CN109568760A - 一种睡眠环境调节方法及*** - Google Patents
一种睡眠环境调节方法及*** Download PDFInfo
- Publication number
- CN109568760A CN109568760A CN201710912360.2A CN201710912360A CN109568760A CN 109568760 A CN109568760 A CN 109568760A CN 201710912360 A CN201710912360 A CN 201710912360A CN 109568760 A CN109568760 A CN 109568760A
- Authority
- CN
- China
- Prior art keywords
- sleep
- model
- environment
- environmental parameter
- user
- 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
Links
Classifications
-
- 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
- A61M21/02—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 for inducing sleep or relaxation, e.g. by direct nerve stimulation, hypnosis, analgesia
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Anesthesiology (AREA)
- Pain & Pain Management (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Psychology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Hematology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种睡眠环境调节方法及***,用于提高调节睡眠的准确性。其中的睡眠环境调节方法包括:获取用户在睡眠时的预设时间段内的至少一个体征参数,体征参数至少包括生物电信号特征参数、人体肢体活动特征参数中的一种或任意组合;从人群睡眠环境调节模型中确定与用户相匹配的个人睡眠环境调节模型;通过确定的个人睡眠环境调节模型对获得的体征参数进行分析,确定要调节的至少一个环境参数;将至少一个环境参数通知给位于用户睡眠环境中的至少一个家居环境设备,使得至少一个家居环境设备按照至少一个环境参数运行。
Description
技术领域
本发明涉及辅助睡眠技术领域,特别涉及一种睡眠环境调节方法及***。
背景技术
睡眠是人体必不可少的生理活动,良好的睡眠是保持身体健康的一项基本条件。但是由于工作压力大、生活作息不规律等原因,导致了大部分人的睡眠质量欠佳,因此,需要通过其他方式来辅助人们睡眠,帮助人们提高睡眠质量。
目前,主要是通过改变人们睡眠的环境来提高人们的睡眠质量,例如,通过助眠灯提供适当的光照来增加机体内褪黑激素的生成,从而调节睡眠质量。或者,通过提供合适的阿尔法波频段助眠音乐,从人们进行浅睡眠状态开始,在8Hz到13Hz以0.5Hz的梯度递增的频段发射阿尔法波频段助眠音乐来调节睡眠。但是由于年龄段的不同、体质的不同等导致每个人进入睡眠阶段对环境的敏感程度不同,通过改变环境来提高人们的睡眠质量,对于有的人来说可能提高了睡眠质量,而对于有的人来说反而可能是降低睡眠质量,甚至影响到睡眠。
可见,目前的助眠方法无法适应不同的用户,这就导致无法适应不同的用户,调节睡眠的准确地较差。
发明内容
本发明实施例提供一种睡眠环境调节方法及***,用于提高调节睡眠的准确性。
第一方面,本发明一实施例提供了一种睡眠环境调节方法,所述睡眠环境调节方法包括:
获取用户在睡眠时的预设时间段内的至少一个体征参数,所述体征参数至少包括生物电信号特征参数、人体肢体活动特征参数中的一种或任意组合;
从人群睡眠环境调节模型中确定与所述用户相匹配的个人睡眠环境调节模型;
通过确定的个人睡眠环境调节模型对获得的体征参数进行分析,确定要调节的至少一个环境参数;
将所述至少一个环境参数通知给位于用户睡眠环境中的至少一个家居环境设备,使得所述至少一个家居环境设备按照所述至少一个环境参数运行;
其中,所述个人睡眠环境调节模型为通过深度学习网络对至少一个环境参数进行有监督学习的逐层训练获得的环境参数集与体征参数的关系模型;所述人群睡眠环境调节模型包括至少一类用户的睡眠环境调节模型,每类用户的睡眠环境调节模型对应一个睡眠环境调节模型。
可选的,从人群睡眠环境调节模型中确定与所述用户相匹配的个人睡眠环境调节模型,包括:
确定所述用户的用户类型;
从预先建立的人群睡眠环境调节模型中查找与所述用户类型对应的睡眠环境调节模型;
将查找的睡眠环境调节模型确定为与所述用户相匹配的个人睡眠环境调节模型。
可选的,所述方法还包括:
确定所述人群睡眠环境调节模型中与所述用户类型对应设置的睡眠环境调节模型;
判断所述用户的个人睡眠调节模型是否是优于所述设置的睡眠环境调节模型;
若是,则将所述设置的睡眠环境调节模型更新为所述个人睡眠环境调节模型;
否则,则保留所述设置的睡眠环境调节模型。
可选的,在通过确定的个人睡眠环境调节模型对获得的体征参数进行分析,确定要调节的至少一个环境参数之前,还包括:
根据获取的至少一个体征参数确定睡眠质量评分;
通过确定的个人睡眠环境调节模型对获得的体征参数进行分析,确定要调节的至少一个环境参数,包括:
通过确定的个人睡眠环境调节模型对确定的睡眠质量评分进行分析,确定要调节的至少一个环境参数。
可选的,根据获取的至少一个体征参数确定睡眠质量评分,包括:
根据所述至少一个体征参数在所述预设时间段内的取值变化规律,将所述预设时间段划分为至少两个睡眠分期;其中,所述预设时间段为标准的睡眠分期对应的时间段;
分别根据所述至少两个睡眠分期中每一个睡眠分期对应的所述至少一个体征参数的取值,以及每一个睡眠分期在所述预设时间段内的占比,计算所述用户在所述预设时间段内的睡眠质量评分。
可选的,通过确定的个人睡眠环境调节模型对获得的睡眠质量评分进行分析,确定要调节的至少一个环境参数,包括:
通过个人睡眠环境调节模型对获得的睡眠质量评分进行反推,获得与所述睡眠质量评分对应的环境参数集;
将获得的环境参数集确定为所述要调节的至少一个环境参数。
可选的,在通过确定的个人睡眠环境调节模型对获得的睡眠质量评分体征参数进行分析,确定要调节的至少一个环境参数之前,所述方法还包括:
针对所述用户,建立所述用户处于睡眠状态时所在环境的至少一个环境参数与对应的睡眠质量评分之间的函数关系模型;其中,所述函数关系模型的输入为所述至少一个环境参数,输出为所述睡眠质量评分;
通过预设的至少一个样本环境参数对所述函数关系模型进行逐层训练,直到所述睡眠质量评分的取值达到设定标准,以获得所述用户的睡眠环境调节模型;
其中,在每一次对所述函数关系模型进行训练的过程中,将前一次输出的睡眠质量评分作为训练监督因子训练所述函数关系模型。
可选的,通过至少一个样本环境参数对所述函数关系模型进行基于有监督学习的逐层训练,获得所述睡眠环境调节模型,包括:
在每一次对所述函数关系模型进行有监督学习训练的过程中,将前一次输出的睡眠质量评分作为训练监督因子训练所述函数关系模型;
将所述至少一个环境参数与个人睡眠质量评分建立关联关系,获得所述睡眠环境调节模型。
可选的,在通过至少一个样本环境参数对所述函数关系模型进行基于有监督学习的逐层训练,获得所述睡眠环境调节模型之前,所述方法还包括:
计算各个环境参数与同一个环境参数之间的相关系数;
去除所述相关系数大于预设阈值的环境参数,以对所述睡眠环境调节模型进行降维处理。
可选的,所述方法还包括:
确定当前获得的至少一个环境参数对应的睡眠质量评分是否高于上一次获得的至少一个环境参数对应的睡眠质量评分;
若是,则将当前获得的至少一个环境参数取代所述上一次获得的至少一个环境参数成为最优的至少一个环境参数;
否则,则保留所述上一次获得的至少一个环境参数。
第二方面,本发明一实施例提供了一种睡眠环境调节***,所述***包括:
环境参数采集调节单元、睡眠质量评估单元、数据处理单元及网关;其中,
所述环境参数采集调节单元用于:采集至少一种环境参数,并将采集的环境参数发送给所述网关;
所述睡眠质量评估单元用于:采集用户在睡眠时的预设时间段内的至少一个体征参数,将所述至少一个体征参数发送给所述网关;其中,所述体征参数至少包括生物电信号特征参数、人体肢体活动特征参数中的一种或任意组合;
所述网关用于:将接收的所述至少一种环境参数与所述至少一个体征参数发送给所述数据处理单元;
所述数据处理单元用于:接收所述网关发送的用户的所述至少一个体征参数,并从人群睡眠环境调节模型中确定与所述用户相匹配的个人睡眠环境调节模型,通过确定的个人睡眠环境调节模型对获得的体征参数进行分析,确定要调节的至少一个环境参数,并将所述要调节的至少一个环境参数通知给位于用户睡眠环境中的至少一个家居环境设备,使得所述至少一个家居环境设备按照所述至少一个环境参数运行;
其中,所述数据处理单元还用于:事先通过深度学习网络对至少一个环境参数进行有监督学习的逐层训练获得的环境参数集与睡眠质量评分的关系模型;所述人群睡眠环境调节模型包括至少一类用户的睡眠环境调节模型,每类用户的睡眠环境调节模型对应一个睡眠环境调节模型。
可选的,所述数据处理单元具体用于:
将所述要调节的至少一个环境参数通知给所述网关;
所述网关还用于:将接收的所述所述要调节的至少一个环境参数通知给位于用户睡眠环境中的至少一个家居环境设备。
可选的,所述睡眠质量评估单元具体用于:
根据所述至少一个体征参数在所述预设时间段内的取值变化规律,将所述预设时间段划分为至少两个睡眠分期;其中,所述预设时间段为标准的睡眠分期对应的时间段;
分别根据所述至少两个睡眠分期中每一个睡眠分期对应的所述至少一个体征参数的取值,以及每一个睡眠分期在所述预设时间段内的占比,计算所述用户在所述预设时间段内的睡眠质量评分。
可选的,所述数据处理单元用于事先通过深度学习网络对至少一个环境参数进行有监督学习的逐层训练获得的环境参数集与睡眠质量评分的关系模型,包括:
针对所述用户,建立所述用户处于睡眠状态时所在环境的至少一个环境参数与对应的睡眠质量评分之间的函数关系模型;其中,所述函数关系模型的输入为所述至少一个环境参数,输出为所述睡眠质量评分;
通过预设的至少一个样本环境参数对所述函数关系模型进行逐层训练,直到所述睡眠质量评分的取值达到设定标准,以获得所述用户的睡眠环境调节模型;
其中,在每一次对所述函数关系模型进行训练的过程中,将前一次输出的睡眠质量评分作为训练监督因子训练所述函数关系模型。
可选的,所述数据处理单元具体用于:
在每一次对所述函数关系模型进行有监督学习训练的过程中,将前一次输出的睡眠质量评分作为训练监督因子训练所述函数关系模型;
将所述至少一个环境参数与个人睡眠质量评分建立关联关系,获得所述睡眠环境调节模型。
可选的,所述数据处理单元在通过至少一个样本环境参数对所述函数关系模型进行基于有监督学习的逐层训练,获得所述睡眠环境调节模型之前,还用于:
计算各个环境参数与同一个环境参数之间的相关系数;
去除所述相关系数大于预设阈值的环境参数,以对所述睡眠环境调节模型进行降维处理。
可选的,所述数据处理单元还用于:
确定当前获得的至少一个环境参数对应的睡眠质量评分是否高于上一次获得的至少一个环境参数对应的睡眠质量评分;
若是,则将当前获得的至少一个环境参数取代所述上一次获得的至少一个环境参数成为最优的至少一个环境参数;
否则,则保留所述上一次获得的至少一个环境参数。
可选的,所述数据处理单元具体用于:
确定所述用户的用户类型;
从预先建立的人群睡眠环境调节模型中查找与所述用户类型对应的睡眠环境调节模型;
将查找的睡眠环境调节模型确定为与所述用户相匹配的个人睡眠环境调节模型。
可选的,所述数据处理单元还用于:
确定所述人群睡眠环境调节模型中与所述用户类型对应设置的睡眠环境调节模型;
判断所述用户的个人睡眠调节模型是否是优于所述设置的睡眠环境调节模型;
若是,则将所述设置的睡眠环境调节模型更新为所述个人睡眠环境调节模型;
否则,则保留所述设置的睡眠环境调节模型。
第三方面,本发明一实施例提供了一种睡眠环境调节设备,所述睡眠环境调节设备包括:
至少一个处理器,以及
与所述至少一个处理器连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令,执行第一方面和/或第二方面所述的方法。
第四方面,本发明一实施例提供了一种计算机可读存储介质,包括:
所述计算机可读存储介质存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行第一方面和/或第二方面所述的方法。
本发明实施例可以调节用户的睡眠环境,以对用户的睡眠质量调节。在对用户的睡眠环境进行调节时,通过用户在睡眠时的特征参数确定用户的睡眠质量评分,再通过个人睡眠环境调节模型,即环境参数集与睡眠质量评分的关系模型对用户的睡眠质量评分进行分析,确定适合用户睡眠的环境参数,从而可以通过控制家居环境设备营造适合用户的睡眠环境,以调节用户的睡眠质量。而不仅仅是通过通用的助眠方法,这样不论是哪个用户,即适用不同的用户,都可以针对该用户的个人特征对该用户进行睡眠环境的调节,提高了调节睡眠的准确性。
附图说明
图1是本发明实施例提供的睡眠环境调节方法的流程示意图;
图2是本发明实施例提供的睡眠环境调节***的结构示意图
图3为本发明实施例提供的EEG/体动—正常年龄黄金睡眠分期数据曲线示意图;
图4为本发明实施例提供的ECG/体动—正常年龄黄金睡眠分期数据曲线示意图;
图5为睡眠环境调节模型的建立结构示意图;
图6为本发明实施例提供的睡眠环境调节***的一种结构示意图;
图7为本发明实施例提供的睡眠环境调节设备的一种结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
目前的睡眠环境调节方法,是通过控制家居环境设备,例如光照设备、空调等改变用户的睡眠环境,以提高用户的睡眠质量。但是由于年龄段的不同、体质的不同等导致每个人进入睡眠阶段对环境的敏感程度不同,通过目前的睡眠环境调节方法来提高们的睡眠质量,对于有的人来说可能提高了睡眠质量,而对于有的人来说反而可能是降低睡眠质量,甚至影响到睡眠。
鉴于此,本发明实施例提出的技术方案中,根据用户个人的体征参数来确定该用户的睡眠质量评分,也就是该用户的睡眠质量的好坏程度,再通过个人睡眠环境调节模型来根据该用户的睡眠质量评分确定适合该用户的睡眠的至少一个环境参数,从而通过控制家居环境改变该用户的睡眠环境。而不仅仅是通过通用的助眠方法,这样不论是哪个用户,都可以针对该用户的个人特征对该用户进行睡眠环境的调节,提高了调节睡眠的准确性。
本发明实施例提供的睡眠环境调节方法可以应用于具有计算能力的电子设备,例如个人电脑,服务器等,对于电子设备的类型,本发明实施例不作限制。下文中,本发明实施例提供的睡眠环境调节方法及睡眠环境调节模型的建立方法统一应用于电子设备。
家居环境设备至少可以包括空调、助眠灯、加湿器、空气净化器等智能家电设备中的一种或多种。
下面结合说明书各个附图介绍本发明实施例提供的技术方案。
请参见图1,本发明实施例提供了一种睡眠环境调节方法,该调节方法可以通过睡眠环境调节***实现。该调节方法的流程描述如下。
S101:获取用户在睡眠时的预设时间段内的至少一个体征参数,体征参数至少包括生物电信号特征参数、人体肢体活动特征参数中的一种或任意组合;
S102:从人群睡眠环境调节模型中确定与用户相匹配的个人睡眠环境调节模型;
S103:通过确定的个人睡眠环境调节模型对获得的体征参数进行分析,确定要调节的至少一个环境参数;
S104:将至少一个环境参数通知给位于用户睡眠环境中的至少一个家居环境设备,使得至少一个家居环境设备按照所述至少一个环境参数运行。
本发明实施例中,个人睡眠环境调节模型为通过深度学习网络对至少一个环境参数进行有监督学习的逐层训练获得的环境参数集与睡眠质量评分的关系模型。人群睡眠环境调节模型包括至少一类用户的睡眠环境调节模型,每类用户的睡眠环境调节模型对应一个睡眠环境调节模型。
在具体实施过程中,请参见图2,图2为本发明实施例提供的睡眠环境调节***的结构示意图。如图2所示,本发明实施例事先可以通过数据处理单元建立个人睡眠环境调节模型。建立时,可能的实施方式中,数据处理单元可以针对用户,建立用户处于睡眠状态时所在环境的至少一个环境参数与对应的睡眠质量评分之间的函数关系模型,其中,函数关系模型的输入为至少一个环境参数,输出为睡眠质量评分。再通过预设的至少一个样本环境参数对函数关系模型进行逐层训练,直到睡眠质量评分的取值达到设定标准,以获得用户的睡眠环境调节模型,其中,在每一次对函数关系模型进行训练的过程中,将前一次输出的睡眠质量评分作为训练监督因子训练函数关系模型。
本发明实施例可以通过如图2所示的环境参数采集调节单元可以事先采集用户处于睡眠状态时所在环境的至少一个环境参数,例如温度、湿度、光照强度、噪声、二氧化碳浓度等。同时,本发明实施例可以通过如图2所示的睡眠质量评估单元用于:采集用户在睡眠时的预设时间段内的至少一个体征参数,及根据采集的至少一个体征参数确定用户的睡眠质量评分,并将至少一个体征参数及确定的用户的睡眠质量评分发送给网关。网关将接收的至少一个体征参数及确定的用户的睡眠质量评分转发给数据处理单元。其中,体征参数至少包括生物电信号特征参数、人体肢体活动特征参数中的一种或任意组合。
数据处理单元可以根据网关发送的至少一种环境参数、至少一个体征参数及确定的用户的睡眠质量评分建立个人睡眠环境调节模型。
下面具体介绍本发明实施例如何建立个人睡眠环境调节模型。
本发明实施例中,睡眠质量评估单元可以包括体征采集模块,例如可穿戴设备。本发明实施例可以通过可穿戴设备采集用户睡眠时的体征参数,例如通过医疗级多导睡眠仪采集用户的至少一个生物电信号,从而获取生物电信号特征参数。由于获取生物电信号通常是通过医疗级多导睡眠仪实现,然而,这就需要用户佩戴医疗级多导睡眠仪,这会对用户的睡眠造成干扰,在日常生活中没有可操作性。为此,本发明实施例可以通过保健级可穿戴睡眠健康监护设备,例如佩戴在身体某一部位的智能监测设备,如智能手环、智能手表、智能皮带等,利用三轴加速度传感器测量人体的体动动作,例如人体腕部动作、人体翻身的动作的方法来判断用户的睡眠状态。通常用户在入睡和清醒状态下,人体动作的次数会有明显差异,因此只要测量人体动作的次数的差异的大小,就能判断出用户是清醒还是睡眠状态。
但是用户在处于睡眠状态时,如果睡眠质量不好,那么用户的体动动作的次数也可能较多,那么单凭体动动作判断用户的睡眠状态显然不太准确。因此,本发明实施例中的电子设备可以采集包括生物电信号特征参数和人体肢体活动特征参数,将生物电信号特征参数和人体肢体活动特征参数进行关联分析,进一步确定用户的睡眠状态,提高判断用户的睡眠状态的准确性。
本发明实施例中的睡眠环境调节模型中的睡眠质量评估单元还可以包括睡眠分析模块,睡眠分析模块通过用户的至少一个特征参数来确定睡眠质量评分时,可以将获取的至少一种生物电信号进行分析,从而获取至少一个生物电信号特征参数。例如将获取的至少一种脑电信号进行小波变化进行小波变换、希尔伯特黄变换和奇异值分解获取脑电信号的小波熵、希尔伯特黄熵,以及奇异值第一主成分,也就是奇异谱中的最大值,分别记为特征向量P1、P2、P3,也就是特征参数,这样就获得了用户在睡眠过程中的脑电信号在时域、频域的多种特征参数。
再例如,将获取的心电信号提取心率变异性(heart rate variability、HRV)特征,计算极低频(VLF)、低频(LF)和高频(HF)的频谱熵,并通过小波变换计算HRV的分形维度,分别记为特征向量P4、P5、P6、P7,也就是特征参数,这样就获得了用户在睡眠过程中的心电信号在时域、频域的多种特征参数。
再例如,对于人体肢体活动特征参数来说,本发明实施例中的电子设备可以通过加速度传感器采集三维加速度、三维磁场、三维角速度等,计算三维加速度、三维磁场、三维角速度的几何均值,获得人体肢体活动特征参数。
本发明实施例中的电子设备获得了至少一个体征参数后,如果对获取的至少一个体征参数进行分析,显然数据量是非常大的,这样就增加了电子设备的负担。而至少一个体征参数彼此之间具有一定的重叠性和相关性,因此可以利用加速度传感器采集的数据,并利用中值滤波判断人体运动类型,分层判断人体是否静止运动、运动部位、类型,分级抽样判断主要特征,进而判断翻身、推动、起床等睡眠等特征,以减少计算量,减轻电子设备的负担。
可能的实施方式中,设定人体运动的条件可以设定三个,其中第一个条件可以是加速度传感器合成的幅度值,如果幅度值处于预设的阈值范围内,则人体处于静止状态,否则,人体处于运动状态。
其中,加速度传感器合成的幅度值如公式(1)所示:
预设的阈值范围的最小值可以是thamin=8m/s,最大值可以是thamax=11m/s。
第二个条件可以是加速度传感器输出的局部方差,如果局部方差低于预设的阈值,则判定该人体的局部静止,否则人体的身体局部运动。
其中,加速度传感器合成的局部方差如公式(2)所示:
在公式(2)中,为为此区间加速度传感器合成幅值的输出平均值,可以通过公式(3)进行示意:
公式(2)和公式(3)中,s为半窗口采样数量,通常定义其值为15预设的阈值可以为:thσa=0.5m/s2。
第三个条件可以是角速度传感器输出角速度合成幅值,低于预设的阈值,则判定为该身体局部静止,否则判定该身体局部运动。
角速度传感器输出的合成幅值如公式(4)所示:
预设的阈值可以为:thwmax=50/s。
上述三个条件中,如果第一条件判断人体为静止状态,则不进行第二条件、第三条件的判断。如果第二条件判断为该身体局部静止,则不进行第三条件的判断。
对判断人体为运动状态的体征参数可以通过公式(5)进行抽样计算,在判别时,可能由于其中某个状态标准差偏大,另一个状态标准差偏小,正好相抵,导致未发现异常,故再次进行随机抽样验证。
公式(5)中,a、b、c分别为用户三个方向加速度/角速度值,N为抽样次数。
对判断人体为运动状态的体征参数抽样后,可以进一步提取体征特征参数,可以对体征参数的主成分进行分析,分别确定每个主成分所占的权重系数便于提取重点特征。每个主成分包括的信息量有多有少,可以将包括信息量较多的主成分作为重点特征,对于包括信息量较少的主成分可以舍弃。
例如,可以假设原始运动向量组为(F1,F2...Fm),m小于9。则主成分与原始向量组的关系可以通过如下公式进行示意:
其中,P为三个方向加速度、磁场、角速度。原始向量F1蕴含信息量最多,具有最大方差,称为第一主成分,F2,...,Fm依次递减,称为第二主成分、···、第m主成分。因此主成分分析的过程可以看做是确定权重系数aik(i=1,···,m;k=1,···9)的过程。
然后提取重点特征,首先对三个方向加速度、磁场、角速度9个变量进行n次观测,得到的观测数据可用下面的矩阵表示:
其中,Pbh为第b次观测(即第b个样本)的第h个特征,对原始数据Pn*9进行标准化处理,矩阵中的元素减去所在列的均值,然后除以所在列的标准差,使得每个变量的均值为0,方差为1,得到矩阵Pn*9 *。
然后可以求矩阵的协方差矩阵Cn*9,Pn*9 *中任两列之间可以计算两变量间的协方差,就可以得到协方差矩阵C9*9。
对协方差矩阵C9*9进行特征根分解,得到特征根矩阵A9*9及特征向量U9*9。
C9*9=U9*9∧9*9U9*9′
其中特征向量U9*9作为主成分的坐标轴,构成新的矢量空间,
其中特征根λr(r=1,2,···9)的大小代表第r个主成分蕴含的信息量。U9*9′是U9*9的转置矩阵,可以求原始数据Pn*9在新的矢量空间中的投影,即主成分向量组Fn*9:Fn*9=Pn*9U9*9。然后求累积贡献率。每个主成分的特征根大小代表其蕴含信息量的多少。求前k(k=1,···,9)个主成分的累积贡献率,如下公式:
其中λi是求出第i个特征根。
选定预设的累积贡献率,使前d个主成分Fn*d作为新的数据进行模式识别。若累计贡献率达到50%以上时,采用比高法,将最高贡献率的特征值向量留下,作为固定工作样本集,否则舍弃。
例如,实验使用2000个以上样本结果,一共得出9个主成分。第一个主成分F1的贡献率为58%,F2的贡献率为33%,F3的贡献率为22%,F4、F5、F6、F7、F8总共的贡献率为5%(8个主成分贡献率一共是100%),前三个主成分(F1、F2、F3)的累积贡献率达到96%,也就是说前三个主成分蕴含了主成分96%的信息,那么选择这三个主成分作为特征参数进行分析即模式识别,在保证信息量的同时降低了特征矩阵的维度,也就减少了计算量,减轻电子设备的负担。
同理,对于获取的至少一个脑电波(Electroencephalogram,EEG)信号对应的特征参数和至少一个HRV特征参数,可以计算二者的相关性。可能的实施方式中,电子设备可以计算EEG信号delta频段与HRV参数的相干系数:对EEG信号以及HRV信号进行功率谱密度分析,并进行归一化处理,然后利用相干函数分别计算EEG信号delta频段与HRV信号LF、HF的相干系数,分别记为特征向量P8、P9。
睡眠分析模块还可以计算EEG信号delta频段与HRV信号LF、HF的相干系数:截取一个睡眠时间段30s的EEG、HRV信号,进行预处理,包括变参考、降采样、去噪声与干扰,预处理后的EEG信号记为x,HRV信号记为y。采用Welch算法计算EEG、HRV的功率谱密度以及两者的互功率谱密度,分别如公式(6)、公式(7)、公式(8)所示,分别记为Pxx(f1)、Pyy(f2)、Pxy(f1f2)。
公式(6)和公式(7)中,U是归一化因子,d2(n)是高斯窗函数,L为将该段数据所分段数,M为每段的长度。xi(n)是x(EEG信号)的第i段数据,yi(n)是y(HRV信号)的第i段数据,j为虚单位。
通过相干函数分别计算EEG信号delta频段与HRV信号LF、HF的相干系数,如通过如下公式实现:
然后计算EEG信号的f1在delta频段[0.5,4],HRV信号f2的在LF[0.05,0.15]范围内的平均相干系数,作为EEG信号delta频段与HRV信号LF的相干系数,再计算f1在delta频段[0.5,4],f2在HF[0.15,0.4]范围的平均相干系数,作为delta频段与HF的相关系数,如下公式所示:
其中,n为f1在[0.5,4],f2在[0.05,0.15]范围内Cohxy(f1f2)的点数,m为f1在[0.5,4],f2在[0.15,0.4]范围内Cohxy(f1f2)的点数。
假设,脑电信号x在频率分量为f1,心率变异信号y在频率分量为f2处的分量振幅乘积的标准化均值,其取值区间为[0,1],反映了2个信号的相关程度。相干谱越接近1,表明2个信号越相关。相干系数为1,表明2个信号之间高度相关,且一个信号是另一个信号的倍数,相干系数为0,表明2个信号完全无关。本发明实施例可以选择相关系数高的特征参数来确定睡眠质量评分,这样减少了计算量,减轻了睡眠分析模块的负担。
本发明实施例中的睡眠分析模块可以针对用户的个人特征对用户的睡眠质量进行调节。
通常情况下,人的睡眠状态可以分为觉醒期、非快速眼动睡眠期(又分为睡眠1、2、3、4期)、快速眼动睡眠期。本发明实施例可以通过检测用户的睡眠状态,并根据检测到的当前的睡眠状态来确定用户的睡眠质量的好坏,以便根据睡眠质量的好坏来进一步改善用户的睡眠质量。本发明实施例中,用户的睡眠质量的好坏程度可以通过睡眠质量评分来标识。目前,对于人的睡眠分期目前比较标准的是已经获得的正常年龄黄金睡眠分期。而不同年龄段的人在同一个时间段内的睡眠状态有所偏差。因此,本发明实施例中的数据处理单元可以事先分析正常人群的睡眠结构,也就是睡眠分期。结合获得的至少一种环境参数、至少一种体征参数及确定的睡眠质量评分对睡眠分析重新进行划分。
可能的实施方式中,本发明实施例中的数据处理单元可以获取28000例实验样本数据,并获得睡眠各阶段所占百分率与年龄关系初始值如表1所示。
表1
表1中示出了睡眠分期和年龄关系。S1、S2、S3、S4、S(3+4)、SW、SR分别代表睡眠1期、2期、3期、4期、清醒期、快速眼动期对应年龄段的标准百分率。
本发明实施例中的数据处理单元可以根据筛选后的至少一个体征参数,也就是降维处理后的至少一个体征参数在预设时间段内的取值变化规律,将预设时间段划分为至少两个睡眠分期,例如划分成S1、S2、S3、S4、S(3+4)、SW、SR。可能的实施方式中,数据处理单元提取至少一个体征参数后,可以使用SVM对体征参数进行识别,进行自动睡眠分期。例如,选取1000组至少一个体征参数进行训练,并以睡眠分期为输出,经过训练分别得到基于EEG、HRV及其相干性的自动睡眠分期预测模型,然后进行自动睡眠分期,分别得到“EEG/体动—正常年龄黄金睡眠分期”和“ECG/体动—正常年龄黄金睡眠分期”。其中,EEG/体动—正常年龄黄金睡眠分期如图3所示,图3为EEG/体动—正常年龄黄金睡眠分期数据曲线示意图。ECG/体动—正常年龄黄金睡眠分期如图4所示,图4为ECG/体动—正常年龄黄金睡眠分期数据曲线示意图。
数据处理单元进行自动睡眠分期后,可以分别根据至少两个睡眠分期中每一个睡眠分期对应的至少一个体征参数的取值,以及每一个睡眠分期在预设时间段内的占比,计算用户在预设时间段内的睡眠质量评分。具体计算可以根据公式(9)实现。
公式(9)中,S1i、S2i、S3i、S4i、S(3+4)i、SWi、SRi为用户第i次使用的特征参数。公式(9)中计算得到的X的值越小,表示睡眠偏离正常值越小,睡眠质量越好。
本发明实施例中的数据处理单元确定了用户的睡眠质量评分,就可以获知该用户的睡眠质量是否较好,以根据该睡眠质量评分确定要调节的用户所处环境的至少一个环境参数,以告知位于用户睡眠环境中的至少一个家居环境设备,使得至少一个家居环境设备按照至少一个环境参数运行,从而达到用户睡眠的最佳环境,实现调节用户的睡眠质量。
