CN106326672B - 入睡检测方法与系统 - Google Patents

Abstract

本发明提供一种入睡检测方法与系统，识别用户所属类型，根据用户所属类型获取用户不同入睡准备时长对应的概率，记录为第一概率，采用非接触方式采集用户肢体动作频率，根据用户肢体动作频率与预设入睡检测灵敏度值，获取不同时间点用户的入睡概率为第二概率，当某一时间点对应的第二概率大于或等于第一概率时，判定用户在该时间点入睡。整个过程中，采用非接触方式采集用户肢体动作频率，再基于用户肢体动作频率与预设入睡检测灵敏度值以及用户不同入睡准备时长对应的概率，判定用户是否入睡，这样一方面能够准确检测到用户入睡，另一方面采用非接触方式采集数据，避免采集设备影响用户睡眠质量。

Description

入睡检测方法与系统

技术领域

本发明涉及睡眠检测技术领域，特别是涉及入睡检测方法与系统。

背景技术

用户在入睡准备阶段一般会习惯听听音乐、看看电视或者开灯看书，为避免声音和/或灯光影响睡眠，在用户进入睡眠状态之后需要将电视、音乐播放设备和/或灯光自动关闭。对此，如何检测用户已经入睡是非常关键的一步。

一般入睡检测方法采用仪器设备或传感器等采集用户的心跳、呼吸频率以及体表温度等生理参数，监测这些生理参数的变化情况，将变化情况与已知标准参数比较，来判断用户是否已经入睡。

上述方式，虽然能够实现入睡检测，但是在检测过程需要将采集设备(各类传感器)穿戴于用户，这样用户在入睡时候身体与多种设备接触，这样反而会严重影响用户睡眠质量。

发明内容

基于此，有必要针对一般入睡检测方式会影响用户睡眠质量的问题，提供一种不会影响用户睡眠质量的入睡检测方法与系统。

一种入睡检测方法，包括步骤：

根据用户特征参数，识别用户所属类型，用户特征参数包括用户所处位置、用户性别以及用户年龄；

根据用户所属类型，获取用户不同入睡准备时长对应的概率，记录为第一概率；

采用非接触方式采集用户肢体动作频率，根据用户肢体动作频率与预设入睡检测灵敏度值，获取不同时间点用户的入睡概率，记录为第二概率；

当某一时间点对应的第二概率大于或等于第一概率时，判定用户在该时间点入睡。

一种入睡检测系统，包括：

识别模块，用于根据用户特征参数，识别用户所属类型，用户特征参数包括用户所处位置、用户性别以及用户年龄；

第一计算模块，用于根据用户所属类型，获取用户不同入睡准备时长对应的概率，记录为第一概率；

第二计算模块，用于采用非接触方式采集用户肢体动作频率，根据用户肢体动作频率与预设入睡检测灵敏度值，获取不同时间点用户的入睡概率，记录为第二概率；

入睡判定模块，用于当某一时间点对应的第二概率大于或等于第一概率时，判定用户在该时间点入睡。

本发明入睡检测方法与系统，识别用户所属类型，根据用户所属类型获取用户不同入睡准备时长对应的概率，记录为第一概率，采用非接触方式采集用户肢体动作频率，根据用户肢体动作频率与预设入睡检测灵敏度值，获取不同时间点用户的入睡概率为第二概率，当某一时间点对应的第二概率大于或等于第一概率时，判定用户在该时间点入睡。整个过程中，采用非接触方式采集用户肢体动作频率，再基于用户肢体动作频率与预设入睡检测灵敏度值以及用户不同入睡准备时长对应的概率，判定用户是否入睡，这样一方面能够准确检测到用户入睡，另一方面采用非接触方式采集数据，避免采集设备影响用户睡眠质量。

附图说明

图1为本发明入睡检测方法第一个实施例的流程示意图；

图2为本发明入睡检测方法第二个实施例的流程示意图；

图3为本发明入睡检测系统第一个实施例的结构示意图；

图4为本发明入睡检测系统第二个实施例的结构示意图。

具体实施方式

如图1所示，一种入睡检测方法，包括步骤：

S100：根据用户特征参数，识别用户所属类型，用户特征参数包括用户所处位置、用户性别以及用户年龄。

不同类型的用户的入睡准备时长是会存在明显的差异的。对此，需要首先识别用户所属类型，识别的依据是用户特征参数。具体来说，用户特征参数主要包括位置、性别以及年龄三个方面。在实际操作中，可以采用大数据分析方式，采集不同区域(位置)、不同性别以及不同年龄的用户，并采集这些用户历史记录中入睡准备时长，基于用户所处位置、用户性别以及用户年龄对这些用户进行分类，获得不同的用户类型，再统计不同用户类型对应的入睡准备时长数据。在实际操作中，可以在用户注册之初请求用户填写上述相关数据。

S200：根据用户所属类型，获取用户不同入睡准备时长对应的概率，记录为第一概率。

根据用户所属类型即可获取在历史记录中用户对应的入睡准备时长数据，基于这些数据获取用户不同入睡准备时长对应的概率，记录为第一概率。用户不同入睡准备时长对应的概率＝当前入睡准备时长人数/参与统计的总人数。具体来说，假定与当前用户A相同类型用户与1-5号共计5个用户，该5位用户历史记录入睡准备时长分别为15分钟、20分钟、20分钟、20分钟以及30分钟，则不同入睡准备时长对应的概率分别为15分钟概率为20％、20分钟概率为60％、30分钟概率20％。在实际应用中，可以采用大量的样本统计数据，计算出第一概率，样本的数量越大，第一概率越准确。对于大量采样数据的统计可以通过大数据云平台(云服务器)进行分析处理。

S300：采用非接触方式采集用户肢体动作频率，根据用户肢体动作频率与预设入睡检测灵敏度值，获取不同时间点用户的入睡概率，记录为第二概率。

非接触方式是指在采集用户肢体动作频率过程中采集设备(仪器)不与用户接触，这样能够有效避免采集数据过程影响用户睡眠质量。用户在不同检测周期内肢体动作次数是不相同的，可以基于历史记录中动作次数与入睡情况的对应关系以及预设入睡检测灵敏度值，来获取不同时间点用户的入睡概率。具体来说，预设入睡检测灵敏度值是用于表征用户肢体动作频率与用户是否入睡之间对应关系的一个数值，该数据可以基于历史经验数据，进行有限次数分析而得到。当入睡检测灵敏度值越大时，表明在其他参数不变化情况下，判定用户进入入睡状态所需用户肢体动作频率小于预设阈值的次数越少，或预设阈值越大，即简单来说，越容易判定用户已经进入睡眠状态；当入睡检测灵敏度值越小时，表明在其他参数不变化情况下，判定用户进入入睡状态所需用户肢体动作频率小于预设阈值的次数越多，或预设阈值越小，即简单来说，越难判定用户已经进入睡眠状态。在实际操作中，可以对采集的用户肢体动作频率进行统计函数处理，并基于大数据历史分析，获得用户肢体动作频率与用户入睡状态之间的关联关系，并基于预设入睡检测灵敏度值进行调整(可以理解为一个训练过程)，获取不同时间点用户的入睡概率，记录为第二概率。

S400：当某一时间点对应的第二概率大于或等于第一概率时，判定用户在该时间点入睡。

当某一个时间点基于用户肢体动作频率获得的第二概率大于或等于第一概率时，表明此时用户在当前时间点入睡概率可能性非常大，判定用户在该时间点入睡。在实际操作中，选择第一次出现第二概率大于或等于第一概率的时间点为用户入睡时间点。

本发明入睡检测方法，识别用户所属类型，根据用户所属类型获取用户不同入睡准备时长对应的概率，记录为第一概率，采用非接触方式采集用户肢体动作频率，根据用户肢体动作频率与预设入睡检测灵敏度值，获取不同时间点用户的入睡概率为第二概率，当某一时间点对应的第二概率大于或等于第一概率时，判定用户在该时间点入睡。整个过程中，采用非接触方式采集用户肢体动作频率，再基于用户肢体动作频率与预设入睡检测灵敏度值以及用户不同入睡准备时长对应的概率，判定用户是否入睡，这样一方面能够准确检测到用户入睡，另一方面采用非接触方式采集数据，避免采集设备影响用户睡眠质量。

为更进一步详细解释本发明入睡检测方法的技术方案，下面将采用具体应用实例详细说明整个技术方案及其来的效果。

假定1-10分钟内，每2分钟统计一次用户A肢体动作频率(次/分钟)，得出如下表1所示数据。

表1为某一应用场景下对A用户进行入睡检测获取的相关数据

在上述表1所示的数据中，第一概率是识别A用户所属用户类别，并基于历史大数据分析，A用户所属类别在不同时间点入睡的概率。肢体动作频率是基于非接触采集获得在单个检测周期内(2分钟)平均每分钟产生肢体动作的频率。第二概率是基于肢体动作频率、历史数据中肢体动作频率与入睡概率对应关系以及预设入睡检测灵敏度值最终计算获得的数值。在上述表格1中第一次出现第二概率大于第一概率的时间点为8分钟，即判定用户在第8分钟进入睡眠状态，此时关闭用户睡前开启的灯光和/或声音，例如关闭灯或关闭电视机以及音响等。需要指出的是，在实际操作中，数据复杂程度远大于上述情况，为了获取更加精准的数据，我们可以缩小每个采样的周期，例如每10秒作为一次采样周期，并对采样获得的多普勒数据进行一系列统计函数处理。

如图2所示，在其中一个实施例中，步骤S300包括：

S320：设置并调节多普勒器件，以使多普勒器件能够检测用户的肢体动作。

多普勒效应是指物体辐射的波长因为光源和观测者的相对运动而产生变化，在运动的波源前面，波被压缩，波长变得较短，频率变得较高，在运动的波源后面，产生相反的效应，波长变得较长，频率变得较低，波源的速度越高，所产生的效应越大，根据光波红/蓝移的程度，可以计算出波源循着观测方向运动的速度，恒星光谱线的位移显示恒星循着观测方向运动的速度，这种现象称为多普勒效应。多普勒器件是利用多普勒效应制作而成的设备。调整多普勒器件的灵敏度，使得其在人体的活动范围内，非必要的，可以是调整使其输出值是0到1.0。

S340：通过灵敏度调整后的多普勒器件采集用户肢体动作频率，获得多普勒数据。

采用多普勒器件能够采用非接触方式准确采集用户肢体动作频率，获得多普勒数据。

S360：对多普勒数据使用统计函数处理并结合预设入睡检测灵敏度值，获取不同时间点用户入睡概率，记录为第二概率。

对步骤S340采集的到的多普勒数据进行统计函数处理，结合预设入睡检测灵敏度值以及历史经验数据分析获得的肢体动作频率与入睡情况之间对应关系获得不同时间点用户入睡概率，记录为第二概率。具体来说，上述统计函数处理包括对多普勒数据进行正态分布的最大似然统计处理，或进行二项分布的概率的最大似然统计处理。非必要的，还可以采用其它改进的统计方法进行统计函数处理。

如图2所示，在其中一个实施例中，步骤S400之后还包括：

S500：获取用户输入的期望入睡准备时长和检测到的用户入睡准备时长。

用户输入的期望入睡准备时长即用户觉得自己能够在多少分钟之后入睡，例如用户当前在开灯看书准备入睡，用户感觉自己能够在10分钟之内睡着，此时用户输入的期望入睡准备时长为10分钟。执行步骤S100至S400之后可以得到检测到的用户入睡准备时长。

S600：根据检测到的用户入睡准备时长与期望入睡准备时长，调整预设入睡检测灵敏度值。

根据检测到的用户入睡准备时长与用户期望入睡准备时长，对预设入睡检测灵敏度值，以使调整之后的预设入睡检测灵敏度值能够更符合用户特殊情况需求，整个入睡检测方法给用户带来良好的体验与便捷操作。具体来说，当检测到的用户入睡准备时长小于期望入睡准备时长时，减小预设入睡检测灵敏度值。下面将举例说明，假定用户当前正在开灯看书，基于习惯和经验用户感觉自己能够在10分钟之内睡着，此时用户输入的期望入睡准备时长为10分钟，执行步骤S100至S400之后，检测到用户入睡准备时长为8分钟，即在8分钟时检测到用户已入睡，关闭掉灯光，这样显然会影响用户正常操作，对此需要降低步骤S300中预设入睡检测灵敏度值，即提高入睡判定门槛，在更加严苛的条件下才判定用户已经进入睡眠状态。在将调整之后的预设入睡检测灵敏度值应用于下一次针对相同用户的入睡检测，这样经过有限次数的调整(磨合)，最终入睡检测方法能够更加适用于用户特殊要求的应用场景，给用户生活带来巨大便捷。

如图3所示，一种入睡检测系统，包括：

识别模块100，用于根据用户特征参数，识别用户所属类型，用户特征参数包括用户所处位置、用户性别以及用户年龄。

第一计算模块200，用于根据用户所属类型，获取用户不同入睡准备时长对应的概率，记录为第一概率。

第二计算模块300，用于采用非接触方式采集用户肢体动作频率，根据用户肢体动作频率与预设入睡检测灵敏度值，获取不同时间点用户的入睡概率，记录为第二概率。

入睡判定模块400，用于当某一时间点对应的第二概率大于或等于第一概率时，判定用户在该时间点入睡。

本发明入睡检测系统，识别模块100识别用户所属类型，第一计算模块200根据用户所属类型获取用户不同入睡准备时长对应的概率，记录为第一概率，第二计算模块300采用非接触方式采集用户肢体动作频率，根据用户肢体动作频率与预设入睡检测灵敏度值，获取不同时间点用户的入睡概率为第二概率，当某一时间点对应的第二概率大于或等于第一概率时，入睡判定模块400判定用户在该时间点入睡。整个过程中，采用非接触方式采集用户肢体动作频率，再基于用户肢体动作频率与预设入睡检测灵敏度值以及用户不同入睡准备时长对应的概率，判定用户是否入睡，这样一方面能够准确检测到用户入睡，另一方面采用非接触方式采集数据，避免采集设备影响用户睡眠质量。

如图4所示，在其中一个实施例中，第二计算模块300包括：

调节单元320，用于设置并调节多普勒器件，以使多普勒器件能够检测用户的肢体动作。

多普勒数据获取单元340，用于通过灵敏度调整后的多普勒器件采集用户肢体动作频率，获得多普勒数据。

计算单元360，用于对多普勒数据使用统计函数处理并结合预设入睡检测灵敏度值，获取不同时间点用户入睡概率，记录为第二概率。

在其中一个实施例中，计算单元360具体对多普勒数据进行正态分布的最大似然统计处理，或进行二项分布的概率的最大似然统计处理。

非必要的，计算单元360还可以采用其它改进的统计处理方式对多普勒数据进行处理。

如图4所示，在其中一个实施例中，入睡检测系统还包括：

获取模块500，用于获取用户输入的期望入睡准备时长和检测到的用户入睡准备时长。

调整模块600，用于根据检测到的用户入睡准备时长与期望入睡准备时长，调整预设入睡检测灵敏度值。

在其中一个实施例中，调整模块600用于当检测到的用户入睡准备时长小于期望入睡准备时长时，减小预设入睡检测灵敏度值。

以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种入睡检测方法，其特征在于，包括步骤：

根据用户特征参数，识别用户所属类型，所述用户特征参数包括用户所处位置、用户性别以及用户年龄；

根据所述用户所属类型，获取用户不同入睡准备时长对应的概率，记录为第一概率；

采用非接触方式采集用户肢体动作频率，根据用户肢体动作频率与预设入睡检测灵敏度值，获取不同入睡准备时长所述用户的入睡概率，记录为第二概率；

当某一时间点对应的所述第二概率大于或等于所述第一概率时，判定用户在该时间点入睡。

2.根据权利要求1所述的入睡检测方法，其特征在于，所述采用非接触方式采集用户肢体动作频率，根据用户肢体动作频率与预设入睡检测灵敏度值，获取不同时间点所述用户的入睡概率，记录为第二概率的步骤包括：

设置并调节多普勒器件，以使多普勒器件能够检测用户的肢体动作；

通过灵敏度调整后的多普勒器件采集用户肢体动作频率，获得多普勒数据；

对所述多普勒数据使用统计函数处理并结合所述预设入睡检测灵敏度值，获取不同时间点用户入睡概率，记录为第二概率。

3.根据权利要求2所述的睡检测方法，其特征在于，所述对所述多普勒数据使用统计函数处理的步骤包括：

对所述多普勒数据进行正态分布的最大似然统计处理，或进行二项分布的概率的最大似然统计处理。

4.根据权利要求1所述的入睡检测方法，其特征在于，所述当某一时间点对应的所述第二概率大于或等于所述第一概率时，判定用户在该时间点入睡的步骤之后还包括：

获取用户输入的期望入睡准备时长和检测到的用户入睡准备时长；

根据所述检测到的用户入睡准备时长与所述期望入睡准备时长，调整所述预设入睡检测灵敏度值。

5.根据权利要求4所述的入睡检测方法，其特征在于，所述根据所述检测到的用户入睡准备时长与所述期望入睡准备时长，调整所述预设入睡检测灵敏度值的步骤包括：

当所述检测到的用户入睡准备时长小于所述期望入睡准备时长时，减小预设入睡检测灵敏度值。

6.一种入睡检测系统，其特征在于，包括：

识别模块，用于根据用户特征参数，识别用户所属类型，所述用户特征参数包括用户所处位置、用户性别以及用户年龄；

第一计算模块，用于根据所述用户所属类型，获取用户不同入睡准备时长对应的概率，记录为第一概率；

第二计算模块，用于采用非接触方式采集用户肢体动作频率，根据用户肢体动作频率与预设入睡检测灵敏度值，获取不同入睡准备时长所述用户的入睡概率，记录为第二概率；

入睡判定模块，用于当某一时间点对应的所述第二概率大于或等于所述第一概率时，判定用户在该时间点入睡。

7.根据权利要求6所述的入睡检测系统，其特征在于，所述第二计算模块包括：

调节单元，用于设置并调节多普勒器件，以使多普勒器件能够检测用户的肢体动作；

多普勒数据获取单元，用于通过灵敏度调整后的多普勒器件采集用户肢体动作频率，获得多普勒数据；

计算单元，用于对所述多普勒数据使用统计函数处理并结合所述预设入睡检测灵敏度值，获取不同时间点用户入睡概率，记录为第二概率。

8.根据权利要求7所述的睡检测系统，其特征在于，所述计算单元具体对所述多普勒数据进行正态分布的最大似然统计处理，或进行二项分布的概率的最大似然统计处理。

9.根据权利要求6所述的入睡检测系统，其特征在于，还包括：

获取模块，用于获取用户输入的期望入睡准备时长和检测到的用户入睡准备时长；

调整模块，用于根据所述检测到的用户入睡准备时长与所述期望入睡准备时长，调整所述预设入睡检测灵敏度值。

10.根据权利要求9所述的入睡检测系统，其特征在于，所述调整模块用于当所述检测到的用户入睡准备时长小于所述期望入睡准备时长时，减小预设入睡检测灵敏度值。