CN111631682A - 基于去趋势分析的生理特征集成方法、装置和计算机设备 - Google Patents
基于去趋势分析的生理特征集成方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111631682A CN111631682A CN202010327846.1A CN202010327846A CN111631682A CN 111631682 A CN111631682 A CN 111631682A CN 202010327846 A CN202010327846 A CN 202010327846A CN 111631682 A CN111631682 A CN 111631682A
- Authority
- CN
- China
- Prior art keywords
- preset
- section
- designated
- data
- sequence
- 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
Images
Classifications
-
- 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
- A61B5/72—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请揭示了一种基于去趋势分析的生理特征集成方法、装置、计算机设备和存储介质,所述方法包括:采集用户的p个初始生理特征数据;排除异常数据,从而得到p个中间生理特征数据;进行去趋势分析,从而得到p个睡眠评价因子序列;获取p个指定评价因子;在生成指定立体图形;对所述p个侧面进行斜率修改操作,以使所述p个侧面的斜率分别等于所述p个指定评价因子;所述指定立体图形进行平面截取操作,以获得目标截面;计算所述目标截面与预设的标准截面的相似度值;若所述相似度值大于预设的相似阈值,则获取指定阶段类别,并划分为指定阶段类别。从而提高了睡眠阶段划分的准确性与可控性。
Description
技术领域
本申请涉及到计算机领域,特别是涉及到一种基于去趋势分析的生理特征集成方法、装置、计算机设备和存储介质。
背景技术
生理特征的采集及分析,对于生物体的行为模型的分析、相应的生活生产过程均有重要的影响。例如对于睡眠分析中的睡眠阶段划分,传统的睡眠阶段划分方法,采用的是单一的脑电信号进行分析,其数据采集困难,并且只受单一维度的脑电信号的影响,因此其分析准确性低。因此,传统的睡眠阶段划分不够准确。
发明内容
本申请的主要目的为提供一种基于去趋势分析的生理特征集成方法、装置、计算机设备和存储介质,旨在提高了睡眠阶段划分的准确性。
为了实现上述发明目的,本申请提出一种基于去趋势分析的生理特征集成方法,包括以下步骤:
采用预设的采集设备,采集用户在同一时间段内的p个初始生理特征数据;
根据预设的异常数据排除方法,排除所述初始生理特征数据中的异常数据,从而对应得到p个中间生理特征数据;
对所述中间生理特征数据进行去趋势分析,从而对应得到p个睡眠评价因子序列;
分别从所述p个睡眠评价因子序列中获取p个指定评价因子,所述p个指定评价因子处于同一个指定时间窗口;
在预设的三维空间中生成指定立体图形,其中所述指定立体图形包括p个侧面、一个呈p边形的顶面和一个呈p边形的底面,所述顶面与所述底面全等,所述侧面垂直于所述顶面;
对所述p个侧面进行斜率修改操作,以使所述p个侧面相对于底面的斜率分别等于所述p个指定评价因子;
在预设的高度对所述指定立体图形进行平面截取操作,以获得与所述指定立体图形的底面平行的目标截面;
根据预设的相似计算方法,计算所述目标截面与预设的标准截面的相似度值,并判断所述相似度值是否大于预设的相似阈值;
若所述相似度值大于预设的相似阈值,则根据预设的截面与睡眠阶段类别的对应关系,获取与所述标准截面对应的指定阶段类别,并将所述指定时间窗口划分为指定阶段类别。
进一步地,所述中间生理特征数据包括心率数据,所述心率数据为X={x(i),i=1,…,N},其中所述心率数据共采集N次,所述对所述中间生理特征数据进行去趋势分析的步骤,包括:
将所述中间序列进行第一时间窗口划分处理,从而得到第二序列,其中所述第一时间窗口的长度均为s,所述第一时间窗口共有N/s个,并且N为s的倍数;
对所述第二序列的每个窗口均进行最小二乘法拟合处理,从而对应得到N/s个拟合直线yv(k),其中v代表所述第一时间窗口,v=1,2,…,N/s;
根据公式:Ys(k)=Y(k)-yv(k),构建第三序列Ys(k);
绘制以自变量为s,因变量为F(s)的双对数曲线,将所述双对数曲线划分为多个曲线段,并获取所述多个曲线段分别对应的拟合斜率,将所述拟合斜率按时间顺序组成一个睡眠评价因子序列。
进一步地,所述将所述中间序列进行第一时间窗口划分处理,从而得到第二序列,其中所述第一时间窗口的长度均为s,所述第一时间窗口共有N/s个,并且N为s的倍数的步骤之前,包括:
获取预先收集的样本数据,所述样本数据包括训练用心率数据和与所述训练用心率数据对应的时间窗口长度;
将所述样本数据划分为训练数据和验证数据,并将所述训练数据输入预设的神经网络模型中进行训练,从而得到窗口长度预测模型;
利用所述验证数据对所述窗口长度预测模型进行验证,并判断验证是否通过;
若验证通过,则将所述心率数据X={x(i),i=1,…,N}输入所述窗口长度预测模型中,从而得到所述窗口长度预测模型输出的第一时间窗口的长度s。
进一步地,所述将所述双对数曲线划分为多个曲线段的步骤,包括:
采用预设的截取窗口对所述双对数曲线进行截取操作,从而获取第一曲线段,其中所述第一曲线段的左侧与所述双对数曲线的左侧重合;
将所述截取窗口向右平移G次,并在每次平移后均对所述双对数曲线进行截取操作,从而对应获取第二曲线段、...、第G+1曲线段,其中每次平移的距离均相等,并且所述平移的距离小于等于所述截取窗口的长度。
进一步地,所述标准截面为p边形,所述根据预设的相似计算方法,计算所述目标截面与预设的标准截面的相似度值的步骤,包括:
判断所述目标截面是否为p边形;
若所述目标截面为p边形,则获取所述目标截面的中心,并计算所述目标截面的边与所述目标截面的中心的距离,从而得到与所述目标截面的p条边对应的p个第一距离;
以所述p个第一距离作为分向量,从而生成第一向量;
获取所述标准截面的中心,并计算所述标准截面的边与所述标准截面的中心的距离,从而得到与所述标准截面的p条边对应的p个第二距离;
以所述p个第二距离作为分向量,从而生成第二向量;
根据公式:
计算出所述目标截面与预设的标准截面的相似度值L,其中,M为所述第一向量,T为所述第二向量,Mi为所述第一向量的第i个分向量,Ti为所述第二向量的第i个分向量,所述第一向量与所述第二向量均包括p个分向量。
进一步地,所述指定时间窗口为当前时间窗口,所述根据预设的相似计算方法,计算所述目标截面与预设的标准截面的相似度值,并判断所述相似度值是否大于预设的相似阈值的步骤之后,包括:
若所述相似度值不大于预设的相似阈值,则控制预设的环境控制设备以修改环境参数;
采用预设的采集设备,采集所述用户在修改环境参数后的生理特征数据;
利用所述修改环境参数后的生理特征数据,判断所述用户的睡眠阶段是否处于指定阶段类别;
若所述用户的睡眠阶段不处于指定阶段类别,则再次控制预设的环境控制设备以修改环境参数,直至所述用户的睡眠阶段处于指定阶段类别。
本申请提供一种基于去趋势分析的生理特征集成装置,包括:
生理特征采集单元,用于采用预设的采集设备,采集用户在同一时间段内的p个初始生理特征数据;
中间生理特征数据获取单元,用于根据预设的异常数据排除方法,排除所述初始生理特征数据中的异常数据,从而对应得到p个中间生理特征数据;
睡眠评价因子序列获取单元,用于对所述中间生理特征数据进行去趋势分析,从而对应得到p个睡眠评价因子序列;
