CN105999508A - 一种基于脑电波分析的智能叫醒方法 - Google Patents

Abstract

本发明涉及一种基于脑电波分析的智能叫醒方法，首先设定最优起床时间段；在所述最优起床时间段内用预设的时间长度来划分用户的脑电波，得到若干段脑电波段；针对每一个脑电波段，计算4个特征指标：脑电波频率、脑电波平均值、脑电波标准差、脑电波段的脉冲因子；根据4个特征指标，进行加权计算得到相似性指标；根据相似性指标判断是否叫用户起床。本发明能够让用户的起床体验达到最佳。

Description

一种基于脑电波分析的智能叫醒方法

技术领域

本发明涉及脑电波分析领域，特别是一种基于脑电波分析的智能叫醒方法。

背景技术

随着科学技术的发展,我们已经能够检测出大脑活动时的脑电波，且能够分析出几种常见的波的类型，这为我们进一步的利用脑电波数据来为医疗健康行业服务奠定了基础。早晨或者中午起床时，有时会觉得很有精神，但有时又会觉得没睡够，研究表明在午睡时如果进入深度睡眠不久就被闹钟叫醒的话，人反而会觉得很困。同样，早上在不合适的时间起床的话，也会觉得没睡够。因此研究最佳起床时间，可以大大改善工作时的精神状态，提高工作效率。本发明基于人工智能方法利用脑电波的各种特征来分析脑电波是否处于合适的叫起阶段。让用户在最合适的时间起床，获得最好的工作状态。

发明内容

有鉴于此，本发明的目的是提出一种基于脑电波分析的智能叫醒方法，让用户的起床体验达到最佳。

本发明采用以下方案实现：一种基于脑电波分析的智能叫醒方法,具体包括以下步骤：

步骤S1：设定最优起床时间段；

步骤S2：在所述最优起床时间段内用预设的时间长度来划分用户的脑电波，得到若干段脑电波段X(n)；

步骤S3：针对每一个脑电波段X(n)，计算4个特征指标：脑电波频率、脑电波平均值、脑电波标准差、脑电波段的脉冲因子；

步骤S4：根据步骤S3计算的4个特征指标，进行加权计算得到相似性指标；

步骤S5：判断所述相似性指标是否满足预设的阈值，若满足，则对用户进行叫醒，并采集用户反馈信息，根据用户反馈信息调整相似性指标中的特定参数；若整个最优起床时间段的相似性指标都没有满足预设的阈值，则在最优起床时间段的最后时刻对用户进行叫醒。

进一步地，步骤S3中所述脑电波频率F采用下式计算：针对脑电波段X(n)，有：

$F=\frac{P\left(X\right(n\left)\right)}{t};$

其中，P(X(n))为在片段X(n)内峰值的个数，t是片段X(n)对应的时间长度。

进一步地，步骤S3中所述脑电波平均值Avg采用下式计算：

$Avg=\frac{\underset{n=1}{\overset{N}{\Σ}}X\left(n\right)}{N};$

其中，N为脑电波段长度。

进一步地，步骤S3中所述脑电波标准差S采用下式计算：

$S=\sqrt{\frac{\underset{n=1}{\overset{N}{\Σ}}{\left(\right|X\left(n\right)|-E(\left|X\right|\left)\right)}^2}{N-1}};$

其中，|X(n)|代表了第n个时间序列点的信号强度，相当于纵坐标，n相当于横坐标。

进一步地，步骤S3中所述脑电波段的脉冲因子I采用下式计算：

$I=\frac{max\left\{X\left(n\right)\right\}}{\frac{1}{N}\underset{n=1}{\overset{N}{\Σ}}X\left(n\right)}.$

进一步地，步骤S4中所述相似性指标value(i)采用下式计算：

value(i)＝w₁F(i)+w₂Avg(i)+w₃S(i)+w₄I(i)；

其中，i为设定的最优起床时间段内的第i个划分段；w₁+w₂+w₃+w₄＝1，每个w_i的值由系统随机生成，根据用户反馈信息，用户反馈起床体验越好，对应的w_i的在下次计算中重复出现的概率越高。

进一步地，步骤S5中所述判断所述相似性指标是否满足预设的阈值具体为：当当前相似性指标的计算值大于历史最优相似性指标的80％，则满足。

进一步地，步骤S5中所述用户反馈信息为用户根据起床体验由差到好进行由0至9的评分，分之越高，起床体验越好。

与现有技术相比，本发明有以下有益效果：本发明利用划分时间段的方法来分析脑电波的特征，然后根据用户反馈最高评分的起床时间的脑电波特征作为标准，当在可以叫起的时间段内，系统发现跟最优起床时间相识的计算结果时启动闹钟叫起。本发明能够让用户在最合适的时间起床，获得最好的工作状态。

附图说明

图1为本发明实施例的方法流程示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

如图1所示，本实施例提供了一种基于脑电波分析的智能叫醒方法,具体包括以下步骤：

步骤S1：设定最优起床时间段；

步骤S2：在所述最优起床时间段内用预设的时间长度来划分用户的脑电波，得到若干段脑电波段X(n)；

步骤S3：针对每一个脑电波段X(n)，计算4个特征指标：脑电波频率、脑电波平均值、脑电波标准差、脑电波段的脉冲因子；

步骤S4：根据步骤S3计算的4个特征指标，进行加权计算得到相似性指标；

步骤S5：判断所述相似性指标是否满足预设的阈值，若满足，则对用户进行叫醒，并采集用户反馈信息，根据用户反馈信息调整相似性指标中的特定参数；若整个最优起床时间段的相似性指标都没有满足预设的阈值，则在最优起床时间段的最后时刻对用户进行叫醒。

特别的，在完成一轮叫醒之后，系统根据新增数据和历史数据重复上述步骤，计算新一天的起床时间。

在本实施例中，步骤S3中所述脑电波频率F采用下式计算：针对脑电波段X(n)，有：

$F=\frac{P\left(X\right(n\left)\right)}{t};$

其中，P(X(n))为在片段X(n)内峰值的个数，t是片段X(n)对应的时间长度。

较佳的，根据脑电波的频率我们可以将脑电波划分为一下几种类型：

α波、清醒,安静,闭眼及正常血糖范围情况下出现；

β波、在睁眼和大脑皮层处在紧张活动状态时出现(即正常人白天工作时会出现的脑电波)；

κ波、进入慢波睡眠时出现；

δ波、成人入睡后,或成年人困倦时出现；

θ波、少年或成年人困倦时出现。

在本实施例中，步骤S3中所述脑电波平均值Avg采用下式计算：

$Avg=\frac{\underset{n=1}{\overset{N}{\Σ}}X\left(n\right)}{N};$

其中，N为脑电波段长度。|X(n)|实际代表了第n个时间序列点的信号强度相当于纵坐标，n相当于横坐标，于是上式中的Avg就代表了异常片段的平均强度。

在本实施例中，步骤S3中所述脑电波标准差S采用下式计算：

$S=\sqrt{\frac{\underset{n=1}{\overset{N}{\Σ}}{\left(\right|X\left(n\right)|-E(\left|X\right|\left)\right)}^2}{N-1}};$

其中，|X(n)|代表了第n个时间序列点的信号强度，相当于纵坐标，n相当于横坐标。|X(n)|实际上代表了脑电波段的信号强度，脑电波信号的强弱可以反应出睡眠的状态。S描述了脑电波段的波动程度，将其作为特征指标，能够体脑电波段的活动情况|X(n)|波动变大，则S显著变大。

在本实施例中，步骤S3中所述脑电波段的脉冲因子I采用下式计算：

$I=\frac{max\left\{X\left(n\right)\right\}}{\frac{1}{N}\underset{n=1}{\overset{N}{\Σ}}X\left(n\right)}.$

脉冲因子用于衡量脑电波片段内的脉冲流量的强度。正常情况下，比较平稳时，脉冲影响因子接近于1，当受到特殊影响时，信号强度会有所变化，而导致脉冲影响因子也会随着变化。

在本实施例中，步骤S4中所述相似性指标value(i)采用下式计算：

value(i)＝w₁F(i)+w₂Avg(i)+w₃S(i)+w₄I(i)；

其中，i为设定的最优起床时间段内的第i个划分段；该划分段的长度由用户设定一般为(3-10分钟)，如图1说明所示，系统到达可以起床的时间段(即最优起床时间)后，对每一个划分的时间段计算value(i)值，当value(i)值大于等于历史最优value(i)值的80％时，启动叫起程序。比如历史记录最优起床value(i)值是200，则当某时间片段的value(i)值大于160时，系统叫起。如果到最后一个划分片段都没有达到最优起床value(i)值的80％则，在规定起床时间段的最后一段时间的结束时刻启动闹钟叫起，保证不影响用户起床的最后时间。w₁+w₂+w₃+w₄＝1，每个w_i的值由系统随机生成，根据用户反馈信息，用户反馈起床体验越好，对应的w_i的在下次计算中重复出现的概率越高。

在本实施例中，步骤S5中所述判断所述相似性指标是否满足预设的阈值具体为：当当前相似性指标的计算值大于历史最优相似性指标的80％，则满足。

在本实施例中，步骤S5中所述用户反馈信息为用户根据起床体验由差到好进行由0至9的评分，分之越高，起床体验越好。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (8)

1.一种基于脑电波分析的智能叫醒方法,其特征在于：包括以下步骤：

步骤S1：设定最优起床时间段；

步骤S2：在所述最优起床时间段内用预设的时间长度来划分用户的脑电波，得到若干段脑电波段X(n)；

步骤S3：针对每一个脑电波段X(n)，计算4个特征指标：脑电波频率、脑电波平均值、脑电波标准差、脑电波段的脉冲因子；

步骤S4：根据步骤S3计算的4个特征指标，进行加权计算得到相似性指标；

步骤S5：判断所述相似性指标是否满足预设的阈值，若满足，则对用户进行叫醒，并采集用户反馈信息，根据用户反馈信息调整相似性指标中的特定参数；若整个最优起床时间段的相似性指标都没有满足预设的阈值，则在最优起床时间段的最后时刻对用户进行叫醒。

2.根据权利要求1所述的一种基于脑电波分析的智能叫醒方法,其特征在于：步骤S3中所述脑电波频率F采用下式计算：针对脑电波段X(n)，有：

$F=\frac{P\left(X\right(n))}{t};$

其中，P(X(n))为在片段X(n)内峰值的个数，t是片段X(n)对应的时间长度。

3.根据权利要求1所述的一种基于脑电波分析的智能叫醒方法,其特征在于：步骤S3中所述脑电波平均值Avg采用下式计算：

$Avg=\frac{\underset{n=1}{\overset{N}{\Σ}}X\left(n\right)}{N};$

其中，N为脑电波段长度。

4.根据权利要求1所述的一种基于脑电波分析的智能叫醒方法,其特征在于：步骤S3中所述脑电波标准差S采用下式计算：

$S=\sqrt{\frac{\underset{n=1}{\overset{N}{\Σ}}{\left(\right|X\left(n\right)|-E(\left|X\right|\left)\right)}^2}{N-1}};$

其中，|X(n)|代表了第n个时间序列点的信号强度，相当于纵坐标，n相当于横坐标。

5.根据权利要求1所述的一种基于脑电波分析的智能叫醒方法,其特征在于：步骤S3中所述脑电波段的脉冲因子I采用下式计算：

$I=\frac{max\left\{X\left(n\right)\right\}}{\frac{1}{N}\underset{n=1}{\overset{N}{\Σ}}X\left(n\right)}.$

6.根据权利要求1所述的一种基于脑电波分析的智能叫醒方法,其特征在于：步骤S4中所述相似性指标value(i)采用下式计算：

value(i)＝w₁F(i)+w₂Avg(i)+w₃S(i)+w₄I(i)；

其中，i为设定的最优起床时间段内的第i个划分段；w₁+w₂+w₃+w₄＝1，每个w_i的值由系统随机生成，根据用户反馈信息，用户反馈起床体验越好，对应的w_i的在下次计算中重复出现的概率越高。

7.根据权利要求1所述的一种基于脑电波分析的智能叫醒方法,其特征在于：步骤S5中所述判断所述相似性指标是否满足预设的阈值具体为：当当前相似性指标的计算值大于历史最优相似性指标的80％，则满足。

8.根据权利要求1所述的一种基于脑电波分析的智能叫醒方法,其特征在于：步骤S5中所述用户反馈信息为用户根据起床体验由差到好进行由0至9的评分，分之越高，起床体验越好。