本发明实施例中的数据处理单元可以通过个人睡眠环境调节模型对获得的睡眠质量评分进行分析,确定要调节的至少一个环境参数。其中,个人睡眠环境调节模型为通过深度学习网络对至少一个环境参数进行有监督学习的逐层训练获得的环境参数集与睡眠质量评分的关系模型。深度学习网络可以运行于前述的数据处理单元,也可以是具有计算能力的任意电子设备上,基于深度学习网络的特性,深度学习网络在不断的训练过程中,会不断地更新自身的深度学习网络模型。也就是说,本发明实施例中,通过深度学习网络对至少一个环境参数进行有监督学习的逐层训练更新深度学习网络模型的过程,即是通过至少一个环境参数训练深度学习网络的过程,通过至少一个环境训练完成的深度学习网络模型即是本发明实施例中的人睡眠环境调节模型。
数据处理单元可以针对用户,建立用户处于睡眠状态时所在环境的至少一个环境参数与对应的睡眠质量评分之间的函数关系模型,其中,函数关系模型的输入为至少一个环境参数,输出为睡眠质量评分。再通过预设的至少一个样本环境参数对函数关系模型进行逐层训练,直到睡眠质量评分的取值达到设定标准,以获得用户的睡眠环境调节模型,其中,在每一次对函数关系模型进行训练的过程中,将前一次输出的睡眠质量评分作为训练监督因子训练函数关系模型。
本发明实施例中,数据处理单元可以获得用户处于睡眠状态时所在环境的至少一个环境参数,例如温度、湿度、光照强度、噪声、二氧化碳浓度等,并根据前述确定用户的睡眠质量评分的方法确定对应的用户的睡眠质量评分,从而建立用户处于睡眠状态时所在环境的至少一个环境参数与对应的睡眠质量评分之间的函数关系模型,其中,函数关系模型的输入为至少一个环境参数,输出为睡眠质量评分,如图5所示,图5是该睡眠环境调节模型的结构示意图。图5中输入层的输入可以是至少一个环境参数,例如温度、湿度、光照强度、噪声、二氧化碳浓度等,输出可以是睡眠质量评分。
由于此时用户所在环境的至少一个环境参数所营造的睡眠环境对于用户来说可能并不是用户的最佳睡眠环境,因此,本发明实施例中可以通过预设的至少一个样本环境参数对函数关系模型进行逐层训练,直到睡眠质量评分的取值达到设定标准,以获得用户的睡眠环境调节模型,其中,在每一次对函数关系模型进行训练的过程中,将前一次输出的睡眠质量评分作为训练监督因子训练函数关系模型。为了便于理解,下面以其中一次训练函数关系模型的过程进行举例说明:
首先可以采集至少一个环境参数,至少一个环境参数中有些环境参数彼此之间存在关联性较大,比如温度在一定范围内,湿度在相应范围内的,可能对应的用户的睡眠质量评分都较高,那么这两个环境参数的关联性比较大,因此,一定范围内的温度,可以代表一定范围内的湿度。如果将采集的至少一个环境参数全部作为样本环境参数,那么数据处理单元的计算量就较大,运算速度就较低,降低了计算效率。
鉴于此,本发明实施例采集了至少一个环境参数后,可以计算各个环境参数与同一个环境参数之间的相关系数,将相关系数大于预设阈值的环境参数剔除,也就是将对睡眠质量评分的影响权重较小的环境参数进行剔除,只保留对睡眠质量评分的影响权重较大的至少一个环境参数作为预设的至少一个样本环境参数,以减小数据处理单元的计算量,减轻数据处理单元的负担。
然后通过预设的至少一个样本环境参数对用户处于睡眠状态时所在环境的至少一个环境参数与对应的睡眠质量评分之间的函数关系模型进行有监督学习逐层训练,每一层都会输出睡眠质量评分。在每一次对函数关系模型进行有监督学习训练的过程中,将前一次输出的睡眠质量评分作为训练监督因子训练函数关系模型,也就是将上一次环境参数输入形成的模型,即历史最佳睡眠的环境参数作比对,如果当前所得到的睡眠质量评分低于上一次输出的睡眠质量评分,那么函数关系模型输出为0,否则为1。在训练时,可以一直训练直到睡眠质量评分的取值达到设定标准,比如1,则认为此时输入的至少一个样本环境是用户睡眠的最佳环境参数,那么可以将输入的至少一个样本环境参数与个人睡眠质量评分建立关联关系,获得睡眠环境调节模型。
以输入到输出的方向为信号的正向传播方向,在训练过程中,网络各神经元,即每一层的输入的权值和阀值保持不变,每一层神经元只影响下一层神经元的输入和输出状态,如果在输出端没有得到期望的输出值,网络即转入误差信号的反向传播过程。误差信号由输出端开始逐层回传进行反向传播,以修正睡眠环境调节模型。在此传播过程中,网络各神经元的权值和阀值由误差反馈按照一定的规则得以调整。训练和修正两个阶段交替循环进行,每训练完成一次,用遗传算法进行修正,以得到较优的睡眠环境调节模型。
本发明实施例中建立了个人睡眠环境调节模型之后,可以通过个人睡眠环境调节模型对获得的睡眠质量评分进行分析,以确定要调节的至少一个环境参数。由于个人睡眠环境调节模型为通过样本环境参数对初始的用户处于睡眠状态时所在环境的至少一个环境参数与对应的睡眠质量评分之间的函数关系模型进行有监督学习逐层训练获得的,那么个人睡眠环境调节模型实质上就是环境参数集与睡眠质量评分的对应关系。其输入是环境参数集,输出是睡眠质量评分,因此,本发明实施例中的数据处理单元可以通过个人睡眠环境调节模型对获得的睡眠质量评分进行反推,获得与睡眠质量评分对应的环境参数集,将获得的环境参数集确定为要调节的至少一个环境参数。
本发明实施例中的数据处理单元确定了要调节的至少一个环境参数之后,可以通过网关将至少一个环境参数通知给位于用户睡眠环境中的至少一个家居环境设备,如助眠灯、空调或加湿器等,使得至少一个家居环境设备按照至少一个环境参数运行,以营造适合用户睡眠的最佳环境,从而提高用户的睡眠质量。其中,网关可以理解为通过近距离无线通讯方式(WIFI、zigbee模块、蓝牙模块、433无线通讯模块、315无线通讯模块)与家居环境设备连与可以家居环境设备进行通信。另一方面可以通过3G、4G、GPRS、光纤等方式与电子设备连接、进行通信。智能网关可为机顶盒、智能平板、智能音箱等。可能的实施方式中,网关接收到至少一个环境参数后,可以发送给睡眠环境采集调节单元中的控制模块,通过控制模块用户睡眠环境中的至少一个家居环境设备。
本发明实施例中的数据处理单元确定了要调节的至少一个环境参数之后,可以确定当前获得的至少一个环境参数对应的睡眠质量评分是否高于上一次获得的至少一个环境参数对应的睡眠质量评分,如果当前获得的至少一个环境参数对应的睡眠质量评分高于上一次获得的至少一个环境参数对应的睡眠质量评分,则可以将当前获得的至少一个环境参数取代上一次获得的至少一个环境参数成为最优的至少一个环境参数,否则,则保留上一次获得的至少一个环境参数,以优化个人睡眠环境调节模型。
进一步地,本发明实施例可以建立人群睡眠环境调节模型,人群睡眠环境调节模型可以包括N类用户的睡眠环境模型。N类可以理解为按照年龄进行分类,也可以理解为按照个人体征特点进行的分类等,本发明实施例对此不作限制。可能的实施方式中,本发明实施例可以初始注册个人N类样本数据,将样本数据输入SVM分类器训练,根据输入值判断是(1,N)是哪一类,如果超出(1,N)范围,则新注册类别N+1类,然后重新更新分类器。其中,样本数据可以是采集的至少一个体征参数经过筛选后的每个体征参数取标准差获得的。数据特征值较多,以加速度采集的数据为例,有a、b、c三个方向特征值,当其与模型库对比时,通过公式(10)对其取标准差,为特征值的人群均值。N为样本数量,先训练分类器,再用分类器识别样本。
如此,得到的人群睡眠环境调节模型可以包括至少一类用户的睡眠环境调节模型,每类用户的睡眠环境调节模型对应一个睡眠环境调节模型。初始得到的人群睡眠环境调节模型中包括的每类用户的睡眠环境调节模型可能不是最优的模型。因此本发明实施例获得用户的个人睡眠环境调节模型之后,可以确定该用户的用户类型,及与该用户类型对应设置的睡眠环境调节模型。可能的实施方式中,可以从人群睡眠环境调节模型中查找与用户类型对应的睡眠环境调节模型。
本发明实施例确定了用户类型和对应设置的睡眠环境调节模型后,可以判断用户的个人睡眠调节模型是否是优于设置的睡眠环境调节模型,也就是人群睡眠环境调节模型中某类用户的初始的睡眠环境调节模型。如果用户的个人睡眠调节模型优于设置的睡眠环境调节模型,则将设置的睡眠环境调节模型更新为个人睡眠环境调节模型,否则,保留设置的睡眠环境调节模型。
可能的实施方式中,个人睡眠环境调节模型也可以作为人群睡眠环境调节模型的对应某类人群的睡眠环境调节模型的一个新的输入因子,用SVM遗传修正整体人群对应某类人群睡眠环境调节模型,其对应人群的睡眠环境调节模型的某类用户的睡眠环境调节模型不断清晰细化。在具体实过程中,可以通过SVM分类器适应度函数为SVM分类器对样本划分正确率,随着样本数量的增加,如果正确率高于历史最佳模型,则该模型取代原有最佳模型,从而随着样本量的增加模型自适应不断优化完善,获得最佳的人群睡眠环境调节模型。其中,SVM分类器适应度函数可以包括f(xi)=min(1-g(xi)),
本发明实施例建立了人群睡眠环境调节模型之后,可以将人群睡眠环境调节模型作为评估策略,在其基础上,形成个人睡眠环境与睡眠质量进行深度学习关联分析,形成个人睡眠环境调节模型。该模型一方面影响个人睡眠环境的智能家电的参数设置,进入新一轮的训练学习中,随着数据量的增大,不断自适应完善个人睡眠环境调节模型。另一方面作为整体人群中,对应某类人群的一个新输入因子,修正整体人群对应某类人群睡眠环境调节模型。
本发明实施例通过建立的个人睡眠环境调节模型可以调节用户的睡眠环境,以对用户的睡眠质量调节。在对用户的睡眠环境进行调节时,通过用户在睡眠时的特征参数确定用户的睡眠质量评分,再通过个人睡眠环境调节模型,即环境参数集与睡眠质量评分的关系模型对用户的睡眠质量评分进行分析,确定适合用户睡眠的环境参数,从而可以通过控制家居环境设备营造适合用户的睡眠环境,以调节用户的睡眠质量。而不仅仅是通过通用的助眠方法,这样不论是哪个用户,即适用不同的用户,都可以针对该用户的个人特征对该用户进行睡眠环境的调节,提高了调节睡眠的准确性。
本发明实施例中的数据处理单元建立个人睡眠环境调节模型时,采集了至少一个环境参数后,可以对采集的至少一个环境参数进一步进行剔除,保留部分环境参数作为样本环境参数来训练函数关系模型,减少了数据处理单元的计算量,减轻了数据处理单元的负担。
