CN110706816A

CN110706816A - 一种基于人工智能进行睡眠环境调控的方法及设备

Info

Publication number: CN110706816A
Application number: CN201810747515.6A
Authority: CN
Inventors: 黄黎平
Original assignee: Xiamen Chenzhi Digital Technology Co Ltd
Current assignee: Xiamen Chenzhi Digital Technology Co Ltd
Priority date: 2018-07-09
Filing date: 2018-07-09
Publication date: 2020-01-17

Abstract

本发明实施例公开了一种基于人工智能进行睡眠环境调控的方法和设备，所述方法包括：采集用户睡眠环境的至少一个环境参数；检测用于表征用户个体体征的至少一个体征参数；发送所述至少一个环境参数和至少一个体征参数至云端，以指示云端基于所述至少一个环境参数和至少一个体征参数进行深度学习关联分析，得到分析结果。

Description

一种基于人工智能进行睡眠环境调控的方法及设备

技术领域

本发明涉及电子信息技术领域，尤其涉及一种基于人工智能进行睡眠环境调控的方法及设备。

背景技术

众所周知，睡眠是人体重要的生理活动，通常占据了人体生命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。

据相关专家分析，睡眠不佳的原因包括内在身心原因和外在环境原因。其中，包括光照、噪声、温度、湿度、二氧化碳浓度等在内的诸多外在环境原因都会对睡眠质量产生影响。为了解决因外在环境原因所导致的睡眠不佳的问题，目前已有一些智能家居产品通过家庭网关设置光照、温度、加湿器、空气净化器、助眠音乐、香薰机等的方式来进行助眠环境的调节。

然而，上述助眠环境调节方案没有充分考虑不同用户之间个体体征的差异性，故难以克服现有智能家居无法针对个体情况进行睡眠环境干预的问题。

发明内容

本发明实施例为了有效克服现有智能家居无法针对个体情况进行睡眠环境干预的问题，创造性地提供一种基于人工智能进行睡眠环境调控的方法及设备。

根据本发明的第一方面，提供一种基于人工智能进行睡眠环境调控的方法，所述方法包括：采集用户睡眠环境的至少一个环境参数；检测用于表征用户个体体征的至少一个体征参数；发送所述至少一个环境参数和至少一个体征参数至云端，以指示云端基于所述至少一个环境参数和至少一个体征参数进行深度学习关联分析，得到分析结果。

根据本发明一个可能的实施方式，其中，所述方法还包括：利用特定个体睡眠质量评估模型基于所述至少一个体征参数进行个体睡眠质量评估，得到睡眠质量评估结果；发送所述至少一个环境参数和至少一个体征参数至云端，包括：发送所述至少一个环境参数和至少一个体征参数至云端的同时，发送所得到的睡眠质量评估结果至云端，以指示云端对所述至少一个环境参数、至少一个体征参数以及所得到的睡眠质量评估结果三者进行深度学习关联分析，得到分析结果。

根据本发明一个可能的实施方式，其中，所述分析结果至少包括用于调整所述用户睡眠环境的至少一个环境调整参数；所述方法进一步包括：接收分析结果，以获得用于调整所述用户睡眠环境的至少一个环境调整参数；基于所述至少一个环境调整参数来对所述用户睡眠环境进行调控。

根据本发明的第二方面，提供一种基于人工智能进行睡眠环境调控的方法，所述方法包括：接收用户睡眠环境的至少一个环境参数和用于表征用户个体体征的至少一个体征参数；基于所述至少一个环境参数和至少一个体征参数进行深度学习关联分析，得到分析结果。

根据本发明一个可能的实施方式，其中，所述接收用户睡眠环境的至少一个环境参数和用于表征用户个体体征的至少一个体征参数包括：接收用户睡眠环境的至少一个环境参数和用于表征用户个体体征的至少一个体征参数的同时，接收利用特定个体睡眠质量评估模型基于所述至少一个体征参数进行个体睡眠质量评估后所得到的睡眠质量评估结果；基于所述至少一个环境参数和至少一个体征参数进行深度学习关联分析，包括：基于所述至少一个环境参数、至少一个体征参数以及所得到的睡眠质量评估结果三者进行深度学习关联分析，得到分析结果。

根据本发明一个可能的实施方式，其中，所述分析结果至少包括用于调整所述用户睡眠环境的至少一个环境调整参数；所述方法还包括:发送所述分析结果，以指示基于所述分析结果中的至少一个环境调整参数来对所述用户睡眠环境进行调控。

根据本发明一个可能的实施方式，其中，通过分层分级降维建模的方式来进行深度学习关联分析。

根据本发明一个可能的实施方式，其中，所述方法还包括：基于所述分析结果优化个人睡眠环境模型和/或整体人群睡眠环境模型。

根据本发明的第三方面，提供一种用于基于人工智能进行睡眠环境调控的设备，所述设备包括：采集单元，用于采集用户睡眠环境的至少一个环境参数；检测单元，用于检测用于表征用户个体体征的至少一个体征参数；发送单元，用于发送所述至少一个环境参数和至少一个体征参数至云端，以指示云端基于所述至少一个环境参数和至少一个体征参数进行深度学习关联分析。

根据本发明的第四方面，提供一种用于基于人工智能进行睡眠环境调控的设备，所述设备包括：接收单元，用于接收用户睡眠环境的至少一个环境参数和用于表征用户个体体征的至少一个体征参数；分析单元，用于对所述至少一个环境参数和至少一个体征参数进行深度学习关联分析，得到分析结果。

本发明实施例在本地采集用户睡眠环境的至少一个环境参数，并进一步检测用于表征用户个体体征的至少一个体征参数；之后，通过智能网关将所述至少一个环境参数和至少一个体征参数至云端，以指示云端基于所述至少一个环境参数和至少一个体征参数进行深度学习关联分析，得到至少包括用于调整所述用户睡眠环境的至少一个环境调整参数；最后，通过智能网关将所得到的至少一个环境调整参数发送至睡眠环境采集控制单元，以对用户睡眠环境进行调控。这样，本发明实施例的助眠环境调节方案能够充分考虑不同用户之间个体体征的差异性，从而克服现有智能家居无法针对个体情况进行睡眠环境干预的问题。

需要理解的是，本发明的教导并不需要实现上面所述的全部有益效果，而是特定的技术方案可以实现特定的技术效果，并且本发明的其他实施方式还能够实现上面未提到的有益效果。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

在附图中，相同或对应的标号表示相同或对应的部分。

图1示出了本发明一种基于人工智能进行睡眠环境调控的网络架构图；

图2a示出了根据本发明一个方面的基于人工智能进行睡眠环境调控的方法的实现流程示意图；

图2b示出了本发明一应用示例EEG/体动—正常年龄黄金睡眠分期数据曲线示意图；

图2c示出了本发明一应用示例ECG/体动—正常年龄黄金睡眠分期数据曲线示意图；

图3示出了根据本发明另一个方面的基于人工智能进行睡眠环境调控的方法的实现流程示意图；

图4示出了根据本发明一个方面的用于基于人工智能进行睡眠环境调控的设备的组成结构示意图；

图5示出了根据本发明另一个方面的用于基于人工智能进行睡眠环境调控的设备的组成结构示意图。

具体实施方式

下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。

下面结合附图和具体实施例对本发明的技术方案进一步详细阐述。

首先，衡量睡眠质量好坏的主要标准为睡眠结构。正常人全夜有3-6 个睡眠周期(每个周期持续时间通常与年龄呈正相关，每个周期成人约90-100min左右，婴儿一般为50-60min)。每个周期由NREM(非快速眼动) 睡眠和REM(快速眼动)睡眠构成。NREM分为N1(入睡)、N2(浅睡)、 N3(中度睡眠)、N4(深度睡眠)。据相关专家在研究中发现，用户睡眠质量也会因个体体征的不同而不同，而目前助眠环境调节方案并没有充分考虑不同用户之间个体体征的差异性。

1、以光照为例：

助眠灯适当的光照(N1浅睡眠阶段(1200-7000Lux、自动觉醒前N4、 REM阶段接受2500-10000lux)，会增加机体内褪黑激素的生成，褪黑激素(具有昼夜节律，午夜分泌达高峰)有助于加深睡眠的深度(REM和N4 的比重)，改变睡眠-觉醒节律，调节生理时钟，调节睡眠质量。

但是，不同年龄、睡眠体质的人进入各睡眠阶段的时间可能不同、对光线的敏感程度也不同，仅根据一般人群进入各睡眠阶段的时间、设置每个人一样的助眠光照调节机制。可能反而影响睡眠，如老人睡眠浅，24： 00还未进入浅睡，可能反而睡眠受到影响。

2、以温度为例

进入浅睡眠阶段后，人体体表温度下降，毛孔舒张，这时候空调应适当提高温度，避免着凉。

但是，不同年龄、睡眠体质的人进入各睡眠阶段的时间可能不同、对温度的敏感程度也不同，仅根据一般人群进入各睡眠阶段的时间、设置每个人一样的空调温度调节机制。可能反而影响睡眠，例如某人24：00还未进入浅睡，体表温度还未下降，就自动调高了温度，可能因为感到炎热，反而睡眠受到影响。

3、以助眠音乐为例

合适的阿尔法波频段助眠音乐，根据进入第一睡眠周期的浅睡眠状态开始，在8Hz到13Hz以0.5Hz的梯度递增的频段发射阿尔法波频段助眠音乐，会有助于调节睡眠。

但是，不同年龄、睡眠体质的人进入各睡眠阶段的时间可能不同、对音乐的敏感程度也不同，仅根据一般人群进入各睡眠阶段的时间、设置每个人一样的音乐播放机制。可能反而影响睡眠。

综上所述，由于每个人年龄、个人体质区别，进入深睡眠时间、体温变化时间、对环境敏感程度不同，根据每个人的情况判断其个性化的睡眠分期情况、对环境的敏感程度，不断学习优化形成一套最适合个人的人工智能睡眠调节深度学习方法，将更有利于提升睡眠环境干预的效果。

基于睡眠环境的上述相关研究，本发明实施例提供一种基于人工智能进行睡眠环境调控的网络架构图。如图1所示，在本地首先通过睡眠环境采集控制单元采集用户睡眠环境的至少一个环境参数，并进一步通过睡眠质量评估单元检测用于表征用户个体体征的至少一个体征参数；之后，通过智能网关将所述至少一个环境参数和至少一个体征参数至云端，以指示云端基于所述至少一个环境参数和至少一个体征参数进行深度学习关联分析，得到至少包括用于调整所述用户睡眠环境的至少一个环境调整参数；最后，通过智能网关将所得到的至少一个环境调整参数发送至睡眠环境采集控制单元，以对用户睡眠环境进行调控。这样，本发明实施例的助眠环境调节方案能够充分考虑不同用户之间个体体征的差异性，从而克服现有智能家居无法针对个体情况进行睡眠环境干预的问题。

本领域技术人员应该理解的是，在如图1所示的网络架构中，在本地终端设备与云端服务器进行数据传输的过程中，由于在睡眠环境通讯过程中，采用的是自组网的方式，一方面适合人体移动的场景，另一方面对后续分层分级处理后的繁多数据，设定不同路径进行传输，将大的数据(第三层级)通过短的路径，小的数据(第一、二层级)通过远的路径，从而降低传输时间，提升并发能力。

这里，智能网关一方面通过近距离无线通讯方式(如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；另一方面通过3G、4G、GPRS、光纤等方式与云端数据处理分析单元连接。其中，该智能网关形态可以为机顶盒、智能平板、智能音箱等。

睡眠环境采集控制单元主要用于环境参数采集和环境调控，其形态通常可以与空调、助眠灯、加湿器、空气净化器等智能家电集成，一般可采集温度、湿度、光强度、二氧化碳浓度、噪声、可吸入颗粒物浓度等环境参数，并通过智能家电调节睡眠环境。

睡眠质量评估单元主要用于体征检测和睡眠分析。其体征采集过程可以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、眼动等一种或多种体征参数。进一步地，通过特定个体睡眠质量评估模型对所检测得到的体征参数进行分析，睡眠结构分期，与标准对应人群睡眠结构对比，从而评估睡眠质量。

云端深度学习关联分析单元：将“整体人群睡眠环境模型”预设为评估策略，在此基础上，形成个人睡眠环境与睡眠质量进行深度学习关联分析，以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。

图2a示出了根据本发明一个方面的基于人工智能进行睡眠环境调控的方法的实现流程示意图。

如图2a所示，本发明实施例所述基于人工智能进行睡眠环境调控的方法包括：操作201，采集用户睡眠环境的至少一个环境参数；操作202，检测用于表征用户个体体征的至少一个体征参数；操作203，发送所述至少一个环境参数和至少一个体征参数至云端，以指示云端基于所述至少一个环境参数和至少一个体征参数进行深度学习关联分析。

其中，所述环境参数可以包括温度、湿度、光强度、二氧化碳浓度、噪声、可吸入颗粒物浓度等。所述体征参数可以包括脑电、心电、体动、鼾声、眼动等。

根据本发明一实施方式，所述方法还包括：利用特定个体睡眠质量评估模型基于所述至少一个体征参数进行个体睡眠质量评估，得到睡眠质量评估结果；发送所述至少一个环境参数和至少一个体征参数至云端的同时，发送所得到的睡眠质量评估结果至云端，以指示云端对所述至少一个环境参数、至少一个体征参数以及所得到的睡眠质量评估结果三者进行深度学习关联分析，得到分析结果。

这里，所述特定个体睡眠质量评估模型可以为预先通过体征数据、睡眠分期情况、根据个人年龄睡眠质量偏离正常情况程度这三个方面的指标，进行关联分析建模来建立个性化的“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。这样只需要定期采用繁琐的EEG/体动采集，平时用简便的ECG/体动方式，通过个性化指标确保精度不断趋近于金标准，即可在确保方便性的同时，提高专业性和针对性。

下面对建立个性化的“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的整个实现过程进行详细论述。

(1)设计正常年龄黄金睡眠分期函数

不论是上述哪种级别的采集，都需要进行睡眠结构的分期，根据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来设计如下函数表达式一，以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。

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，可以通过已有样本的均值得到。S1_i、S2_i、S3_i、S4_i、S(3+4)_i、SW_i、SR_i为用户第i 次使用数据的记录。

数据越小表示偏离正常值越小，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)。

(2)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)HRV特征提取：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P_xx(f₁)、P_xy(f₂)、P_yy(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。X_i(n)是x(EEG信号)的第i段数据，Y_i(n)是 y(HRV信号)的第i段数据，j为虚单位，

(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Coh_xyLF,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Coh_xyHF,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Coh_xy(f₁f₂)的点数，m为f₁在[0.5,4],f₂在[0.15,0.4]范围内Coh_xy(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：

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Coh_xy(f₁f₂)。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”数据如图2b和图2c所示。

通过上述数据对应关系进行分期，再用前述表达式一根据年龄对应情况进行评分。

根据本发明一实施方式，所述分析结果至少包括用于调整所述用户睡眠环境的至少一个环境调整参数；所述方法进一步包括：接收分析结果，以获得用于调整所述用户睡眠环境的至少一个环境调整参数；基于所述至少一个环境调整参数来对所述用户睡眠环境进行调控。

图3示出了根据本发明另一个方面的基于人工智能进行睡眠环境调控的方法的实现流程示意图。

如图3所示，本发明实施例所述基于人工智能进行睡眠环境调控的方法包括：操作301，接收用户睡眠环境的至少一个环境参数和用于表征用户个体体征的至少一个体征参数；操作302，基于所述至少一个环境参数和至少一个体征参数进行深度学习关联分析，得到分析结果。

根据本发明一实施方式，在操作301接收用户睡眠环境的至少一个环境参数和用于表征用户个体体征的至少一个体征参数的同时，同步接收利用特定个体睡眠质量评估模型基于所述至少一个体征参数进行个体睡眠质量评估后所得到的睡眠质量评估结果；进一步地，在操作302，基于所述至少一个环境参数、至少一个体征参数以及所得到的睡眠质量评估结果三者进行深度学习关联分析，得到分析结果。

在本发明实施例中，操作302可以通过分层分级降维建模的方式来进行深度学习关联分析。

在一示例中，环境参数采集：采集传感器包括温度传感器、湿度传感器、光强度传感器、噪声传感器、二氧化碳浓度传感器、可吸入颗粒物浓度传感器，形态与空调、助眠灯、加湿器、空气净化器等智能家电集成，每一分钟记录一次温度、湿度、光强度、二氧化碳浓度、噪声、可吸入颗粒物浓度数据并通过WIFI或其他无线通讯方式发送给智能网关。

体征参数检测：可穿戴设备采集加速度、ECG数据，采样率大于等于 256Hz，通过WIFI或其他无线通讯方式发送给智能网关。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：

加速度：

磁场：

角速度：

对三个指标按照权重系数进行叠加得到加权几何均数：

Y＝k₁Y₁+k₂Y₂+k₃Y₃，k为常模加权系数。

智能网关的APK同时接收到的各类智能家电环境参数、以及磁场噪声，电磁干扰是主要的干扰源，电磁干扰为高频噪声；而磁场噪声为低频噪声。而人体主要是在100Hz以内的低频信号，用离散小波变换阈值法的带通滤波功能，小波系数为C_j，k，阈值为λ；高频噪声λ设为100Hz，磁场噪声λ 设为5Hz，分别进行下式的高低频滤波。

所述

加速度传感器在x、y、z三轴方向上的加速度值a_x、a_y、a_z，并求解加速度信号向量模SVM_A；采集所述角速度传感器在x、y、z三轴方向上的角速度值w_x、w_y、w_z，并求解角速度信号向量模SVM_A；所述

本领域技术人员应该理解的是，相对于现有技术，本发明所采集的既包括环境参数又包括多模态的体征数据，如果直接建模，各个参数所含的信息之间具有一定的重叠性和相关性，若直接将它们用于模式识别会增加运算量。基于此，通过分层分级降维建模的方式，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，既全面判断又降低计算量。

1)所述第一条件为：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：th_amin＝8m/s，th_amax＝11m/s；

所述第一条件表示为：

如果第一条件判断为静止，则不进行第二、第三条件的判断。

2)所述第二条件为：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；

所述加速度计输出的局部方差为：

其中为此区间加速度计合成幅值的输出平均值，其表达式为：

s为半窗口采样数量，通常定义其值为15。定义给定阈值为： th_σa＝0.5m/s²，

所述第二条件表示为：

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。

3)所述第三条件为：角速度传感器输出角速度合成幅值，低于给定的阈值，则判定为该身体局部静止；反之，则判定该身体局部运动。

定义陀螺仪输出的合成幅值为：

给定的阈值为：th_wmax＝50/s，所述第三条件表示为：

4)判断为运动的状态进行抽样计算

在判别时，可能由于其中某个状态标准差偏大，另一个状态标准差偏小，正好相抵，导致未发现异常，故再次进行随机抽样验证。

其中，a、b、c分别为用户三个方向加速度/角速度值；

5)提取特征参数

原始运动向量组为(F₁，F₂，…，F_m)，m小于9。则主成分与原始向量组的关系为，P为三个方向加速度、磁场、角速度。

其中原始向量F₁蕴含信息量最多，具有最大方差，称为第一主成分， F₂，…，F_m依次递减，称为第二主成分、…、第m主成分。因此主成分分析的过程可以看作是确定权重系数a_ik(i＝1,…，m；k＝1，…,9)的过程。

6)重点特征提取

首先对三个方向加速度、磁场、角速度9个变量进行n次观测，得到的观测数据可用下面的矩阵表示。

其中，P_bh为第b次观测(即第b个样本)的第h个特征。

对原始数据P_n*9进行标准化处理，矩阵中的元素减去所在列的均值，然后除以所在列的标准差，使得每个变量的均值为0，方法为1，得到矩阵P_n*9*。

然后求其协方差矩阵C_9*9,P_n*9*中任两列之间可以计算两变量间的协方差，于是得到协方差矩阵C_9*9,对协方差矩阵C_9*9进行特征根分解，得到特征根矩阵A_9*9及特征向量U_9*9。

其中特征向量U_9*9作为主成分的坐标轴，构成新的矢量空间，

其中特征根_r(r＝1,2,···9)的大小代表第r个主成分蕴含的信息量。 U_9*9'是P_n*9的转置矩阵。

求原始数据P_n*9在新的矢量空间中的投影，即主成分向量组F_n*9：

F_n*9＝P_n*9P_n*9

求累积贡献率。每个主成分的特征根大小代表其蕴含信息量的多少。求前k(k＝1，···，9)个主成分的累积贡献率。

选定预设的累积贡献率，使前d个主成分F_n*d作为新的数据进行模式识别。

若累计贡献率达到50％以上时，采用比高法，将最高贡献率的特征值向量留下，作为固定工作样本集，其余舍弃；

实验使用2000个以上样本结果，一共得出9个主成分。第一个主成分F1的贡献率为58％，F2的贡献率为33％，F3的贡献率为22％，F4、F5、 F6、F7、F8总共的贡献率为5％(8个主成分贡献率一共是100％)，前三个主成分(F1、F2、F3)的累积贡献率达到96％，也就是说前三个主成分蕴含了主成分96％的信息，那么选择这三个主成分作为新的数据进行模式识别，在保证信息量的同时降低了特征矩阵的维度。

根据本发明一实施方式，所述分析结果至少包括用于调整所述用户睡眠环境的至少一个环境调整参数；所述方法还包括:发送所述分析结果，以指示基于所述分析结果中的至少一个环境调整参数来对所述用户睡眠环境进行调控。

根据本发明一实施方式，所述方法还包括：基于所述分析结果优化个人睡眠环境模型和/或整体人群睡眠环境模型。

具体地，在通过分层分级降维建模的方式来进行深度学习关联分析之后，将降维后的加速度、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，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，形成个体睡眠环境模型，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，修正整体人群睡眠环境模型，随后通过支持向量机(SVM)分类器设定正确率规则，从而随着样本量的增加模型自适应不断遗传优化完善，以实现对个体睡眠环境模型及整体人群睡眠环境模型的不断优化。

图4示出了根据本发明一个方面的用于基于人工智能进行睡眠环境调控的设备的组成结构示意图。如图4所示，所述设备包括：

采集单元401，用于采集用户睡眠环境的至少一个环境参数；

检测单元402，用于检测用于表征用户个体体征的至少一个体征参数；

发送单元403，用于发送所述至少一个环境参数和至少一个体征参数至云端，以指示云端基于所述至少一个环境参数和至少一个体征参数进行深度学习关联分析。

根据本发明一实施方式，所述设备还包括：评估单元，用于利用特定个体睡眠质量评估模型基于所述至少一个体征参数进行个体睡眠质量评估，得到睡眠质量评估结果；相应地，所述发送单元还用于，发送所述至少一个环境参数和至少一个体征参数至云端的同时，发送所得到的睡眠质量评估结果至云端，以指示云端对所述至少一个环境参数、至少一个体征参数以及所得到的睡眠质量评估结果三者进行深度学习关联分析，得到分析结果。

根据本发明一实施方式，所述分析结果至少包括用于调整所述用户睡眠环境的至少一个环境调整参数；所述设备包括：接收单元，用于接收分析结果，以获得用于调整所述用户睡眠环境的至少一个环境调整参数；调控单元，用于基于所述至少一个环境调整参数来对所述用户睡眠环境进行调控。

这里需要指出的是：以上用于基于人工智能进行睡眠环境调控的设备实施例的描述，与前述方法实施例的描述是类似的，具有同方法实施例相似的有益效果，因此不做赘述。对于本发明用于基于人工智能进行睡眠环境调控的设备实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解，为节约篇幅，因此不再赘述。

图5示出了根据本发明另一个方面的用于基于人工智能进行睡眠环境调控的设备的组成结构示意图。如图5所示，所述设备50包括：接收单元501，用于接收用户睡眠环境的至少一个环境参数和用于表征用户个体体征的至少一个体征参数；分析单元502，用于对所述至少一个环境参数和至少一个体征参数进行深度学习关联分析，得到分析结果。

根据本发明一实施方式，所述接收单元501还用于，接收用户睡眠环境的至少一个环境参数和用于表征用户个体体征的至少一个体征参数的同时，接收利用特定个体睡眠质量评估模型基于所述至少一个体征参数进行个体睡眠质量评估后所得到的睡眠质量评估结果；相应地，所述分析单元502还用于，基于所述至少一个环境参数、至少一个体征参数以及所得到的睡眠质量评估结果三者进行深度学习关联分析，得到分析结果。

根据本发明一实施方式，所述分析结果至少包括用于调整所述用户睡眠环境的至少一个环境调整参数；所述设备还包括:发送单元，用于发送所述分析结果，以指示基于所述分析结果中的至少一个环境调整参数来对所述用户睡眠环境进行调控。

根据本发明一实施方式，所述分析单元502通过分层分级降维建模的方式来进行深度学习关联分析。

根据本发明一实施方式，所述设备还包括：优化单元，用于基于所述分析结果优化个人睡眠环境模型和/或整体人群睡眠环境模型。

同样，这里需要指出的是：以上用于基于人工智能进行睡眠环境调控的设备实施例的描述，与前述方法实施例的描述是类似的，具有同方法实施例相似的有益效果，因此不做赘述。对于本发明用于基于人工智能进行睡眠环境调控的设备实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解，为节约篇幅，因此不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory， ROM)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims

1.一种基于人工智能进行睡眠环境调控的方法，其特征在于，所述方法包括：

采集用户睡眠环境的至少一个环境参数；

检测用于表征用户个体体征的至少一个体征参数；

发送所述至少一个环境参数和至少一个体征参数至云端，以指示云端基于所述至少一个环境参数和至少一个体征参数进行深度学习关联分析，得到分析结果。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

利用特定个体睡眠质量评估模型基于所述至少一个体征参数进行个体睡眠质量评估，得到睡眠质量评估结果；

发送所述至少一个环境参数和至少一个体征参数至云端，包括：

发送所述至少一个环境参数和至少一个体征参数至云端的同时，发送所得到的睡眠质量评估结果至云端，以指示云端对所述至少一个环境参数、至少一个体征参数以及所得到的睡眠质量评估结果三者进行深度学习关联分析，得到分析结果。

3.根据权利要求1所述的方法，其特征在于，所述分析结果至少包括用于调整所述用户睡眠环境的至少一个环境调整参数；所述方法进一步包括：

接收分析结果，以获得用于调整所述用户睡眠环境的至少一个环境调整参数；

基于所述至少一个环境调整参数来对所述用户睡眠环境进行调控。

4.一种基于人工智能进行睡眠环境调控的方法，其特征在于，所述方法包括：

接收用户睡眠环境的至少一个环境参数和用于表征用户个体体征的至少一个体征参数；

基于所述至少一个环境参数和至少一个体征参数进行深度学习关联分析，得到分析结果。

5.根据权利要求4所述的方法，其特征在于，所述接收用户睡眠环境的至少一个环境参数和用于表征用户个体体征的至少一个体征参数包括：

接收用户睡眠环境的至少一个环境参数和用于表征用户个体体征的至少一个体征参数的同时，接收利用特定个体睡眠质量评估模型基于所述至少一个体征参数进行个体睡眠质量评估后所得到的睡眠质量评估结果；

基于所述至少一个环境参数和至少一个体征参数进行深度学习关联分析，包括：

基于所述至少一个环境参数、至少一个体征参数以及所得到的睡眠质量评估结果三者进行深度学习关联分析，得到分析结果。

6.根据权利要求4或5所述的方法，其特征在于，所述分析结果至少包括用于调整所述用户睡眠环境的至少一个环境调整参数；所述方法还包括:

发送所述分析结果，以指示基于所述分析结果中的至少一个环境调整参数来对所述用户睡眠环境进行调控。

7.根据权利要求4或5所述的方法，其特征在于，通过分层分级降维建模的方式来进行深度学习关联分析。

8.根据权利要求4或5所述的方法，其特征在于，所述方法还包括：

基于所述分析结果优化个人睡眠环境模型和/或整体人群睡眠环境模型。

9.一种用于基于人工智能进行睡眠环境调控的设备，其特征在于，所述设备包括：

采集单元，用于采集用户睡眠环境的至少一个环境参数；

检测单元，用于检测用于表征用户个体体征的至少一个体征参数；

发送单元，用于发送所述至少一个环境参数和至少一个体征参数至云端，以指示云端基于所述至少一个环境参数和至少一个体征参数进行深度学习关联分析。

10.一种用于基于人工智能进行睡眠环境调控的设备，其特征在于，所述设备包括：

接收单元，用于接收用户睡眠环境的至少一个环境参数和用于表征用户个体体征的至少一个体征参数；

分析单元，用于对所述至少一个环境参数和至少一个体征参数进行深度学习关联分析，得到分析结果。