CN112488406A - 闹钟设置预测方法、装置、设备及存储介质 - Google Patents
闹钟设置预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112488406A CN112488406A CN202011444139.7A CN202011444139A CN112488406A CN 112488406 A CN112488406 A CN 112488406A CN 202011444139 A CN202011444139 A CN 202011444139A CN 112488406 A CN112488406 A CN 112488406A
- Authority
- CN
- China
- Prior art keywords
- data
- alarm clock
- clock setting
- setting prediction
- time period
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000015654 memory Effects 0.000 claims description 41
- 239000010410 layer Substances 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000006403 short-term memory Effects 0.000 claims description 5
- 239000002356 single layer Substances 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 206010041235 Snoring Diseases 0.000 claims description 3
- 230000036387 respiratory rate Effects 0.000 claims description 3
- 230000004617 sleep duration Effects 0.000 claims description 3
- 230000004622 sleep time Effects 0.000 claims description 2
- 230000003860 sleep quality Effects 0.000 description 8
- 230000007787 long-term memory Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Electric Clocks (AREA)
Abstract
本申请涉及一种闹钟设置预测方法、装置、设备及存储介质,涉及电子技术领域。该闹钟设置预测方法包括:获取最近预设时间段内的环境数据、睡眠状态数据和闹钟设置数据;将最近预设时间段内的环境数据、最近预设时间段内的睡眠状态数据和最近预设时间段内的闹钟设置数据,输入至预先训练的闹钟设置预测模型,获得闹钟设置预测模型输出的闹钟设置预测数据。本申请用以解决闹钟设置不智能,影响用户睡眠质量的问题。
Description
技术领域
本申请涉及电子技术领域,尤其涉及一种闹钟设置预测方法、装置、设备及存储介质。
背景技术
现代都市生活和工作的快节奏使得人们每天都过得很匆忙,许多人都依靠闹钟在早上把自己叫醒,而与此同时人们对健康生活向往不断加深,好的睡眠影响人一天的生活状态。
目前,用户设置闹钟的方式不够智能,从而导致用户睡眠质量不好。
发明内容
本申请提供了一种闹钟设置预测方法、装置、设备及存储介质,用以解决闹钟设置不智能,影响用户睡眠质量的问题。
第一方面,本申请实施例提供了一种闹钟设置预测方法,包括:
获取最近预设时间段内的环境数据、睡眠状态数据和闹钟设置数据;
将所述最近预设时间段内的环境数据、所述最近预设时间段内的睡眠状态数据和所述最近预设时间段内的闹钟设置数据,输入至预先训练的闹钟设置预测模型,获得所述闹钟设置预测模型输出的闹钟设置预测数据。
可选地,所述环境数据包括氧气浓度数据、湿度数据、温度数据和光照强度数据中的至少一个;
所述睡眠状态数据包括入睡时刻数据、睡醒时刻数据、睡眠时长数据、体动数据、呼吸频率数据、心率数据和打鼾数据中的至少一个。
可选地,所述闹钟设置预测模型包括N层长短期记忆网络,N大于1。
可选地,所述将所述最近预设时间段内的环境数据、所述最近预设时间段内的睡眠状态数据和所述最近预设时间段内的闹钟设置数据,输入至预先训练的闹钟设置预测模型,获得所述闹钟设置预测模型输出的闹钟设置预测数据,包括:
将所述最近预设时间段内的环境数据、所述最近预设时间段内的睡眠状态数据和所述最近预设时间段内的闹钟设置数据,输入至第一层长短期记忆网络,获得第一闹钟设置预测数据序列;
将所述第i-1闹钟设置预测数据序列输入至第i层长短期记忆网络,获得第i闹钟设置预测数据序列,其中i大于或等于1,且小于N;
将第N-1闹钟设置预测数据序列输入至第N层长短期记忆网络,获得第N闹钟设置预测数据序列;
将所述第N闹钟设置预测数据序列的最后一个闹钟设置预测数据,作为所述闹钟设置预测模型输出的闹钟设置预测数据。
可选地,所述闹钟设置预测模型为单层长短期记忆网络。
可选地,所述闹钟设置预测模型的训练过程,包括:
获取样本数据,其中,所述样本数据包括环境样本数据、睡眠状态样本数据、闹钟设置样本数据和闹钟设置预测样本数据;
将所述样本数据输入至初始闹钟设置预测模型,进行训练,优化所述初始闹钟设置预测模型的参数,获得所述闹钟设置预测模型。
可选地,所述将所述最近预设时间段内的环境数据、所述最近预设时间段内的睡眠状态数据和所述最近预设时间段内的闹钟设置数据,输入至预先训练的闹钟设置预测模型之前,所述方法还包括:
对所述最近预设时间段内的环境数据、所述最近预设时间段内的睡眠状态数据和所述最近预设时间段内的闹钟设置数据,进行归一化处理;
所述将所述样本数据输入至初始闹钟设置预测模型之前,所述方法还包括:
对所述样本数据进行归一化处理。
第二方面,本申请实施例提供了一种闹钟设置预测装置,包括:
获取模块,用于获取最近预设时间段内的环境数据、睡眠状态数据和闹钟设置数据;
处理模块,用于将所述最近预设时间段内的环境数据、所述最近预设时间段内的睡眠状态数据和所述最近预设时间段内的闹钟设置数据,输入至预先训练的闹钟设置预测模型,获得所述闹钟设置预测模型输出的闹钟设置预测数据。
第三方面,本申请实施例提供了一种电子设备,包括:处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述存储器中所存储的程序,实现第一方面所述的闹钟设置预测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的闹钟设置预测方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:本申请实施例提供的该方法,获取最近预设时间段内的环境数据、睡眠状态数据和闹钟设置数据,将最近预设时间段内的环境数据、最近预设时间段内的睡眠状态数据和最近预设时间段内的闹钟设置数据,输入至预先训练的闹钟设置预测模型,获得闹钟设置预测模型输出的闹钟设置预测数据。该方法根据最近预设时间段内的环境数据、睡眠状态数据和闹钟设置数据,获得闹钟设置预测数据,考虑了多个影响用户睡眠质量的因素,使闹钟设置预测数据更加精确,用户睡眠质量更好,解决了闹钟设置不智能,影响用户睡眠质量的问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明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,对于本领域普通技术人员而言,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为本申请实施例中闹钟设置预测的方法流程示意图;
图2为本申请实施例中长短期记忆网络的结构示意图;
图3为本申请一个具体实施例中闹钟设置预测的方法流程示意图;
图4为本申请实施例中闹钟设置预测装置的结构示意图;
图5为本申请实施例中电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例中提供了一种闹钟设置预测方法,该方法可以应用于服务器,当然,也可以应用于其他电子设备,例如终端(手机、平板电脑等)。本申请实施例中,以将该方法应用于服务器为例进行说明。
如图1所示,闹钟设置预测的方法流程主要包括:
步骤101,获取最近预设时间段内的环境数据、睡眠状态数据和闹钟设置数据。
其中,最近预设时间段是指包含闹钟设置预测数据当前时刻的之前连续一段时间。
例如,想要获得2020年11月20日的闹钟设置预测数据,最近预设时间段可以是2020年11月18日、19日、20日,也可以是2020年11月16日、17日、18日、19日、20日,最近预设时间段需要包含2020年11月20日,最近预设时间段的长度是时间步长,可以设置成3天、5天、10天等。
一个具体实施例中,环境数据包括氧气浓度数据、湿度数据、温度数据和光照强度数据中的至少一个,睡眠状态数据包括入睡时刻数据、睡醒时刻数据、睡眠时长数据、体动数据、呼吸频率数据、心率数据和打鼾数据中的至少一个。
其中,环境数据可以由氧气浓度传感器、温湿度传感器、光照强度传感器等各类传感器获得,睡眠状态数据可以由智能可穿戴设备获得,智能可穿戴设备可以是智能手环、智能手表等。
一个具体实施例中,闹钟设置数据包括闹钟时刻设置数据,还可以包括偷懒时长数据。
例如,用户设置了每天的闹钟时刻,但是闹钟响了之后,用户还想多赖会儿床,就会设置一个偷懒时长,经过偷懒时长之后,闹钟会再次响起来提醒用户。
需要说明的是,此处所列举的环境数据、睡眠状态数据和闹钟设置数据中包括的数据仅为示例,并不对本申请的保护范围进行限制,根据需要该环境数据、睡眠状态数据和闹钟设置数据中还可以包括其他数据。
环境数据、睡眠状态数据和闹钟设置数据,都会影响到用户的睡眠,通过环境数据、睡眠状态数据和闹钟设置数据等多维度数据,获得闹钟设置预测数据,会使闹钟设置预测数据更加精确,用户睡眠质量更好。
步骤102,将最近预设时间段内的环境数据、最近预设时间段内的睡眠状态数据和最近预设时间段内的闹钟设置数据,输入至预先训练的闹钟设置预测模型,获得闹钟设置预测模型输出的闹钟设置预测数据。
一个具体实施例中,闹钟设置预测模型包括N层长短期记忆网络,N大于1。
例如:闹钟设置预测模型可以包括2层长短期记忆网络,也可以包括3层长短期记忆网络。
其中,长短期记忆网络(Long Short-Term Memory,LSTM)是一种时间循环神经网络。
如图2所示,是长短期记忆网络的3个单元(cell),每个cell的内部结构是相同的,在任意时刻t,cell的输入为xt和ht-1的拼接,cell的输出为ht,其中ht-1是t-1时刻cell的输出。LSTM最大的特征在于记忆,其由各种门结构控制,这导致输入的数据不仅有原始数据,还有上一个数据的输出结果。cell中,上面的横线用来控制长时记忆,下面的横线控制短时记忆。因此,用长短期记忆网络搭建闹钟设置预测模型,能够利用较长时间序列的数据来获得闹钟设置预测数据,会使闹钟设置预测数据更加精确。
一个具体实施例中,将最近预设时间段内的环境数据、最近预设时间段内的睡眠状态数据和最近预设时间段内的闹钟设置数据,输入至预先训练的闹钟设置预测模型,获得闹钟设置预测模型输出的闹钟设置预测数据,包括:
将最近预设时间段内的环境数据、最近预设时间段内的睡眠状态数据和最近预设时间段内的闹钟设置数据,输入至第一层长短期记忆网络,获得第一闹钟设置预测数据序列;
将第i-1闹钟设置预测数据序列输入至第i层长短期记忆网络,获得第i闹钟设置预测数据序列,其中i大于或等于1,且小于N;
将第N-1闹钟设置预测数据序列输入至第N层长短期记忆网络,获得第N闹钟设置预测数据序列;
将第N闹钟设置预测数据序列的最后一个闹钟设置预测数据,作为闹钟设置预测模型输出的闹钟设置预测数据。
其中,第一闹钟设置预测数据序列为最近预设时间段内的第一闹钟设置预测数据,第i-1闹钟设置预测数据序列为最近预设时间段内的第i-1闹钟设置预测数据,第i闹钟设置预测数据序列为最近预设时间段内的第i闹钟设置预测数据,第N-1闹钟设置预测数据序列为最近预设时间段内的第N-1闹钟设置预测数据,第N闹钟设置预测数据序列为最近预设时间段内的第N闹钟设置预测数据。
其中,第N闹钟设置预测数据序列的最后一个闹钟设置预测数据为当前时刻的第N闹钟设置预测数据。
例如:N为2,闹钟设置预测模型包括2层长短期记忆网络,预测2020年11月20日的闹钟设置数据,最近预设时间段为2020年11月16日、17日、18日、19日、20日;将2020年11月16日、17日、18日、19日、20日的环境数据、睡眠状态数据和闹钟设置数据,输入至第一层长短期记忆网络,获得第一闹钟设置预测数据序列,第一闹钟设置预测数据序列为2020年11月16日、17日、18日、19日、20日的第一闹钟设置预测数据;将第一闹钟设置预测数据序列输入至第二层长短期记忆网络,获得第二闹钟设置预测数据序列,第二闹钟设置预测数据序列为2020年11月16日、17日、18日、19日、20日的第二闹钟设置预测数据;将第二闹钟设置预测数据序列的最后一个闹钟设置预测数据,即2020年11月20日的第二闹钟设置预测数据,作为闹钟设置预测模型输出的闹钟设置预测数据。
闹钟设置预测模型包括多层长短期记忆网络时,最近预设时间段内的环境数据、最近预设时间段内的睡眠状态数据和最近预设时间段内的闹钟设置数据经过多层长短期记忆网络的计算,获得的闹钟设置预测数据更加精确。
一个具体实施例中,闹钟设置预测模型为单层长短期记忆网络。
一个具体实施例中,将最近预设时间段内的环境数据、最近预设时间段内的睡眠状态数据和最近预设时间段内的闹钟设置数据,输入至预先训练的闹钟设置预测模型,获得闹钟设置预测模型输出的闹钟设置预测数据,包括:
将最近预设时间段内的环境数据、最近预设时间段内的睡眠状态数据和最近预设时间段内的闹钟设置数据,输入至单层长短期记忆网络,获得闹钟设置预测数据序列;
将闹钟设置预测数据序列的最后一个闹钟设置预测数据,作为闹钟设置预测模型输出的闹钟设置预测数据。
例如:预测2020年11月20日的闹钟设置数据,最近预设时间段为2020年11月16日、17日、18日、19日、20日;将2020年11月16日、17日、18日、19日、20日的环境数据、睡眠状态数据和闹钟设置数据,输入至单层长短期记忆网络,获得闹钟设置预测数据序列,闹钟设置预测数据序列为2020年11月16日、17日、18日、19日、20日的闹钟设置预测数据;将闹钟设置预测数据序列的最后一个闹钟设置预测数据,即2020年11月20日的闹钟设置预测数据,作为闹钟设置预测模型输出的闹钟设置预测数据。
一个具体实施例中,闹钟设置预测模型的训练过程,包括:获取样本数据,其中,样本数据包括环境样本数据、睡眠状态样本数据、闹钟设置样本数据和闹钟设置预测样本数据;将样本数据输入至初始闹钟设置预测模型,进行训练,优化初始闹钟设置预测模型的参数,获得闹钟设置预测模型。
其中,样本数据可以分成S个批次,S大于1,每个批次的时间步长是相等的,可以将S个批次的样本数据同时输入至初始闹钟设置预测模型,进行训练。
样本数据越多,训练效果越好。
例如:样本数据为2020年1月1日至2020年10月31日的环境样本数据、睡眠状态样本数据、闹钟设置样本数据和闹钟设置预测样本数据,分成61个批次,每个批次的时间步长为5天,第一批次为2020年1月1日至2020年1月5日的环境样本数据、睡眠状态样本数据、闹钟设置样本数据和闹钟设置预测样本数据,第二批次为2020年1月6日至2020年1月10日的环境样本数据、睡眠状态样本数据、闹钟设置样本数据和闹钟设置预测样本数据,第61批次为2020年10月27日至2020年10月31日的环境样本数据、睡眠状态样本数据、闹钟设置样本数据和闹钟设置预测样本数据,可以将这61个批次的样本数据同时输入至初始闹钟设置预测模型,进行训练。
一个具体实施例中,将最近预设时间段内的环境数据、最近预设时间段内的睡眠状态数据和最近预设时间段内的闹钟设置数据,输入至预先训练的闹钟设置预测模型之前,还包括:对最近预设时间段内的环境数据、最近预设时间段内的睡眠状态数据和最近预设时间段内的闹钟设置数据,进行归一化处理;
将样本数据输入至初始闹钟设置预测模型之前,还包括:对样本数据进行归一化处理。
归一化处理能提高闹钟设置预测模型的运算速度和精度,获得的闹钟设置预测数据会更加精确。
综上,本申请实施例中,获取最近预设时间段内的环境数据、睡眠状态数据和闹钟设置数据,将最近预设时间段内的环境数据、最近预设时间段内的睡眠状态数据和最近预设时间段内的闹钟设置数据,输入至预先训练的闹钟设置预测模型,获得闹钟设置预测模型输出的闹钟设置预测数据。该方法根据最近预设时间段内的环境数据、睡眠状态数据和闹钟设置数据,获得闹钟设置预测数据,考虑了多个影响用户睡眠质量的因素,使闹钟设置预测数据更加精确,用户睡眠质量更好,解决了闹钟设置不智能,影响用户睡眠质量的问题。
一个具体实施例中,如图3所示,闹钟设置预测的方法流程主要包括:
步骤301,获取样本数据,其中,样本数据包括环境样本数据、睡眠状态样本数据、闹钟设置样本数据和闹钟设置预测样本数据。
步骤302,对样本数据进行处理,包括缺失数据补全、时序化处理、归一化处理以及关联性分析。
步骤303,将样本数据输入至初始闹钟设置预测模型,进行训练,优化初始闹钟设置预测模型的参数,获得闹钟设置预测模型。
步骤304,应用均方误差和均方根误差对闹钟设置预测模型进行评估。
步骤305,获取最近预设时间段内的环境数据、睡眠状态数据和闹钟设置数据。
步骤306,将最近预设时间段内的环境数据、睡眠状态数据和闹钟设置数据,输入至闹钟设置预测模型,获得闹钟设置预测模型输出的闹钟设置预测数据。
基于同一构思,本申请实施例中提供了一种闹钟设置预测装置,该装置的具体实施可参见方法实施例部分的描述,重复之处不再赘述,如图4所示,该装置主要包括:
获取模块401,用于获取最近预设时间段内的环境数据、睡眠状态数据和闹钟设置数据;
处理模块402,用于将所述最近预设时间段内的环境数据、所述最近预设时间段内的睡眠状态数据和所述最近预设时间段内的闹钟设置数据,输入至预先训练的闹钟设置预测模型,获得所述闹钟设置预测模型输出的闹钟设置预测数据。
基于同一构思,本申请实施例中还提供了一种电子设备,如图5所示,该电子设备主要包括:处理器501、通信接口502、存储器503和通信总线504,其中,处理器501、通信接口502和存储器503通过通信总线504完成相互间的通信。其中,存储器503中存储有可被至处理器501执行的程序,处理器501执行存储器503中存储的程序,实现如下步骤:获取最近预设时间段内的环境数据、睡眠状态数据和闹钟设置数据;将最近预设时间段内的环境数据、最近预设时间段内的睡眠状态数据和最近预设时间段内的闹钟设置数据,输入至预先训练的闹钟设置预测模型,获得闹钟设置预测模型输出的闹钟设置预测数据。
上述电子设备中提到的通信总线504可以是外设部件互连标准(PeripheralComponent Interconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture,简称EISA)总线等。该通信总线504可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口502用于上述电子设备与其他设备之间的通信。
存储器503可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器501的存储装置。
上述的处理器501可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等,还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当该计算机程序在计算机上运行时,使得计算机执行上述实施例中所描述的闹钟设置预测方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以时通用计算机、专用计算机、计算机网络或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如DVD)或者半导体介质(例如固态硬盘)等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种闹钟设置预测方法,其特征在于,包括:
获取最近预设时间段内的环境数据、睡眠状态数据和闹钟设置数据;
将所述最近预设时间段内的环境数据、所述最近预设时间段内的睡眠状态数据和所述最近预设时间段内的闹钟设置数据,输入至预先训练的闹钟设置预测模型,获得所述闹钟设置预测模型输出的闹钟设置预测数据。
2.根据权利要求1所述的闹钟设置预测方法,其特征在于,所述环境数据包括氧气浓度数据、湿度数据、温度数据和光照强度数据中的至少一个;
所述睡眠状态数据包括入睡时刻数据、睡醒时刻数据、睡眠时长数据、体动数据、呼吸频率数据、心率数据和打鼾数据中的至少一个。
3.根据权利要求1所述的闹钟设置预测方法,其特征在于,所述闹钟设置预测模型包括N层长短期记忆网络,N大于1。
4.根据权利要求3所述的闹钟设置预测方法,其特征在于,所述将所述最近预设时间段内的环境数据、所述最近预设时间段内的睡眠状态数据和所述最近预设时间段内的闹钟设置数据,输入至预先训练的闹钟设置预测模型,获得所述闹钟设置预测模型输出的闹钟设置预测数据,包括:
将所述最近预设时间段内的环境数据、所述最近预设时间段内的睡眠状态数据和所述最近预设时间段内的闹钟设置数据,输入至第一层长短期记忆网络,获得第一闹钟设置预测数据序列;
将所述第i-1闹钟设置预测数据序列输入至第i层长短期记忆网络,获得第i闹钟设置预测数据序列,其中i大于或等于1,且小于N;
将第N-1闹钟设置预测数据序列输入至第N层长短期记忆网络,获得第N闹钟设置预测数据序列;
将所述第N闹钟设置预测数据序列的最后一个闹钟设置预测数据,作为所述闹钟设置预测模型输出的闹钟设置预测数据。
5.根据权利要求1所述的闹钟设置预测方法,其特征在于,所述闹钟设置预测模型为单层长短期记忆网络。
6.根据权利要求1所述的闹钟设置预测方法,其特征在于,所述闹钟设置预测模型的训练过程,包括:
获取样本数据,其中,所述样本数据包括环境样本数据、睡眠状态样本数据、闹钟设置样本数据和闹钟设置预测样本数据;
将所述样本数据输入至初始闹钟设置预测模型,进行训练,优化所述初始闹钟设置预测模型的参数,获得所述闹钟设置预测模型。
7.根据权利要求6所述的闹钟设置预测方法,其特征在于,所述将所述最近预设时间段内的环境数据、所述最近预设时间段内的睡眠状态数据和所述最近预设时间段内的闹钟设置数据,输入至预先训练的闹钟设置预测模型之前,所述方法还包括:
对所述最近预设时间段内的环境数据、所述最近预设时间段内的睡眠状态数据和所述最近预设时间段内的闹钟设置数据,进行归一化处理;
所述将所述样本数据输入至初始闹钟设置预测模型之前,所述方法还包括:
对所述样本数据进行归一化处理。
8.一种闹钟设置预测装置,其特征在于,包括:
获取模块,用于获取最近预设时间段内的环境数据、睡眠状态数据和闹钟设置数据;
处理模块,用于将所述最近预设时间段内的环境数据、所述最近预设时间段内的睡眠状态数据和所述最近预设时间段内的闹钟设置数据,输入至预先训练的闹钟设置预测模型,获得所述闹钟设置预测模型输出的闹钟设置预测数据。
9.一种电子设备,其特征在于,包括:处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述存储器中所存储的程序,实现权利要求1至7任一项所述的闹钟设置预测方法。
10.一种计算机可读存储介质,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7任一项所述的闹钟设置预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011444139.7A CN112488406A (zh) | 2020-12-08 | 2020-12-08 | 闹钟设置预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011444139.7A CN112488406A (zh) | 2020-12-08 | 2020-12-08 | 闹钟设置预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112488406A true CN112488406A (zh) | 2021-03-12 |
Family
ID=74940106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011444139.7A Pending CN112488406A (zh) | 2020-12-08 | 2020-12-08 | 闹钟设置预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488406A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114095601A (zh) * | 2021-11-26 | 2022-02-25 | 歌尔科技有限公司 | 一种提醒方法、***、装置及穿戴设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105068414A (zh) * | 2015-08-24 | 2015-11-18 | 联想(北京)有限公司 | 一种闹钟唤醒方法及电子设备 |
CN106453867A (zh) * | 2016-09-27 | 2017-02-22 | 乐视控股(北京)有限公司 | 闹钟的控制方法和装置 |
CN107784357A (zh) * | 2016-08-25 | 2018-03-09 | Tcl集团股份有限公司 | 基于多模态深度神经网络的个性化智能唤醒***及方法 |
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 |
-
2020
- 2020-12-08 CN CN202011444139.7A patent/CN112488406A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105068414A (zh) * | 2015-08-24 | 2015-11-18 | 联想(北京)有限公司 | 一种闹钟唤醒方法及电子设备 |
CN107784357A (zh) * | 2016-08-25 | 2018-03-09 | Tcl集团股份有限公司 | 基于多模态深度神经网络的个性化智能唤醒***及方法 |
CN106453867A (zh) * | 2016-09-27 | 2017-02-22 | 乐视控股(北京)有限公司 | 闹钟的控制方法和装置 |
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 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114095601A (zh) * | 2021-11-26 | 2022-02-25 | 歌尔科技有限公司 | 一种提醒方法、***、装置及穿戴设备 |
CN114095601B (zh) * | 2021-11-26 | 2023-09-08 | 歌尔科技有限公司 | 一种提醒方法、装置及穿戴设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107784357B (zh) | 基于多模态深度神经网络的个性化智能唤醒***及方法 | |
CN113902334A (zh) | 一种事件异常波动检测方法、***、电子设备及存储介质 | |
CN108876284B (zh) | 一种用户行为提示生成方法及终端设备 | |
JP6844609B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
US10636524B2 (en) | Method and system for optimized wake-up strategy via sleeping stage prediction with recurrent neural networks | |
CN111568380B (zh) | 基于睡醒时间预测的闹钟设定方法、装置和设备 | |
CN112289442B (zh) | 预测疾病终点事件的方法、装置及电子设备 | |
Ristić et al. | A new lifetime distribution | |
US10726846B2 (en) | Virtual health assistant for promotion of well-being and independent living | |
US20200077931A1 (en) | Forecasting blood glucose concentration | |
CN111489019B (zh) | 睡眠质量预测方法及装置 | |
CN111329491A (zh) | 一种血糖预测方法、装置、电子设备和存储介质 | |
CN111027672A (zh) | 一种基于交互式多尺度循环神经网络的时间序列预测方法 | |
CN112488406A (zh) | 闹钟设置预测方法、装置、设备及存储介质 | |
CN112244772A (zh) | 一种基于深度学习的睡眠阶段预测方法、存储介质及终端设备 | |
CN111077785A (zh) | 一种唤醒方法、装置、终端及存储介质 | |
CN110111815A (zh) | 动物异常声音监控方法及装置、存储介质、电子设备 | |
CN115878907A (zh) | 基于用户依赖关系的社交网络转发行为预测方法及装置 | |
CN116307247A (zh) | 空气质量的预测方法、模型的训练方法、设备及存储介质 | |
CN110874635B (zh) | 一种深度神经网络模型压缩方法及装置 | |
CN115346084B (zh) | 样本处理方法、装置、电子设备、存储介质及程序产品 | |
CN111028916A (zh) | 一种饮食监测方法、装置、电子设备及存储介质 | |
CN113056756B (zh) | 睡眠识别方法、装置、存储介质及电子设备 | |
CN110427848B (zh) | 一种精神分析*** | |
Oppenheim | A blind spot in correct naming latency analyses |
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 |