综上,如图6所示,图6为本发明实施例提供的睡眠环境调节模型的建立示意图。首先本发明实施例可以获得至少一个环境参数和至少一个体征参数,并结合至少一个环境参数和至少一个体征参数对睡眠质量进行评估。其中,可能的实施方式中,首先根据至少一个体征参数结合重新划分的睡眠分期进行分析获得睡眠质量评分,再结合对至少一个环境参数,也可以理解为环境参数集进行预处理,例如降维处理等,再进行有监督学习,获得个人睡眠环境调节模型。当获得多个个人睡眠环境调节模型后,可以建立人群睡眠环境调节模型,也就是将多个睡眠环境调节模型进行分类,例如根据用户的类型进行分类,每一类中可以保留一个最优的个人睡眠环境调节模型作为这类用户的最优睡眠环境调节模型。在使用人群睡眠环境调节模型时,可以先确定用户的类型,在确定与该用户相匹配的个人睡眠环境调节模型,从而通过确定的个人睡眠环境调节模型对用户的睡眠环境进行调节。
本发明实施例可以建立人群睡眠环境调节模型,并通过个人睡眠环境调节模型不断优化人群睡眠环境调节模型中某类人群的睡眠环境调节模型,这样就可以得到不同类人群的最佳睡眠环境调节模型。在需要调节用户的睡眠质量时,可以先确定用户属于人群中的哪一类,进而根据该类人群的最佳睡眠环境调节模型实现对用户的睡眠环境的调节。这样就可以针对不同的每个人,使用对应的睡眠环境调节模型进行睡眠环境的调节,适应性较强。
下面结合附图介绍本发明实施例提供的***。
请参见图2,基于同一发明构思,本发明一实施例提供了一种睡眠环境调节***,该睡眠环境调节***包括:环境参数采集调节单元、睡眠质量评估单元、数据处理单元及网关。
其中,环境参数采集调节单元用于采集至少一种环境参数,并将采集的环境参数发送给网关。睡眠质量评估单元用于采集用户在睡眠时的预设时间段内的至少一个体征参数,将至少一个体征参数发送给网关,其中,体征参数至少包括生物电信号特征参数、人体肢体活动特征参数中的一种或任意组合。网关用于将接收的至少一种环境参数与至少一个体征参数发送给数据处理单元。数据处理单元用于接收网关发送的用户的至少一个体征参数,并从人群睡眠环境调节模型中确定与用户相匹配的个人睡眠环境调节模型,通过确定的个人睡眠环境调节模型对获得的体征参数进行分析,确定要调节的至少一个环境参数,并将要调节的至少一个环境参数通知给位于用户睡眠环境中的至少一个家居环境设备,使得至少一个家居环境设备按照至少一个环境参数运行。
其中,数据处理单元还用于事先通过深度学习网络对至少一个环境参数进行有监督学习的逐层训练获得的环境参数集与睡眠质量评分的关系模型;人群睡眠环境调节模型包括至少一类用户的睡眠环境调节模型,每类用户的睡眠环境调节模型对应一个睡眠环境调节模型。
可选的,数据处理单元具体用于:
将要调节的至少一个环境参数通知给网关;
网关还用于:将接收的要调节的至少一个环境参数通知给位于用户睡眠环境中的至少一个家居环境设备。
可选的,睡眠质量评估单元具体用于:
根据至少一个体征参数在预设时间段内的取值变化规律,将预设时间段划分为至少两个睡眠分期;其中,预设时间段为标准的睡眠分期对应的时间段;
分别根据至少两个睡眠分期中每一个睡眠分期对应的至少一个体征参数的取值,以及每一个睡眠分期在预设时间段内的占比,计算用户在预设时间段内的睡眠质量评分。
可选的,数据处理单元用于事先通过深度学习网络对至少一个环境参数进行有监督学习的逐层训练获得的环境参数集与睡眠质量评分的关系模型,包括:
针对用户,建立用户处于睡眠状态时所在环境的至少一个环境参数与对应的睡眠质量评分之间的函数关系模型;其中,函数关系模型的输入为至少一个环境参数,输出为睡眠质量评分;
通过预设的至少一个样本环境参数对函数关系模型进行逐层训练,直到睡眠质量评分的取值达到设定标准,以获得用户的睡眠环境调节模型;
其中,在每一次对函数关系模型进行训练的过程中,将前一次输出的睡眠质量评分作为训练监督因子训练函数关系模型。
可选的,数据处理单元具体用于:
在每一次对函数关系模型进行有监督学习训练的过程中,将前一次输出的睡眠质量评分作为训练监督因子训练函数关系模型;
将至少一个环境参数与个人睡眠质量评分建立关联关系,获得睡眠环境调节模型。
可选的,数据处理单元在通过至少一个样本环境参数对函数关系模型进行基于有监督学习的逐层训练,获得睡眠环境调节模型之前,还用于:
计算各个环境参数与同一个环境参数之间的相关系数;
去除相关系数大于预设阈值的环境参数,以对睡眠环境调节模型进行降维处理。
可选的,数据处理单元还用于:
确定当前获得的至少一个环境参数对应的睡眠质量评分是否高于上一次获得的至少一个环境参数对应的睡眠质量评分;
若是,则将当前获得的至少一个环境参数取代上一次获得的至少一个环境参数成为最优的至少一个环境参数;
否则,则保留上一次获得的至少一个环境参数。
可选的,数据处理单元具体用于:
确定用户的用户类型;
从预先建立的人群睡眠环境调节模型中查找与用户类型对应的睡眠环境调节模型;
将查找的睡眠环境调节模型确定为与用户相匹配的个人睡眠环境调节模型。
可选的,数据处理单元还用于:
确定人群睡眠环境调节模型中与用户类型对应设置的睡眠环境调节模型;
判断用户的个人睡眠调节模型是否是优于设置的睡眠环境调节模型;
若是,则将设置的睡眠环境调节模型更新为个人睡眠环境调节模型;
否则,则保留设置的睡眠环境调节模型。
该设备可以用于执行图1所示的实施例所提供的方法,因此,对于该设备的各功能模块所能够实现的功能等可参考图1所示的实施例的描述,不多赘述。
请参见图7,本发明一实施例还提供了一种计算机设备,该计算机设备包括:至少一个处理器701,以及与至少一个处理器701连接的存储器702。其中,存储器702存储有可被所述至少一个处理器701执行的指令,至少一个处理器701通过执行存储器702存储的指令,执行如图1和/或图2所示的方法。
在具体的实施过程中,每个处理器801具体可以是中央处理器、特定应用集成电路(Application Specific Integrated Circuit,ASIC),可以是一个或多个用于控制程序执行的集成电路,可以是使用现场可编程门阵列(Field Programmable Gate Array,FPGA)开发的硬件电路,可以是基带处理器。
存储器802可以包括只读存储器(Read Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)和磁盘存储器,用于存储处理器701运行时所需的数据。存储器702的数量为一个或多个。其中,存储器702在图7中一并示出,但需要知道的是存储器702不是必选的功能模块,因此在图7中以虚线示出。
基于同一发明构思,本发明实施例提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机指令,当计算机指令在计算机上运行时,使得计算机执行如图1所示的方法。
在具体的实施过程中,计算机可读存储介质包括:通用串行总线闪存盘(Universal Serial Bus flash drive,USB)、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的存储介质。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:通用串行总线闪存盘(Universal Serial Bus flash disk)、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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 (21)
1.一种睡眠环境调节方法,其特征在于,包括:
获取用户在睡眠时的预设时间段内的至少一个体征参数,所述体征参数至少包括生物电信号特征参数、人体肢体活动特征参数中的一种或任意组合;
从人群睡眠环境调节模型中确定与所述用户相匹配的个人睡眠环境调节模型;
通过确定的个人睡眠环境调节模型对获得的体征参数进行分析,确定要调节的至少一个环境参数;
将所述至少一个环境参数通知给位于用户睡眠环境中的至少一个家居环境设备,使得所述至少一个家居环境设备按照所述至少一个环境参数运行;
其中,所述个人睡眠环境调节模型为通过深度学习网络对至少一个环境参数进行有监督学习的逐层训练获得的环境参数集与体征参数的关系模型;所述人群睡眠环境调节模型包括至少一类用户的睡眠环境调节模型,每类用户的睡眠环境调节模型对应一个睡眠环境调节模型。
2.如权利要求1所述的方法,其特征在于,从人群睡眠环境调节模型中确定与所述用户相匹配的个人睡眠环境调节模型,包括:
确定所述用户的用户类型;
从预先建立的人群睡眠环境调节模型中查找与所述用户类型对应的睡眠环境调节模型;
将查找的睡眠环境调节模型确定为与所述用户相匹配的个人睡眠环境调节模型。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
确定所述人群睡眠环境调节模型中与所述用户类型对应设置的睡眠环境调节模型;
判断所述用户的个人睡眠调节模型是否是优于所述设置的睡眠环境调节模型;
若是,则将所述设置的睡眠环境调节模型更新为所述个人睡眠环境调节模型;
否则,则保留所述设置的睡眠环境调节模型。
4.如权利要求1所述的方法,其特征在于,在通过确定的个人睡眠环境调节模型对获得的体征参数进行分析,确定要调节的至少一个环境参数之前,还包括:
根据获取的至少一个体征参数确定睡眠质量评分;
通过确定的个人睡眠环境调节模型对获得的体征参数进行分析,确定要调节的至少一个环境参数,包括:
通过确定的个人睡眠环境调节模型对确定的睡眠质量评分进行分析,确定要调节的至少一个环境参数。
5.如权利要求4所述的方法,其特征在于,根据获取的至少一个体征参数确定睡眠质量评分,包括:
根据所述至少一个体征参数在所述预设时间段内的取值变化规律,将所述预设时间段划分为至少两个睡眠分期;其中,所述预设时间段为标准的睡眠分期对应的时间段;
分别根据所述至少两个睡眠分期中每一个睡眠分期对应的所述至少一个体征参数的取值,以及每一个睡眠分期在所述预设时间段内的占比,计算所述用户在所述预设时间段内的睡眠质量评分。
6.如权利要求5所述的方法,其特征在于,通过确定的个人睡眠环境调节模型对获得的睡眠质量评分进行分析,确定要调节的至少一个环境参数,包括:
