CN110824944A - 基于智能家居设备的睡眠行为信息预测方法及*** - Google Patents
基于智能家居设备的睡眠行为信息预测方法及*** Download PDFInfo
- Publication number
- CN110824944A CN110824944A CN201911164246.1A CN201911164246A CN110824944A CN 110824944 A CN110824944 A CN 110824944A CN 201911164246 A CN201911164246 A CN 201911164246A CN 110824944 A CN110824944 A CN 110824944A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- parameter
- output
- data
- 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.)
- Pending
Links
- 230000007958 sleep Effects 0.000 title claims abstract description 97
- 230000006399 behavior Effects 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims abstract description 106
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000003860 sleep quality Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 18
- 238000013528 artificial neural network Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000036578 sleeping time Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本公开提供一种基于智能家居设备的睡眠行为信息预测方法及***。所述方法包括:监测一个或多个智能家居设备的运行状态,当监测到由触发所述智能家居设备所产生的运行信号时,获取与当前睡眠行为相关的第一参数;将所述第一参数输入到预定的神经网络模型中,并利用所述神经网络模型基于所述第一参数进行预测,以便得到经过预测后输出的第二参数;其中,所述神经网络模型为根据与睡眠行为相关的历史数据所训练得到的模型;根据所述第二参数生成睡眠行为的预测信息。基于本发明的技术方案,实现了对用户睡眠行为信息的预测,有助于提升用户的睡眠质量,增强用户的睡眠体验。
Description
技术领域
本公开涉及智能家居技术领域,尤其涉及一种基于智能家居设备的睡眠行为信息预测方法及***。
背景技术
随着计算机技术、物联网技术以及工业生产技术的发展,将以上技术与生活中常规的家居产品相结合生产出智能化的家居设备,已逐渐成为未来家居设备及产品的发展趋势。以智能家居中的睡眠工具为例,比如目前的枕头、床垫等产品,仍然以满足基本的睡眠需求为主,然而人体在睡眠过程中会产生一些信息,这些信息对分析用户的睡眠行为具有很高的价值,通过对这部分信息进行分析,将有助于分析用户的睡眠行为,因此,如何将人工智能技术与睡眠工具相结合,实现对用户睡眠行为的分析及预测,将是一项具有重要意义的研究。
现有技术中,虽然一些产品已经实现了对用户睡眠过程的监测,例如智能手环、睡眠监测装置等,虽然这些产品可通过监测人体生命体征来判断用户的睡眠状态,但是用户通过这些产品仅仅能够获悉自己昨晚或其他历史时期的睡眠情况,既无法实现对用户睡眠行为信息的分析,更无法对用户的睡眠行为信息进行预测;另外,上述智能手环、睡眠监测装置等设备需要用户穿戴方能使用,因此降低了用户的睡眠体验。
发明内容
本公开提供一种基于智能家居设备的睡眠行为信息预测方法及***,以解决相关技术存在的无法实现对用户睡眠行为信息进行分析及预测,用户睡眠体验差的问题。
为解决上述技术问题,本公开实施例的第一方面,提供一种基于智能家居设备的睡眠行为信息预测方法,包括:
监测一个或多个智能家居设备的运行状态,当监测到由触发所述智能家居设备所产生的运行信号时,获取与当前睡眠行为相关的第一参数;
将所述第一参数输入到预定的神经网络模型中,并利用所述神经网络模型基于所述第一参数进行预测,以便得到经过预测后输出的第二参数;其中,所述神经网络模型为根据与睡眠行为相关的历史数据所训练得到的模型;
根据所述第二参数生成睡眠行为的预测信息。
在本实施例的一些实施方式中,利用第一传感器监测一个或多个智能家居设备的运行状态,其中,
所述第一传感器包括压力传感器。
在本实施例的一些实施方式中,所述第一参数包括时间数据和/或环境数据,其中:
