CN111141418A - 睡眠温度曲线的确定方法、装置及计算设备 - Google Patents
睡眠温度曲线的确定方法、装置及计算设备 Download PDFInfo
- Publication number
- CN111141418A CN111141418A CN201911389864.6A CN201911389864A CN111141418A CN 111141418 A CN111141418 A CN 111141418A CN 201911389864 A CN201911389864 A CN 201911389864A CN 111141418 A CN111141418 A CN 111141418A
- Authority
- CN
- China
- Prior art keywords
- cluster
- sleep
- sampling point
- temperature
- temperature curve
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
- G01K13/20—Clinical contact thermometers for use with humans or animals
-
- 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
- A61B5/4815—Sleep quality
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明实施例涉及睡眠监测技术领域,公开了一种睡眠温度曲线的确定方法、装置及计算设备,方法包括:获取多组训练数据;从多组训练数据中选择M个睡眠温度曲线作为第一簇中心,得到M个第一聚类簇;计算每一个睡眠温度曲线与每一个第一簇中心的相似度;将第一睡眠温度曲线划分至第一聚类簇中,以得到第二聚类簇;计算第二簇中心;将第一簇中心更新为第二簇中心,执行计算每一个睡眠温度曲线与每一个第一簇中心的相似度,直至满足预设终止条件,得到M个聚类簇;计算每一个聚类簇包含的睡眠温度曲线对应的深睡时长平均值;将平均值最大的簇中心作为改善睡眠质量的睡眠温度曲线。通过上述方式,本发明实施例实现了改善睡眠质量的睡眠温度曲线的确定。
Description
技术领域
本发明实施例涉及睡眠监测技术领域,具体涉及一种睡眠温度曲线的确定方法、装置及计算设备。
背景技术
睡眠环境的温度与睡眠质量密切相关。
现有的睡眠环境温度与睡眠质量的相关性分析通过预先设置不同类型的睡眠温度曲线,通过PSG仪器记录相应的睡眠质量,进而得出睡眠温度调节与睡眠质量的相关性关系。
现有技术的方法实验周期长,无法快速对睡眠温度和睡眠质量之间的相关性进行分析。
发明内容
鉴于上述问题,本发明实施例提供了一种睡眠温度曲线的确定方法、装置及计算设备,克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面,提供了一种睡眠温度曲线的确定方法,所述方法包括:
获取多组训练数据,每一组训练数据包括一个睡眠温度曲线和所述睡眠温度曲线对应的深睡时长,每个睡眠温度曲线用于反映用户睡眠过程中的室内温度变化情况;
从所述多组训练数据中选择M个睡眠温度曲线作为第一簇中心,得到M个第一聚类簇,M为大于0的自然数;
计算每一个睡眠温度曲线与每一个第一簇中心的相似度;
将第一睡眠温度曲线划分至与所述第一睡眠温度曲线的相似度最高的第一簇中心所在的第一聚类簇中,以得到M个第二聚类簇,所述第一睡眠温度曲线为所述多组训练数据中的任一睡眠温度曲线;
计算每一个第二聚类簇的第二簇中心;
将所述第一簇中心更新为所述第二簇中心,执行所述计算每一个睡眠温度曲线与每一个第一簇中心的相似度的步骤,直至满足预设终止条件,得到M个聚类簇;
计算每一个聚类簇所包含的睡眠温度曲线对应的深睡时长的平均值;
将所述平均值最大的聚类簇的簇中心作为改善睡眠质量的睡眠温度曲线。
可选的,所述计算每一个睡眠温度曲线与每一个第一簇中心的相似度,包括:
根据第一采样点和第二采样点构建代价矩阵,所述第一采样点为任一睡眠温度曲线上的温度采样点,所述第二采样点为任一第一簇中心上的温度采样点,所述代价矩阵包括多个温度采样点组合,一个所述温度采样点组合由一个所述第一采样点和一个所述第二采样点组成,所述代价矩阵的行数和列数关联于所述第一采样点的个数和所述第二采样点的个数;
从所述代价矩阵中的初始温度采样点组合开始,依次计算各目标温度采样点组合对应的元素值,其中,目标温度采样点组合对应的元素值表示从所述初始温度采样点组合到所述目标温度采样点组合的累积距离最小值,所述初始温度采样点组合为所述代价矩阵中第一行第一列的温度采样点组合,所述目标温度采样点组合为所述各温度采样点组合中的任一温度采样点组合;
将最后一个温度采样点组合对应的元素值作为所述睡眠温度曲线与所述第一簇中心的相似度,所述最后一个温度采样点组合为所述代价矩阵中最后一行最后一列的温度采样点组合。
可选的,所述计算每一个第二聚类簇的第二簇中心,包括:
确定第三采样点与第四采样点之间的对应关系,所述第三采样点为目标第二聚类簇中的任一睡眠温度曲线上的温度采样点,所述第四采样点为所述目标第二聚类簇中的第一簇中心上的温度采样点,所述目标第二聚类簇为所述M个第二聚类簇中的任一第二聚类簇;
将目标第二聚类簇中的第一簇中心上的各第四采样点替换为所述各第四采样点对应的第三采样点的均值,以得到所述目标第二聚类簇的第二簇中心。
可选的,所述确定第三采样点与第四采样点之间的对应关系,包括:
根据第二睡眠温度曲线与所述第二聚类簇中的第一簇中心的相似度确定规整路径,所述第二睡眠温度曲线为所述目标第二聚类簇中的任一睡眠温度曲线,所述规整路径由多个温度采样点组合形成,一个温度采样点组合由所述第二睡眠温度曲线上的一个温度采样点和所述第二聚类簇中的第一簇中心上的一个温度采样点组成,其中,基于所述规整路径上的多个温度采样点组合确定第二睡眠温度曲线与所述第二聚类簇中的第一簇中心的相似度时所确定的相似度最大;
根据所述规整路径上的多个温度采样点组合确定所述第三采样点与第四采样点之间的对应关系。
可选的,所述终止条件为:所述第一簇中心保持不变,或者,达到预设的更新次数。
可选的,在获取多组训练数据之后,所述方法还包括:
根据预设的温度范围去除所述睡眠温度曲线上的异常采样点,所述异常采样点为所述睡眠温度曲线上位于所述预设的温度范围之外的采样点。
可选的,在获取多组训练数据之后,所述方法还包括:
对所述睡眠温度曲线上的采样点进行归一化处理,得到归一化的睡眠温度曲线。
根据本发明实施例的另一方面,提供了一种睡眠温度曲线的确定装置,所述装置包括:
获取模块,用于获取多组训练数据,每一组训练数据包括一个睡眠温度曲线和所述睡眠温度曲线对应的深睡时长,每个睡眠温度曲线用于反映用户睡眠过程中的室内温度变化情况;
选择模块,用于从所述多组训练数据中选择M个睡眠温度曲线作为第一簇中心,得到M个第一聚类簇,M为大于0的自然数;
第一计算模块,用于计算每一个睡眠温度曲线与每一个第一簇中心的相似度;
划分模块,用于将第一睡眠温度曲线划分至与所述第一睡眠温度曲线的相似度最高的第一簇中心所在的第一聚类簇中,以得到M个第二聚类簇,所述第一睡眠温度曲线为所述多组训练数据中的任一睡眠温度曲线;
第二计算模块,用于计算每一个第二聚类簇的第二簇中心;
更新模块,用于将所述第一簇中心更新为所述第二簇中心,并返回第一计算模块,直至满足预设终止条件,得到M个聚类簇;
第三计算模块,用于计算每一个聚类簇所包含的睡眠温度曲线对应的深睡时长的平均值;
确定模块,用于将所述平均值最大的聚类簇的簇中心作为改善睡醒质量的睡眠温度曲线。
根据本发明实施例的又一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述的一种改善睡眠质量的睡眠温度曲线的确定方法的步骤。
根据本发明实施例的还一方面,提供了一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行上述的一种改善睡眠质量的睡眠温度曲线的确定方法。
本发明实施例将所有的睡眠温度曲线划分为多个聚类簇,每一个聚类簇中包含的睡眠温度曲线的变化趋势相近,将平均深睡时长最高的聚类簇的簇中心作为改善睡眠质量的睡眠温度曲线;通过上述方式,本发明实施例能够快速对睡眠温度和睡眠质量之间的相关性进行分析,确定改善睡眠质量的睡眠温度曲线,有利于提高睡眠质量。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例的一种睡眠温度曲线的确定方法的流程图;
图2示出了本发明实施例的一种睡眠温度曲线的确定方法中睡眠温度曲线与第一簇中心的相似度计算的流程图;
图3示出了本发明实施例的一种睡眠温度曲线的确定方法中规整路径的示意图;
图4示出了本发明实施例的一种睡眠温度曲线的确定装置的功能框图;
图5示出了本发明实施例提供的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明实施例的应用场景是改善睡眠质量的睡眠温度曲线的确定。对于温度变化敏感的人,其睡眠质量很容易受到温度变化的影响。确定最有利于睡眠的睡眠温度曲线可以改善睡眠质量。本发明实施例将采集多组睡眠温度曲线进行聚类,得到多个聚类簇,每一个聚类簇的睡眠温度曲线对应的温度变化趋势相似。计算每一个聚类簇的平均深睡时长,平均深睡时长最大值对应的聚类簇的温度变化趋势为可以改善睡眠质量的温度变化趋势。该聚类簇的簇中心为改善睡眠质量的最佳睡眠温度曲线。下面对本发明各具体实施例进行说明
图1示出了本发明实施例的一种睡眠温度曲线的确定方法流程图。如图1所示,该方法包括以下步骤:
步骤110:获取多组训练数据,每一组训练数据包括一个睡眠温度曲线和该睡眠温度曲线对应的深睡时长。
其中,睡眠温度曲线是由多个温度采样点连接构成的,温度采样点对应的温度可以通过包含温度传感器的智能设备进行采集。在实施过程中,将包含温度传感器的智能设备放置于用户附近进行温度采集,以避免睡眠环境的温度分布不均匀造成的误差。深睡时长可以通过睡眠监测智能设备获取,例如,运动手环。根据深睡时长截取相应时间段内的温度采样点,构成睡眠温度曲线。例如,睡眠监测智能设备监测到的入睡时间为p,清醒时间为q,则截取p至q时间段内的温度采样点,构成睡眠温度曲线。
步骤120:从多组训练数据中选择M个睡眠温度曲线作为第一簇中心,得到M个第一聚类簇,M为大于0的自然数。
其中,M是根据所有的睡眠温度曲线定义的一个数值。M一般远小于睡眠温度曲线的总数。例如,所有睡眠温度曲线的大致趋势分为两种,则将M定义为2。M个睡眠温度曲线是从所有的睡眠温度曲线中随机选取的。每一个第一聚类簇表示一种温度变化趋势,每一个第一聚类簇的第一簇中心为该第一聚类簇中所有睡眠温度曲线的均值。
步骤130:计算每一个睡眠温度曲线与每一个第一簇中心的相似度。
在本步骤中,睡眠温度曲线与第一簇中心的相似度通过如图2所示的如下步骤得到:
步骤210:根据第一采样点和第二采样点构建代价矩阵。
其中,第一采样点为任一睡眠温度曲线上的温度采样点,第二采样点为任一第一簇中心上的温度采样点,代价矩阵包括多个温度采样点组合,一个温度采样点组合由一个第一采样点和一个第二采样点组成。代价矩阵的行数和列数关联于第一采样点的个数和第二采样点的个数。即,当代价矩阵的行数为第一采样点的个数时,代价矩阵的列数为第二采样点的个数;当代价矩阵的行数为第二采样点的个数时,代价矩阵的列数为第一采样点的个数。以代价矩阵的行数为第一采样点个数,代价矩阵的列数为第二采样点个数为例,对代价矩阵的构建进行说明。假设一个睡眠温度曲线用A表示,该睡眠温度曲线上共有m个第一采样点;该睡眠温度曲线A属于第一簇中心为B的第一聚类簇,该第一簇中心上有n个第二采样点;则代价矩阵可以表示为一个m行n列的矩阵。
步骤220:从代价矩阵中的初始温度采样点组合开始,依次计算各目标温度采样点组合对应的元素值。
其中,目标温度采样点组合对应的元素值表示从初始温度采样点组合到目标温度采样点组合的累积距离最小值。初始温度采样点组合是代价矩阵中第一行第一列的温度采样点组合。目标温度采样点组合是各温度采样点组合中的任一温度采样点组合。在进行计算时,用c(Ai,Bj)表示温度采样点组合(Ai,Bj)对应的元素值,用d(Ai,Bj)表示温度采样点Ai和温度采样点点Bj之间的欧式距离,则c(Ai,Bj)=d(Ai,Bj)+min[c(Ai,Bj-1),c(Ai-1,Bj),c(Ai-1,Bj-1)]。以一个三行两列的代价矩阵为例,对代价矩阵中各温度采样点组合对应的元素值的计算过程如下:
c(A1,B1)=d(A1,B1);
c(A1,B2)=d(A1,B2)+min[c(A1,B1)]=d(A1,B2)+d(A1,B1);
c(A2,B1)=d(A2,B1)+min[c(A1,B1)]=d(A2,B1)+d(A1,B1);
c(A2,B2)=d(A2,B2)+min[c(A2,B1),c(A1,B2),c(A1,B1)]=d(A2,B2)+d(A1,B1);
c(A3,B1)=d(A3,B1)+min[c(A2,B1)]=d(A3,B1)+d(A2,B1);
c(A3,B2)=d(A3,B2)+min[c(A3,B1),c(A2,B2),c(A2,B1)];
步骤230:将最后一个温度采样点组合对应的元素值作为睡眠温度曲线与第一簇中心的相似度。
其中,最后一个温度采样点组合为代价矩阵中最后一行最后一列的温度采样点组合。
步骤140:将第一睡眠温度曲线划分至与第一睡眠温度曲线的相似度最高的第一簇中心所在的第一聚类簇中,以得到M个第二聚类簇。
其中,第一睡眠温度曲线为多组训练数据中的任一睡眠温度曲线。计算第一睡眠温度曲线与每一个第一聚类簇的第一簇中心的相似度,将相似度最大值对应的第一聚类簇作为该第一睡眠温度曲线所属的第一聚类簇。例如,第一簇中心有两个,第一睡眠温度曲线与这两个第一簇中心确定了两个相似度,两个相似度中的最大值对应的第一聚类簇即为该睡眠温度曲线所属的第一聚类簇。将所有的睡眠温度曲线分别划分至M个第一聚类簇中,得到M个第二聚类簇。
步骤150:计算每一个第二聚类簇的第二簇中心。
第二簇中心是根据第三采样点和第四采样点之间的对应关系确定的。其中,第三采样点为目标第二聚类簇中的任一睡眠温度曲线上的温度采样点,第四采样点为目标第二聚类簇中的第一簇中心上的温度采样点。目标第二聚类簇为M个第二聚类簇中的任一第二聚类簇。将目标第二聚类簇中的第一簇中心上的各第四采样点替换为各第四采样点对应的第三采样点的均值,得到目标第二聚类簇的第二簇中心。在确定第三采样点和第四采样点之间的对应关系时,根据第二睡眠温度曲线与第二聚类簇中的第一簇中心的相似度确定规整路径。第二睡眠温度曲线为目标第二聚类簇中的任一睡眠温度曲线,规整路径由多个温度采样点组合形成,一个温度采样点组合由第二睡眠温度曲线上的一个温度采样点和第二聚类簇中的第一簇中心上的一个温度采样点组成。其中,基于规整路径上的多个温度采样点组合确定第二睡眠温度曲线与第二聚类簇中的第一簇中心的相似度时所确定的相似度最大。以图2中的代价矩阵确定相似度的方法为例,假设c(A3,B2)=d(A3,B2)+min[c(A3,B1),c(A2,B2),c(A2,B1)]=d(A3,B2)+c(A2,B2)=d(A3,B2)+d(A2,B2)+d(A1,B1),则到达(A3,B2)所经过规整路径为如图3实线所示的路径。以五个睡眠温度曲线,两个第一簇中心为例,对第二簇中心的计算过程进行说明。假设五个睡眠温度曲线中随机选取两个睡眠温度曲线作为第一簇中心,剩余三个睡眠温度曲线中的其中两个睡眠温度曲线与第一个第一簇中心的相似度最高,则这两个睡眠温度曲线属于第一个第一簇中心所在的第一聚类簇。剩余一个睡眠温度曲线属于第二个第一簇中心所在的第一聚类簇。得到的两个第二聚类簇分别包含三个睡眠温度曲线和两个睡眠温度曲线。以包含三个睡眠温度曲线的第二聚类簇为例,该第二聚类簇中的第一簇中心包含有2个温度采样点,其余两个睡眠温度曲线分别包含3个温度采样点和4个温度采样点,两个睡眠温度曲线与该第二聚类簇中的第一簇中心所构建的代价矩阵中确定的规整路径分别如图3中的实线和虚线所示。将实线确定的规整路径表示为(A1,B1)—(A2,B2)—(A3,B2),将虚线确定的规整路径表示为(A1’,B1)—(A2’,B1)—(A3’,B1)—(A4’,B2),则与第一簇中心上的温度采样点B1对应的温度采样点为A1、A1’、A2’和A3’,与第一簇中心上的温度采样点B2对应的温度采样点为A2、A3和A4’。则第二聚类簇的第二簇中心对应的两个温度采样点分别为:(A1+A1’+A2’+A3’+B1)/5、(A2+A3+A4’+B2)/4。
步骤160:将第一簇中心更新为第二簇中心。
步骤170:判断是否满足预设终止条件,若满足,则得到M个聚类簇,若不满足,返回执行步骤130。
其中,预设的终止条件可以为:第一簇中心保持不变,或者,达到预设的更新次数。
步骤180:计算每一个聚类簇所包含的睡眠温度曲线对应的深睡时长的平均值。
其中,每一条睡眠温度曲线对应于一个深睡时长。将一个聚类簇中所有睡眠温度曲线对应的深睡时长取平均,得到平均值。例如,一个聚类簇中包含三条睡眠温度曲线,三条睡眠温度曲线对应的深睡时长分别为a、b、c,则该聚类簇包含的所有睡眠温度曲线对应的深睡时长的平均值为(a+b+c)/3。
步骤190:将平均值最大的聚类簇的簇中心作为改善睡眠质量的睡眠温度曲线。
本发明实施例将所有的睡眠温度曲线划分为多个聚类簇,每一个聚类簇中包含的睡眠温度曲线的变化趋势相近,将平均深睡时长最高的聚类簇的簇中心作为改善睡眠质量的睡眠温度曲线;通过上述方式,本发明实施例能够快速对睡眠温度和睡眠质量之间的相关性进行分析,确定改善睡眠质量的睡眠温度曲线,有利于提高睡眠质量。
在一些实施例中,在获取到睡眠温度曲线后,对睡眠温度曲线进行处理,以去除睡眠温度曲线上的异常值。在一个实施例中,通过预先设置一个合理的温度范围,将位于该温度范围之外的温度采样点确定为异常值。通过上述方式,获得的睡眠温度曲线更加准确,提高了改善睡眠的睡眠温度曲线确定的准确性和可靠性。
在一些实施例中,将睡眠温度曲线上的采样点进行归一化处理,得到归一化的睡眠温度曲线。通过上述方式,消除了睡眠温度曲线在温度值上的偏移量,仅保留睡眠温度曲线的变化形状,从而简化了计算量。
图4示出了本发明实施例的一种改善睡眠质量的睡眠温度曲线的确定装置的结构示意图。如图4所示,该装置包括:获取模块401、选择模块402、第一计算模块403、划分模块404、第二计算模块405、更新模块406、第三计算模块407和确定模块408。获取模块401,用于获取多组训练数据,每一组训练数据包括一个睡眠温度曲线和所述睡眠温度曲线对应的深睡时长,每个睡眠温度曲线用于反映用户睡眠过程中的室内温度变化情况。选择模块402,用于从所述多组训练数据中选择M个睡眠温度曲线作为第一簇中心,得到M个第一聚类簇,M为大于0的自然数。第一计算模块403,用于计算每一个睡眠温度曲线与每一个第一簇中心的相似度。划分模块404,用于将第一睡眠温度曲线划分至与所述第一睡眠温度曲线的相似度最高的第一簇中心所在的第一聚类簇中,以得到M个第二聚类簇,所述第一睡眠温度曲线为所述多组训练数据中的任一睡眠温度曲线。第二计算模块405,用于计算每一个第二聚类簇的第二簇中心。更新模块406,用于将所述第一簇中心更新为所述第二簇中心,并返回第一计算模块403,直至满足预设终止条件,得到M个聚类簇。第三计算模块407,用于计算每一个第二聚类簇所包含的睡眠温度曲线对应的深睡时长的平均值。确定模块408,用于将所述平均值最大的聚类簇的簇中心作为改善睡醒质量的睡眠温度曲线。
在一种可选的方式中,所述第一计算模块403进一步用于:根据第一采样点和第二采样点构建代价矩阵,所述第一采样点为任一睡眠温度曲线上的温度采样点,所述第二采样点为任一第一簇中心上的温度采样点,所述代价矩阵包括多个温度采样点组合,一个所述温度采样点组合由一个所述第一采样点和一个所述第二采样点组成,所述代价矩阵的行数和列数关联于所述第一采样点的个数和所述第二采样点的个数;
从所述代价矩阵中的初始温度采样点组合开始,依次计算各目标温度采样点组合对应的元素值,其中,目标温度采样点组合对应的元素值表示从所述初始温度采样点组合到所述目标温度采样点组合的累积距离最小值,所述初始温度采样点组合为所述代价矩阵中第一行第一列的温度采样点组合,所述目标温度采样点组合为所述各温度采样点组合中的任一温度采样点组合;
将最后一个温度采样点组合对应的元素值作为所述睡眠温度曲线与所述第一簇中心的相似度,所述最后一个温度采样点组合为所述代价矩阵中最后一行最后一列的温度采样点组合。
在一种可选的方式中,第二计算模块405进一步用于:
确定第三采样点与第四采样点之间的对应关系,所述第三采样点为目标第二聚类簇中的任一睡眠温度曲线上的温度采样点,所述第四采样点为所述目标第二聚类簇中的第一簇中心上的温度采样点,所述目标第二聚类簇为所述M个第二聚类簇中的任一第二聚类簇;
将目标第二聚类簇中的第一簇中心上的各第四采样点替换为所述各第四采样点对应的第三采样点的均值,以得到所述目标第二聚类簇的第二簇中心。
在一种可选的方式中,确定模块408进一步用于:
根据第二睡眠温度曲线与所述第二聚类簇中的第一簇中心的相似度确定规整路径,所述第二睡眠温度曲线为所述目标第二聚类簇中的任一睡眠温度曲线,所述规整路径由多个温度采样点组合形成,一个温度采样点组合由所述第二睡眠温度曲线上的一个温度采样点和所述第二聚类簇中的第一簇中心上的一个温度采样点组成,其中,基于所述规整路径上的多个温度采样点组合确定第二睡眠温度曲线与所述第二聚类簇中的第一簇中心的相似度时所确定的相似度最大;
根据所述规整路径上的多个温度采样点组合确定所述第三采样点与第四采样点之间的对应关系。
在一种可选的方式中,所述终止条件为:所述第一簇中心保持不变,或者,达到预设的更新次数。
在一种可选的方式中,所述装置还包括:处理模块409和归一化模块410。所述处理模块409用于根据预设的温度范围去除所述睡眠温度曲线上的异常采样点,所述异常采样点为所述睡眠温度曲线上位于所述预设的温度范围之外的采样点。所述归一化模块410用于对所述睡眠温度曲线上的采样点进行归一化处理,得到归一化的睡眠温度曲线。
本发明实施例将所有的睡眠温度曲线划分为多个聚类簇,每一个聚类簇中包含的睡眠温度曲线的变化趋势相近,将平均深睡时长最高的聚类簇的簇中心作为改善睡眠质量的睡眠温度曲线;通过上述方式,本发明实施例能够快速对睡眠温度和睡眠质量之间的相关性进行分析,确定改善睡眠质量的睡眠温度曲线,有利于提高睡眠质量。
本发明实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的改善睡眠质量的睡眠温度曲线的方法。
图5示出了本发明实施例的一种计算设备的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图5所示,该计算设备可以包括:处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中:处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。通信接口504,用于与其它设备比如客户端或其它服务器等的网元通信。处理器502,用于执行程序510,具体可以执行上述一种改善睡眠质量的睡眠温度曲线的确定方法实施例中的相关步骤。
具体地,程序510可以包括程序代码,该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器506,用于存放程序510。存储器506可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行如图1所示的步骤110~步骤190,图2中的步骤210~步骤230,以及实现图4中的模块401~模块410的功能。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种睡眠温度曲线的确定方法,其特征在于,所述方法包括:
获取多组训练数据,每一组训练数据包括一个睡眠温度曲线和所述睡眠温度曲线对应的深睡时长,每个睡眠温度曲线用于反映用户睡眠过程中的室内温度变化情况;
从所述多组训练数据中选择M个睡眠温度曲线作为第一簇中心,得到M个第一聚类簇,M为大于0的自然数;
计算每一个睡眠温度曲线与每一个第一簇中心的相似度;
将第一睡眠温度曲线划分至与所述第一睡眠温度曲线的相似度最高的第一簇中心所在的第一聚类簇中,以得到M个第二聚类簇,所述第一睡眠温度曲线为所述多组训练数据中的任一睡眠温度曲线;
计算每一个第二聚类簇的第二簇中心;
将所述第一簇中心更新为所述第二簇中心,执行所述计算每一个睡眠温度曲线与每一个第一簇中心的相似度的步骤,直至满足预设终止条件,得到M个聚类簇;
计算每一个聚类簇所包含的睡眠温度曲线对应的深睡时长的平均值;
将所述平均值最大的聚类簇的簇中心作为改善睡眠质量的睡眠温度曲线。
2.根据权利要求1所述的方法,其特征在于,所述计算每一个睡眠温度曲线与每一个第一簇中心的相似度,包括:
根据第一采样点和第二采样点构建代价矩阵,所述第一采样点为任一睡眠温度曲线上的温度采样点,所述第二采样点为任一第一簇中心上的温度采样点,所述代价矩阵包括多个温度采样点组合,一个所述温度采样点组合由一个所述第一采样点和一个所述第二采样点组成,所述代价矩阵的行数和列数关联于所述第一采样点的个数和所述第二采样点的个数;
从所述代价矩阵中的初始温度采样点组合开始,依次计算各目标温度采样点组合对应的元素值,其中,目标温度采样点组合对应的元素值表示从所述初始温度采样点组合到所述目标温度采样点组合的累积距离最小值,所述初始温度采样点组合为所述代价矩阵中第一行第一列的温度采样点组合,所述目标温度采样点组合为所述各温度采样点组合中的任一温度采样点组合;
将最后一个温度采样点组合对应的元素值作为所述睡眠温度曲线与所述第一簇中心的相似度,所述最后一个温度采样点组合为所述代价矩阵中最后一行最后一列的温度采样点组合。
3.根据权利要求1所述的方法,其特征在于,所述计算每一个第二聚类簇的第二簇中心,包括:
确定第三采样点与第四采样点之间的对应关系,所述第三采样点为目标第二聚类簇中的任一睡眠温度曲线上的温度采样点,所述第四采样点为所述目标第二聚类簇中的第一簇中心上的温度采样点,所述目标第二聚类簇为所述M个第二聚类簇中的任一第二聚类簇;
将目标第二聚类簇中的第一簇中心上的各第四采样点替换为所述各第四采样点对应的第三采样点的均值,以得到所述目标第二聚类簇的第二簇中心。
4.根据权利要求3所述的方法,其特征在于,所述确定第三采样点与第四采样点之间的对应关系,包括:
根据第二睡眠温度曲线与所述第二聚类簇中的第一簇中心的相似度确定规整路径,所述第二睡眠温度曲线为所述目标第二聚类簇中的任一睡眠温度曲线,所述规整路径由多个温度采样点组合形成,一个温度采样点组合由所述第二睡眠温度曲线上的一个温度采样点和所述第二聚类簇中的第一簇中心上的一个温度采样点组成,其中,基于所述规整路径上的多个温度采样点组合确定第二睡眠温度曲线与所述第二聚类簇中的第一簇中心的相似度时所确定的相似度最大;
根据所述规整路径上的多个温度采样点组合确定所述第三采样点与第四采样点之间的对应关系。
5.根据权利要求1所述的方法,其特征在于,所述终止条件为:所述第一簇中心保持不变,或者,达到预设的更新次数。
6.根据权利要求1所述的方法,其特征在于,在获取多组训练数据之后,所述方法还包括:
根据预设的温度范围去除所述睡眠温度曲线上的异常采样点,所述异常采样点为所述睡眠温度曲线上位于所述预设的温度范围之外的采样点。
7.根据权利要求1所述的方法,其特征在于,在获取多组训练数据之后,所述方法还包括:
对所述睡眠温度曲线上的采样点进行归一化处理,得到归一化的睡眠温度曲线。
8.一种睡眠温度曲线的确定装置,其特征在于,所述装置包括:
获取模块,用于获取多组训练数据,每一组训练数据包括一个睡眠温度曲线和所述睡眠温度曲线对应的深睡时长,每个睡眠温度曲线用于反映用户睡眠过程中的室内温度变化情况;
选择模块,用于从所述多组训练数据中选择M个睡眠温度曲线作为第一簇中心,得到M个第一聚类簇,M为大于0的自然数;
第一计算模块,用于计算每一个睡眠温度曲线与每一个第一簇中心的相似度;
划分模块,用于将第一睡眠温度曲线划分至与所述第一睡眠温度曲线的相似度最高的第一簇中心所在的第一聚类簇中,以得到M个第二聚类簇,所述第一睡眠温度曲线为所述多组训练数据中的任一睡眠温度曲线;
第二计算模块,用于计算每一个第二聚类簇的第二簇中心;
更新模块,用于将所述第一簇中心更新为所述第二簇中心,并返回第一计算模块,直至满足预设终止条件,得到M个聚类簇;
第三计算模块,用于计算每一个聚类簇所包含的睡眠温度曲线对应的深睡时长的平均值;
确定模块,用于将所述平均值最大的聚类簇的簇中心作为改善睡醒质量的睡眠温度曲线。
9.一种计算设备,其特征在于,所述计算设备包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行根据权利要求1-7任一项所述的一种睡眠温度曲线的确定方法的步骤。
10.一种计算机存储介质,其特征在于,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行根据权利要求1-7任一项所述的一种睡眠温度曲线的确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911389864.6A CN111141418B (zh) | 2019-12-30 | 2019-12-30 | 睡眠温度曲线的确定方法、装置及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911389864.6A CN111141418B (zh) | 2019-12-30 | 2019-12-30 | 睡眠温度曲线的确定方法、装置及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111141418A true CN111141418A (zh) | 2020-05-12 |
CN111141418B CN111141418B (zh) | 2021-07-16 |
Family
ID=70521605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911389864.6A Active CN111141418B (zh) | 2019-12-30 | 2019-12-30 | 睡眠温度曲线的确定方法、装置及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111141418B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05205058A (ja) * | 1992-01-24 | 1993-08-13 | Hitachi Ltd | クラスタリング方法 |
CN103325071A (zh) * | 2013-06-09 | 2013-09-25 | 浙江大学 | 一种基于密度聚类的用户典型负荷曲线的构建方法 |
CN106650228A (zh) * | 2016-11-08 | 2017-05-10 | 浙江理工大学 | 改进k‑means算法的噪声数据去除方法及实施系统 |
CN109472300A (zh) * | 2018-10-24 | 2019-03-15 | 南京邮电大学 | 一种面向k均值聚类算法的质心以及质心个数初始化方法 |
CN109682620A (zh) * | 2018-12-06 | 2019-04-26 | 郭思 | 一种家用空调器制冷效率的评估方法 |
-
2019
- 2019-12-30 CN CN201911389864.6A patent/CN111141418B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05205058A (ja) * | 1992-01-24 | 1993-08-13 | Hitachi Ltd | クラスタリング方法 |
CN103325071A (zh) * | 2013-06-09 | 2013-09-25 | 浙江大学 | 一种基于密度聚类的用户典型负荷曲线的构建方法 |
CN106650228A (zh) * | 2016-11-08 | 2017-05-10 | 浙江理工大学 | 改进k‑means算法的噪声数据去除方法及实施系统 |
CN109472300A (zh) * | 2018-10-24 | 2019-03-15 | 南京邮电大学 | 一种面向k均值聚类算法的质心以及质心个数初始化方法 |
CN109682620A (zh) * | 2018-12-06 | 2019-04-26 | 郭思 | 一种家用空调器制冷效率的评估方法 |
Non-Patent Citations (1)
Title |
---|
王露: "大坝施工期温度监测数据关联规则挖掘与预测", 《中国优秀硕士学位论文全文数据库》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111141418B (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019153595A1 (zh) | 慢阻肺发病风险预测方法、服务器及计算机可读存储介质 | |
WO2017012392A1 (zh) | 一种磁盘检测的方法和装置 | |
CN108461110B (zh) | 医疗信息处理方法、装置及设备 | |
CN111694839A (zh) | 基于大数据的时间序列指数构建方法、装置及计算机设备 | |
CN104618949B (zh) | 一种基于arma模型的投诉预测方法及装置 | |
JP2020534622A5 (zh) | ||
CN117454096B (zh) | 一种电机生产质量检测方法及系统 | |
CN111141418B (zh) | 睡眠温度曲线的确定方法、装置及计算设备 | |
US20070219646A1 (en) | Device performance approximation | |
US20130030759A1 (en) | Smoothing a time series data set while preserving peak and/or trough data points | |
JP2022079470A (ja) | 患者集団の疾患症状比較を視覚化するためのシステム及び方法 | |
CN108334519B (zh) | 一种用户画像中的用户标签获取方法及装置 | |
CN111870250B (zh) | 用户状态监测方法、装置、计算设备及计算机存储介质 | |
CN113312579A (zh) | 一种降温强度确定及温度变化趋势检测方法和装置 | |
CN113130021B (zh) | 一种临床数据的分析方法、装置、可读介质及电子设备 | |
CN106709256B (zh) | Ecg数据处理系统及方法 | |
Hariharan | The analysis of microarray data | |
CN113642667B (zh) | 一种图片增强策略确定方法、装置、电子设备及存储介质 | |
CN110322391A (zh) | 基于多线程的视频告警事件分析方法 | |
CN114647786A (zh) | 书籍推荐方法、电子设备和存储介质 | |
CN110347563B (zh) | 多核处理器性能的确定方法、装置及存储介质 | |
CN115269289A (zh) | 一种慢盘检测方法、装置、电子设备及存储介质 | |
CN114356705A (zh) | 用于物联网设备的异常检测方法、装置、设备及介质 | |
CN111125951B (zh) | 一种蒸发器结垢预测模型的优化方法及装置 | |
CN109543888B (zh) | 营业厅位置选择方法、装置及存储介质 |
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 |