CN116092641B - 一种睡眠感官应激水平动态调节的方法、***和装置 - Google Patents
一种睡眠感官应激水平动态调节的方法、***和装置 Download PDFInfo
- Publication number
- CN116092641B CN116092641B CN202310362178.XA CN202310362178A CN116092641B CN 116092641 B CN116092641 B CN 116092641B CN 202310362178 A CN202310362178 A CN 202310362178A CN 116092641 B CN116092641 B CN 116092641B
- Authority
- CN
- China
- Prior art keywords
- sensory
- time
- event
- real
- sleep
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000001953 sensory effect Effects 0.000 title claims abstract description 1139
- 230000007958 sleep Effects 0.000 title claims abstract description 365
- 238000000034 method Methods 0.000 title claims abstract description 209
- 238000004458 analytical method Methods 0.000 claims abstract description 187
- 230000033228 biological regulation Effects 0.000 claims abstract description 160
- 230000035790 physiological processes and functions Effects 0.000 claims abstract description 160
- 230000008569 process Effects 0.000 claims abstract description 142
- 230000004622 sleep time Effects 0.000 claims abstract description 95
- 230000000694 effects Effects 0.000 claims abstract description 81
- 238000012545 processing Methods 0.000 claims abstract description 41
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000011002 quantification Methods 0.000 claims abstract description 12
- 230000001105 regulatory effect Effects 0.000 claims abstract description 7
- 230000035882 stress Effects 0.000 claims description 715
- 238000012512 characterization method Methods 0.000 claims description 51
- 238000004364 calculation method Methods 0.000 claims description 40
- 238000007726 management method Methods 0.000 claims description 28
- 230000008878 coupling Effects 0.000 claims description 26
- 238000010168 coupling process Methods 0.000 claims description 26
- 238000005859 coupling reaction Methods 0.000 claims description 26
- 230000007774 longterm Effects 0.000 claims description 22
- 238000000926 separation method Methods 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 18
- 230000000007 visual effect Effects 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 230000001054 cortical effect Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 13
- 210000003710 cerebral cortex Anatomy 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 10
- 230000009894 physiological stress Effects 0.000 claims description 10
- 230000000284 resting effect Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 210000004556 brain Anatomy 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 210000003715 limbic system Anatomy 0.000 claims description 6
- 230000015355 regulation of circadian sleep/wake cycle, sleep Effects 0.000 claims description 6
- 210000000697 sensory organ Anatomy 0.000 claims description 6
- 230000008667 sleep stage Effects 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000002329 infrared spectrum Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 210000003141 lower extremity Anatomy 0.000 claims description 4
- 238000002582 magnetoencephalography Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 210000001364 upper extremity Anatomy 0.000 claims description 4
- 241001123248 Arma Species 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 3
- 241000728173 Sarima Species 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 3
- 210000003169 central nervous system Anatomy 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000005389 magnetism Effects 0.000 claims description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 3
- 230000001936 parietal effect Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 210000002442 prefrontal cortex Anatomy 0.000 claims description 3
- 230000003238 somatosensory effect Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000002604 ultrasonography Methods 0.000 claims description 3
- 230000001339 gustatory effect Effects 0.000 claims description 2
- 238000002156 mixing Methods 0.000 claims description 2
- 239000010985 leather Substances 0.000 claims 2
- DDBREPKUVSBGFI-UHFFFAOYSA-N phenobarbital Chemical compound C=1C=CC=CC=1C1(CC)C(=O)NC(=O)NC1=O DDBREPKUVSBGFI-UHFFFAOYSA-N 0.000 claims 1
- 230000035943 smell Effects 0.000 claims 1
- 230000001149 cognitive effect Effects 0.000 description 7
- 230000033764 rhythmic process Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 4
- 230000000638 stimulation Effects 0.000 description 4
- 230000007177 brain activity Effects 0.000 description 3
- 230000005056 memory consolidation Effects 0.000 description 3
- 230000008452 non REM sleep Effects 0.000 description 3
- 230000000392 somatic effect Effects 0.000 description 3
- 230000036626 alertness Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000037152 sensory function Effects 0.000 description 2
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000037007 arousal Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000000624 ear auricle Anatomy 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011419 induction treatment Methods 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4005—Detecting, measuring or recording for evaluating the nervous system for evaluating the sensory system
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- 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
-
- 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
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- 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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Neurology (AREA)
- Psychology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Neurosurgery (AREA)
- Anesthesiology (AREA)
- Primary Health Care (AREA)
- Developmental Disabilities (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pain & Pain Management (AREA)
- Acoustics & Sound (AREA)
- Hematology (AREA)
- Child & Adolescent Psychology (AREA)
- Signal Processing (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了睡眠感官应激水平动态调节的方法，包括：对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行实时地采集处理，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据；实时地识别睡眠时相状态并生成睡眠时相曲线、生成感官事件时间分布实时特征、感官独立应激事件实时特征和感官联合应激事件实时特征；进行实时地基线变化分析和变异调和分析，提取感官应激水平实时指数并生成睡眠感官应激水平实时曲线和趋势曲线；生成睡眠感官应激水平动态调节策略，并进行实时动态调节，评估动态调节效果。本发明实现了对睡眠过程中感官应激水平进行科学检测和量化、精准动态调节。
Description
技术领域
本发明涉及睡眠感官应激水平动态调节领域，特别涉及一种睡眠感官应激水平动态调节的方法、***和装置。
背景技术
在不同年龄层人群、不同身心状态、不同睡眠时相的睡眠过程中都存在感官感觉功能的异常打开和感官感觉应激的过度激活等情况，导致了不同程度的睡眠觉醒中断、睡眠警觉性高、睡眠深度浅和睡眠体验感差。而通常情况下，健康良好的睡眠，视觉、听觉、嗅觉、味觉和躯体觉等多种感官功能应激阈值将提高，且感官体验内容记忆会在睡眠过程中进行不断地重放和巩固。
现有技术方案CN113995939A公开一种基于脑电信号的睡眠音乐播放方法、装置及终端，所述方法包括：获取目标用户的睡眠脑电信号；确定所述睡眠脑电信号对应的目标脑部活跃级别；根据所述目标脑部活跃级别确定目标音乐和目标音量，根据所述目标音量播放所述目标音乐。以及，现有技术方案CN111372639A公开了用于向用户递送感官刺激以增强用户中的认知域的***，所述包括：一种被配置为在睡眠时期期间向用户递送感官刺激以增强目标认知域的***；示例目标认知域包括记忆巩固、警觉、言语流畅、困倦和/或其他目标认知域；基于要增强的目标认知域来调节刺激；响应于一个或多个脑活动参数指示用户处于足够深的睡眠中，该***被配置为根据与目标认知域相关联的刺激策略使一个或多个感官刺激器向用户提供感官刺激；该***被配置为使用与刺激策略和目标认知域相关联的量化方法来确定被提供给用户的感官刺激的效果；该***包括一个或多个感官刺激器、一个或多个传感器、一个或多个硬件处理器和/或其他部件。
由上可见，现有技术方案停留在对神经生理信号、脑状态和睡眠质量的表层特征分析和笼统归纳处理上，缺乏对睡眠过程中感官应激水平的明确量化、实时评估和动态调节；同时，现有技术方案中调节完成即结束，每一次调节都是重新分析和重新调节，没有持续的、可继承性的量化和调节，未建立量化-调节的长期影响模型，这也使得了干预过程不够科学化和个性化。
如何根据用户个性化需求搭建科学高效的、睡眠感官应激水平的动态评估方法和调节框架，对用户睡眠过程中的睡眠感官应激水平进行及时合理地动态评估、动态训练或调节，来实现不同年龄层人群、不同身心状态、不同睡眠状态下的睡眠感官应激水平的正常化，是当前国内外睡眠健康管理和神经科学研究难以解决的问题。
发明内容
针对现有方法的以上缺陷及改进需求，本发明的目的在于提供一种睡眠感官应激水平动态调节的方法，通过对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行实时地采集处理、感官事件识别、事件信号分离和睡眠时相分析，得到感官中枢生理事件数据和睡眠时相状态，完成感官事件时间分布实时特征、感官独立应激事件实时特征和感官联合应激事件实时特征的实时提取，通过基线变化分析和变异调和分析提取感官应激水平实时指数，预测分析计算得到感官应激水平预测指数，实时生成睡眠感官应激水平动态调节策略并进行实时动态调节，最后生成睡眠感官应激水平调节报告并建立个性化感官调节长期数据库，实现不同年龄层人群、不同身心状态、不同睡眠状态下的感官应激水平的动态训练和调节。本发明还提供了一种睡眠感官应激水平动态调节的***，用于实现上述方法。本发明还提供了一种睡眠感官应激水平动态调节的装置，用于实现上述***。
根据本发明的目的，本发明提出了一种睡眠感官应激水平动态调节的方法，包括以下步骤：
对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行实时地采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据；
根据所述感官中枢生理状态数据，实时地识别睡眠时相状态并生成睡眠时相曲线；
对所述感官事件时间过程标识集和所述感官中枢生理事件数据进行实时地事件时间分布特征分析、事件独立表征特征分析和事件联合表征特征分析，分别生成感官事件时间分布实时特征、感官独立应激事件实时特征和感官联合应激事件实时特征；
结合感官应激水平特征基线库，对所述感官事件时间分布实时特征、所述感官独立应激事件实时特征和所述感官联合应激事件实时特征进行实时地基线变化分析和变异调和分析，提取感官应激水平实时指数并生成睡眠感官应激水平实时曲线；
对所述睡眠感官应激水平实时曲线进行时序预测计算，得到感官应激水平预测指数并生成睡眠感官应激水平趋势曲线；
根据预设调节时间步长、睡眠应激水平优化知识库、所述睡眠时相曲线、所述睡眠感官应激水平实时曲线和所述睡眠感官应激水平趋势曲线，实时地生成睡眠感官应激水平动态调节策略，并对用户睡眠过程的感官应激水平进行实时动态调节；
重复上述步骤，完成全部所述睡眠感官应激水平的循环动态调节，评估动态调节效果，提取时相感官应激相关系数和应激水平动态调节效果系数，生成睡眠感官应激水平调节报告并建立个性化感官调节长期数据库。
更优地，所述对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行实时地采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据的具体步骤还包括：
对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行实时地采集记录和信号处理，得到所述感官中枢生理状态数据；
对所述感官中枢生理状态数据进行实时地感官事件识别，提取感官事件时间信息，生成或更新所述感官事件时间过程标识集；
根据所述感官事件时间过程标识集，对所述感官中枢生理状态数据进行实时地事件信号分离，生成或更新所述感官中枢生理事件数据。
更优地，所述感官皮质是指感觉器官对应的初级感觉皮质和次级感觉皮质，至少包括躯体感觉的初级感觉皮质和次级感觉皮质、视觉的初级感觉皮质和次级感觉皮质、听觉的初级感觉皮质和次级感觉皮质、嗅觉的初级感觉皮质和次级感觉皮质、味觉的初级感觉皮质和次级感觉皮质；所述关联高级皮质是指与感官事件时序处理相关联的高级皮质和边缘***，至少包括顶叶联合皮质、颞叶联合皮质，前额叶皮质、边缘***。
更优地，所述中枢生理状态信号至少包括脑电信号、脑磁信号、功能性近红外光谱成像信号、功能性核磁共振成像信号。
更优地，所述信号处理至少包括A/D数模转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、矫正处理、频带提取；其中，所述矫正处理具体为对生理状态信号中的包含伪迹或失真的信号数据片段进行信号矫正及预测平滑处理，所述频带提取具体为从目标信号中提取特定频段范围的频带信号。
更优地，所述感官事件识别是指从大脑各个感官皮质及关联高级皮质中枢生理状态信号中区分出多个连续的不同独立感官事件的发生和表征，识别每一个独立事件在不同皮质区域中的表征时序过程、事件中心时间、事件起始时间和事件结束时间，生成所述感官事件时间过程标识集。
更优地，所述感官事件时间过程标识集至少包括事件中心时间、事件起始时间、事件结束时间，以及事件过程中各皮质区域中枢生理状态信号的负向峰值时间。
更优地，所述根据所述感官中枢生理状态数据，实时地识别睡眠时相状态并生成睡眠时相曲线的具体步骤还包括：
通过深度学习算法对规模睡眠用户样本的所述感官中枢生理状态数据及其对应睡眠分期数据进行学习训练和数据建模，得到睡眠时相自动分期模型；
将当前用户的所述感官中枢生理状态数据，实时地输入所述睡眠时相自动分期模型，提取睡眠时相分期值；
按照时序将所述睡眠时相分期值进行拼接，生成所述睡眠时相曲线。
更优地，所述对所述感官事件时间过程标识集和所述感官中枢生理事件数据进行实时地事件时间分布特征分析、事件独立表征特征分析和事件联合表征特征分析，分别生成感官事件时间分布实时特征、感官独立应激事件实时特征和感官联合应激事件实时特征的具体步骤还包括：
对所述感官事件时间过程标识集进行实时地事件时间分布特征分析，生成感官事件时间分布实时特征；
对所述感官中枢生理事件数据进行实时地事件时空过程特征分析，评估感官事件在各个感官皮质及关联高级皮质的时序活动过程和独立表征水平，得到感官独立应激事件实时特征；
对所述感官中枢生理事件数据进行实时地事件时空关联特征分析，评估感官事件在不同感官皮质及关联高级皮质之间的关联协同模式和联合表征水平，得到感官联合应激事件实时特征。
更优地，所述感官事件时间分布实时特征至少包括感官事件持续时长特征和感官事件表征时间中心分布特征；其中，所述感官事件持续时长特征至少包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度，所述感官事件表征时间中心分布特征至少包括每个事件的感官皮质活动时长、多感官同步整合时间中心点、关联高级皮质活动时长、感官皮质活动时长与关联高级皮质活动时长的比值关系。
更优地，所述感官独立应激事件实时特征至少包括时频特征和非线性特征；其中，所述时频特征至少包括不同皮质区域、不同通道的总功率、特征频带功率、特征频带功率占比、特征频带中心频率和包络特征，所述非线性特征至少包括不同皮质区域、不同通道的熵特征、分形特征和复杂度特征。
更优地，所述感官联合应激事件实时特征至少包括感官耦合应激事件特征和感官连接应激事件特征；其中，所述感官耦合应激事件特征至少包括不同皮质区域的、不同通道的、不同频带的两两信号之间的相-相耦合特征、相-幅耦合特征和幅-幅耦合特征，所述感官连接应激事件特征至少包括不同皮质区域的、不同通道的两两信号之间的时频交叉特征、信号关联特征和信号距离特征。
更优地，所述结合感官应激水平特征基线库，对所述感官事件时间分布实时特征、所述感官独立应激事件实时特征和所述感官联合应激事件实时特征进行实时地基线变化分析和变异调和分析，提取感官应激水平实时指数并生成睡眠感官应激水平实时曲线的具体步骤还包括：
建立不同年龄层的、规模数量的健康用户群体的所述感官应激水平特征基线库；
根据所述感官应激水平特征基线库，对所述感官事件时间分布实时特征、所述感官独立应激事件实时特征和所述感官联合应激事件实时特征进行基线变化分析和变异调和分析，提取所述感官应激水平实时指数；
按照时序将所述感官应激水平实时指数进行拼接，生成或更新所述睡眠感官应激水平实时曲线。
更优地，所述感官应激水平特征基线库的构建方法如下：
1)采集不同年龄层的、规模数量的健康用户群体的静息态、感官任务态下的感官皮质及关联高级皮质中枢生理状态信号进行采集记录、信号处理、感官事件识别和事件信号分离，得到基线感官事件时间过程标识集和基线感官中枢生理事件数据；
2)对所述基线感官事件时间过程标识集进行感官事件时间分布特征分析，生成基线感官事件时间分布特征集；
3)对所述基线感官中枢生理事件数据进行感官事件时空过程特征分析和感官事件时空关联特征分析，分别生成基线感官独立应激事件特征和基线感官联合应激事件特征；
4)整合所述基线感官事件时间分布特征集、所述基线感官独立应激事件特征和所述基线感官联合应激事件特征，生成基线感官生理应激特征集；
5)对全部用户样本的所述基线感官生理应激特征集中的每一个特征进行均值计算，得到每一个特征的静息基线值和任务基线值，建立所述感官应激水平特征基线库。
更优地，所述感官应激水平实时指数的计算方法如下：
1)获取当前用户同年龄层的、规模数量的健康用户群体的静息态、感官任务态下的所述感官应激水平特征基线库，得到感官应激水平特征基线对比库；
2)获取当前的所述感官事件时间分布实时特征、所述感官独立应激事件实时特征和所述感官联合应激事件实时特征，并计算与所述感官应激水平特征基线对比库中的静息基线值和任务基线值的基线变化量值，即基线变化分析，得到睡眠感官应激水平特征变化量集；
3)对所述睡眠感官应激水平特征变化量集中的全部指标进行变异调和分析，得到变异调和值，即当前的所述感官应激水平实时指数。
更优地，所述基线变化分析和所述基线变化量值的具体计算方式为：
对于实值变量
和其非零基线序列/>
来说，其基线变化量值为
其中，
分别为实值变量/>
的基线变化量值、第i个基线值以及对应的权重，/>
为正整数。
更优地，所述变异调和分析是一种以数值数组的变异系数、绝对值变异系数为观察基点基础，以数值数组的均值、中位数、分位数、最大值、最小值、方差、峰度、偏度、绝对值均值、绝对值中位数、绝对值分位数、绝对值最大值、绝对值最小值、绝对值方差、绝对值峰度、绝对值偏度为主要分析调和项，来观察分析数值数组的变异系数波动状态和总体趋势波动变化的数据分析方法。
更优地，所述变异调和分析的一种具体计算方式为：
对于数值数组
来说，其变异调和值的为
其中，
分别为数值数组/>
的变异调和值、变异系数和绝对值变异系数，/>
分别为取绝对值、最大值和最小值算符，/>
为正整数。
更优地，所述对所述睡眠感官应激水平实时曲线进行时序预测计算，得到感官应激水平预测指数并生成睡眠感官应激水平趋势曲线的具体步骤还包括：
对所述睡眠感官应激水平实时曲线进行时序趋势分析，预测计算得到所述感官应激水平预测指数；
按照时序将所述感官应激水平预测指数进行拼接，生成或更新所述睡眠感官应激水平趋势曲线。
更优地，所述时序趋势分析至少包括AR、MR、ARMA、ARIMA、SARIMA、VAR经典时间按序列预测方法，以及深度学习预测模型。
更优地，所述根据预设调节时间步长、睡眠应激水平优化知识库、所述睡眠时相曲线、所述睡眠感官应激水平实时曲线和所述睡眠感官应激水平趋势曲线，实时地生成睡眠感官应激水平动态调节策略，并对用户睡眠过程的感官应激水平进行实时动态调节的具体步骤还包括：
根据预设调节时间步长、睡眠应激水平优化知识库、所述睡眠时相曲线、所述感官应激水平实时指数和所述睡眠感官应激水平趋势曲线，结合睡眠感官应激水平动态调节目的，实时地生成所述睡眠感官应激水平动态调节策略；
根据所述睡眠感官应激水平动态调节策略，实时地对用户睡眠过程的感官应激水平进行动态调节。
更优地，所述睡眠感官应激水平动态调节策略至少包括调节方式、执行部位、调节方法和调节强度；其中，所述调节方式至少包括声、光、味、电、磁、超声和睡眠环境，所述执行部位包括头部、颈部、躯干部、左右上肢、左右下肢及各大感官器官，所述调节方法至少包括恒定常数、递增曲线、递减曲线、指数曲线、正弦曲线、周期方波和随机曲线，所述调节强度则由当前的所述感官应激水平实时指数和所述睡眠感官应激水平实时预测指数共同决定。
更优地，所述重复上述步骤，完成全部所述睡眠感官应激水平的循环动态调节，评估动态调节效果，提取时相感官应激相关系数和应激水平动态调节效果系数，生成睡眠感官应激水平调节报告并建立个性化感官调节长期数据库的具体步骤还包括：
完成全部所述睡眠感官应激水平的循环动态调节，得到全部调节过程的所述睡眠时相曲线、所述睡眠感官应激水平实时曲线和所述睡眠感官应激水平趋势曲线；
分析计算所述睡眠时相曲线和所述睡眠感官应激水平实时曲线的关系特征，提取所述时相感官应激相关系数；
分析计算所述睡眠感官应激水平实时曲线和所述睡眠感官应激水平趋势曲线的关系特征，提取所述应激水平动态调节效果系数；
根据所述睡眠时相曲线、所述睡眠感官应激水平实时曲线、所述睡眠感官应激水平趋势曲线、所述时相感官应激相关系数和所述应激水平动态调节效果系数，分析计算生成所述睡眠感官应激水平调节报告；
根据所述睡眠感官应激水平调节报告和用户当前状态信息，建立或更新所述个性化感官调节长期数据库，为后续用户持续地睡眠感官应激水平动态调节提供数据分析继承模型。
更优地，所述时相感官应激相关系数的计算方法具体为：
1)获取所述睡眠时相曲线和所述睡眠感官应激水平实时曲线；
2)分析计算所述睡眠时相曲线和所述睡眠感官应激水平实时曲线的关系特征，得到时相感官应激水平关系特征指数集；
3)对所述时相感官应激水平关系特征指数集进行加权融合计算，得到所述时相感官应激相关系数。
更优地，所述应激水平动态调节效果系数的计算方法具体为：
1)获取所述睡眠感官应激水平实时曲线和所述睡眠感官应激水平趋势曲线；
2)分析计算所述睡眠感官应激水平实时曲线和所述睡眠感官应激水平趋势曲线的关系特征，得到应激水平动态调节效果特征指数集；
3)对所述应激水平动态调节效果特征指数集进行加权融合计算，得到所述应激水平动态调节效果系数。
更优地，所述关系特征至少包括关联特征和距离特征；其中，所述关联特征至少包括相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数和线性相关系数，所述距离特征至少包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、巴氏距离、汉明距离和夹角余弦。
更优地，所述睡眠感官应激水平调节报告至少包括所述睡眠时相曲线、所述睡眠感官应激水平实时曲线、所述睡眠感官应激水平趋势曲线、所述时相感官应激相关系数、所述应激水平动态调节效果系数、全部的所述睡眠感官应激水平动态调节策略、感官应激水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠感官应激水平调节报告总结。
更优地，所述感官应激水平时相分布统计具体为不同睡眠时相的平均感官应激水平、最大感官应激水平和最小感官应激水平；所述高峰活跃时段小结具体为所述睡眠感官应激水平实时曲线中超过预设高峰阈值的片段所对应的高峰时段分布、所述高峰时段分布的时间数值总和及占比；所述低峰活跃时段小结具体为所述睡眠感官应激水平实时曲线中超过预设低峰阈值的片段所对应的低峰时段分布、所述低峰时段分布的时间数值总和及占比；所述异常活跃时段小结具体为所述睡眠感官应激水平实时曲线中脱离曲线基线趋势的异常片段所对应的异常时段分布、所述异常时段分布的时间数值总和及占比。
根据本发明的目的，本发明提出了一种睡眠感官应激水平动态调节的***，包括以下模块：
感官事件检测模块，用于对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行实时地采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据；
时相状态分析模块，用于根据所述感官中枢生理状态数据，实时地识别睡眠时相状态并生成睡眠时相曲线；
事件特征分析模块，用于对所述感官事件时间过程标识集和所述感官中枢生理事件数据进行实时地事件时间分布特征分析、事件独立表征特征分析和事件联合表征特征分析，分别生成感官事件时间分布实时特征、感官独立应激事件实时特征和感官联合应激事件实时特征；
应激水平量化模块，用于结合感官应激水平特征基线库，对所述感官事件时间分布实时特征、所述感官独立应激事件实时特征和所述感官联合应激事件实时特征进行实时地基线变化分析和变异调和分析，提取感官应激水平实时指数并生成睡眠感官应激水平实时曲线；
应激趋势预测模块，用于对所述睡眠感官应激水平实时曲线进行时序预测计算，得到感官应激水平预测指数并生成睡眠感官应激水平趋势曲线；
动态策略调节模块，用于根据预设调节时间步长、睡眠应激水平优化知识库、所述睡眠时相曲线、所述睡眠感官应激水平实时曲线和所述睡眠感官应激水平趋势曲线，实时地生成睡眠感官应激水平动态调节策略，并对用户睡眠过程的感官应激水平进行实时动态调节；
循环调节报告模块，用于完成全部所述睡眠感官应激水平的循环动态调节，评估动态调节效果，提取时相感官应激相关系数和应激水平动态调节效果系数，生成睡眠感官应激水平调节报告并建立个性化感官调节长期数据库；
数据管理中心模块，用于对所述***中所有过程数据的可视化展示和数据运营管理。
更优地，所述感官事件检测模块还包括以下具体功能单元：
感官生理监测单元，用于对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行实时地采集记录和信号处理，得到所述感官中枢生理状态数据；
感官事件识别单元，用于对所述感官中枢生理状态数据进行实时地感官事件识别，提取感官事件时间信息，生成或更新所述感官事件时间过程标识集；
事件信号分离单元，用于根据所述感官事件时间过程标识集，对所述感官中枢生理状态数据进行实时地事件信号分离，生成或更新所述感官中枢生理事件数据。
更优地，所述时相状态分析模块还包括以下具体功能单元：
分期模型构建单元，用于通过深度学习算法对规模睡眠用户样本的所述感官中枢生理状态数据及其对应睡眠分期数据进行学习训练和数据建模，得到睡眠时相自动分期模型；
实时时相识别单元，用于将当前用户的所述感官中枢生理状态数据，实时地输入所述睡眠时相自动分期模型，提取睡眠时相分期值；
时相曲线生成单元，用于按照时序将所述睡眠时相分期值进行拼接，生成所述睡眠时相曲线。
更优地，所述事件特征分析模块还包括以下具体功能单元：
时间分布特征分析单元，用于对所述感官事件时间过程标识集进行实时地事件时间分布特征分析，生成感官事件时间分布实时特征；
时空过程特征分析单元，用于对所述感官中枢生理事件数据进行实时地事件时空过程特征分析，评估感官事件在各个感官皮质及关联高级皮质的时序活动过程和独立表征水平，得到感官独立应激事件实时特征；
时空关联特征分析单元，用于对所述感官中枢生理事件数据进行实时地事件时空关联特征分析，评估感官事件在不同感官皮质及关联高级皮质之间的关联协同模式和联合表征水平，得到感官联合应激事件实时特征。
更优地，所述应激水平量化模块还包括以下具体功能单元：
基线特征构建单元，用于建立不同年龄层的、规模数量的健康用户群体的所述感官应激水平特征基线库；
应急指数提取单元，用于根据所述感官应激水平特征基线库，对所述感官事件时间分布实时特征、所述感官独立应激事件实时特征和所述感官联合应激事件实时特征进行基线变化分析和变异调和分析，提取所述感官应激水平实时指数；
应激曲线生成单元，用于按照时序将所述感官应激水平实时指数进行拼接，生成或更新所述睡眠感官应激水平实时曲线。
更优地，所述应激趋势预测模块还包括以下具体功能单元：
应激指数预测单元，用于对所述睡眠感官应激水平实时曲线进行时序趋势分析，预测计算得到所述感官应激水平预测指数；
趋势曲线生成单元，用于按照时序将所述感官应激水平预测指数进行拼接，生成或更新所述睡眠感官应激水平趋势曲线。
更优地，所述动态策略调节模块还包括以下具体功能单元：
调节策略生成单元，用于根据睡眠应激水平优化知识库、所述睡眠时相曲线、所述感官应激水平实时指数和所述睡眠感官应激水平趋势曲线，结合睡眠感官应激水平动态调节目的，实时地生成所述睡眠感官应激水平动态调节策略；
动态调节执行单元，用于根据所述睡眠感官应激水平动态调节策略，实时地对用户睡眠过程的感官应激水平进行动态调节。
更优地，所述循环调节报告模块还包括以下具体功能单元：
循环动态调节单元，用于完成全部所述睡眠感官应激水平的循环动态调节，得到全部调节过程的所述睡眠时相曲线、所述睡眠感官应激水平实时曲线和所述睡眠感官应激水平趋势曲线；
应激相关分析单元，用于分析计算所述睡眠时相曲线和所述睡眠感官应激水平实时曲线的关系特征，提取所述时相感官应激相关系数；
调节效果分析单元，用于分析计算所述睡眠感官应激水平实时曲线和所述睡眠感官应激水平趋势曲线的关系特征，提取所述应激水平动态调节效果系数；
调节报告生成单元，用于根据所述睡眠时相曲线、所述睡眠感官应激水平实时曲线、所述睡眠感官应激水平趋势曲线、所述时相感官应激相关系数和所述应激水平动态调节效果系数，分析计算生成所述睡眠感官应激水平调节报告；
感官调节继承单元，用于根据所述睡眠感官应激水平调节报告和用户当前状态信息，建立或更新所述个性化感官调节长期数据库，为后续用户持续地睡眠感官应激水平动态调节提供数据分析继承模型。
更优地，所述数据管理中心模块还包括以下具体功能单元：
用户信息管理单元，用于用户基本信息的登记输入、编辑、查询、输出和删除；
数据可视化管理单元，用于对所述***中所有数据的可视化展现管理；
数据运营管理单元，用于对所述***中所有数据的存储、备份、迁移和导出。
根据本发明的目的，本发明提出了一种睡眠感官应激水平动态调节的装置，包括以下模组：
感官事件检测模组，用于对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行实时地采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据；
时相状态分析模组，用于根据所述感官中枢生理状态数据，实时地识别睡眠时相状态并生成睡眠时相曲线；
事件特征分析模组，用于对所述感官事件时间过程标识集和所述感官中枢生理事件数据进行实时地事件时间分布特征分析、事件独立表征特征分析和事件联合表征特征分析，分别生成感官事件时间分布实时特征、感官独立应激事件实时特征和感官联合应激事件实时特征；
应激水平量化模组，用于结合感官应激水平特征基线库，对所述感官事件时间分布实时特征、所述感官独立应激事件实时特征和所述感官联合应激事件实时特征进行实时地基线变化分析和变异调和分析，提取感官应激水平实时指数并生成睡眠感官应激水平实时曲线；
应激趋势预测模组，用于对所述睡眠感官应激水平实时曲线进行时序预测计算，得到感官应激水平预测指数并生成睡眠感官应激水平趋势曲线；
动态策略调节模组，用于根据预设调节时间步长、睡眠应激水平优化知识库、所述睡眠时相曲线、所述睡眠感官应激水平实时曲线和所述睡眠感官应激水平趋势曲线，实时地生成睡眠感官应激水平动态调节策略，并对用户睡眠过程的感官应激水平进行实时动态调节；
循环调节报告模组，用于完成全部所述睡眠感官应激水平的循环动态调节，评估动态调节效果，提取时相感官应激相关系数和应激水平动态调节效果系数，生成睡眠感官应激水平调节报告并建立个性化感官调节长期数据库；
数据可视化管理模组，用于对所述装置中所有数据的可视化展现管理和用户信息编辑管理；
数据运营管理模组，用于对所述装置中所有数据的存储、备份、迁移和导出。
本发明所提供的睡眠感官应激水平动态调节的方法、***和装置，通过对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行实时地采集处理、感官事件识别、事件信号分离和睡眠时相分析，得到感官中枢生理事件数据和睡眠时相状态，完成感官事件时间分布实时特征、感官独立应激事件实时特征和感官联合应激事件实时特征的实时提取，通过基线变化分析和变异调和分析提取感官应激水平实时指数，预测分析计算得到感官应激水平预测指数，实时生成睡眠感官应激水平动态调节策略并进行实时动态调节，最后生成睡眠感官应激水平调节报告并建立个性化感官调节长期数据库，实现不同年龄层人群、不同身心状态、不同睡眠状态下的感官应激水平的科学检测和量化、精准动态训练或调节，从而为睡眠的衡量和调整提供客观准确的依据。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
图1是本发明一实施例所提供的一种睡眠感官应激水平动态调节的方法的基本流程示意图；
图2是本发明一实施例所提供的一种睡眠感官应激水平动态调节的***的模块组成示意图；
图3是本发明一实施例所提供的一种睡眠感官应激水平动态调节的装置的模组构成示意图。
具体实施方式
为了更清楚地说明本发明的目的和技术方案，下面将结合本发明申请实施例中的附图，对本发明进行进一步介绍说明。显而易见地，下面描述的实施例仅是本发明一部分实施例，而不是全部的实施例。在没有创造性劳动前提下，本领域普通技术人员基于本发明的实施例所得到的其他实施例，都应属于本发明的保护范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
本发明提供的一种睡眠感官应激水平动态调节的方法、***和装置，实现了睡眠过程中的感官应激水平的实时检测、实时分析、实时评估和实时调节等动态分析及调节的方法和框架，能够结合、赋能或嵌入睡眠相关产品和服务，以及为不同人群场景提供睡眠感官应激水平的动态调节方案。
如图1所示，本发明实施例提供的一种睡眠感官应激水平动态调节的方法，包括以下步骤：
P100：对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行实时地采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据。
第一步、对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行实时地采集记录和信号处理，得到感官中枢生理状态数据。
本实施例中，感官皮质是指感觉器官对应的初级感觉皮质和次级感觉皮质，至少包括躯体感觉的初级感觉皮质和次级感觉皮质、视觉的初级感觉皮质和次级感觉皮质、听觉的初级感觉皮质和次级感觉皮质、嗅觉的初级感觉皮质和次级感觉皮质、味觉的初级感觉皮质和次级感觉皮质；关联高级皮质是指与感官事件时序处理相关联的高级皮质和边缘***，至少包括顶叶联合皮质、颞叶联合皮质，前额叶皮质、边缘***。
本实施例中，中枢生理状态信号至少包括脑电信号、脑磁信号、功能性近红外光谱成像信号、功能性核磁共振成像信号。
本实施例中，信号处理至少包括A/D数模转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、矫正处理、频带提取；其中，矫正处理具体为对生理状态信号中的包含伪迹或失真的信号数据片段进行信号矫正及预测平滑处理，频带提取具体为从目标信号中提取特定频段范围的频带信号。
本实施例中，选择脑电信号来采集记录感官皮质及关联高级皮质中枢生理状态信号。通过多导睡眠记录仪对用户整夜睡眠过程的脑电信号进行采集记录，采样率为2048Hz，基于国际10-20***脑电电极放置标准，记录电极为Fz、Pz、Oz、Fp1、Fp2、F3、F4、T7、T8、P3、P4、P7、P8、O1和O2，参考电极为左右耳垂A1、A2。
本实施例中，对脑电信号的信号处理为去伪迹处理，采用db4小波基、4层分解、SURE阈值法的离散小波降噪，通过hamming窗、零相位的FIR数字滤波器完成工频50Hz及其倍频陷波处理、带通（0.5~250Hz）滤波，并提取δ节律（0.5~4Hz）、θ节律（4~8Hz）、μ-α节律（8~13Hz）、β节律（13~30Hz）、γ1节律(30~60Hz)、γ2节律(60~140Hz)和γ3节律(140~250Hz)七个频带信号。
在实际使用场景中，根据用户实际情况、环境设施、硬件设施和动态调节目的等，可以选择多导睡眠记录仪、多导脑电监测仪、脑磁仪、功能性近红外光谱成像设备或功能性核磁共振成像设备，并选择跟感官应激水平紧密相关的初级感觉皮质、次级感觉皮质、顶叶联合皮质区和额叶的多个部位进行采集监测。
第二步、对感官中枢生理状态数据进行实时地感官事件识别，提取感官事件时间信息，生成或更新感官事件时间过程标识集。
本实施例中，感官事件识别是指从大脑各个感官皮质及关联高级皮质中枢生理状态信号中区分出多个连续的不同独立感官事件的发生和表征，识别每一个独立事件在不同皮质区域中的表征时序过程、事件中心时间、事件起始时间和事件结束时间，生成感官事件时间过程标识集。
本实施例中，感官事件时间过程标识集至少包括事件中心时间、事件起始时间、事件结束时间，以及事件过程中各皮质区域中枢生理状态信号的负向峰值时间。
第三步、根据感官事件时间过程标识集，对感官中枢生理状态数据进行实时地事件信号分离，生成或更新感官中枢生理事件数据。
P200：根据所述感官中枢生理状态数据，实时地识别睡眠时相状态并生成睡眠时相曲线。
第一步、通过深度学习算法对规模睡眠用户样本的感官中枢生理状态数据及其对应睡眠分期数据进行学习训练和数据建模，得到睡眠时相自动分期模型。
本实施例中，使用BiLSTM深度学习算法来完成睡眠时相自动分期模型的建模。
第二步、将当前用户的感官中枢生理状态数据，实时地输入睡眠时相自动分期模型，提取睡眠时相分期值。
本实施例中，睡眠时相和睡眠时相分期值的对应关系为：清醒期为0，快速眼动睡眠期为1，非快速眼动睡眠Ⅰ期为2，非快速眼动睡眠Ⅱ期为3，非快速眼动睡眠Ⅲ期为4。
第三步、按照时序将睡眠时相分期值进行拼接，生成睡眠时相曲线。
本实施例中，识别睡眠时相状态和睡眠时相分期，主要为后续制定动态调节策略提供关键基础，因为不同睡眠时相状态，睡眠感官应激水平有比较大差别。
P300：对所述感官事件时间过程标识集和所述感官中枢生理事件数据进行实时地事件时间分布特征分析、事件独立表征特征分析和事件联合表征特征分析，分别生成感官事件时间分布实时特征、感官独立应激事件实时特征和感官联合应激事件实时特征。
第一步、对感官事件时间过程标识集进行实时地事件时间分布特征分析，生成感官事件时间分布实时特征。
本实施例中，感官事件时间分布实时特征至少包括感官事件持续时长特征和感官事件表征时间中心分布特征；其中，感官事件持续时长特征至少包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度，感官事件表征时间中心分布特征至少包括每个事件的感官皮质活动时长、多感官同步整合时间中心点、关联高级皮质活动时长、感官皮质活动时长与关联高级皮质活动时长的比值关系。
第二步、对感官中枢生理事件数据进行实时地事件时空过程特征分析，评估感官事件在各个感官皮质及关联高级皮质的时序活动过程和独立表征水平，得到感官独立应激事件实时特征。
本实施例中，感官独立应激事件实时特征至少包括时频特征和非线性特征；其中，时频特征至少包括不同皮质区域、不同通道的总功率、特征频带功率、特征频带功率占比、特征频带中心频率和包络特征，非线性特征至少包括不同皮质区域、不同通道的熵特征、分形特征和复杂度特征。
第三步、对感官中枢生理事件数据进行实时地事件时空关联特征分析，评估感官事件在不同感官皮质及关联高级皮质之间的关联协同模式和联合表征水平，得到感官联合应激事件实时特征。
本实施例中，感官联合应激事件实时特征至少包括感官耦合应激事件特征和感官连接应激事件特征；其中，感官耦合应激事件特征至少包括不同皮质区域的、不同通道的、不同频带的两两信号之间的相-相耦合特征、相-幅耦合特征和幅-幅耦合特征，感官连接应激事件特征至少包括不同皮质区域的、不同通道的两两信号之间的时频交叉特征、信号关联特征和信号距离特征。
本实施例中，感官耦合应激事件特征，既包括单通道脑电信号（如F3）的多个频带信号（如θ和γ、α和β）之间的相-相耦合指数、相-幅耦合指数和幅-幅耦合指数，也包括多个两两不同通道脑电信号（如F3和P3、F3和T3）中的多个频带信号（如θ和γ、α和β）间的相-相耦合指数、相-幅耦合指数和幅-幅耦合指数。
本实施例中，时频交叉特征至少包括交叉频谱密度、锁相值、相位斜率指数、转移熵；信号关联特征至少包括相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数和线性相关系数，信号距离特征至少包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、巴氏距离、汉明距离和夹角余弦。
在实际使用场景中，首先，感官事件的快速发生和发展由用户身心状态、睡眠时相、睡眠环境、记忆巩固内容等多种因素影响，感官事件时间分布实时特征是感官应激状态时序特征的关键描述。其次，感官独立应激事件实时特征则反映了视觉、听觉、嗅觉、味觉和躯体觉等多种感官体验内容在不同初级刺激感觉皮质、高级联合皮质和边缘***的信号强度、频率、峰幅值、信息量、混沌程度、复杂度等独立活动表征特征。最后，，视觉、听觉、嗅觉、味觉和躯体觉等多种感官体验内容最终都会整合成统一感觉认知并融入到特定记忆巩固过程中，而感官耦合应激事件特征和感官连接应激事件特征恰恰是能够描述这个统一或融入过程的感官应激特征。通常情况下，选取多感官同步整合时间中心点、感官皮质活动时长与关联高级皮质活动时长的比值关系、特征频带功率、特征频带功率占比、特征频带中心频率、相-相耦合特征、相-幅耦合特征、幅-幅耦合特征、交叉频谱密度、锁相值、皮尔逊相关系数和欧氏距离作为关系特征，能够满足大多数场景需求。
P400：结合感官应激水平特征基线库，对所述感官事件时间分布实时特征、所述感官独立应激事件实时特征和所述感官联合应激事件实时特征进行实时地基线变化分析和变异调和分析，提取感官应激水平实时指数并生成睡眠感官应激水平实时曲线。
第一步、建立不同年龄层的、规模数量的健康用户群体的感官应激水平特征基线库。
本实施例中，感官应激水平特征基线库的构建方法如下：
1)采集不同年龄层的、规模数量的健康用户群体的静息态、感官任务态下的感官皮质及关联高级皮质中枢生理状态信号进行采集记录、信号处理、感官事件识别和事件信号分离，得到基线感官事件时间过程标识集和基线感官中枢生理事件数据；
2)对基线感官事件时间过程标识集进行感官事件时间分布特征分析，生成基线感官事件时间分布特征集；
3)对基线感官中枢生理事件数据进行感官事件时空过程特征分析和感官事件时空关联特征分析，分别生成基线感官独立应激事件特征和基线感官联合应激事件特征；
4)整合基线感官事件时间分布特征集、基线感官独立应激事件特征和基线感官联合应激事件特征，生成基线感官生理应激特征集；
5)对全部用户样本的基线感官生理应激特征集中的每一个特征进行均值计算，得到每一个特征的静息基线值和任务基线值，建立感官应激水平特征基线库。
第二步、根据感官应激水平特征基线库，对感官事件时间分布实时特征、感官独立应激事件实时特征和感官联合应激事件实时特征进行基线变化分析和变异调和分析，提取感官应激水平实时指数。
本实施例中，感官应激水平实时指数的计算方法如下：
1)获取当前用户同年龄层的、规模数量的健康用户群体的静息态、感官任务态下的感官应激水平特征基线库，得到感官应激水平特征基线对比库；
2)获取当前的感官事件时间分布实时特征、感官独立应激事件实时特征和感官联合应激事件实时特征，并计算与感官应激水平特征基线对比库中的静息基线值和任务基线值的基线变化量值，即基线变化分析，得到睡眠感官应激水平特征变化量集；
3)对睡眠感官应激水平特征变化量集中的全部指标进行变异调和分析，得到变异调和值，即当前的感官应激水平实时指数。
本实施例中，基线变化分析和基线变化量值的具体计算方式为：
对于实值变量
和其非零基线序列/>
来说，其基线变化量值为
其中，
分别为实值变量/>
的基线变化量值、第i个基线值以及对应的权重，/>
为正整数。
本实施例中，变异调和分析是一种以数值数组的变异系数、绝对值变异系数为观察基点基础，以数值数组的均值、中位数、分位数、最大值、最小值、方差、峰度、偏度、绝对值均值、绝对值中位数、绝对值分位数、绝对值最大值、绝对值最小值、绝对值方差、绝对值峰度、绝对值偏度为主要分析调和项，来观察分析数值数组的变异系数波动状态和总体趋势波动变化的数据分析方法。
本实施例中，变异调和分析的一种具体计算方式为：
对于数值数组
来说，其变异调和值的为
其中，
分别为数值数组/>
的变异调和值、变异系数和绝对值变异系数，/>
分别为取绝对值、最大值和最小值算符，/>
为正整数。
第三步、按照时序将感官应激水平实时指数进行拼接，生成或更新睡眠感官应激水平实时曲线。
P500：对所述睡眠感官应激水平实时曲线进行时序预测计算，得到感官应激水平预测指数并生成睡眠感官应激水平趋势曲线。
第一步、对睡眠感官应激水平实时曲线进行时序趋势分析，预测计算得到感官应激水平预测指数。
本实施例中，时序趋势分析至少包括AR、MR、ARMA、ARIMA、SARIMA、VAR经典时间按序列预测方法，以及深度学习预测模型。
在实际使用场景中，经典时间按序列预测方法能够满足大部分场景需求。
第二步、按照时序将感官应激水平预测指数进行拼接，生成或更新睡眠感官应激水平趋势曲线。
P600：根据预设调节时间步长、睡眠应激水平优化知识库、所述睡眠时相曲线、所述睡眠感官应激水平实时曲线和所述睡眠感官应激水平趋势曲线，实时地生成睡眠感官应激水平动态调节策略，并对用户睡眠过程的感官应激水平进行实时动态调节。
第一步、根据预设调节时间步长、睡眠应激水平优化知识库、睡眠时相曲线、感官应激水平实时指数和睡眠感官应激水平趋势曲线，结合睡眠感官应激水平动态调节目的，实时地生成睡眠感官应激水平动态调节策略。
本实施例中，睡眠感官应激水平动态调节策略至少包括调节方式、执行部位、调节方法和调节强度；其中，调节方式至少包括声、光、味、电、磁、超声和睡眠环境，执行部位包括头部、颈部、躯干部、左右上肢、左右下肢及各大感官器官，调节方法至少包括恒定常数、递增曲线、递减曲线、指数曲线、正弦曲线、周期方波和随机曲线，调节强度则由当前的感官应激水平实时指数和睡眠感官应激水平实时预测指数共同决定。
本实施例中，睡眠行为水平优化知识库不仅包括睡眠应激水平调节的专业知识、技术手段、操作参数和安全指导等信息，还包括了用户个人的睡眠感官应激水平动态调节的历史信息，即历史的睡眠时相曲线、睡眠感官应激水平实时曲线、睡眠感官应激水平趋势曲线、睡眠感官应激水平动态调节策略、睡眠感官应激水平动态调节策略效果等。
在实际使用场景中，需要根据具体场景需求来选择调节方式、执行部位、调节方法和调节强度。
第二步、根据睡眠感官应激水平动态调节策略，实时地对用户睡眠过程的感官应激水平进行动态调节。
本实施例中，根据睡眠感官应激水平动态调节策略，连接相应的硬件设备，发送调控参数，实现对对用户睡眠过程的感官应激水平进行实时动态调节，并监控调节过程的人身安全和其他意外因素。
P700：重复上述步骤，完成全部所述睡眠感官应激水平的循环动态调节，评估动态调节效果，提取时相感官应激相关系数和应激水平动态调节效果系数，生成睡眠感官应激水平调节报告并建立个性化感官调节长期数据库。
第一步、完成全部睡眠感官应激水平的循环动态调节，得到全部调节过程的睡眠时相曲线、睡眠感官应激水平实时曲线和睡眠感官应激水平趋势曲线。
在用户整个睡眠过程中，不断地采集分析用户的感官皮质及关联高级皮质中枢生理状态，实时提取感官事件时间分布实时特征、感官独立应激事件实时特征和感官联合应激事件实时特征，实时评价量化其睡眠感官应激水平，根据合睡眠感官应激水平动态调节目的和上一次调节结果效果，进一步制定或优化动态调节策略，实现对用户睡眠感官应激水平的持续动态训练和调节。
第二步、分析计算睡眠时相曲线和睡眠感官应激水平实时曲线的关系特征，提取时相感官应激相关系数。
本实施例中，时相感官应激相关系数主要是衡量用户在不同睡眠时相的睡眠感官应激综合水平。时相感官应激相关系数的计算方法具体为：
1)获取睡眠时相曲线和睡眠感官应激水平实时曲线；
2)分析计算睡眠时相曲线和睡眠感官应激水平实时曲线的关系特征，得到时相感官应激水平关系特征指数集；
3)对时相感官应激水平关系特征指数集进行加权融合计算，得到时相感官应激相关系数。
本实施例中，关系特征至少包括关联特征和距离特征；其中，关联特征至少包括相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数和线性相关系数，距离特征至少包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、巴氏距离、汉明距离和夹角余弦。
第三步、分析计算睡眠感官应激水平实时曲线和睡眠感官应激水平趋势曲线的关系特征，提取应激水平动态调节效果系数。
本实施例中，应激水平动态调节效果系数反映是真实表现和计划表现的差异，是动态调整策略实施结果和效果的综合评价。时应激水平动态调节效果系数的计算方法具体为：
1)获取睡眠感官应激水平实时曲线和睡眠感官应激水平趋势曲线；
2)分析计算睡眠感官应激水平实时曲线和睡眠感官应激水平趋势曲线的关系特征，得到应激水平动态调节效果特征指数集；
3)对应激水平动态调节效果特征指数集进行加权融合计算，得到应激水平动态调节效果系数。
第四步、根据睡眠时相曲线、睡眠感官应激水平实时曲线、睡眠感官应激水平趋势曲线、时相感官应激相关系数和应激水平动态调节效果系数，分析计算生成睡眠感官应激水平调节报告。
本实施例中，睡眠感官应激水平调节报告至少包括睡眠时相曲线、睡眠感官应激水平实时曲线、睡眠感官应激水平趋势曲线、时相感官应激相关系数、应激水平动态调节效果系数、全部的睡眠感官应激水平动态调节策略、感官应激水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠感官应激水平调节报告总结。
本实施例中，感官应激水平时相分布统计具体为不同睡眠时相的平均感官应激水平、最大感官应激水平和最小感官应激水平；高峰活跃时段小结具体为睡眠感官应激水平实时曲线中超过预设高峰阈值的片段所对应的高峰时段分布、高峰时段分布的时间数值总和及占比；低峰活跃时段小结具体为睡眠感官应激水平实时曲线中超过预设低峰阈值的片段所对应的低峰时段分布、低峰时段分布的时间数值总和及占比；异常活跃时段小结具体为睡眠感官应激水平实时曲线中脱离曲线基线趋势的异常片段所对应的异常时段分布、异常时段分布的时间数值总和及占比。
在实际使用场景中，睡眠感官应激水平调节报告可以为健康管理和神经科学研究提供基础依据和基本材料。
第五步、根据睡眠感官应激水平调节报告和用户当前状态信息，建立或更新个性化感官调节长期数据库，为后续用户持续地睡眠感官应激水平动态调节提供数据分析继承模型。
每一次整个循环动态调节完成后，结合用户当前的年龄、身心状态、睡眠环境等信息，以及睡眠感官应激水平调节报告，建立并持续更新个性化行为调节长期数据库，来不断优化和调整后续用户个人的睡眠感官应激水平动态调节策略，建立量化-调节的长期影响模型，实现完整的个性化和智能化，以达到更好的动态调节效果。
所述数据库至少包括个人的时相感官应激相关系数和应激水平动态调节效果系数，由于不同人的感官应激程度和调节影响因子不同，将上述两个系数保留在数据库有助于更快速和更有针对性的完成动态调节。
如图2所示，本发明实施例提供的一种睡眠感官应激水平动态调节的***，用于执行上述方法，包括以下模块：
感官事件检测模块S100，用于对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行实时地采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据；
时相状态分析模块S200，用于根据感官中枢生理状态数据，实时地识别睡眠时相状态并生成睡眠时相曲线；
事件特征分析模块S300，用于对感官事件时间过程标识集和感官中枢生理事件数据进行实时地事件时间分布特征分析、事件独立表征特征分析和事件联合表征特征分析，分别生成感官事件时间分布实时特征、感官独立应激事件实时特征和感官联合应激事件实时特征；
应激水平量化模块S400，用于结合感官应激水平特征基线库，对感官事件时间分布实时特征、感官独立应激事件实时特征和感官联合应激事件实时特征进行实时地基线变化分析和变异调和分析，提取感官应激水平实时指数并生成睡眠感官应激水平实时曲线；
应激趋势预测模块S500，用于对睡眠感官应激水平实时曲线进行时序预测计算，得到感官应激水平预测指数并生成睡眠感官应激水平趋势曲线；
动态策略调节模块S600，用于根据预设调节时间步长、睡眠应激水平优化知识库、睡眠时相曲线、睡眠感官应激水平实时曲线和睡眠感官应激水平趋势曲线，实时地生成睡眠感官应激水平动态调节策略，并对用户睡眠过程的感官应激水平进行实时动态调节；
循环调节报告模块S700，用于完成全部睡眠感官应激水平的循环动态调节，评估动态调节效果，提取时相感官应激相关系数和应激水平动态调节效果系数，生成睡眠感官应激水平调节报告并建立个性化感官调节长期数据库；
数据管理中心模块S800，用于对***中所有过程数据的可视化展示和数据运营管理。
本实施例中，感官事件检测模块S100还包括以下具体功能单元：
感官生理监测单元，用于对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行实时地采集记录和信号处理，得到感官中枢生理状态数据；
感官事件识别单元，用于对感官中枢生理状态数据进行实时地感官事件识别，提取感官事件时间信息，生成或更新感官事件时间过程标识集；
事件信号分离单元，用于根据感官事件时间过程标识集，对感官中枢生理状态数据进行实时地事件信号分离，生成或更新感官中枢生理事件数据。
本实施例中，时相状态分析模块S200还包括以下具体功能单元：
分期模型构建单元，用于通过深度学习算法对规模睡眠用户样本的感官中枢生理状态数据及其对应睡眠分期数据进行学习训练和数据建模，得到睡眠时相自动分期模型；
实时时相识别单元，用于将当前用户的感官中枢生理状态数据，实时地输入睡眠时相自动分期模型，提取睡眠时相分期值；
时相曲线生成单元，用于按照时序将睡眠时相分期值进行拼接，生成睡眠时相曲线。
本实施例中，事件特征分析模块S300还包括以下具体功能单元：
时间分布特征分析单元，用于对感官事件时间过程标识集进行实时地事件时间分布特征分析，生成感官事件时间分布实时特征；
时空过程特征分析单元，用于对感官中枢生理事件数据进行实时地事件时空过程特征分析，评估感官事件在各个感官皮质及关联高级皮质的时序活动过程和独立表征水平，得到感官独立应激事件实时特征；
时空关联特征分析单元，用于对感官中枢生理事件数据进行实时地事件时空关联特征分析，评估感官事件在不同感官皮质及关联高级皮质之间的关联协同模式和联合表征水平，得到感官联合应激事件实时特征。
本实施例中，应激水平量化模块S400还包括以下具体功能单元：
基线特征构建单元，用于建立不同年龄层的、规模数量的健康用户群体的感官应激水平特征基线库；
应急指数提取单元，用于根据感官应激水平特征基线库，对感官事件时间分布实时特征、感官独立应激事件实时特征和感官联合应激事件实时特征进行基线变化分析和变异调和分析，提取感官应激水平实时指数；
应激曲线生成单元，用于按照时序将感官应激水平实时指数进行拼接，生成或更新睡眠感官应激水平实时曲线。
本实施例中，应激趋势预测模块S500还包括以下具体功能单元：
应激指数预测单元，用于对睡眠感官应激水平实时曲线进行时序趋势分析，预测计算得到感官应激水平预测指数；
趋势曲线生成单元，用于按照时序将感官应激水平预测指数进行拼接，生成或更新睡眠感官应激水平趋势曲线。
本实施例中，动态策略调节模块S600还包括以下具体功能单元：
调节策略生成单元，用于根据睡眠应激水平优化知识库、睡眠时相曲线、感官应激水平实时指数和睡眠感官应激水平趋势曲线，结合睡眠感官应激水平动态调节目的，实时地生成睡眠感官应激水平动态调节策略；
动态调节执行单元，用于根据睡眠感官应激水平动态调节策略，实时地对用户睡眠过程的感官应激水平进行动态调节。
本实施例中，循环调节报告模块S700还包括以下具体功能单元：
循环动态调节单元，用于完成全部睡眠感官应激水平的循环动态调节，得到全部调节过程的睡眠时相曲线、睡眠感官应激水平实时曲线和睡眠感官应激水平趋势曲线；
应激相关分析单元，用于分析计算睡眠时相曲线和睡眠感官应激水平实时曲线的关系特征，提取时相感官应激相关系数；
调节效果分析单元，用于分析计算睡眠感官应激水平实时曲线和睡眠感官应激水平趋势曲线的关系特征，提取应激水平动态调节效果系数；
调节报告生成单元，用于根据睡眠时相曲线、睡眠感官应激水平实时曲线、睡眠感官应激水平趋势曲线、时相感官应激相关系数和应激水平动态调节效果系数，分析计算生成睡眠感官应激水平调节报告；
感官调节继承单元，用于根据睡眠感官应激水平调节报告和用户当前状态信息，建立或更新个性化感官调节长期数据库，为后续用户持续地睡眠感官应激水平动态调节提供数据分析继承模型。
本实施例中，数据管理中心模块S800还包括以下具体功能单元：
用户信息管理单元，用于用户基本信息的登记输入、编辑、查询、输出和删除；
数据可视化管理单元，用于对***中所有数据的可视化展现管理；
数据运营管理单元，用于对***中所有数据的存储、备份、迁移和导出。
如图3所示，本发明实施例提供的一种睡眠感官应激水平动态调节的装置，包括以下模组：
感官事件检测模组M100，用于对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行实时地采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据；
时相状态分析模组M200，用于根据感官中枢生理状态数据，实时地识别睡眠时相状态并生成睡眠时相曲线；
事件特征分析模组M300，用于对感官事件时间过程标识集和感官中枢生理事件数据进行实时地事件时间分布特征分析、事件独立表征特征分析和事件联合表征特征分析，分别生成感官事件时间分布实时特征、感官独立应激事件实时特征和感官联合应激事件实时特征；
应激水平量化模组M400，用于结合感官应激水平特征基线库，对感官事件时间分布实时特征、感官独立应激事件实时特征和感官联合应激事件实时特征进行实时地基线变化分析和变异调和分析，提取感官应激水平实时指数并生成睡眠感官应激水平实时曲线；
应激趋势预测模组M500，用于对睡眠感官应激水平实时曲线进行时序预测计算，得到感官应激水平预测指数并生成睡眠感官应激水平趋势曲线；
动态策略调节模组M600，用于根据预设调节时间步长、睡眠应激水平优化知识库、睡眠时相曲线、睡眠感官应激水平实时曲线和睡眠感官应激水平趋势曲线，实时地生成睡眠感官应激水平动态调节策略，并对用户睡眠过程的感官应激水平进行实时动态调节；
循环调节报告模组M700，用于完成全部睡眠感官应激水平的循环动态调节，评估动态调节效果，提取时相感官应激相关系数和应激水平动态调节效果系数，生成睡眠感官应激水平调节报告并建立个性化感官调节长期数据库；
数据可视化管理模组M800，用于对装置中所有数据的可视化展现管理和用户信息编辑管理；
数据运营管理模组M900，用于对装置中所有数据的存储、备份、迁移和导出。
本发明上述***和装置被构造以用于对应执行图1的方法中的各个步骤，在此不再赘述。本发明还提供了可编程的各类处理器（FPGA、ASIC或其他集成电路），所述处理器用于运行程序，其中，所述程序运行时执行上述实施例中的步骤。
本发明还提供了对应的计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述存储器执行所述程序时实现上述实施例中的步骤。
虽然本发明所揭露的实施方式如上，但所述的内容仅为便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和原则的前提下，可以在实施的形式及细节上进行任何的修改与变化、等同替换等，这些都属于本发明的保护范围。因此，本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (34)
1.一种睡眠感官应激水平动态调节的方法，其特征在于，包括以下步骤：
对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行实时地采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据；
根据所述感官中枢生理状态数据，实时地识别睡眠时相状态并生成睡眠时相曲线；
对所述感官事件时间过程标识集和所述感官中枢生理事件数据进行实时地事件时间分布特征分析、事件独立表征特征分析和事件联合表征特征分析，分别生成感官事件时间分布实时特征、感官独立应激事件实时特征和感官联合应激事件实时特征；
结合感官应激水平特征基线库，对所述感官事件时间分布实时特征、所述感官独立应激事件实时特征和所述感官联合应激事件实时特征进行实时地基线变化分析和变异调和分析，提取感官应激水平实时指数并生成睡眠感官应激水平实时曲线；
对所述睡眠感官应激水平实时曲线进行时序预测计算，得到感官应激水平预测指数并生成睡眠感官应激水平趋势曲线；
根据预设调节时间步长、睡眠应激水平优化知识库、所述睡眠时相曲线、所述睡眠感官应激水平实时曲线和所述睡眠感官应激水平趋势曲线，实时地生成睡眠感官应激水平动态调节策略，并对用户睡眠过程的感官应激水平进行实时动态调节；
重复上述步骤，完成全部所述睡眠感官应激水平的循环动态调节，评估动态调节效果，提取时相感官应激相关系数和应激水平动态调节效果系数，生成睡眠感官应激水平调节报告并建立个性化感官调节长期数据库；
所述对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行实时地采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据的具体步骤包括：
对所述感官中枢生理状态数据进行实时地感官事件识别，提取感官事件时间信息，生成或更新所述感官事件时间过程标识集；
根据所述感官事件时间过程标识集，对所述感官中枢生理状态数据进行实时地事件信号分离，生成或更新所述感官中枢生理事件数据；
所述对所述感官事件时间过程标识集和所述感官中枢生理事件数据进行实时地事件时间分布特征分析、事件独立表征特征分析和事件联合表征特征分析，分别生成感官事件时间分布实时特征、感官独立应激事件实时特征和感官联合应激事件实时特征的具体步骤还包括：
对所述感官事件时间过程标识集进行实时地事件时间分布特征分析，生成感官事件时间分布实时特征；
对所述感官中枢生理事件数据进行实时地事件时空过程特征分析，评估感官事件在各个感官皮质及关联高级皮质的时序活动过程和独立表征水平，得到感官独立应激事件实时特征；
对所述感官中枢生理事件数据进行实时地事件时空关联特征分析，评估感官事件在不同感官皮质及关联高级皮质之间的关联协同模式和联合表征水平，得到感官联合应激事件实时特征；
所述感官应激水平实时指数的计算方法如下：
1）获取当前用户同年龄层的、规模数量的健康用户群体的静息态、感官任务态下的所述感官应激水平特征基线库，得到感官应激水平特征基线对比库；
2）获取当前的所述感官事件时间分布实时特征、所述感官独立应激事件实时特征和所述感官联合应激事件实时特征，并计算与所述感官应激水平特征基线对比库中的静息基线值和任务基线值的基线变化量值，即基线变化分析，得到睡眠感官应激水平特征变化量集；
3）对所述睡眠感官应激水平特征变化量集中的全部指标进行变异调和分析，得到变异调和值，即当前的所述感官应激水平实时指数；
所述感官应激水平特征基线库的构建方法如下：
1)采集不同年龄层的、规模数量的健康用户群体的静息态、感官任务态下的感官皮质及关联高级皮质中枢生理状态信号进行采集记录、信号处理、感官事件识别和事件信号分离，得到基线感官事件时间过程标识集和基线感官中枢生理事件数据；
2)对所述基线感官事件时间过程标识集进行感官事件时间分布特征分析，生成基线感官事件时间分布特征集；
3)对所述基线感官中枢生理事件数据进行感官事件时空过程特征分析和感官事件时空关联特征分析，分别生成基线感官独立应激事件特征和基线感官联合应激事件特征；
4)整合所述基线感官事件时间分布特征集、所述基线感官独立应激事件特征和所述基线感官联合应激事件特征，生成基线感官生理应激特征集；
5)对全部用户样本的所述基线感官生理应激特征集中的每一个特征进行均值计算，得到每一个特征的静息基线值和任务基线值，建立所述感官应激水平特征基线库；
所述变异调和分析是一种以数值数组的变异系数、绝对值变异系数至少一项为观察基点基础，以数值数组的均值、中位数、分位数、最大值、最小值、方差、峰度、偏度、绝对值均值、绝对值中位数、绝对值分位数、绝对值最大值、绝对值最小值、绝对值方差、绝对值峰度、绝对值偏度至少一项为主要分析调和项，来观察分析数值数组的变异系数波动状态和总体趋势波动变化的数据分析方法。
2.如权利要求1所述的方法，其特征在于,所述对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行实时地采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据的具体步骤还包括：
对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行实时地采集记录和信号处理，得到所述感官中枢生理状态数据。
3.如权利要求2所述的方法，其特征在于：所述感官皮质是指感觉器官对应的初级感觉皮质和次级感觉皮质，包括躯体感觉的初级感觉皮质和次级感觉皮质、视觉的初级感觉皮质和次级感觉皮质、听觉的初级感觉皮质和次级感觉皮质、嗅觉的初级感觉皮质和次级感觉皮质、味觉的初级感觉皮质和次级感觉皮质至少一项；所述关联高级皮质是指与感官事件时序处理相关联的高级皮质和边缘***，包括顶叶联合皮质、颞叶联合皮质，前额叶皮质、边缘***至少一项。
4.如权利要求2或3所述的方法，其特征在于：所述中枢生理状态信号包括脑电信号、脑磁信号、功能性近红外光谱成像信号、功能性核磁共振成像信号至少一项。
5.如权利要求1或2所述的方法，其特征在于：所述信号处理至少包括A/D数模转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、矫正处理、频带提取；其中，所述矫正处理具体为对生理状态信号中的包含伪迹或失真的信号数据片段进行信号矫正及预测平滑处理，所述频带提取具体为从目标信号中提取特定频段范围的频带信号。
6.如权利要求1或2所述的方法，其特征在于：所述感官事件识别是指从大脑各个感官皮质及关联高级皮质中枢生理状态信号中区分出多个连续的不同独立感官事件的发生和表征，识别每一个独立事件在不同皮质区域中的表征时序过程、事件中心时间、事件起始时间和事件结束时间，生成所述感官事件时间过程标识集。
7.如权利要求1或2所述的方法，其特征在于：所述感官事件时间过程标识集包括事件中心时间、事件起始时间、事件结束时间，以及事件过程中各皮质区域中枢生理状态信号的负向峰值时间至少一项。
8.如权利要求1所述的方法，其特征在于：所述根据所述感官中枢生理状态数据，实时地识别睡眠时相状态并生成睡眠时相曲线的具体步骤还包括：
通过深度学习算法对规模睡眠用户样本的所述感官中枢生理状态数据及其对应睡眠分期数据进行学习训练和数据建模，得到睡眠时相自动分期模型；
将当前用户的所述感官中枢生理状态数据，实时地输入所述睡眠时相自动分期模型，提取睡眠时相分期值；
按照时序将所述睡眠时相分期值进行拼接，生成所述睡眠时相曲线。
9.如权利要求1所述的方法，其特征在于：所述感官事件时间分布实时特征至少包括感官事件持续时长特征和感官事件表征时间中心分布特征；其中，所述感官事件持续时长特征包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度至少一项，所述感官事件表征时间中心分布特征包括每个事件的感官皮质活动时长、多感官同步整合时间中心点、关联高级皮质活动时长、感官皮质活动时长与关联高级皮质活动时长的比值关系至少一项。
10.如权利要求1或9所述的方法，其特征在于：所述感官独立应激事件实时特征至少包括时频特征和非线性特征；其中，所述时频特征包括不同皮质区域、不同通道的总功率、特征频带功率、特征频带功率占比、特征频带中心频率和包络特征至少一项，所述非线性特征包括不同皮质区域、不同通道的熵特征、分形特征和复杂度特征至少一项。
11.如权利要求10所述的方法，其特征在于：所述感官联合应激事件实时特征至少包括感官耦合应激事件特征和感官连接应激事件特征；其中，所述感官耦合应激事件特征包括不同皮质区域的、不同通道的、不同频带的两两信号之间的相-相耦合特征、相-幅耦合特征、幅-幅耦合特征至少一项，所述感官连接应激事件特征包括不同皮质区域的、不同通道的两两信号之间的时频交叉特征、信号关联特征、信号距离特征至少一项。
12.如权利要求1所述的方法，其特征在于：所述结合感官应激水平特征基线库，对所述感官事件时间分布实时特征、所述感官独立应激事件实时特征和所述感官联合应激事件实时特征进行实时地基线变化分析和变异调和分析，提取感官应激水平实时指数并生成睡眠感官应激水平实时曲线的具体步骤还包括：
建立不同年龄层的、规模数量的健康用户群体的所述感官应激水平特征基线库；
根据所述感官应激水平特征基线库，对所述感官事件时间分布实时特征、所述感官独立应激事件实时特征和所述感官联合应激事件实时特征进行基线变化分析和变异调和分析，提取所述感官应激水平实时指数；
按照时序将所述感官应激水平实时指数进行拼接，生成或更新所述睡眠感官应激水平实时曲线。
13.如权利要求1所述的方法，其特征在于，所述基线变化分析和所述基线变化量值的具体计算方式为：
对于实值变量
和其非零基线序列/>
来说，其基线变化量值为
其中，
分别为实值变量/>
的基线变化量值、第i个基线值以及对应的权重，/>
为正整数。
14.如权利要求13所述的方法，其特征在于，所述变异调和分析的一种具体计算方式为：
对于数值数组
来说，其变异调和值的为
其中，
分别为数值数组/>
的变异调和值、变异系数和绝对值变异系数，
分别为取绝对值、最大值和最小值算符，/>
为正整数。
15.如权利要求1所述的方法，其特征在于，所述对所述睡眠感官应激水平实时曲线进行时序预测计算，得到感官应激水平预测指数并生成睡眠感官应激水平趋势曲线的具体步骤还包括：
对所述睡眠感官应激水平实时曲线进行时序趋势分析，预测计算得到所述感官应激水平预测指数；
按照时序将所述感官应激水平预测指数进行拼接，生成或更新所述睡眠感官应激水平趋势曲线。
16.如权利要求15所述的方法，其特征在于，所述时序趋势分析包括AR、MR、ARMA、ARIMA、SARIMA、VAR经典时间按序列预测方法，以及深度学习预测模型至少一项。
17.如权利要求1所述的方法，其特征在于，所述根据预设调节时间步长、睡眠应激水平优化知识库、所述睡眠时相曲线、所述睡眠感官应激水平实时曲线和所述睡眠感官应激水平趋势曲线，实时地生成睡眠感官应激水平动态调节策略，并对用户睡眠过程的感官应激水平进行实时动态调节的具体步骤还包括：
根据预设调节时间步长、睡眠应激水平优化知识库、所述睡眠时相曲线、所述睡眠感官应激水平实时曲线和所述睡眠感官应激水平趋势曲线，结合睡眠感官应激水平动态调节目的，实时地生成所述睡眠感官应激水平动态调节策略；
根据所述睡眠感官应激水平动态调节策略，实时地对用户睡眠过程的感官应激水平进行动态调节。
18.如权利要求17所述的方法，其特征在于，所述睡眠感官应激水平动态调节策略至少包括调节方式、执行部位、调节方法和调节强度；其中，所述调节方式包括声、光、味、电、磁、超声和睡眠环境至少一项，所述执行部位包括头部、颈部、躯干部、左右上肢、左右下肢及各大感官器官至少一项，所述调节方法至少包括恒定常数、递增曲线、递减曲线、指数曲线、正弦曲线、周期方波和随机曲线至少一项，所述调节强度则由当前的所述感官应激水平实时指数和所述睡眠感官应激水平实时预测指数共同决定。
19.如权利要求1所述的方法，其特征在于，所述重复上述步骤，完成全部所述睡眠感官应激水平的循环动态调节，评估动态调节效果，提取时相感官应激相关系数和应激水平动态调节效果系数，生成睡眠感官应激水平调节报告并建立个性化感官调节长期数据库的具体步骤还包括：
完成全部所述睡眠感官应激水平的循环动态调节，得到全部调节过程的所述睡眠时相曲线、所述睡眠感官应激水平实时曲线和所述睡眠感官应激水平趋势曲线；
分析计算所述睡眠时相曲线和所述睡眠感官应激水平实时曲线的关系特征，提取所述时相感官应激相关系数；
分析计算所述睡眠感官应激水平实时曲线和所述睡眠感官应激水平趋势曲线的关系特征，提取所述应激水平动态调节效果系数；
根据所述睡眠时相曲线、所述睡眠感官应激水平实时曲线、所述睡眠感官应激水平趋势曲线、所述时相感官应激相关系数和所述应激水平动态调节效果系数，分析计算生成所述睡眠感官应激水平调节报告；
根据所述睡眠感官应激水平调节报告和用户当前状态信息，建立或更新所述个性化感官调节长期数据库，为后续用户持续地睡眠感官应激水平动态调节提供数据分析继承模型。
20.如权利要求19所述的方法，其特征在于，所述时相感官应激相关系数的计算方法具体为：
1)获取所述睡眠时相曲线和所述睡眠感官应激水平实时曲线；
2)分析计算所述睡眠时相曲线和所述睡眠感官应激水平实时曲线的关系特征，得到时相感官应激水平关系特征指数集；
3)对所述时相感官应激水平关系特征指数集进行加权融合计算，得到所述时相感官应激相关系数。
21.如权利要求19或20所述的方法，其特征在于，所述应激水平动态调节效果系数的计算方法具体为：
1)获取所述睡眠感官应激水平实时曲线和所述睡眠感官应激水平趋势曲线；
2)分析计算所述睡眠感官应激水平实时曲线和所述睡眠感官应激水平趋势曲线的关系特征，得到应激水平动态调节效果特征指数集；
3)对所述应激水平动态调节效果特征指数集进行加权融合计算，得到所述应激水平动态调节效果系数。
22.如权利要求19所述的方法，其特征在于：所述关系特征包括关联特征和距离特征至少一项；其中，所述关联特征包括相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数和线性相关系数至少一项，所述距离特征包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、巴氏距离、汉明距离和夹角余弦至少一项。
23.如权利要求19所述的方法，其特征在于：所述睡眠感官应激水平调节报告至少包括所述睡眠时相曲线、所述睡眠感官应激水平实时曲线、所述睡眠感官应激水平趋势曲线、所述时相感官应激相关系数、所述应激水平动态调节效果系数、全部的所述睡眠感官应激水平动态调节策略、感官应激水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠感官应激水平调节报告总结。
24.如权利要求23所述的方法，其特征在于：所述感官应激水平时相分布统计具体为不同睡眠时相的平均感官应激水平、最大感官应激水平和最小感官应激水平；所述高峰活跃时段小结具体为所述睡眠感官应激水平实时曲线中超过预设高峰阈值的片段所对应的高峰时段分布、所述高峰时段分布的时间数值总和及占比；所述低峰活跃时段小结具体为所述睡眠感官应激水平实时曲线中超过预设低峰阈值的片段所对应的低峰时段分布、所述低峰时段分布的时间数值总和及占比；所述异常活跃时段小结具体为所述睡眠感官应激水平实时曲线中脱离曲线基线趋势的异常片段所对应的异常时段分布、所述异常时段分布的时间数值总和及占比。
25.一种睡眠感官应激水平动态调节的***，其特征在于，包括以下模块：
感官事件检测模块，用于对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行实时地采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据；
时相状态分析模块，用于根据所述感官中枢生理状态数据，实时地识别睡眠时相状态并生成睡眠时相曲线；
事件特征分析模块，用于对所述感官事件时间过程标识集和所述感官中枢生理事件数据进行实时地事件时间分布特征分析、事件独立表征特征分析和事件联合表征特征分析，分别生成感官事件时间分布实时特征、感官独立应激事件实时特征和感官联合应激事件实时特征；
应激水平量化模块，用于结合感官应激水平特征基线库，对所述感官事件时间分布实时特征、所述感官独立应激事件实时特征和所述感官联合应激事件实时特征进行实时地基线变化分析和变异调和分析，提取感官应激水平实时指数并生成睡眠感官应激水平实时曲线；
应激趋势预测模块，用于对所述睡眠感官应激水平实时曲线进行时序预测计算，得到感官应激水平预测指数并生成睡眠感官应激水平趋势曲线；
动态策略调节模块，用于根据预设调节时间步长、睡眠应激水平优化知识库、所述睡眠时相曲线、所述睡眠感官应激水平实时曲线和所述睡眠感官应激水平趋势曲线，实时地生成睡眠感官应激水平动态调节策略，并对用户睡眠过程的感官应激水平进行实时动态调节；
循环调节报告模块，用于完成全部所述睡眠感官应激水平的循环动态调节，评估动态调节效果，提取时相感官应激相关系数和应激水平动态调节效果系数，生成睡眠感官应激水平调节报告并建立个性化感官调节长期数据库；
数据管理中心模块，用于对所述***中所有过程数据的可视化展示和数据运营管理；
所述感官事件检测模块还包括以下具体功能单元：
感官事件识别单元，用于对所述感官中枢生理状态数据进行实时地感官事件识别，提取感官事件时间信息，生成或更新所述感官事件时间过程标识集；
事件信号分离单元，用于根据所述感官事件时间过程标识集，对所述感官中枢生理状态数据进行实时地事件信号分离，生成或更新所述感官中枢生理事件数据；
所述对所述感官事件时间过程标识集和所述感官中枢生理事件数据进行实时地事件时间分布特征分析、事件独立表征特征分析和事件联合表征特征分析，分别生成感官事件时间分布实时特征、感官独立应激事件实时特征和感官联合应激事件实时特征的具体步骤还包括：
对所述感官事件时间过程标识集进行实时地事件时间分布特征分析，生成感官事件时间分布实时特征；
对所述感官中枢生理事件数据进行实时地事件时空过程特征分析，评估感官事件在各个感官皮质及关联高级皮质的时序活动过程和独立表征水平，得到感官独立应激事件实时特征；
对所述感官中枢生理事件数据进行实时地事件时空关联特征分析，评估感官事件在不同感官皮质及关联高级皮质之间的关联协同模式和联合表征水平，得到感官联合应激事件实时特征；
所述感官应激水平实时指数的计算方法如下：
1）获取当前用户同年龄层的、规模数量的健康用户群体的静息态、感官任务态下的所述感官应激水平特征基线库，得到感官应激水平特征基线对比库；
2）获取当前的所述感官事件时间分布实时特征、所述感官独立应激事件实时特征和所述感官联合应激事件实时特征，并计算与所述感官应激水平特征基线对比库中的静息基线值和任务基线值的基线变化量值，即基线变化分析，得到睡眠感官应激水平特征变化量集；
3）对所述睡眠感官应激水平特征变化量集中的全部指标进行变异调和分析，得到变异调和值，即当前的所述感官应激水平实时指数；
所述感官应激水平特征基线库的构建方法如下：
1)采集不同年龄层的、规模数量的健康用户群体的静息态、感官任务态下的感官皮质及关联高级皮质中枢生理状态信号进行采集记录、信号处理、感官事件识别和事件信号分离，得到基线感官事件时间过程标识集和基线感官中枢生理事件数据；
2)对所述基线感官事件时间过程标识集进行感官事件时间分布特征分析，生成基线感官事件时间分布特征集；
3)对所述基线感官中枢生理事件数据进行感官事件时空过程特征分析和感官事件时空关联特征分析，分别生成基线感官独立应激事件特征和基线感官联合应激事件特征；
4)整合所述基线感官事件时间分布特征集、所述基线感官独立应激事件特征和所述基线感官联合应激事件特征，生成基线感官生理应激特征集；
5)对全部用户样本的所述基线感官生理应激特征集中的每一个特征进行均值计算，得到每一个特征的静息基线值和任务基线值，建立所述感官应激水平特征基线库；
所述变异调和分析是一种以数值数组的变异系数、绝对值变异系数至少一项为观察基点基础，以数值数组的均值、中位数、分位数、最大值、最小值、方差、峰度、偏度、绝对值均值、绝对值中位数、绝对值分位数、绝对值最大值、绝对值最小值、绝对值方差、绝对值峰度、绝对值偏度至少一项为主要分析调和项，来观察分析数值数组的变异系数波动状态和总体趋势波动变化的数据分析方法。
26.如权利要求25所述的***，其特征在于，所述感官事件检测模块还包括以下具体功能单元：
感官生理监测单元，用于对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行实时地采集记录和信号处理，得到所述感官中枢生理状态数据；
感官事件识别单元，用于对所述感官中枢生理状态数据进行实时地感官事件识别，提取感官事件时间信息，生成或更新所述感官事件时间过程标识集；
事件信号分离单元，用于根据所述感官事件时间过程标识集，对所述感官中枢生理状态数据进行实时地事件信号分离，生成或更新所述感官中枢生理事件数据。
27.如权利要求25或26所述的***，其特征在于，所述时相状态分析模块还包括以下具体功能单元：
分期模型构建单元，用于通过深度学习算法对规模睡眠用户样本的所述感官中枢生理状态数据及其对应睡眠分期数据进行学习训练和数据建模，得到睡眠时相自动分期模型；
实时时相识别单元，用于将当前用户的所述感官中枢生理状态数据，实时地输入所述睡眠时相自动分期模型，提取睡眠时相分期值；
时相曲线生成单元，用于按照时序将所述睡眠时相分期值进行拼接，生成所述睡眠时相曲线。
28.如权利要求25所述的***，其特征在于，所述事件特征分析模块还包括以下具体功能单元：
时间分布特征分析单元，用于对所述感官事件时间过程标识集进行实时地事件时间分布特征分析，生成感官事件时间分布实时特征；
时空过程特征分析单元，用于对所述感官中枢生理事件数据进行实时地事件时空过程特征分析，评估感官事件在各个感官皮质及关联高级皮质的时序活动过程和独立表征水平，得到感官独立应激事件实时特征；
时空关联特征分析单元，用于对所述感官中枢生理事件数据进行实时地事件时空关联特征分析，评估感官事件在不同感官皮质及关联高级皮质之间的关联协同模式和联合表征水平，得到感官联合应激事件实时特征。
29.如权利要求25或28所述的***，其特征在于，所述应激水平量化模块还包括以下具体功能单元：
基线特征构建单元，用于建立不同年龄层的、规模数量的健康用户群体的所述感官应激水平特征基线库；
应急指数提取单元，用于根据所述感官应激水平特征基线库，对所述感官事件时间分布实时特征、所述感官独立应激事件实时特征和所述感官联合应激事件实时特征进行基线变化分析和变异调和分析，提取所述感官应激水平实时指数；
应激曲线生成单元，用于按照时序将所述感官应激水平实时指数进行拼接，生成或更新所述睡眠感官应激水平实时曲线。
30.如权利要求29所述的***，其特征在于，所述应激趋势预测模块还包括以下具体功能单元：
应激指数预测单元，用于对所述睡眠感官应激水平实时曲线进行时序趋势分析，预测计算得到所述感官应激水平预测指数；
趋势曲线生成单元，用于按照时序将所述感官应激水平预测指数进行拼接，生成或更新所述睡眠感官应激水平趋势曲线。
31.如权利要求30所述的***，其特征在于，所述动态策略调节模块还包括以下具体功能单元：
调节策略生成单元，用于根据睡眠应激水平优化知识库、所述睡眠时相曲线、所述感官应激水平实时指数和所述睡眠感官应激水平趋势曲线，结合睡眠感官应激水平动态调节目的，实时地生成所述睡眠感官应激水平动态调节策略；
动态调节执行单元，用于根据所述睡眠感官应激水平动态调节策略，实时地对用户睡眠过程的感官应激水平进行动态调节。
32.如权利要求25或31所述的***，其特征在于，所述循环调节报告模块还包括以下具体功能单元：
循环动态调节单元，用于完成全部所述睡眠感官应激水平的循环动态调节，得到全部调节过程的所述睡眠时相曲线、所述睡眠感官应激水平实时曲线和所述睡眠感官应激水平趋势曲线；
应激相关分析单元，用于分析计算所述睡眠时相曲线和所述睡眠感官应激水平实时曲线的关系特征，提取所述时相感官应激相关系数；
调节效果分析单元，用于分析计算所述睡眠感官应激水平实时曲线和所述睡眠感官应激水平趋势曲线的关系特征，提取所述应激水平动态调节效果系数；
调节报告生成单元，用于根据所述睡眠时相曲线、所述睡眠感官应激水平实时曲线、所述睡眠感官应激水平趋势曲线、所述时相感官应激相关系数和所述应激水平动态调节效果系数，分析计算生成所述睡眠感官应激水平调节报告；
感官调节继承单元，用于根据所述睡眠感官应激水平调节报告和用户当前状态信息，建立或更新所述个性化感官调节长期数据库，为后续用户持续地睡眠感官应激水平动态调节提供数据分析继承模型。
33.如权利要求25所述的***，其特征在于，所述数据管理中心模块还包括以下具体功能单元：
用户信息管理单元，用于用户基本信息的登记输入、编辑、查询、输出和删除；
数据可视化管理单元，用于对所述***中所有数据的可视化展现管理；
数据运营管理单元，用于对所述***中所有数据的存储、备份、迁移和导出。
34.一种睡眠感官应激水平动态调节的装置，其特征在于，包括以下模组：
感官事件检测模组，用于对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行实时地采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据；
时相状态分析模组，用于根据所述感官中枢生理状态数据，实时地识别睡眠时相状态并生成睡眠时相曲线；
事件特征分析模组，用于对所述感官事件时间过程标识集和所述感官中枢生理事件数据进行实时地事件时间分布特征分析、事件独立表征特征分析和事件联合表征特征分析，分别生成感官事件时间分布实时特征、感官独立应激事件实时特征和感官联合应激事件实时特征；
应激水平量化模组，用于结合感官应激水平特征基线库，对所述感官事件时间分布实时特征、所述感官独立应激事件实时特征和所述感官联合应激事件实时特征进行实时地基线变化分析和变异调和分析，提取感官应激水平实时指数并生成睡眠感官应激水平实时曲线；
应激趋势预测模组，用于对所述睡眠感官应激水平实时曲线进行时序预测计算，得到感官应激水平预测指数并生成睡眠感官应激水平趋势曲线；
动态策略调节模组，用于根据预设调节时间步长、睡眠应激水平优化知识库、所述睡眠时相曲线、所述睡眠感官应激水平实时曲线和所述睡眠感官应激水平趋势曲线，实时地生成睡眠感官应激水平动态调节策略，并对用户睡眠过程的感官应激水平进行实时动态调节；
循环调节报告模组，用于完成全部所述睡眠感官应激水平的循环动态调节，评估动态调节效果，提取时相感官应激相关系数和应激水平动态调节效果系数，生成睡眠感官应激水平调节报告并建立个性化感官调节长期数据库；
数据可视化管理模组，用于对所述装置中所有数据的可视化展现管理和用户信息编辑管理；
数据运营管理模组，用于对所述装置中所有数据的存储、备份、迁移和导出；
所述对用户睡眠过程中的感官皮质及关联高级皮质中枢生理状态信号进行实时地采集记录、信号处理、感官事件识别和事件信号分离，得到感官中枢生理状态数据、感官事件时间过程标识集和感官中枢生理事件数据的具体步骤包括：
对所述感官中枢生理状态数据进行实时地感官事件识别，提取感官事件时间信息，生成或更新所述感官事件时间过程标识集；
根据所述感官事件时间过程标识集，对所述感官中枢生理状态数据进行实时地事件信号分离，生成或更新所述感官中枢生理事件数据；
所述对所述感官事件时间过程标识集和所述感官中枢生理事件数据进行实时地事件时间分布特征分析、事件独立表征特征分析和事件联合表征特征分析，分别生成感官事件时间分布实时特征、感官独立应激事件实时特征和感官联合应激事件实时特征的具体步骤还包括：
对所述感官事件时间过程标识集进行实时地事件时间分布特征分析，生成感官事件时间分布实时特征；
对所述感官中枢生理事件数据进行实时地事件时空过程特征分析，评估感官事件在各个感官皮质及关联高级皮质的时序活动过程和独立表征水平，得到感官独立应激事件实时特征；
对所述感官中枢生理事件数据进行实时地事件时空关联特征分析，评估感官事件在不同感官皮质及关联高级皮质之间的关联协同模式和联合表征水平，得到感官联合应激事件实时特征；
所述感官应激水平实时指数的计算方法如下：
1）获取当前用户同年龄层的、规模数量的健康用户群体的静息态、感官任务态下的所述感官应激水平特征基线库，得到感官应激水平特征基线对比库；
2）获取当前的所述感官事件时间分布实时特征、所述感官独立应激事件实时特征和所述感官联合应激事件实时特征，并计算与所述感官应激水平特征基线对比库中的静息基线值和任务基线值的基线变化量值，即基线变化分析，得到睡眠感官应激水平特征变化量集；
3）对所述睡眠感官应激水平特征变化量集中的全部指标进行变异调和分析，得到变异调和值，即当前的所述感官应激水平实时指数；
所述感官应激水平特征基线库的构建方法如下：
1)采集不同年龄层的、规模数量的健康用户群体的静息态、感官任务态下的感官皮质及关联高级皮质中枢生理状态信号进行采集记录、信号处理、感官事件识别和事件信号分离，得到基线感官事件时间过程标识集和基线感官中枢生理事件数据；
2)对所述基线感官事件时间过程标识集进行感官事件时间分布特征分析，生成基线感官事件时间分布特征集；
3)对所述基线感官中枢生理事件数据进行感官事件时空过程特征分析和感官事件时空关联特征分析，分别生成基线感官独立应激事件特征和基线感官联合应激事件特征；
4)整合所述基线感官事件时间分布特征集、所述基线感官独立应激事件特征和所述基线感官联合应激事件特征，生成基线感官生理应激特征集；
5)对全部用户样本的所述基线感官生理应激特征集中的每一个特征进行均值计算，得到每一个特征的静息基线值和任务基线值，建立所述感官应激水平特征基线库；
所述变异调和分析是一种以数值数组的变异系数、绝对值变异系数至少一项为观察基点基础，以数值数组的均值、中位数、分位数、最大值、最小值、方差、峰度、偏度、绝对值均值、绝对值中位数、绝对值分位数、绝对值最大值、绝对值最小值、绝对值方差、绝对值峰度、绝对值偏度至少一项为主要分析调和项，来观察分析数值数组的变异系数波动状态和总体趋势波动变化的数据分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310362178.XA CN116092641B (zh) | 2023-04-07 | 2023-04-07 | 一种睡眠感官应激水平动态调节的方法、***和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310362178.XA CN116092641B (zh) | 2023-04-07 | 2023-04-07 | 一种睡眠感官应激水平动态调节的方法、***和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116092641A CN116092641A (zh) | 2023-05-09 |
| CN116092641B true CN116092641B (zh) | 2023-07-04 |
Family
ID=86201054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310362178.XA Active CN116092641B (zh) | 2023-04-07 | 2023-04-07 | 一种睡眠感官应激水平动态调节的方法、***和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116092641B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116312928B (zh) * | 2023-05-18 | 2023-08-11 | 安徽星辰智跃科技有限责任公司 | 一种眼疲劳恢复进程的辅助调节方法、***和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111372639A (zh) * | 2017-11-20 | 2020-07-03 | 皇家飞利浦有限公司 | 用于向用户递送感官刺激以增强用户中的认知域的*** |
| CN113272908A (zh) * | 2018-12-24 | 2021-08-17 | 皇家飞利浦有限公司 | 用于利用感官刺激增强rem睡眠的***和方法 |
| CN115910351A (zh) * | 2023-03-03 | 2023-04-04 | 安徽星辰智跃科技有限责任公司 | 一种睡眠周期性检测量化及辅助干预的方法、***和装置 |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8382484B2 (en) * | 2011-04-04 | 2013-02-26 | Sheepdog Sciences, Inc. | Apparatus, system, and method for modulating consolidation of memory during sleep |
| US8573980B2 (en) * | 2011-04-04 | 2013-11-05 | Sheepdog Sciences, Inc. | Apparatus, system, and method for modulating consolidation of memory during sleep |
| US10130788B2 (en) * | 2014-02-04 | 2018-11-20 | Koninklijke Philips N.V. | System and method for determining timing of sensory stimulation delivered to a subject during a sleep session |
| EP3223694A1 (en) * | 2014-11-25 | 2017-10-04 | Koninklijke Philips N.V. | System and method for adjusting duration of sensory stimulation during sleep to enhance slow wave activity |
| CN112998649A (zh) * | 2015-01-06 | 2021-06-22 | 大卫·伯顿 | 移动式可穿戴的监控*** |
| CN108430568B (zh) * | 2015-12-22 | 2022-09-27 | 皇家飞利浦有限公司 | 基于睡眠深度在睡眠期间调节感觉刺激的强度的***和方法 |
| EP3453419A1 (en) * | 2017-09-12 | 2019-03-13 | Moona | Method and sleep device for sleep regulation |
| CN113382683A (zh) * | 2018-09-14 | 2021-09-10 | 纽罗因恒思蒙特实验有限责任公司 | 改善睡眠的***和方法 |
| US11664110B2 (en) * | 2018-10-02 | 2023-05-30 | New York University | System, method and portable devices for detection and enhancement of sleep spindles |
| CN113677270A (zh) * | 2019-03-28 | 2021-11-19 | 皇家飞利浦有限公司 | 基于额叶脑活动监测传感器的信息增强深度睡眠 |
| CN113646845A (zh) * | 2019-03-29 | 2021-11-12 | 皇家飞利浦有限公司 | 用于基于诱发响应量化来递送感觉模拟的方法和*** |
| US11571515B2 (en) * | 2019-08-29 | 2023-02-07 | Medtronic Minimed, Inc. | Controlling medical device operation and features based on detected patient sleeping status |
| CN113926045B (zh) * | 2021-11-22 | 2023-10-13 | 紫罗兰家纺科技股份有限公司 | 一种辅助睡眠的家纺产品的智能控制方法及*** |
| CN115804573A (zh) * | 2023-02-13 | 2023-03-17 | 安徽星辰智跃科技有限责任公司 | 一种睡眠深度量化及干预的方法、***和装置 |
| CN115862877B (zh) * | 2023-03-03 | 2023-05-05 | 安徽星辰智跃科技有限责任公司 | 睡眠可持续性检测量化及辅助干预的方法、***和装置 |
| CN115881305B (zh) * | 2023-03-03 | 2023-05-16 | 安徽星辰智跃科技有限责任公司 | 一种睡眠趋稳性检测量化及辅助干预的方法、***和装置 |
-
2023
- 2023-04-07 CN CN202310362178.XA patent/CN116092641B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111372639A (zh) * | 2017-11-20 | 2020-07-03 | 皇家飞利浦有限公司 | 用于向用户递送感官刺激以增强用户中的认知域的*** |
| CN113272908A (zh) * | 2018-12-24 | 2021-08-17 | 皇家飞利浦有限公司 | 用于利用感官刺激增强rem睡眠的***和方法 |
| CN115910351A (zh) * | 2023-03-03 | 2023-04-04 | 安徽星辰智跃科技有限责任公司 | 一种睡眠周期性检测量化及辅助干预的方法、***和装置 |
Non-Patent Citations (3)
| Title |
|---|
| Effects of light and chronotherapy on human circadian rhythms in delayed sleep phase syndrome: Cytokines, cortisol, growth hormone, and the sleep-wake cycle;Astrid Weyerbrock et al,;Biological Psychiatry;794-797 * |
| 引导想象音乐疗法联合睡眠操对农村老年人睡眠障碍和焦虑的影响;杨威;CNKI优秀硕士学位论文全文库;1-76 * |
| 生活应激事件对舰艇官兵睡眠质量和生存质量的影响观察;曾文峰;宋伟;王伟杰;孙昊;唐云翔;苏彤;;人民军医(08);32-36 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116092641A (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116058805B (zh) | 一种睡眠记忆活跃水平动态调节的方法、***和装置 | |
| CN116058804B (zh) | 一种睡眠情绪活跃水平动态调节的方法、***和装置 | |
| CN116092641B (zh) | 一种睡眠感官应激水平动态调节的方法、***和装置 | |
| CN116013470B (zh) | 一种睡眠行为活跃水平动态调节的方法、***和装置 | |
| CN116509338B (zh) | 基于模态分析的睡眠周期性检测及调节方法、***和装置 | |
| CN115804573A (zh) | 一种睡眠深度量化及干预的方法、***和装置 | |
| CN116392085B (zh) | 基于趋势分析的睡眠趋稳性量化及调节方法、***和装置 | |
| CN116313029B (zh) | 一种数字针灸动态控制优化的方法、***和装置 | |
| CN115640827B (zh) | 对电刺激数据处理的智能闭环反馈网络方法及*** | |
| CN116392083A (zh) | 基于局部变换的睡眠趋稳性量化及调节方法、***和装置 | |
| CN116150591B (zh) | 一种睡眠感官应激水平检测量化的方法、***和装置 | |
| CN116504357B (zh) | 基于小波分析的睡眠周期性检测及调节方法、***和装置 | |
| CN116392087B (zh) | 基于模态分解的睡眠趋稳性量化及调节方法、***和装置 | |
| CN117918863A (zh) | 一种脑电信号实时伪迹处理与特征提取的方法和*** | |
| CN115857595B (zh) | 基于用户心境的功能环境调节方法、***和装置 | |
| CN116525063B (zh) | 基于时频分析的睡眠周期性检测及调节方法、***和装置 | |
| CN116509336B (zh) | 基于波形分析的睡眠周期性检测及调节方法、***和装置 | |
| CN116392088B (zh) | 基于时频分析的睡眠趋稳性量化及调节方法、***和装置 | |
| CN115969330B (zh) | 一种睡眠情绪活跃水平检测量化的方法、***和装置 | |
| CN115966308A (zh) | 一种睡眠记忆活跃水平检测量化的方法、***和装置 | |
| CN115192907A (zh) | 一种实时生物反馈经皮迷走神经电子针灸装置 | |
| Coşgun et al. | A channel selection method for epilepsy seizure prediction | |
| CN116312972B (zh) | 基于眼刺激的睡眠记忆情感张力调节方法、***和装置 | |
| CN116509337B (zh) | 基于局部分解的睡眠周期性检测及调节方法、***和装置 | |
| CN117747117B (zh) | 基于声响的睡眠呼吸评价及辅助调节方法、***和装置 |
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 |