CN110464303B - 睡眠质量评估方法及装置 - Google Patents
睡眠质量评估方法及装置 Download PDFInfo
- Publication number
- CN110464303B CN110464303B CN201910754503.0A CN201910754503A CN110464303B CN 110464303 B CN110464303 B CN 110464303B CN 201910754503 A CN201910754503 A CN 201910754503A CN 110464303 B CN110464303 B CN 110464303B
- Authority
- CN
- China
- Prior art keywords
- sleep
- sleep quality
- characteristic data
- tested user
- time point
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- 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
- A61B5/4815—Sleep quality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pulmonology (AREA)
- Physiology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请实施例公开了一种睡眠质量评估方法及装置,该方法包括:获取被测试用户的睡眠状态数据;基于睡眠状态数据构建睡眠特征数据,睡眠特征数据用于通过统一量化的形式表征被测试用户的睡眠情况;将睡眠特征数据输入睡眠质量分类模型,基于睡眠质量分类模型确定被测试用户的睡眠质量类别;根据睡眠质量类别向被测试用户的终端发送对应的睡眠质量提示消息。采用本申请实施例,可提高睡眠质量监控的便利性和睡眠质量评估的效率。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种睡眠质量评估方法及装置。
背景技术
目前临床和学术上比较常用的睡眠质量评估方法,都是通过匹兹堡睡眠问卷PSQI完成的,PSQI被证明其灵敏度和特异性均在90%左右,因此得到业界的广泛认同。采用PSQI方法需要用户填写PSQI量表,然后根据相应的规则计算,得到睡眠质量评分。由于PSQI量表需要统计个人1个月时间内的睡眠状况才能评估睡眠质量,需要用户多次填写PSQI量表和多次统计计算才能达到检测睡眠质量的目的,流程复杂繁琐。
发明内容
本申请实施例提供一种睡眠质量评估方法及装置,可提高睡眠质量监控的效率,适用性高。
第一方面,本申请实施例提供了一种睡眠质量评估方法,该方法包括:
获取被测试用户的睡眠状态数据;
基于上述睡眠状态数据构建睡眠特征数据,上述睡眠特征数据用于通过统一量化的形式表征所述被测试用户的睡眠情况;
将上述睡眠特征数据输入睡眠质量分类模型,基于上述睡眠质量分类模型确定上述被测试用户的睡眠质量类别;
根据上述睡眠质量类别向上述被测试用户的终端发送对应的睡眠质量提示消息。
本申请实施例基于睡眠质量分类模型和睡眠特征数据确定被测试用户的睡眠质量类别,并发送睡眠质量类别对应的睡眠质量提示信息至被测试用户的终端,省去用户多次填写PSQI量表和多次统计计算的操作,提高了睡眠质量监控的便利性和睡眠质量评估的效率。
结合第一方面,在一种可能的实施方式中,上述睡眠状态数据包括呼吸频率,上述睡眠特征数据包括呼吸频率分布,其中上述呼吸频率为每分钟的呼吸次数;上述基于上述睡眠状态数据构建睡眠特征数据,包括:
获取上述被测试用户睡眠期间内各呼吸频率中的最小呼吸频率和最大呼吸频率;
将上述最小呼吸频率至上述最大呼吸频率之间的区间划分为多个呼吸频率子区间,并统计各呼吸频率子区间内包含的呼吸频率个数以得到上述被测试用户的呼吸频率分布。
结合第一方面,在一种可能的实施方式中,上述睡眠状态数据包括吸呼比,上述睡眠特征数据包括吸呼比分布,其中上述吸呼比为一个呼吸周期内吸气时间和呼气时间的比值;上述基于上述睡眠状态数据构建睡眠特征数据,包括:
获取上述被测试用户睡眠期间内各吸呼比中的最小吸呼比和最大吸呼比;
将上述最小吸呼比至上述最大吸呼比之间的区间划分为多个吸呼比子区间,并统计各吸呼比子区间内包含的吸呼比个数以得到上述被测试用户的吸呼比分布。
结合第一方面,在一种可能的实施方式中,上述睡眠状态数据包括睡觉时间点、入睡时间点和起床时间点,上述睡眠特征数据包括入睡时长和睡眠时长;上述基于上述睡眠状态数据构建睡眠特征数据,包括:
获取目标时间点以及目标时间点之后的多个连续时间点对应的呼吸频率,当上述多个连续时间点对应的呼吸频率均小于上述目标时间点对应的呼吸频率时,计算上述多个连续时间点对应的呼吸频率的均方差值;
若上述均方差值小于预设均方差阈值时,则从上述多个连续时间点中确定出任一时间点作为入睡时间点;
根据上述睡觉时间点和上述入睡时间点确定入睡时长;
根据上述入睡时间点和上述起床时间点确定睡眠时长。
结合第一方面,在一种可能的实施方式中,上述方法还包括:
获取多个训练样本,其中一个训练样本中包括一个样本用户的睡眠特征数据和睡眠质量类别;
基于各训练样本中包括的睡眠特征数据和睡眠质量类别训练初始网络模型以得到睡眠质量分类模型,上述睡眠质量分类模型用于根据输入的睡眠特征数据输出睡眠质量类别。
结合第一方面,在一种可能的实施方式中,上述获取多个训练样本,包括:
获取上述被测试用户多次睡眠中各次睡眠的睡眠特征数据和睡眠质量类别,并作为训练样本。
结合第一方面,在一种可能的实施方式中,上述获取多个训练样本,包括:
从训练样本集合中,获取与上述被测试用户的身体特征数据相似的多个样本用户的训练样本,其中上述身体特征数据包括性别、年龄以及体重指数中的至少一项。
第二方面,本申请实施例提供了一种睡眠质量评估装置,该装置包括:
睡眠状态数据获取模块,用于获取被测试用户的睡眠状态数据;
睡眠特征数据构建模块,用于基于上述睡眠状态数据构建睡眠特征数据,上述睡眠特征数据用于通过统一量化的形式表征所述被测试用户的睡眠情况;
睡眠质量类别确定模块,用于将上述睡眠特征数据输入睡眠质量分类模型,基于上述睡眠质量分类模型确定上述被测试用户的睡眠质量类别;
提示信息发送模块,用于根据上述睡眠质量类别向上述被测试用户的终端发送对应的睡眠质量提示消息。
结合第二方面,在一种可能的实施方式中,上述睡眠状态数据包括呼吸频率,上述睡眠特征数据包括呼吸频率分布,其中上述呼吸频率为每分钟的呼吸次数;上述睡眠特征数据构建模块用于:
获取上述被测试用户睡眠期间内各呼吸频率中的最小呼吸频率和最大呼吸频率;
将上述最小呼吸频率至上述最大呼吸频率之间的区间划分为多个呼吸频率子区间,并统计各呼吸频率子区间内包含的呼吸频率个数以得到上述被测试用户的呼吸频率分布。
结合第二方面,在一种可能的实施方式中,上述睡眠状态数据包括吸呼比,上述睡眠特征数据包括吸呼比分布,其中上述吸呼比为一个呼吸周期内吸气时间和呼气时间的比值;上述睡眠特征数据构建模块用于:
获取上述被测试用户睡眠期间内各吸呼比中的最小吸呼比和最大吸呼比;
将上述最小吸呼比至上述最大吸呼比之间的区间划分为多个吸呼比子区间,并统计各吸呼比子区间内包含的吸呼比个数以得到上述被测试用户的吸呼比分布。
结合第二方面,在一种可能的实施方式中,上述睡眠状态数据包括睡觉时间点、入睡时间点和起床时间点,上述睡眠特征数据包括入睡时长和睡眠时长;上述睡眠特征数据构建模块用于:
获取目标时间点以及目标时间点之后的多个连续时间点对应的呼吸频率,当上述多个连续时间点对应的呼吸频率均小于上述目标时间点对应的呼吸频率时,计算上述多个连续时间点对应的呼吸频率的均方差值;
若上述均方差值小于预设均方差阈值时,则从上述多个连续时间点中确定出任一时间点作为入睡时间点;
根据上述睡觉时间点和上述入睡时间点确定入睡时长;
根据上述入睡时间点和上述起床时间点确定睡眠时长。
结合第二方面,在一种可能的实施方式中,上述睡眠质量评估装置还包括睡眠质量分类模型训练模块,上述睡眠质量分类模型训练模块包括:
训练样本获取单元,用于获取多个训练样本,其中一个训练样本中包括一个样本用户的睡眠特征数据和睡眠质量类别;
模型训练单元,用于基于各训练样本中包括的睡眠特征数据和睡眠质量类别训练初始网络模型以得到睡眠质量分类模型,上述睡眠质量分类模型用于根据输入的睡眠特征数据输出睡眠质量类别。
结合第二方面,在一种可能的实施方式中,上述训练样本获取单元用于:
获取上述被测试用户多次睡眠中各次睡眠的睡眠特征数据和睡眠质量类别,并作为训练样本。
结合第二方面,在一种可能的实施方式中,上述训练样本获取单元还用于:
从训练样本集合中,获取与上述被测试用户的身体特征数据相似的多个样本用户的训练样本,其中上述身体特征数据包括性别、年龄以及体重指数中的至少一项。
第三方面,本申请实施例提供了一种终端设备,该终端设备包括处理器和存储器,该处理器和存储器相互连接。该存储器用于存储支持该终端设备执行上述第一方面和/或第一方面任一种可能的实现方式提供的方法的计算机程序,该计算机程序包括程序指令,该处理器被配置用于调用上述程序指令,执行上述第一方面和/或第一方面任一种可能的实施方式所提供的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包括程序指令,该程序指令当被处理器执行时使该处理器执行上述第一方面和/或第一方面任一种可能的实施方式所提供的方法。
本申请实施例基于获取的被测试用户的睡眠状态数据构建睡眠特征数据,再结合睡眠质量分类模型得到被测试用户的睡眠质量类别,最后将睡眠质量类别对应的睡眠质量提示信息发送至被测试用户的终端,可提高睡眠质量监控的便利性和睡眠质量评估的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的睡眠质量评估方法的流程示意图;
图2是本申请实施例提供的呼吸信号的应用场景示意图;
图3是本申请实施例提供的睡眠质量分类模型训练方法的流程示意图;
图4是本申请实施例提供的睡眠质量评估装置的结构示意图;
图5是本申请实施例提供的终端设备的结构示意图。
具体实施方式
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,所描述的实施例仅仅是本申请一部分实施例,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作出创造性劳动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。
本申请实施例提供的睡眠质量评估方法,可广泛适用于对用户的睡眠质量进行评估或监控的终端、服务器或系统。其中,终端包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(mobile internet device,MID)等,在此不做限制。通过获取被测试用户的睡眠状态数据,并对睡眠状态数据进行特征提取可得到睡眠特征数据,通过将睡眠特征数据输入睡眠质量分类模型,可基于睡眠质量分类模型输出被测试用户的睡眠质量类别,并通过将睡眠质量类别对应的睡眠质量提示信息发送至被测试用户的终端以方便用户查看。采用本申请实施例,可提高睡眠质量监控的便利性和睡眠质量评估的效率。
下面将结合图1至图5分别对本申请实施例提供的方法及相关装置分别进行详细说明。本申请实施例提供的方法中可包括用于获取睡眠状态数据、构建睡眠特征数据、基于睡眠质量分类模型确定睡眠质量类别、以及发送睡眠质量类别对应的睡眠质量提示信息至被测试用户的终端等数据处理阶段。其中,上述各个数据处理阶段的实现方式可参见如下图1所示的实现方式。
参见图1,图1为本申请实施例提供的睡眠质量评估方法的流程示意图。本申请实施例提供的方法可以包括如下步骤101至104:
101、获取被测试用户的睡眠状态数据。
在一些可行的实施方式中,通过采集被测试用户从开始睡觉至结束睡觉期间的呼吸信号,可从呼吸信号中提取出被测试用户在睡眠期间内的睡眠状态数据。其中睡眠状态数据包括但不限于睡觉时间点、入睡时间点、起床时间点、离床次数、呼吸频率以及吸呼比等,具体根据实际应用场景确定,在此不做限制。例如参见图2,图2是本申请实施例提供的呼吸信号的应用场景示意图。图2中横坐标表示时间,纵坐标表示呼吸信号的幅值,一个波形代表一次呼吸。其中,睡觉时间点为开始检测到呼吸信号时对应的时间点,起床时间点为最后一次检测到呼吸信号时对应的时间点。在睡觉时间点至起床时间点之间,当检测不到呼吸信号时,可视为一次离床,通过统计呼吸信号的消失次数可得到被测试用户在睡眠期间内的离床次数。呼吸频率为每分钟的呼吸次数,其中胸部的一次起伏就是一次呼吸,即一次吸气一次呼气。因此通过统计呼吸信号每分钟内出现的波峰数量或波谷数量,可得到被测试用户在睡眠期间内的呼吸频率。吸呼比为一个呼吸周期内吸气时间和呼气时间的比值,例如假设呼吸周期是5秒,其中吸气时间是1.67秒,呼气时间是3.33秒,则吸呼比是1:2。在呼吸信号中,吸气时间为每个呼吸波从波谷到波峰的时间,呼气时间为每个呼吸波从波峰到波谷的时间。通常而言,入睡时间点为被测试用户入睡时对应的时间点,由于人入睡之后,人的身体代谢会变得缓慢,因此呼吸频率相较人清醒时也会变慢。因此在本提案中,可将呼吸频率首次出现变低且平稳时对应的时间点确定为入睡时间点,这里,通过获取目标时间点以及目标时间点之后的多个连续时间点分别对应的呼吸频率,可得到多个呼吸频率。当多个连续时间点对应的呼吸频率均小于目标时间点对应的呼吸频率时,计算多个连续时间点对应的呼吸频率的均方差值,若计算出的均方差值小于预设均方差阈值,则从多个连续时间点中确定出任一时间点作为入睡时间点。其中,目标时间点可以是从睡觉时间点开始,持续性进行监测的时间点,例如目标时间点可以是睡觉时间点,或者目标时间点也可以是每隔1分钟或几分钟后的时间点,多个连续时间点是从目标时间点开始,每隔1分钟到达的时间点。举例来说,假设目标时间点是睡觉时间点T0,从睡觉时间点T0开始,统计得到呼吸频率是每分钟R次,其后连续相邻的3分钟每分钟的呼吸频率分别为RT1次,RT2次和RT3次,其中RT1对应时间点T1,RT2对应时间点T2,RT3对应时间点T3。当RT1,RT2和RT3均小于R时,说明呼吸频率开始降低,通过计算RT1,RT2和RT3的均方差值并与预设均方差阈值进行比较,当均方差值小于预设均方差阈值时,则认为入睡开始,因此可将T1、T2和T3中的任一时间点确定为入睡时间点。
102、基于睡眠状态数据构建睡眠特征数据。
在一些可行的实施方式中,为方便后续睡眠质量分类模型的数据处理,通过获取被测试用户的睡眠状态数据后,可基于睡眠状态数据构建出睡眠特征数据。例如针对睡眠状态数据中包括的睡觉时间点、入睡时间点和起床时间点,可将各个时间点的单位换算为小时后用实数表示。举例来说,假设入睡时间点为23点30分,通过将时间单位换算为小时,可将23点30分表示为23.5。可选的,在一些可行的实施方式中,为了从数据上体现出时间的连续性和差异性,在将各时间点的单位换算为小时后,还需要对其进行判断,若该时间点在中午12点之前时,则可直接用换算后的实数进行表示,若该时间点在中午12点之后时,则可用T-24表示,例如起床时间点为7点20分,由于7点20分在中午12点之前,因此通过将时间单位换算为小时,可将7点20分表示为7.33,又例如,睡觉时间点为23点30分,由于23点30分在中午12点之后,因此可将23点30分表示为-0.5。可选的,根据睡觉时间点和入睡时间点还可以确定被测试用户的入睡时长,即从开始睡觉至入睡时所花费的时间。同时根据入睡时间点和起床时间点可确定被测试用户的睡眠时长。
在一些可行的实施方式中,针对睡眠状态数据中包括的呼吸频率和吸呼比,可将统计得到的呼吸频率均值、呼吸频率方差、最大呼吸频率以及最小呼吸频率确定为睡眠特征数据。同理,也可将吸呼比均值、吸呼比方差、最大吸呼比和最小吸呼比作为睡眠特征数据。可选的,还可以获取呼吸频率分布和吸呼比分布作为睡眠特征数据。具体地,通过获取被测试用户睡眠期间内各呼吸频率中的最小呼吸频率和最大呼吸频率,可将最小呼吸频率至最大呼吸频率之间的区间划分为多个呼吸频率子区间,并统计各呼吸频率子区间内包含的呼吸频率个数或呼吸频率个数的百分比以得到被测试用户的呼吸频率分布。类似地,通过获取被测试用户睡眠期间内各吸呼比中的最小吸呼比和最大吸呼比,可将最小吸呼比至最大吸呼比之间的区间划分为多个吸呼比子区间,并统计各吸呼比子区间内包含的吸呼比个数或吸呼比个数的百分比以得到被测试用户的吸呼比分布。
举例来说,假设被测试用户的睡眠时长为8小时(即480分钟),通过获取被测试用户在睡眠期间内的呼吸频率,可得到480个呼吸频率,其中,最大呼吸频率为max,最小呼吸频率为min,通过将最小呼吸频率至最大呼吸频率之间的区间划分为多个呼吸频率子区间,可得到多个呼吸频率子区间。例如将最小呼吸频率至最大呼吸频率之间的区间平均划分为4个呼吸频率子区间,可得到4个呼吸频率子区间分别为[min,min+(max-min)/4),[min+(max-min)/4,min+(max-min)/4*2),[min+(max-min)/4*2,min+(max-min)/4*3)和[min+(max-min)/4*3,max]。通过统计480个呼吸频率落在各个呼吸频率子区间内的呼吸频率个数或呼吸频率百分比,可得到被测试用户的呼吸频率分布。例如假设落在[min,min+(max-min)/4)呼吸频率子区间内的呼吸频率个数为50个,落在[min+(max-min)/4,min+(max-min)/4*2)呼吸频率子区间内的呼吸频率个数为200个,落在[min+(max-min)/4*2,min+(max-min)/4*3)呼吸频率子区间内的呼吸频率个数为200个,落在[min+(max-min)/4*3,max]呼吸频率子区间内的呼吸频率个数为30个,则被测试用户的呼吸频率分布为50,200,200,30或者为50/480,200/480,200/480,30/480。
103、将睡眠特征数据输入睡眠质量分类模型,基于睡眠质量分类模型确定被测试用户的睡眠质量类别。
在一些可行的方式中,通过将构建得到的睡眠特征数据输入睡眠质量分类模型,基于睡眠质量分类模型对被测试用户的各个睡眠特征数据进行学习,可得到被测试用户的睡眠质量类别。其中睡眠特征数据包括睡觉时间点、入睡时间点、起床时间点、离床次数、睡眠时长、呼吸频率均值、呼吸频率方差、最大呼吸频率、最小呼吸频率、呼吸频率分布、吸呼比均值、吸呼比方差、最大吸呼比、最小吸呼比和吸呼比分布等中的至少一项。为方便描述,本申请实施例以睡眠特征数据包括上述列举的15个维度的特征为例进行说明。
可选的,在机器学习领域中,不同的评价指标(即睡眠特征数据)往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,例如被测试用户的睡眠时长一般为几个小时,而被测试用户的呼吸频率均值一般为几十次,为了消除各个睡眠特征数据之间的量纲影响,需要进行数据标准化处理,以解决数据指标之间的可比性。换句话说,通过对原始数据进行数据标准化处理,使得各指标处于同一数量级,以便后续进行综合对比评价。其中,最典型的数据标准化处理方法就是数据的归一化处理,经过归一化处理后的数据可以被限定在一定的范围内(比如[0,1]或者[-1,1])。在本申请实施例中,可采用极差变换法或0均值标准化法对被测试用户的各项睡眠特征数据进行归一化处理以得到归一化处理后的睡眠特征数据。通过将归一化后的睡眠特征数据输入睡眠质量分类模型可基于睡眠质量分类模型输出被测试用户的睡眠质量类别。
104、根据睡眠质量类别向被测试用户的终端发送对应的睡眠质量提示消息。
在一些可行的方式中,基于睡眠质量分类模型确定出被测试用户的睡眠质量类别之后,为了使被测试用户能够及时了解自己的睡眠状况,可发送睡眠质量类别对应的睡眠质量提示消息至被测试用户的终端。其中,睡眠质量提示信息可以为睡眠结果报告或者也可以是针对不同睡眠质量类别的睡眠质量改善意见,具体根据实际应用场景确定,在此不做限制。
可选的,为了有助于临床医学进一步研究睡眠质量结果与身体健康或疾病发生概率的研究,也可将各个用户的睡眠质量结果对应的睡眠结果报告存储在医院数据库中,并进行统计分析,以作为医学研究数据。
在本申请实施例中,通过获取被测试用户的睡眠状态数据,并对睡眠状态数据进行特征提取可得到睡眠特征数据,通过将睡眠特征数据输入睡眠质量分类模型,可基于睡眠质量分类模型输出被测试用户的睡眠质量类别,并通过将睡眠质量类别对应的睡眠质量提示信息发送至被测试用户的终端以方便用户查看。采用本申请实施例,可提高睡眠质量监控的效率,适用性高。
可以理解的是,在执行上述图1中各个步骤所描述的实现方式之前,还包括对睡眠质量分类模型的训练过程。具体参见图3,图3是本申请实施例提供的睡眠质量分类模型训练方法的流程示意图。本申请实施例提供的睡眠质量分类模型的训练方法可以包括如下步骤201至203:
201、获取多个训练样本。
在一些可行的方式中,在进行任一种学习任务的模型训练之前,首先,需要获取大量的训练样本。在本申请实施例中,一个训练样本中包括一个样本用户的睡眠特征数据和睡眠质量类别。其中,所获取的训练样本可以是采集的被测试用户在以往多次睡眠中各次睡眠的睡眠特征数据和睡眠质量类别,或者,为了增强睡眠质量分类模型的可靠性,睡眠质量分类模型的训练样本也可以是从训练样本集合中获取的与被测试用户的身体特征数据相同或相似的多个样本用户的训练样本,其中身体特征数据包括但不限于性别、年龄以及体重指数等,在此不做限制。可以理解的是,不同性别、不同年龄以及不同健康状况的人的睡眠质量通常是不一样的,因此,通过获取与被测试用户的身体特征数据相同或相似的人群的睡眠特征数据和睡眠质量类别作为训练样本,可提高训练后睡眠质量分类模型的可靠性和分类准确性。这里,我们用体重指数衡量用户的身体健康状况,其中体重指数为体重公斤数除以身高米数平方得出的数字,即体重指数=体重(kg)/身高(m)^2。为方便描述,以下将以性别、年龄以及体重指数作为身体特征数据进行说明。通过计算样本用户与被测试用户的各项身体特征数据的差值绝对值,并与预设的各项身体特征数据对应的权重进行加权求和,可得到样本用户与被测试用户之间的身体特征相似度。其中,当样本用户与被测试用户之间的身体特征相似度小于或等于预设阈值时,可确定该样本用户与被测试用户的身体特征数据相似,进而获取该样本用户对应的睡眠特征数据和睡眠质量类别作为睡眠质量分类模型的训练样本。可选的,为增大训练样本的数量,可将被测试用户以及与被测试用户的身体特征数据相同或相似的多个样本用户的训练样本一起作为本申请实施例中模型训练的训练样本。进一步地,也可获取训练样本集合中所有人群(即不区分用户类型或用户的身体特征数据是否相似)对应的训练样本作为本申请实施例中模型训练的训练样本,具体根据实际应用场景确定,在此不做限制。
举例来说,假设样本用户与被测试用户的性别相同为数值0,样本用户与被测试用户的性别不同为数值1,其中性别对应的权重为30%,年龄对应的权重为40%,体重指数对应的权重为30%,预设阈值为1.5。已知被测试用户的性别为男,年龄24,体重指数为20;样本用户1的性别为男,年龄28,体重指数为22;样本用户2的性别为男,年龄22,体重指数为19;样本用户3的性别为女,年龄28,体重指数为19。通过计算样本用户与被测试用户的各项身体特征数据的差值绝对值,并与预设的各项身体特征数据对应的权重进行加权求和,可得到样本用户1与被测试用户之间的身体特征相似度1为2.2,样本用户2与被测试用户之间的身体特征相似度2为1.1,样本用户3与被测试用户之间的身体特征相似度3为2.2。因此可将样本用户2对应的睡眠特征数据和睡眠质量类别确定为睡眠质量分类模型的训练样本。
202、基于各训练样本中包括的睡眠特征数据和睡眠质量类别训练初始网络模型以得到睡眠质量分类模型。
在一些可行的实施方式中,在进行睡眠质量分类模型的训练时,可将由睡眠特征数据以及睡眠质量类别组成的信息特征对输入睡眠质量分类模型的初始网络模型中,其中,初始网络模型可以是神经网络模型、支持向量机(Support Vector Machine,SVM)、梯度提升树(Gradient Boosting Decision Tree,GBDT)以及随机森林等,具体可根据实际应用场景确定,在此不做限制。可以理解的是,初始网络模型通过对输入的信息特征对中包括的睡眠特征数据以及睡眠质量类别进行学习,可训练得到输入任一用户的睡眠特征数据输出对应的睡眠质量类别的睡眠质量分类模型。其中睡眠质量类别的分类可根据实际应用场景确定,例如睡眠质量类别可包括很好、较好、较差和很差等4类,或者睡眠质量类别可包括好、一般和差等3类,具体根据实际应用场景确定,在此不做限制。以下本申请实施例以4种睡眠质量类别,即很好、较好、较差和很差为例进行说明。
举例来说,以下以初始网络模型为神经网络模型为例对模型训练进行说明,其中本申请实施例中的神经网络模型的结构包括3层,分别为输入层,隐藏层和输出层。一般而言,用于模型训练的训练样本集合是非常大的,因此通常不会选择将训练样本集合包括的所有训练样本一次性输入模型中进行训练。在本申请实施例中,可将每个训练样本依次输入神经网络模型中进行训练,或者一次性将n个训练样本输入神经网络模型中进行训练,这里n小于训练样本集合中包括的训练样本数量,且n的具体大小根据实际应用场景确定,在此不做限制。为方便描述,本申请实施例以一次输入一个训练样本至神经网络模型中进行训练为例进行说明。通过将某个训练样本输入神经网络模型,经过输入层、隐藏层以及输出层后,可得到神经网络模型的预测结果,其中所采用的激活函数为sigmoid函数,输出层为softmax函数。一般而言,上述得到预测结果的过程称之为前向传播或正向传播。因为训练样本中还包括正确答案(即实际的睡眠质量类别),因此通过定义一个损失函数可以刻画当前预测结果与真实答案之间的差距,再利用反向传播算法或小批量随机梯度下降算法不断更新或调整神经网络参数的取值,使得后续基于该训练样本所得到预测结果与该训练样本中包括的睡眠质量类别之间的差距可以逐渐缩小。进而通过将大量训练样本都经过上述训练流程后,最后可训练得到根据输入的睡眠特征数据能够输出睡眠质量类别的睡眠质量分类模型。
应理解的是,在按照用户的身体特征数据划分训练样本的情况下,本申请实施例训练得到的睡眠质量分类模型可以有多个,每个睡眠质量分类模型可对应身体特征数据相同或相似的一类用户;在通过睡眠质量分类模型对被测用户的睡眠质量进行评估时,可以从预先训练得到的多个睡眠质量分类模型中,选择与被测用户的身体特征数据向对应的睡眠质量分类模型作为目标睡眠质量分类模型,然后利用目标睡眠质量分类模型对被测用户的睡眠质量进行评估。这样可做到千人前面,实现对被测用户的精细化睡眠质量评估,进一步提高睡眠质量评估的准确度。
203、对训练得到的睡眠质量分类模型进行测试,若测试结果满足预设精度,则结束训练,否则继续进行训练。
在一些可行的实施方式中,在睡眠质量分类模型训练完成之后,可采集任意几组已知睡眠质量类别的睡眠特征数据作为睡眠质量分类模型的测试数据。并将各组测试数据输入训练完成的睡眠质量分类模型,基于睡眠质量分类模型输出的睡眠质量类别与实际睡眠质量类别进行比较,若多组测试数据中睡眠质量分类模型输出的睡眠质量类别与实际睡眠质量类别相同的概率大于或等于预设精度,说明训练得到的睡眠质量分类模型符合要求,反之,说明训练得到睡眠质量分类模型不符合构建要求,则继续进行睡眠质量分类模型的训练直到符合要求。
通过获取训练样本并对初始的网络模型进行反复训练,可得到精度较高的用于实现睡眠质量分类的睡眠质量分类模型,进而可利用睡眠质量分类模型进行睡眠质量评估,可提高睡眠质量评估的效率;另外,在获取训练样本时,通过获取与被测用户的身体特征数据相同或相似相似的人群的睡眠特征数据和睡眠质量类别作为训练样本,可使得训练得到的睡眠质量分类模型能够符合被测用户的身体特征数据,从而可以使得通过睡眠质量分类模型评估出的结果更为精准,提升了睡眠质量评估的可靠性和准确性。
参见图4,图4是本申请实施例提供的睡眠质量评估装置的结构示意图。本申请实施例提供的睡眠质量评估装置包括:
睡眠状态数据获取模块31,用于获取被测试用户的睡眠状态数据;
睡眠特征数据构建模块32,用于基于上述睡眠状态数据构建睡眠特征数据,上述睡眠特征数据用于通过统一量化的形式表征所述被测试用户的睡眠情况;
睡眠质量类别确定模块33,用于将上述睡眠特征数据输入睡眠质量分类模型,基于上述睡眠质量分类模型确定上述被测试用户的睡眠质量类别;
提示信息发送模块34,用于根据上述睡眠质量类别向上述被测试用户的终端发送对应的睡眠质量提示消息。
在一些可行的实施方式中,上述睡眠状态数据包括呼吸频率,上述睡眠特征数据包括呼吸频率分布,其中上述呼吸频率为每分钟的呼吸次数;上述睡眠特征数据构建模块32用于:
获取上述被测试用户睡眠期间内各呼吸频率中的最小呼吸频率和最大呼吸频率;
将上述最小呼吸频率至上述最大呼吸频率之间的区间划分为多个呼吸频率子区间,并统计各呼吸频率子区间内包含的呼吸频率个数以得到上述被测试用户的呼吸频率分布。
在一些可行的实施方式中,上述睡眠状态数据包括吸呼比,上述睡眠特征数据包括吸呼比分布,其中上述吸呼比为一个呼吸周期内吸气时间和呼气时间的比值;上述睡眠特征数据构建模块32用于:
获取上述被测试用户睡眠期间内各吸呼比中的最小吸呼比和最大吸呼比;
将上述最小吸呼比至上述最大吸呼比之间的区间划分为多个吸呼比子区间,并统计各吸呼比子区间内包含的吸呼比个数以得到上述被测试用户的吸呼比分布。
在一些可行的实施方式中,上述睡眠状态数据包括睡觉时间点、入睡时间点和起床时间点,上述睡眠特征数据包括入睡时长和睡眠时长;上述睡眠特征数据构建模块32用于:
获取目标时间点以及目标时间点之后的多个连续时间点对应的呼吸频率,当上述多个连续时间点对应的呼吸频率均小于上述目标时间点对应的呼吸频率时,计算上述多个连续时间点对应的呼吸频率的均方差值;
若上述均方差值小于预设均方差阈值时,则从上述多个连续时间点中确定出任一时间点作为入睡时间点;
根据上述睡觉时间点和上述入睡时间点确定入睡时长;
根据上述入睡时间点和上述起床时间点确定睡眠时长。
在一些可行的实施方式中,上述睡眠质量评估装置还包括睡眠质量分类模型训练模块35,上述睡眠质量分类模型训练模块35包括:
训练样本获取单元351,用于获取多个训练样本,其中一个训练样本中包括一个样本用户的睡眠特征数据和睡眠质量类别;
模型训练单元352,用于基于各训练样本中包括的睡眠特征数据和睡眠质量类别训练初始网络模型以得到睡眠质量分类模型,上述睡眠质量分类模型用于根据输入的睡眠特征数据输出睡眠质量类别。
在一些可行的实施方式中,上述训练样本获取单元351用于:
获取上述被测试用户多次睡眠中各次睡眠的睡眠特征数据和睡眠质量类别,并作为训练样本。
在一些可行的实施方式中,上述训练样本获取单元351还用于:
从训练样本集合中,获取与上述被测试用户的身体特征数据相似的多个样本用户的训练样本,其中上述身体特征数据包括性别、年龄以及体重指数中的至少一项。
具体实现中,上述睡眠质量评估装置可通过其内置的各个功能模块执行如上述图1中各个步骤所提供的实现方式。例如,上述睡眠状态数据获取模块31可用于执行上述各个步骤中获取睡眠状态数据等实现方式,具体可参见上述各个步骤所提供的实现方式,在此不再赘述。上述睡眠特征数据构建模块32可用于执行上述各个步骤中根据睡眠状态数据构建睡眠特征数据等相关步骤所描述的实现方式,具体可参见上述各个步骤所提供的实现方式,在此不再赘述。上述睡眠质量类别确定模块33可用于执行上述各个步骤中根据睡眠特征数据和睡眠质量分类模型确定睡眠质量类别等实现方式,具体可参见上述各个步骤所提供的实现方式,在此不再赘述。上述提示信息发送模块34可用于执行上述各个步骤中发送睡眠质量类别对应的睡眠质量提示信息等实现方式,具体可参见上述各个步骤所提供的实现方式,在此不再赘述。上述睡眠质量分类模型训练模块35可用于执行上述各个步骤中获取训练样本、根据训练样本训练初始网络模型等实现方式,具体可参见上述各个步骤所提供的实现方式,在此不再赘述。
在本申请实施例中,睡眠质量评估装置通过获取被测试用户的睡眠状态数据,并对睡眠状态数据进行特征提取可得到睡眠特征数据,通过将睡眠特征数据输入睡眠质量分类模型,可基于睡眠质量分类模型输出被测试用户的睡眠质量类别,并通过将睡眠质量类别对应的睡眠质量提示信息发送至被测试用户的终端以方便用户查看。采用本申请实施例,可提高睡眠质量监控的便利性和睡眠质量评估的效率。
参见图5,图5是本申请实施例提供的终端设备的结构示意图。如图5所示,本实施例中的终端设备可以包括:一个或多个处理器401和存储器402。上述处理器401和存储器402通过总线403连接。存储器402用于存储计算机程序,该计算机程序包括程序指令,处理器401用于执行存储器402存储的程序指令,执行如下操作:
获取被测试用户的睡眠状态数据;
基于上述睡眠状态数据构建睡眠特征数据,上述睡眠特征数据用于通过统一量化的形式表征所述被测试用户的睡眠情况;
将上述睡眠特征数据输入睡眠质量分类模型,基于上述睡眠质量分类模型确定上述被测试用户的睡眠质量类别;
根据上述睡眠质量类别向上述被测试用户的终端发送对应的睡眠质量提示消息。
在一些可行的实施方式中,上述睡眠状态数据包括呼吸频率,上述睡眠特征数据包括呼吸频率分布,其中上述呼吸频率为每分钟的呼吸次数;上述处理器401用于:
获取上述被测试用户睡眠期间内各呼吸频率中的最小呼吸频率和最大呼吸频率;
将上述最小呼吸频率至上述最大呼吸频率之间的区间划分为多个呼吸频率子区间,并统计各呼吸频率子区间内包含的呼吸频率个数以得到上述被测试用户的呼吸频率分布。
在一些可行的实施方式中,上述睡眠状态数据包括吸呼比,上述睡眠特征数据包括吸呼比分布,其中上述吸呼比为一个呼吸周期内吸气时间和呼气时间的比值;上述处理器401用于:
获取上述被测试用户睡眠期间内各吸呼比中的最小吸呼比和最大吸呼比;
将上述最小吸呼比至上述最大吸呼比之间的区间划分为多个吸呼比子区间,并统计各吸呼比子区间内包含的吸呼比个数以得到上述被测试用户的吸呼比分布。
在一些可行的实施方式中,上述睡眠状态数据包括睡觉时间点、入睡时间点和起床时间点,上述睡眠特征数据包括入睡时长和睡眠时长;上述处理器401用于:
获取目标时间点以及目标时间点之后的多个连续时间点对应的呼吸频率,当上述多个连续时间点对应的呼吸频率均小于上述目标时间点对应的呼吸频率时,计算上述多个连续时间点对应的呼吸频率的均方差值;
若上述均方差值小于预设均方差阈值时,则从上述多个连续时间点中确定出任一时间点作为入睡时间点;
根据上述睡觉时间点和上述入睡时间点确定入睡时长;
根据上述入睡时间点和上述起床时间点确定睡眠时长。
在一些可行的实施方式中,上述处理器401用于:
获取多个训练样本,其中一个训练样本中包括一个样本用户的睡眠特征数据和睡眠质量类别;
基于各训练样本中包括的睡眠特征数据和睡眠质量类别训练初始网络模型以得到睡眠质量分类模型,上述睡眠质量分类模型用于根据输入的睡眠特征数据输出睡眠质量类别。
在一些可行的实施方式中,上述处理器401用于:
获取上述被测试用户多次睡眠中各次睡眠的睡眠特征数据和睡眠质量类别,并作为训练样本。
在一些可行的实施方式中,上述处理器401用于:
从训练样本集合中,获取与上述被测试用户的身体特征数据相似的多个样本用户的训练样本,其中上述身体特征数据包括性别、年龄以及体重指数中的至少一项。
应当理解,在一些可行的实施方式中,上述处理器401可以是中央处理单元(central processing unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor,DSP)、专用集成电路(application specific integratedcircuit,ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。该存储器402可以包括只读存储器和随机存取存储器,并向处理器401提供指令和数据。存储器402的一部分还可以包括非易失性随机存取存储器。例如,存储器402还可以存储设备类型的信息。
具体实现中,上述终端设备可通过其内置的各个功能模块执行如上述图1至图2中各个步骤所提供的实现方式,具体可参见上述各个步骤所提供的实现方式,在此不再赘述。
在本申请实施例中,终端设备通过获取被测试用户的睡眠状态数据,并对睡眠状态数据进行特征提取可得到睡眠特征数据,通过将睡眠特征数据输入睡眠质量分类模型,可基于睡眠质量分类模型输出被测试用户的睡眠质量类别,并通过将睡眠质量类别对应的睡眠质量提示信息发送至被测试用户的终端以方便用户查看。采用本申请实施例,可提高睡眠质量监控的便利性和睡眠质量评估的效率。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包括程序指令,该程序指令被处理器执行时实现图1至图2中各个步骤所提供的睡眠质量评估方法,具体可参见上述各个步骤所提供的实现方式,在此不再赘述。
上述计算机可读存储介质可以是前述任一实施例提供的睡眠质量评估装置或者上述终端设备的内部存储单元,例如电子设备的硬盘或内存。该计算机可读存储介质也可以是该电子设备的外部存储设备,例如该电子设备上配备的插接式硬盘,智能存储卡(smart media card,SMC),安全数字(secure digital,SD)卡,闪存卡(flash card)等。进一步地,该计算机可读存储介质还可以既包括该电子设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该电子设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本申请的权利要求书和说明书及附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例提供的方法及相关装置是参照本申请实施例提供的方法流程图和/或结构示意图来描述的,具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或结构示意一个方框或多个方框中指定的功能的步骤。
Claims (9)
1.一种睡眠质量评估方法,其特征在于,所述方法包括:
获取被测试用户的睡眠状态数据;
基于所述睡眠状态数据构建睡眠特征数据,所述睡眠特征数据用于通过统一量化的形式表征所述被测试用户的睡眠情况;
将所述睡眠特征数据输入睡眠质量分类模型,基于所述睡眠质量分类模型确定所述被测试用户的睡眠质量类别;
根据所述睡眠质量类别向所述被测试用户的终端发送对应的睡眠质量提示消息;
其中,所述睡眠状态数据包括呼吸频率,所述睡眠特征数据包括呼吸频率分布,其中所述呼吸频率为每分钟的呼吸次数;所述基于所述睡眠状态数据构建睡眠特征数据,包括:
获取所述被测试用户睡眠期间内各呼吸频率中的最小呼吸频率和最大呼吸频率;
将所述最小呼吸频率至所述最大呼吸频率之间的区间划分为多个呼吸频率子区间,并统计各呼吸频率子区间内包含的呼吸频率个数以得到所述被测试用户的呼吸频率分布。
2.根据权利要求1所述方法,其特征在于,所述睡眠状态数据包括吸呼比,所述睡眠特征数据包括吸呼比分布,其中所述吸呼比为一个呼吸周期内吸气时间和呼气时间的比值;所述基于所述睡眠状态数据构建睡眠特征数据,包括:
获取所述被测试用户睡眠期间内各吸呼比中的最小吸呼比和最大吸呼比;
将所述最小吸呼比至所述最大吸呼比之间的区间划分为多个吸呼比子区间,并统计各吸呼比子区间内包含的吸呼比个数以得到所述被测试用户的吸呼比分布。
3.根据权利要求1所述方法,其特征在于,所述睡眠状态数据包括睡觉时间点、入睡时间点和起床时间点,所述睡眠特征数据包括入睡时长和睡眠时长;所述基于所述睡眠状态数据构建睡眠特征数据,包括:
获取目标时间点以及目标时间点之后的多个连续时间点对应的呼吸频率,当所述多个连续时间点对应的呼吸频率均小于所述目标时间点对应的呼吸频率时,计算所述多个连续时间点对应的呼吸频率的均方差值;
若所述均方差值小于预设均方差阈值时,则从所述多个连续时间点中确定出任一时间点作为入睡时间点;
根据所述睡觉时间点和所述入睡时间点确定入睡时长;
根据所述入睡时间点和所述起床时间点确定睡眠时长。
4.根据权利要求1-3任一项所述方法,其特征在于,所述方法还包括:
获取多个训练样本,其中一个训练样本中包括一个样本用户的睡眠特征数据和睡眠质量类别;
基于各训练样本中包括的睡眠特征数据和睡眠质量类别训练初始网络模型以得到睡眠质量分类模型,所述睡眠质量分类模型用于根据输入的睡眠特征数据输出睡眠质量类别。
5.根据权利要求4所述方法,其特征在于,所述获取多个训练样本,包括:
获取所述被测试用户多次睡眠中各次睡眠的睡眠特征数据和睡眠质量类别,并作为训练样本。
6.根据权利要求4所述方法,其特征在于,所述获取多个训练样本,包括:
从训练样本集合中,获取与所述被测试用户的身体特征数据相似的多个样本用户的训练样本,其中所述身体特征数据包括性别、年龄以及体重指数中的至少一项。
7.一种睡眠质量评估装置,其特征在于,所述装置包括:
睡眠状态数据获取模块,用于获取被测试用户的睡眠状态数据;
睡眠特征数据构建模块,用于基于所述睡眠状态数据构建睡眠特征数据,所述睡眠特征数据用于通过统一量化的形式表征所述被测试用户的睡眠情况;
睡眠质量类别确定模块,用于将所述睡眠特征数据输入睡眠质量分类模型,基于所述睡眠质量分类模型确定所述被测试用户的睡眠质量类别;
提示信息发送模块,用于根据所述睡眠质量类别向所述被测试用户的终端发送对应的睡眠质量提示消息;
其中,所述睡眠状态数据包括呼吸频率,所述睡眠特征数据包括呼吸频率分布,其中所述呼吸频率为每分钟的呼吸次数;所述睡眠特征数据构建模块用于:
获取所述被测试用户睡眠期间内各呼吸频率中的最小呼吸频率和最大呼吸频率;
将所述最小呼吸频率至所述最大呼吸频率之间的区间划分为多个呼吸频率子区间,并统计各呼吸频率子区间内包含的呼吸频率个数以得到所述被测试用户的呼吸频率分布。
8.一种终端设备,其特征在于,包括处理器和存储器,所述处理器和存储器相互连接;
所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-6任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910754503.0A CN110464303B (zh) | 2019-08-15 | 2019-08-15 | 睡眠质量评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910754503.0A CN110464303B (zh) | 2019-08-15 | 2019-08-15 | 睡眠质量评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110464303A CN110464303A (zh) | 2019-11-19 |
CN110464303B true CN110464303B (zh) | 2022-04-01 |
Family
ID=68510143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910754503.0A Active CN110464303B (zh) | 2019-08-15 | 2019-08-15 | 睡眠质量评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110464303B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110974195A (zh) * | 2019-12-05 | 2020-04-10 | 珠海格力电器股份有限公司 | 调整睡眠环境的方法、装置及存储介质 |
CN111063438B (zh) * | 2019-12-17 | 2023-04-18 | 深圳先进技术研究院 | 一种基于红外图像序列的睡眠质量评估系统和方法 |
CN111281341A (zh) * | 2020-02-04 | 2020-06-16 | 乐歌信息科技(上海)有限公司 | 一种睡眠评估方法、装置、电子设备及存储介质 |
CN111588391A (zh) * | 2020-05-29 | 2020-08-28 | 京东方科技集团股份有限公司 | 一种基于用户睡眠特征的精神状态确定方法及系统 |
CN112489720A (zh) * | 2020-10-16 | 2021-03-12 | 西安得眠堂健康管理工作部 | 一种用于提高改善睡眠质量的复合肽的智能制备方法和装置 |
CN112545853A (zh) * | 2020-11-17 | 2021-03-26 | 未来穿戴技术有限公司 | 按摩脉冲输出方法及按摩设备、电子设备、存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1803089A (zh) * | 2006-01-20 | 2006-07-19 | 浙江工业大学 | 无拘束、非察觉性的睡眠障碍测量装置及其方法 |
CN106333681A (zh) * | 2016-09-21 | 2017-01-18 | 广州视源电子科技股份有限公司 | 基于自学习的睡眠状态监测方法和系统 |
CN107007263A (zh) * | 2017-04-25 | 2017-08-04 | 中国科学院计算技术研究所 | 一种普适化的睡眠质量测评方法和系统 |
CN109199336A (zh) * | 2018-09-30 | 2019-01-15 | 深圳个人数据管理服务有限公司 | 一种基于机器学习的睡眠质量量化方法、装置和设备 |
WO2019039261A1 (ja) * | 2017-08-22 | 2019-02-28 | 国立大学法人大阪大学 | 睡眠の質判定システム、睡眠の質モデル作成プログラム、および、睡眠の質判定プログラム |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NZ615010A (en) * | 2009-07-16 | 2015-06-26 | Resmed Ltd | Detection of sleep onset |
EP3286577B1 (en) * | 2015-04-20 | 2021-03-17 | ResMed Sensor Technologies Limited | Detection and identification of a human from characteristic signals |
US20190000375A1 (en) * | 2017-06-29 | 2019-01-03 | Koninklijke Philips N.V. | Method to increase ahi estimation accuracy in home sleep tests |
CN107928673B (zh) * | 2017-11-06 | 2022-03-29 | 腾讯科技(深圳)有限公司 | 音频信号处理方法、装置、存储介质和计算机设备 |
-
2019
- 2019-08-15 CN CN201910754503.0A patent/CN110464303B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1803089A (zh) * | 2006-01-20 | 2006-07-19 | 浙江工业大学 | 无拘束、非察觉性的睡眠障碍测量装置及其方法 |
CN106333681A (zh) * | 2016-09-21 | 2017-01-18 | 广州视源电子科技股份有限公司 | 基于自学习的睡眠状态监测方法和系统 |
CN107007263A (zh) * | 2017-04-25 | 2017-08-04 | 中国科学院计算技术研究所 | 一种普适化的睡眠质量测评方法和系统 |
WO2019039261A1 (ja) * | 2017-08-22 | 2019-02-28 | 国立大学法人大阪大学 | 睡眠の質判定システム、睡眠の質モデル作成プログラム、および、睡眠の質判定プログラム |
CN109199336A (zh) * | 2018-09-30 | 2019-01-15 | 深圳个人数据管理服务有限公司 | 一种基于机器学习的睡眠质量量化方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110464303A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110464303B (zh) | 睡眠质量评估方法及装置 | |
US20240127078A1 (en) | Transferring learning in classifier-based sensing systems | |
CN108601566B (zh) | 一种精神压力评测方法和装置 | |
CN103440421B (zh) | 医学数据处理方法和系统 | |
CN110772700B (zh) | 自动推送助眠乐曲方法、装置、计算机设备及存储介质 | |
CN110648747B (zh) | 一种数据推荐方法及相关装置 | |
CN112399819A (zh) | 用于监测时间相关过程的传感系统和方法 | |
US20160220147A1 (en) | Determining respiratory gas exchange in a subject | |
WO2020187987A1 (en) | Population-level gaussian processes for clinical time series forecasting | |
CN111685731B (zh) | 睡眠数据处理方法、装置、设备及存储介质 | |
CN109308660B (zh) | 一种征信评分模型评估方法、装置、设备及存储介质 | |
CN111261298B (zh) | 一种医疗数据质量预判方法、装置、可读介质及电子设备 | |
CN112957018A (zh) | 基于人工智能的心脏状态检测方法和装置 | |
CN107248094B (zh) | 一种电子产品激活量预测方法及一种服务器集群 | |
KR101274431B1 (ko) | 설문 정보를 이용한 건강 상태 판단 장치 및 방법, 건강 분류 함수 생성 장치 및 그 방법 | |
CN115036033A (zh) | 健康数据管理方法、装置、电子设备和可读存储介质 | |
WO2023058200A1 (ja) | 疲労度算出装置、疲労度算出方法及び記憶媒体 | |
TW202016947A (zh) | 生理狀態的風險評估系統、方法及電子裝置 | |
JP2010279644A (ja) | 状態判定装置、状態判定方法及びプログラム | |
US20240186002A1 (en) | Information processing apparatus, feature quantity extraction method, training data generation method, estimation model generation method, stress level estimation method, and storage medium | |
CN112117015B (zh) | 一种脓毒症的预警设备、方法、装置及存储介质 | |
CN113995394B (zh) | 一种生理信号的处理方法、装置、设备及存储介质 | |
CN106474717A (zh) | 基于用户运动状态的数据处理方法 | |
WO2022208873A1 (ja) | ストレス推定装置、ストレス推定方法及び記憶媒体 | |
CN111798984A (zh) | 一种基于傅里叶变换的疾病预测方案 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200424 Address after: 1706, Fangda building, No. 011, Keji South 12th Road, high tech Zone, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Applicant after: Shenzhen shuliantianxia Intelligent Technology Co., Ltd Address before: 518000, building 10, building ten, building D, Shenzhen Institute of Aerospace Science and technology, 6 hi tech Southern District, Nanshan District, Shenzhen, Guangdong 1003, China Applicant before: SHENZHEN H & T HOME ONLINE NETWORK TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |