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 PDFInfo
- 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
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
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。
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)
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)
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 |
-
2018
- 2018-09-12 CN CN201811066287.2A patent/CN109260566A/zh active Pending
Patent Citations (11)
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)
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)
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 | |
CN109726771A (zh) | 异常驾驶检测模型建立方法、装置及存储介质 | |
CN108847279B (zh) | 一种基于脉搏波数据的睡眠呼吸状态自动判别方法及系统 | |
CN107358036A (zh) | 一种儿童近视风险预测方法、装置及系统 | |
CN105827731A (zh) | 基于融合模型的智能化健康管理服务器、系统及其控制方法 | |
WO2020140913A1 (zh) | 数据处理方法及装置、电子设备及存储介质 | |
CN110163371B (zh) | 入睡环境调光优化方法 | |
CN109905943B (zh) | 基于注意力因素的照明控制装置 | |
CN106934199A (zh) | 一种心理压力评估方法及装置 | |
CN111967362B (zh) | 面向可穿戴设备的超图特征融合和集成学习的人体行为识别方法 | |
US20200367811A1 (en) | Method and apparatus for detecting a sleep state | |
CN111516700A (zh) | 一种驾驶员分心细粒度监测方法和系统 | |
CN109858553A (zh) | 驾驶状态的监测模型更新方法、更新装置及存储介质 | |
CN109223002A (zh) | 自闭症患病预测方法、装置、设备及存储介质 | |
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 | |
CN109949438A (zh) | 异常驾驶监测模型建立方法、装置及存储介质 | |
CN107967941A (zh) | 一种基于智能视觉重构的无人机人体健康监控方法与系统 | |
CN114469120B (zh) | 一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法 | |
Hung et al. | Suppressed fuzzy-soft learning vector quantization for MRI segmentation | |
KR20210023631A (ko) | 딥러닝 모듈을 이용한 발달장애 개선 시스템 및 방법 | |
CN115969329B (zh) | 一种睡眠分期方法、系统、装置及介质 | |
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 | |
EP3899987A1 (en) | A method and device for predicting evolution over time of a vision-related parameter | |
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 |
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 |