡眠阶段存储为所述用户睡眠阶段的历史记录，根据所述原始传感器数据，确定所述用户的当前睡眠阶段，根据所述当前睡眠阶段和所述用户睡眠阶段的历史记录，预测所述用户在下一间期中的多个后续睡眠阶段，计算所述当前睡眠阶段的唤醒分数和每个后续睡眠阶段的唤醒分数，根据比较所述当前睡眠阶段的唤醒分数和后续睡眠阶段的唤醒分数得到的唤醒分数来确定对唤醒最佳的睡眠阶段，并在对唤醒最佳的睡眠阶段，触发闹钟，唤醒用户。
本发明另一方面提供睡眠阶段检查(SSD)模块用于接收用户睡眠状态的一组原始传感器数据，将一组原始传感器数据翻译为至少一个所述用户睡眠阶段，将至少一个睡眠阶段存储为所述用户睡眠阶段历史记录，根据所述原始传感器数据，决定所述用户当前睡眠阶段；睡眠阶段预测(SSP)模块用于根据当前睡眠状态和所述用户睡眠阶段历史记录，预测在下一个间期中的至少一个所述用户的后续睡眠阶段；唤醒分数评估模块：用于计算所述当前睡眠阶段的唤醒分数和每个后续睡眠阶段的唤醒分数；决策模块用于根据比较所述当前睡眠阶段的唤醒分数和后续睡眠阶段的唤醒分数得到的唤醒分数来决定最佳唤醒睡眠阶段；唤醒模块用于在最佳唤醒用户的睡眠阶段，触发唤醒所述用户的提醒闹钟。
本依据本发明充分公开的权利要求书、说明书、以及附图，本领域技术人员将充分理解本发明的其他方面内容。理解本发明的其他方面。
以下附图仅仅是用于解释本发明的具体实施例，并不限制本发明的范围。
附图说明
图1为典型原始传感器数据和对应的睡眠阶段；
图2为本发明具体实施方式的工作环境示意图；
图3为本发明具体实施方式的计算机***的结构框图；
图4为本发明具体实施方式的通过使用递归神经网络来预测睡眠期用于预测最佳唤醒策略的***示意图；
图5为本发明具体实施方式的通过使用递归神经网络来预测睡眠期用于最佳唤醒策略方法的流程图；
图6为本发明具体实施方式的长短期记忆递归神经网络(LSTM)记忆单元示意图；
图7为本发明具体实施方式的对睡眠阶段(序列信号)预测的多对一LSTM示意图；
图8为本发明具体实施方式的对于REM睡眠阶段唤醒分数示意图。
具体实施方式
为了便于理解本发明，下面参照阶段相关附图对本发明进行更全面的描述。下面将结合本发明实施例的附图，对本发明实施例的技术方案进行描述。除非另外指出，在各图中阶段同的参考数字用于阶段同或阶段似的部件。显然，所描述的实施例是本发明的实施例的一部分，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如上所述，人们常常在夜晚经历两个不同睡眠阶段：快速眼球转动(REM)睡眠阶段和非REM睡眠阶段，其中，两个阶段在夜晚会交替出现。所述(REM)睡眠阶段和非REM睡眠阶段这种周期节奏称为睡眠周期。非REM睡眠阶段能细分为4个亚阶段，其中每个后续的非REM阶段象征着更深度睡眠，阶段1是最浅的睡眠，阶段4是最深的睡眠。图3所示为典型的人们夜晚的睡眠阶段。某些研究表示当人们在REM睡眠阶段被唤醒会比在非REM睡眠阶段被唤醒更舒服。但是另一些研究表明非REM睡眠阶段的第一阶段是唤醒人们的理想阶段。
本发明提供了一种通过使用递归神经网络来预测睡眠阶段用于最佳唤醒策略的***，所述***可在REM阶段和第一睡眠阶段之间唤醒用户，例如当醒来时，所述用户感觉有精力而不是感到沮丧。特别是，每个睡眠阶段可由一个唤醒分数表示，并通过比较当前睡眠阶段和后续睡眠阶段的唤醒分数来得到唤醒分数，根据所述唤醒分数确定对唤醒最佳的睡眠阶段。
图2为本发明具体实施方式的工作环境200示意图，如图1所示，所述环境200包括终端202，服务器204，用户206，传感器208和网络120，其中也可以包括其他设备。
所述终端202指具有一定运算能力的任何合适的电子设备，比如可穿戴设备(包括智能手表或者智能手环)，移动电话，智能电话，平板电脑，个人电脑(PC)，服务器电脑，笔记本电脑，掌上电脑(PDA)等。
所述服务器204包括任何合适的服务器计算机或若干个向所述用户206提供个性化内容的服务器计算机。例如，所述服务器204可以是云计算服务器。所述服务器204也可能在其他服务器和所述终端202之间提供数据交流、数据存储、和数据处理。所述用户终端202，和所述服务器204可以通过一个或多个交流网络120相互交流，比如有线网络，电话网络，和/或卫星网络等。
所述用户206与与所述用户终端202进行互动，可以进行查询和检索各种内容和实现其他兴趣活动，或者若是所述用户终端202使用语音识别引擎、移动感应器、或深度阶段机，则所述用户可以通过语音、手势或肢体语言去控制所述终端202。所述用户206可能是单个用户或者若干用户，比如一个家庭。
所述传感器208可以是所述用户终端202和/或所述服务器204的内置传感器，或是与所述用户终端202和/或在所述网络120中的所述服务器204连接的外置传感器。所述传感器208可以是可穿戴绑带，所述可穿戴绑带用于监测用户晚上在床上的身体移动状况，记录如呼吸、心率等重要身体功能的信息。所述传感器208也可是监测所述用户身体移动和提供所述用户身***置的摄像头。甚至，所述传感器208可以是任意通过各种方式监测用户睡眠状态的传感器，即睡眠状态监测传感器。
所述用户终端202，和/或所述服务器204可以在任何合适的计算电路平台中实施。图2为能够实现所述用户终端202和/或所述服务器204具体实施的计算***的结构框图。
如图3所示，所述计算机***300包括所述处理器302，所述存储介质304，所述显示器306，所述通讯模块308，所述数据库314以及所述***设备312。其中某些设备可被省略，也可以包括其他设备。
所述处理器302可以包括任何合适的一个或多个处理器。具体的，所述处理器302可以包括用于多线程或并行处理的多个核心。所述存储介质304可以包括内存模块，如ROM、RAM、闪存模块和大容量存储器，比如CD-ROM和硬盘等。所述存储介质304可以存储有计算机程序，当所述处理器302执行这些计算机程序时，可以实现各种方法步骤。
具体的，所述***设备312可以包括各种传感器和I/O设备，比如键盘和鼠标等。所述通讯模块308包括用于通过交流网络建立连接的网络交互设备。所述数据库314包括一个或多个数据库用于存储某些数据以及在存储数据中的进行某些操作，如数据库搜索。
图4为本发明具体实施方式的通过使用递归神经网络来预测睡眠期用于预测最佳唤醒策略的***示意图。如图4所示，通过使用所述递归神经网络400的睡眠阶段来预测睡眠期用于最佳唤醒策略可包括睡眠阶段检测(SSD)模块401，睡眠阶段预测(SSP)模块402，唤醒分数评估模块403，决策模块404，和唤醒模块405。
所述睡眠阶段检测(SSD)模块401可用于接收一组原始传感器数据，并将所述原始传感器数据405(例如，身体移动情况或心肺功能情况)翻译成若干睡眠阶段或睡眠阶段的数据。所述睡眠阶段检测(SSD)模块401也可以称为睡眠阶段分类模块。在一具体实例中，根据每个睡眠阶段有它们独特的模式的原则，所述睡眠阶段检测(SSD)模块401可用于将所述原始传感器数据405(例如，身体移动情况或心肺功能情况)翻译成睡眠阶段数据。
例如，根据上述讨论，图1为原始传感器数据和对应的睡眠阶段的典型例子，所述SSD模块401可用于识别传感器数据特定模式和将所述模式分类到预定义的睡眠阶段类别/种类。所述睡眠阶段检测(SSD)模块401可靠地检测出具有少数噪音的睡眠阶段或生成错误检查结果，上述检测结果会被提交给所述睡眠阶段预测(SSP)模块402。
当前睡眠阶段或当前睡眠阶段数据406可以用于检测得到已翻译的若干睡眠阶段或睡眠阶段数据。另一方面，例如在过去几天，几个月甚至几年检测得到的若干所述睡眠阶段或睡眠阶段数据，可以存储为睡眠阶段数据历史记录或为了后续训练、分析等而检测所述睡眠阶段数据407历史记录，等等。所述检测睡眠阶段数据407的历史记录被存储于所述***服务器。例如，在云端记录和存储所述用户的检测睡眠阶段数据407的历史记录，同时利用机器学习技术理解在历史睡眠阶段数据407中的相互关系从而进一步分析所述历史记录。
基于所述检测睡眠阶段数据407的历史记录和已检查的所述当前睡眠阶段数据406，所述睡眠阶段预测(SSP)模块402用于预测所述用户下一个间期后续的睡眠阶段。在一实施例中，基于具有长短期记忆(LSTM)的递归神经网络(RNN)模型，所述睡眠阶段预测(SSP)模块402可用于预测所述用户下一个间期后续的睡眠阶段。从所述用户那里收集到的所述历史睡眠阶段数据407用于训练LSTM。所述睡眠阶段预测(SSP)模块402可根据所述历史睡眠阶段数据407和当前睡眠阶段数据406来预测用户后续的睡眠阶段。
所述唤醒分数评估模块403可根据所述用户睡眠阶段的唤醒满意度和等待下一个睡眠阶段的潜在风险来获取用户的睡眠阶段的唤醒分数。为了权衡所述满意度和所述风险，所述唤醒分数可以是表示合适唤醒时机的适应值函数。当所述用户在指定睡眠阶段唤醒时，睡眠阶段唤醒满意度与唤醒满意程度有关，在所述计时器409检测到称为必须唤醒限期之前，所述等待即将来临的某睡眠阶段的潜在风险相当于保留唤醒间期或保留时间。在具体实施例中，所述唤醒分数与所述唤醒满意度和潜在风险有关。
所述唤醒分数评估模块403可进一步包括唤醒分数评估模Ⅰ4031和唤醒分数评估模式Ⅱ4032。所述唤醒分数评估模块Ⅰ4031可根据所述用户当前睡眠阶段唤醒满意度和等待下一个睡眠阶段潜在风险来计算所述用户当前检测到的睡眠阶段的唤醒分数。所述唤醒分数评估模块Ⅱ4032基于所述用户后续睡眠阶段唤醒满意度和等待后续睡眠阶段的风险来计算用户后续预测的睡眠阶段的唤醒分数。
根据所述睡眠阶段预测(SSD)模块401的结果，所述睡眠阶段预测(SSP)模块的结果402，和通过所述计时器409检测的保留唤醒间隙，决策模块404用于做出最佳唤醒决定，换言之，根据唤醒分数唤醒所述用户。即，所述决策模块404输入包括所述已检测的当前睡眠阶段，在下一个间期已预测的睡眠阶段，和在称为必须唤醒时限之前所述保留时间。所述决策模块404输出包括所述最佳适应值和阶段对应的最佳唤醒策略。因此，可通过所述决策模块404确定是否立刻唤醒所述用户或者等待一段时间(换言之，在预测阶段中的最佳阶段)。
当分别评估两个选择的适应值，换言之，选择立刻唤醒所述用户或选择在预测阶段中的最佳阶段唤醒所述用户，根据新睡眠阶段检测和新睡眠阶段预测可以在每分钟(或每个其他更新的睡眠阶段时间单元)做出所述选择。
所述唤醒模块405可用于接收所述决策模块404做出唤醒所述用户的决定，和由所述决策模块404确定触发闹钟唤醒用户的时间，例如声音闹钟，震动闹钟，和声音闹钟和震动闹钟相结合等等。
