CN106419893A - 睡眠状态检测方法和装置 - Google Patents
睡眠状态检测方法和装置 Download PDFInfo
- Publication number
- CN106419893A CN106419893A CN201610831455.7A CN201610831455A CN106419893A CN 106419893 A CN106419893 A CN 106419893A CN 201610831455 A CN201610831455 A CN 201610831455A CN 106419893 A CN106419893 A CN 106419893A
- Authority
- CN
- China
- Prior art keywords
- sleep state
- neural network
- deep neural
- probability
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
-
- 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
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- 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
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4815—Sleep quality
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Abstract
本发明公开了一种睡眠状态检测方法和装置。所述睡眠状态检测方法包括:获取用户在睡眠时的在预设时间段内的生物电信号;从所述生物电信号中提取至少一个信号特征;根据所述至少一个信号特征和为各个睡眠状态预先配置的深度神经网络模型,获得所述深度神经网络模型所对应的深度神经网络中的输出层中的各个结点的结点值,并根据所有所述结点值,获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率;获得所述概率中的最大概率,并将所述用户在所述预设时间段内的睡眠状态确定为所述各个睡眠状态中的与所述最大概率所对应的睡眠状态。采用本发明,能够提高对睡眠状态进行检测的精确度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种睡眠状态检测方法和装置。
背景技术
人的睡眠状态可以分为觉醒期、非快速眼动睡眠期(又分为1、2、3、4期)、快速眼动睡眠期。以医疗助眠领域为例,通过检测人的睡眠状态,并根据检测到的当前的睡眠状态向其推荐相应的助眠音乐,从而改善或者促进人的睡眠质量。现有的检测人的睡眠状态的方法大多通过检测脑电信号来实现的。现有的基于脑电信号的睡眠状态检测的方法是通过采用时频域分析与非线性动力学分析方法提取脑电信号中具有代表性的特征参数,并根据这些具有代表性的特征参数获得睡眠深度模型,从而根据该睡眠深度模型对睡眠状态进行检测来实现的。由于该睡眠深度模型是一种简单的二次多项式模型,因此与现实情况的拟合度低,容易出现监测结果不准确的问题。
发明内容
本发明提出一种睡眠状态检测方法和装置,能够提高对睡眠状态进行检测的精确度。
本发明提供的一种睡眠状态检测方法,具体包括:
获取用户在睡眠时的在预设时间段内的生物电信号;
从所述生物电信号中提取至少一个信号特征;
根据所述至少一个信号特征和为各个睡眠状态预先配置的深度神经网络模型,获得所述深度神经网络模型所对应的深度神经网络中的输出层中的各个结点的结点值,并根据所有所述结点值,获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率;
获得所述概率中的最大概率,并将所述用户在所述预设时间段内的睡眠状态确定为所述各个睡眠状态中的与所述最大概率所对应的睡眠状态。
进一步地,所述信号特征的数量为一个;所述信号特征由至少一个特征数据组成;
则所述根据所述至少一个信号特征和为各个睡眠状态预先配置的深度神经网络模型,获得所述深度神经网络模型所对应的深度神经网络中的输出层中的各个结点的结点值,并根据所有所述结点值,获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率,具体包括:
将所述信号特征x中的各个所述特征数据代入预先配置的深度神经网络模型中,获得最终的即为所述用户在所述预设时间段内的睡眠状态分别为各个睡眠状态Si的概率;其中,为与所述深度神经网络模型相对应的深度神经网络中的一个层级中的一个结点的结点值;L为所述深度神经网络中的一个层级的层级标识;f(·)为非线性函数;为与结点值相对应的结点权重;为与结点值相对应的结点偏置项。
进一步地,所述信号特征的数量为两个或者两个以上;每个所述信号特征由至少一个特征数据组成;
则所述根据所述至少一个信号特征和为各个睡眠状态预先配置的深度神经网络模型,获得所述深度神经网络模型所对应的深度神经网络中的输出层中的各个结点的结点值,并根据所有所述结点值,获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率,具体包括:
将所述信号特征xm中的各个所述特征数据代入预先配置的深度神经网络模型中,获得最终的即为所述信号特征xm相对于各个睡眠状态Si的后验概率p(Si/xm);其中,为与所述深度神经网络模型相对应的深度神经网络中的一个层级中的一个结点的结点值;L为所述深度神经网络中的一个层级的层级标识;f(·)为非线性函数;为与结点值相对应的结点权重;为与结点值相对应的结点偏置项;
将所有后验概率p(Si/xm)以各个睡眠状态Si为单位进行合成,获得所述用户在所述预设时间段内的睡眠状态为所述各个睡眠状态的概率。
进一步地,所述生物电信号根据信号的生成时间的先后顺序划分为至少两段子生物电信号,且相邻的两段子生物电信号的生成时间部分重叠;所述信号特征与每段所述子生物电信号一一对应。
进一步地,在所述根据所述至少一个信号特征和为各个睡眠状态预先配置的深度神经网络模型,获得所述深度神经网络模型所对应的深度神经网络中的输出层中的各个结点的结点值,并根据所有所述结点值,获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率之前,还包括:
获取与各个睡眠状态Si分别相对应的训练生物电信号;
从每个所述睡眠状态Si所对应的所述训练生物电信号中提取至少一个训练信号特征;其中,所述训练信号特征与所述信号特征相同;每个所述训练信号特征由至少一个特征数据组成;
将所有所述训练信号特征代入深度神经网络模型中,并通过对所述深度神经网络模型进行反向计算,获得所述深度神经网络中的第0层级至第4层级中的各个结点的结点值所对应的结点权重和第1层级至第5层级中的各个结点的结点值所对应的结点偏置项。
相应地,本发明还提供了一种睡眠状态检测装置,具体包括:
生物电信号获取模块,用于获取用户在睡眠时的在预设时间段内的生物电信号;
信号特征提取模块,用于从所述生物电信号中提取至少一个信号特征;
概率获得模块,用于根据所述至少一个信号特征和为各个睡眠状态预先配置的深度神经网络模型,获得所述深度神经网络模型所对应的深度神经网络中的输出层中的各个结点的结点值,并根据所有所述结点值,获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率;以及,
睡眠状态确定模块,用于获得所述概率中的最大概率,并将所述用户在所述预设时间段内的睡眠状态确定为所述各个睡眠状态中的与所述最大概率所对应的睡眠状态。
进一步地,所述信号特征的数量为一个;所述信号特征由至少一个特征数据组成;
则所述概率获得模块,具体包括:
第一概率获得单元,用于将所述信号特征x中的各个所述特征数据代入预先配置的深度神经网络模型中,获得最终的即为所述用户在所述预设时间段内的睡眠状态分别为各个睡眠状态Si的概率;其中,为与所述深度神经网络模型相对应的深度神经网络中的一个层级中的一个结点的结点值;L为所述深度神经网络中的一个层级的层级标识;f(·)为非线性函数;为与结点值相对应的结点权重;为与结点值相对应的结点偏置项。
进一步地,所述信号特征的数量为两个或者两个以上;每个所述信号特征由至少一个特征数据组成;
则所述概率获得模块,具体包括:
后验概率获得单元,用于将所述信号特征xm中的各个所述特征数据代入预先配置的深度神经网络模型中,获得最终的即为所述信号特征xm相对于各个睡眠状态Si的后验概率p(Si/xm);其中,为与所述深度神经网络模型相对应的深度神经网络中的一个层级中的一个结点的结点值;L为所述深度神经网络中的一个层级的层级标识;f(·)为非线性函数;为与结点值相对应的结点权重;为与结点值相对应的结点偏置项;以及,
第二概率获得单元,用于将所有后验概率p(Si/xm)以各个睡眠状态Si为单位进行合成,获得所述用户在所述预设时间段内的睡眠状态为所述各个睡眠状态的概率。
进一步地,所述生物电信号根据信号的生成时间的先后顺序划分为至少两段子生物电信号,且相邻的两段子生物电信号的生成时间部分重叠;所述信号特征与每段所述子生物电信号一一对应。
进一步地,所述睡眠状态检测装置,还包括:
训练生物电信号获得模块,用于获取与各个睡眠状态Si分别相对应的训练生物电信号;
训练信号特征获得模块,用于从每个所述睡眠状态Si所对应的所述训练生物电信号中提取至少一个训练信号特征;其中,所述训练信号特征与所述信号特征相同;每个所述训练信号特征由至少一个特征数据组成;以及,
模型参数获得模块,用于将所有所述训练信号特征代入深度神经网络模型中,并通过对所述深度神经网络模型进行反向计算,获得所述深度神经网络中的第0层级至第4层级中的各个结点的结点值所对应的结点权重和第1层级至第5层级中的各个结点的结点值所对应的结点偏置项。
实施本发明,具有如下有益效果:
本发明提供的睡眠状态检测方法及装置,通过采用深度神经网络模型表征各个睡眠状态,即采用深度神经网络模型拟合现实中的较为复杂的数据分布情况,因此与现实情况的拟合度高,能够提高对睡眠状态进行检测的精确度。
附图说明
图1是本发明提供的睡眠状态检测方法的一个实施例的流程示意图;
图2是本发明提供的睡眠状态检测方法中的传感器获取的一段脑电信号的信号示意图;
图3是本发明提供的睡眠状态检测装置的一个实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
参见图1,是本发明提供的睡眠状态检测方法的一个实施例的流程示意图,包括步骤S11至S14,具体如下:
S11:获取用户在睡眠时的在预设时间段内的生物电信号;
S12:从所述生物电信号中提取至少一个信号特征;
S13:根据所述至少一个信号特征和为各个睡眠状态预先配置的深度神经网络模型,获得所述深度神经网络模型所对应的深度神经网络中的输出层中的各个结点的结点值,并根据所有所述结点值,获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率;
S14:获得所述概率中的最大概率,并将所述用户在所述预设时间段内的睡眠状态确定为所述各个睡眠状态中的与所述最大概率所对应的睡眠状态。
需要说明的是,本发明实施例所采用的对睡眠状态进行检测的方法主要分为两个阶段:模型训练阶段和状态检测阶段。在采用深度神经网络模型对用户的睡眠状态进行检测之前,即在模型训练阶段,预先为表征各个睡眠状态而根据用于训练模型的训练生物电信号训练出深度神经网络模型。该深度神经网络模型具有多个输出结果,分别与各个睡眠状态一一相对应。在对用户的睡眠状态进行检测时,即在状态检测阶段,在利用传感器获取生物电信号之后,将从该生物电信号中提取出来的信号特征代入训练获得的深度神经网络模型中,从而获得用户当前的睡眠状态为各个睡眠状态的概率,若概率越大,则说明用户当前的睡眠状态为该概率所对应的睡眠状态的可能性越大,因此将用户当前的睡眠状态确定为所获得的概率中的最大概率所对应的睡眠状态。需要进一步说明的是,生物电信号可以为脑电信号、心电信号或者肌电信号等。信号特征为矢量数据,该矢量数据中的元素可以为一个或者多个诸如短时能量,过零率,频谱系数等的表征信号的数据特征的数据。
在一个优选的实施方式中,在采用深度神经网络模型对用户的睡眠状态进行检测之前,预先根据用于训练模型的训练生物电信号训练出表征各个睡眠状态的深度神经网络模型。该深度神经网络模型所对应的深度神经网络的输出层(即第5层级)具有多个结点,即该深度神经网络模型具有多个输出结果,分别与各个睡眠状态一一相对应,分别表示输入到该深度神经网络模型中的信号特征所对应的生物电信号所对应的睡眠状态为各个睡眠状态的概率。在对某一预设时间段内的用户的睡眠状态进行检测时,首先通过传感器获取用户在该预设时间段内的生物电信号。随后,从所获取的生物电信号中提取至少一个信号特征,并将所提取的信号特征代入训练获得的深度神经网络模型中,通过对代入信号特征后的深度神经网络模型进行计算,从而获得该深度神经网络模型所对应的深度神经网络中的输出层中的各个结点的结点值,并根据这些结点的结点值,获得用户在该预设时间段内的睡眠状态分别为各个睡眠状态的概率。最后,将用户在该预设时间段内的睡眠状态确定为所获得的概率中的最大概率所对应的睡眠状态。
例如,人的睡眠状态主要分为觉醒期、非快速眼动睡眠期和快速眼动睡眠期,将觉醒期标记为S0,非快速眼动睡眠期标记为S1,快速眼动睡眠期标记为S2。假设在本例中通过检测用户的脑电信号对用户的睡眠状态进行检测。在采用深度神经网络模型对用户的睡眠状态进行检测之前,预先根据训练脑电信号训练出表征各个睡眠状态的深度神经网络模型。在对用户在某一时间段内的睡眠状态进行检测时,通过传感器采集用户在该时间段内的脑电信号,并提取其中的特征,从而获得至少一个信号特征X。随后,将信号特征X代入深度神经网络模型中,通过对代入信号特征X后的深度神经网络模型进行计算,从而获得该深度神经网络模型所对应的深度神经网络中的输出层(即第5层级)中的各个结点的结点值和并根据和获得概率p0、p1和p2。最后,获得p0、p1和p2中的最大概率,若该最大概率为p0,则将用户在该时间段内的睡眠状态设置为S0,若该最大概率为p1,则将用户在该时间段内的睡眠状态设置为S1,若该最大概率为p2,则将用户在该时间段内的睡眠状态设置为S2。
本实施例通过采用深度神经网络模型表征各个睡眠状态,即采用深度神经网络模型拟合现实中的较为复杂的数据分布情况,因此与现实情况的拟合度高,能够提高对睡眠状态进行检测的精确度。
进一步地,所述信号特征的数量为一个;所述信号特征由至少一个特征数据组成;
则所述根据所述至少一个信号特征和为各个睡眠状态预先配置的深度神经网络模型,获得所述深度神经网络模型所对应的深度神经网络中的输出层中的各个结点的结点值,并根据所有所述结点值,获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率,具体包括:
将所述信号特征x中的各个所述特征数据代入预先配置的深度神经网络模型中,获得最终的即为所述用户在所述预设时间段内的睡眠状态分别为各个睡眠状态Si的概率;其中,为与所述深度神经网络模型相对应的深度神经网络中的一个层级中的一个结点的结点值;L为所述深度神经网络中的一个层级的层级标识;f(·)为非线性函数;为与结点值相对应的结点权重;为与结点值相对应的结点偏置项。
需要说明的是,当从生物电信号中提取的信号特征为一个时,则将该信号特征x代入训练获得的表征各个睡眠状态Si的深度神经网络模型中,并通过对代入信号特征x后的深度神经网络模型进行前向计算,获得最终的从而获得该信号特征x相对于各个睡眠状态Si的后验概率p(Si/x),该后验概率p(Si/x)即为该用户在当前时间段内的睡眠状态分别为各个睡眠状态Si的概率。其中,为与深度神经网络模型相对应的深度神经网络中的一个层级中的一个结点的结点值,通过对该深度神经网络中的上一层级中的所有结点进行加权求和并根据本层级所对应的非线性函数计算获得。该深度神经网络共有6个层级,其中,第0层级为输入层,第1层级至第4层级为隐含层,第5层级为输出层。的初始值设置为信号特征,即深度神经网络中的输入层(第0层级)中的各个结点的结点值分别对应设置为信号特征中的各个特征数据。L为深度神经网络中的一个层级的层级标识。f(·)为非线性函数,当0≤L≤3时,当L=4时, 为与结点值相对应的的结点权重,通过对深度神经网络模型进行反向计算获得。为与结点值相对应的结点偏置项,通过对深度神经网络模型进行反向计算获得。
例如,人的睡眠状态主要分为觉醒期、非快速眼动睡眠期和快速眼动睡眠期,将觉醒期标记为S0,非快速眼动睡眠期标记为S1,快速眼动睡眠期标记为S2。假设在本例中通过检测用户的脑电信号对用户的睡眠状态进行检测。在采用深度神经网络模型对用户的睡眠状态进行检测之前,预先根据训练脑电信号训练出表征各个睡眠状态的深度神经网络模型。在对用户在某一时间段内的睡眠状态进行检测时,通过传感器采集用户在该时间段内的脑电信号,并提取其中的特征,若所提取的信号特征的数量为1个,则获得信号特征x。随后,将该信号特征x代入深度神经网络模型中,从而获得概率p0、p1和p2。最后,获得p0、p1和p2中的最大概率,若该最大概率为p0,则将用户在该时间段内的睡眠状态设置为S0,若该最大概率为p1,则将用户在该时间段内的睡眠状态设置为S1,若该最大概率为p2,则将用户在该时间段内的睡眠状态设置为S2。
在另一个优选地实施方式中,所述信号特征的数量为两个或者两个以上;每个所述信号特征由至少一个特征数据组成;
则所述根据所述至少一个信号特征和为各个睡眠状态预先配置的深度神经网络模型,获得所述深度神经网络模型所对应的深度神经网络中的输出层中的各个结点的结点值,并根据所有所述结点值,获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率,具体包括:
将所述信号特征xm中的各个所述特征数据代入预先配置的深度神经网络模型中,获得最终的即为所述信号特征xm相对于各个睡眠状态Si的后验概率p(Si/xm);其中,为与所述深度神经网络模型相对应的深度神经网络中的一个层级中的一个结点的结点值;L为所述深度神经网络中的一个层级的层级标识;f(·)为非线性函数;为与结点值相对应的结点权重;为与结点值相对应的结点偏置项;
将所有后验概率p(Si/xm)以各个睡眠状态Si为单位进行合成,获得所述用户在所述预设时间段内的睡眠状态为所述各个睡眠状态的概率。
需要说明的是,当从生物电信号中提取的信号特征为两个或者两个以上时,则将每个信号特征xm依次代入训练获得的表征各个睡眠状态Si的深度神经网络模型中,并通过对代入信号特征xm后的深度神经网络模型进行前向计算,获得最终的从而获得每个信号特征xm相对于各个睡眠状态Si的后验概率p(Si/xm)。其中,为与深度神经网络模型相对应的深度神经网络中的一个层级中的一个结点的结点值,通过对该深度神经网络中的上一层级中的所有结点进行加权求和并根据本层级所对应的非线性函数计算获得。该深度神经网络共有6个层级,其中,第0层级为输入层,第1层级至第4层级为隐含层,第5层级为输出层。的初始值设置为信号特征,即深度神经网络中的输入层(第0层级)中的各个结点的结点值分别对应设置为信号特征中的各个特征数据。L为深度神经网络中的一个层级的层级标识。f(·)为非线性函数,当0≤L≤3时,当L=4时, 为与结点值相对应的的结点权重,通过对深度神经网络模型进行反向计算获得。为与结点值相对应的结点偏置项,通过对深度神经网络模型进行反向计算获得。
随后,将所获得的后验概率p(Si/xm)以各个睡眠状态Si为单位进行合成,从而获得用户在当前时间段内的睡眠状态分别为各个睡眠状态Si的概率。其中,合成的方法可以为加和或者乘积等。
例如,人的睡眠状态主要分为觉醒期、非快速眼动睡眠期和快速眼动睡眠期,将觉醒期标记为S0,非快速眼动睡眠期标记为S1,快速眼动睡眠期标记为S2。假设在本例中通过检测用户的脑电信号对用户的睡眠状态进行检测。在采用深度神经网络模型对用户的睡眠状态进行检测之前,预先根据训练脑电信号训练出表征各个睡眠状态的深度神经网络模型。在对用户在某一时间段内的睡眠状态进行检测时,通过传感器采集用户在该时间段内的脑电信号,并提取其中的特征,若所提取的信号特征的数量为4个,则获得信号特征x0、x1、x2和x3。随后,将信号特征x0代入深度神经网络模型中,获得概率p00、p01和p02,将信号特征x1代入深度神经网络模型中,获得概率p10、p11和p12,将信号特征x2代入深度神经网络模型中,获得概率p20、p21和p22,并将信号特征x3代入深度神经网络模型中,获得概率p30、p31和p32,最后,将p00、p10、p20和p30进行连乘获得概率p0,将p10、p11、p12和p13进行连乘获得概率p1,将p20、p21、p22和p23进行连乘获得概率p2,并获得p0、p1和p2中的最大概率,若该最大概率为p0,则将用户在该时间段内的睡眠状态设置为S0,若该最大概率为p1,则将用户在该时间段内的睡眠状态设置为S1,若该最大概率为p2,则将用户在该时间段内的睡眠状态设置为S2。
本实施例通过从同一生物电信号中提取多个信号特征进行睡眠状态的检测,从而全面地对生物电信号的特征进行分析,因此能够进一步提高对睡眠状态进行检测的精确度。
进一步地,所述生物电信号根据信号的生成时间的先后顺序划分为至少两段子生物电信号,且相邻的两段子生物电信号的生成时间部分重叠;所述信号特征与每段所述子生物电信号一一对应。
需要说明的是,在对生物电信号进行特征提取之前还可以对生物电信号进行细分化,即将生物电信号按生成时间的先后顺序划分为至少两段子生物电信号。随后,提取每段子生物电信号的特征,分别对应生成一个信号特征。需要进一步说明的是,子生物电信号与子生物电信号的生成时间之间有部分重叠。
例如,如图2所示,为传感器获取的一段脑电信号的信号示意图。将该脑电信号标记为O=[o0,o1,o2,o3,o4,o5,o6],其中,o0、o1、o2、o3、o4、o5和o6为按生成时间的先后顺序排列的每一时刻的脑电信号。在提取该脑电信号O的特征之前,将该脑电信号划分为3个子脑电信号,分别为O0=[o0,o1,o2]、O1=[o2,o3,o4]和O2=[o4,o5,o6],随后,分别提取子脑电信号O0、O1和O2的特征,从而分别对应生成信号特征x0、x1和x2。
由于子生物电信号与子生物电信号的生成时间有部分重叠,能够提高特征提取的准确度,进而进一步提高对睡眠状态进行检测的精确度。此外,需要说明的是,相邻的子生物电信号的重叠时间可以相等,也可以不等,本发明不做具体限定。
进一步地,在所述根据所述至少一个信号特征和为各个睡眠状态预先配置的深度神经网络模型,获得所述深度神经网络模型所对应的深度神经网络中的输出层中的各个结点的结点值,并根据所有所述结点值,获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率之前,还包括:
获取与各个睡眠状态Si分别相对应的训练生物电信号;
从每个所述睡眠状态Si所对应的所述训练生物电信号中提取至少一个训练信号特征;其中,所述训练信号特征与所述信号特征相同;每个所述训练信号特征由至少一个特征数据组成;
将所有所述训练信号特征代入深度神经网络模型中,并通过对所述深度神经网络模型进行反向计算,获得所述深度神经网络中的第0层级至第4层级中的各个结点的结点值所对应的结点权重和第1层级至第5层级中的各个结点的结点值所对应的结点偏置项。
需要说明的是,在采用深度神经网络模型计算用户在某一时间段内的睡眠状态分别为各个睡眠状态的概率之前,需要训练出该深度神经网络模型中的参数,即该深度神经网络模型所对应的深度神经网络中的第0层级至第4层级中的各个结点的结点值所对应的结点权重和第1层级至第5层级中的各个结点的结点值所对应的结点偏置项。在对深度神经网络模型中的参数进行训练时,首先通过传感器采集与各个睡眠状态Si分别相对应的训练生物电信号,并从每个睡眠状态Si所对应的训练生物电信号中提取至少一个训练信号特征。每个训练信号特征由至少一个特征数据组成。随后,将深度神经网络中的输入层(第0层级)中的各个结点的结点值分别对应设置为所有获得的训练信号特征中的各个特征数据,即将所有训练信号特征代入到深度神经网络模型中。最后,通过对代入训练信号特征后的深度神经网络模型进行反向计算,获得深度神经网络中的第0层级至第4层级中的各个结点的结点值所对应的结点权重和第1层级至第5层级中的各个结点的结点值所对应的结点偏置项。需要进一步说明的是,在该模型训练阶段中所提取的训练信号特征中的特征数据的类型必须与在状态检测阶段中所提取的信号特征中的特征数据的类型相一致。对深度神经网络模型进行反向计算的过程可以通过采用反向误差传播技术实现。
本发明实施例提供的睡眠状态检测方法,通过采用深度神经网络模型表征各个睡眠状态,即采用深度神经网络模型拟合现实中的较为复杂的数据分布情况,因此与现实情况的拟合度高,能够提高对睡眠状态进行检测的精确度。通过从同一生物电信号中提取多个信号特征进行睡眠状态的检测,从而全面地对生物电信号的特征进行分析,因此能够进一步提高对睡眠状态进行检测的精确度。另外,由于子生物电信号与子生物电信号的生成时间有部分重叠,能够提高特征提取的准确度,进而进一步提高对睡眠状态进行检测的精确度。
相应地,本发明还提供一种睡眠状态检测装置,能够实现上述实施例中的睡眠状态检测方法的所有流程。
参见图3,是本发明提供的睡眠状态检测装置的一个实施例的结构示意图,具体如下:
生物电信号获取模块31,用于获取用户在睡眠时的在预设时间段内的生物电信号;
信号特征提取模块32,用于从所述生物电信号中提取至少一个信号特征;
概率获得模块33,用于根据所述至少一个信号特征和为各个睡眠状态预先配置的深度神经网络模型,获得所述深度神经网络模型所对应的深度神经网络中的输出层中的各个结点的结点值,并根据所有所述结点值,获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率;以及,
睡眠状态确定模块34,用于获得所述概率中的最大概率,并将所述用户在所述预设时间段内的睡眠状态确定为所述各个睡眠状态中的与所述最大概率所对应的睡眠状态。
进一步地,所述信号特征的数量为一个;所述信号特征由至少一个特征数据组成;
则所述概率获得模块33,具体包括:
第一概率获得单元,用于将所述信号特征x中的各个所述特征数据代入预先配置的深度神经网络模型中,获得最终的即为所述用户在所述预设时间段内的睡眠状态分别为各个睡眠状态Si的概率;其中,为与所述深度神经网络模型相对应的深度神经网络中的一个层级中的一个结点的结点值;L为所述深度神经网络中的一个层级的层级标识;f(·)为非线性函数;为与结点值相对应的结点权重;为与结点值相对应的结点偏置项。
在另一个优选地实施方式中,所述信号特征的数量为两个或者两个以上;每个所述信号特征由至少一个特征数据组成;
则所述概率获得模块33,具体包括:
后验概率获得单元,用于将所述信号特征xm中的各个所述特征数据代入预先配置的深度神经网络模型中,获得最终的即为所述信号特征xm相对于各个睡眠状态Si的后验概率p(Si/xm);其中,为与所述深度神经网络模型相对应的深度神经网络中的一个层级中的一个结点的结点值;L为所述深度神经网络中的一个层级的层级标识;f(·)为非线性函数;为与结点值相对应的结点权重;为与结点值相对应的结点偏置项;以及,
第二概率获得单元,用于将所有后验概率p(Si/xm)以各个睡眠状态Si为单位进行合成,获得所述用户在所述预设时间段内的睡眠状态为所述各个睡眠状态的概率。
进一步地,所述生物电信号根据信号的生成时间的先后顺序划分为至少两段子生物电信号,且相邻的两段子生物电信号的生成时间部分重叠;所述信号特征与每段所述子生物电信号一一对应。
进一步地,所述睡眠状态检测装置,还包括:
训练生物电信号获得模块,用于获取与各个睡眠状态Si分别相对应的训练生物电信号;
训练信号特征获得模块,用于从每个所述睡眠状态Si所对应的所述训练生物电信号中提取至少一个训练信号特征;其中,所述训练信号特征与所述信号特征相同;每个所述训练信号特征由至少一个特征数据组成;以及,
模型参数获得模块,用于将所有所述训练信号特征代入深度神经网络模型中,并通过对所述深度神经网络模型进行反向计算,获得所述深度神经网络中的第0层级至第4层级中的各个结点的结点值所对应的结点权重和第1层级至第5层级中的各个结点的结点值所对应的结点偏置项。
本发明实施例提供的睡眠状态检测装置,通过采用深度神经网络模型表征各个睡眠状态,即采用深度神经网络模型拟合现实中的较为复杂的数据分布情况,因此与现实情况的拟合度高,能够提高对睡眠状态进行检测的精确度。通过从同一生物电信号中提取多个信号特征进行睡眠状态的检测,从而全面地对生物电信号的特征进行分析,因此能够进一步提高对睡眠状态进行检测的精确度。另外,由于子生物电信号与子生物电信号的生成时间有部分重叠,能够提高特征提取的准确度,进而进一步提高对睡眠状态进行检测的精确度。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种睡眠状态检测方法,其特征在于,包括:
获取用户在睡眠时的在预设时间段内的生物电信号;
从所述生物电信号中提取至少一个信号特征;
根据所述至少一个信号特征和为各个睡眠状态预先配置的深度神经网络模型,获得所述深度神经网络模型所对应的深度神经网络中的输出层中的各个结点的结点值,并根据所有所述结点值,获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率;
获得所述概率中的最大概率,并将所述用户在所述预设时间段内的睡眠状态确定为所述各个睡眠状态中的与所述最大概率所对应的睡眠状态。
2.如权利要求1所述的睡眠状态检测方法,其特征在于,所述信号特征的数量为一个;所述信号特征由至少一个特征数据组成;
则所述根据所述至少一个信号特征和为各个睡眠状态预先配置的深度神经网络模型,获得所述深度神经网络模型所对应的深度神经网络中的输出层中的各个结点的结点值,并根据所有所述结点值,获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率,具体包括:
将所述信号特征x中的各个所述特征数据代入预先配置的深度神经网络模型中,获得最终的即为所述用户在所述预设时间段内的睡眠状态分别为各个睡眠状态Si的概率;其中,为与所述深度神经网络模型相对应的深度神经网络中的一个层级中的一个结点的结点值;L为所述深度神经网络中的一个层级的层级标识;f(·)为非线性函数;为与结点值相对应的结点权重;为与结点值相对应的结点偏置项。
3.如权利要求1所述的睡眠状态检测方法,其特征在于,所述信号特征的数量为两个或者两个以上;每个所述信号特征由至少一个特征数据组成;
则所述根据所述至少一个信号特征和为各个睡眠状态预先配置的深度神经网络模型,获得所述深度神经网络模型所对应的深度神经网络中的输出层中的各个结点的结点值,并根据所有所述结点值,获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率,具体包括:
将所述信号特征xm中的各个所述特征数据代入预先配置的深度神经网络模型中,获得最终的即为所述信号特征xm相对于各个睡眠状态Si的后验概率p(Si/xm);其中,为与所述深度神经网络模型相对应的深度神经网络中的一个层级中的一个结点的结点值;L为所述深度神经网络中的一个层级的层级标识;f(·)为非线性函数;为与结点值相对应的结点权重;为与结点值相对应的结点偏置项;
将所有后验概率p(Si/xm)以各个睡眠状态Si为单位进行合成,获得所述用户在所述预设时间段内的睡眠状态为所述各个睡眠状态的概率。
4.如权利要求3所述的睡眠状态检测方法,其特征在于,所述生物电信号根据信号的生成时间的先后顺序划分为至少两段子生物电信号,且相邻的两段子生物电信号的生成时间部分重叠;所述信号特征与每段所述子生物电信号一一对应。
5.如权利要求2或3所述的睡眠状态检测方法,其特征在于,在所述根据所述至少一个信号特征和为各个睡眠状态预先配置的深度神经网络模型,获得所述深度神经网络模型所对应的深度神经网络中的输出层中的各个结点的结点值,并根据所有所述结点值,获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率之前,还包括:
获取与各个睡眠状态Si分别相对应的训练生物电信号;
从每个所述睡眠状态Si所对应的所述训练生物电信号中提取至少一个训练信号特征;其中,所述训练信号特征与所述信号特征相同;每个所述训练信号特征由至少一个特征数据组成;
将所有所述训练信号特征代入深度神经网络模型中,并通过对所述深度神经网络模型进行反向计算,获得所述深度神经网络中的第0层级至第4层级中的各个结点的结点值所对应的结点权重和第1层级至第5层级中的各个结点的结点值所对应的结点偏置项。
6.一种睡眠状态检测装置,其特征在于,包括:
生物电信号获取模块,用于获取用户在睡眠时的在预设时间段内的生物电信号;
信号特征提取模块,用于从所述生物电信号中提取至少一个信号特征;
概率获得模块,用于根据所述至少一个信号特征和为各个睡眠状态预先配置的深度神经网络模型,获得所述深度神经网络模型所对应的深度神经网络中的输出层中的各个结点的结点值,并根据所有所述结点值,获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率;以及,
睡眠状态确定模块,用于获得所述概率中的最大概率,并将所述用户在所述预设时间段内的睡眠状态确定为所述各个睡眠状态中的与所述最大概率所对应的睡眠状态。
7.如权利要求6所述的睡眠状态检测装置,其特征在于,所述信号特征的数量为一个;所述信号特征由至少一个特征数据组成;
则所述概率获得模块,具体包括:
第一概率获得单元,用于将所述信号特征x中的各个所述特征数据代入预先配置的深度神经网络模型中,获得最终的即为所述用户在所述预设时间段内的睡眠状态分别为各个睡眠状态Si的概率;其中,为与所述深度神经网络模型相对应的深度神经网络中的一个层级中的一个结点的结点值;L为所述深度神经网络中的一个层级的层级标识;f(·)为非线性函数;为与结点值相对应的结点权重;为与结点值相对应的结点偏置项。
8.如权利要求6所述的睡眠状态检测装置,其特征在于,所述信号特征的数量为两个或者两个以上;每个所述信号特征由至少一个特征数据组成;
则所述概率获得模块,具体包括:
后验概率获得单元,用于将所述信号特征xm中的各个所述特征数据代入预先配置的深度神经网络模型中,获得最终的即为所述信号特征xm相对于各个睡眠状态Si的后验概率p(Si/xm);其中,为与所述深度神经网络模型相对应的深度神经网络中的一个层级中的一个结点的结点值;L为所述深度神经网络中的一个层级的层级标识;f(·)为非线性函数;为与结点值相对应的结点权重;为与结点值相对应的结点偏置项;以及,
第二概率获得单元,用于将所有后验概率p(Si/xm)以各个睡眠状态Si为单位进行合成,获得所述用户在所述预设时间段内的睡眠状态为所述各个睡眠状态的概率。
9.如权利要求8所述的睡眠状态检测装置,其特征在于,所述生物电信号根据信号的生成时间的先后顺序划分为至少两段子生物电信号,且相邻的两段子生物电信号的生成时间部分重叠;所述信号特征与每段所述子生物电信号一一对应。
10.如权利要求7或8所述的睡眠状态检测装置,其特征在于,所述睡眠状态检测装置,还包括:
训练生物电信号获得模块,用于获取与各个睡眠状态Si分别相对应的训练生物电信号;
训练信号特征获得模块,用于从每个所述睡眠状态Si所对应的所述训练生物电信号中提取至少一个训练信号特征;其中,所述训练信号特征与所述信号特征相同;每个所述训练信号特征由至少一个特征数据组成;以及,
模型参数获得模块,用于将所有所述训练信号特征代入深度神经网络模型中,并通过对所述深度神经网络模型进行反向计算,获得所述深度神经网络中的第0层级至第4层级中的各个结点的结点值所对应的结点权重和第1层级至第5层级中的各个结点的结点值所对应的结点偏置项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610831455.7A CN106419893A (zh) | 2016-09-18 | 2016-09-18 | 睡眠状态检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610831455.7A CN106419893A (zh) | 2016-09-18 | 2016-09-18 | 睡眠状态检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106419893A true CN106419893A (zh) | 2017-02-22 |
Family
ID=58165629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610831455.7A Pending CN106419893A (zh) | 2016-09-18 | 2016-09-18 | 睡眠状态检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106419893A (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018070935A1 (en) * | 2016-10-11 | 2018-04-19 | National University Of Singapore | Determining sleep stages |
CN109731204A (zh) * | 2019-02-13 | 2019-05-10 | 深兰科技(上海)有限公司 | 一种睡眠刺激方法及装置 |
CN109793497A (zh) * | 2017-11-17 | 2019-05-24 | 广东乐心医疗电子股份有限公司 | 一种睡眠状态识别方法及装置 |
CN110037653A (zh) * | 2018-01-17 | 2019-07-23 | 广东乐心医疗电子股份有限公司 | 用于便携式智能可穿戴设备的睡眠质量评估方法与装置 |
US10376670B2 (en) | 2013-07-08 | 2019-08-13 | Resmed Sensor Technologies Limited | Methods and systems for sleep management |
CN110772700A (zh) * | 2019-09-18 | 2020-02-11 | 平安科技(深圳)有限公司 | 自动推送助眠乐曲方法、装置、计算机设备及存储介质 |
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睡眠的系统和方法 |
CN113812965A (zh) * | 2021-08-19 | 2021-12-21 | 杭州回车电子科技有限公司 | 睡眠状态识别方法、装置、电子装置和存储介质 |
CN113842111A (zh) * | 2020-06-28 | 2021-12-28 | 珠海格力电器股份有限公司 | 一种睡眠分期方法、装置、计算设备及存储介质 |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11648373B2 (en) | 2013-07-08 | 2023-05-16 | Resmed Sensor Technologies Limited | Methods and systems for sleep management |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11790664B2 (en) | 2019-02-19 | 2023-10-17 | Tesla, Inc. | Estimating object properties using visual image data |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11841434B2 (en) | 2018-07-20 | 2023-12-12 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11893774B2 (en) | 2018-10-11 | 2024-02-06 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
US11983630B2 (en) | 2023-01-19 | 2024-05-14 | Tesla, Inc. | Neural networks for embedded devices |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6805668B1 (en) * | 2001-06-26 | 2004-10-19 | Cadwell Industries, Inc. | System and method for processing patient polysomnograph data utilizing multiple neural network processing |
CN102006824A (zh) * | 2008-04-16 | 2011-04-06 | 皇家飞利浦电子股份有限公司 | 用于睡眠/清醒状况估计的方法和系统 |
US20130012836A1 (en) * | 2011-07-05 | 2013-01-10 | Cristina Crespo Veiga | Method and system for activity/rest identification |
CN104615851A (zh) * | 2014-12-31 | 2015-05-13 | 深圳市元征科技股份有限公司 | 一种睡眠监控方法及终端 |
CN105030199A (zh) * | 2015-06-24 | 2015-11-11 | 深圳市元征软件开发有限公司 | 睡眠监测方法及装置 |
US20150359482A1 (en) * | 2013-01-29 | 2015-12-17 | Koninklijke Philips N.V. | Sensory stimuli to increase accuracy of sleep staging |
-
2016
- 2016-09-18 CN CN201610831455.7A patent/CN106419893A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6805668B1 (en) * | 2001-06-26 | 2004-10-19 | Cadwell Industries, Inc. | System and method for processing patient polysomnograph data utilizing multiple neural network processing |
CN102006824A (zh) * | 2008-04-16 | 2011-04-06 | 皇家飞利浦电子股份有限公司 | 用于睡眠/清醒状况估计的方法和系统 |
US20130012836A1 (en) * | 2011-07-05 | 2013-01-10 | Cristina Crespo Veiga | Method and system for activity/rest identification |
US20150359482A1 (en) * | 2013-01-29 | 2015-12-17 | Koninklijke Philips N.V. | Sensory stimuli to increase accuracy of sleep staging |
CN104615851A (zh) * | 2014-12-31 | 2015-05-13 | 深圳市元征科技股份有限公司 | 一种睡眠监控方法及终端 |
CN105030199A (zh) * | 2015-06-24 | 2015-11-11 | 深圳市元征软件开发有限公司 | 睡眠监测方法及装置 |
Non-Patent Citations (3)
Title |
---|
ANTONY KAGUARA等: "A deep neural network classifier for diagnosing sleep apnea from ECG data on smartphones and small embedded systems", 《RESEARCHGATE》 * |
FARIDEH EBRAHIMI等: "Automatic sleep stage classification based on EEG signals by using neural networks and wavelet packet coefficients", 《2008 30TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY》 * |
M.M.AL RAHHAL等: "Deep learning approach for active classification of electrocardiogram signals", 《INFORMATION SCIENCES》 * |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11364362B2 (en) | 2013-07-08 | 2022-06-21 | Resmed Sensor Technologies Limited | Methods and systems for sleep management |
US11648373B2 (en) | 2013-07-08 | 2023-05-16 | Resmed Sensor Technologies Limited | Methods and systems for sleep management |
US10376670B2 (en) | 2013-07-08 | 2019-08-13 | Resmed Sensor Technologies Limited | Methods and systems for sleep management |
WO2018070935A1 (en) * | 2016-10-11 | 2018-04-19 | National University Of Singapore | Determining sleep stages |
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
CN109793497B (zh) * | 2017-11-17 | 2022-08-19 | 广东乐心医疗电子股份有限公司 | 一种睡眠状态识别方法及装置 |
CN109793497A (zh) * | 2017-11-17 | 2019-05-24 | 广东乐心医疗电子股份有限公司 | 一种睡眠状态识别方法及装置 |
CN110037653A (zh) * | 2018-01-17 | 2019-07-23 | 广东乐心医疗电子股份有限公司 | 用于便携式智能可穿戴设备的睡眠质量评估方法与装置 |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11797304B2 (en) | 2018-02-01 | 2023-10-24 | Tesla, Inc. | Instruction set architecture for a vector computational unit |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11841434B2 (en) | 2018-07-20 | 2023-12-12 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11893774B2 (en) | 2018-10-11 | 2024-02-06 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11908171B2 (en) | 2018-12-04 | 2024-02-20 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
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睡眠的系统和方法 |
CN113272908B (zh) * | 2018-12-24 | 2024-04-12 | 皇家飞利浦有限公司 | 用于利用感官刺激增强rem睡眠的系统和方法 |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
CN109731204A (zh) * | 2019-02-13 | 2019-05-10 | 深兰科技(上海)有限公司 | 一种睡眠刺激方法及装置 |
US11790664B2 (en) | 2019-02-19 | 2023-10-17 | Tesla, Inc. | Estimating object properties using visual image data |
CN110772700B (zh) * | 2019-09-18 | 2022-06-03 | 平安科技(深圳)有限公司 | 自动推送助眠乐曲方法、装置、计算机设备及存储介质 |
CN110772700A (zh) * | 2019-09-18 | 2020-02-11 | 平安科技(深圳)有限公司 | 自动推送助眠乐曲方法、装置、计算机设备及存储介质 |
CN113842111A (zh) * | 2020-06-28 | 2021-12-28 | 珠海格力电器股份有限公司 | 一种睡眠分期方法、装置、计算设备及存储介质 |
CN113812965A (zh) * | 2021-08-19 | 2021-12-21 | 杭州回车电子科技有限公司 | 睡眠状态识别方法、装置、电子装置和存储介质 |
CN113812965B (zh) * | 2021-08-19 | 2024-04-09 | 杭州回车电子科技有限公司 | 睡眠状态识别方法、装置、电子装置和存储介质 |
US11983630B2 (en) | 2023-01-19 | 2024-05-14 | Tesla, Inc. | Neural networks for embedded devices |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106419893A (zh) | 睡眠状态检测方法和装置 | |
CN105877766B (zh) | 一种基于多生理信号融合的精神状态检测系统及方法 | |
CN110222643B (zh) | 一种基于卷积神经网络的稳态视觉诱发电位信号分类方法 | |
CN110251105A (zh) | 一种无创血压测量方法、装置、设备及系统 | |
CN102274022B (zh) | 一种基于脑电信号的睡眠状态监测方法 | |
US6546378B1 (en) | Signal interpretation engine | |
CN102247128B (zh) | 人体脉搏信息采集装置及人体健康状况监护装置 | |
CN105595990A (zh) | 一种用于心电信号质量评估判别的智能终端设备 | |
CN106569604B (zh) | 视听双模态语义匹配和语义失配协同刺激脑机接口方法 | |
CN203074701U (zh) | 人类主体出现在床上的确定装置和睡眠测量装置 | |
CN108388912A (zh) | 基于多传感器特征优化算法的睡眠分期方法 | |
CN104771163A (zh) | 基于csp和r-csp算法的脑电信号特征提取方法 | |
CN104546007B (zh) | 胎动检测抗干扰处理方法及装置 | |
CN109934089A (zh) | 基于监督梯度提升器的多级癫痫脑电信号自动识别方法 | |
CN107832737A (zh) | 基于人工智能的心电图干扰识别方法 | |
CN101932988A (zh) | 调整脑波信号识别方法的装置、方法以及程序 | |
CN103034837A (zh) | 特征参数与脉象要素的关联 | |
CN106175697B (zh) | 睡眠状态检测方法和装置 | |
CN106419937A (zh) | 基于心音hrv理论的精神压力分析系统 | |
CN110120263A (zh) | 一种基于健康信息采集和分析的健康辅助系统 | |
CN107137093A (zh) | 一种包含异常血糖概率报警器的连续血糖监测设备 | |
CN108042145A (zh) | 情绪状态识别方法和系统、情绪状态识别设备 | |
CN109091126A (zh) | 一种基于多传感器的人体生理状态判别可视化方法及设备 | |
CN110141258A (zh) | 一种情绪状态检测方法、设备及终端 | |
CN104850735A (zh) | 一种基于栈式自编码的活动识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170222 |