指定评价因子获取单元,用于分别从所述p个睡眠评价因子序列中获取p个指定评价因子,所述p个指定评价因子处于同一个指定时间窗口;
指定立体图形生成单元,用于在预设的三维空间中生成指定立体图形,其中所述指定立体图形包括p个侧面、一个呈p边形的顶面和一个呈p边形的底面,所述顶面与所述底面全等,所述侧面垂直于所述顶面;
斜率修改单元,用于对所述p个侧面进行斜率修改操作,以使所述p个侧面相对于底面的斜率分别等于所述p个指定评价因子;
平面截取单元,用于在预设的高度对所述指定立体图形进行平面截取操作,以获得与所述指定立体图形的底面平行的目标截面;
相似度值判断单元,用于根据预设的相似计算方法,计算所述目标截面与预设的标准截面的相似度值,并判断所述相似度值是否大于预设的相似阈值;
指定阶段类别划分单元,用于若所述相似度值大于预设的相似阈值,则根据预设的截面与睡眠阶段类别的对应关系,获取与所述标准截面对应的指定阶段类别,并将所述指定时间窗口划分为指定阶段类别。
本申请提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的基于去趋势分析的生理特征集成方法、装置、计算机设备和存储介质,采集用户在同一时间段内的p个初始生理特征数据;排除所述初始生理特征数据中的异常数据,从而对应得到p个中间生理特征数据;对所述中间生理特征数据进行去趋势分析,从而对应得到p个睡眠评价因子序列;分别从所述p个睡眠评价因子序列中获取p个指定评价因子;在预设的三维空间中生成指定立体图形;对所述p个侧面进行斜率修改操作,以使所述p个侧面的斜率分别等于所述p个指定评价因子;在预设的高度对所述指定立体图形进行平面截取操作,以获得与所述指定立体图形的底面平行的目标截面;计算所述目标截面与预设的标准截面的相似度值;若所述相似度值大于预设的相似阈值,则获取与所述标准截面对应的指定阶段类别,并将所述指定时间窗口划分为指定阶段类别。从而提高了睡眠阶段划分的准确性与可控性。
附图说明
图1为本申请一实施例的基于去趋势分析的生理特征集成方法的流程示意图;
图2为本申请一实施例的基于去趋势分析的生理特征集成装置的结构示意框图;
图3为本申请一实施例的计算机设备的结构示意框图;
图4为本申请一实施例中的最终函数(以自变量为s,因变量为F(s))的曲线图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,本申请实施例提供一种基于去趋势分析的生理特征集成方法,包括以下步骤:
S1、采用预设的采集设备,采集用户在同一时间段内的p个初始生理特征数据;
S2、根据预设的异常数据排除方法,排除所述初始生理特征数据中的异常数据,从而对应得到p个中间生理特征数据;
S3、对所述中间生理特征数据进行去趋势分析,从而对应得到p个睡眠评价因子序列;
S4、分别从所述p个睡眠评价因子序列中获取p个指定评价因子,所述p个指定评价因子处于同一个指定时间窗口;
S5、在预设的三维空间中生成指定立体图形,其中所述指定立体图形包括p个侧面、一个呈p边形的顶面和一个呈p边形的底面,所述顶面与所述底面全等,所述侧面垂直于所述顶面;
S6、对所述p个侧面进行斜率修改操作,以使所述p个侧面相对于底面的斜率分别等于所述p个指定评价因子;
S7、在预设的高度对所述指定立体图形进行平面截取操作,以获得与所述指定立体图形的底面平行的目标截面;
S8、根据预设的相似计算方法,计算所述目标截面与预设的标准截面的相似度值,并判断所述相似度值是否大于预设的相似阈值;
S9、若所述相似度值大于预设的相似阈值,则根据预设的截面与睡眠阶段类别的对应关系,获取与所述标准截面对应的指定阶段类别,并将所述指定时间窗口划分为指定阶段类别。
本申请通过采集p个初始生理特征数据,并采用特殊的处理手段(即先进行去趋势分析,再利用指定立体图形进行睡眠阶段划分),从而能够综合多个生理特征数据,提高了睡眠阶段划分的准确性;并且由于其中采用了指定立体图形进行分析,而指定立体图形是可在虚拟三维空间中展示的易控制的图形,因此提高了睡眠阶段划分的可控性。其中,生理特征集成是指利用立体图形实现的p个初始生理特征数据的集成,最终以睡眠阶段划分的形式体现。这其中至少利用了立体图形的自然规律(即立体图形的结构特性)。
如上述步骤S1所述,采用预设的采集设备,采集用户在同一时间段内的p个初始生理特征数据。其中,所述采集设备可为任意可行设备,例如为穿戴设备。采集的初始生理特征数据可为任意能够反应睡眠的生理特征数据,例如为心率、呼吸率、心率变异性等。进一步地,本申请采用的采集设备为非特种采集设备,例如不为脑电信号采集设备。由于脑电信号采集设备昂贵且复杂,一般只在科研院所和专门的医院中配置,是一种利用单一信号进行分类睡眠研究的设备。而本申请无需特种采集设备,即可实现准确的睡眠阶段划分,例如采用智能手环等设备采集脉博、心跳等数据即可。
如上述步骤S2所述,根据预设的异常数据排除方法,排除所述初始生理特征数据中的异常数据,从而对应得到p个中间生理特征数据。其中所述异常数据排除方法可为任意可行方法,例如采用箱型判别法去除初始生理特征数据中的异常数据。由于生理特征数据中偶尔会有噪声出现,因此先排除异常数据能够提高整体准确性。其中,所述排除所述初始生理特征数据中的异常数据,指的是排除一个初始生理特征数据中的异常部分的数据,例如初始生理特征数据为心跳数据,该心跳数据中的部分时间段的数据因为一些客观原因存在异常(例如采集设备刚开启时的不准确测量等等),则将该部分异常数据去除。因此,得到的中间生理特征数据仍是p个。
如上述步骤S3所述,对所述中间生理特征数据进行去趋势分析,从而对应得到p个睡眠评价因子序列。去趋势分析是一种标度指数计算方法,用于分析时间序列的长程相关性,适合非平稳时间序列的长程幂律相关分析。由于本申请采用的是用户在同一时间段内的p个初始生理特征数据,即p个初始生理特征数据均是时间序列数据,并且根据本申请的预先研究发现,人的生理特征数据与时间呈幂律关系,且不同的睡眠阶段对应不同的幂律关系,因此利用去趋势分析有助于进行睡眠阶段划分。其中,对一个中间生理特征数据进行改进的去趋势分析,即可对应得至一个睡眠评价因子序列。其中所述睡眠评价因子序列,例如为进行去趋势分析得到的双对数曲线的不同曲线段对应的拟合斜率(即评价因子)的集合体。
如上述步骤S4所述,分别从所述p个睡眠评价因子序列中获取p个指定评价因子,所述p个指定评价因子处于同一个指定时间窗口。一个评价因子代表了其所处时间窗口的睡眠阶段类别,因此处于同一个指定时间窗口的p个指定评价因子,能够综合反应在指定时间窗口时的睡眠阶段类别。在此,列出本申请经过预先研究发现的睡眠阶段与评价因子的对应关系(此处的评价因子为心率、心率变异性、呼吸率分别对应的双对数曲线的拟合斜率):将睡眠阶段分为清醒期、快速眼动期、浅睡期、深睡期,心率的拟合斜率为(0.83,1.06]对应清醒期或者快速眼动期,为(0.77,0.83]时对应浅睡期或深睡期;心率变异性的拟合斜率为(1.05,1.1]、(0.98,1.05]、(0.65,1.0]、[0.5,0.75]时,分别对应清醒期、快速眼动期、浅睡期、深睡期;呼吸率的拟合斜率为(0.837,0.961],(0.6,0,837]时分别对应浅睡期与深睡期。在此仅为展示本申请预先研究发现的规律的举例,但本申请不仅限于上述例子。
如上述步骤S5所述,在预设的三维空间中生成指定立体图形,其中所述指定立体图形包括p个侧面、一个呈p边形的顶面和一个呈p边形的底面,所述顶面与所述底面全等,所述侧面垂直于所述顶面。其中,所述三维空间为虚拟三维空间,用于具象地实现综合p个初始生理特征数据(即综合p个指定评价因子),以进行准确地睡眠阶段划分。其中所述指定立体图形例如为正p棱柱。
如上述步骤S6所述,对所述p个侧面进行斜率修改操作,以使所述p个侧面相对于底面的斜率分别等于所述p个指定评价因子。普通情况下,p个指定评价因子难以进行综合,本申请通过对所述p个侧面进行斜率修改操作,以使所述p个侧面相对于底面的斜率分别等于所述p个指定评价因子的方式,使得每个侧面均代表一个指定评价因子,从而具象性地综合了p个指定评价因子。
如上述步骤S7所述,在预设的高度对所述指定立体图形进行平面截取操作,以获得与所述指定立体图形的底面平行的目标截面。在高度确定的情况下,目标截面的形状与每个指定评价因子均相关。因此,在某个确定的睡眠阶段中,其对应的p个指定评价因子都是相对确定的(即都在一定的范围之内),因此其对应的目标截面也应是相对确定的。因此,通过对所述目标截面的分析,即可实现睡眠阶段的分类。
如上述步骤S8所述,根据预设的相似计算方法,计算所述目标截面与预设的标准截面的相似度值,并判断所述相似度值是否大于预设的相似阈值。其中,所述标准截面即为一个确切睡眠阶段(即指定阶段类别)对应的截面。所述标准截面的生成方法例如为:获取用户处于所述指定阶段类别时的p个生理特征值;再根据预设的异常数据排除方法,排除异常数据;进行去趋势分析,从而对应得到p个序列;分别从所述p个序列中获取p个因子,所述p个因子处于同一个时间窗口(由于此处所有时间均处于指定阶段类别,因此可选取任意一个时间窗口);在预设的三维空间中生成指定立体图形,其中所述指定立体图形包括p个侧面、一个呈p边形的顶面和一个呈p边形的底面,所述顶面与所述底面全等,所述侧面垂直于所述顶面;对所述p个侧面进行斜率修改操作,以使所述p个侧面相对于底面的斜率分别等于所述p个因子;在预设的高度对所述指定立体图形进行平面截取操作,以获得与所述指定立体图形的底面平行的标准截面。其中,所述相似计算方法可为任意可行方法,例如为计算两个截面之间的面积差,并将面积差的倒数作为相似度值。
如上述步骤S9所述,若所述相似度值大于预设的相似阈值,则根据预设的截面与睡眠阶段类别的对应关系,获取与所述标准截面对应的指定阶段类别,并将所述指定时间窗口划分为指定阶段类别。若所述相似度值大于预设的相似阈值,表明所述目标截面可视为等同于所述标准截面,因此可将用户在指定时间窗口时的睡眠阶段划分为指定阶段类别。
在一个实施方式中,所述中间生理特征数据包括心率数据,所述心率数据为X={x(i),i=1,…,N},其中所述心率数据共采集N次,所述对所述中间生理特征数据进行去趋势分析的步骤S3,包括:
S302、将所述中间序列进行第一时间窗口划分处理,从而得到第二序列,其中所述第一时间窗口的长度均为s,所述第一时间窗口共有N/s个,并且N为s的倍数;
S303、对所述第二序列的每个窗口均进行最小二乘法拟合处理,从而对应得到N/s个拟合直线yv(k),其中v代表所述第一时间窗口,v=1,2,…,N/s;
S304、根据公式:Ys(k)=Y(k)-yv(k),构建第三序列Ys(k);
S306、绘制以自变量为s,因变量为F(s)的双对数曲线,将所述双对数曲线划分为多个曲线段,并获取所述多个曲线段分别对应的拟合斜率,将所述拟合斜率按时间顺序组成一个睡眠评价因子序列。
如上所述,实现了对所述中间生理特征数据进行改进的去趋势分析。其中,本申请最终得到的拟合斜率是对多个曲线段分别拟合得到,相对于对整条曲线进行单一拟合,本申请采用分段拟合以得到睡眠评价因子序列的方式,粒度更精细更准确。其中,N可为任意可行次数,例如为N=30000,每次采集之间可连续进行,也可间隔预设时间进行。第一时间窗口的长度s可为任意可行数值,例如为1-1000,优选2-500,更优选5-100。另外,所述多个曲线段可具有相同或者不同的时间窗口(即横坐标范围)。划分多个曲线段的方式,例如为:以[A,B]作为第一个曲线段的时间窗口,以[A+C,(A+C)×(B/A)]作为第二个曲线段的时间窗口,以[A+2C,(A+2C)×(B/A)]作为第三个曲线段的时间窗口...,以保证所有的曲线段具有相同的时间窗口,从而提高最终生成的睡眠评价因子序列的准确性。为了既能准确获取最终函数F(s)的局部变化,又能避免过度细化分析,本申请引入了改进标度范围(指窗口的范围)与移动窗口计算方式。例如,N=30000,设置总的窗口范围为[10,600],[10,50]作为第一窗口,[15,75]为第二窗口,[20,100]为第三窗口,则最后一个窗口的标度范围是[120,600],从而保证在双对数图中,能有固定的窗口长度。标记处于窗口wi内的窗口长度s为swi,以示区分。最终得到23个窗口wi(i=1,2,…,23),在每个窗口内计算睡眠评价因子(参见图4)。图4是以自变量为s,因变量为F(s)的曲线,为了既能研究序列波动函数的局部变化,又能避免过度细化分析,本申请采用的睡眠评价因子序列,通过移动窗口拟合log[F(s)]和log[s]而得到。令wi(i=1,2,…,n)表示每个拟合窗口,αwi(i=1,2,…,n)则为对应窗口获得的睡眠评价因子,最后得到睡眠评价因子序列α(s)={αw1,αw2,…,αwn}。
在一个实施方式中,所述将所述中间序列进行第一时间窗口划分处理,从而得到第二序列,其中所述第一时间窗口的长度均为s,所述第一时间窗口共有N/s个,并且N为s的倍数的步骤S302之前,包括:
S3011、获取预先收集的样本数据,所述样本数据包括训练用心率数据和与所述训练用心率数据对应的时间窗口长度;
S3012、将所述样本数据划分为训练数据和验证数据,并将所述训练数据输入预设的神经网络模型中进行训练,从而得到窗口长度预测模型;
S3013、利用所述验证数据对所述窗口长度预测模型进行验证,并判断验证是否通过;
S3014、若验证通过,则将所述心率数据X={x(i),i=1,…,N}输入所述窗口长度预测模型中,从而得到所述窗口长度预测模型输出的第一时间窗口的长度s。
如上所述,实现了得到所述窗口长度预测模型输出的第一时间窗口的长度s。去趋势波动分析的结果与第一时间窗口的长度s直接相关。若第一时间窗口的长度s定的太小,过大的长度s会将序列划分的子序列个数太少,而太小的长度s会导致窗口内数据点稀少而不利于数据拟合分析,运算速度和计算准度都可能受影响。本申请为了获取恰当的第一时间窗口的长度s,采用了机器学习的方式来预测第一时间窗口的长度s。其中采用的是神经网络模型作为预测模型,其训练过程可采用随机递度下降法等方法进行训练。由于样本数据包括训练用心率数据和与所述训练用心率数据对应的时间窗口长度,因此神经网络模型在进行充分训练后能够胜任第一时间窗口的长度s的预测任务。从而利用所述窗口长度预测模型输出的第一时间窗口的长度s,能够提高整体的去趋势波动分析的准确性。
在一个实施方式中,所述将所述双对数曲线划分为多个曲线段的步骤S306,包括:
S3061、采用预设的截取窗口对所述双对数曲线进行截取操作,从而获取第一曲线段,其中所述第一曲线段的左侧与所述双对数曲线的左侧重合;
S3062、将所述截取窗口向右平移G次,并在每次平移后均对所述双对数曲线进行截取操作,从而对应获取第二曲线段、...、第G+1曲线段,其中每次平移的距离均相等,并且所述平移的距离小于等于所述截取窗口的长度。
如上所述,实现了将所述双对数曲线划分为多个曲线段。由于双对数曲线的坐标是对数坐标,因此若以等长的时间窗口进行分段拟合分析,将所述双对数曲线划分为的多个曲线段将会呈现明显的差异,不利于整体的去趋势波动分析。因此,本申请采用将第一曲线段进行G次平移的方式,以获取G+1条曲线段,因此该G+1条曲线段彼此之间在双对数坐标轴上的时间窗口将完全相等,从而提高整体的去趋势波动分析的准确性。其中,所述平移的距离小于等于所述截取窗口的长度,优选所述平移的距离等于所述截取窗口的长度。
在一个实施方式中,所述标准截面为p边形,所述根据预设的相似计算方法,计算所述目标截面与预设的标准截面的相似度值的步骤S8,包括:
S801、判断所述目标截面是否为p边形;
S802、若所述目标截面为p边形,则获取所述目标截面的中心,并计算所述目标截面的边与所述目标截面的中心的距离,从而得到与所述目标截面的p条边对应的p个第一距离;
S803、以所述p个第一距离作为分向量,从而生成第一向量;
S804、获取所述标准截面的中心,并计算所述标准截面的边与所述标准截面的中心的距离,从而得到与所述标准截面的p条边对应的p个第二距离;
S805、以所述p个第二距离作为分向量,从而生成第二向量;
S806、根据公式:
计算出所述目标截面与预设的标准截面的相似度值L,其中,M为所述第一向量,T为所述第二向量,Mi为所述第一向量的第i个分向量,Ti为所述第二向量的第i个分向量,所述第一向量与所述第二向量均包括p个分向量。
如上所述,实现了计算所述目标截面与预设的标准截面的相似度值。目标截面若不为p边形,则意味着至少有一个生理特征数据不符合指定阶段类别,因此不需要进一步分析即可判定不属于指定阶段类别。若所述目标截面为p边形,则将目标截面的特征映射为第一向量(例如将目标截面的边与所述目标截面的中心的距离作为目标截面的特征),标准截面的特征映射为第二向量(例如将标准截面的边与所述标准截面的中心的距离作为标准截面的特征)。再根据公式:
计算出所述目标截面与预设的标准截面的相似度值L。从而将截面间的相似性转化为向量间的相似性计算,提高了计算速度。并且,计算采用的公式不仅考虑到向量间的数值差异,还考虑到角度差异,因此进一步提高了计算准确性。
在一个实施方式中,所述指定时间窗口为当前时间窗口,所述根据预设的相似计算方法,计算所述目标截面与预设的标准截面的相似度值,并判断所述相似度值是否大于预设的相似阈值的步骤S8之后,包括:
S81、若所述相似度值不大于预设的相似阈值,则控制预设的环境控制设备以修改环境参数;
S82、采用预设的采集设备,采集所述用户在修改环境参数后的生理特征数据;
S83、利用所述修改环境参数后的生理特征数据,判断所述用户的睡眠阶段是否处于指定阶段类别;
S84、若所述用户的睡眠阶段不处于指定阶段类别,则再次控制预设的环境控制设备以修改环境参数,直至所述用户的睡眠阶段处于指定阶段类别。
如上所述,实现了控制预设的环境控制设备以修改环境参数,以保证用户的睡眠质量。一般而言,睡眠阶段处于深睡期时疲劳恢复的快,但不易清醒。当用户需要高质量睡眠时,可将指定阶段类别设置为深睡期。若所述相似度值不大于预设的相似阈值,为了保证用户睡眠质量,本申请控制预设的环境控制设备以修改环境参数。其中环境控制设备例如为空调、灯具、湿度器等或控制空调、灯具、湿度器等的智能家居设备。其中修改环境参数的方式可根据任意可行方式修改,例如随机修改,或者根据预设的修改趋势进行修改(例如根据预设的室温与时间曲线,修改室温)。而用户在修改环境参数后的生理特征数据也会相应变化,根据所述修改环境参数后的生理特征数据,即可得知用户的当前睡眠阶段。保持修改环境参数,直至所述用户的睡眠阶段处于指定阶段类别为止。其中,所述指定阶段类别不一定为深睡期,也可为任意可行的其他阶段,例如用户仅需要短时间的休憩,以应付即将到来的会晤时,可采用将指定阶段类别设置为深睡期之后的其他阶段。
本申请的基于去趋势分析的生理特征集成方法,采集用户在同一时间段内的p个初始生理特征数据;排除所述初始生理特征数据中的异常数据,从而对应得到p个中间生理特征数据;对所述中间生理特征数据进行去趋势分析,从而对应得到p个睡眠评价因子序列;分别从所述p个睡眠评价因子序列中获取p个指定评价因子;在预设的三维空间中生成指定立体图形;对所述p个侧面进行斜率修改操作,以使所述p个侧面的斜率分别等于所述p个指定评价因子;在预设的高度对所述指定立体图形进行平面截取操作,以获得与所述指定立体图形的底面平行的目标截面;计算所述目标截面与预设的标准截面的相似度值;若所述相似度值大于预设的相似阈值,则获取与所述标准截面对应的指定阶段类别,并将所述指定时间窗口划分为指定阶段类别。从而提高了睡眠阶段划分的准确性与可控性。
参照图2,本申请实施例提供一种基于去趋势分析的生理特征集成装置,包括:
生理特征采集单元10,用于采用预设的采集设备,采集用户在同一时间段内的p个初始生理特征数据;
中间生理特征数据获取单元20,用于根据预设的异常数据排除方法,排除所述初始生理特征数据中的异常数据,从而对应得到p个中间生理特征数据;
睡眠评价因子序列获取单元30,用于对所述中间生理特征数据进行去趋势分析,从而对应得到p个睡眠评价因子序列;
指定评价因子获取单元40,用于分别从所述p个睡眠评价因子序列中获取p个指定评价因子,所述p个指定评价因子处于同一个指定时间窗口;
指定立体图形生成单元50,用于在预设的三维空间中生成指定立体图形,其中所述指定立体图形包括p个侧面、一个呈p边形的顶面和一个呈p边形的底面,所述顶面与所述底面全等,所述侧面垂直于所述顶面;
斜率修改单元60,用于对所述p个侧面进行斜率修改操作,以使所述p个侧面相对于底面的斜率分别等于所述p个指定评价因子;
平面截取单元70,用于在预设的高度对所述指定立体图形进行平面截取操作,以获得与所述指定立体图形的底面平行的目标截面;
相似度值判断单元80,用于根据预设的相似计算方法,计算所述目标截面与预设的标准截面的相似度值,并判断所述相似度值是否大于预设的相似阈值;
指定阶段类别划分单元90,用于若所述相似度值大于预设的相似阈值,则根据预设的截面与睡眠阶段类别的对应关系,获取与所述标准截面对应的指定阶段类别,并将所述指定时间窗口划分为指定阶段类别。
其中上述单元分别用于执行的操作与前述实施方式的基于去趋势分析的生理特征集成方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述中间生理特征数据包括心率数据,所述心率数据为X={x(i),i=1,…,N},其中所述心率数据共采集N次,所述睡眠评价因子序列获取单元30,包括:
第二序列获取子单元,用于将所述中间序列进行第一时间窗口划分处理,从而得到第二序列,其中所述第一时间窗口的长度均为s,所述第一时间窗口共有N/s个,并且N为s的倍数;
拟合直线获取子单元,用于对所述第二序列的每个窗口均进行最小二乘法拟合处理,从而对应得到N/s个拟合直线yv(k),其中v代表所述第一时间窗口,v=1,2,…,N/s;
第三序列获取子单元,用于根据公式:Ys(k)=Y(k)-yv(k),构建第三序列Ys(k);
睡眠评价因子序列获取子单元,用于绘制以自变量为s,因变量为F(s)的双对数曲线,将所述双对数曲线划分为多个曲线段,并获取所述多个曲线段分别对应的拟合斜率,将所述拟合斜率按时间顺序组成一个睡眠评价因子序列。
其中上述子单元分别用于执行的操作与前述实施方式的基于去趋势分析的生理特征集成方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述装置,包括:
样本数据获取单元,用于获取预先收集的样本数据,所述样本数据包括训练用心率数据和与所述训练用心率数据对应的时间窗口长度;
样本数据划分单元,用于将所述样本数据划分为训练数据和验证数据,并将所述训练数据输入预设的神经网络模型中进行训练,从而得到窗口长度预测模型;
验证单元,用于利用所述验证数据对所述窗口长度预测模型进行验证,并判断验证是否通过;
第一时间窗口长度获取单元,用于若验证通过,则将所述心率数据X={x(i),i=1,…,N}输入所述窗口长度预测模型中,从而得到所述窗口长度预测模型输出的第一时间窗口的长度s。
其中上述单元分别用于执行的操作与前述实施方式的基于去趋势分析的生理特征集成方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述睡眠评价因子序列获取子单元,包括:
第一曲线段获取模块,用于采用预设的截取窗口对所述双对数曲线进行截取操作,从而获取第一曲线段,其中所述第一曲线段的左侧与所述双对数曲线的左侧重合;
平移模块,用于将所述截取窗口向右平移G次,并在每次平移后均对所述双对数曲线进行截取操作,从而对应获取第二曲线段、...、第G+1曲线段,其中每次平移的距离均相等,并且所述平移的距离小于等于所述截取窗口的长度。
其中上述模块分别用于执行的操作与前述实施方式的基于去趋势分析的生理特征集成方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述标准截面为p边形,所述相似度值判断单元80,包括:
目标截面判断子单元,用于判断所述目标截面是否为p边形;
第一距离获取子单元,用于若所述目标截面为p边形,则获取所述目标截面的中心,并计算所述目标截面的边与所述目标截面的中心的距离,从而得到与所述目标截面的p条边对应的p个第一距离;
第一向量生成子单元,用于以所述p个第一距离作为分向量,从而生成第一向量;
第二距离获取子单元,用于获取所述标准截面的中心,并计算所述标准截面的边与所述标准截面的中心的距离,从而得到与所述标准截面的p条边对应的p个第二距离;
第二向量生成子单元,用于以所述p个第二距离作为分向量,从而生成第二向量;
相似度值L计算子单元,用于根据公式:
计算出所述目标截面与预设的标准截面的相似度值L,其中,M为所述第一向量,T为所述第二向量,Mi为所述第一向量的第i个分向量,Ti为所述第二向量的第i个分向量,所述第一向量与所述第二向量均包括p个分向量。
其中上述子单元分别用于执行的操作与前述实施方式的基于去趋势分析的生理特征集成方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述指定时间窗口为当前时间窗口,所述装置,包括:
环境参数修改单元,用于若所述相似度值不大于预设的相似阈值,则控制预设的环境控制设备以修改环境参数;
生理特征数据再次采集单元,用于采用预设的采集设备,采集所述用户在修改环境参数后的生理特征数据;
指定阶段类别判断单元,用于利用所述修改环境参数后的生理特征数据,判断所述用户的睡眠阶段是否处于指定阶段类别;
环境参数再次修改单元,用于若所述用户的睡眠阶段不处于指定阶段类别,则再次控制预设的环境控制设备以修改环境参数,直至所述用户的睡眠阶段处于指定阶段类别。
其中上述单元分别用于执行的操作与前述实施方式的基于去趋势分析的生理特征集成方法的步骤一一对应,在此不再赘述。
本申请的基于去趋势分析的生理特征集成装置,采集用户在同一时间段内的p个初始生理特征数据;排除所述初始生理特征数据中的异常数据,从而对应得到p个中间生理特征数据;对所述中间生理特征数据进行去趋势分析,从而对应得到p个睡眠评价因子序列;分别从所述p个睡眠评价因子序列中获取p个指定评价因子;在预设的三维空间中生成指定立体图形;对所述p个侧面进行斜率修改操作,以使所述p个侧面的斜率分别等于所述p个指定评价因子;在预设的高度对所述指定立体图形进行平面截取操作,以获得与所述指定立体图形的底面平行的目标截面;计算所述目标截面与预设的标准截面的相似度值;若所述相似度值大于预设的相似阈值,则获取与所述标准截面对应的指定阶段类别,并将所述指定时间窗口划分为指定阶段类别。从而提高了睡眠阶段划分的准确性与可控性。
参照图3,本发明实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于去趋势分析的生理特征集成方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于去趋势分析的生理特征集成方法。
上述处理器执行上述基于去趋势分析的生理特征集成方法,其中所述方法包括的步骤分别与执行前述实施方式的基于去趋势分析的生理特征集成方法的步骤一一对应,在此不再赘述。
本领域技术人员可以理解,图中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请的计算机设备,采集用户在同一时间段内的p个初始生理特征数据;排除所述初始生理特征数据中的异常数据,从而对应得到p个中间生理特征数据;对所述中间生理特征数据进行去趋势分析,从而对应得到p个睡眠评价因子序列;分别从所述p个睡眠评价因子序列中获取p个指定评价因子;在预设的三维空间中生成指定立体图形;对所述p个侧面进行斜率修改操作,以使所述p个侧面的斜率分别等于所述p个指定评价因子;在预设的高度对所述指定立体图形进行平面截取操作,以获得与所述指定立体图形的底面平行的目标截面;计算所述目标截面与预设的标准截面的相似度值;若所述相似度值大于预设的相似阈值,则获取与所述标准截面对应的指定阶段类别,并将所述指定时间窗口划分为指定阶段类别。从而提高了睡眠阶段划分的准确性与可控性。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现基于去趋势分析的生理特征集成方法,其中所述方法包括的步骤分别与执行前述实施方式的基于去趋势分析的生理特征集成方法的步骤一一对应,在此不再赘述。
本申请的计算机可读存储介质,采集用户在同一时间段内的p个初始生理特征数据;排除所述初始生理特征数据中的异常数据,从而对应得到p个中间生理特征数据;对所述中间生理特征数据进行去趋势分析,从而对应得到p个睡眠评价因子序列;分别从所述p个睡眠评价因子序列中获取p个指定评价因子;在预设的三维空间中生成指定立体图形;对所述p个侧面进行斜率修改操作,以使所述p个侧面的斜率分别等于所述p个指定评价因子;在预设的高度对所述指定立体图形进行平面截取操作,以获得与所述指定立体图形的底面平行的目标截面;计算所述目标截面与预设的标准截面的相似度值;若所述相似度值大于预设的相似阈值,则获取与所述标准截面对应的指定阶段类别,并将所述指定时间窗口划分为指定阶段类别。从而提高了睡眠阶段划分的准确性与可控性。
进一步地,所述计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于去趋势分析的生理特征集成方法,其特征在于,包括:
采用预设的采集设备,采集用户在同一时间段内的p个初始生理特征数据;
根据预设的异常数据排除方法,排除所述初始生理特征数据中的异常数据,从而对应得到p个中间生理特征数据;
对所述中间生理特征数据进行去趋势分析,从而对应得到p个睡眠评价因子序列;
分别从所述p个睡眠评价因子序列中获取p个指定评价因子,所述p个指定评价因子处于同一个指定时间窗口;
在预设的三维空间中生成指定立体图形,其中所述指定立体图形包括p个侧面、一个呈p边形的顶面和一个呈p边形的底面,所述顶面与所述底面全等,所述侧面垂直于所述顶面;
对所述p个侧面进行斜率修改操作,以使所述p个侧面相对于底面的斜率分别等于所述p个指定评价因子;
在预设的高度对所述指定立体图形进行平面截取操作,以获得与所述指定立体图形的底面平行的目标截面;
根据预设的相似计算方法,计算所述目标截面与预设的标准截面的相似度值,并判断所述相似度值是否大于预设的相似阈值;
若所述相似度值大于预设的相似阈值,则根据预设的截面与睡眠阶段类别的对应关系,获取与所述标准截面对应的指定阶段类别,并将所述指定时间窗口划分为指定阶段类别。
2.根据权利要求1所述的基于去趋势分析的生理特征集成方法,其特征在于,所述中间生理特征数据包括心率数据,所述心率数据为X={x(i),i=1,…,N},其中所述心率数据共采集N次,所述对所述中间生理特征数据进行去趋势分析的步骤,包括:
将所述中间序列进行第一时间窗口划分处理,从而得到第二序列,其中所述第一时间窗口的长度均为s,所述第一时间窗口共有N/s个,并且N为s的倍数;
对所述第二序列的每个窗口均进行最小二乘法拟合处理,从而对应得到N/s个拟合直线yv(k),其中v代表所述第一时间窗口,v=1,2,…,N/s;
根据公式:Ys(k)=Y(k)-yv(k),构建第三序列Ys(k);
绘制以自变量为s,因变量为F(s)的双对数曲线,将所述双对数曲线划分为多个曲线段,并获取所述多个曲线段分别对应的拟合斜率,将所述拟合斜率按时间顺序组成一个睡眠评价因子序列。
3.根据权利要求2所述的基于去趋势分析的生理特征集成方法,其特征在于,所述将所述中间序列进行第一时间窗口划分处理,从而得到第二序列,其中所述第一时间窗口的长度均为s,所述第一时间窗口共有N/s个,并且N为s的倍数的步骤之前,包括:
获取预先收集的样本数据,所述样本数据包括训练用心率数据和与所述训练用心率数据对应的时间窗口长度;
将所述样本数据划分为训练数据和验证数据,并将所述训练数据输入预设的神经网络模型中进行训练,从而得到窗口长度预测模型;
利用所述验证数据对所述窗口长度预测模型进行验证,并判断验证是否通过;
若验证通过,则将所述心率数据X={x(i),i=1,…,N}输入所述窗口长度预测模型中,从而得到所述窗口长度预测模型输出的第一时间窗口的长度s。
4.根据权利要求2所述的基于去趋势分析的生理特征集成方法,其特征在于,所述将所述双对数曲线划分为多个曲线段的步骤,包括:
采用预设的截取窗口对所述双对数曲线进行截取操作,从而获取第一曲线段,其中所述第一曲线段的左侧与所述双对数曲线的左侧重合;
将所述截取窗口向右平移G次,并在每次平移后均对所述双对数曲线进行截取操作,从而对应获取第二曲线段、...、第G+1曲线段,其中每次平移的距离均相等,并且所述平移的距离小于等于所述截取窗口的长度。
5.根据权利要求1所述的基于去趋势分析的生理特征集成方法,其特征在于,所述标准截面为p边形,所述根据预设的相似计算方法,计算所述目标截面与预设的标准截面的相似度值的步骤,包括:
判断所述目标截面是否为p边形;
若所述目标截面为p边形,则获取所述目标截面的中心,并计算所述目标截面的边与所述目标截面的中心的距离,从而得到与所述目标截面的p条边对应的p个第一距离;
以所述p个第一距离作为分向量,从而生成第一向量;
获取所述标准截面的中心,并计算所述标准截面的边与所述标准截面的中心的距离,从而得到与所述标准截面的p条边对应的p个第二距离;
以所述p个第二距离作为分向量,从而生成第二向量;
根据公式:
6.根据权利要求1所述的基于去趋势分析的生理特征集成方法,其特征在于,所述指定时间窗口为当前时间窗口,所述根据预设的相似计算方法,计算所述目标截面与预设的标准截面的相似度值,并判断所述相似度值是否大于预设的相似阈值的步骤之后,包括:
若所述相似度值不大于预设的相似阈值,则控制预设的环境控制设备以修改环境参数;
采用预设的采集设备,采集所述用户在修改环境参数后的生理特征数据;
利用所述修改环境参数后的生理特征数据,判断所述用户的睡眠阶段是否处于指定阶段类别;
若所述用户的睡眠阶段不处于指定阶段类别,则再次控制预设的环境控制设备以修改环境参数,直至所述用户的睡眠阶段处于指定阶段类别。
7.一种基于去趋势分析的生理特征集成装置,其特征在于,包括:
生理特征采集单元,用于采用预设的采集设备,采集用户在同一时间段内的p个初始生理特征数据;
中间生理特征数据获取单元,用于根据预设的异常数据排除方法,排除所述初始生理特征数据中的异常数据,从而对应得到p个中间生理特征数据;
睡眠评价因子序列获取单元,用于对所述中间生理特征数据进行去趋势分析,从而对应得到p个睡眠评价因子序列;
指定评价因子获取单元,用于分别从所述p个睡眠评价因子序列中获取p个指定评价因子,所述p个指定评价因子处于同一个指定时间窗口;
指定立体图形生成单元,用于在预设的三维空间中生成指定立体图形,其中所述指定立体图形包括p个侧面、一个呈p边形的顶面和一个呈p边形的底面,所述顶面与所述底面全等,所述侧面垂直于所述顶面;
斜率修改单元,用于对所述p个侧面进行斜率修改操作,以使所述p个侧面相对于底面的斜率分别等于所述p个指定评价因子;
平面截取单元,用于在预设的高度对所述指定立体图形进行平面截取操作,以获得与所述指定立体图形的底面平行的目标截面;
相似度值判断单元,用于根据预设的相似计算方法,计算所述目标截面与预设的标准截面的相似度值,并判断所述相似度值是否大于预设的相似阈值;
指定阶段类别划分单元,用于若所述相似度值大于预设的相似阈值,则根据预设的截面与睡眠阶段类别的对应关系,获取与所述标准截面对应的指定阶段类别,并将所述指定时间窗口划分为指定阶段类别。
8.根据权利要求7所述的基于去趋势分析的生理特征集成装置,其特征在于,所述中间生理特征数据包括心率数据,所述心率数据为X={x(i),i=1,…,N},其中所述心率数据共采集N次,所述睡眠评价因子序列获取单元,包括:
第二序列获取子单元,用于将所述中间序列进行第一时间窗口划分处理,从而得到第二序列,其中所述第一时间窗口的长度均为s,所述第一时间窗口共有N/s个,并且N为s的倍数;
拟合直线获取子单元,用于对所述第二序列的每个窗口均进行最小二乘法拟合处理,从而对应得到N/s个拟合直线yv(k),其中v代表所述第一时间窗口,v=1,2,…,N/s;
第三序列获取子单元,用于根据公式:Ys(k)=Y(k)-yv(k),构建第三序列Ys(k);
睡眠评价因子序列获取子单元,用于绘制以自变量为s,因变量为F(s)的双对数曲线,将所述双对数曲线划分为多个曲线段,并获取所述多个曲线段分别对应的拟合斜率,将所述拟合斜率按时间顺序组成一个睡眠评价因子序列。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010327846.1A CN111631682B (zh) | 2020-04-23 | 2020-04-23 | 基于去趋势分析的生理特征集成方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010327846.1A CN111631682B (zh) | 2020-04-23 | 2020-04-23 | 基于去趋势分析的生理特征集成方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111631682A true CN111631682A (zh) | 2020-09-08 |
CN111631682B CN111631682B (zh) | 2023-06-20 |
Family
ID=72323418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010327846.1A Active CN111631682B (zh) | 2020-04-23 | 2020-04-23 | 基于去趋势分析的生理特征集成方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111631682B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113246175A (zh) * | 2021-05-07 | 2021-08-13 | 配天机器人技术有限公司 | 机器人末端震动分类方法、机器人及存储介质 |
CN113792952A (zh) * | 2021-02-23 | 2021-12-14 | 北京沃东天骏信息技术有限公司 | 用于生成模型的方法和装置 |
CN116392085A (zh) * | 2023-06-06 | 2023-07-07 | 安徽星辰智跃科技有限责任公司 | 基于趋势分析的睡眠趋稳性量化及调节方法、***和装置 |
CN116774600A (zh) * | 2023-08-17 | 2023-09-19 | 深圳小米房产网络科技有限公司 | 一种基于自适应控制技术的智能家居控制器及方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004199260A (ja) * | 2002-12-17 | 2004-07-15 | Casio Comput Co Ltd | 図形作成装置及び図形作成方法 |
US20060165546A1 (en) * | 2005-01-24 | 2006-07-27 | Aisan Kogyo Kabushiki Kaisha | Method and apparatus for manufacturing three-dimensional objects |
JP2007080080A (ja) * | 2005-09-15 | 2007-03-29 | Andor Kk | Cad装置、該cad装置による2次元図作成方法、該2次元図作成方法に基づく2次元図作成プログラム及び該プログラムを記録したプログラム記録媒体 |
CN101053521A (zh) * | 2006-04-12 | 2007-10-17 | 株式会社东芝 | 医用图像显示装置 |
US20080109041A1 (en) * | 2006-11-08 | 2008-05-08 | De Voir Christopher S | Wavelet based feature extraction and dimension reduction for the classification of human cardiac electrogram depolarization waveforms |
US20090207171A1 (en) * | 2008-01-24 | 2009-08-20 | Thomas Feilkas | Method for segmenting a three-dimensional image data set, corresponding computer program and corresponding system |
CN104038632A (zh) * | 2014-06-16 | 2014-09-10 | Tcl集团股份有限公司 | 一种智能终端管理方法及装置 |
CN105224748A (zh) * | 2015-10-08 | 2016-01-06 | 重庆大学 | 一种变截面梁有限元模型的断面预处理方法 |
US20170055898A1 (en) * | 2015-08-28 | 2017-03-02 | Awarables, Inc. | Determining Sleep Stages and Sleep Events Using Sensor Data |
CN107595245A (zh) * | 2017-08-15 | 2018-01-19 | 深圳创达云睿智能科技有限公司 | 一种睡眠管理方法、***及终端设备 |
US20190007256A1 (en) * | 2012-12-05 | 2019-01-03 | Origin Wireless, Inc. | Methods, apparatus, servers, and systems for vital signs detection and monitoring |
US20190060602A1 (en) * | 2015-07-17 | 2019-02-28 | Bao Tran | Systems and methods for computer assisted operation |
CN110045347A (zh) * | 2019-04-30 | 2019-07-23 | 西安电子科技大学 | 一种人体微动回波仿真方法 |
CN110569356A (zh) * | 2019-08-14 | 2019-12-13 | 中国平安人寿保险股份有限公司 | 基于智能面试交互***的面试方法、装置和计算机设备 |
CN110753515A (zh) * | 2017-05-18 | 2020-02-04 | 普瑞温迪克斯有限责任公司 | 光体积描记图形数据的可靠获取 |
CN110806950A (zh) * | 2019-09-19 | 2020-02-18 | 平安科技(深圳)有限公司 | 基于多态存储机制的快照生成方法、装置和计算机设备 |
-
2020
- 2020-04-23 CN CN202010327846.1A patent/CN111631682B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004199260A (ja) * | 2002-12-17 | 2004-07-15 | Casio Comput Co Ltd | 図形作成装置及び図形作成方法 |
US20060165546A1 (en) * | 2005-01-24 | 2006-07-27 | Aisan Kogyo Kabushiki Kaisha | Method and apparatus for manufacturing three-dimensional objects |
JP2007080080A (ja) * | 2005-09-15 | 2007-03-29 | Andor Kk | Cad装置、該cad装置による2次元図作成方法、該2次元図作成方法に基づく2次元図作成プログラム及び該プログラムを記録したプログラム記録媒体 |
CN101053521A (zh) * | 2006-04-12 | 2007-10-17 | 株式会社东芝 | 医用图像显示装置 |
US20080109041A1 (en) * | 2006-11-08 | 2008-05-08 | De Voir Christopher S | Wavelet based feature extraction and dimension reduction for the classification of human cardiac electrogram depolarization waveforms |
US20090207171A1 (en) * | 2008-01-24 | 2009-08-20 | Thomas Feilkas | Method for segmenting a three-dimensional image data set, corresponding computer program and corresponding system |
US20190007256A1 (en) * | 2012-12-05 | 2019-01-03 | Origin Wireless, Inc. | Methods, apparatus, servers, and systems for vital signs detection and monitoring |
CN104038632A (zh) * | 2014-06-16 | 2014-09-10 | Tcl集团股份有限公司 | 一种智能终端管理方法及装置 |
US20190060602A1 (en) * | 2015-07-17 | 2019-02-28 | Bao Tran | Systems and methods for computer assisted operation |
US20170055898A1 (en) * | 2015-08-28 | 2017-03-02 | Awarables, Inc. | Determining Sleep Stages and Sleep Events Using Sensor Data |
CN105224748A (zh) * | 2015-10-08 | 2016-01-06 | 重庆大学 | 一种变截面梁有限元模型的断面预处理方法 |
CN110753515A (zh) * | 2017-05-18 | 2020-02-04 | 普瑞温迪克斯有限责任公司 | 光体积描记图形数据的可靠获取 |
CN107595245A (zh) * | 2017-08-15 | 2018-01-19 | 深圳创达云睿智能科技有限公司 | 一种睡眠管理方法、***及终端设备 |
CN110045347A (zh) * | 2019-04-30 | 2019-07-23 | 西安电子科技大学 | 一种人体微动回波仿真方法 |
CN110569356A (zh) * | 2019-08-14 | 2019-12-13 | 中国平安人寿保险股份有限公司 | 基于智能面试交互***的面试方法、装置和计算机设备 |
CN110806950A (zh) * | 2019-09-19 | 2020-02-18 | 平安科技(深圳)有限公司 | 基于多态存储机制的快照生成方法、装置和计算机设备 |
Non-Patent Citations (2)
Title |
---|
王骁;张爱军;: "对编码结构光采集图像的区域分割", 北京化工大学学报(自然科学版), no. 01 * |
郑慧君;王海涛;曹征涛;朱莹莹;姬超;俞梦孙;: "利用心率的去趋势波动分析提取睡眠呼吸暂停低通气综合症患者的睡眠结构信息", 中国生物医学工程学报, no. 05 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792952A (zh) * | 2021-02-23 | 2021-12-14 | 北京沃东天骏信息技术有限公司 | 用于生成模型的方法和装置 |
CN113246175A (zh) * | 2021-05-07 | 2021-08-13 | 配天机器人技术有限公司 | 机器人末端震动分类方法、机器人及存储介质 |
CN113246175B (zh) * | 2021-05-07 | 2024-05-03 | 配天机器人技术有限公司 | 机器人末端震动分类方法、机器人及存储介质 |
CN116392085A (zh) * | 2023-06-06 | 2023-07-07 | 安徽星辰智跃科技有限责任公司 | 基于趋势分析的睡眠趋稳性量化及调节方法、***和装置 |
CN116392085B (zh) * | 2023-06-06 | 2023-09-12 | 安徽星辰智跃科技有限责任公司 | 基于趋势分析的睡眠趋稳性量化及调节方法、***和装置 |
CN116774600A (zh) * | 2023-08-17 | 2023-09-19 | 深圳小米房产网络科技有限公司 | 一种基于自适应控制技术的智能家居控制器及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111631682B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111631682A (zh) | 基于去趋势分析的生理特征集成方法、装置和计算机设备 | |
Rigas et al. | Biometric identification based on the eye movements and graph matching techniques | |
CN111079342B (zh) | 一种基于在线岩体等级分类的tbm掘进性能预测方法 | |
Rocha et al. | Prediction of acute hypotensive episodes by means of neural network multi-models | |
US20210296002A1 (en) | Long short-term memory model-based disease prediction method and apparatus, and computer device | |
Afsar et al. | Recurrence Quantification Analysis at work: Quasi-periodicity based interpretation of gait force profiles for patients with Parkinson disease | |
CA2470733C (en) | Generation of continuous mathematical model for common features of a subject group | |
EP3113072A1 (en) | Methods and apparatuses for updating user authentication data | |
CN111401339B (zh) | 识别人脸图像中的人的年龄的方法、装置及电子设备 | |
Begum et al. | Classification of physiological signals for wheel loader operators using multi-scale entropy analysis and case-based reasoning | |
Kazakov et al. | Machine learning in the analysis of medical data | |
CN114781272A (zh) | 碳排放量预测方法、装置、设备及存储介质 | |
Pagán et al. | Grammatical evolutionary techniques for prompt migraine prediction | |
CN113793685B (zh) | 基于多维分层漂移扩散模型的认知决策评估方法及*** | |
Kumar et al. | Hybrid Bijective soft set-Neural network for ECG arrhythmia classification | |
Liao et al. | Appropriate medical data categorization for data mining classification techniques | |
Zanna et al. | Bias reducing multitask learning on mental health prediction | |
Sase et al. | Estimating the level of dynamical noise in time series by using fractal dimensions | |
Rubaiyat et al. | End-to-end signal classification in signed cumulative distribution transform space | |
CN112507916B (zh) | 一种基于面部神态的人脸检测方法和*** | |
CN109615018B (zh) | 用户个性化行为评价方法、装置、计算机设备和存储介质 | |
CN113868597B (zh) | 一种用于年龄估计的回归公平性度量方法 | |
US11544601B2 (en) | System for generating topic inference information of lyrics | |
Muthulakshmi et al. | Prediction of Heart Disease using Ensemble Learning | |
CN111816298A (zh) | 事件预测方法及其装置、存储介质、终端、云服务*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210201 Address after: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Applicant after: Shenzhen saiante Technology Service Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |