CN107582028A - 睡眠监测方法及装置 - Google Patents

Abstract

本公开是关于一种睡眠监测方法及装置，该方法包括：检测当前时刻终端的状态数据；根据所述终端的状态数据，确定当前时刻的用户状态，所述用户状态包括睡眠状态和清醒状态；统计各时刻的用户状态，确定用户的睡眠情况。该技术方案可以仅仅依靠终端，就能得到用户的睡眠情况，不必依赖智能穿戴设备，降低睡眠检测的成本且用户不必携带智能穿戴设备睡觉，睡得更加舒服。

Description

睡眠监测方法及装置

技术领域

本公开涉及终端技术领域，尤其涉及睡眠监测方法及装置。

背景技术

智能穿戴设备是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称，如眼镜、手环、手表、服饰及鞋等，用户在睡觉时戴着这些智能穿戴设备，这些智能穿戴设备就可以检测到用户的睡眠情况。

发明内容

本公开实施例提供睡眠监测方法及装置。所述技术方案如下：

根据本公开实施例的第一方面，提供一种睡眠监测方法，包括：

检测当前时刻终端的状态数据；

根据所述终端的状态数据，确定当前时刻的用户状态，所述用户状态包括睡眠状态和清醒状态；

统计各时刻的用户状态，确定用户的睡眠情况。

在一个实施例中，所述根据所述终端的状态数据，确定当前时刻的用户状态，包括：

将所述终端的状态数据处理成预设格式的特征向量，其中，所述预设格式为预设的用户状态识别模型所使用的特征向量格式；

基于预设的用户状态识别模型，根据所述特征向量，得到所述用户状态识别模型识别出的用户状态。

在一个实施例中，所述方法还包括：

获取至少一组样本状态数据，所述样本状态数据为用户处于睡眠状态或清醒状态时终端的状态数据；

将所述样本状态数据处理成所述预设格式的样本特征向量；

使用所述样本特征向量对初始的用户状态识别模型中的模型参数进行训练，直至训练完成的用户状态识别模型识别出用户状态的准确率达到预设阈值；

将所述训练完成的用户状态识别模型存储为所述预设的用户状态识别模型。

在一个实施例中，所述将所述终端的样本状态数据处理成所述预设格式的样本特征向量，包括：

在一组样本状态数据中存在数据缺失时，对所述一组样本状态数据进行缺失值补全；

将补全的一组状态数据处理成预设格式的特征向量。

在一个实施例中，所述将所述终端的样本状态数据处理成所述预设格式的样本特征向量，包括：

在一组样本状态数据存在数据缺失时，删除所述一组样本状态数据；

将剩余的样本状态数据处理成预设格式的特征向量。

在一个实施例中，所述终端的状态数据包括：终端传感器检测到的状态数据，终端前台使用的应用信息，终端的蓝牙状态信息和终端的网络连接状态信息中的至少一个。

在一个实施例中，所述方法还包括：

向其他终端发送所述用户状态，以便所述其他终端根据所述用户状态调整所述其他终端的状态。

根据本公开实施例的第二方面，提供一种睡眠监测装置，包括：

检测模块，用于检测当前时刻终端的状态数据；

确定模块，用于根据所述终端的状态数据，确定当前时刻的用户状态，所述用户状态包括睡眠状态和清醒状态；

统计模块，用于统计各时刻的用户状态，确定用户的睡眠情况。

在一个实施例中，所述确定模块包括：

第一处理子模块，用于将所述终端的状态数据处理成预设格式的特征向量，其中，所述预设格式为预设的用户状态识别模型所使用的特征向量格式；

识别子模块，用于基于预设的用户状态识别模型，根据所述特征向量，得到所述用户状态识别模型识别出的用户状态。

在一个实施例中，所述装置还包括：

获取模块，用于获取至少一组样本状态数据，所述样本状态数据为用户处于睡眠状态或清醒状态时终端的状态数据；

处理模块，用于将所述样本状态数据处理成所述预设格式的样本特征向量；

训练模块，用于使用所述样本特征向量对初始的用户状态识别模型中的模型参数进行训练，直至训练完成的用户状态识别模型识别出用户状态的准确率达到预设阈值；

存储模块，用于将所述训练完成的用户状态识别模型存储为所述预设的用户状态识别模型。

在一个实施例中，所述处理模块包括：

补全子模块，用于在一组样本状态数据中存在数据缺失时，对所述一组样本状态数据进行缺失值补全；

第二处理子模块，用于将补全的一组状态数据处理成预设格式的特征向量。

在一个实施例中，所述处理模块包括：

删除子模块，用于在一组样本状态数据存在数据缺失时，删除所述一组样本状态数据；

第三处理子模块，用于将剩余的样本状态数据处理成预设格式的特征向量。

在一个实施例中，所述终端的状态数据包括：终端传感器检测到的状态数据，终端前台使用的应用信息，终端的蓝牙状态信息和终端的网络连接状态信息中的至少一个。

在一个实施例中，所述装置还包括：

发送模块，用于向其他终端发送所述用户状态，以便所述其他终端根据所述用户状态调整所述其他终端的状态。

根据本公开实施例的第三方面，提供一种睡眠监测装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

检测当前时刻终端的状态数据；

根据所述终端的状态数据，确定当前时刻的用户状态，所述用户状态包括睡眠状态和清醒状态；

统计各时刻的用户状态，确定用户的睡眠情况。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，存储有计算机指令，所述计算机指令被处理器执行时实现上述方法中的步骤。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种睡眠监测方法的流程图。

图2是根据一示例性实施例示出的一种睡眠监测方法的流程图。

图3是根据一示例性实施例示出的一种睡眠监测方法的流程图。

图4是根据一示例性实施例示出的一种睡眠监测装置的框图。

图5是根据一示例性实施例示出的一种睡眠监测装置的框图。

图6是根据一示例性实施例示出的一种睡眠监测装置的框图。

图7是根据一示例性实施例示出的一种睡眠监测装置的框图。

图8是根据一示例性实施例示出的一种睡眠监测装置的框图。

图9是根据一示例性实施例示出的一种睡眠监测装置的框图。

图10是根据一示例性实施例示出的一种睡眠监测装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

智能穿戴设备可以用来检测用户的睡眠数据，并将睡眠数据发送给终端，由终端来显示用户的睡眠情况，但是，这样的话用户首先需要购买一个智能穿戴设备，成本高；其次，用户需要穿戴该智能穿戴设备来睡觉，可能会让用户感到不舒服。

为了解决上述问题，本公开中终端可以自己检测终端的状态特征，然后根据终端的状态特征，确定用户状态是睡眠状态还是清醒状态，然后终端可以统计各时刻的用户状态，确定用户的睡眠情况；如此，仅仅依靠终端，就能得到用户的睡眠情况，不必依赖智能穿戴设备，降低睡眠检测的成本且用户不必携带智能穿戴设备睡觉，睡得更加舒服。

图1是根据一示例性实施例示出的一种睡眠监测方法的流程图，如图1所示，该睡眠监测方法用于终端等设备中，包括以下步骤101至103：

在步骤101中，检测当前时刻终端的状态数据。

在步骤102中，根据所述终端的状态数据，确定当前时刻的用户状态，所述用户状态包括睡眠状态和清醒状态。

在步骤103中，统计各时刻的用户状态，确定用户的睡眠情况。

在该实施例中，终端可以自己检测当前时刻终端的状态数据，该状态数据可以是能够表明用户处于睡眠状态的各种数据，如，该状态数据可以是屏幕状态(灭屏还是亮屏)、灭屏时间、加速度、环境光强、环境音量等等各种数据。通常情况下，用户处于睡眠状态时终端会长时间处于灭屏状态，且终端会被静置加速度为0，用户睡眠时的环境会安静且昏暗，故用户睡眠时的环境光强和环境音量会比较小。故当终端得到这些状态数据后，可以对这些状态数据进行分析，确定用户是睡眠状态还是清醒状态，如，终端检测到终端处于亮屏状态时，表明用户正在使用终端，可以确定用户未睡眠，而当终端检测到灭屏时间超过预设时长如半小时，加速度为0、环境光强小于预设光强，环境音量小于预设音量时，可以确定终端被静置在一安静且昏暗的环境中，此时终端被静置不可能是在包内或口袋内，最可能是在用户睡觉的室内，此时，终端可以确定用户状态为睡眠状态。

在该实施例中，终端在根据终端的状态数据得到当前时刻的用户状态后，终端就可以统计各时刻的用户状态，如统计各时刻的用户状态，得到用户每天处于睡眠状态的时刻和总时长，用户每天睡眠的时间点是否规律等各种睡眠情况，如此就可以分析出用户的睡眠质量，终端可以将统计的睡眠情况显示在终端屏幕上，让用户清楚了解自己的睡眠情况。

本实施例可以自己检测终端的状态数据，然后根据终端的状态数据，确定用户状态是睡眠状态还是清醒状态，然后终端可以统计各时刻的用户状态，确定用户的睡眠情况；如此，仅仅依靠终端，就能得到用户的睡眠情况，不必依赖智能穿戴设备，降低睡眠检测的成本且用户不必携带智能穿戴设备睡觉，睡得更加舒服。

在一种可能的实施方式中，步骤102可以实施为以下步骤A1和A2。

在步骤A1中，将所述终端的状态数据处理成预设格式的特征向量，其中，所述预设格式为预设的用户状态识别模型所使用的特征向量格式。

在步骤A2中，基于预设的用户状态识别模型，根据所述特征向量，得到所述用户状态识别模型识别出的用户状态。

在该实施例中，为了更加精确地确定用户状态，终端中可以预存机器学习得到的用户状态识别模型，使用该用户状态识别模型来识别用户状态，这里，终端检测到的终端的状态数据是各种各样的，如有的是屏幕状态(灭屏还是亮屏)、有的是时间参数，有的是加速度参数等等，在将这些状态数据输入该用户状态识别模型之前，终端需要对这些状态数据进行处理，将这些状态数据处理成预设的用户状态识别模型所使用的特征向量格式，这样，终端将该预设格式的特征向量输入该用户状态识别模型后，该用户状态识别模型就会输出相应的识别结果即用户状态。

本实施例可以基于预设的用户状态识别模型，得到所述终端的状态数据对应的用户状态，提高用户状态的识别精度，保证监测到的睡眠情况的准确性。

在一种可能的实施方式中，上述睡眠监测方法还可以包括步骤B1和B2。

在步骤B1中，获取至少一组样本状态数据，所述样本状态数据为用户处于睡眠状态或清醒状态时的数据。

在步骤B2中，将所述样本状态数据处理成所述预设格式的样本特征向量。

在步骤B3中，使用所述样本特征向量对初始的用户状态识别模型中的模型参数进行训练，直至训练完成的用户状态识别模型识别出用户状态的准确率达到预设阈值。

在步骤B4中，将所述训练完成的用户状态识别模型存储为所述预设的用户状态识别模型。

这里，终端可以将从其他终端或服务器中获取该预设的用户状态识别模型，也可以自己训练得到预设的用户状态识别模型，在本实施例中，终端在训练得到该预设的用户状态识别模型时，可以先获取海量的样本状态数据，该样本状态数据包括用户处于睡眠状态时终端的状态数据或者用户处于清醒状态时终端的状态数据。

这里，终端获取到很多组样本状态数据后，需要将每组样本状态数据均处理成机器学习算法可以使用的预设格式的样本特征向量，然后，终端可选择机器学习算法如决策树、逻辑回归、SVM(Support Vector Machine，支持向量机)等算法来进行模型训练。在训练过程中，终端将用户处于睡眠状态时的样本特征向量输入用户状态识别模型后，用户状态识别模型输出的识别结果是用户状态为清醒状态，则表明识别结果不正确，输出的识别结果是用户状态为睡眠状态，则表明识别结果正确，若将用户处于清醒状态时的样本特征向量输入用户状态识别模型后，用户状态识别模型输出的识别结果是用户状态为清醒状态，则表明识别结果正确，输出的识别结果是用户状态为睡眠状态，则表明识别结果不正确。终端可以经过多次迭代训练，不断调整用户状态识别模型中的模型参数，直至用户状态识别模型的识别结果的正确率超过预设阈值如80％，则终端就可以将所述训练完成的用户状态识别模型存储为所述预设的用户状态识别模型。

这样，终端在得到当前时刻终端的状态数据后，就可以将将所述终端的状态数据处理成预设格式的特征向量，然后将该预设格式的特征向量输入至训练完成的用户状态识别模型，该用户状态识别模型就可以输出准确率很高的用户状态。

本实施例可以获取包括用户处于睡眠状态或清醒状态时的终端数据，将所述样本状态数据处理成所述预设格式的样本特征向量；使用所述样本特征向量对初始的用户状态识别模型中的模型参数进行训练，直至训练完成的用户状态识别模型识别出用户状态的准确率达到预设阈值；如此，可以得到准确的用户状态识别模型，进而更准确地确定用户状态。

在一种可能的实施方式中，上述睡眠监测方法中的步骤B2可以实现为以下步骤B21和B22。

在步骤B21中，在一组样本状态数据中存在数据缺失时，对所述一组样本状态数据进行缺失值补全。

在步骤B22中，将补全的一组状态数据处理成预设格式的特征向量。

这里，终端在采集海量的样本状态数据时，由于传输时丢失，未采集到等各种各样的原因，可能某组样本状态数据中某项数据缺失，此时，由于一组样本状态数据中的数据很多，因为一项数据的缺失而放弃大量的其他数据，是对信息的极大浪费，此时，终端可以采用同类均值插补、极大似然估计等各种方法对该一组样本状态数据进行缺失值补全，然后，终端就可以将补全的一组状态数据处理成预设格式的特征向量。

本实施例可以在一组样本状态数据中存在数据缺失时，对所述一组样本状态数据进行缺失值补全，不因少量数据的缺失而放弃大量的其他数据，避免数据浪费。

在一种可能的实施方式中，上述睡眠监测方法中的步骤B2可以实现为以下步骤B23和B24。

在步骤B23中，对每组样本状态数据进行格式校验，并在校验出一组样本状态数据格式有误时，删除所述一组样本状态数据。

在步骤B24中，将剩余的样本状态数据处理成预设格式的特征向量。

这里，终端在收集海量的样本状态数据时，需要将这些样本状态数据按照一定的格式按天回传至终端上的数据处理模块，数据处理模块需要对每组样本状态数据进行格式校验，如果校验出得到的一组样本状态数据不符合预设的格式，则表明该组样本状态数据可能是错误的，此时，数据处理模块会删除这组样本状态数据；然后对剩余的格式检验成功的样本状态数据处理成预设格式的特征向量。

本实施例可以对每组样本状态数据进行格式校验，并在校验出一组样本状态数据格式有误时，删除所述一组样本状态数据，通过格式校验保证样本状态数据的正确性。

在一种可能的实施方式中，上述睡眠监测方法中所述终端的状态数据包括：终端传感器检测到的状态数据，终端前台使用的应用信息，终端的蓝牙状态信息和终端的网络连接状态信息中的至少一个。

在该实施例中，终端传感器检测到的状态数据包括终端所处环境的数据和终端自身状态的数据，这里，终端所处环境的数据可以是通过光强传感器检测到的终端所处环境的光强、通过麦克风采集到的环境声音得到终端所处环境的音量、通过GPS(GlobalPositioning System，全球定位系统)定位到终端所处的位置，通过气压传感器检测到的终端所处的高度等等，终端自身状态的数据包括通过加速传感器检测到的加速度，通过距离传感器检测的终端显示屏上是否有遮挡物，通过三轴陀螺仪检测的终端当前的摆放方向，通过磁力计检测到的磁场方向和强度，通过触摸屏幕检测的终端当前的屏幕状态(灭屏状态还是亮屏状态)。

当然，该状态数据还可以包括终端前台使用的应用信息如终端前台使用的应用的APP(Application，应用程序)包名，终端的蓝牙状态信息如是否开启蓝牙，是否在用蓝牙传输数据等和终端的网络连接状态信息如网络连接状态是开启还是连接等。当然，该状态数据还可以是其他各种能够采集到的终端上的信息，在此并不做限制。

这里需要说明的是，对于用户状态识别模型来说，状态数据的类型越多，该用户状态识别模型最终确定的用户状态越准确。

本实施例中终端的状态数据包括终端传感器检测到的状态数据，终端前台使用的应用信息，终端的蓝牙状态信息和终端的网络连接状态信息中的至少一个，数据类型多种多样。

在一种可能的实施方式中，上述睡眠监测方法还包括以下步骤D1。

在步骤D1中，向其他终端发送所述用户状态，以便所述其他终端根据所述用户状态调整所述其他终端的状态。

在该实施例中，终端可以向其他终端发送用户状态，这里，其他终端可以是空调，若空调在开启状态，接收到终端输入的用户状态为睡眠状态，则空调可以静音，并将温度自动调整到适宜睡觉的温度；其他终端还可以是智能门窗，当接收到终端输入的用户状态为睡眠状态，则智能门窗可以自动关闭，保证用户的睡眠质量。当然，其他终端还可以是智能窗帘、智能电视等等终端，这些终端均可以根据接收到的用户状态调整本终端的状态，避免影响用户睡眠，提高用户的睡眠体验。

本实施例可以向其他终端发送确定的用户状态，可以使所述其他终端根据所述用户状态调整所述其他终端的状态，提高用户的睡眠体验。

下面通过几个实施例详细介绍实现过程。

图2是根据一示例性实施例示出的一种睡眠监测方法的流程图，如图2所示，该方法可以由终端等设备实现，包括步骤201-211。

在步骤201中，获取至少一组样本状态数据，所述样本状态数据为用户处于睡眠状态或清醒状态时时终端的状态数据。

在步骤202中，对每组样本状态数据进行格式校验，并在校验出一组样本状态数据格式有误时，删除所述一组样本状态数据。

在步骤203中，在一组样本状态数据中存在数据缺失时，对所述一组样本状态数据进行缺失值补全。

在步骤204中，将补全的一组状态数据处理成预设格式的特征向量。

在步骤205中，将剩余的样本状态数据处理成预设格式的特征向量。

在步骤206中，使用所述样本特征向量对初始的用户状态识别模型中的模型参数进行训练，直至训练完成的用户状态识别模型识别出用户状态的准确率达到预设阈值。

在步骤207中，将所述训练完成的用户状态识别模型存储为所述预设的用户状态识别模型。

在步骤208中，检测当前时刻终端的状态数据。

其中，所述终端的状态数据包括：终端传感器检测到的状态数据，终端前台使用的应用信息，终端的蓝牙状态信息和终端的网络连接状态信息中的至少一个。

在步骤209中，将所述终端的状态数据处理成预设格式的特征向量，其中，所述预设格式为预设的用户状态识别模型所使用的特征向量格式。

在步骤210中，基于预设的用户状态识别模型，根据所述特征向量，得到所述用户状态识别模型识别出的用户状态。

在步骤211中，统计各时刻的用户状态，确定用户的睡眠情况。

图3是根据一示例性实施例示出的一种睡眠监测方法的流程图，如图3所示，该方法可以由终端等设备实现，包括步骤301-304。

在步骤301中，检测当前时刻终端的状态数据。

在步骤302中，根据所述终端的状态数据，确定当前时刻的用户状态，所述用户状态包括睡眠状态和清醒状态。

在步骤303中，统计各时刻的用户状态，确定用户的睡眠情况。

在步骤304中，向其他终端发送所述用户状态，以便所述其他终端根据所述用户状态调整所述其他终端的状态。

下述为本公开装置实施例，可以用于执行本公开方法实施例。

图4是根据一示例性实施例示出的一种睡眠监测装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图4所示，该睡眠监测装置包括：检测模块401、确定模块402和统计模块403；其中：

检测模块401，用于检测当前时刻终端的状态数据；

确定模块402，用于根据所述终端的状态数据，确定当前时刻的用户状态，所述用户状态包括睡眠状态和清醒状态；

统计模块403，用于统计各时刻的用户状态，确定用户的睡眠情况。

作为一种可能的实施例，图5是根据一示例性实施例示出的一种睡眠监测装置的框图，参考图5，上述公开的睡眠监测装置还可以把所述确定模块402配置成包括第一处理子模块4021和识别子模块4022，其中：

第一处理子模块4021，用于将所述终端的状态数据处理成预设格式的特征向量，其中，所述预设格式为预设的用户状态识别模型所使用的特征向量格式；

识别子模块4022，用于基于预设的用户状态识别模型，根据所述特征向量，得到所述用户状态识别模型识别出的用户状态。

作为一种可能的实施例，图6是根据一示例性实施例示出的一种睡眠监测装置的框图，参考图6，上述公开的睡眠监测装置还可以被配置成包括获取模块404、处理模块405、训练模块406和存储模块407，其中：

获取模块404，用于获取至少一组样本状态数据，所述样本状态数据为用户处于睡眠状态或清醒状态时终端的状态数据；

处理模块405，用于将所述样本状态数据处理成所述预设格式的样本特征向量；

训练模块406，用于使用所述样本特征向量对初始的用户状态识别模型中的模型参数进行训练，直至训练完成的用户状态识别模型识别出用户状态的准确率达到预设阈值；

存储模块407，用于将所述训练完成的用户状态识别模型存储为所述预设的用户状态识别模型。

作为一种可能的实施例，图7是根据一示例性实施例示出的一种睡眠监测装置的框图，参考图7，上述公开的睡眠监测装置还可以把处理模块405配置成包括补全子模块4051和第二处理子模块4052，其中：

补全子模块4051，用于在一组样本状态数据中存在数据缺失时，对所述一组样本状态数据进行缺失值补全；

第二处理子模块4052，用于将补全的一组状态数据处理成预设格式的特征向量。

作为一种可能的实施例，图8是根据一示例性实施例示出的一种睡眠监测装置的框图，参考图8，上述公开的睡眠监测装置还可以把处理模块405配置成包括删除子模块4053和第三处理子模块4054，其中：

删除子模块4053，用于对每组样本状态数据进行格式校验，并在校验出一组样本状态数据格式有误时，删除所述一组样本状态数据；

第三处理子模块4054，用于将剩余的样本状态数据处理成预设格式的特征向量。

作为一种可能的实施例，上述公开的睡眠监测装置中，所述终端的状态数据包括：终端传感器检测到的状态数据，终端前台使用的应用信息，终端的蓝牙状态信息和终端的网络连接状态信息中的至少一个。

作为一种可能的实施例，图9是根据一示例性实施例示出的一种睡眠监测装置的框图，参考图9，上述公开的睡眠监测装置还可以被配置成包括检发送模块408，其中：

发送模块408，用于向其他终端发送所述用户状态，以便所述其他终端根据所述用户状态调整所述其他终端的状态。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图10是根据一示例性实施例示出的一种睡眠监测装置的框图，该装置适用于终端设备。例如，装置1000可以是移动电话，游戏控制台，电脑、平板设备，个人数字助理等。

装置1000可以包括以下一个或多个组件：处理组件1001，存储器1002，电源组件1003，多媒体组件1004，音频组件1005，输入/输出(I/O)接口1006，传感器组件1007，以及通信组件1008。

处理组件1001通常控制装置1000的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件1001可以包括一个或多个处理器1020来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件1001可以包括一个或多个模块，便于处理组件1001和其他组件之间的交互。例如，处理组件1001可以包括多媒体模块，以方便多媒体组件1004和处理组件1001之间的交互。

存储器1002被配置为存储各种类型的数据以支持在装置1000的操作。这些数据的示例包括用于在装置1000上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1002可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件1003为装置1000的各种组件提供电力。电源组件1003可以包括电源管理系统，一个或多个电源，及其他与为装置1000生成、管理和分配电力相关联的组件。

多媒体组件1004包括在所述装置1000和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1004包括一个前置摄像头和/或后置摄像头。当装置1000处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件1005被配置为输出和/或输入音频信号。例如，音频组件1005包括一个麦克风(MIC)，当装置1000处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1002或经由通信组件1008发送。在一些实施例中，音频组件1005还包括一个扬声器，用于输出音频信号。

I/O的接口1006为处理组件1001和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件1007包括一个或多个传感器，用于为装置1000提供各个方面的状态评估。例如，传感器组件1007可以检测到装置1000的打开/关闭状态，组件的相对定位，例如所述组件为装置1000的显示器和小键盘，传感器组件1007还可以检测装置1000或装置1000一个组件的位置改变，用户与装置1000接触的存在或不存在，装置1000方位或加速/减速和装置1000的温度变化。传感器组件1007可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1007还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1007还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件1008被配置为便于装置1000和其他设备之间有线或无线方式的通信。装置1000可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件1008经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1008还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置1000可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1002，上述指令可由装置1000的处理器1020执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本实施例提供了一种计算机可读存储介质，当所述存储介质中的指令由装置1000的处理器执行时实现以下步骤：

检测当前时刻终端的状态数据；

根据所述终端的状态数据，确定当前时刻的用户状态，所述用户状态包括睡眠状态和清醒状态；

统计各时刻的用户状态，确定用户的睡眠情况。

所述存储介质中的指令被处理器执行时还可以实现以下步骤：

所述根据所述终端的状态数据，确定当前时刻的用户状态，包括：

将所述终端的状态数据处理成预设格式的特征向量，其中，所述预设格式为预设的用户状态识别模型所使用的特征向量格式；

基于预设的用户状态识别模型，根据所述特征向量，得到所述用户状态识别模型识别出的用户状态。

所述存储介质中的指令被处理器执行时还可以实现以下步骤：

所述方法还包括：

获取至少一组样本状态数据，所述样本状态数据为用户处于睡眠状态或清醒状态时时终端的状态数据；

将所述样本状态数据处理成所述预设格式的样本特征向量；

使用所述样本特征向量对初始的用户状态识别模型中的模型参数进行训练，直至训练完成的用户状态识别模型识别出用户状态的准确率达到预设阈值；

将所述训练完成的用户状态识别模型存储为所述预设的用户状态识别模型。

所述存储介质中的指令被处理器执行时还可以实现以下步骤：

所述将所述终端的样本状态数据处理成所述预设格式的样本特征向量，包括：

在一组样本状态数据中存在数据缺失时，对所述一组样本状态数据进行缺失值补全；

将补全的一组状态数据处理成预设格式的特征向量。

所述存储介质中的指令被处理器执行时还可以实现以下步骤：

所述将所述终端的样本状态数据处理成所述预设格式的样本特征向量，包括：

对每组样本状态数据进行格式校验，并在校验出一组样本状态数据格式有误时，删除所述一组样本状态数据；

将剩余的样本状态数据处理成预设格式的特征向量。

所述存储介质中的指令被处理器执行时还可以实现以下步骤：

所述终端的状态数据包括：终端传感器检测到的状态数据，终端前台使用的应用信息，终端的蓝牙状态信息和终端的网络连接状态信息中的至少一个。

所述存储介质中的指令被处理器执行时还可以实现以下步骤：

所述方法还包括：

向其他终端发送所述用户状态，以便所述其他终端根据所述用户状态调整所述其他终端的状态。

本实施例还提供了一种睡眠监测装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

检测当前时刻终端的状态数据；

根据所述终端的状态数据，确定当前时刻的用户状态，所述用户状态包括睡眠状态和清醒状态；

统计各时刻的用户状态，确定用户的睡眠情况。

所述处理器还可以被配置为：

所述根据所述终端的状态数据，确定当前时刻的用户状态，包括：

将所述终端的状态数据处理成预设格式的特征向量，其中，所述预设格式为预设的用户状态识别模型所使用的特征向量格式；

基于预设的用户状态识别模型，根据所述特征向量，得到所述用户状态识别模型识别出的用户状态。

所述处理器还可以被配置为：

所述方法还包括：

获取至少一组样本状态数据，所述样本状态数据为用户处于睡眠状态或清醒状态时时终端的状态数据；

将所述样本状态数据处理成所述预设格式的样本特征向量；

使用所述样本特征向量对初始的用户状态识别模型中的模型参数进行训练，直至训练完成的用户状态识别模型识别出用户状态的准确率达到预设阈值；

将所述训练完成的用户状态识别模型存储为所述预设的用户状态识别模型。

所述处理器还可以被配置为：

所述将所述终端的样本状态数据处理成所述预设格式的样本特征向量，包括：

在一组样本状态数据中存在数据缺失时，对所述一组样本状态数据进行缺失值补全；

将补全的一组状态数据处理成预设格式的特征向量。

所述处理器还可以被配置为：

所述将所述终端的样本状态数据处理成所述预设格式的样本特征向量，包括：

对每组样本状态数据进行格式校验，并在校验出一组样本状态数据格式有误时，删除所述一组样本状态数据；

将剩余的样本状态数据处理成预设格式的特征向量。

所述处理器还可以被配置为：

所述终端的状态数据包括：终端传感器检测到的状态数据，终端前台使用的应用信息，终端的蓝牙状态信息和终端的网络连接状态信息中的至少一个。

所述处理器还可以被配置为：

所述方法还包括：

向其他终端发送所述用户状态，以便所述其他终端根据所述用户状态调整所述其他终端的状态。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (16)

1.一种睡眠监测方法，其特征在于，包括：

检测当前时刻终端的状态数据；

根据所述终端的状态数据，确定当前时刻的用户状态，所述用户状态包括睡眠状态和清醒状态；

统计各时刻的用户状态，确定用户的睡眠情况。

2.根据权利要求1所述的方法，其特征在于，所述根据所述终端的状态数据，确定当前时刻的用户状态，包括：

将所述终端的状态数据处理成预设格式的特征向量，其中，所述预设格式为预设的用户状态识别模型所使用的特征向量格式；

基于预设的用户状态识别模型，根据所述特征向量，得到所述用户状态识别模型识别出的用户状态。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

获取至少一组样本状态数据，所述样本状态数据为用户处于睡眠状态或清醒状态时时终端的状态数据；

将所述样本状态数据处理成所述预设格式的样本特征向量；

使用所述样本特征向量对初始的用户状态识别模型中的模型参数进行训练，直至训练完成的用户状态识别模型识别出用户状态的准确率达到预设阈值；

将所述训练完成的用户状态识别模型存储为所述预设的用户状态识别模型。

4.根据权利要求3所述的方法，其特征在于，所述将所述终端的样本状态数据处理成所述预设格式的样本特征向量，包括：

在一组样本状态数据中存在数据缺失时，对所述一组样本状态数据进行缺失值补全；

将补全的一组状态数据处理成预设格式的特征向量。

5.根据权利要求3所述的方法，其特征在于，所述将所述终端的样本状态数据处理成所述预设格式的样本特征向量，包括：

对每组样本状态数据进行格式校验，并在校验出一组样本状态数据格式有误时，删除所述一组样本状态数据；

将剩余的样本状态数据处理成预设格式的特征向量。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述终端的状态数据包括：终端传感器检测到的状态数据，终端前台使用的应用信息，终端的蓝牙状态信息和终端的网络连接状态信息中的至少一个。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

向其他终端发送所述用户状态，以便所述其他终端根据所述用户状态调整所述其他终端的状态。

8.一种睡眠监测装置，其特征在于，包括：

检测模块，用于检测当前时刻终端的状态数据；

确定模块，用于根据所述终端的状态数据，确定当前时刻的用户状态，所述用户状态包括睡眠状态和清醒状态；

统计模块，用于统计各时刻的用户状态，确定用户的睡眠情况。

9.根据权利要求8所述的装置，其特征在于，所述确定模块包括：

第一处理子模块，用于将所述终端的状态数据处理成预设格式的特征向量，其中，所述预设格式为预设的用户状态识别模型所使用的特征向量格式；

识别子模块，用于基于预设的用户状态识别模型，根据所述特征向量，得到所述用户状态识别模型识别出的用户状态。

10.根据权利要求8所述的装置，其特征在于，所述装置还包括：

获取模块，用于获取至少一组样本状态数据，所述样本状态数据为用户处于睡眠状态或清醒状态时终端的状态数据；

处理模块，用于将所述样本状态数据处理成所述预设格式的样本特征向量；

训练模块，用于使用所述样本特征向量对初始的用户状态识别模型中的模型参数进行训练，直至训练完成的用户状态识别模型识别出用户状态的准确率达到预设阈值；

存储模块，用于将所述训练完成的用户状态识别模型存储为所述预设的用户状态识别模型。

11.根据权利要求10所述的装置，其特征在于，所述处理模块包括：

补全子模块，用于在一组样本状态数据中存在数据缺失时，对所述一组样本状态数据进行缺失值补全；

第二处理子模块，用于将补全的一组状态数据处理成预设格式的特征向量。

12.根据权利要求10所述的装置，其特征在于，所述处理模块包括：

删除子模块，用于对每组样本状态数据进行格式校验，并在校验出一组样本状态数据格式有误时，删除所述一组样本状态数据；

第三处理子模块，用于将剩余的样本状态数据处理成预设格式的特征向量。

13.根据权利要求8至12任一项所述的装置，其特征在于，所述终端的状态数据包括：终端传感器检测到的状态数据，终端前台使用的应用信息，终端的蓝牙状态信息和终端的网络连接状态信息中的至少一个。

14.根据权利要求8所述的装置，其特征在于，所述装置还包括：

发送模块，用于向其他终端发送所述用户状态，以便所述其他终端根据所述用户状态调整所述其他终端的状态。

15.一种睡眠监测装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

检测当前时刻终端的状态数据；

根据所述终端的状态数据，确定当前时刻的用户状态，所述用户状态包括睡眠状态和清醒状态；

统计各时刻的用户状态，确定用户的睡眠情况。

16.一种计算机可读存储介质，存储有计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1至7任一项所述方法中的步骤。