特别是，所述唤醒分数评估模块Ⅰ4031和所述唤醒分数评估模块Ⅱ4032可用于测量当前睡眠阶段和下一个睡眠阶段的唤醒满意度.。当所述用户在当前睡眠阶段被唤醒时，当前睡眠阶段唤醒满意度指的是唤醒时的满意程度。当用户在后续睡眠阶段唤醒后，所述后续睡眠阶段唤醒满意度指的是唤醒满意度程度。
现有技术中也提供了一种通过使用递归神经网络来预测睡眠期用于最佳唤醒策略的***及方法，图5为本发明具体实施方式的通过使用递归神经网络来预测睡眠期用于最佳唤醒策略方法的流程图。
如图5所示，首先，接收一组原始传感器数据(人体移动情况或心肺功能情况)并将其翻译为所述用户的若干睡眠阶段(S502)。
特别是，可通过例如智能手机，可穿戴智能手环等等来提供所述原始传感器数据，上述装置是能够感知到用户在床上身体移动情况和/或心肺功能情况。可通过各种方法将所述原始传感器数据(移动情况或心肺功能情况)转换成用户当前的睡眠阶段，一切上述转换的依据每个睡眠阶段有独特的模式。
可定义所述步骤S502为睡眠阶段分类步骤。比如，在所述步骤S502中，分辨传感器数据的特定模式以及将这些模式分类入预先设定好的睡眠阶段的类别/种类。将所述用户睡眠阶段分类视作模式分类问题，并采用生成的模块解决模式分类问题。
进一步，根据当前睡眠状态时刻接收的原始传感器数据(人体移动情况或心肺功能情况)，检查所述用户当前的睡眠阶段(S504)。
与此同时，为进一步训练，分析等等，存储多个所述用户睡眠阶段作为历史睡眠阶段数据或已检测睡眠阶段数据的历史记录(S506)。
在***服务器里存储已检测的睡眠阶段数据历史。例如，记录所述用户的睡眠阶段历史并将其存储在云端，利用机器学习技术学习理解睡眠阶段数据内的相关性从而进一步分析所述用户的睡眠阶段历史。
根据所述用户的当前睡眠和已检测的睡眠阶段的历史记录，可预测下一个间期中所述用户若干后续睡眠阶段(S508)。例如，确定每30分钟作为一个单位间期，在单位间期中，一分钟一次预测所述用户睡眠阶段。因此，30分钟间期可预测30个后续睡眠阶段。
所述用户后续睡眠阶段的预测可视作回归问题，并采用判别模型去解决回归问题。在一实施例中，根据具有长短期记忆(LSTM)的递归神经网络(RNN)模块，可预测下一个间期所述用户的后续睡眠阶段。
应用时空信息的传统分类方法常常包括计算多个在固定数量的时间窗上的统计函数。基于此，统计分离器如支持向量机(SVM)用于分配来预测的种类。采用在具体实施例中的所述LSTM RNN通过动态分类向静态分类器提供选择，其中时间窗的数字不是固定的。例如通过传统RNN不能实现动态分类。因为传统的RNN不能接近远程环境，这是因为随时间推移，反向传播错误不是填充错误就是衰退错误，这被称为梯度消失问题。相对的，LSTMRNN可克服梯度消失问题，并能够在大量语境信息中模仿自学。
图6为本发明具体实施方式的长短期记忆递归神经网络(LSTM)记忆单元。如图6所示，与标准的RNNs不同，所述LSTM结构可用存储单元存储和输出信息，发现能更好地接收远程暂时关系。让σ＝(1+e-x)-1表示非线性sigmoid函数在[0，1]范围内选择入实数输入，其中LSTM根据时间戳t更新，所述时间戳t是给定输入xt,ht-1的，和ct-1，如下所示：
it＝σ(Wxixt+Whiht-1+bi) (1)
ft＝σ(Wxfxt+Whht-1+bf) (2)
ot＝σ(Wxoxt+Whoht-1+bo) (3)
gt＝σ(Wxcxt+Whcht-1+bc) (4)
ht＝ot⊙φ(ct) (5)
LSTM能够进行序列处理，也可以进行远程语境学习。对于睡眠阶段，数据可以是远程的。例如，确定每隔30分钟作为单元区间，在所述单元区间中可多次改变所述睡眠阶段。图7所示为本发明具体实施方式的对睡眠阶段(序列信号)预测的多对一LSTM。如图7所示，每分钟一次用所述LSTM预测所述用户睡眠阶段，并更新相应的预测睡眠阶段，这样，可以得到后续睡眠阶段预测的30分钟的数据库。
收集用户的历史睡眠阶段数据可用来训练LSTM。例如，选择睡眠阶段数据的90分钟数据库作为LSTM输入，并且将睡眠阶段数据的之后的30分钟数据库作为背景真实数据。当用大量数据训练时，所述LSTM可学习所述广义模式。特别是，量化所述睡觉阶段数据和按每个单元30维向量进行压缩，所述LSTM可满足一个系列单元的一个预测。在具体实施例中，如图7所示，睡眠阶段数据3个单元，即：5:30-6:00，6:00-6:30,和6:30-7:00这三个时间段的睡眠数据，可用于预测睡眠阶段下一个单元，也就是7:00-7:30睡眠阶段数据，这是通过另一个长度为30的向量表示。
采用均方误差(MSE)训练LSTM：
其中，Vpred指已预测向量，Vtarget是指真实背景数据，||·||是指欧式范数的平方。对随机最佳采用所述亚当方法。
在检查所述当前睡眠阶段和预测在下一个间隔中所述用户多个后续睡眠阶段后，计算当前睡眠阶段的唤醒分数和每个后续睡眠阶段(S510)。
给定睡眠阶段在线序列，预测在下一个时隙的所述睡眠阶段。本发明提供方法可在适合时候唤醒所述用户，这个唤醒时刻对应最大满意度。然而，从某个程度上来说，所述睡眠阶段预测有可能与用户睡眠阶段的真实观察到的情况不相同。因此本发明***所述策略是考虑到需要调整的。
特别是，有很多原因会导致对睡眠阶段的预测与睡眠阶段的实际情况不同。例如，所述数据不足，神经网络无法充分学习广义模型；由于年纪和日常行为，用户的本身睡眠模型可随着时间改变；先前的所述睡眠阶段检测步骤不可避免包括噪音，所述噪音会在下一程序中被转化入睡眠阶段预测的内容；在睡眠中，其他外在因素也可影响所述用户睡眠质量，例如，突然的噪音，光照条件改变，等等。
因此，根据所述睡眠阶段预测结果，极其需要以下信息：所述当前检测睡眠阶段的结果，保留唤醒间期的预算值，何时决定唤醒用户的计划。如果做出错误预测，更多保留时间意味着更多机会去成功执行后续闹铃触发以唤醒用户，同时更少的时间意味着更高的紧迫性。
为了权衡满意度和风险，一个适应值函数用于描述唤醒的最佳情况，也叫做唤醒分数。Sw表示所述唤醒分数，如下所示：
Sw＝fw(s,t) (7)
其中s表示被评估的睡眠阶段，并且t表示在被评估的睡眠阶段和唤醒限期之间的时间间隙。进一步，某一睡眠阶段所述唤醒分数Sw与某个睡眠阶段的唤醒满意度Sa和下一个睡眠阶段等待的潜在风险有关(可能无关)。所述潜在风险由急迫因素表示，用U表示所述急迫因素：
U＝fu(s,t) (8)
所述当前睡眠阶段唤醒满意度是指用户在当前睡眠阶段醒来时的唤醒满意程度。所述后续睡眠阶段唤醒满意度是指用户在后续睡眠阶段醒来时的唤醒满意程度。
为了衡量所述唤醒满意程度，唤醒阶段和对应满意价值之间的映射关系被建立起来。经验定义所述映射，所述REM和第一睡眠阶段分数最大。Sa是指唤醒满意度，Sa是s和t的类函数，如下所示
Sa＝fs(s,t) (9)
因此，如下为在所述唤醒分数Sw和所述唤醒满意度Sa之间的相关关系的公式
fw(s,t)＝fs(s,t)×(1-fu(s,t)) (10)
图8为本发明具体实施方式的对于REM睡眠阶段唤醒分值。如图8所示，根据所述满意度函数fs(s,t)和所述急迫度函数fu(s,t)，可得出出每个睡眠阶段的唤醒分数函数fw(s,t)。如果意外产生错误预测，更多保留时间意味着更多后续成功触发闹钟唤醒用户的机会，与此同时，更少时间意外着更高程度的风险。
特别是，通过定义对应的唤醒满意度和急迫度因素可经验性地得到每一个睡眠阶段的唤醒分数。其他睡眠阶段(例如，非REM睡眠阶段)可以有直观的满意度函数fs(s,t)，但是都有同样的急迫度函数fu(s,t)。
在计算每个睡眠阶段唤醒分数后，做出唤醒或唤醒所述用户的最佳决定(S512)。特别是，所述唤醒分数决策模块以采用何时唤醒用户的最佳方式做出最佳决定。
所述决策模块的输入可以是在已检测的当前睡眠阶段，在下一间期中已预测的睡眠阶段，和称为必须醒来的期限前的保留时间。所述决策模块输出最佳适应值和相对应的唤醒策略，因此，决定是否立即唤醒所述用户还是等待一段时间(换言之，在预测阶段中最佳步骤)。具有最佳适应值的时刻被称为最佳睡眠阶段。
当分别评估两个选择的适应值，换言之，立即唤醒所述用户或在预测阶段中最佳阶段唤醒所述用户，根据新睡眠阶段检测和新睡眠阶段预测，每分钟可以做出上述选择(或者更新其他时间单位的每个睡眠阶段)。
所述最佳适应值，指Lfitness，可写成
Lfitness＝F(f'w(s',tc),maxs∈S(fw(s,ts))) (11)
其中，f'w(s',tc)是指当前时间阶段tc下当前睡眠阶段s'的唤醒分数，其中，在SSD步骤中检测得所述唤醒分数，即S502。fw(s,ts)指在它对应时间ts中睡眠阶段s的唤醒分数，其中，在SSP阶段中预测所述唤醒分数，即S504。因此通过对Lfitness在取最大值可在决策阶段实现最佳策略，即S510。
所述策略或标准F可以生成也可以被替换。在具体实施例中，当平衡后续预测与当前检测时，所述策略或标准F是用于选取上述两者中较高者的最大函数。在另一个具体实施例，一方面可以给予更大的权重，强调机会成本的确定性，或者换成产品语言，就是满意度是指较少产生不愉快。
在做出唤醒用户的决定之后，在决定的最佳唤醒时刻会触发闹钟唤醒用户(S514)。所述唤醒用户的闹钟可以是声音闹钟，震动闹钟，和结合了声音和震动的闹钟，等等。
睡眠是人们日常生活中非常重要的部分，睡眠质量影响人们心理和生理健康许多方面，例如一个人的疲惫，心情，注意力和专注度，等等。本具体实施通过使用递归神经网络来预测睡眠阶段用于最佳唤醒策略***和方法可以唤醒处在REM睡眠阶段和第一睡眠阶段之间的所述用户，在用户醒来时候能够感到精力充沛而不是沮丧。在所述睡眠阶段预测(SSP)模块使用递归神经网络。通过睡眠阶段预测(SSP)模块生成的结果和睡眠阶段检测(SSD)模块生成的结果，确定最佳唤醒策略。
通过经验来分配每个睡眠阶段适应值函数，其中，适应值函数指在时间保留唤醒区间的唤醒分数，所述决策模块可结合对应睡眠阶段的舒适度与紧迫度进行评估。因此，本申请发明***不仅由睡眠阶段预测模块带来好处，也可以接收不确定性和规避错误预测带来的高机率成本。
这些技术将进一步转化，本发明具体实施例提供将各种显示模块和方法步骤用做电子硬件，计算机软件，或者软硬件结合。为了清楚说明软硬件的互换性，各种单元和步骤已在上文就其功能进行描述。在软硬件上是否能够实施此功能取决于具体应用和对全***的限制。本领域技术人员可以对于每个具体申请采用各种方法实施上述描述的功能，但是不应该将这些实施决定解释为不在本发明保护范围内。
本发明提供实例用于向本领域普通技术人员描述本发明。对所述实例的各种修改对本领域普通技术人员是显而易见的，并且在本发明实施例中给出的一般性原则在不脱离本发明的精神或者保护范围的情况下，也可以应用于其他实施例中。因此，本发明不限于本文所述实例中，而应给予本发明实例所述原则和新特征的更广范的领域。

Claims (20)

1.一种最佳唤醒策略的方法，其特征在于，包括：
接收关于用户睡眠状态的一组原始传感器数据；
将该组原始传感器数据翻译为所述用户的多个睡眠阶段；
将多个所述睡眠阶段存储为所述用户睡眠阶段的历史记录；
根据所述原始传感器数据，确定所述用户的当前睡眠阶段；
根据所述当前睡眠阶段和所述用户睡眠阶段的历史记录，预测所述用户在下一间期中的多个后续睡眠阶段；
计算所述当前睡眠阶段的唤醒分数和每个后续睡眠阶段的唤醒分数；
根据比较所述当前睡眠阶段的唤醒分数和后续睡眠阶段的唤醒分数得到的唤醒分数来确定对唤醒最佳的睡眠阶段；及
在对唤醒最佳的睡眠阶段，触发闹钟，唤醒用户。
2.根据权利要求1所述的最佳唤醒策略的方法，其特征在于，将该组原始传感器数据翻译为所述用户的多个睡眠阶段，还包括：
识别所述原始传感器数据的模式并将该模式分类到预定义的睡眠阶段类别/种类。
3.根据权利要求1所述的最佳唤醒策略的方法，其特征在于，所述用户睡眠状态的所述原始传感器数据至少包括所述用户睡眠期间的人体移动数据和心肺功能数据中的一个数据。
4.根据权利要求1所述的最佳唤醒策略的方法，其特征在于，根据所述当前睡眠阶段和所述用户的睡眠阶段的历史记录，预测所述用户在下一间期中的多个后续睡眠阶段还包括：
基于使用长短期记忆模型的递归神经网络模块，预测在下一个间期中用户的多个所述后续睡眠阶段，此处σ＝(1+e-x)-1指非线性sigmoid函数，其实值输入位于[0，1]范围，其中长短期记忆根据时间戳t更新，给定输入xt，ht-1和ct-t，记为：
it＝σ(Wxixt+Whiht-1+bi)
ft＝σ(Wxfxt+Whht-1+bf)
ot＝σ(Wxoxt+Whoht-1+bo)
gt＝σ(Wxcxt+Whcht-1+bc)
ht＝ot⊙φ(ct)。
5.根据权利要求1所述的最佳唤醒策略的方法，其特征在于，计算所述当前睡眠阶段的唤醒分数和每个后续睡眠阶段的唤醒分数具体包括：
唤醒分数与对应的睡眠阶段唤醒满意度和等待所述下一个对应睡眠阶段的潜在风险有关。
6.根据权利要求5所述的最佳唤醒策略的方法，其特征在于，
所述唤醒分数Sw和所述唤醒满意度Sa之间的关系是
fw(s,t)＝fs(s,t)×(1-fu(s,t))，
其中，Sw指所述唤醒分数，Sw＝fw(s,t)，s指待评估的睡眠阶段，t指在待评估睡眠阶段和唤醒限期之间的时间间隙，fw(s,t)是唤醒分数功能，U是指等待下一睡眠阶段的潜在风险，U＝fu(s,t)，fu(s,t)是急迫度函数，Sa指所述唤醒满意度，Sa＝fs(s,t)，fs(s,t)是满意函数。
7.根据权利要求1所述的最佳唤醒策略的方法，其特征在于，根据比较所述当前睡眠阶段的唤醒分数和后续睡眠阶段的唤醒分数得到的唤醒分数来确定对唤醒最佳的睡眠阶段还包括：
确定具有最佳适应值的用于唤醒的最佳睡眠阶段，其中用Lfit輠ess表示所述最佳适应值，如下所示，
Lfit輠ess＝F(f'w(s',tc),maxs∈S(fw(s,ts)))
其中，f'w(s',tc)表示在当前时间tc内所述当前睡眠阶段s'的唤醒分数，fw(s,ts)指在相应的时间ts内所述后续睡眠阶段s的唤醒分数，S是指多个所述后续睡眠阶段，且F是指唤醒策略或唤醒标准。
8.根据权利要求6所述的最佳唤醒策略的方法，其特征在于，
所述唤醒策略F是一最大值函数，用于从所述当前睡眠阶段和多个所述后续睡眠阶段中选择具有最大唤醒分数的睡眠阶段。
9.一种具有计算机程序的非暂时性计算机可读介质，当由处理器执行时，可实现最佳唤醒策略的方法，所述最佳唤醒策略的方法包括：
接收关于用户睡眠状态的一组原始传感器数据；
将该组原始传感器数据翻译为所述用户的多个睡眠阶段；
将多个所述睡眠阶段存储为所述用户睡眠阶段的历史记录；
根据所述原始传感器数据，确定所述用户的当前睡眠阶段；
根据所述当前睡眠阶段和所述用户睡眠阶段的历史记录，预测所述用户在下一间期中的多个后续睡眠阶段；
计算所述当前睡眠阶段的唤醒分数和每个后续睡眠阶段的唤醒分数；
根据比较所述当前睡眠阶段的唤醒分数和后续睡眠阶段的唤醒分数得到的唤醒分数来确定对唤醒最佳的睡眠阶段；及
在对唤醒最佳的睡眠阶段，触发闹钟，唤醒用户。
10.根据权利要求9所述的具有计算机程序的非暂时性计算机可读介质，其特征在于，将该组原始传感器数据翻译为所述用户的多个睡眠阶段，还包括：
识别所述原始传感器数据的模式并将该模式分类到预定义的睡眠阶段类别/种类；
所述用户睡眠状态的所述原始传感器数据至少包括所述用户睡眠期间的人体移动数据和心肺功能数据中的一个数据。
11.根据权利要求9所述的具有计算机程序的非暂时性计算机可读介质，其特征在于，根据所述当前睡眠阶段和所述用户的睡眠阶段的历史记录，预测所述用户在下一间期中的多个后续睡眠阶段还包括：
基于使用长短期记忆模型的递归神经网络模块，预测在下一个间期中用户的多个所述后续睡眠阶段，此处σ＝(1+e-x)-1指非线性sigmoid函数，其实值输入位于[0，1]范围，其中长短期记忆根据时间戳t更新，给定输入xt，ht-1和ct-1，记为：
it＝σ(Wxixt+Whiht-1+bi)
ft＝σ(Wxfxt+Whht-t+bf)
ot＝σ(Wxoxt+Whoht-t+bo)
gt＝σ(WxCxt+Whcht-t+bc)
ht＝ot⊙φ(ct)。
12.根据权利要求9所述的具有计算机程序的非暂时性计算机可读介质，其特征在于，计算所述当前睡眠阶段的唤醒分数和每个后续睡眠阶段的唤醒分数具体包括：
唤醒分数与对应的睡眠阶段唤醒满意度和等待所述下一个对应睡眠阶段的潜在风险有关，所述唤醒分数Sw和所述唤醒满意度Sa之间的关系是
fw(s,t)＝fs(s,t)×(t-fu(s,t))，
其中，Sw指所述唤醒分数，Sw＝fw(s,t)，s指待评估的睡眠阶段，t指在待评估睡眠阶段和唤醒限期之间的时间间隙，fw(s,t)是唤醒分数功能，U是指等待下一睡眠阶段的潜在风险，U＝fu(s,t)，fu(s,t)是急迫度函数，Sa指所述唤醒满意度，Sa＝fs(s,t)，fs(s,t)是满意函数。
13.根据权利要求9所述的具有计算机程序的非暂时性计算机可读介质，其特征在于，根据比较所述当前睡眠阶段的唤醒分数和后续睡眠阶段的唤醒分数得到的唤醒分数来确定对唤醒最佳的睡眠阶段还包括：
确定具有最佳适应值的用于唤醒的最佳睡眠阶段，其中用Lfit輠ess表示所述最佳适应值，如下所示，
Lfit輠ess＝F(f'w(s',tc),maxs∈S(fw(s,ts)))
其中，f'w(s',tc)表示在当前时间tc内所述当前睡眠阶段s'的唤醒分数，fw(s,ts)指在相应的时间ts内所述后续睡眠阶段s的唤醒分数，S是指多个所述后续睡眠阶段，且F是指唤醒策略或唤醒标准。
14.根据权利要求13所述的具有计算机程序的非暂时性计算机可读介质，其特征在于，所述唤醒策略F是一最大值函数，用于从所述当前睡眠阶段和多个所述后续睡眠阶段中选择具有最大唤醒分数的睡眠阶段。
15.一种最佳唤醒策略的***，其特征在于，包括：
睡眠阶段检查模块：用于接收关于用户睡眠状态的一组原始传感器数据，将该组原始传感器数据翻译为所述用户的多个睡眠阶段，将多个所述睡眠阶段存储为所述用户睡眠阶段的历史记录，根据所述原始传感器数据，确定所述用户的当前睡眠阶段；
睡眠阶段预测模块：用于根据所述当前睡眠阶段和所述用户睡眠阶段的历史记录，预测所述用户在下一间期中的多个后续睡眠阶段；
唤醒分数评估模块：用于计算所述当前睡眠阶段的唤醒分数和每个后续睡眠阶段的唤醒分数；
决策模块：用于根据比较所述当前睡眠阶段的唤醒分数和后续睡眠阶段的唤醒分数得到的唤醒分数来确定对唤醒最佳的睡眠阶段；
唤醒模块：用于在对唤醒最佳的睡眠阶段，触发闹钟，唤醒用户。
16.根据权利要求15所述最佳唤醒策略的***，其特征在于，睡眠阶段检查模块包括：
识别所述原始传感器数据的模式并将该模式分类到预定义的睡眠阶段类别/种类；
所述用户睡眠状态的所述原始传感器数据至少包括所述用户睡眠期间的人体移动数据和心肺功能数据中的一个数据。
17.根据权利要求15所述最佳唤醒策略的***，其特征在于，睡眠阶段预测模块包括：
基于使用长短期记忆模型的递归神经网络模块，预测在下一个间期中用户的多个所述后续睡眠阶段，此处σ＝(1+e-x)-1指非线性sigmoid函数，其实值输入位于[0，1]范围，其中长短期记忆根据时间戳t更新，给定输入xt，ht-1和ct-1，记为：
it＝σ(Wxixt+Whiht-1+bi)
ft＝σ(Wxfxt+Whht-1+bf)
ot＝σ(Wxoxt+Whoht-1+bo)
gt＝σ(Wxcxt+Whcht-1+bc)
ht＝ot⊙φ(ct)。
18.根据权利要求15所述最佳唤醒策略的***，其特征在于，唤醒分数评估模块具体包括：
唤醒分数与对应的睡眠阶段唤醒满意度和等待所述下一个对应睡眠阶段的潜在风险有关；
所述唤醒分数Sw和所述唤醒满意度Sa之间的关系是
fw(s,t)＝fs(s,t)×(1-fu(s,t))，
其中，Sw指所述唤醒分数，Sw＝fw(s,t)，s指待评估的睡眠阶段，t指在待评估睡眠阶段和唤醒限期之间的时间间隙，fw(s,t)是唤醒分数功能，U是指等待下一睡眠阶段的潜在风险，U＝fu(s,t)，fu(s,t)是急迫度函数，Sa指所述唤醒满意度，Sa＝fs(s,t)，fs(s,t)是满意函数。
19.根据权利要求15所述最佳唤醒策略的***，其特征在于，决策模块包括：
确定具有最佳适应值的用于唤醒的最佳睡眠阶段，其中用Lfit輠ess表示所述最佳适应值，如下所示，
Lfit輠ess＝F(f'w(s',tc),maxs∈S(fw(s,ts)))
其中，f'w(s',tc)表示在当前时间tc内所述当前睡眠阶段s'的唤醒分数，fw(s,ts)指在相应的时间ts内所述后续睡眠阶段s的唤醒分数，S是指多个所述后续睡眠阶段，且F是指唤醒策略或唤醒标准。
20.根据权利要求19所述最佳唤醒策略的***，其特征在于，
所述唤醒策略F是一最大值函数，用于从所述当前睡眠阶段和多个所述后续睡眠阶段中选择具有最大唤醒分数的睡眠阶段。
CN201710670291.9A 2016-08-26 2017-08-08 一种最佳唤醒策略的方法、计算机可读介质和*** Active CN107773214B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/248,639 US10636524B2 (en) 2016-08-26 2016-08-26 Method and system for optimized wake-up strategy via sleeping stage prediction with recurrent neural networks
US15/248,639 2016-08-26

Publications (2)

Publication Number Publication Date
CN107773214A true CN107773214A (zh) 2018-03-09
CN107773214B CN107773214B (zh) 2021-04-13

Family

ID=61242703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710670291.9A Active CN107773214B (zh) 2016-08-26 2017-08-08 一种最佳唤醒策略的方法、计算机可读介质和***

Country Status (2)

Country Link
US (1) US10636524B2 (zh)
CN (1) CN107773214B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109343821A (zh) * 2018-10-25 2019-02-15 珠海格力电器股份有限公司 声音播放方法、装置、存储介质及电子装置
CN109635079A (zh) * 2018-10-25 2019-04-16 北京中关村科金技术有限公司 一种用户意图的确定方法、装置、计算机设备和存储介质
CN110101366A (zh) * 2019-04-26 2019-08-09 华南师范大学 一种睡眠监测***
CN111282126A (zh) * 2020-01-19 2020-06-16 珠海格力电器股份有限公司 睡眠唤醒方法和装置
CN111568380A (zh) * 2020-05-19 2020-08-25 北京顺源开华科技有限公司 基于睡醒时间预测的闹钟设定方法、装置和设备
CN112168139A (zh) * 2019-07-05 2021-01-05 腾讯科技（深圳）有限公司 一种健康监控方法、装置及存储介质
CN112932225A (zh) * 2021-01-29 2021-06-11 青岛海尔空调器有限总公司 智能唤醒枕头以及基于智能唤醒枕头的唤醒方法
CN113168216A (zh) * 2018-10-26 2021-07-23 戴尔产品有限公司 用于预测***响应的聚合随机方法
CN113641114A (zh) * 2020-04-27 2021-11-12 青岛海尔空调器有限总公司 智能起床场景的环境控制方法及***
CN113941071A (zh) * 2021-12-20 2022-01-18 深圳市心流科技有限公司 基于脑电的睡眠唤醒方法、装置、智能终端及存储介质
CN114543318A (zh) * 2022-01-29 2022-05-27 青岛海尔空调器有限总公司 用于监测睡眠的方法及装置、空调器、存储介质
CN116808391A (zh) * 2023-06-29 2023-09-29 北京理工大学 一种基于生理信号解码的睡眠唤醒方法和***

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11202882B2 (en) * 2016-12-06 2021-12-21 Koninklijke Philips N.V. System and method for facilitating wakefulness
US11432778B2 (en) * 2017-01-24 2022-09-06 General Electric Company Methods and systems for patient monitoring
FI128547B (en) * 2018-09-19 2020-07-31 Oura Health Oy Method, mobile device and system for optimizing a wake-up alarm for two or more people
CN109243610A (zh) * 2018-09-25 2019-01-18 中山乐心电子有限公司 评估用户生理状态的方法及装置
CN113677270A (zh) * 2019-03-28 2021-11-19 皇家飞利浦有限公司 基于额叶脑活动监测传感器的信息增强深度睡眠
CN111860621B (zh) * 2020-06-30 2024-05-03 贵州民族大学 一种数据驱动的分布式交通流量预测方法及***
CN113261982B (zh) * 2021-04-01 2023-01-06 复旦大学 一种基于眼电的便携式智能睡眠眼罩
US20230059947A1 (en) * 2021-08-10 2023-02-23 Optum, Inc. Systems and methods for awakening a user based on sleep cycle

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1713850A (zh) * 2002-10-09 2005-12-28 电脑医师有限公司 在治疗性处理中保持和监测睡眠质量的方法和装置
US20060293608A1 (en) * 2004-02-27 2006-12-28 Axon Sleep Research Laboratories, Inc. Device for and method of predicting a user's sleep state
US20100099954A1 (en) * 2008-10-22 2010-04-22 Zeo, Inc. Data-driven sleep coaching system
WO2013090479A2 (en) * 2011-12-12 2013-06-20 Loree Leonor F Easy wake system and method
WO2013093686A1 (en) * 2011-12-20 2013-06-27 Koninklijke Philips Electronics N.V. Apparatus and method for monitoring a sleeping person
CN104257387A (zh) * 2014-09-23 2015-01-07 京东方科技集团股份有限公司 睡眠唤醒***及方法
JP2015161542A (ja) * 2014-02-26 2015-09-07 セイコーエプソン株式会社 報知装置及び制御方法
CN104905779A (zh) * 2015-06-09 2015-09-16 惠州Tcl移动通信有限公司 一种基于移动终端的睡眠提醒方法、***和移动终端
CN105142515A (zh) * 2013-04-05 2015-12-09 赫尔比公司 测定有利于唤醒的人类睡眠阶段的方法
CN105833411A (zh) * 2016-03-03 2016-08-10 太原特玛茹电子科技有限公司 一种新型智能助眠和自然唤醒的方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1713850A (zh) * 2002-10-09 2005-12-28 电脑医师有限公司 在治疗性处理中保持和监测睡眠质量的方法和装置
US20060293608A1 (en) * 2004-02-27 2006-12-28 Axon Sleep Research Laboratories, Inc. Device for and method of predicting a user's sleep state
US20100099954A1 (en) * 2008-10-22 2010-04-22 Zeo, Inc. Data-driven sleep coaching system
WO2013090479A2 (en) * 2011-12-12 2013-06-20 Loree Leonor F Easy wake system and method
WO2013093686A1 (en) * 2011-12-20 2013-06-27 Koninklijke Philips Electronics N.V. Apparatus and method for monitoring a sleeping person
CN105142515A (zh) * 2013-04-05 2015-12-09 赫尔比公司 测定有利于唤醒的人类睡眠阶段的方法
JP2015161542A (ja) * 2014-02-26 2015-09-07 セイコーエプソン株式会社 報知装置及び制御方法
CN104257387A (zh) * 2014-09-23 2015-01-07 京东方科技集团股份有限公司 睡眠唤醒***及方法
CN104905779A (zh) * 2015-06-09 2015-09-16 惠州Tcl移动通信有限公司 一种基于移动终端的睡眠提醒方法、***和移动终端
CN105833411A (zh) * 2016-03-03 2016-08-10 太原特玛茹电子科技有限公司 一种新型智能助眠和自然唤醒的方法及装置

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635079A (zh) * 2018-10-25 2019-04-16 北京中关村科金技术有限公司 一种用户意图的确定方法、装置、计算机设备和存储介质
CN109343821A (zh) * 2018-10-25 2019-02-15 珠海格力电器股份有限公司 声音播放方法、装置、存储介质及电子装置
CN113168216A (zh) * 2018-10-26 2021-07-23 戴尔产品有限公司 用于预测***响应的聚合随机方法
CN110101366A (zh) * 2019-04-26 2019-08-09 华南师范大学 一种睡眠监测***
CN112168139A (zh) * 2019-07-05 2021-01-05 腾讯科技（深圳）有限公司 一种健康监控方法、装置及存储介质
CN111282126A (zh) * 2020-01-19 2020-06-16 珠海格力电器股份有限公司 睡眠唤醒方法和装置
CN113641114A (zh) * 2020-04-27 2021-11-12 青岛海尔空调器有限总公司 智能起床场景的环境控制方法及***
CN111568380A (zh) * 2020-05-19 2020-08-25 北京顺源开华科技有限公司 基于睡醒时间预测的闹钟设定方法、装置和设备
CN112932225A (zh) * 2021-01-29 2021-06-11 青岛海尔空调器有限总公司 智能唤醒枕头以及基于智能唤醒枕头的唤醒方法
CN112932225B (zh) * 2021-01-29 2023-07-18 青岛海尔空调器有限总公司 智能唤醒枕头以及基于智能唤醒枕头的唤醒方法
CN113941071A (zh) * 2021-12-20 2022-01-18 深圳市心流科技有限公司 基于脑电的睡眠唤醒方法、装置、智能终端及存储介质
CN114543318A (zh) * 2022-01-29 2022-05-27 青岛海尔空调器有限总公司 用于监测睡眠的方法及装置、空调器、存储介质
CN116808391A (zh) * 2023-06-29 2023-09-29 北京理工大学 一种基于生理信号解码的睡眠唤醒方法和***
CN116808391B (zh) * 2023-06-29 2023-12-26 北京理工大学 一种基于生理信号解码的睡眠唤醒方法和***

Also Published As

Publication number Publication date
US20180060507A1 (en) 2018-03-01
CN107773214B (zh) 2021-04-13
US10636524B2 (en) 2020-04-28

Similar Documents

Publication Publication Date Title
CN107773214A (zh) 一种最佳唤醒策略的方法、计算机可读介质和***
Quaid et al. Wearable sensors based human behavioral pattern recognition using statistical features and reweighted genetic algorithm
CN107784357B (zh) 基于多模态深度神经网络的个性化智能唤醒***及方法
Serpush et al. Wearable sensor‐based human activity recognition in the smart healthcare system
Chen et al. Intelligent fall detection method based on accelerometer data from a wrist-worn smart watch
JP5250827B2 (ja) 行動履歴の生成方法及び行動履歴の生成システム
Kwon et al. Recognition of daily human activity using an artificial neural network and smartwatch
Shany et al. Are we stumbling in our quest to find the best predictor? Over‐optimism in sensor‐based models for predicting falls in older adults
KR102053604B1 (ko) 수면 분석 방법 및 이를 이용한 수면 분석 디바이스
WO2021121226A1 (zh) 一种心电信号的预测方法、装置、终端以及存储介质
US20220167916A1 (en) Intelligent diet, sleep and stress management
CN105232063B (zh) 用户心理健康检测方法及智能终端
Wang et al. A deep learning-based high-temperature overtime working alert system for smart cities with multi-sensor data
Thiemjarus et al. Context Aware Sensing
Olsen Detecting Human Emotions Using Smartphone Accelerometer Data
Bastaki et al. Intelligent assisted living framework for monitoring elders
Duffy et al. An investigation into smartphone based weakly supervised activity recognition systems
US11906540B1 (en) Automatic detection of falls using hybrid data processing approaches
EP4224373A1 (en) System for forecasting a mental state of a subject and method
US20230210503A1 (en) Systems and Methods for Generating Menstrual Cycle Cohorts and Classifying Users into a Cohort
Mustafa A Study of Machine Learning Techniques based on Human Daily Living Activities via Inertial Sensors
Barot et al. Achieving Energy Efficiency in Life-Logging Applications of Internet of Things Using Data Compression Through Incorporation of Machine Learning and Edge-Cloud Architecture
US20240090827A1 (en) Methods and Systems for Improving Measurement of Sleep Data by Classifying Users Based on Sleeper Type
Wang et al. Eating Speed Measurement Using Wrist-Worn IMU Sensors in Free-Living Environments
Qiu et al. Multiscale Bidirectional Input Convolutional and Deep Neural Network for Human Activity Recognition

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 516006 TCL science and technology building, No. 17, Huifeng Third Road, Zhongkai high tech Zone, Huizhou City, Guangdong Province

Applicant after: TCL Technology Group Co.,Ltd.

Address before: 516006 23rd floor, TCL science and technology building, 17 Huifeng 3rd road, Zhongkai hi tech Development Zone, Huizhou City, Guangdong Province

Applicant before: TCL RESEARCH AMERICA Inc.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant