CN109303565B - 一种睡眠状态的预测方法及装置 - Google Patents

一种睡眠状态的预测方法及装置 Download PDF

Info

Publication number
CN109303565B
CN109303565B CN201710620340.8A CN201710620340A CN109303565B CN 109303565 B CN109303565 B CN 109303565B CN 201710620340 A CN201710620340 A CN 201710620340A CN 109303565 B CN109303565 B CN 109303565B
Authority
CN
China
Prior art keywords
sleep state
time interval
probability
sleep
value
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.)
Active
Application number
CN201710620340.8A
Other languages
English (en)
Other versions
CN109303565A (zh
Inventor
单彦会
曹轲
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.)
China Mobile Communications Group Co Ltd
China Mobile Hangzhou Information Technology Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Hangzhou Information 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 China Mobile Communications Group Co Ltd, China Mobile Hangzhou Information Technology Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201710620340.8A priority Critical patent/CN109303565B/zh
Publication of CN109303565A publication Critical patent/CN109303565A/zh
Application granted granted Critical
Publication of CN109303565B publication Critical patent/CN109303565B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • 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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本申请实施例中公开了一种睡眠状态的预测方法及装置，该方法为获取设置的一个时间区间的各个时刻的身体加速度数据；基于获取的各个身体加速度数据，确定一个时间区间的运动指标，并获得对应运动指标设置的观测状态值，其中，运动指标表征用户在一个时间区间运动的变化程度；基于观测状态值和睡眠状态模型，分别获得每一种睡眠状态的概率；获取各个概率中的最大值，并将最大值对应的睡眠状态作为预测结果。这样，可以简化操作步骤，降低计算的复杂度，节省系统资源，提高预测效率，针对用户专门定制，提高预测的精准度。

Description

一种睡眠状态的预测方法及装置
技术领域
本申请涉及智能技术领域，尤其涉及一种睡眠状态的预测方法及装置。
背景技术
随着智能技术的发展，终端功能的不断多样化，终端逐渐应用于睡眠监测领域，对用户的睡眠状态进行监测，以确定用户的健康状况。
现有技术下，对用户的睡眠状态进行监测，主要采用以下方式：
第一种方式为：采用多导睡眠图仪(Polysomnography，PSG)对用户的脑电波进行监测，获得用户的睡眠状态。
但是，采用这种方式，由于脑电波信号极其微弱，因此，在应用PSG时，需要在用户的头部贴多个电极以获得脑电波信号，操作步骤繁琐，这给用户带来了极大的不便。
第二种方式为：通过智能可穿戴设备中包含的加速度传感器、心率传感器以及声音监测传感器，采集用户运动的加速度数据、心率数据以及呼吸数据，并对获取的数据进行分析，从而获得用户的睡眠状态。
但是，采用这种方式，获取的大量数据，会耗费大量的存储资源，并且由于数据的数据类型各不同，数据量较大，因此，计算的复杂度较高，这会耗费大量的系统资源以及时间成本。进一步地，由于用户睡眠状态的个体差异性，因此，对所有用户采用相同的参数进行数据分析，获得的结果的精确度较低。
发明内容
本申请实施例提供一种睡眠状态的预测方法及装置，用于简化操作步骤，降低计算的复杂度，节省系统资源，提高预测效率，针对用户专门定制，提高预测的精准度。
本申请实施例提供的具体技术方案如下：
第一方面，一种睡眠状态模型的建立方法，包括：
获取设置的各个时间区间内的身体加速度数据；
分别基于每一个时间区间内的各个身体速度数据，确定每一个时间区间对应的运动指标，并获得对应运动指标设置的观测状态值，其中，一个时间区间的运动指标表征用户在一个时间区间的运动的变化程度；
基于指定时间区间之前的各个观测状态值和预设的隐马尔可夫模型HMM，分别确定在指定时间区间出现每一种睡眠状态的前向概率，以及基于指定时间区间之后的各个观测状态值和HMM，分别确定在指定时间区间出现每一种睡眠状态的后向概率；
基于获取的前向概率和后向概率，对HMM中包含的睡眠参数进行调整，并将调整后的HMM，作为睡眠状态模型。
较佳的，分别基于每一个时间区间内的各个身体加速度数据，确定每一个时间区间对应的运动指标，并获得对应运动指标设置的观测状态值，具体包括：
获取用户在各个时间区间内包含的各个时刻的身体加速度数据，其中，一个时刻的身体加速度数据包括用户自身在各个指定方向的加速度；
分别计算用户在每一个时刻各个指定方向的加速度的平方和，获得相应的特征加速度；
分别计算每一个时间区间内的各个时刻的特征加速度的标准差，获得相应的加速度标准差，作为运动指标；
获取预设的各个数值区间，分别确定每一个运动指标对应的数值区间，并确定对应数值区间设置的观测状态值，获得各个时间区间的观测状态值。
较佳的，基于指定时间区间之前的各个观测状态值和预设的隐马尔可夫模型HMM，分别确定在指定时间区间出现每一种睡眠状态的前向概率，以及基于指定时间区间之后的各个观测状态值和HMM，分别确定在指定时间区间出现每一种睡眠状态的后向概率，具体包括：
基于预设的参数初始值，对HMM中包含的各个睡眠参数进行初始化，其中，睡眠参数包括：睡眠状态概率向量、转换矩阵和生成矩阵，睡眠状态概率向量表示各个睡眠状态对应的概率，转换矩阵中的元素表示睡眠状态之间互相转换的概率，生成矩阵中的元素表示基于每一个观测状态值获得的每一个睡眠状态的概率；
基于睡眠参数中包含的睡眠状态概率向量、转换矩阵和生成矩阵，以及指定时间区间之前的各个观测状态值，采用预设的前向概率算法，分别获得每一种睡眠状态在指定时间区间的前向概率；
基于睡眠参数中包含的睡眠状态概率向量、转换矩阵和生成矩阵，以及指定时间区间之后的各个观测状态值，采用预设的后向概率算法，分别获得每一种睡眠状态在指定时间区间的后向概率。
较佳的，基于获取的前向概率和后向概率，对HMM中包含的睡眠参数进行调整，具体包括：
基于各个前向概率和各个后向概率，以及睡眠参数中包含的睡眠状态概率向量、转换矩阵和生成矩阵，采用表达式：
Figure BDA0001361541180000031
获得各个睡眠状态之间的变换概率；
基于获取的各个变换概率，采用表达式：
Figure BDA0001361541180000032
获得时间区间t内睡眠状态i的睡眠状态概率，并基于获取的各个睡眠状态对应的睡眠状态概率，对睡眠状态概率向量中的相应元素进行调整；
基于获取的各个变换概率和各个睡眠状态概率，采用表达式：
Figure BDA0001361541180000033
对转化矩阵中的相应元素aij进行调整；
基于获取的各个变换概率和各个睡眠状态概率，采用表达式：
Figure BDA0001361541180000034
对生成矩阵中的相应元素bjk进行调整；
其中，i，j均表示睡眠状态，N为睡眠状态的总数，k为观测状态值的总数，ft(i)为时间区间t内睡眠状态i的前向概率，aij为转化矩阵中的元素，表示在由睡眠状态i转换为睡眠状态j的概率，bjOt+1为生成矩阵中的元素，表示睡眠状态为j时，观测状态值为Ot+1的概率，zt(i，j)表示在时间区间t内为睡眠状态i，并且在时间区间t+1内睡眠状态j的概率，ut(i)为时间区间t内睡眠状态i的睡眠状态概率，ut(j)为时间区间t内睡眠状态j的睡眠状态概率，
Figure BDA0001361541180000041
为由睡眠状态i转换为睡眠状态j的概，
Figure BDA0001361541180000042
为确定睡眠状态为j时，观测状态值为Ot＝k的概率。
较佳的，将调整后的HMM，作为睡眠状态模型，具体包括：
计算调整前的睡眠状态向量与调整后的睡眠状态向量之间的差值，获得第一差值；
计算调整前的转化矩阵与调整后的转化矩阵之间的差值，获得第二差值；
计算调整前的生成矩阵与调整后的生成矩阵之间的差值，获得第三差值；
确定第一差值低于第一预设门限值，并且第二差值低于第二预设门限值，以及第三差值低于第三预设门限值时，将调整后的HMM，作为睡眠状态模型。
第二方面，一种睡眠状态的预测方法，采用第一方面任一项的方法获得的睡眠状态模型，包括：
获取设置的一个时间区间的各个时刻的身体加速度数据；
基于获取的各个身体加速度数据，确定一个时间区间的运动指标，并获得对应运动指标设置的观测状态值，其中，运动指标表征用户在一个时间区间运动的变化程度；
基于观测状态值和睡眠状态模型，分别获得每一种睡眠状态的概率；
获取各个概率中的最大值，并将最大值对应的睡眠状态作为预测结果。
第三方面，一种睡眠状态模型的建立装置，包括：
获取单元，用于获取设置的各个时间区间内的身体加速度数据；
计算单元，用于分别基于每一个时间区间内的各个身体速度数据，确定每一个时间区间对应的运动指标，并获得对应运动指标设置的观测状态值，其中，一个时间区间的运动指标表征用户在一个时间区间的运动的变化程度；
确定单元，用于基于指定时间区间之前的各个观测状态值和预设的隐马尔可夫模型HMM，分别确定在指定时间区间出现每一种睡眠状态的前向概率，以及基于指定时间区间之后的各个观测状态值和HMM，分别确定在指定时间区间出现每一种睡眠状态的后向概率；
获得单元，用于基于获取的前向概率和后向概率，对HMM中包含的睡眠参数进行调整，并将调整后的HMM，作为睡眠状态模型。
第四单元，一种睡眠状态的预测装置，采用第一方面任一项的方法获得的睡眠状态模型，包括：
获取单元，用于获取设置的一个时间区间的各个时刻的身体加速度数据；
计算单元，用于基于获取的各个身体加速度数据，确定一个时间区间的运动指标，并获得对应运动指标设置的观测状态值，其中，运动指标表征用户在一个时间区间运动的变化程度；
获得单元，用于基于观测状态值和睡眠状态模型，分别获得每一种睡眠状态的概率；
确定单元，用于获取各个概率中的最大值，并将最大值对应的睡眠状态作为预测结果。
第五方面，一种电子设备，包括：一个或多个处理器；以及
一个或多个计算机可读介质，可读介质上存储有用于睡眠状态模型的建立的建立的程序，其中，程序被一个或多个处理器执行时，实现上述第一方面中任一项的方法的步骤。
第六方面，一个或多个计算机可读介质，可读介质上存储有用于睡眠状态模型的建立的程序，其中，程序被一个或多个处理器执行时，使得通信设备执行第一方面中任一项的方法的步骤。
第七方面，一种电子设备，包括：一个或多个处理器；以及
一个或多个计算机可读介质，可读介质上存储有用于睡眠状态的预测的程序，其中，程序被一个或多个处理器执行时，实现第二方面中任一项的方法的步骤。
第八方面，一个或多个计算机可读介质，可读介质上存储有用于睡眠状态的预测的程序，其中，程序被一个或多个处理器执行时，使得通信设备执行第二方面中任一项的方法的步骤。
本申请实施例中，获取设置的一个时间区间的各个时刻的身体加速度数据；基于获取的各个身体加速度数据，确定一个时间区间的运动指标，并获得对应运动指标设置的观测状态值，其中，运动指标表征用户在一个时间区间运动的变化程度；基于观测状态值和睡眠状态模型，分别获得每一种睡眠状态的概率；获取各个概率中的最大值，并将最大值对应的睡眠状态作为预测结果。这样，可以简化操作步骤，降低计算的复杂度，节省系统资源，提高预测效率，针对用户专门定制，提高预测的精准度。
附图说明
图1为本申请实施例中睡眠状态模型的建立方法的流程图；
图2为本申请实施例中睡眠状态的预测方法的流程图；
图3为本申请实施例中睡眠状态的模型的建立装置的流程图；
图4为本申请实施例中睡眠状态的预测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，并不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了简化操作步骤，降低计算的复杂度，节省系统资源，提高预测效率，针对用户专门定制，提高预测的精准度，本申请实施例中，设计了一种睡眠状态的预测方法，该方法为，通过用户当前的身体加速度数据，获得相应的观测状态值，采用睡眠状态模型，确定概率最大的睡眠状态为预测结果。
下面结合附图对本申请优选的实施方式进行详细说明。
参阅图1所示，本申请实施例中，睡眠状态模型的建立的具体流程如下：
步骤100：终端周期性的对用户自身的加速度进行检测，获得各个时刻的身体加速度数据。
具体的，终端按照预设的采集时长(如，5s)，通过加速度检测设备(如，加速度传感器)，对用户自身在各个指定方向(如，x轴、y轴和z轴)的加速度进行检测，获得各个时刻的身体加速度数据。
本申请实施例中，终端以采集用户分别在x轴、y轴，和z轴三个方向的加速度为例进行说明。其中，身体加速度数据包括用户自身在x轴、y轴，和z轴三个方向的加速度数据。
例如，终端每间隔1s对用户的身体加速度数据进行一次采集，获得用户每一秒分别在x轴、y轴和z轴三个方向的加速度数据。
步骤101：终端分别计算每一个时刻各个指定方向的加速度的平方和，获得相应的特征加速度。
具体的，执行步骤101时，可以采用以下公式：
ah＝ax 2+ay 2+az 2
其中，ah表示特征加速度，ax表示x轴方向的加速度，ay表示y轴方向的加速度，az表示z轴方向的加速度。
步骤102：终端按照预设时长，将时间划分为若干时间区间。
具体的，终端按照预设时长将时间进行划分，获得各个连续的时间段，并将每一个时间段作为一个时间区间。
例如，终端按照预设时长30s将时间划分为各个连续的时间区间。
步骤103：终端分别基于每一个时间区间的特征加速度，确定相应的运动指标，并获得对应运动指标设置的观测状态值。
具体的，首先，终端获取预设的各个数值区间。
例如，一个数值区间的最小值为10，最大值为20，则任意不低于10并且不高于20的数值，都包含在上述数值区间内。
然后，终端分别计算每一个时间区间的各个特征加速度的标准差，获得加速度标准差，作为运动指标。
接着，终端分别确定每一个运动指标对应的数值区间，获得对应数值区间设置的观测状态值，即获得每一个时间区间对应的观测状态值。
可选的，设置观测状态值包括6个状态值，分别为1至6。
其中，运动指标表示用户在一个时间区间的运动的变化程度，可选的，还可以将各个特征加速度的均值作为运动指标。这样，就可以通过运动指标对应的观测状态值，表示用户的运动情况。
例如，终端确定用户的加速度标准差为1.5，对应第二个数值区间[1.0，2.0]，则判定第二个数值区间对应的观测状态值为状态2。
最后，终端按照时间区间，获得观测序列。
这样，终端就可以在后续的步骤中，基于隐马尔可夫模型(Hidden Markov Model，HMM)，对各个睡眠参数进行训练，从而获得睡眠状态模型。
步骤104：终端基于HMM，以及指定时间区间之前的各个观测状态值，分别确定在指定时间区间出现每一种睡眠状态的前向概率。
具体的，首先，终端按照预设的参数初始值，对HMM中包含的各个睡眠参数进行初始化。
其中，睡眠状态包括清醒状态，浅睡眠状态以及深睡眠状态。
其中，睡眠参数包括：睡眠状态概率向量、转换矩阵和生成矩阵，睡眠状态概率向量表示各个睡眠状态对应的概率，转换矩阵中的元素表示睡眠状态之间互相转换的概率，生成矩阵中的元素表示基于每一个观测状态值获得的每一个睡眠状态的概率。
可选的，HMM模型可以表示为：V＝(pi，A，B)。
其中，pi为睡眠状态概率向量，A为转换矩阵，B为生成矩阵。
然后，终端基于睡眠参数中包含的睡眠状态概率向量、转换矩阵和生成矩阵，以及指定时间区间之前的各个观测状态值，分别获得每一种睡眠状态在指定时间区间的前向概率。
可选的，终端计算一种睡眠状态在指定时间区间的前向概率时，可以采用前向概率算法：
ft(i)＝(O1，O2…，Ot-1，qt＝i|v)
其中，i表示睡眠状态，t表示时间区间，qt＝i表示时间区间t的睡眠状态为i，v为HMM模型，O为观测状态值，ft(i)为时间区间t内睡眠状态为i的前向概率。
步骤105：终端基于HMM，以及指定时间区间之前的各个观测状态值，分别获得每一种睡眠状态在指定时间区间的后向概率。
具体的，执行步骤105时，可以采用后向概率：
ht(i)＝(Ot，Ot+1…，OT，qt＝i|v)
其中，i表示睡眠状态，t表示时间区间，qt＝i表示时间区间t的睡眠状态为i，T表示最新的观测状态值对应的时间区间，v为HMM模型，O为观测状态值，ht(i)为时间区间t内睡眠状态为i的后向概率。
步骤106：终端基于获取的前向概率和后向概率，获得各个睡眠状态之间的变换概率，并基于获得的变换概率，对睡眠状态概率向量进行调整。
具体的，首先，终端基于各个前向概率和各个后向概率，以及睡眠参数中包含的睡眠状态概率向量、转换矩阵和生成矩阵，获得各个睡眠状态之间的变换概率。
其中，获得各个睡眠状态之间的变换概率时，采用以下公式：
Figure BDA0001361541180000091
其中，其中，i，j均表示睡眠状态，N为睡眠状态的总数，ft(i)为时间区间t内睡眠状态i的前向概率，aij为转化矩阵中的元素，表示在由睡眠状态i转换为睡眠状态j的概率，bjOt+1为生成矩阵中的元素，表示睡眠状态为j时，观测状态值为Ot+1的概率，zt(i，j)表示在时间区间t内为睡眠状态i，并且在时间区间t+1内睡眠状态j的概率。
然后，终端基于获取的各个变换概率，获得计算睡眠状态概率。
其中，计算睡眠状态概率时，可以采用表达式：
Figure BDA0001361541180000101
其中，i，j均表示睡眠状态，N为睡眠状态的总数，ut(i)为时间区间t内睡眠状态为i的睡眠状态概率。
最后，终端基于获取的各个睡眠状态对应的睡眠状态概率，对睡眠状态概率向量中的元素进行相应调整。
步骤107：终端基于获取的各个转换概率，以及各个睡眠状态概率，对转化矩阵中的相应元素进行调整。
具体的，执行步骤107时，可以采用以下表达式：
Figure BDA0001361541180000102
其中，其中，i，j均表示睡眠状态，zt(i，j)表示在时间区间t内为睡眠状态i，并且在时间区间t+1内睡眠状态j的概率，ut(i)为时间区间t内睡眠状态i的睡眠状态概率，
Figure BDA0001361541180000103
为由睡眠状态i转换为睡眠状态j的概率，T表示最新的观测状态值对应的时间区间。
这样，终端基于获取的各个
Figure BDA0001361541180000104
对生成矩阵中的相应元素aij进行调整。
步骤108：终端基于获取的各个变换概率和各个睡眠状态概率，对生成矩阵中的相应元素进行调整。
具体的，执行步骤108时，可以采用以下表达式：
Figure BDA0001361541180000105
其中，j表示睡眠状态，k为观测状态值的总数，ut(j)为时间区间t内睡眠状态j的睡眠状态概率，
Figure BDA0001361541180000106
为确定睡眠状态为j时，观测状态值为Ot＝k的概率，T表示最新的观测状态值的时间区间。
这样，终端就可以通过获取的对生成矩阵中的相应元素bjk进行调整。
步骤109：终端判断调整后的各个睡眠参数是否符合收敛条件，若是，则执行步骤110，否则，执行步骤100。
具体的，首先，终端计算调整前的睡眠状态向量与调整后的睡眠状态向量之间的差值，获得第一差值，并计算调整前的转化矩阵与调整后的转化矩阵之间的差值，获得第二差值，以及计算调整前的生成矩阵与调整后的生成矩阵之间的差值，获得第三差值。
然后，终端判断是否第一差值低于第一预设门限值，并且第二差值低于第二预设门限值，以及第三差值低于第三预设门限值，若是，则终端执行步骤110，否则，执行步骤100。
这样，终端就可以通过收敛条件，确定获得的调整后的睡眠参数波动过大时，再次对睡眠参数进行调整。
步骤110：终端基于调整后的各个睡眠参数，获得调整后的HMM，并将调整后的HMM，作为睡眠状态模型。
这样，终端就可以采用获得睡眠状态模型，对用户的睡眠状态进行预测。
参阅图2所示，本申请实施例中，对睡眠状态的预测具体流程如下：
步骤200：终端获取用户自身在一个时间区间的各个身体加速度数据。
具体的，终端按照预设的采集时长，通过加速度检测设备，对用户自身在各个指定方向的加速度进行检测，获得一个时间区间的各个身体加速度数据。
步骤210：终端基于各个身体加速度数据，获得相应的特征加速度。
具体的，终端分别计算每一个时刻各个指定方向的加速度的平方和，获得相应的特征加速度。
步骤220：终端基于各个特征加速度，确定上述一个时间区间的运动指标，并获得对应运动指标设置的观测状态值。
具体的，首先，终端获取预设的各个数值区间。
然后，，终端分别计算每一个时间区间的各个特征加速度的标准差，获得加速度标准差，作为运动指标。
最后，终端分别确定每一个运动指标对应的数值区间，获得对应数值区间设置的观测状态值，即获得每一个时间区间对应的观测状态值。
步骤230：终端基于观测状态值和睡眠状态模型，分别获得上述一个时间区间内每一种睡眠状态的概率。
步骤240：终端获取各个概率中的最大值，并将最大值对应的睡眠状态作为预测结果。
这样，终端就可以仅基于用户在上述一个时间区间的身体加速度数据，采用睡眠状态模型，获得概率最大的睡眠状态，对用户的睡眠状态进行预测。这样，可以简化操作步骤，降低计算的复杂度，节省系统资源，提高预测效率，针对用户专门定制，提高预测的精准度。
本申请实施例中，一种电子设备，包括：一个或多个处理器；以及
一个或多个计算机可读介质，可读介质上存储有用于睡眠状态模型的建立的程序，其中，程序被一个或多个处理器执行时，实现上述实施例中的各个步骤。
本申请实施例中，一个或多个计算机可读介质，可读介质上存储有用于睡眠状态模型的建立的程序，其中，程序被一个或多个处理器执行时，使得通信设备可以执行上述实施例中的各个步骤。
本申请实施例中，一种电子设备，包括：一个或多个处理器；以及
一个或多个计算机可读介质，可读介质上存储有用于睡眠状态的预测的程序，其中，程序被一个或多个处理器执行时，实现上述实施例中的各个步骤。
本申请实施例中，一个或多个计算机可读介质，可读介质上存储有用于睡眠状态的预测的程序，其中，程序被一个或多个处理器执行时，使得通信设备可以执行上述实施例中的各个步骤。
基于上述实施例，参阅图3所示，睡眠状态模型的建立装置的结构示意图，本申请实施例中，睡眠状态模型的建立装置具体包括：
获取单元30，用于获取设置的各个时间区间内的身体加速度数据；
计算单元31，用于分别基于每一个时间区间内的各个身体速度数据，确定每一个时间区间对应的运动指标，并获得对应运动指标设置的观测状态值，其中，一个时间区间的运动指标表征用户在一个时间区间的运动的变化程度；
确定单元32，用于基于指定时间区间之前的各个观测状态值和预设的隐马尔可夫模型HMM，分别确定在指定时间区间出现每一种睡眠状态的前向概率，以及基于指定时间区间之后的各个观测状态值和HMM，分别确定在指定时间区间出现每一种睡眠状态的后向概率；
获得单元33，用于基于获取的前向概率和后向概率，对HMM中包含的睡眠参数进行调整，并将调整后的HMM，作为睡眠状态模型。
较佳的，在分别基于每一个时间区间内的各个身体加速度数据，确定每一个时间区间对应的运动指标，并获得对应运动指标设置的观测状态值时，计算单元31具体用于：
获取用户在各个时间区间内包含的各个时刻的身体加速度数据，其中，一个时刻的身体加速度数据包括用户自身在各个指定方向的加速度；
分别计算用户在每一个时刻各个指定方向的加速度的平方和，获得相应的特征加速度；
分别计算每一个时间区间内的各个时刻的特征加速度的标准差，获得相应的加速度标准差，作为运动指标；
获取预设的各个数值区间，分别确定每一个运动指标对应的数值区间，并确定对应数值区间设置的观测状态值，获得各个时间区间的观测状态值。
较佳的，在基于指定时间区间之前的各个观测状态值和预设的隐马尔可夫模型HMM，分别确定在指定时间区间出现每一种睡眠状态的前向概率，以及基于指定时间区间之后的各个观测状态值和HMM，分别确定在指定时间区间出现每一种睡眠状态的后向概率时，确定单元32具体用于：
基于预设的参数初始值，对HMM中包含的各个睡眠参数进行初始化，其中，睡眠参数包括：睡眠状态概率向量、转换矩阵和生成矩阵，睡眠状态概率向量表示各个睡眠状态对应的概率，转换矩阵中的元素表示睡眠状态之间互相转换的概率，生成矩阵中的元素表示基于每一个观测状态值获得的每一个睡眠状态的概率；
基于睡眠参数中包含的睡眠状态概率向量、转换矩阵和生成矩阵，以及指定时间区间之前的各个观测状态值，采用预设的前向概率算法，分别获得每一种睡眠状态在指定时间区间的前向概率；
基于睡眠参数中包含的睡眠状态概率向量、转换矩阵和生成矩阵，以及指定时间区间之后的各个观测状态值，采用预设的后向概率算法，分别获得每一种睡眠状态在指定时间区间的后向概率。
较佳的，在基于获取的前向概率和后向概率，对HMM中包含的睡眠参数进行调整时，获得单元33具体用于：
基于各个前向概率和各个后向概率，以及睡眠参数中包含的睡眠状态概率向量、转换矩阵和生成矩阵，采用表达式：
Figure BDA0001361541180000141
获得各个睡眠状态之间的变换概率；
基于获取的各个变换概率，采用表达式：
Figure BDA0001361541180000142
获得时间区间t内睡眠状态i的睡眠状态概率，并基于获取的各个睡眠状态对应的睡眠状态概率，对睡眠状态概率向量中的相应元素进行调整；
基于获取的各个变换概率和各个睡眠状态概率，采用表达式：
Figure BDA0001361541180000143
对转化矩阵中的相应元素aij进行调整；
基于获取的各个变换概率和各个睡眠状态概率，采用表达式：
Figure BDA0001361541180000144
对生成矩阵中的相应元素bjk进行调整；
其中，i，j均表示睡眠状态，N为睡眠状态的总数，k为观测状态值的总数，ft(i)为时间区间t内睡眠状态i的前向概率，aij为转化矩阵中的元素，表示在由睡眠状态i转换为睡眠状态j的概率，bjOt+1为生成矩阵中的元素，表示睡眠状态为j时，观测状态值为Ot+1的概率，zt(i，j)表示在时间区间t内为睡眠状态i，并且在时间区间t+1内睡眠状态j的概率，ut(i)为时间区间t内睡眠状态i的睡眠状态概率，ut(j)为时间区间t内睡眠状态j的睡眠状态概率，
Figure BDA0001361541180000151
为由睡眠状态i转换为睡眠状态j的概，
Figure BDA0001361541180000152
为确定睡眠状态为j时，观测状态值为Ot＝k的概率。
较佳的，在将调整后的HMM，作为睡眠状态模型时，获得单元33还用于：
计算调整前的睡眠状态向量与调整后的睡眠状态向量之间的差值，获得第一差值；
计算调整前的转化矩阵与调整后的转化矩阵之间的差值，获得第二差值；
计算调整前的生成矩阵与调整后的生成矩阵之间的差值，获得第三差值；
确定第一差值低于第一预设门限值，并且第二差值低于第二预设门限值，以及第三差值低于第三预设门限值时，将调整后的HMM，作为睡眠状态模型。
基于上述实施例，参阅图4所示，睡眠状态的预测装置的结构示意图，本申请实施例中，睡眠状态的预测装置具体包括：
获取单元40，用于获取设置的一个时间区间的各个时刻的身体加速度数据；
计算单元41，用于基于获取的各个身体加速度数据，确定一个时间区间的运动指标，并获得对应运动指标设置的观测状态值，其中，运动指标表征用户在一个时间区间运动的变化程度；
获得单元42，用于基于观测状态值和睡眠状态模型，分别获得每一种睡眠状态的概率；
确定单元43，用于获取各个概率中的最大值，并将最大值对应的睡眠状态作为预测结果。
本申请实施例中，获取设置的一个时间区间的各个时刻的身体加速度数据；基于获取的各个身体加速度数据，确定一个时间区间的运动指标，并获得对应运动指标设置的观测状态值，其中，运动指标表征用户在一个时间区间运动的变化程度；基于观测状态值和睡眠状态模型，分别获得每一种睡眠状态的概率；获取各个概率中的最大值，并将最大值对应的睡眠状态作为预测结果。这样，可以简化操作步骤，降低计算的复杂度，节省系统资源，提高预测效率，针对用户专门定制，提高预测的精准度。
本领域内的技术人员应明白，本申请实施例中的实施例可提供为方法、系统、或计算机程序产品。因此，本申请实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例中是参照根据本申请实施例中实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例中范围的所有变更和修改。
显然，本领域的技术人员可以对本申请实施例中实施例进行各种改动和变型而不脱离本申请实施例中实施例的精神和范围。这样，倘若本申请实施例中实施例的这些修改和变型属于本申请实施例中权利要求及其等同技术的范围之内，则本申请实施例中也意图包含这些改动和变型在内。

Claims (12)

1.一种睡眠状态模型的建立方法，其特征在于，包括：
获取设置的各个时间区间内的身体加速度数据；
分别基于每一个时间区间内的各个身体速度数据，确定每一个时间区间对应的运动指标，并获得对应运动指标设置的观测状态值，其中，一个时间区间的运动指标表征用户在所述一个时间区间的运动的变化程度；
基于指定时间区间之前的各个观测状态值和预设的隐马尔可夫模型HMM，分别确定在指定时间区间出现每一种睡眠状态的前向概率，以及基于指定时间区间之后的各个观测状态值和所述HMM，分别确定在所述指定时间区间出现每一种睡眠状态的后向概率；
基于获取的前向概率和后向概率，对所述HMM中包含的睡眠参数进行调整，并将调整后的HMM，作为睡眠状态模型。
2.如权利要求1所述的方法，其特征在于，分别基于每一个时间区间内的各个身体加速度数据，确定每一个时间区间对应的运动指标，并获得对应运动指标设置的观测状态值，具体包括：
获取用户在各个时间区间内包含的各个时刻的身体加速度数据，其中，所述一个时刻的身体加速度数据包括用户自身在各个指定方向的加速度；
分别计算所述用户在每一个时刻各个指定方向的加速度的平方和，获得相应的特征加速度；
分别计算每一个时间区间内的各个时刻的特征加速度的标准差，获得相应的加速度标准差，作为运动指标；
获取预设的各个数值区间，分别确定每一个运动指标对应的数值区间，并确定对应所述数值区间设置的观测状态值，获得各个时间区间的观测状态值。
3.如权利要求2所述的方法，其特征在于，基于指定时间区间之前的各个观测状态值和预设的隐马尔可夫模型HMM，分别确定在指定时间区间出现每一种睡眠状态的前向概率，以及基于指定时间区间之后的各个观测状态值和所述HMM，分别确定在所述指定时间区间出现每一种睡眠状态的后向概率，具体包括：
基于预设的参数初始值，对所述HMM中包含的各个睡眠参数进行初始化，其中，所述睡眠参数包括：睡眠状态概率向量、转换矩阵和生成矩阵，所述睡眠状态概率向量表示各个睡眠状态对应的概率，所述转换矩阵中的元素表示睡眠状态之间互相转换的概率，所述生成矩阵中的元素表示基于每一个观测状态值获得的每一个睡眠状态的概率；
基于所述睡眠参数中包含的睡眠状态概率向量、转换矩阵和生成矩阵，以及所述指定时间区间之前的各个观测状态值，采用预设的前向概率算法，分别获得每一种睡眠状态在所述指定时间区间的前向概率；
基于所述睡眠参数中包含的睡眠状态概率向量、转换矩阵和生成矩阵，以及所述指定时间区间之后的各个观测状态值，采用预设的后向概率算法，分别获得每一种睡眠状态在所述指定时间区间的后向概率。
4.如权利要求3所述的方法，其特征在于，基于获取的前向概率和后向概率，对所述HMM中包含的睡眠参数进行调整，具体包括：
基于各个前向概率和各个后向概率，以及所述睡眠参数中包含的睡眠状态概率向量、转换矩阵和生成矩阵，采用表达式：
Figure FDA0002863676220000021
获得各个睡眠状态之间的变换概率；
基于获取的各个变换概率，采用表达式：
Figure FDA0002863676220000022
获得时间区间t内睡眠状态i的睡眠状态概率，并基于获取的各个睡眠状态对应的睡眠状态概率，对所述睡眠状态概率向量中的相应元素进行调整；
基于获取的各个变换概率和各个睡眠状态概率，采用表达式：
Figure FDA0002863676220000023
对所述转换矩阵中的相应元素aij进行调整；
基于获取的各个变换概率和各个睡眠状态概率，采用表达式：
Figure FDA0002863676220000031
对所述生成矩阵中的相应元素bjk进行调整；
其中，i，j均表示睡眠状态，N为睡眠状态的总数，k为观测状态值的总数，ft(i)为时间区间t内睡眠状态i的前向概率，aij为转换矩阵中的元素，表示在由睡眠状态i转换为睡眠状态j的概率，bjOt+1为生成矩阵中的元素，表示睡眠状态为j时，观测状态值为Ot+1的概率，zt(i，j)表示在时间区间t内为睡眠状态i，并且在时间区间t+1内睡眠状态j的概率，ut(i)为时间区间t内睡眠状态i的睡眠状态概率，ut(j)为时间区间t内睡眠状态j的睡眠状态概率，
Figure FDA0002863676220000032
为由睡眠状态i转换为睡眠状态j的概，
Figure FDA0002863676220000033
为确定睡眠状态为j时，观测状态值为Ot＝k的概率。
5.如权利要求4所述的方法，其特征在于，将调整后的HMM，作为睡眠状态模型，具体包括：
计算调整前的睡眠状态向量与调整后的睡眠状态向量之间的差值，获得第一差值；
计算调整前的转换矩阵与调整后的转换矩阵之间的差值，获得第二差值；
计算调整前的生成矩阵与调整后的生成矩阵之间的差值，获得第三差值；
确定所述第一差值低于第一预设门限值，并且所述第二差值低于第二预设门限值，以及所述第三差值低于第三预设门限值时，将调整后的HMM，作为睡眠状态模型。
6.一种睡眠状态的预测方法，其特征在于，采用如权利要求1-5任一项所述的方法获得的睡眠状态模型，包括：
获取设置的一个时间区间的各个时刻的身体加速度数据；
基于获取的各个身体加速度数据，确定所述一个时间区间的运动指标，并获得对应所述运动指标设置的观测状态值，其中，所述运动指标表征用户在一个时间区间运动的变化程度；
基于所述观测状态值和所述睡眠状态模型，分别获得每一种睡眠状态的概率；
获取各个概率中的最大值，并将所述最大值对应的睡眠状态作为预测结果。
7.一种睡眠状态模型的建立装置，其特征在于，包括：
获取单元，用于获取设置的各个时间区间内的身体加速度数据；
计算单元，用于分别基于每一个时间区间内的各个身体速度数据，确定每一个时间区间对应的运动指标，并获得对应运动指标设置的观测状态值，其中，一个时间区间的运动指标表征用户在所述一个时间区间的运动的变化程度；
确定单元，用于基于指定时间区间之前的各个观测状态值和预设的隐马尔可夫模型HMM，分别确定在指定时间区间出现每一种睡眠状态的前向概率，以及基于指定时间区间之后的各个观测状态值和所述HMM，分别确定在所述指定时间区间出现每一种睡眠状态的后向概率；
获得单元，用于基于获取的前向概率和后向概率，对所述HMM中包含的睡眠参数进行调整，并将调整后的HMM，作为睡眠状态模型。
8.一种睡眠状态的预测装置，其特征在于，采用如权利要求1-6任一项所述的方法获得的睡眠状态模型，包括：
获取单元，用于获取设置的一个时间区间的各个时刻的身体加速度数据；
计算单元，用于基于获取的各个身体加速度数据，确定所述一个时间区间的运动指标，并获得对应所述运动指标设置的观测状态值，其中，所述运动指标表征用户在一个时间区间运动的变化程度；
获得单元，用于基于所述观测状态值和所述睡眠状态模型，分别获得每一种睡眠状态的概率；
确定单元，用于获取各个概率中的最大值，并将所述最大值对应的睡眠状态作为预测结果。
9.一种电子设备，其特征在于，包括：一个或多个处理器；以及
一个或多个计算机可读介质，所述可读介质上存储有用于睡眠状态模型的建立的程序，其中，所述程序被所述一个或多个处理器执行时，实现如权利要求1～5中任意一项所述的方法的步骤。
10.一个或多个计算机可读介质，其特征在于，所述可读介质上存储有用于睡眠状态模型的建立的程序，其中，所述程序被一个或多个处理器执行时，使得通信设备执行如权利要求1至5中任一项所述的方法。
11.一种电子设备，其特征在于，包括：一个或多个处理器；以及
一个或多个计算机可读介质，所述可读介质上存储有用于睡眠状态的预测的程序，其中，所述程序被所述一个或多个处理器执行时，实现如权利要求6所述的方法的步骤。
12.一个或多个计算机可读介质，其特征在于，所述可读介质上存储有用于睡眠状态的预测的程序，其中，所述程序被一个或多个处理器执行时，使得通信设备执行如权利要求6所述的方法。
CN201710620340.8A 2017-07-26 2017-07-26 一种睡眠状态的预测方法及装置 Active CN109303565B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710620340.8A CN109303565B (zh) 2017-07-26 2017-07-26 一种睡眠状态的预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710620340.8A CN109303565B (zh) 2017-07-26 2017-07-26 一种睡眠状态的预测方法及装置

Publications (2)

Publication Number Publication Date
CN109303565A CN109303565A (zh) 2019-02-05
CN109303565B true CN109303565B (zh) 2021-08-17

Family

ID=65202786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710620340.8A Active CN109303565B (zh) 2017-07-26 2017-07-26 一种睡眠状态的预测方法及装置

Country Status (1)

Country Link
CN (1) CN109303565B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110477866B (zh) * 2019-08-16 2022-04-19 百度在线网络技术（北京）有限公司 检测睡眠质量的方法、装置、电子设备和存储介质
CN114543318A (zh) * 2022-01-29 2022-05-27 青岛海尔空调器有限总公司 用于监测睡眠的方法及装置、空调器、存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102595570A (zh) * 2012-01-11 2012-07-18 北京邮电大学 认知无线电系统中基于隐马尔可夫模型的频谱接入方法
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
CN105011940A (zh) * 2014-04-25 2015-11-04 Tcl美国研究所 一种睡眠分析方法及其系统
CN106419869A (zh) * 2016-08-24 2017-02-22 电子科技大学 一种基于压电传感器的实时睡眠分期检测方法及其装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7558622B2 (en) * 2006-05-24 2009-07-07 Bao Tran Mesh network stroke monitoring appliance

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102595570A (zh) * 2012-01-11 2012-07-18 北京邮电大学 认知无线电系统中基于隐马尔可夫模型的频谱接入方法
CN105011940A (zh) * 2014-04-25 2015-11-04 Tcl美国研究所 一种睡眠分析方法及其系统
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
CN106419869A (zh) * 2016-08-24 2017-02-22 电子科技大学 一种基于压电传感器的实时睡眠分期检测方法及其装置

Also Published As

Publication number Publication date
CN109303565A (zh) 2019-02-05

Similar Documents

Publication Publication Date Title
US10687707B2 (en) Detecting activity by a wheelchair user
KR102252269B1 (ko) 수영 분석 시스템 및 방법
US11834052B2 (en) Estimator generation apparatus, monitoring apparatus, estimator generation method, and computer-readable storage medium storing estimator generation program
Trabelsi et al. An unsupervised approach for automatic activity recognition based on hidden Markov model regression
CN106510658B (zh) 一种基于手环的人体情绪判断方法
Yin et al. Human activity detection based on multiple smart phone sensors and machine learning algorithms
CN105979858A (zh) 心率监测设备
CN109303565B (zh) 一种睡眠状态的预测方法及装置
CN105530581A (zh) 一种基于声音识别的智能穿戴设备和控制方法
CN113303777A (zh) 心率值确定方法、装置、电子设备及介质
US20180353090A1 (en) Adaptive Heart Rate Estimation
Guenterberg et al. A method for extracting temporal parameters based on hidden Markov models in body sensor networks with inertial sensors
CN107393260A (zh) 一种久坐提醒方法、装置和手腕式久坐提醒器
CN107239147A (zh) 一种基于可穿戴设备的人体情境感知方法、装置及系统
CN110276380B (zh) 一种基于深度模型框架的实时运动在线指导系统
Zhang et al. Integrated sensing and computing for wearable human activity recognition with MEMS IMU and BLE network
CN116491935B (zh) 一种智能穿戴设备的运动健康监测方法、系统及介质
CN109547706A (zh) 眼镜设备和系统
CN111387936A (zh) 一种睡眠阶段识别方法、装置及设备
KR20230086750A (ko) 운동감시방법및 운동감시시스템
Wu et al. Fall detection monitoring system based on mems sensor
US20200029909A1 (en) Heart Rate Detection Architecture
CN103175540B (zh) 一种高精度步行速度和距离的计算方法
AU2017234374B2 (en) Activity pulse
CN114423335A (zh) 睡眠阶段估计设备、睡眠阶段估计方法及程序

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
GR01 Patent grant
GR01 Patent grant