CN109730658B - 一种人工智能床垫系统 - Google Patents

Abstract

本发明涉及一种人工智能床垫系统，基于床垫、微动传感器，以及采集处理模块，微动传感器实时获取被监测对象睡眠中的振动数据，并通过数据处理实时获取被监测对象的睡眠状态，还设置了用户睡眠状态评价模块、手机和云端服务器；用户睡眠状态评价模块用于在获得被监测对象睡眠状态的基础上进行睡眠状态评价，采集处理模块将睡眠状态评价数据传至云端服务器；用户通过手机应用程序填充用户个人信息，形成用户个性化信息节点；服务器中的应用程序将睡眠状态评价数据与所述用户的个性化信息节点相关联，记录各个时间段用户的睡眠状态评价数据；根据用户当前睡眠状态评价数据推荐对应的助眠模式。

Description

一种人工智能床垫系统

技术领域

本发明涉及一种人工智能床垫系统，用于感知、记录、分析及改善用户的睡眠。

背景技术

随着国民经济的快速发展，工作、学习和生活等各方面的压力对使得人们的睡眠成为一个社会问题。睡眠不足、睡眠质量差会诱发各种心理和神经系统疾病。睡眠的状态也反映了个人的生活质量，成为健康状态的一项指标。

人工智能技术的兴起为采用人工智能技术辅助、解决睡眠问题提供了一种解决方案。知识图谱是人工智能的基础，基于知识图谱的形式化知识库，人工智能技术手段才能真正满足人们的需求。知识图谱本质上是语义网络(Semantic Network)的知识库。在知识图谱里，通常用“实体(Entity)”来表达图里的节点、用“关系(Relation)”来表达图里的边。实体指的是现实世界中的事物比如人、地名、概念、药物、公司等，关系则用来表达不同实体之间的某种联系。当执行搜索的时候，就可以通过关键词提取以及知识库上的匹配可以直接获得最终的答案。

当前睡眠监测多采用多导睡眠监测(Polysomnography，简称PSG)是诊断睡眠打鼾的最重要检查，被认为是睡眠评价的“金标准”。通过夜间连续的呼吸、动脉血氧饱和度、脑电图、心电图、心率等指标的监测，可以利用这些生理信号的变化特征实现对睡眠相关疾病诊断。但PSG操作流程复杂，需要专业人员的辅助与监督，还要在人体表面粘贴电极，影响人的正常睡眠，不适合居家或大规模应用。而基于手环等便携式的设备往往在精度、可靠性等方面存在不足。

发明内容

本发明针对当前缺乏对睡眠状态自动分析、不能提供非药物途径来实现个性化解决方案等问题，提出一种结合知识图谱技术，构建面向睡眠状态识别、质量评估和助眠措施推荐的一种人工智能床垫系统，从而实现对用户睡眠的自动分析和对睡眠困难进行辅助。

具体技术方案如下：一种人工智能床垫系统，基于床垫、微动传感器，以及采集处理模块，微动传感器置于距离床头40～60cm处，且和心脏位置平齐，微动传感器实时获取被监测对象睡眠中的振动数据，并发送至采集处理模块进行自适应分段处理，之后通过数据处理实时获取被监测对象的睡眠状态，还设置了用户睡眠状态评价模块、手机和云端服务器；用户睡眠状态评价模块用于在获得被监测对象睡眠状态的基础上进行睡眠状态评价，采集处理模块将睡眠状态评价数据传至云端服务器；用户通过手机应用程序填充用户个人信息，形成用户个性化信息节点；服务器中的应用程序将睡眠状态评价数据与所述用户的个性化信息节点相关联，记录各个时间段用户的睡眠状态评价数据；当睡眠状态评价数据为一般时，开启用户预设的助眠设置，并实时监测用户的睡眠状态，并在获得睡眠状态的基础上进行睡眠状态评价，如果睡眠状态评价为一般的次数减少，则保存该助眠模式，否则建议更改助眠模式。

所述的用户睡眠状态评价模块具体如下：

步骤1、计算时间段i内的用户的呼吸平稳时间t_bri以及通过呼吸统计得到的体动频率f_bmovi；

步骤1、1)根据用户睡眠状态检测中得到的呼吸中心频率f_breath可形成呼吸频率的时序数据序列，以时间进行分段后，可计算每个时间段内的呼吸次数平均值bd_ave；

步骤1、2)在时间段i内分别记录用户每次呼吸平稳的时间，其中，计算一次呼吸平稳时间的具体方法如下：

判断用户呼吸平稳的开始时间点：根据用户睡眠状态检测中得到的呼吸中心频率f_breath，即实时得到用户在当前时刻k的呼吸次数bd_k，如果|bd_k-bd_ave|＜bd_ave*10％,则认为当前时刻k为呼吸平稳时间的起始点；

判断用户呼吸平稳的结束时间点：直到出现时刻点m，使得|bd_m-bd_ave|＞bd_ave*10％或m点为本段数据的结束点，则认为时刻m为本段数据中呼吸平稳时间的结束时刻，其中bd_m为用户在时刻点m的呼吸次数；

步骤1、3)计算时间段i内用户的呼吸平稳时间t_bri：即将时间段i内所有呼吸平稳时间段时长相加；

步骤1、4)记录时间段i内出现呼吸不平稳的次数，从而得到时间段i内通过呼吸统计得到的体动频率f_bmovi；

步骤2、计算时间段i内用户的心率平稳时间长度t_hri以及通过心率统计得到的体动频率f_hmovi，具体如下：

步骤2、1)根据用户睡眠状态检测中得到的心率中心频率f_heart可形成心率的时序数据序列，以时间进行分段后，可计算用户每个时间段内的心率的平均值hd_ave；

步骤2、2)在时间段i内分别记录用户每次心率平稳的时间，其中，计算一次心率平稳时间的具体方法如下：

判断用户心率平稳的开始时间点：根据用户睡眠状态检测中得到的心率中心频率f_heart，即实时得到用户在当前时刻k的心率数值hd_k，如果|hd_k-hd_ave|＜hd_ave*10％，则认为当前时刻k为心率平稳时间的起始点；

判断用户心率平稳的结束时间点：直到出现时刻点m，使得|hd_m-hd_ave|＞hd_ave*10％或m点为本段数据的结束点，则认为时刻m为本段数据中心率平稳时间的结束时刻，其中hd_m为用户在时刻点m的心率次数；

步骤2、3)计算时间段i内用户的心率平稳时间t_hri：即将时间段i内所有心率平稳时间段时长相加；

步骤2、4)记录时间段i内出现心率不平稳的次数，从而得到时间段i内通过心率统计得到的体动频率f_hmovi；

步骤3、将用户n个时间段内的呼吸平稳时间、心率平稳时间，通过呼吸统计得到的体动频率、以及通过心率统计得到的体动频率的平均值作为睡眠状态的评价指标，计算公式依次如下：

其中，f_movi为体动指标f_movi＝(f_bmovi+f_hmovi)/2；

步骤4、训练用户模型参数，获取用户当前时间段j内的呼吸时间长度t_brj、心率平稳的时间长度t_hrj，以及体动的频率f_movj，

如果满足条件：t_brj>t_{br_standard}并且t_hrj>t_{hr_standard}并且f_movj<f_{mov_standard}，则当前时间段j内睡眠状态评价为：良好；否则当前时间段j的睡眠状态评价为：一般；将该结果与用户自评相比较，如果结果一致则将该结果进行记录；如果不一致则将当前时间段j内的数据t_brj、t_hrj、f_movj代入上述三个评价指标公式，重新计算睡眠状态的评价指标，重复本步骤，直到评价结果与用户自评一致为止；

步骤5、经过一段时间试用后即可建立用户个人的评价数据，如果当前时间段满足条件：t_br>t_{br_standard}并且t_hr>t_{hr_standard}并且f_mov<f_{mov_standard}，则当前时间段内睡眠状态评价为：良好；否则当前时间段的睡眠状态评价为：一般。

在分析出用户的睡眠状态后，为了辅助用户入眠，把现有业界通常采用的基于认知行为治疗的助眠方法(如刺激控制法，松弛疗法，音乐疗法，凝视法等)知识及其关于睡眠的医学知识(医学文献等)，形成知识库，构建对应的知识图谱，用于推荐并指导构建个性化知识服务模型和助眠模式，如图2所示。

共性模型是指将用户基本信息，如性别、年龄、职业、教育程度、既往病史、婚姻状况、身高、体重，这些每个用户都具有的基本情况进行组织，形成的以用户为中心的基本信息“实体-关系”图模型。

用户通过手机应用程序建立用户信息模型，根据共性模型填充用户个人信息，形成个性化信息节点。同时与床垫传感器系统建立对应关系，如图3所示。

在用户睡眠所在的床上布置微动传感器，传感器位于距离床头40～60cm处。传感器采用应变工作原理获取被监测对象睡眠中的振动数据，经过滤波和提取特征的数据处理方法获取被监测对象睡眠中的呼吸、心率和肢体运动等特征参数。这些实时数据通过数据采集传输模块上传至服务器，与用户的个性化信息节点相关联，提供了传感器数据应用的场景和专业处理的方法。将呼吸、心率和体动等实时数据形成对用户睡眠状态的识别。记录各个时间段用户的睡眠状态，形成一个有关用户睡眠状态的时间序列。

利用知识图谱中“实体-关系”间的逻辑关系，结合用户个性化的特征模型推理应采取的睡眠辅助措施，如开启言语暗示和凝视建议等催眠疗法，睡眠时间控制，调整呼吸，身体活动及睡眠姿势的建议，音乐助眠、自动调整屋内光线强弱、熏香助眠等多种模式的综合使用。

通过对睡眠时间序列分析，在Web环境下知识图谱中的节点属性进行匹配，评价该用户睡眠质量。通过对使用者历史数据及其助眠效果的评价，不断调整并获得最适合于使用者的不同时间场景下的个性化助眠模式。

有益效果

本发明能够监测睡眠行为，形成个性化的睡眠数据集，帮助用户改变他们的不良睡眠习惯，为消费者缓解常见睡眠障碍。本发明采用非药物技术途径来提供个性化的知识服务和助眠模式。

附图说明

图1为本发明床垫的系统结构图；

图2为系统的功能结构图。

图3为RDF数据模型示例。

图4为床垫系统的工作流程图。

图5为床垫的系统自评睡眠模式的工作流程图。

图6为床垫的用户自评睡眠模式的工作流程图。

具体实施方式

本实施例以单身用户为例说明。用户在使用本发明前需要通过手机中的应用程序注册个人信息，以提供个性化的服务。提供的个人信息主要包括：年龄、性别、职业、教育程度、既往病史、婚姻状况、身高、体重，形成Web中知识图谱的一个节点，以RDF图模型的方式表达如图3所示。该用户节点通过属性NS:hasSleepingRecord与具体的每次睡眠记录相关联，节点类型为SleepingRecord的节点主要记录用户每天的睡眠信息，其中属性呼吸NS:hasSleepingBreath、心率NS:hasSleepingHeartRate、体动NS:hasSleepingBodyMove、睡眠应用场景NS:hasSleepingSleepScene以及睡眠评估NS:hasSleepEvaluation等与每次具体的睡眠信息关联。

每次睡眠监测、评价过程如图4所示。用户睡觉前，通过手机中的应用程序记录当前的场景信息自动填充每天睡眠应用场景NS:SleepingSleepScene节点，流程如图5所示。

1)询问晚饭时间以及当前的饱腹感，用于记录当前用户饮食对睡眠的影响；

2)询问是否饮酒，判断酒精是否会对用户睡眠造成影响；

3)询问精神状态，记录用户当前的精神状态；

4)询问身体状态，记录用户当前的身体状态。

进入睡眠状态下，内置在床垫的传感器实时采集用户的呼吸、心率、体动数据，客观记录用户睡眠状态下的各种生理指标，实时填充节点呼吸NS:SleepingBreath、心率NS:SleepingHeartRate、体动NS:SleepingBodyMove。

基于用户睡眠状态的识别数据，通过采集一个月内用户的呼吸平稳时间、心率平稳时间，通过呼吸统计得到的体动频率、以及通过心率统计得到的体动频率，与用户自评睡眠状态进行比较如图6所示，得到该用户睡眠状态的评价指标。再根据该用户睡眠状态的评价指标对判断当前时段的睡眠状态，进而根据已构建的知识图谱，推荐并指导个性化知识服务模型和助眠模式。其中识别过程分为三个阶段，即第一阶段、体动识别，第二阶段、呼吸、心率状态识别、第三阶段用户睡眠状态识别。识别方法在发明《一种基于人工智能床垫系统的睡眠状态检测方法》中公开。

助眠模式的功能，首先需要用户根据自己的喜好选择一种助眠方式，如自动调整灯光、开启音乐助眠。如果通过实时数据发现开启该种助眠模式使得用户呼吸和心率平稳时间加长，或体动频率降低，则认为该项助眠模式对当前用户有效，记录作为默认的助眠模式。否则，次日睡前提示用户变更助眠模式。

起床后，用户在手机应用程序中根据评价睡眠质量和助眠的效果，系统自动记录睡眠评估NS:SleepEvaluation。

Claims (1)

1.一种人工智能床垫系统，基于床垫、微动传感器，以及采集处理模块，微动传感器置于距离床头40～60cm处，且和心脏位置平齐，微动传感器实时获取被监测对象睡眠中的振动数据，并发送至采集处理模块进行自适应分段处理，之后通过数据处理实时获取被监测对象的睡眠状态，其特征在于：还设置了用户睡眠状态评价模块、手机和云端服务器；用户睡眠状态评价模块用于在获得被监测对象睡眠状态的基础上进行睡眠状态评价，采集处理模块将睡眠状态评价数据传至云端服务器；用户通过手机应用程序填充用户个人信息，形成用户个性化信息节点；服务器中的应用程序将睡眠状态评价数据与所述用户的个性化信息节点相关联，记录各个时间段用户的睡眠状态评价数据；当睡眠状态评价数据为一般时，开启用户预设的助眠设置，并实时监测用户的睡眠状态，并在获得睡眠状态的基础上进行睡眠状态评价，如果睡眠状态评价为一般的次数减少，则保存当前助眠模式，否则建议更改助眠模式；

所述的用户睡眠状态评价模块具体如下：

步骤1、计算时间段i内的用户的呼吸平稳时间t_bri以及通过呼吸统计得到的体动频率f_bmovi；

步骤1、1)根据用户睡眠状态检测中得到的呼吸中心频率f_breath可形成呼吸频率的时序数据序列，以时间进行分段后，可计算每个时间段内的呼吸次数平均值bd_ave；

步骤1、2)在时间段i内分别记录用户每次呼吸平稳的时间，其中，计算一次呼吸平稳时间的具体方法如下：

判断用户呼吸平稳的开始时间点：根据用户睡眠状态检测中得到的呼吸中心频率f_breath，即实时得到用户在当前时刻k的呼吸次数bd_k，如果|bd_k-bd_ave|＜bd_ave*10％,则认为当前时刻k为呼吸平稳时间的起始点；

判断用户呼吸平稳的结束时间点：直到出现时刻点m，使得|bd_m-bd_ave|＞bd_ave*10％或m点为本段数据的结束点，则认为时刻m为本段数据中呼吸平稳时间的结束时刻，其中bd_m为用户在时刻点m的呼吸次数；

步骤1、3)计算时间段i内用户的呼吸平稳时间t_bri：即将时间段i内所有呼吸平稳时间段时长相加；

步骤1、4)记录时间段i内出现呼吸不平稳的次数，从而得到时间段i内通过呼吸统计得到的体动频率f_bmovi；

步骤2、计算时间段i内用户的心率平稳时间长度t_hri以及通过心率统计得到的体动频率f_hmovi，具体如下：

步骤2、1)根据用户睡眠状态检测中得到的心率中心频率f_heart可形成心率的时序数据序列，以时间进行分段后，可计算用户每个时间段内的心率的平均值hd_ave；

步骤2、2)在时间段i内分别记录用户每次心率平稳的时间，其中，计算一次心率平稳时间的具体方法如下：

判断用户心率平稳的开始时间点：根据用户睡眠状态检测中得到的心率中心频率f_heart，即实时得到用户在当前时刻k的心率数值hd_k，如果|hd_k-hd_ave|＜hd_ave*10％，则认为当前时刻k为心率平稳时间的起始点；

判断用户心率平稳的结束时间点：直到出现时刻点m，使得|hd_m-hd_ave|＜hd_ave*10％或m点为本段数据的结束点，则认为时刻m为本段数据中心率平稳时间的结束时刻，其中hd_m为用户在时刻点m的心率次数；

步骤2、3)计算时间段i内用户的心率平稳时间t_hri：即将时间段i内所有心率平稳时间段时长相加；

步骤2、4)记录时间段i内出现心率不平稳的次数，从而得到时间段i内通过心率统计得到的体动频率f_hmovi；

步骤3、将用户n个时间段内的呼吸平稳时间、心率平稳时间，通过呼吸统计得到的体动频率、以及通过心率统计得到的体动频率的平均值作为睡眠状态的评价指标，计算公式依次如下：

其中，f_movi为体动指标f_movi＝(f_bmovi+f_hmovi)/2；

步骤4、训练用户模型参数，获取用户当前时间段j内的呼吸时间长度t_brj、心率平稳的时间长度t_hrj，以及体动的频率f_movj，

如果满足条件：t_brj>t_{br_standard}并且t_hrj>t_{hr_standard}并且f_movj<f_{mov_standard}，则当前时间段j内睡眠状态评价为：良好；否则当前时间段j的睡眠状态评价为：一般；将该结果与用户自评相比较，如果结果一致则将该结果进行记录；如果不一致则将当前时间段j内的数据t_brj、t_hrj、f_movj代入上述三个评价指标公式，重新计算睡眠状态的评价指标，重复本步骤，直到评价结果与用户自评一致为止；

步骤5、经过一段时间试用后即可建立用户个人的评价指标，如果当前时间段满足条件：t_br>t_{br_standard}并且t_hr>t_{hr_standard}并且f_mov<f_{mov_standard}，则当前时间段内睡眠状态评价为：良好；否则当前时间段的睡眠状态评价为：一般。

Images