所述时间数据包括日期数据以及时间点数据;
所述环境数据包括噪音值、温度值、湿度值、空气质量值中的至少一种;
所述噪音值、温度值、湿度值、空气质量值分别通过噪音传感器、温度传感器、湿度传感器、空气质量传感器获取。
在本实施例的一些实施方式中,所述神经网络模型为BP神经网络模型,采用以下方法训练得到所述BP神经网络模型,具体地:
获取预定时间段内产生的历史数据,所述历史数据包括历史时间数据、历史环境数据以及历史用户睡眠行为数据;
从所述历史数据中选取多个时段,并将所述多个时段以及与所述时段相对应的历史数据组成的数据集作为样本数据;
根据所述历史数据对BP神经网络模型的结构执行初始化操作,得到初始化BP神经网络模型;
根据所述样本数据并利用误差反向传播算法,对所述初始化BP神经网络模型中的权值及偏置进行调整,以便得到调整后的BP神经网络模型。
在本实施例的一些实施方式中,根据所述样本数据并利用误差反向传播算法,对所述初始化BP神经网络模型中的权值及偏置进行调整,以便得到调整后的BP神经网络模型,包括:
将所述样本数据输入到初始化BP神经网络模型中,以便利用所述初始化BP神经网络模型中的激活函数、权值以及偏置计算得到所述初始化BP神经网络模型的实际输出;
获取所述初始化BP神经网络模型的期望输出,并根据所述期望输出及实际输出对所述初始化BP神经网络模型的输出精度进行判断;
当所述输出精度符合预设精度条件时,则将所述初始化BP神经网络模型作为调整后的BP神经网络模型;
当所述输出精度不符合预设精度条件时,则利用误差反向传播算法对所述初始化BP神经网络模型中的权值及偏置进行调整,并使得调整后的BP神经网络模型的输出精度直至符合预设精度条件时为止。
在本实施例的一些实施方式中,根据所述期望输出及实际输出对输出精度进行判断,包括:
对所述期望输出与实际输出进行求差得到输出误差,将所述输出误差与预设误差进行比较,当所述输出误差小于预设误差时,则判断所述输出精度符合预设精度条件,否则判断所述输出精度不符合预设精度条件。
在本实施例的一些实施方式中,利用误差反向传播算法对所述初始化BP神经网络模型中的权值及偏置进行调整,包括根据以下计算式对所述权值及偏置进行调整,具体地:
其中,C(w,b)表示误差能量函数;n表示训练样本的总数量;x表示训练样本;
进一步地,根据以下计算式对初始化BP神经网络模型中的权值进行更新,具体地:
进一步地,根据以下计算式对初始化BP神经网络模型中的偏置进行更新,具体地:
其中,bι表示初始偏置,表示误差能量函数对偏置的偏导数;
进一步地,所述误差能量函数对权值的偏导数以及误差能量函数对偏置的偏导数分别通过链式求导法则获得。
在本实施例的一些实施方式中,所述第二参数包括时间参数及环境参数,根据所述第二参数生成睡眠行为的预测信息,包括:
根据所述时间参数及环境参数生成用于预测适宜用户睡眠状态的时间信息及环境信息。
在本实施例的一些实施方式中,所述智能家居设备包括智能枕头和/或智能床垫。
本公开实施例的第二方面,提供一种基于智能家居设备的睡眠行为信息预测***,包括一个或多个智能家居设备以及与所述智能家居设备通信连接的终端设备,其中:
所述智能家居设备,用于当监测到由触发所述智能家居设备所产生的运行信号时,获取与当前睡眠行为相关的第一参数,并将所述第一参数发送至终端设备;
所述终端设备,用于接收所述第一参数,并将所述第一参数输入到预定的神经网络模型中,利用所述神经网络模型基于所述第一参数进行预测,以便得到经过预测后输出的第二参数;并根据所述第二参数生成睡眠行为的预测信息;其中,所述神经网络模型为根据与睡眠行为相关的历史数据所训练得到的模型。
本公开实施例采用的上述至少一个技术方案能够达到以下有益效果:
通过监测一个或多个智能家居设备的运行状态,当监测到由触发智能家居设备所产生的运行信号时,获取与当前睡眠行为相关的第一参数;将第一参数输入到预定的神经网络模型中,并利用神经网络模型基于第一参数进行预测,以便得到经过预测后输出的第二参数;其中,神经网络模型为根据与睡眠行为相关的历史数据所训练得到的模型;根据第二参数生成睡眠行为的预测信息。基于本发明的技术方案,通过根据与用户睡眠行为相关的历史数据训练得到的神经网络模型,在检测到用户使用智能家居设备时,将当前获取到的第一参数输入到神经网络模型中进行预测,以便根据神经网络模型的输出生成用于预测适宜用户睡眠状态的信息,从而实现了对用户睡眠行为信息的预测。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种基于智能家居设备的睡眠行为信息预测方法的流程示意图;
图2为本公开实施例提供的一种训练得到BP神经网络模型的方法流程示意图;
图3为本公开实施例提供的一种对初始化BP神经网络模型中的权值及偏置进行调整的方法流程示意图;
图4为本公开实施例提供的一种基于智能家居设备的睡眠行为信息预测***的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本公开实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