通过个人睡眠环境调节模型对获得的睡眠质量评分进行反推,获得与所述睡眠质量评分对应的环境参数集;
将获得的环境参数集确定为所述要调节的至少一个环境参数。
7.如权利要求6所述的方法,其特征在于,在通过确定的个人睡眠环境调节模型对获得的睡眠质量评分体征参数进行分析,确定要调节的至少一个环境参数之前,所述方法还包括:
针对所述用户,建立所述用户处于睡眠状态时所在环境的至少一个环境参数与对应的睡眠质量评分之间的函数关系模型;其中,所述函数关系模型的输入为所述至少一个环境参数,输出为所述睡眠质量评分;
通过预设的至少一个样本环境参数对所述函数关系模型进行逐层训练,直到所述睡眠质量评分的取值达到设定标准,以获得所述用户的睡眠环境调节模型;
其中,在每一次对所述函数关系模型进行训练的过程中,将前一次输出的睡眠质量评分作为训练监督因子训练所述函数关系模型。
8.如权利要求7所述的方法,其特征在于,通过至少一个样本环境参数对所述函数关系模型进行基于有监督学习的逐层训练,获得所述睡眠环境调节模型,包括:
在每一次对所述函数关系模型进行有监督学习训练的过程中,将前一次输出的睡眠质量评分作为训练监督因子训练所述函数关系模型;
将所述至少一个环境参数与个人睡眠质量评分建立关联关系,获得所述睡眠环境调节模型。
9.如权利要求8所述的方法,其特征在于,在通过至少一个样本环境参数对所述函数关系模型进行基于有监督学习的逐层训练,获得所述睡眠环境调节模型之前,所述方法还包括:
计算各个环境参数与同一个环境参数之间的相关系数;
去除所述相关系数大于预设阈值的环境参数,以对所述睡眠环境调节模型进行降维处理。
10.如权利要求7所述的方法,其特征在于,所述方法还包括:
确定当前获得的至少一个环境参数对应的睡眠质量评分是否高于上一次获得的至少一个环境参数对应的睡眠质量评分;
若是,则将当前获得的至少一个环境参数取代所述上一次获得的至少一个环境参数成为最优的至少一个环境参数;
否则,则保留所述上一次获得的至少一个环境参数。
11.一种睡眠环境调节***,其特征在于,包括:环境参数采集调节单元、睡眠质量评估单元、数据处理单元及网关;其中,
所述环境参数采集调节单元用于:采集至少一种环境参数,并将采集的环境参数发送给所述网关;
所述睡眠质量评估单元用于:采集用户在睡眠时的预设时间段内的至少一个体征参数,将所述至少一个体征参数发送给所述网关;其中,所述体征参数至少包括生物电信号特征参数、人体肢体活动特征参数中的一种或任意组合;
所述网关用于:将接收的所述至少一种环境参数与所述至少一个体征参数发送给所述数据处理单元;
所述数据处理单元用于:接收所述网关发送的用户的所述至少一个体征参数,并从人群睡眠环境调节模型中确定与所述用户相匹配的个人睡眠环境调节模型,通过确定的个人睡眠环境调节模型对获得的体征参数进行分析,确定要调节的至少一个环境参数,并将所述要调节的至少一个环境参数通知给位于用户睡眠环境中的至少一个家居环境设备,使得所述至少一个家居环境设备按照所述至少一个环境参数运行;
其中,所述数据处理单元还用于:事先通过深度学习网络对至少一个环境参数进行有监督学习的逐层训练获得的环境参数集与睡眠质量评分的关系模型;所述人群睡眠环境调节模型包括至少一类用户的睡眠环境调节模型,每类用户的睡眠环境调节模型对应一个睡眠环境调节模型。
12.如权利要求11所述的***,其特征在于,所述数据处理单元具体用于:
将所述要调节的至少一个环境参数通知给所述网关;
所述网关还用于:将接收的所述所述要调节的至少一个环境参数通知给位于用户睡眠环境中的至少一个家居环境设备。
13.如权利要求11所述的***,其特征在于,所述睡眠质量评估单元具体用于:
根据所述至少一个体征参数在所述预设时间段内的取值变化规律,将所述预设时间段划分为至少两个睡眠分期;其中,所述预设时间段为标准的睡眠分期对应的时间段;
分别根据所述至少两个睡眠分期中每一个睡眠分期对应的所述至少一个体征参数的取值,以及每一个睡眠分期在所述预设时间段内的占比,计算所述用户在所述预设时间段内的睡眠质量评分。
14.如权利要求12所述的***,其特征在于,所述数据处理单元用于事先通过深度学习网络对至少一个环境参数进行有监督学习的逐层训练获得的环境参数集与睡眠质量评分的关系模型,包括:
针对所述用户,建立所述用户处于睡眠状态时所在环境的至少一个环境参数与对应的睡眠质量评分之间的函数关系模型;其中,所述函数关系模型的输入为所述至少一个环境参数,输出为所述睡眠质量评分;
通过预设的至少一个样本环境参数对所述函数关系模型进行逐层训练,直到所述睡眠质量评分的取值达到设定标准,以获得所述用户的睡眠环境调节模型;
其中,在每一次对所述函数关系模型进行训练的过程中,将前一次输出的睡眠质量评分作为训练监督因子训练所述函数关系模型。
15.如权利要求14所述的***,其特征在于,所述数据处理单元具体用于:
在每一次对所述函数关系模型进行有监督学习训练的过程中,将前一次输出的睡眠质量评分作为训练监督因子训练所述函数关系模型;
将所述至少一个环境参数与个人睡眠质量评分建立关联关系,获得所述睡眠环境调节模型。
16.如权利要求14所述的***,其特征在于,所述数据处理单元在通过至少一个样本环境参数对所述函数关系模型进行基于有监督学习的逐层训练,获得所述睡眠环境调节模型之前,还用于:
计算各个环境参数与同一个环境参数之间的相关系数;
去除所述相关系数大于预设阈值的环境参数,以对所述睡眠环境调节模型进行降维处理。
17.如权利要求14所述的***,其特征在于,所述数据处理单元还用于:
确定当前获得的至少一个环境参数对应的睡眠质量评分是否高于上一次获得的至少一个环境参数对应的睡眠质量评分;
若是,则将当前获得的至少一个环境参数取代所述上一次获得的至少一个环境参数成为最优的至少一个环境参数;
否则,则保留所述上一次获得的至少一个环境参数。
18.如权利要求14所述的***,其特征在于,所述数据处理单元具体用于:
确定所述用户的用户类型;
从预先建立的人群睡眠环境调节模型中查找与所述用户类型对应的睡眠环境调节模型;
将查找的睡眠环境调节模型确定为与所述用户相匹配的个人睡眠环境调节模型。
19.如权利要求14所述的***,其特征在于,所述数据处理单元还用于:
确定所述人群睡眠环境调节模型中与所述用户类型对应设置的睡眠环境调节模型;
判断所述用户的个人睡眠调节模型是否是优于所述设置的睡眠环境调节模型;
若是,则将所述设置的睡眠环境调节模型更新为所述个人睡眠环境调节模型;
否则,则保留所述设置的睡眠环境调节模型。
20.一种睡眠环境调节设备,其特征在于,所述设备包括:
至少一个处理器,以及
与所述至少一个处理器连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令,执行如权利要求1-10中任一项所述的方法。
21.一种计算机可读存储介质,其特征在于:
所述计算机可读存储介质存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行如权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710912360.2A CN109568760B (zh) | 2017-09-29 | 2017-09-29 | 一种睡眠环境调节方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710912360.2A CN109568760B (zh) | 2017-09-29 | 2017-09-29 | 一种睡眠环境调节方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109568760A true CN109568760A (zh) | 2019-04-05 |
CN109568760B CN109568760B (zh) | 2022-05-13 |
Family
ID=65919195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710912360.2A Active CN109568760B (zh) | 2017-09-29 | 2017-09-29 | 一种睡眠环境调节方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109568760B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110989735A (zh) * | 2019-11-12 | 2020-04-10 | 珠海格力电器股份有限公司 | 睡眠环境自适应调节方法、装置和电子设备 |
CN110974195A (zh) * | 2019-12-05 | 2020-04-10 | 珠海格力电器股份有限公司 | 调整睡眠环境的方法、装置及存储介质 |
CN111077925A (zh) * | 2019-10-31 | 2020-04-28 | 珠海格力电器股份有限公司 | 光照调节设备的控制方法、装置、电子设备及存储介质 |
CN111887830A (zh) * | 2020-09-10 | 2020-11-06 | 贵州省人民医院 | 睡眠监测方法、装置、设备及可读存储介质 |
CN112206395A (zh) * | 2020-09-11 | 2021-01-12 | 深圳数联天下智能科技有限公司 | 一种联动场景的设置方法及装置 |
CN112353401A (zh) * | 2020-10-19 | 2021-02-12 | 燕山大学 | 一种基于生理状态评估的分期调控方法 |
CN112451834A (zh) * | 2020-11-24 | 2021-03-09 | 珠海格力电器股份有限公司 | 一种睡眠质量管理方法、装置、***及存储介质 |
CN112545853A (zh) * | 2020-11-17 | 2021-03-26 | 未来穿戴技术有限公司 | 按摩脉冲输出方法及按摩设备、电子设备、存储介质 |
CN112674755A (zh) * | 2020-12-09 | 2021-04-20 | 珠海格力电器股份有限公司 | 睡眠检测***、方法及存储介质 |
CN113268098A (zh) * | 2021-06-23 | 2021-08-17 | 上海市建筑科学研究院有限公司 | 一种室内环境调控方法及*** |
CN113679339A (zh) * | 2020-05-19 | 2021-11-23 | 安徽华米健康科技有限公司 | 睡眠监测方法、设备、***以及存储介质 |
CN114053551A (zh) * | 2022-01-13 | 2022-02-18 | 深圳市心流科技有限公司 | 基于脑电信号的辅助入眠方法、装置、终端及存储介质 |
CN114995563A (zh) * | 2022-08-03 | 2022-09-02 | 利亚德光电股份有限公司 | 状态需求自匹配的环境状态展示方法、***、介质及设备 |
CN115120837A (zh) * | 2022-06-27 | 2022-09-30 | 慕思健康睡眠股份有限公司 | 基于深度学习的睡眠环境调节方法、***、装置及介质 |
CN115137315A (zh) * | 2022-09-06 | 2022-10-04 | 深圳市心流科技有限公司 | 一种睡眠环境评分方法、装置、终端及存储介质 |
CN115496105A (zh) * | 2022-09-28 | 2022-12-20 | 广东省新黄埔中医药联合创新研究院 | 睡眠预测模型训练方法、睡眠状况预测方法及相关装置 |
CN115865670A (zh) * | 2023-02-27 | 2023-03-28 | 灵长智能科技(杭州)有限公司 | 基于内核调优的web安全网关并发性能调节方法及装置 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007044201A (ja) * | 2005-08-09 | 2007-02-22 | Sekisui House Ltd | 睡眠環境調整システム及び睡眠環境調整方法 |
US20090264715A1 (en) * | 2003-12-31 | 2009-10-22 | Raphael Auphan | Sleep and Environment Control Method and System |
CN102626538A (zh) * | 2012-03-30 | 2012-08-08 | 北京品驰医疗设备有限公司 | 基于睡眠检测的集成式闭环脑深部刺激器 |
WO2013054712A1 (ja) * | 2011-10-14 | 2013-04-18 | 株式会社タニタ | 睡眠評価システム及び睡眠評価装置 |
CN104110786A (zh) * | 2013-12-30 | 2014-10-22 | 广东美的制冷设备有限公司 | 智能空调及其睡眠控制装置和方法 |
CN104243247A (zh) * | 2013-06-21 | 2014-12-24 | 广州杰赛科技股份有限公司 | 一种基于云的智能家电控制装置 |
CN104848473A (zh) * | 2015-04-23 | 2015-08-19 | 广东美的制冷设备有限公司 | 基于可穿戴设备的空调器控制方法、装置和*** |
CN105890117A (zh) * | 2016-04-28 | 2016-08-24 | 北京小米移动软件有限公司 | 控制空调的方法、装置及服务器 |
US20160292584A1 (en) * | 2015-03-31 | 2016-10-06 | Microsoft Technology Licensing, Llc | Inferring User Sleep Patterns |
CN106123206A (zh) * | 2016-06-17 | 2016-11-16 | 美的集团股份有限公司 | 一种调整环境热度的方法和*** |
CN106175697A (zh) * | 2016-09-18 | 2016-12-07 | 广州视源电子科技股份有限公司 | 睡眠状态检测方法和装置 |
US20160361515A1 (en) * | 2015-06-11 | 2016-12-15 | Samsung Electronics Co., Ltd. | Method and apparatus for controlling temperature adjustment device |
CN205827291U (zh) * | 2016-05-18 | 2016-12-21 | 复旦大学附属上海市第五人民医院 | 一种患者睡眠评估测量尺 |
JP2017000211A (ja) * | 2015-06-04 | 2017-01-05 | パナソニックIpマネジメント株式会社 | 睡眠環境制御システム |
WO2017010794A1 (ko) * | 2015-07-13 | 2017-01-19 | 삼성전자 주식회사 | 수면 환경 관리를 위한 제어 방법 및 장치 |
CN106618486A (zh) * | 2016-09-21 | 2017-05-10 | 广州视源电子科技股份有限公司 | 智能辅助睡眠中的睡眠状态识别方法和*** |
JP2017113454A (ja) * | 2015-12-25 | 2017-06-29 | トヨタホーム株式会社 | 睡眠支援装置 |
CN106913313A (zh) * | 2015-12-28 | 2017-07-04 | ***通信集团公司 | 一种睡眠监测方法及*** |
-
2017
- 2017-09-29 CN CN201710912360.2A patent/CN109568760B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090264715A1 (en) * | 2003-12-31 | 2009-10-22 | Raphael Auphan | Sleep and Environment Control Method and System |
JP2007044201A (ja) * | 2005-08-09 | 2007-02-22 | Sekisui House Ltd | 睡眠環境調整システム及び睡眠環境調整方法 |
WO2013054712A1 (ja) * | 2011-10-14 | 2013-04-18 | 株式会社タニタ | 睡眠評価システム及び睡眠評価装置 |
CN102626538A (zh) * | 2012-03-30 | 2012-08-08 | 北京品驰医疗设备有限公司 | 基于睡眠检测的集成式闭环脑深部刺激器 |
CN104243247A (zh) * | 2013-06-21 | 2014-12-24 | 广州杰赛科技股份有限公司 | 一种基于云的智能家电控制装置 |
CN104110786A (zh) * | 2013-12-30 | 2014-10-22 | 广东美的制冷设备有限公司 | 智能空调及其睡眠控制装置和方法 |
US20160292584A1 (en) * | 2015-03-31 | 2016-10-06 | Microsoft Technology Licensing, Llc | Inferring User Sleep Patterns |
CN104848473A (zh) * | 2015-04-23 | 2015-08-19 | 广东美的制冷设备有限公司 | 基于可穿戴设备的空调器控制方法、装置和*** |
JP2017000211A (ja) * | 2015-06-04 | 2017-01-05 | パナソニックIpマネジメント株式会社 | 睡眠環境制御システム |
US20160361515A1 (en) * | 2015-06-11 | 2016-12-15 | Samsung Electronics Co., Ltd. | Method and apparatus for controlling temperature adjustment device |
WO2017010794A1 (ko) * | 2015-07-13 | 2017-01-19 | 삼성전자 주식회사 | 수면 환경 관리를 위한 제어 방법 및 장치 |
JP2017113454A (ja) * | 2015-12-25 | 2017-06-29 | トヨタホーム株式会社 | 睡眠支援装置 |
CN106913313A (zh) * | 2015-12-28 | 2017-07-04 | ***通信集团公司 | 一种睡眠监测方法及*** |
CN105890117A (zh) * | 2016-04-28 | 2016-08-24 | 北京小米移动软件有限公司 | 控制空调的方法、装置及服务器 |
CN205827291U (zh) * | 2016-05-18 | 2016-12-21 | 复旦大学附属上海市第五人民医院 | 一种患者睡眠评估测量尺 |
CN106123206A (zh) * | 2016-06-17 | 2016-11-16 | 美的集团股份有限公司 | 一种调整环境热度的方法和*** |
CN106175697A (zh) * | 2016-09-18 | 2016-12-07 | 广州视源电子科技股份有限公司 | 睡眠状态检测方法和装置 |
CN106618486A (zh) * | 2016-09-21 | 2017-05-10 | 广州视源电子科技股份有限公司 | 智能辅助睡眠中的睡眠状态识别方法和*** |
Non-Patent Citations (2)
Title |
---|
黄俊杰 等: "睡眠环境调节***的血氧饱和度与心率信号采集环节研制", 《微型电脑应用》 * |
黄耀梁 等: "结合睡眠状态检测的睡眠环境智能调节***", 《中国自动化学会中南六省(区)2010年第28届年会 论文集》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111077925A (zh) * | 2019-10-31 | 2020-04-28 | 珠海格力电器股份有限公司 | 光照调节设备的控制方法、装置、电子设备及存储介质 |
CN110989735A (zh) * | 2019-11-12 | 2020-04-10 | 珠海格力电器股份有限公司 | 睡眠环境自适应调节方法、装置和电子设备 |
CN110974195A (zh) * | 2019-12-05 | 2020-04-10 | 珠海格力电器股份有限公司 | 调整睡眠环境的方法、装置及存储介质 |
CN113679339A (zh) * | 2020-05-19 | 2021-11-23 | 安徽华米健康科技有限公司 | 睡眠监测方法、设备、***以及存储介质 |
CN111887830A (zh) * | 2020-09-10 | 2020-11-06 | 贵州省人民医院 | 睡眠监测方法、装置、设备及可读存储介质 |
CN111887830B (zh) * | 2020-09-10 | 2023-03-10 | 贵州省人民医院 | 睡眠监测方法、装置、设备及可读存储介质 |
CN112206395A (zh) * | 2020-09-11 | 2021-01-12 | 深圳数联天下智能科技有限公司 | 一种联动场景的设置方法及装置 |
CN112206395B (zh) * | 2020-09-11 | 2022-07-15 | 深圳数联天下智能科技有限公司 | 一种联动场景的设置方法及装置 |
CN112353401A (zh) * | 2020-10-19 | 2021-02-12 | 燕山大学 | 一种基于生理状态评估的分期调控方法 |
CN112353401B (zh) * | 2020-10-19 | 2022-04-19 | 燕山大学 | 一种基于生理状态评估的分期调控方法 |
CN112545853A (zh) * | 2020-11-17 | 2021-03-26 | 未来穿戴技术有限公司 | 按摩脉冲输出方法及按摩设备、电子设备、存储介质 |
CN112451834B (zh) * | 2020-11-24 | 2022-03-04 | 珠海格力电器股份有限公司 | 一种睡眠质量管理方法、装置、***及存储介质 |
CN112451834A (zh) * | 2020-11-24 | 2021-03-09 | 珠海格力电器股份有限公司 | 一种睡眠质量管理方法、装置、***及存储介质 |
CN112674755A (zh) * | 2020-12-09 | 2021-04-20 | 珠海格力电器股份有限公司 | 睡眠检测***、方法及存储介质 |
CN113268098B (zh) * | 2021-06-23 | 2022-09-23 | 上海市建筑科学研究院有限公司 | 一种室内环境调控方法及*** |
CN113268098A (zh) * | 2021-06-23 | 2021-08-17 | 上海市建筑科学研究院有限公司 | 一种室内环境调控方法及*** |
CN114053551B (zh) * | 2022-01-13 | 2022-05-17 | 深圳市心流科技有限公司 | 基于脑电信号的辅助入眠方法、装置、终端及存储介质 |
CN114053551A (zh) * | 2022-01-13 | 2022-02-18 | 深圳市心流科技有限公司 | 基于脑电信号的辅助入眠方法、装置、终端及存储介质 |
CN115120837A (zh) * | 2022-06-27 | 2022-09-30 | 慕思健康睡眠股份有限公司 | 基于深度学习的睡眠环境调节方法、***、装置及介质 |
CN114995563A (zh) * | 2022-08-03 | 2022-09-02 | 利亚德光电股份有限公司 | 状态需求自匹配的环境状态展示方法、***、介质及设备 |
CN115137315A (zh) * | 2022-09-06 | 2022-10-04 | 深圳市心流科技有限公司 | 一种睡眠环境评分方法、装置、终端及存储介质 |
CN115496105A (zh) * | 2022-09-28 | 2022-12-20 | 广东省新黄埔中医药联合创新研究院 | 睡眠预测模型训练方法、睡眠状况预测方法及相关装置 |
CN115496105B (zh) * | 2022-09-28 | 2023-10-24 | 广东省新黄埔中医药联合创新研究院 | 睡眠预测模型训练方法、睡眠状况预测方法及相关装置 |
CN115865670A (zh) * | 2023-02-27 | 2023-03-28 | 灵长智能科技(杭州)有限公司 | 基于内核调优的web安全网关并发性能调节方法及装置 |
CN115865670B (zh) * | 2023-02-27 | 2023-06-16 | 灵长智能科技(杭州)有限公司 | 基于内核调优的web安全网关并发性能调节方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109568760B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109568760A (zh) | 一种睡眠环境调节方法及*** | |
Peker | An efficient sleep scoring system based on EEG signal using complex-valued machine learning algorithms | |
CN112656427B (zh) | 一种基于维度模型的脑电信号情绪识别方法 | |
CN110706816B (zh) | 一种基于人工智能进行睡眠环境调控的方法及设备 | |
He et al. | Strengthen EEG-based emotion recognition using firefly integrated optimization algorithm | |
CN108742517A (zh) | 一种基于Stacking单导联脑电睡眠自动分期方法 | |
WO2017193497A1 (zh) | 基于融合模型的智能化健康管理服务器、***及其控制方法 | |
CN110897639A (zh) | 一种基于深度卷积神经网络的脑电睡眠分期方法 | |
Cheng et al. | A motor imagery EEG feature extraction method based on energy principal component analysis and deep belief networks | |
CN113729707A (zh) | 一种基于fecnn-lstm的眼动和ppg多模态融合的情感识别方法 | |
CN109260566A (zh) | 使用投影技术增强睡眠技术 | |
CN106599057A (zh) | 一种自适应用户情绪的音乐节奏调控终端及其方法 | |
Sezer et al. | Employment and comparison of different artificial neural networks for epilepsy diagnosis from EEG signals | |
CN113448438B (zh) | 一种基于睡眠感知的控制***及方法 | |
Najdi et al. | Feature transformation based on stacked sparse autoencoders for sleep stage classification | |
Shi et al. | A Smart Detection Method of Sleep Quality Using EEG Signal and Long Short‐Term Memory Model | |
Yao et al. | A cnn-transformer deep learning model for real-time sleep stage classification in an energy-constrained wireless device | |
CN112353401B (zh) | 一种基于生理状态评估的分期调控方法 | |
CN107233653A (zh) | 基于脑电波情景感知和云平台存储技术的放松减压方法 | |
KR20080107961A (ko) | 오감 정보 처리기법 및 뇌파를 활용한 사용자 적응형임상진단/치료시스템 | |
Chitti et al. | EEG signal feature selection algorithm and support vector machine model in patient's fatigue recognition | |
Cen et al. | Deep learning method for sleep stage classification | |
Arslan et al. | Subject-dependent and subject-independent classification of mental arithmetic and silent reading tasks | |
Zhang et al. | EEG-based odor recognition using channel-frequency convolutional neural network | |
Bulbul et al. | EEG based sleep-wake classification using JOPS algorithm |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |