CN109260566A - 使用投影技术增强睡眠技术 - Google Patents

使用投影技术增强睡眠技术 Download PDF

Info

Publication number
CN109260566A
CN109260566A CN201811066287.2A CN201811066287A CN109260566A CN 109260566 A CN109260566 A CN 109260566A CN 201811066287 A CN201811066287 A CN 201811066287A CN 109260566 A CN109260566 A CN 109260566A
Authority
CN
China
Prior art keywords
sleep
data
signal
crowd
eeg
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
Application number
CN201811066287.2A
Other languages
English (en)
Inventor
张庆佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Vvetime Technology Co ltd
Original Assignee
Shenzhen Vvetime Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Vvetime Technology Co ltd filed Critical Shenzhen Vvetime Technology Co ltd
Priority to CN201811066287.2A priority Critical patent/CN109260566A/zh
Publication of CN109260566A publication Critical patent/CN109260566A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M21/02—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis for inducing sleep or relaxation, e.g. by direct nerve stimulation, hypnosis, analgesia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0027—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the hearing sense
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0044—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the sight sense

Landscapes

  • Health & Medical Sciences (AREA)
  • Anesthesiology (AREA)
  • Pain & Pain Management (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Psychology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Hematology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及使用投影技术增强睡眠技术，通过投影手机及人体睡眠体征数据反应，结合睡眠分期评估数据，构建人工智能睡眠调节深度学习模型，自适应每个人人体个性化思辰效应比值动态设置。本发明的有益效果是：通过投影手机形成个性化的助眠灯光和助眠音乐，从而形成一套适合个人体征的投影睡眠模型，并建立群体对应特征人群画像与个人人群特征画像间的关联，通过遗传算法不断校正模型，形成个性化的投影手机入睡投影设置方法，并将该方法对应给对应人群。

Description

使用投影技术增强睡眠技术
技术领域
本发明涉及使用投影技术增强睡眠技术。
背景技术
睡眠是人体重要的生理活动，占据了人们生命1/3的时间。近年来，睡眠健康问题已成为困扰中国人身心健康的重要表现之一。据中国医师协会《2015年中国睡眠指数报告》显示，73.6的中国人存在睡眠问题，31.2存在严重睡眠问题。中国人睡眠指数只有66.7分(满分100分)。近年来光照对人体健康的影响机理研究不断深入，发现即人体的有两类视觉细胞：一类是锥状细胞，感觉光度和色彩，称为明视觉；第二类是杆状细胞，只能感知光度，但敏感度是前者的一万倍，称为暗视觉；明视觉、暗视觉的最大感受性处于光谱的不同位置，一般来说，暗视觉最敏感波长在507nm左右，明视觉最敏感波长在555nm左右。但应注意的是，不同的人的明、暗视觉细胞感受性是不完全一致的，受到人眼视网膜中央黄斑区黄色素的影响；此外，光谱感受性还受到年龄的影响，随着年龄的增加，晶体变黄，也会造成明暗视觉的个体差异，不良的睡眠可能导致记忆力下降、肌体加速老化，以及高血压、冠心病、中风和猝死等问题。
发明内容
为克服现有技术所存在的缺陷，本发明提供使用投影技术增强睡眠技术，能够解决上述技术问题。
本发明通过以下技术方案来实现上述目的：
使用投影技术增强睡眠技术，按照下述步骤依次进行：
步骤一：建立个性化的“EEG/体动-ECG/体动-正常年龄黄金睡眠分期”三角睡眠质量采集与评估模型。通过“EEG/体动-ECG/体动-正常年龄黄金睡眠分期”的三者的三个方面指标：体征数据、睡眠分期情况、根据个人年龄睡眠质量偏离正常情况程度，进行关联分析建模，建模算法如下：
(2)设计正常年龄黄金睡眠分期函数，根据我们28000例实验样本数据，正常人群睡眠结构对比，睡眠各阶段所占百分率与年龄关系初始值如下：
综合计算各分期偏离该年龄段正常睡眠的程度，侧重精神、体力两个方面关联度最大的两个分期S3、S4，作为睡眠个人睡眠质量得分计算公式为：其中S1、S2、S3、S4、S(3+4)、SW、SR分别代表睡眠1期、2期、3期、4期、清醒期、快速眼动器对应年龄段的标准百分率，通过已有样本的均值得到，上表为初始样本的数据。S1i、S2i、S3i、S4i、S(3+4)、SWi、SRi为用户第i次使用数据的记录。
(2)对EEG特征提取，通过对脑电信号进行小波变换、希尔伯特黄(Hilbert-Huang)变换和奇异值分解获取脑电信号的小波熵、Hilbert-Huang熵，以及奇异值第一主成分(奇异谱中的最大值)，分别记为特征向量P1、P2、P3。
(3)计算极低频(VLF)、低频(LF)和高频(HF)的频谱熵，并通过小波变换计算HRV的分形维度，分别记为特征向量P4、P5、P6、P7。
(4)EEG信号delta频段与HRV参数的相干系数：对EEG信号以及HRV信号进行功率谱密度分析，并进行归一化处理，然后利用改进的相干函数分别计算EEG信号delta频段与HRV信号LF、HF的相干系数，分别记为特征向量P8、P9。
(5)求EEG信号delta频段与HRV信号LF、HF的相干系数：在睡眠分期标准中，时间分辨率为30s，与其一致，截取同一时间段30s的EEG、HRV信号，进行预处理，包括变参考、降采样、去噪声与干扰，预处理后的EEG信号记为x，HRV信号记为y，采用Welch算法计算EEG、HRV的功率谱密度以及两者的互功率谱密度，分别记为Pxx(f1)、Pxy(f2)、Pyy(f1，f2)。
其中U是归一化因子，d2(n)是高斯窗函数，L为将该段数据所分段数，M为每段的长度。Xt(n)是x(EEG信号)的第i段数据，Yt(n)是(HRV信号)的第i段数据，j为虚单位，j＝-1。
(6)用改进的相干函数分别计算EEG信号delta频段与HRV信号LF、HF的相干系数，
然后计算EEG信号的f1在delta频段[0.5，4]，HRV信号的f2在LF[0.05，0.15]范围内的平均相干系数CohxyLF，作为EEG信号delta频段与HRV信号LF的想干系数，再计算f1在delta频段[0.5，4]，f2在HF[0.15，0.4]范围的平均相干系数CohxyHF，作为delta频段与HF的相关系数。
其中，n为f1在[0.5，4]，f2在[0.05，0.15]范围内Cohxy(f1f2)的点数，m为f1在[0.5，4]，f2在[0.15，0.4]范围内Cohxy(f1f2)的点数。
(7)获取每一时间片段的体动强度，体动强度的表征方法：
A代表时间片段内的体动强度，X(t)、Y(t)、Z(t)分别是采样点处经过所述预处理后的三轴加速度信号，计算每一时间片段的睡眠/觉醒实时识别函数的值，该睡眠/觉醒实时识别函数如下所示：D＝P(W-4A-4+W-3A-3+W-2A-2+W-1A-1+W-0A-0)
其中，P代表比例因子，A0代表当前时间片段内的体动强度，A-n代表之前第n个时间片段内的体动强度，W0代表选取当前时间片段的体动强度的权重系数，W-n代表选取之前第n个时间片段的体动强度的权重系统，n＝1，2，3，4。
(8)采用改进的相干性评价参数，脑电信号x在频率分量为f1，心率变异信号y在频率分量为f2处的分量振幅乘积的标准化均值，其取值区间为[0，1]，反映了2个信号的相关程度。相干谱越接近1，表明2个信号越相关。相干系数为1，表明2个信号之间高度相关，且一个信号是另一个信号的倍数；相干系数为0，表明2个信号完全无关，特征提取后，使用SVM对特征进行识别，进行自动睡眠分期，选取1000组进行训练，并以睡眠分期为输出，经过训练分别得到基于EEG、HRV及其相干性的自动睡眠分期预测模型，然后进行自动睡眠分期，分别得到“EEG/体动-正常年龄黄金睡眠分期”、“ECG/体动-正常年龄黄金睡眠分期”数据，然后采用算法(1)中的睡眠质量得分公式计算数据，数据越小，睡眠质量越好(院内院外采集的过程因子数据(年龄、体动、呼吸、心率、体温)的影响均已包含于评分结果中)。
步骤二：对环境参数和体征参数进行采集，环境参数采集通过时钟电路来判断所属时间范围、光度感应器接收当前光亮的照度数值、投影控制端将光亮照度数值和时间范围传递给光源控制器，通过光源控制器依据司辰效应比值公式来选择合适的投影光源，来调节投影的光源(确定光源控制方案)，从而实现手机投影灯的健康睡眠照明(并通过光源选择器去控制光源实现健康睡眠照明，体征参数采集通过可穿戴设备采集加速度、ECG数据，采样率大于等于256Hz，通过WIFI发送给智能投影手机。加速度采集包括三维加速度、三维磁场、三维角速度的几何均值。
步骤三：使用分层分级降维建模，利用所述加速度传感器的输出数据，并利用中值滤波判断人体运动类型，分层判断人体是否静止运动、运动部位、类型，分级抽样判断主要特征、全面验证重点特征的影响，进而判断翻身、推动、起床等睡眠等特征，建模时，首先通过加速度计输出合成幅值，处于给定的上下阈值之间，则判定人体静止；反之，则判定人运动，所述加速度计输出合成幅值为：
所述上下阈值分别为：tha min＝8m/s，tha max＝11m/s，第一条件为：
如果第一条件判断为静止，则不进行第二、第三条件的判断，加速度计输出的局部方差，低于给定的阈值，则判定该身体局部静止；反之，则判定该身体局部运动，所述第二条件计算公式为：
其中，thσa＝0.5，如果第二条件判断为该身体局部静止，则不进行第三条件的判断，反之，所述第三条件计算公式为：
其中，thamax＝50，然后进行运动的状态进行抽样计算并提取特征参数。
步骤四：建立体征环境深度互学多级联一体化智能投影手机模型，对降维后加速度、心电特征值进行睡眠分期，采集用户三个方向加速度/角速度值，对样本人群整体取标准差，N为样本量，先训练分类器，再用分类器识别样本；综合计算某人偏离整理人群的程度x，所述；其中，a、b、c分别为用户三个方向加速度/角速度值，健数据库的N类样本输入分类器训练，根据输入值判定是(1，N)中哪一类，如果超出(1，N)范围，则新注册类别N+1类，然后重新更新分类器；其中，加速度采集的数据有a、b、c三个方向特征值，当其与模型库对比时，对其取标准差，a、b、c为特征值的人群均值。N为样本量，先训练分类器，再用分类器识别样本，通过加速度信号向量模SVMA、角速度信号向量模SVMW，建立和自适应完善的识别模型，对所述运动状态进行细分，获得运动细分环节，识别起床的加速度信号向量模阈值取SVMAT＝20m/s2和角速度信号向量模阈值取SVMWT＝4rad/s，将环境参数、体征识别类型个体睡眠质量得分输入，使用通过有监督分类算法，以环境参数作为输入层，以个体睡眠质量评分作为输出层。通过与上一次环境参数输入形成的模型(历史最佳睡眠的环境参数)作为对比，个体睡眠质量好坏作为训练监督因子，更好为1，更差为0，工作信号的正向传播，在此期间，网络各神经元的权值和阀值保持不变，每一层神经元只影响下一层神经元的输入和状态，如果在输出端没有得到期望的输出值，网络即转入误差信号的反向传播过程。误差信号的反向传播，误差信号由输出端开始逐层回传，在此传播过程中，网络各神经元的权值和阀值由误差反馈按照一定的规则得以调整。以上两个阶段交替循环进行，每完成一次，用遗传算法进行修正，权重因子选用Sigmoid函数睡眠质量的指标值分别为：yj＝(y1j，y2j，y3j)，体征参数的权重系数向量为：w＝(w1，w2，w3)，其中w为(-1，1)之间的一个小数，按照相关系数先进行主观赋权，然后基于“指标差异”的赋权法(客观赋权法)对其进行训练调整，对原始数据进行标准化处理，通过举证中的每个元素减去所在列的均值，然后除以所在列的标准差，使得每个变量标准化为均值为0，方差为1的矩阵X。
步骤五：完成步骤四的模型建模后，遗传自适应完善模块，结合大数据蚁群算法进行持续的训练细分：人群边界中心距特征，边界中心距的定义是边界点到质心的距离，计算得分矩阵，将留下的特征值作为新变量主成分，利用下式计算得分矩阵：F(nxm)＝X(nxp)·U(pxm)
其中，X是原数据矩阵，U是主成分载荷，得分矩阵F即为降维后所得到的结果；每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率，进行适应度评估，不设定遗传算法的终止值，终止条件采用比高法，如果训练的识别率高于现有则设为最优参数，否则，执行选择、交叉和变异等操作进一步优化训练参数，同时个体作为整体人群中，对应画像人群的一个新输入因子，用VM遗传修正整体人群对应画像人群环境模型，其对应人群的睡眠环境用户画像不断清晰细化。SVM分类器适应度函数，为SVM分类器对样本划分正确率，随着样本量的增加，如果正确率高于历史最佳模型，则该模型取代原有最佳模型，从而随着样本量的增加模型自适应不断优化完善。
在本实施例中，所述步骤一中的通过智能投影手机、睡眠环境采集控制单元、睡眠质量评估单元、云端数据处理分析单元来实现数据采集与评估。
在本实施例中，所述智能投影手机通过近距离无线通讯方式(WIFI、zigbee模块、蓝牙模块、433无线通讯模块、315无线通讯模块)与睡眠环境采集控制单元连接和睡眠质量评估单元连接。并且通过3G、4G、GPRS、光纤等方式与云端数据处理分析单元连接，所述智能投影手机形态包含但不限定为机顶盒、智能平板、智能音箱。
在本实施例中，所述睡眠环境采集控制单元包括采集模块和控制模块，通过所述智能投影手机感光和感声模块采集，通过调节声光改善睡眠环境。
在本实施例中，所述睡眠质量评估单元包括体征采集模块和睡眠分析模块。采集模块通过医疗级多导睡眠仪或保健级可穿戴睡眠健康监护设备，根据应用场景和监护级别不同，采集脑电、心电、体动、鼾声、眼动等一种或多种生理指标。通过生理指标分析，进行睡眠结构分期，与标准对应人群睡眠结构对比，评估睡眠质量。
在本实施例中，所述云端数据处理分析单元将“整体人群睡眠环境模型”预设为评估策略，在其基础上，形成个人睡眠环境与睡眠质量进行深度学习关联分析，形成“个体睡眠环境影响模型”。该模型一方面影响个人睡眠环境的智能家电的参数设置，进入新一轮的训练学习中，随着数据量的增大，不断自适应完善“个体睡眠环境影响模型”。另一方面作为整体人群中，对应画像人群的一个新输入因子，修正整体人群对应画像人群环境模型。
本发明的有益效果是：
本发明提出通过投影手机及人体睡眠体征数据反应，结合睡眠分期评估数据，构建人工智能睡眠调节深度学习模型，自适应每个人人体个性化思辰效应比值动态设置，通过投影手机形成个性化的助眠灯光和助眠音乐，从而形成一套适合个人体征的投影睡眠模型，并建立群体对应特征人群画像与个人人群特征画像间的关联，通过遗传算法不断校正模型，形成个性化的投影手机入睡算法。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合附图对本发明作进一步说明：
使用投影技术增强睡眠技术，按照下述步骤依次进行：
步骤一：建立个性化的“EEG/体动-ECG/体动-正常年龄黄金睡眠分期”三角睡眠质量采集与评估模型。通过“EEG/体动一ECG/体动-正常年龄黄金睡眠分期”的三者的三个方面指标：体征数据、睡眠分期情况、根据个人年龄睡眠质量偏离正常情况程度，进行关联分析建模，建模算法如下：
(3)设计正常年龄黄金睡眠分期函数，根据我们28000例实验样本数据，正常人群睡眠结构对比，睡眠各阶段所占百分率与年龄关系初始值如下：
综合计算各分期偏离该年龄段正常睡眠的程度，侧重精神、体力两个方面关联度最大的两个分期S3、S4，作为睡眠个人睡眠质量得分计算公式为：其中S1、S2、S3、S4、S(3+4)、SW、SR分别代表睡眠1期、2期、3期、4期、清醒期、快速眼动器对应年龄段的标准百分率，通过已有样本的均值得到，上表为初始样本的数据。S1i、S2i、S3i、S4i、S(3+4)、SWi、SRi为用户第i次使用数据的记录。
(2)对EEG特征提取，通过对脑电信号进行小波变换、希尔伯特黄(Hilbert-Huang)变换和奇异值分解获取脑电信号的小波熵、Hilbert-Huang熵，以及奇异值第一主成分(奇异谱中的最大值)，分别记为特征向量P1、P2、P3。
(3)计算极低频(VLF)、低频(LF)和高频(HF)的频谱熵，并通过小波变换计算HRV的分形维度，分别记为特征向量P4、P5、P6、P7。
(4)EEG信号delta频段与HRV参数的相干系数：对EEG信号以及HRV信号进行功率谱密度分析，并进行归一化处理，然后利用改进的相干函数分别计算EEG信号delta频段与HRV信号LF、HF的相干系数，分别记为特征向量P8、P9。
(5)求EEG信号delta频段与HRV信号LF、HF的相干系数：在睡眠分期标准中，时间分辨率为30s，与其一致，截取同一时间段30s的EEG、HRV信号，进行预处理，包括变参考、降采样、去噪声与干扰，预处理后的EEG信号记为x，HRV信号记为y，采用Welch算法计算EEG、HRV的功率谱密度以及两者的互功率谱密度，分别记为Pxx(f1)、Pxy(f2)、Pyy(f1，f2)。
其中U是归一化因子，d2(n)是高斯窗函数，L为将该段数据所分段数，M为每段的长度。Xt(n)是x(EEG信号)的第i段数据，Yt(n)是(HRV信号)的第i段数据，j为虚单位，j＝-1。
(6)用改进的相干函数分别计算EEG信号delta频段与HRV信号LF、HF的相干系数，
然后计算EEG信号的f1在delta频段[0.5，4]，HRV信号的f2在LF[0.05，0.15]范围内的平均相干系数CohxyLF，作为EEG信号delta频段与HRV信号LF的想干系数，再计算f1在delta频段[0.5，4]，f2在HF[0.15，0.4]范围的平均相干系数CohxyHF，作为delta频段与HF的相关系数。
其中，n为f1在[0.5，4]，f2在[0.05，0.15]范围内Cohxy(f1f2)的点数，m为f1在[0.5，4]，f2在[0.15，0.4]范围内Cohxy(f1f2)的点数。
(7)获取每一时间片段的体动强度，体动强度的表征方法：
A代表时间片段内的体动强度，X(t)、Y(t)、Z(t)分别是采样点处经过所述预处理后的三轴加速度信号，计算每一时间片段的睡眠/觉醒实时识别函数的值，该睡眠/觉醒实时识别函数如下所示：D＝P(W-4A-4+W-3A-3+W-2A-2+W-1A-1+W-0A-0)
其中，P代表比例因子，A0代表当前时间片段内的体动强度，A-n代表之前第n个时间片段内的体动强度，W0代表选取当前时间片段的体动强度的权重系数，W-n代表选取之前第n个时间片段的体动强度的权重系统，n＝1，2，3，4。
(8)采用改进的相干性评价参数，脑电信号x在频率分量为f1，心率变异信号y在频率分量为f2处的分量振幅乘积的标准化均值，其取值区间为[0，1]，反映了2个信号的相关程度。相干谱越接近1，表明2个信号越相关。相干系数为1，表明2个信号之间高度相关，且一个信号是另一个信号的倍数；相干系数为0，表明2个信号完全无关，特征提取后，使用SVM对特征进行识别，进行自动睡眠分期，选取1000组进行训练，并以睡眠分期为输出，经过训练分别得到基于EEG、HRV及其相干性的自动睡眠分期预测模型，然后进行自动睡眠分期，分别得到“EEG/体动-正常年龄黄金睡眠分期”、“ECG/体动-正常年龄黄金睡眠分期”数据，然后采用算法(1)中的睡眠质量得分公式计算数据，数据越小，睡眠质量越好(院内院外采集的过程因子数据(年龄、体动、呼吸、心率、体温)的影响均已包含于评分结果中)。
步骤二：对环境参数和体征参数进行采集，环境参数采集通过时钟电路来判断所属时间范围、光度感应器接收当前光亮的照度数值、投影控制端将光亮照度数值和时间范围传递给光源控制器，通过光源控制器依据司辰效应比值公式来选择合适的投影光源，来调节投影的光源(确定光源控制方案)，从而实现手机投影灯的健康睡眠照明(并通过光源选择器去控制光源实现健康睡眠照明，体征参数采集通过可穿戴设备采集加速度、ECG数据，采样率大于等于256Hz，通过WIFI发送给智能投影手机。加速度采集包括三维加速度、三维磁场、三维角速度的几何均值。
步骤三：使用分层分级降维建模，利用所述加速度传感器的输出数据，并利用中值滤波判断人体运动类型，分层判断人体是否静止运动、运动部位、类型，分级抽样判断主要特征、全面验证重点特征的影响，进而判断翻身、推动、起床等睡眠等特征，建模时，首先通过加速度计输出合成幅值，处于给定的上下阈值之间，则判定人体静止；反之，则判定人运动，所述加速度计输出合成幅值为：
所述上下阈值分别为：tha min＝8m/s，tha max＝11m/s，第一条件为：
如果第一条件判断为静止，则不进行第二、第三条件的判断，加速度计输出的局部方差，低于给定的阈值，则判定该身体局部静止；反之，则判定该身体局部运动，所述第二条件计算公式为：
其中，thσa＝0.5，如果第二条件判断为该身体局部静止，则不进行第三条件的判断，反之，所述第三条件计算公式为：
其中，thamax＝50，然后进行运动的状态进行抽样计算并提取特征参数。
步骤四：建立体征环境深度互学多级联一体化智能投影手机模型，对降维后加速度、心电特征值进行睡眠分期，采集用户三个方向加速度/角速度值，对样本人群整体取标准差，N为样本量，先训练分类器，再用分类器识别样本；综合计算某人偏离整理人群的程度x，所述；其中，a、b、c分别为用户三个方向加速度/角速度值，健数据库的N类样本输入分类器训练，根据输入值判定是(1，N)中哪一类，如果超出(1，N)范围，则新注册类别N+1类，然后重新更新分类器；其中，加速度采集的数据有a、b、c三个方向特征值，当其与模型库对比时，对其取标准差，a、b、c为特征值的人群均值。N为样本量，先训练分类器，再用分类器识别样本，通过加速度信号向量模SVMA、角速度信号向量模SVMW，建立和自适应完善的识别模型，对所述运动状态进行细分，获得运动细分环节，识别起床的加速度信号向量模阈值取SVMAT＝20m/s2和角速度信号向量模阈值取SVMWT＝4rad/s，将环境参数、体征识别类型个体睡眠质量得分输入，使用通过有监督分类算法，以环境参数作为输入层，以个体睡眠质量评分作为输出层。通过与上一次环境参数输入形成的模型(历史最佳睡眠的环境参数)作为对比，个体睡眠质量好坏作为训练监督因子，更好为1，更差为0，工作信号的正向传播，在此期间，网络各神经元的权值和阀值保持不变，每一层神经元只影响下一层神经元的输入和状态，如果在输出端没有得到期望的输出值，网络即转入误差信号的反向传播过程。误差信号的反向传播，误差信号由输出端开始逐层回传，在此传播过程中，网络各神经元的权值和阀值由误差反馈按照一定的规则得以调整。以上两个阶段交替循环进行，每完成一次，用遗传算法进行修正，权重因子选用Sigmoid函数睡眠质量的指标值分别为：yj＝(y1j，y2j，y3j)，体征参数的权重系数向量为：w＝(w1，w2，w3)，其中w为(-1，1)之间的一个小数，按照相关系数先进行主观赋权，然后基于“指标差异”的赋权法(客观赋权法)对其进行训练调整，对原始数据进行标准化处理，通过举证中的每个元素减去所在列的均值，然后除以所在列的标准差，使得每个变量标准化为均值为0，方差为1的矩阵X。
步骤五：完成步骤四的模型建模后，遗传自适应完善模块，结合大数据蚁群算法进行持续的训练细分：人群边界中心距特征，边界中心距的定义是边界点到质心的距离，计算得分矩阵，将留下的特征值作为新变量主成分，利用下式计算得分矩阵：F(nxm)＝X(nxp)·U(pxm)
其中，X是原数据矩阵，U是主成分载荷，得分矩阵F即为降维后所得到的结果；每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率，进行适应度评估，不设定遗传算法的终止值，终止条件采用比高法，如果训练的识别率高于现有则设为最优参数，否则，执行选择、交叉和变异等操作进一步优化训练参数，同时个体作为整体人群中，对应画像人群的一个新输入因子，用VM遗传修正整体人群对应画像人群环境模型，其对应人群的睡眠环境用户画像不断清晰细化。SVM分类器适应度函数，为SVM分类器对样本划分正确率，随着样本量的增加，如果正确率高于历史最佳模型，则该模型取代原有最佳模型，从而随着样本量的增加模型自适应不断优化完善。
在本实施例中，所述步骤一中的通过智能投影手机、睡眠环境采集控制单元、睡眠质量评估单元、云端数据处理分析单元来实现数据采集与评估。
在本实施例中，所述智能投影手机通过近距离无线通讯方式(WIFI、zigbee模块、蓝牙模块、433无线通讯模块、315无线通讯模块)与睡眠环境采集控制单元连接和睡眠质量评估单元连接。并且通过3G、4G、GPRS、光纤等方式与云端数据处理分析单元连接，所述智能投影手机形态包含但不限定为机顶盒、智能平板、智能音箱。
在本实施例中，所述睡眠环境采集控制单元包括采集模块和控制模块，通过所述智能投影手机感光和感声模块采集，通过调节声光改善睡眠环境。
在本实施例中，所述睡眠质量评估单元包括体征采集模块和睡眠分析模块。采集模块通过医疗级多导睡眠仪或保健级可穿戴睡眠健康监护设备，根据应用场景和监护级别不同，采集脑电、心电、体动、鼾声、眼动等一种或多种生理指标。通过生理指标分析，进行睡眠结构分期，与标准对应人群睡眠结构对比，评估睡眠质量。
在本实施例中，所述云端数据处理分析单元将“整体人群睡眠环境模型”预设为评估策略，在其基础上，形成个人睡眠环境与睡眠质量进行深度学习关联分析，形成“个体睡眠环境影响模型”。该模型一方面影响个人睡眠环境的智能家电的参数设置，进入新一轮的训练学习中，随着数据量的增大，不断自适应完善“个体睡眠环境影响模型”。另一方面作为整体人群中，对应画像人群的一个新输入因子，修正整体人群对应画像人群环境模型。
最后所应说明的是：以上实施例仅用以说明而非限制本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应该理解：依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.使用投影技术增强睡眠技术，其特征在于：按照下述步骤依次进行：
步骤一：建立个性化的“EEG/体动-ECG/体动-正常年龄黄金睡眠分期”三角睡眠质量采集与评估模型。通过“EEG/体动-ECG/体动一正常年龄黄金睡眠分期”的三者的三个方面指标：体征数据、睡眠分期情况、根据个人年龄睡眠质量偏离正常情况程度，进行关联分析建模，建模算法如下：
(1)设计正常年龄黄金睡眠分期函数，根据我们28000例实验样本数据，正常人群睡眠结构对比，睡眠各阶段所占百分率与年龄关系初始值如下：
综合计算各分期偏离该年龄段正常睡眠的程度，侧重精神、体力两个方面关联度最大的两个分期S3、S4，作为睡眠个人睡眠质量得分计算公式为：
其中S1、S2、S3、S4、S(3+4)、SW、SR分别代表睡眠1期、2期、3期、4期、清醒期、快速眼动器对应年龄段的标准百分率，通过已有样本的均值得到，上表为初始样本的数据。S1i、S2i、S3i、S4i、S(3+4)、SWi、SRi为用户第i次使用数据的记录。
(2)对EEG特征提取，通过对脑电信号进行小波变换、希尔伯特黄(Hilbert-Huang)变换和奇异值分解获取脑电信号的小波熵、Hilbert-Huang熵，以及奇异值第一主成分(奇异谱中的最大值)，分别记为特征向量P1、P2、P3。
(3)计算极低频(VLF)、低频(LF)和高频(HF)的频谱熵，并通过小波变换计算HRV的分形维度，分别记为特征向量P4、P5、P6、P7。
(4)EEG信号delta频段与HRV参数的相干系数：对EEG信号以及HRV信号进行功率谱密度分析，并进行归一化处理，然后利用改进的相干函数分别计算EEG信号delta频段与HRV信号LF、HF的相干系数，分别记为特征向量P8、P9。
(5)求EEG信号delta频段与HRV信号LF、HF的相干系数：在睡眠分期标准中，时间分辨率为30s，与其一致，截取同一时间段30s的EEG、HRV信号，进行预处理，包括变参考、降采样、去噪声与干扰，预处理后的EEG信号记为x，HRV信号记为y，采用Welch算法计算EEG、HRV的功率谱密度以及两者的互功率谱密度，分别记为Pxx(f1)、Pxy(f2)、Pyy(f1，f2)。
其中U是归一化因子，d2(n)是高斯窗函数，L为将该段数据所分段数，M为每段的长度。Xt(n)是x(EEG信号)的第i段数据，Yt(n)是的第i段数据，j为虚单位，j＝-1。
(6)用改进的相干函数分别计算EEG信号delta频段与HRV信号LF、HF的相干系数，
然后计算EEG信号的f1在delta频段[0.5，4]，HRV信号的f2在LF[0.05，0.15]范围内的平均相干系数CohxyLF，作为EEG信号delta频段与HRV信号LF的想干系数，再计算f1在delta频段[0.5，4]，f2在HF[0.15，0.4]范围的平均相干系数CohxyHF，作为delta频段与HF的相关系数。
其中，n为f1在[0.5，4]，f2在[0.05，0.15]范围内Cohxy(f1f2)的点数，m为f1在[0.5，4]，f2在[0.15，0.4]范围内Cohxy(f1f2)的点数。
(7)获取每一时间片段的体动强度，体动强度的表征方法：
A代表时间片段内的体动强度，X(t)、Y(t)、Z(t)分别是采样点处经过所述预处理后的三轴加速度信号，计算每一时间片段的睡眠/觉醒实时识别函数的值，该睡眠/觉醒实时识别函数如下所示：D＝P(W_4A-4+W-3A-3+W_2A-2+W-1A-1+W-0A-0)
其中，P代表比例因子，A0代表当前时间片段内的体动强度，A-n代表之前第n个时间片段内的体动强度，W0代表选取当前时间片段的体动强度的权重系数，W-n代表选取之前第n个时间片段的体动强度的权重系统，n＝1，2，3，4。
(8)采用改进的相干性评价参数，脑电信号x在频率分量为f1，心率变异信号y在频率分量为f2处的分量振幅乘积的标准化均值，其取值区间为[0，1]，反映了2个信号的相关程度。相干谱越接近1，表明2个信号越相关。相干系数为1，表明2个信号之间高度相关，且一个信号是另一个信号的倍数；相干系数为0，表明2个信号完全无关，特征提取后，使用SVM对特征进行识别，进行自动睡眠分期，选取1000组进行训练，并以睡眠分期为输出，经过训练分别得到基于EEG、HRV及其相干性的自动睡眠分期预测模型，然后进行自动睡眠分期，分别得到“EEG/体动-正常年龄黄金睡眠分期”、“ECG/体动-正常年龄黄金睡眠分期”数据，然后采用算法(1)中的睡眠质量得分公式计算数据，数据越小，睡眠质量越好(院内院外采集的过程因子数据(年龄、体动、呼吸、心率、体温)的影响均已包含于评分结果中)。
步骤二：对环境参数和体征参数进行采集，环境参数采集通过时钟电路来判断所属时间范围、光度感应器接收当前光亮的照度数值、投影控制端将光亮照度数值和时间范围传递给光源控制器，通过光源控制器依据司辰效应比值公式来选择合适的投影光源，来调节投影的光源(确定光源控制方案)，从而实现手机投影灯的健康睡眠照明(并通过光源选择器去控制光源实现健康睡眠照明，体征参数采集通过可穿戴设备采集加速度、ECG数据，采样率大于等于256Hz，通过WIFI发送给智能投影手机。加速度采集包括三维加速度、三维磁场、三维角速度的几何均值。
步骤三：使用分层分级降维建模，利用所述加速度传感器的输出数据，并利用中值滤波判断人体运动类型，分层判断人体是否静止运动、运动部位、类型，分级抽样判断主要特征、全面验证重点特征的影响，进而判断翻身、推动、起床等睡眠等特征，建模时，首先通过加速度计输出合成幅值，处于给定的上下阈值之间，则判定人体静止；反之，则判定人运动，所述加速度计输出合成幅值为：
所述上下阈值分别为：tha min＝8m/s，tha max＝11m/s，第一条件为：
如果第一条件判断为静止，则不进行第二、第三条件的判断，加速度计输出的局部方差，低于给定的阈值，则判定该身体局部静止；反之，则判定该身体局部运动，所述第二条件计算公式为：
其中，thσa＝0.5，如果第二条件判断为该身体局部静止，则不进行第三条件的判断，反之，所述第三条件计算公式为：
其中，thamax＝50，然后进行运动的状态进行抽样计算并提取特征参数。
步骤四：建立体征环境深度互学多级联一体化智能投影手机模型，对降维后加速度、心电特征值进行睡眠分期，采集用户三个方向加速度/角速度值，对样本人群整体取标准差，N为样本量，先训练分类器，再用分类器识别样本；综合计算某人偏离整理人群的程度x，所述；其中，a、b、c分别为用户三个方向加速度/角速度值，健数据库的N类样本输入分类器训练，根据输入值判定是(1，N)中哪一类，如果超出(1，N)范围，则新注册类别N+1类，然后重新更新分类器；其中，加速度采集的数据有a、b、c三个方向特征值，当其与模型库对比时，对其取标准差，a、b、c为特征值的人群均值。N为样本量，先训练分类器，再用分类器识别样本，通过加速度信号向量模SVMA、角速度信号向量模SVMW，建立和自适应完善的识别模型，对所述运动状态进行细分，获得运动细分环节，识别起床的加速度信号向量模阈值取SVMAT＝20m/s2和角速度信号向量模阈值取SVMWT＝4rad/s，将环境参数、体征识别类型个体睡眠质量得分输入，使用通过有监督分类算法，以环境参数作为输入层，以个体睡眠质量评分作为输出层。通过与上一次环境参数输入形成的模型(历史最佳睡眠的环境参数)作为对比，个体睡眠质量好坏作为训练监督因子，更好为1，更差为0，工作信号的正向传播，在此期间，网络各神经元的权值和阀值保持不变，每一层神经元只影响下一层神经元的输入和状态，如果在输出端没有得到期望的输出值，网络即转入误差信号的反向传播过程。误差信号的反向传播，误差信号由输出端开始逐层回传，在此传播过程中，网络各神经元的权值和阀值由误差反馈按照一定的规则得以调整。以上两个阶段交替循环进行，每完成一次，用遗传算法进行修正，权重因子选用Sigmoid函数睡眠质量的指标值分别为：yj＝(y1 j，y2 j，y3 j)，体征参数的权重系数向量为：w＝(w1，w2，w3)，其中w为(-1，1)之间的一个小数，按照相关系数先进行主观赋权，然后基于“指标差异”的赋权法(客观赋权法)对其进行训练调整，对原始数据进行标准化处理，通过举证中的每个元素减去所在列的均值，然后除以所在列的标准差，使得每个变量标准化为均值为0，方差为1的矩阵X。
步骤五：完成步骤四的模型建模后，遗传自适应完善模块，结合大数据蚁群算法进行持续的训练细分：人群边界中心距特征，边界中心距的定义是边界点到质心的距离，计算得分矩阵，将留下的特征值作为新变量主成分，利用下式计算得分矩阵：F(nxm)＝X(nxp)·U(pxm)
其中，X是原数据矩阵，U是主成分载荷，得分矩阵F即为降维后所得到的结果；每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率，进行适应度评估，不设定遗传算法的终止值，终止条件采用比高法，如果训练的识别率高于现有则设为最优参数，否则，执行选择、交叉和变异等操作进一步优化训练参数，同时个体作为整体人群中，对应画像人群的一个新输入因子，用VM遗传修正整体人群对应画像人群环境模型，其对应人群的睡眠环境用户画像不断清晰细化。SVM分类器适应度函数，为SVM分类器对样本划分正确率，随着样本量的增加，如果正确率高于历史最佳模型，则该模型取代原有最佳模型，从而随着样本量的增加模型自适应不断优化完善。
2.根据权利要求1所述的使用投影技术增强睡眠技术，其特征在于：所述步骤一中通过智能投影手机、睡眠环境采集控制单元、睡眠质量评估单元、云端数据处理分析单元来实现数据采集与评估。
3.根据权利要求2所述的使用投影技术增强睡眠技术，其特征在于：所述智能投影手机通过近距离无线通讯方式(WIFI、zigbee模块、蓝牙模块、433无线通讯模块、315无线通讯模块)与睡眠环境采集控制单元连接和睡眠质量评估单元连接。
4.根据权利要求2所述的使用投影技术增强睡眠技术，其特征在于：所述睡眠环境采集控制单元包括采集模块和控制模块，通过所述智能投影手机感光和感声模块采集，通过调节声光改善睡眠环境。
5.根据权利要求2所述的使用投影技术增强睡眠技术，其特征在于：所述睡眠质量评估单元包括体征采集模块和睡眠分析模块。采集模块通过医疗级多导睡眠仪或保健级可穿戴睡眠健康监护设备，根据应用场景和监护级别不同，采集脑电、心电、体动、鼾声、眼动等一种或多种生理指标。通过生理指标分析，进行睡眠结构分期，与标准对应人群睡眠结构对比，评估睡眠质量。
6.根据权利要求2所述的使用投影技术增强睡眠技术，其特征在于：所述云端数据处理分析单元将“整体人群睡眠环境模型”预设为评估策略，在其基础上，形成个人睡眠环境与睡眠质量进行深度学习关联分析，形成“个体睡眠环境影响模型”。该模型一方面影响个人睡眠环境的智能家电的参数设置，进入新一轮的训练学习中，随着数据量的增大，不断自适应完善“个体睡眠环境影响模型”。另一方面作为整体人群中，对应画像人群的一个新输入因子，修正整体人群对应画像人群环境模型。
7.根据权利要求3所述的使用投影技术增强睡眠技术，其特征在于：所述智能投影手机通过3G、4G、GPRS、光纤等方式与云端数据处理分析单元连接，所述智能投影手机形态包含但不限定为机顶盒、智能平板、智能音箱。
CN201811066287.2A 2018-09-12 2018-09-12 使用投影技术增强睡眠技术 Pending CN109260566A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811066287.2A CN109260566A (zh) 2018-09-12 2018-09-12 使用投影技术增强睡眠技术

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811066287.2A CN109260566A (zh) 2018-09-12 2018-09-12 使用投影技术增强睡眠技术

Publications (1)

Publication Number Publication Date
CN109260566A true CN109260566A (zh) 2019-01-25

Family

ID=65188893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811066287.2A Pending CN109260566A (zh) 2018-09-12 2018-09-12 使用投影技术增强睡眠技术

Country Status (1)

Country Link
CN (1) CN109260566A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109999314A (zh) * 2019-05-15 2019-07-12 江南大学 一种基于脑电波监测智能助眠系统及其睡眠耳机
CN111880423A (zh) * 2020-07-21 2020-11-03 上海交通大学 晨间唤醒方法及系统
CN111887830A (zh) * 2020-09-10 2020-11-06 贵州省人民医院 睡眠监测方法、装置、设备及可读存储介质
CN114675556A (zh) * 2022-03-29 2022-06-28 浙江想能睡眠科技股份有限公司 一种个性化助眠智能枕装置及控制方法
CN116269222A (zh) * 2023-02-21 2023-06-23 广东壹健康健康产业集团股份有限公司 一种针对女性经期气血评测方法、装置及存储介质
CN116269220A (zh) * 2023-02-21 2023-06-23 广东壹健康健康产业集团股份有限公司 一种睡眠数据持续监测和管理的方法及可穿戴设备
CN117531090A (zh) * 2024-01-10 2024-02-09 深圳市光速时代科技有限公司 基于智能手表进行舒缓助眠的处理方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102626538A (zh) * 2012-03-30 2012-08-08 北京品驰医疗设备有限公司 基于睡眠检测的集成式闭环脑深部刺激器
CN103584840A (zh) * 2013-11-25 2014-02-19 天津大学 基于脑电、心率变异及两者相干性的自动睡眠分期方法
CN104197216A (zh) * 2014-08-28 2014-12-10 江苏仓海工业设计有限公司 两用投影睡眠灯
CN104434068A (zh) * 2014-12-26 2015-03-25 上海翰临电子科技有限公司 一种基于环境监测的睡眠分析方法及设备
CN106725462A (zh) * 2017-01-12 2017-05-31 兰州大学 基于脑电信号的声光睡眠干预系统和方法
CN106971059A (zh) * 2017-03-01 2017-07-21 福州云开智能科技有限公司 一种基于神经网络自适应健康监测的可穿戴设备
US20170213450A1 (en) * 2016-01-26 2017-07-27 Samsung Electronics Co., Ltd. Electronic device and control method thereof
CN107743331A (zh) * 2017-10-18 2018-02-27 普联技术有限公司 光源控制方法、装置和系统
CN107753026A (zh) * 2017-09-28 2018-03-06 古琳达姬（厦门）股份有限公司 针对脊柱腿部健康的智能鞋自适应监测方法
WO2018115277A1 (en) * 2016-12-22 2018-06-28 Koninklijke Philips N.V. System and method for outputting an indicator representative of the effects of stimulation provided to a subject during sleep
CN108510075A (zh) * 2018-04-19 2018-09-07 广西欣歌拉科技有限公司 睡眠质量与环境变量相关性的监测推理系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102626538A (zh) * 2012-03-30 2012-08-08 北京品驰医疗设备有限公司 基于睡眠检测的集成式闭环脑深部刺激器
CN103584840A (zh) * 2013-11-25 2014-02-19 天津大学 基于脑电、心率变异及两者相干性的自动睡眠分期方法
CN104197216A (zh) * 2014-08-28 2014-12-10 江苏仓海工业设计有限公司 两用投影睡眠灯
CN104434068A (zh) * 2014-12-26 2015-03-25 上海翰临电子科技有限公司 一种基于环境监测的睡眠分析方法及设备
US20170213450A1 (en) * 2016-01-26 2017-07-27 Samsung Electronics Co., Ltd. Electronic device and control method thereof
WO2018115277A1 (en) * 2016-12-22 2018-06-28 Koninklijke Philips N.V. System and method for outputting an indicator representative of the effects of stimulation provided to a subject during sleep
CN106725462A (zh) * 2017-01-12 2017-05-31 兰州大学 基于脑电信号的声光睡眠干预系统和方法
CN106971059A (zh) * 2017-03-01 2017-07-21 福州云开智能科技有限公司 一种基于神经网络自适应健康监测的可穿戴设备
CN107753026A (zh) * 2017-09-28 2018-03-06 古琳达姬（厦门）股份有限公司 针对脊柱腿部健康的智能鞋自适应监测方法
CN107743331A (zh) * 2017-10-18 2018-02-27 普联技术有限公司 光源控制方法、装置和系统
CN108510075A (zh) * 2018-04-19 2018-09-07 广西欣歌拉科技有限公司 睡眠质量与环境变量相关性的监测推理系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李谷 等: "基于脑电信号Hilbert-Huang变换的睡眠分期研究", 《航天医学与医学工程》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109999314A (zh) * 2019-05-15 2019-07-12 江南大学 一种基于脑电波监测智能助眠系统及其睡眠耳机
CN111880423A (zh) * 2020-07-21 2020-11-03 上海交通大学 晨间唤醒方法及系统
CN111887830A (zh) * 2020-09-10 2020-11-06 贵州省人民医院 睡眠监测方法、装置、设备及可读存储介质
CN114675556A (zh) * 2022-03-29 2022-06-28 浙江想能睡眠科技股份有限公司 一种个性化助眠智能枕装置及控制方法
CN114675556B (zh) * 2022-03-29 2023-12-26 浙江想能睡眠科技股份有限公司 一种个性化助眠智能枕装置及控制方法
CN116269222A (zh) * 2023-02-21 2023-06-23 广东壹健康健康产业集团股份有限公司 一种针对女性经期气血评测方法、装置及存储介质
CN116269220A (zh) * 2023-02-21 2023-06-23 广东壹健康健康产业集团股份有限公司 一种睡眠数据持续监测和管理的方法及可穿戴设备
CN117531090A (zh) * 2024-01-10 2024-02-09 深圳市光速时代科技有限公司 基于智能手表进行舒缓助眠的处理方法及系统
CN117531090B (zh) * 2024-01-10 2024-04-09 深圳市光速时代科技有限公司 基于智能手表进行舒缓助眠的处理方法及系统

Similar Documents

Publication Publication Date Title
CN109260566A (zh) 使用投影技术增强睡眠技术
CN106503799B (zh) 基于多尺度网络的深度学习模型及在脑状态监测中的应用
CN109568760A (zh) 一种睡眠环境调节方法及系统
CN109726771A (zh) 异常驾驶检测模型建立方法、装置及存储介质
CN110944577B (zh) 一种血氧饱和度的检测方法与系统
CN110706816B (zh) 一种基于人工智能进行睡眠环境调控的方法及设备
CN107358036A (zh) 一种儿童近视风险预测方法、装置及系统
WO2020140913A1 (zh) 数据处理方法及装置、电子设备及存储介质
CN113729707A (zh) 一种基于fecnn-lstm的眼动和ppg多模态融合的情感识别方法
CN106934199A (zh) 一种心理压力评估方法及装置
CN109905943B (zh) 基于注意力因素的照明控制装置
CN109858553A (zh) 驾驶状态的监测模型更新方法、更新装置及存储介质
CN107205652A (zh) 具有特征生成和自动映射的睡眠分析系统
CN109223002A (zh) 自闭症患病预测方法、装置、设备及存储介质
US20200367811A1 (en) Method and apparatus for detecting a sleep state
CN113326937A (zh) 入睡环境灯具调控方法
CN109256207A (zh) 一种基于XGBoost+SVM混合机器学习诊断圆锥角膜病例的方法
CN110893100A (zh) 基于足底压力传感器监测体态变化的装置和方法
CN114999237A (zh) 一种智慧教育互动教学方法
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
WO2020126514A1 (en) A method and device for predicting evolution over time of a vision-related parameter
KR20210023631A (ko) 딥러닝 모듈을 이용한 발달장애 개선 시스템 및 방법
CN113988123A (zh) 一种基于自加权增量rvfl网络的脑电疲劳预测方法
CN112001305A (zh) 基于梯度提升决策树的特征优化ssvep异步识别方法
CA3152707A1 (en) Selection of intraocular lens based on a plurality of machine learning models

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190125