智能家居设备及产品种类繁多,以智能家居中的睡眠工具(如枕头、床垫等)为例,通过睡眠工具的使用能够保证人们睡眠更加舒适,目前市面上的睡眠工具仍然以满足用户基本的睡眠需求为主,因此导致其智能化程度较低;然而,由于睡眠工具是睡眠过程中必不可少的家居产品,并且用户往往对睡眠工具的使用频率比较有规律性,能够产生有针对性、有价值的信息,因此,通过将人工智能技术与睡眠工具相结合,为其赋予更加智能化的功能,以此来分析用户的睡眠行为,并根据用户睡眠行为生成预测信息推荐给用户,这对于协助用户养成良好的睡眠行为习惯,提升用户的睡眠质量等具有十分重要的意义。
需要说明的是,本公开以下实施例是以智能枕头作为智能家居设备,以用户使用智能枕头进行睡眠时产生的相关数据作为处理对象,并根据处理结果预测用户的睡眠行为作为具体应用场景来描述的。当然智能家居设备还可以包括智能床垫,上述具体应用场景不构成对本公开实施例的限定。
图1为本公开实施例提供的一种基于智能家居设备的睡眠行为信息预测方法的流程示意图,该方法具体可以包括以下步骤:
在步骤S110中,监测一个或多个智能家居设备的运行状态,当监测到由触发所述智能家居设备所产生的运行信号时,获取与当前睡眠行为相关的第一参数。
在本实施例的一些实施方式中,所述智能家居设备可以是智能枕头,通过安装在智能枕头中的第一传感器来监测智能枕头的运行状态,所述第一传感器包括压力传感器。在实际应用中,当用户的头部接触智能枕头时,即触发智能枕头产生运行信号,表示用户准备开始睡眠,此时利用智能枕头中的相关传感器获取与当前睡眠行为相关的第一参数,并将第一参数作为实际预测中的数据输入。
在本实施例的一些实施方式中,第一参数包括时间数据和/或环境数据,其中:
时间数据包括日期数据以及时间点数据;
环境数据包括噪音值、温度值、湿度值、空气质量值中的至少一种;
噪音值、温度值、湿度值、空气质量值分别通过噪音传感器、温度传感器、湿度传感器、空气质量传感器获取。
进一步地,获取与当前睡眠行为相关的第一参数,可以包括:
获取当前的时间数据;和/或,
通过第二传感器获取环境数据,第二传感器包括噪音传感器、温度传感器、湿度传感器、空气质量传感器中的至少一种。
进一步地,在一些实施方式中,可以通过智能枕头内的计时器获取当前的时间数据,时间数据包括日期数据以及时间点数据,其中,日期数据表示当前时间点所在日历表中的日期,例如:xxx年x月x号或者为星期几;时间点数据表示当前所处24小时中的具体时间,例如:晚上10点30分。
进一步地,在一些实施方式中,可以利用智能枕头内的第二传感器来获取环境数据,例如:获取当前的噪音值、温度值、湿度值、空气质量值等相关数据,其中噪音值可表示用户当前所处睡眠环境的噪音,温度值、湿度值和空气质量值可表示用户当前所处睡眠环境的空气情况。
值得说明的是,本公开实施例中不对智能枕头的具体结构,传感器的型号、种类,传感器的安装位置及安装方式等做详细限定,对本领域技术人员来说,所有可实现并最终能够达到相应效果的方式均可应用于本公开实施例中。
在步骤S120中,将所述第一参数输入到预定的神经网络模型中,并利用所述神经网络模型基于所述第一参数进行预测,以便得到经过预测后输出的第二参数;其中,所述神经网络模型为根据与睡眠行为相关的历史数据所训练得到的模型。
在本实施例的一些实施方式中,神经网络模型的具体结构包括但不限于:BP神经网络及其变化形式的结构、全连接神经网络、RNN神经网络、LSTM神经网络、CNN神经网络等网络结构。下面以BP神经网络模型作为具体应用场景,对BP神经网络模型的训练过程进行详细说明,参见图2,该图示出了本公开实施例提供的一种训练得到BP神经网络模型的方法流程示意图,采用以下方法训练得到所述BP神经网络模型,具体地:
步骤S210:获取预定时间段内产生的历史数据,所述历史数据包括历史时间数据、历史环境数据以及历史用户睡眠行为数据;
步骤S220:从所述历史数据中选取多个时段,并将所述多个时段以及与所述时段相对应的历史数据组成的数据集作为样本数据;
步骤S230:根据所述历史数据对BP神经网络模型的结构执行初始化操作,得到初始化BP神经网络模型;
步骤S240:根据所述样本数据并利用误差反向传播算法,对所述初始化BP神经网络模型中的权值及偏置进行调整,以便得到调整后的BP神经网络模型。
在上述步骤S210中,通过搜集一定周期内连续每天的历史时间段中用户睡眠过程中通过智能枕头采集的相关数据进行汇总,例如通过对大量不同使用环境下通过智能枕头采集的数据进行汇总收集作为历史数据,具体搜集方式包括但不限于智能枕头在实验室模拟环境下的运行参数,以及通过物联网技术搜集实际用户使用时的枕头运行参数等方式。
在上述步骤S220中,通过对历史数据进行筛选,从中选取多个时段以及与多个时段分别相对应的历史数据组成数据集,并将所述数据集作为样本数据,样本数据中包含时间数据、环境数据以及与所述时间数据及环境数据相对应的用户睡眠行为数据,样本数据既可以包含单一参数,也可以包含按一定规律提取特征组成的一维或多维数组。
在上述步骤S230中,可以根据历史数据中包含的不同环境温度、环境湿度、操作时间段等数据所蕴含的规律,初步确定BP神经网络模型的基本结构、网络的输入节点数、输出节点数、隐藏层层数、隐藏层节点数、初始权值、初始偏置等。
在上述步骤S240中,通过结合附图对根据样本数据并利用误差反向传播算法,对初始化BP神经网络模型中的权值及偏置进行调整,以便得到调整后的BP神经网络模型的实现过程进行描述,参见图3,该图示出了本公开实施例提供的一种对初始化BP神经网络模型中的权值及偏置进行调整的方法流程示意图,具体地:
将样本数据输入到初始化BP神经网络模型中,以便利用初始化BP神经网络模型中的激活函数、权值以及偏置计算得到初始化BP神经网络模型的实际输出;
获取初始化BP神经网络模型的期望输出,并根据期望输出及实际输出对初始化BP神经网络模型的输出精度进行判断;
当输出精度符合预设精度条件时,则将初始化BP神经网络模型作为调整后的BP神经网络模型;
当输出精度不符合预设精度条件时,则利用误差反向传播算法(Error BackPropagation Training)对初始化BP神经网络模型中的权值及偏置进行调整,并使得调整后的BP神经网络模型的输出精度直至符合预设精度条件时为止。
进一步地,在一些实施方式中,以输入样本数据x为例,对初始化BP神经网络模型的实际输出计算过程进行说明,具体地:输入样本数据x,根据激活函数、初始化的权值及偏置计算出网络的实际输出a(x),即a(x)=1/(1+e-z),其中Z=Wk*x+b1。
在本实施例的一些实施方式中,根据期望输出及实际输出对输出精度进行判断,可以包括以下内容:
对期望输出与实际输出进行求差得到输出误差,将输出误差与预设误差进行比较,当输出误差小于预设误差时,则判断输出精度符合预设精度条件,否则判断输出精度不符合预设精度条件。
在一具体实施例中,例如获取初始化BP神经网络模型的期望输出为y(x),通过对期望输出与实际输出进行求差得到输出误差来判断是否满足输出精度,可以通过以下计算式进行判断:
||y(x)-a(x)||<∈;∈表示目标最小误差。
进一步地,如果输出误差小于目标最小误差,则将初始化BP神经网络模型作为调整后的BP神经网络模型,并结束对BP神经网络模型的训练;如果输出误差大于或等于目标最小误差,则采用以下计算式利用误差反向传播算法对初始化BP神经网络模型中的权值及偏置进行调整,具体地:
其中,C(w,b)表示误差能量函数(如标准方差函数);n表示训练样本的总数量;x表示训练样本;
进一步地,根据以下计算式对初始化BP神经网络模型中的权值进行更新,具体地:
进一步地,根据以下计算式对初始化BP神经网络模型中的偏置进行更新,具体地:
进一步地,所述误差能量函数对权值的偏导数以及误差能量函数对偏置的偏导数分别通过链式求导法则获得。
在本公开另一实施例中,对于完成训练后的BP神经网络模型,可继续用测试样本对网络进行正向测试,当测试误差不满足要求时,则重复以上调整方法重新调整网络中的权值及偏置,并直至测试误差满足要求。测试样本与训练样本的获取方式相同,在此不再赘述。
基于本公开以上实施例中步骤S120的内容,在BP神经网络进行学习和训练的过程中,通过误差反向传播算法来调整网络结构及网络节点间的权值、节点的偏值,使神经网络拟合时间数据(如入睡时间点、睡眠时长)、环境参数(如温度、湿度、空气质量)与用户睡眠行为数据(如睡眠状态)之间的关系;即通过人工神经网络的自学习、自适应特性找到用户使用枕头的过去一段时间的睡眠规律,并找到过去值与未来值之间存在的联系,能有效地拟合出用户使用行为随日期和时间变化的曲线。
由于BP神经网络算法的理论和性能比较成熟,因此相比其他传统算法,BP神经网络算法节省了大量的计算,还保证了一定的准确性,其算法模型调整只需调整参数;而传统算法模型在后期调整和维护中,改动的成本较大。通过使用BP神经网络对离散点进行拟合曲线,达到预测目的,一般来说,一次观测中过去值与未来值存在联系,将过去观测值作为BP网络的输入,给出未来值作为BP网络的输出。从数学角度看,BP神经网络成为输入输出的非线性函数,换言之,基于BP神经网络的时间预测方法就是用BP神经网络来拟合预测函数g(x),然后预测未来值。
在步骤S130中,根据所述第二参数生成睡眠行为的预测信息。
在本实施例的一些实施方式中,第二参数包括时间参数及环境参数,根据第二参数生成睡眠行为的预测信息,可以包括以下内容:
根据时间参数及环境参数生成用于预测适宜用户睡眠状态的时间信息及环境信息。
以一个具体应用场景为例,对根据第二参数生成用于预测用户睡眠行为的信息,并将信息推荐给用户的过程进行描述,具体地:
将用于实际预测的第一参数输入到训练好的BP神经网络模型,判断出用户的睡眠行为规律,之后根据预先制定的策略来生成用户行为的推荐方案。例如:判断出用户每天晚上11点会使用枕头开始入睡,且根据历史数据,用户在熟睡状态下时室内温度和湿度都较适宜,则为用户制定晚上10点30分提醒用户准备入睡,并提醒用户将空调开启到适宜温度。
进一步地,在一些实施方式中,还可以将上述生成的预测信息推荐给用户,例如,将所述时间信息及环境信息推荐给用户,以便***进一步确定用户对预测信息的执行情况,从而提醒用户调整自身的睡眠行为习惯,改善用户自身的睡眠质量。
基于同样的思路,本公开实施例还提供了一种基于智能家居设备的睡眠行为信息预测***,包括一个或多个智能家居设备以及与所述智能家居设备通信连接的终端设备,其中:
所述智能家居设备,用于当监测到由触发所述智能家居设备所产生的运行信号时,获取与当前睡眠行为相关的第一参数,并将所述第一参数发送至终端设备;
所述终端设备,用于接收所述第一参数,并将所述第一参数输入到预定的神经网络模型中,利用所述神经网络模型基于所述第一参数进行预测,以便得到经过预测后输出的第二参数;并根据所述第二参数生成睡眠行为的预测信息;其中,所述神经网络模型为根据与睡眠行为相关的历史数据所训练得到的模型。
在实际应用中,根据具体的应用场景,所述终端设备可以包括服务器和/或移动终端,下面以终端设备包括服务器及移动终端为例,结合附图对本公开实施例中基于智能家居设备的睡眠行为信息预测***的结构及功能进行说明,参见图4,该图示出了本公开实施例提供的一种基于智能家居设备的睡眠行为信息预测***的结构示意图,该***主要包括:
一个或多个智能家居设备401以及与所述智能家居设备401通过无线数据连接的服务器402和移动终端403,其中:
所述智能家居设备401,用于当监测到由触发智能家居设备所产生的运行信号时,获取与当前睡眠行为相关的第一参数,并将第一参数发送至服务器;
所述服务器402,用于接收第一参数,并将第一参数输入到预定的神经网络模型中,利用神经网络模型基于第一参数进行预测,以便得到经过预测后输出的第二参数;并根据第二参数生成睡眠行为的预测信息;其中,神经网络模型为根据与睡眠行为相关的历史数据所训练得到的模型;
所述移动终端403,用于向所述智能家居设备以及服务器发送请求指令,以便请求获取所述智能家居设备采集到的第一参数的数据,以及请求获取所述服务器生成的用于预测适宜用户睡眠状态的信息。
需要说明的是,所述移动电话终端403包括但不限于:手机、平板电脑、可穿戴设备等,所述手机及平板电脑可以为安装了Syber OS、iOS、Android、Symbian、Windows Mobile、Maemo、WebOS、Palm OS或Blackberry OS等终端操作***的智能手机或平板电脑,所述移动电话终端上可集成有触控屏,所述触控屏例如是液晶触控屏。
在实际应用中,可将BP神经网络算法模型直接集成在智能枕头本身的控制器中,不额外连接服务器;也可以将BP神经网络算法模型集成在服务器内,利用服务器从智能枕头获取用于训练及预测的数据。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (10)
1.一种基于智能家居设备的睡眠行为信息预测方法,包括:
监测一个或多个智能家居设备的运行状态,当监测到由触发所述智能家居设备所产生的运行信号时,获取与当前睡眠行为相关的第一参数;
将所述第一参数输入到预定的神经网络模型中,并利用所述神经网络模型基于所述第一参数进行预测,以便得到经过预测后输出的第二参数;其中,所述神经网络模型为根据与睡眠行为相关的历史数据所训练得到的模型;
根据所述第二参数生成睡眠行为的预测信息。
2.如权利要求1所述的方法,其特征在于,利用第一传感器监测一个或多个智能家居设备的运行状态,其中,
所述第一传感器包括压力传感器。
3.如权利要求1所述的方法,其特征在于,所述第一参数包括时间数据和/或环境数据,其中:
所述时间数据包括日期数据以及时间点数据;
所述环境数据包括噪音值、温度值、湿度值、空气质量值中的至少一种;
所述噪音值、温度值、湿度值、空气质量值分别通过噪音传感器、温度传感器、湿度传感器、空气质量传感器获取。
4.如权利要求1所述的方法,其特征在于,所述神经网络模型为BP神经网络模型,采用以下方法训练得到所述BP神经网络模型,具体地:
获取预定时间段内产生的历史数据,所述历史数据包括历史时间数据、历史环境数据以及历史用户睡眠行为数据;
从所述历史数据中选取多个时段,并将所述多个时段以及与所述时段相对应的历史数据组成的数据集作为样本数据;
根据所述历史数据对BP神经网络模型的结构执行初始化操作,得到初始化BP神经网络模型;
根据所述样本数据并利用误差反向传播算法,对所述初始化BP神经网络模型中的权值及偏置进行调整,以便得到调整后的BP神经网络模型。
5.如权利要求4所述的方法,其特征在于,根据所述样本数据并利用误差反向传播算法,对所述初始化BP神经网络模型中的权值及偏置进行调整,以便得到调整后的BP神经网络模型,包括:
将所述样本数据输入到初始化BP神经网络模型中,以便利用所述初始化BP神经网络模型中的激活函数、权值以及偏置计算得到所述初始化BP神经网络模型的实际输出;
获取所述初始化BP神经网络模型的期望输出,并根据所述期望输出及实际输出对所述初始化BP神经网络模型的输出精度进行判断;
当所述输出精度符合预设精度条件时,则将所述初始化BP神经网络模型作为调整后的BP神经网络模型;
当所述输出精度不符合预设精度条件时,则利用误差反向传播算法对所述初始化BP神经网络模型中的权值及偏置进行调整,并使得调整后的BP神经网络模型的输出精度直至符合预设精度条件时为止。
6.如权利要求5所述的方法,其特征在于,根据所述期望输出及实际输出对输出精度进行判断,包括:
对所述期望输出与实际输出进行求差得到输出误差,将所述输出误差与预设误差进行比较,当所述输出误差小于预设误差时,则判断所述输出精度符合预设精度条件,否则判断所述输出精度不符合预设精度条件。
7.如权利要求5所述的方法,其特征在于,利用误差反向传播算法对所述初始化BP神经网络模型中的权值及偏置进行调整,包括根据以下计算式对所述权值及偏置进行调整,具体地:
其中,C(w,b)表示误差能量函数;n表示训练样本的总数量;x表示训练样本;
进一步地,根据以下计算式对初始化BP神经网络模型中的权值进行更新,具体地:
进一步地,根据以下计算式对初始化BP神经网络模型中的偏置进行更新,具体地:
进一步地,所述误差能量函数对权值的偏导数以及误差能量函数对偏置的偏导数分别通过链式求导法则获得。
8.如权利要求1所述的方法,其特征在于,所述第二参数包括时间参数及环境参数,根据所述第二参数生成睡眠行为的预测信息,包括:
根据所述时间参数及环境参数生成用于预测适宜用户睡眠状态的时间信息及环境信息。
9.如权利要求1-8中任一项所述的方法,其特征在于,所述智能家居设备包括智能枕头和/或智能床垫。
10.一种基于智能家居设备的睡眠行为信息预测***,包括一个或多个智能家居设备以及与所述智能家居设备通信连接的终端设备,其中:
所述智能家居设备,用于当监测到由触发所述智能家居设备所产生的运行信号时,获取与当前睡眠行为相关的第一参数,并将所述第一参数发送至终端设备;
所述终端设备,用于接收所述第一参数,并将所述第一参数输入到预定的神经网络模型中,利用所述神经网络模型基于所述第一参数进行预测,以便得到经过预测后输出的第二参数;并根据所述第二参数生成睡眠行为的预测信息;其中,所述神经网络模型为根据与睡眠行为相关的历史数据所训练得到的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911164246.1A CN110824944A (zh) | 2019-11-22 | 2019-11-22 | 基于智能家居设备的睡眠行为信息预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911164246.1A CN110824944A (zh) | 2019-11-22 | 2019-11-22 | 基于智能家居设备的睡眠行为信息预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110824944A true CN110824944A (zh) | 2020-02-21 |
Family
ID=69558849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911164246.1A Pending CN110824944A (zh) | 2019-11-22 | 2019-11-22 | 基于智能家居设备的睡眠行为信息预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110824944A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489019A (zh) * | 2020-03-31 | 2020-08-04 | 清华大学 | 睡眠质量预测方法及装置 |
CN111897263A (zh) * | 2020-07-30 | 2020-11-06 | Oppo广东移动通信有限公司 | 智能眼镜控制方法、装置、存储介质及电子设备 |
CN112034727A (zh) * | 2020-09-24 | 2020-12-04 | 广东省安心加科技有限公司 | 基于智能情景的家居设备管理方法及智能家居控制装置 |
CN112489720A (zh) * | 2020-10-16 | 2021-03-12 | 西安得眠堂健康管理工作部 | 一种用于提高改善睡眠质量的复合肽的智能制备方法和装置 |
CN113359502A (zh) * | 2021-07-05 | 2021-09-07 | 信阳农林学院 | 一种基于人工智能的智能家居多传感器检测方法、***及存储介质 |
CN113974576A (zh) * | 2021-12-23 | 2022-01-28 | 北京航空航天大学杭州创新研究院 | 一种基于心磁图的睡眠质量监测***及监测方法 |
CN114063459A (zh) * | 2020-08-10 | 2022-02-18 | 青岛海信电子产业控股股份有限公司 | 一种终端和智能家居控制方法 |
CN114065059A (zh) * | 2022-01-17 | 2022-02-18 | 浙江想能睡眠科技股份有限公司 | 一种基于大数据的睡姿推荐控制方法、***和存储介质 |
WO2022142233A1 (zh) * | 2020-12-28 | 2022-07-07 | 盛铭睿 | 活动寝具及其所应用的模型构建和助眠方法、终端及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105242559A (zh) * | 2015-11-04 | 2016-01-13 | 上海致能科技有限公司 | 睡眠环境监测***、提高睡眠质量的智能家居*** |
CN106446552A (zh) * | 2016-09-28 | 2017-02-22 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的睡眠障碍预测方法和预测*** |
CN108052014A (zh) * | 2017-12-18 | 2018-05-18 | 美的集团股份有限公司 | 智能家居的控制方法、***及计算机可读存储介质 |
CN109088806A (zh) * | 2018-10-11 | 2018-12-25 | 珠海格力电器股份有限公司 | 一种智能家居睡眠调节方法及*** |
CN109471370A (zh) * | 2018-11-23 | 2019-03-15 | 珠海格力电器股份有限公司 | 一种基于排气扇操作数据的行为预测及控制方法、*** |
-
2019
- 2019-11-22 CN CN201911164246.1A patent/CN110824944A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105242559A (zh) * | 2015-11-04 | 2016-01-13 | 上海致能科技有限公司 | 睡眠环境监测***、提高睡眠质量的智能家居*** |
CN106446552A (zh) * | 2016-09-28 | 2017-02-22 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的睡眠障碍预测方法和预测*** |
CN108052014A (zh) * | 2017-12-18 | 2018-05-18 | 美的集团股份有限公司 | 智能家居的控制方法、***及计算机可读存储介质 |
CN109088806A (zh) * | 2018-10-11 | 2018-12-25 | 珠海格力电器股份有限公司 | 一种智能家居睡眠调节方法及*** |
CN109471370A (zh) * | 2018-11-23 | 2019-03-15 | 珠海格力电器股份有限公司 | 一种基于排气扇操作数据的行为预测及控制方法、*** |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489019A (zh) * | 2020-03-31 | 2020-08-04 | 清华大学 | 睡眠质量预测方法及装置 |
CN111489019B (zh) * | 2020-03-31 | 2024-05-31 | 清华大学 | 睡眠质量预测方法及装置 |
CN111897263A (zh) * | 2020-07-30 | 2020-11-06 | Oppo广东移动通信有限公司 | 智能眼镜控制方法、装置、存储介质及电子设备 |
CN114063459A (zh) * | 2020-08-10 | 2022-02-18 | 青岛海信电子产业控股股份有限公司 | 一种终端和智能家居控制方法 |
CN114063459B (zh) * | 2020-08-10 | 2024-03-15 | 海信集团控股股份有限公司 | 一种终端和智能家居控制方法 |
CN112034727A (zh) * | 2020-09-24 | 2020-12-04 | 广东省安心加科技有限公司 | 基于智能情景的家居设备管理方法及智能家居控制装置 |
CN112489720A (zh) * | 2020-10-16 | 2021-03-12 | 西安得眠堂健康管理工作部 | 一种用于提高改善睡眠质量的复合肽的智能制备方法和装置 |
WO2022142233A1 (zh) * | 2020-12-28 | 2022-07-07 | 盛铭睿 | 活动寝具及其所应用的模型构建和助眠方法、终端及介质 |
CN113359502A (zh) * | 2021-07-05 | 2021-09-07 | 信阳农林学院 | 一种基于人工智能的智能家居多传感器检测方法、***及存储介质 |
CN113974576B (zh) * | 2021-12-23 | 2022-04-22 | 北京航空航天大学杭州创新研究院 | 一种基于心磁图的睡眠质量监测***及监测方法 |
CN113974576A (zh) * | 2021-12-23 | 2022-01-28 | 北京航空航天大学杭州创新研究院 | 一种基于心磁图的睡眠质量监测***及监测方法 |
CN114065059A (zh) * | 2022-01-17 | 2022-02-18 | 浙江想能睡眠科技股份有限公司 | 一种基于大数据的睡姿推荐控制方法、***和存储介质 |
CN114065059B (zh) * | 2022-01-17 | 2022-04-19 | 浙江想能睡眠科技股份有限公司 | 一种基于大数据的睡姿推荐控制方法、***和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110824944A (zh) | 基于智能家居设备的睡眠行为信息预测方法及*** | |
US10959667B2 (en) | Intelligent sleep system, and user side system and cloud side system thereof | |
CN105045234B (zh) | 基于智能可穿戴设备行为感知的智能家庭能源管理方法 | |
US11076758B2 (en) | Controlling devices based on physiological measurements | |
Cook et al. | MavHome: An agent-based smart home | |
US11004551B2 (en) | Sleep improvement system, and sleep improvement method using said system | |
US7621871B2 (en) | Systems and methods for monitoring and evaluating individual performance | |
JP7279445B2 (ja) | 予測方法、予測プログラムおよび情報処理装置 | |
CN103823562A (zh) | 自动提醒用户睡觉的方法、***及可穿戴设备 | |
JPWO2016157641A1 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN110989735A (zh) | 睡眠环境自适应调节方法、装置和电子设备 | |
JP2020129188A (ja) | 学習方法、学習プログラムおよび学習装置 | |
CN110991478B (zh) | 热舒适感模型建立方法和用户偏好温度的设定方法及*** | |
García et al. | System for monitoring the wellness state of people in domestic environments employing emoticon-based HCI | |
CN113228196B (zh) | 用于优化用于计算睡眠得分的睡眠相关参数的***和方法 | |
WO2018179289A1 (ja) | エリア別環境管理システム及び方法とプログラム | |
CN111012132A (zh) | 基于枕头的睡眠状态调整方法、装置及智能枕头 | |
CN106821349A (zh) | 用于可穿戴式监护设备的事件生成方法及装置 | |
JP2014159916A (ja) | 環境制御装置、方法、及びプログラム | |
Fan et al. | A data-driven framework for thermal comfort assessment method based on user interaction | |
CN115268269B (zh) | 一种基于新能源低碳的家居耗能优化***及方法 | |
US20210327591A1 (en) | System for Efficiently Estimating and Improving Wellbeing | |
Mao et al. | Environmental and human data-driven model based on machine learning for prediction of human comfort | |
CN105893753A (zh) | 一种健康提示方法及装置 | |
JP7426015B1 (ja) | ヘルスケア用データ解析システム |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200221 |