CN111387936A - 一种睡眠阶段识别方法、装置及设备 - Google Patents

Abstract

本发明提供一种睡眠阶段识别方法、装置及设备，涉及通信技术领域。该方法包括：根据目标用户的用户属性信息，将反馈信号的频域谱图输入至与所述用户属性信息对应的目标识别模型；将所述目标识别模型的输出结果作为所述目标用户的当前睡眠阶段；其中，所述反馈信号是射频信号经目标用户反射回的信号，所述目标识别模型为深度神经网络模型。本发明的方案，扩展了应用场景，且提升了识别的准确性。

Description

一种睡眠阶段识别方法、装置及设备

技术领域

本发明涉及通信技术领域，特别是指一种睡眠阶段识别方法、装置及设备。

背景技术

睡眠对个人的健康和幸福起着至关重要的作用。根据美国睡眠医学会(AASM)标准，睡眠分不同的阶段：W期(清醒期)、N1期(轻度睡眠期)、N2期(中度睡眠期)、N3期(深度睡眠期)和REM期(快速眼动期)。睡眠阶段的研究具有广泛的应用价值，不仅可用于分析用户睡眠质量，更可应用于各类疾病的早期预测，如抑郁症、阿尔茨海默症、帕金森症等疾病。例如，经研究发现，抑郁症患者具有睡眠REM期比常人出现更早的特征。

关于传统睡眠阶段检测方法，在医疗上通常依赖于多导睡眠图(PSG)，要求患者在身上佩戴各类传感器，如脑电监护仪(EEG)、心电监护仪(ECG)、胸带和鼻探针等，对患者进行睡眠模式监测和分析。

然而，传统睡眠阶段检测佩戴的设备专业而复杂，更适合医院和实验室等场景，难于在家庭中推广，同时佩戴过多贴身设备也会对用户睡眠体验产生很大影响，导致失眠或无法进入深度睡眠，使得测量结果不具有代表性。

发明内容

本发明的目的是提供一种睡眠阶段识别方法、装置及设备，扩展了应用场景，且提升了识别的准确性。

为达到上述目的，本发明的实施例提供一种睡眠阶段识别方法，包括：

根据目标用户的用户属性信息，将反馈信号的频域谱图输入至与所述用户属性信息对应的目标识别模型；

将所述目标识别模型的输出结果作为所述目标用户的当前睡眠阶段；

其中，所述反馈信号是射频信号经目标用户反射回的信号，所述目标识别模型为用于识别睡眠阶段的深度神经网络模型。

其中，在根据目标用户的用户属性信息，将反馈信号的频域谱图输入至与所述用户属性信息对应的目标识别模型之前，还包括：

根据统计的睡眠阶段数据，构建睡眠阶段推理知识库；

根据所述睡眠阶段推理知识库，对初始深度神经网络模型进行训练，得到对应不同用户属性信息的识别模型。

其中，根据统计的睡眠阶段数据，构建睡眠阶段推理知识库，包括：

将统计的睡眠阶段数据以语义映射为对应实例的关联关系及推理规则，得到睡眠阶段推理知识库；

其中，所述实例的基本概念至少包括：用户、属性、年龄、性别、睡眠状态、睡眠阶段、当前睡眠阶段、睡眠阶段累计时间序列、各睡眠阶段累计时长、惩罚及惩罚权重。

其中，根据所述睡眠阶段推理知识库，对初始深度神经网络模型进行训练，得到对应不同用户属性信息的识别模型，包括：

将所述睡眠阶段推理知识库中的数据，按照不同的用户属性信息进行样本归类；

将不同类别样本的训练数据输入对应的初始深度神经网络模型进行训练，得到对应不同用户属性信息的识别模型。

其中，将不同类别样本的训练数据输入对应的初始深度神经网络模型进行训练，包括：

根据当前样本的训练数据，确定偏差惩罚权重和逻辑惩罚权重；

根据所述偏差惩罚权重和逻辑惩罚权重，更新当前深度神经网络模型的误差和学习率。

其中，所述当前样本的训练数据至少包括：当前睡眠阶段预测值和当前睡眠阶段实际值；

根据当前训练数据，确定偏差惩罚权重和逻辑惩罚权重，包括：

根据公式

得到偏差惩罚权重λ^(t)，其中y^(t)为当前睡眠阶段实际值，

为当前睡眠阶段预测值，t表示第t时刻或者第t次迭代；

根据所述睡眠阶段推理知识库中的推理规则，得到逻辑惩罚权重W^(t)，其中W^(t)＝{w₀ ^(t),w₁ ^(t),…,w_n ^(t)}，每个分量w_i ^(t)表示对应推理规则i的逻辑惩罚权重分量，n为维度，i＝0，1，…，n。

其中，根据所述偏差惩罚权重和逻辑惩罚权重，更新当前深度神经网络模型的误差和学习率，包括：

根据公式

得到动态惩罚因子C^(t)，其中b^(t)为惩罚偏差；

根据公式E′^(t)＝θ×C^(t)×E^(t)，得到误差E′^(t)，其中θ为误差放大系数，E^(t)为原始误差；

根据公式η′^(t)＝γ×C^(t)×η^(t)，得到学习率η′(t)，其中γ为学习率放大系数，η^(t)为基准学习率。

其中，所述方法还包括：

在一次训练后，由当前识别模型的输出结果更新所述睡眠阶段推理知识库。

其中，在根据用户属性信息，将反馈信号的频域谱图输入至与所述用户属性信息对应的目标识别模型之前，还包括：

将接收到的反馈信号进行预处理、噪声过滤以及频谱转换与增强。

为达到上述目的，本发明的实施例提供一种睡眠阶段识别装置，包括：

第一处理模块，用于根据目标用户的用户属性信息，将反馈信号的频域谱图输入至与所述用户属性信息对应的目标识别模型；

第二处理模块，用于将所述目标识别模型的输出结果作为所述目标用户的当前睡眠阶段；

其中，所述反馈信号是射频信号经目标用户反射回的信号，所述目标识别模型为用于识别睡眠阶段的深度神经网络模型。

其中，所述装置还包括：

知识库构建模块，用于根据统计的睡眠阶段数据，构建睡眠阶段推理知识库；

第三处理模块，用于根据所述睡眠阶段推理知识库，对初始深度神经网络模型进行训练，得到对应不同用户属性信息的识别模型。

其中，所述知识库构建模块还用于：

将统计的睡眠阶段数据以语义映射为对应实例的关联关系及推理规则，得到睡眠阶段推理知识库；

其中，所述实例的基本概念至少包括：用户、属性、年龄、性别、睡眠状态、睡眠阶段、当前睡眠阶段、睡眠阶段累计时间序列、各睡眠阶段累计时长、惩罚及惩罚权重。

其中，所述第三处理模块包括：

样本归类子模块，用于将所述睡眠阶段推理知识库中的数据，按照不同的用户属性信息进行样本归类；

训练子模块，用于将不同类别样本的训练数据输入对应的初始深度神经网络模型进行训练，得到对应不同用户属性信息的识别模型。

其中，所述训练子模块包括：

第一处理单元，用于根据当前样本的训练数据，确定偏差惩罚权重和逻辑惩罚权重；

第二处理单元，用于根据所述偏差惩罚权重和逻辑惩罚权重，更新当前深度神经网络模型的误差和学习率。

其中，所述当前样本的训练数据至少包括：当前睡眠阶段预测值和当前睡眠阶段实际值；

所述第一处理单元包括：

第一处理子单元，用于根据公式

得到偏差惩罚权重λ^(t)，其中y^(t)为当前睡眠阶段实际值，

为当前睡眠阶段预测值，t表示第t时刻或者第t次迭代；

第二处理子单元，用于根据所述睡眠阶段推理知识库中的推理规则，得到逻辑惩罚权重W^(t)，其中W^(t)＝{w₀ ^(t),w₁ ^(t),…,w_n ^(t)}，每个分量w_i ^(t)表示对应推理规则i的逻辑惩罚权重分量，n为维度，i＝0，1，…，n。

其中，所述第二处理单元包括：

第三处理子单元，用于根据公式

得到动态惩罚因子C^(t)，其中b^(t)为惩罚偏差；

第四处理子单元，用于根据公式E′^(t)＝θ×C^(t)×E^(t)，得到误差E′^(t)，其中θ为误差放大系数，E^(t)为原始误差；

第五处理子单元，用于根据公式η′^(t)＝γ×C^(t)×η^(t)，得到学习率η′(t)，其中γ为学习率放大系数，η^(t)为基准学习率。

其中，所述装置还包括：

更新模块，用于在一次训练后，由当前识别模型的输出结果更新所述睡眠阶段推理知识库。

其中，所述装置还包括：

第四处理模块，用于将接收到的反馈信号进行预处理、噪声过滤以及频谱转换与增强。

为达到上述目的，本发明的实施例提供一种终端设备，包括收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序所述处理器执行所述计算机程序时实现如上所述的睡眠阶段识别方法。

为达到上述目的，本发明的实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的睡眠阶段识别方法中的步骤。

本发明的上述技术方案的有益效果如下：

本发明实施例的方法，首先会根据目标用户的用户属性信息，将反馈信号的频域谱图输入到与该用户属性信息对应的目标识别模型中，因该目标识别模型为用于识别用户睡眠阶段的深度神经网络型，就能够将该目标识别模型的输出结果作为该目标用户的当前睡眠阶段。如此，无需待测用户佩戴测量设备，基于无线的信号即可进行睡眠阶段的识别，扩展了应用场景，而且，由于目标识别类型是与待测用户的用户属性信息所对应的，能够对待测用户有针对性的识别，提升了识别的准确性。

附图说明

图1为本发明实施例的睡眠阶段识别方法的步骤流程图之一；

图2为本发明实施例的睡眠阶段识别方法的步骤流程图之二；

图3为睡眠阶段推理知识库示意图；

图4为本发明实施例的睡眠阶段识别方法的应用示意图；

图5为本发明实施例的睡眠阶段识别装置的结构示意图；

图6为本发明实施例的终端设备的结构示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

如图1所示，本发明实施例的一种睡眠阶段识别方法，包括：

步骤101，根据目标用户的用户属性信息，将反馈信号的频域谱图输入至与所述用户属性信息对应的目标识别模型；

步骤102，将所述目标识别模型的输出结果作为所述目标用户的当前睡眠阶段；

其中，所述反馈信号是射频信号经目标用户反射回的信号，所述目标识别模型为用于识别睡眠阶段的深度神经网络模型。

通过上述步骤，应用本发明实施例方法的终端设备，首先会根据目标用户(即待测用户)的用户属性信息，将反馈信号(即射频信号经该目标用户反射回的信号)的频域谱图输入到与该用户属性信息对应的目标识别模型中，因该目标识别模型为用于识别用户睡眠阶段的深度神经网络型，就能够将该目标识别模型的输出结果作为该目标用户的当前睡眠阶段。如此，无需待测用户佩戴测量设备，基于无线的信号即可进行睡眠阶段的识别，扩展了应用场景，而且，由于目标识别类型是与待测用户的用户属性信息所对应的，能够对待测用户有针对性的识别，提升了识别的准确性。

应该知道的是，对应反馈信号的射频信号可以是由应用本发明实施例方法的终端设备发送的，这样，该终端设备就能够在发送一射频信号后，检测接收经目标用户反射回的反馈信号。又或者，射频信号是由预定的辅助识别设备发送的，此时，应用本发明实施例方法的终端设备只需检测接收经目标用户反射回的反馈信号。其中，射频信号的具体形式是多样的，如WIFI信号、蓝牙信号、雷达信号等等，而反馈信号则对应射频信号的形式进行确定。例如，射频信号为一WIFI信号，由于WIFI信号的信道状态信息CSI能够将子载波信息展示的更丰富，在一定程度上展现其多径分辨能力，尤其是在非视距范围内信号微小的变化进行感知出来，则能够将经目标用户反射回的WIFI中CSI信号的频域谱图作为目标识别模型的输入。

然而，信号接收过程中，接收的信号往往会在传输过程中出现丢包、传输延迟等问题，以及受到环境干扰，因此，可选地，在该实施例中，步骤101之前，还包括：

将接收到的反馈信号进行预处理、噪声过滤以及频谱转换与增强。

这样，在对接收到的反馈信号进行预处理、噪声过滤以及频谱转换与增强后，所得的频域谱图将能够更清晰地反应相关信息。

以CSI为例，预处理主要是对CSI进行数据清晰、集成、规约和转换等处理。当然，预处理的方式不限于上述方式，在传输过程中出现丢包、传输延迟和其它处理延时，CSI序列会出现不均匀采样，此时，则采用各类差值方法进行数据的补充。噪声处理主要是对CSI过滤无关的环境噪声因素。如不同CSI子载波对人体动态特征(心跳、呼吸)和环境噪声的敏感性不同，可利用相关过滤技术(如，前景检测、基于PCA的环境去噪、小波滤波等)去掉与人体睡眠动态特征无关的环境因素。频谱转换与增强则是利用频谱转换技术(如傅里叶变换等)，并通过对时间块能级或幅度进行归一化、频域去噪、谱图叠加、低通滤波等手段实现增强。

此外，可选地，在该实施例中，如图2所述，步骤101之前，还包括：

步骤103，根据统计的睡眠阶段数据，构建睡眠阶段推理知识库；

步骤104，根据所述睡眠阶段推理知识库，对初始深度神经网络模型进行训练，得到对应不同用户属性信息的识别模型。

这样，在对目标用户的睡眠阶段识别前，由统计的睡眠阶段数据将首先构建一睡眠阶段推理知识库，然后根据所构建的睡眠阶段推理知识库就能够对初始深度神经网络模型进行训练，得到对应不同用户属性信息的识别模型。

一般而言，在人的睡眠过程中，睡眠初始阶段会由W期逐步发展到N1、N2、N3期，之后再由N2期回到REM期，一个循环大约持续90分钟，结束后又进入一个新循环。在睡眠的前半程，N3期占比较高，REM期占比较少，但到了后半程，N3期会不再出现，而REM期持续时间有明显的增加。而且，对于不同年龄和性别的人群，睡眠阶段也会表征出有不同的特征。比如美国睡眠医学会AASM会根据未成年人和成年人制定不同的睡眠分类标准；比如，相比其他年龄段人群，老年人的N3期在整个睡眠中比重较低。所以，可选地，步骤103包括：

将统计的睡眠阶段数据以语义映射为对应实例的关联关系及推理规则，得到睡眠阶段推理知识库；

其中，所述实例的基本概念至少包括：用户、属性、年龄、性别、睡眠状态、睡眠阶段、当前睡眠阶段、睡眠阶段累计时间序列、各睡眠阶段累计时长、惩罚及惩罚权重。

其中，睡眠阶段包括：W期、N1期、N2期、N3期、REM期；当前睡眠阶段包括当前睡眠阶段预测值和当前睡眠阶段真实值；推理规则是基于统计的睡眠阶段数据，归纳的不同事件以及其对应的逻辑惩罚权重分量或偏差惩罚权重(表征对用户当前睡眠阶段预测情况的判定，往往设置为0或1)，具体的与事件对应的逻辑惩罚权重分量是通过专家或者经验预先配置的。

例如，实例1：年龄＝青年人(20)，性别＝男，当前睡眠阶段预测值＝N2，当前睡眠阶段真实值＝REM；

推理规则1：若(用户上一睡眠阶段真实值＝＝W)and(用户当前睡眠阶段预测值＝＝N2)or(用户当前睡眠阶段预测值＝＝N3)，则(逻辑惩罚权重分量为A)；

推理规则2：若(用户当前睡眠阶段预测值！＝用户当前睡眠阶段真实值),则(偏差惩罚权重为0)。

实例2：年龄＝老年人(65)，性别＝男，当前睡眠阶段预测值＝N3，当前睡眠阶段真实值＝N1；

推理规则1：若(用户为老年人)and(用户为男性)and(N3期时长>3)，则(逻辑惩罚权重分量为C)；

推理规则2：若(当前睡眠阶段预测值！＝当前睡眠阶段真实值),则(惩偏差惩罚权重为1)。

其中，在推理规则中“＝＝”表示“等于”，“！＝”表示“不等于”。

如此，利用语义分析，将大数据统计的睡眠阶段数据映射为对应实例的关联关系及推理规则，得到睡眠阶段推理知识库如图3所示，以用于对初始深度神经网络模型的训练。

可选地，所述方法还包括：

在一次训练后，由当前识别模型的输出结果更新所述睡眠阶段推理知识库。

这里，根据构建好的睡眠阶段推理知识库，通过模型训练过程每次的输入输出数据，也会以语义映射更新睡眠阶段推理知识库实例，包括本次用户的年龄、性别、模型每次前向计算的预测值(当前睡眠阶段预测值)，以及对应训练中的期望值(当前睡眠阶段真实值)，对更新后知识库根据规则进行知识推理，以得到睡眠阶段知识惩罚事件中的惩罚权重。

睡眠阶段推理知识库构建后，就需要进行对初始深度神经网络模型的训练，以得到最终使用的识别模型。可选地，步骤104包括：

将所述睡眠阶段推理知识库中的数据，按照不同的用户属性信息进行样本归类；

将不同类别样本的训练数据输入对应的初始深度神经网络模型进行训练，得到对应不同用户属性信息的识别模型。

通过上述步骤，首先会将睡眠阶段推理知识库中的数据，按照不同的用户属性信息进行样本归类，从而基于同样用户属性的数据对初始深度神经网络模型，来得到不同用户属性信息的识别模型。在该实施例中，用户属性信息包括但不限于年龄、性别、疾病史等信息。在样本归类时，不限于基于一个属性的分类，还可基于多个属性的组合进行分类。例如，考虑到年龄、性别、疾病史等影响睡眠特征的重要群体属性，对属性进行合理组合，制定不同的模型训练任务；然后，根据不同群体训练数据训练模型；进而，将训练好的不同群体模型进行集成，构建基于群体的睡眠阶段识别模型库。

可选地，该实施例中，将不同类别样本的训练数据输入对应的初始深度神经网络模型进行训练，包括：

根据当前样本的训练数据，确定偏差惩罚权重和逻辑惩罚权重；

根据所述偏差惩罚权重和逻辑惩罚权重，更新当前深度神经网络模型的误差和学习率。

由于深度神经网络模型为了达到很好的精度，需要大数据支撑，在只能提供有限数据量的应用场景下，深度学习算法不能够对数据的规律进行无偏差的估计；模型架构不具有很好的解释性，同时模型训练过程、权重的更新使用通用的方法和流程，对具体问题没有有效针对，由于深度学习中参数数量和图模型的复杂化导致算法的时间复杂度急剧提升等。这里，则会先根据当前样本的训练数据，确定本次训练的惩罚权重：偏差惩罚权重和逻辑惩罚权重；然后根据偏差惩罚权重和逻辑惩罚权重，更新当前深度神经网络模型的误差和学习率，来优化深度神经网络模型训练和调参过程。

可选地，所述当前样本的训练数据至少包括：当前睡眠阶段预测值和当前睡眠阶段实际值；

根据当前训练数据，确定偏差惩罚权重和逻辑惩罚权重，包括：

根据公式

得到偏差惩罚权重λ^(t)，其中y^(t)为当前睡眠阶段实际值，

为当前睡眠阶段预测值，t表示第t时刻或者第t次迭代；

根据所述睡眠阶段推理知识库中的推理规则，得到逻辑惩罚权重W^(t)，其中W^(t)＝{w₀ ^(t),w₁ ^(t),…,w_n ^(t)}，每个分量w_i ^(t)表示对应推理规则i的逻辑惩罚权重分量，n为维度，i＝0，1，…，n。

这里，针对模型的基础训练为循环神经网络RNN训练还是卷积神经网络CNN训练，t的意义并不相同，t在RNN训练中表示第t时刻，在CNN训练中表示第t次迭代。如此，偏差惩罚权重λ^(t)，通过判断当前睡眠阶段实际值y^(t)和当前睡眠阶段预测值

是否相等就能够得到；而逻辑惩罚权重W^(t)，为向量形式W^(t)＝{w₀ ^(t),w₁ ^(t),…,w_n ^(t)}，根据睡眠阶段推理知识库中的推理规则的各逻辑惩罚权重分量得到。

之后，可选地，根据所述偏差惩罚权重和逻辑惩罚权重，更新当前深度神经网络模型的误差和学习率，包括：

根据公式

得到动态惩罚因子C^(t)，其中b^(t)为惩罚偏差；

根据公式E′^(t)＝θ×C^(t)×E^(t)，得到误差E′^(t)，其中θ为误差放大系数，E^(t)为原始误差；

根据公式η′^(t)＝γ×C^(t)×η^(t)，得到学习率η′(t)，其中γ为学习率放大系数，η^(t)为基准学习率。

在上一步骤得到λ^(t)和W^(t)后，就能够进一步通过误差E′^(t)和学习率η′(t)的计算公式计算出来。其中，θ由经验和实验选取，当θ＝1且b^(t)＝1时，相当于对原始误差进行1.x倍的惩罚放大。η^(t)可为固定值，也可以是动态值，比如Leslie N.Smith提出的“Triangular”和“Triangular2”学习率周期变化的方法、Loshchilov&Hutter提出的预热重启(Warm Restarts)随机梯度下降方法等。

在该实施例中，基于实际模型训练过程中系数归一化的考虑，可选地，

如图4所示，该实施例中，将深度网络模型的训练与先验知识紧密结合，引入涉及使用者年龄、性别、疾病等群体特征的先验知识和逻辑规则，构建知识库，通过知识推理和惩罚机制，改进误差和学习率，优化模型训练性能，并通过对不同群体分类训练的方式，构建模型库，对不同群体有选择性的识别，进一步提升整体识别准确率。同时，由于主要基于射频信号经用户反射回的反馈信号，不需要用户穿戴任何设备，也不需要用户加装任何其他射频专业设备，只需要利用家庭、办公等环境中的普通终端设备如WiFi设备，采集WiFi中CSI信号分析即可。

综上所述，本发明实施例的睡眠阶段识别方法，首先会根据目标用户的用户属性信息，将反馈信号的频域谱图输入到与该用户属性信息对应的目标识别模型中，因该目标识别模型为用于识别用户睡眠阶段的深度神经网络型，就能够将该目标识别模型的输出结果作为该目标用户的当前睡眠阶段。如此，无需待测用户佩戴测量设备，基于无线的信号即可进行睡眠阶段的识别，扩展了应用场景，而且，由于目标识别类型是与待测用户的用户属性信息所对应的，能够对待测用户有针对性的识别，提升了识别的准确性。

如图5所示，本发明实施例的一种睡眠阶段识别装置，包括：

第一处理模块501，用于根据目标用户的用户属性信息，将反馈信号的频域谱图输入至与所述用户属性信息对应的目标识别模型；

第二处理模块502，用于将所述目标识别模型的输出结果作为所述目标用户的当前睡眠阶段；

其中，所述反馈信号是射频信号经目标用户反射回的信号，所述目标识别模型为用于识别睡眠阶段的深度神经网络模型。

其中，所述装置还包括：

知识库构建模块，用于根据统计的睡眠阶段数据，构建睡眠阶段推理知识库；

第三处理模块，用于根据所述睡眠阶段推理知识库，对初始深度神经网络模型进行训练，得到对应不同用户属性信息的识别模型。

其中，所述知识库构建模块还用于：

将统计的睡眠阶段数据以语义映射为对应实例的关联关系及推理规则，得到睡眠阶段推理知识库；

其中，所述实例的基本概念至少包括：用户、属性、年龄、性别、睡眠状态、睡眠阶段、当前睡眠阶段、睡眠阶段累计时间序列、各睡眠阶段累计时长、惩罚及惩罚权重。

其中，所述第三处理模块包括：

样本归类子模块，用于将所述睡眠阶段推理知识库中的数据，按照不同的用户属性信息进行样本归类；

训练子模块，用于将不同类别样本的训练数据输入对应的初始深度神经网络模型进行训练，得到对应不同用户属性信息的识别模型。

其中，所述训练子模块包括：

第一处理单元，用于根据当前样本的训练数据，确定偏差惩罚权重和逻辑惩罚权重；

第二处理单元，用于根据所述偏差惩罚权重和逻辑惩罚权重，更新当前深度神经网络模型的误差和学习率。

其中，所述当前样本的训练数据至少包括：当前睡眠阶段预测值和当前睡眠阶段实际值；

所述第一处理单元包括：

第一处理子单元，用于根据公式

得到偏差惩罚权重λ^(t)，其中y^(t)为当前睡眠阶段实际值，

为当前睡眠阶段预测值，t表示第t时刻或者第t次迭代；

第二处理子单元，用于根据所述睡眠阶段推理知识库中的推理规则，得到逻辑惩罚权重W^(t)，其中W^(t)＝{w₀ ^(t),w₁ ^(t),…,w_n ^(t)}，每个分量w_i ^(t)表示对应推理规则i的逻辑惩罚权重分量，n为维度，i＝0，1，…，n。

其中，所述第二处理单元包括：

第三处理子单元，用于根据公式

得到动态惩罚因子C^(t)，其中b^(t)为惩罚偏差；

第四处理子单元，用于根据公式E′^(t)＝θ×C^(t)×E^(t)，得到误差E′^(t)，其中θ为误差放大系数，E^(t)为原始误差；

第五处理子单元，用于根据公式η′^(t)＝γ×C^(t)×η^(t)，得到学习率η′(t)，其中γ为学习率放大系数，η^(t)为基准学习率。

其中，所述装置还包括：

更新模块，用于在一次训练后，由当前识别模型的输出结果更新所述睡眠阶段推理知识库。

其中，所述装置还包括：

第四处理模块，用于将接收到的反馈信号进行预处理、噪声过滤以及频谱转换与增强。

该实施例的睡眠阶段识别装置，首先会根据目标用户的用户属性信息，将反馈信号的频域谱图输入到与该用户属性信息对应的目标识别模型中，因该目标识别模型为用于识别用户睡眠阶段的深度神经网络型，就能够将该目标识别模型的输出结果作为该目标用户的当前睡眠阶段。如此，无需待测用户佩戴测量设备，基于无线的信号即可进行睡眠阶段的识别，扩展了应用场景，而且，由于目标识别类型是与待测用户的用户属性信息所对应的，能够对待测用户有针对性的识别，提升了识别的准确性。

需要说明的是，该装置是应用了上述睡眠阶段识别方法的装置，上述睡眠阶段识别方法实施例的实现方式适用于该装置，也能达到相同的技术效果。

本发明另一实施例的终端设备，如图6所示，包括收发器610、存储器620、处理器600及存储在所述存储器620上并可在所述处理器600上运行的计算机程序；所述处理器600执行所述计算机程序时实现上述应用于管理系统的认证方法。

所述收发器610，用于在处理器600的控制下接收和发送数据。

其中，在图6中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器600代表的一个或多个处理器和存储器620代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发器610可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。处理器600负责管理总线架构和通常的处理，存储器620可以存储处理器600在执行操作时所使用的数据。

本发明实施例的一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的睡眠阶段识别方法中的步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。

进一步需要说明的是，此说明书中所描述的终端设备包括但不限于无线路由、智能手机等，且所描述的许多功能部件都被称为模块，以便更加特别地强调其实现方式的独立性。

本发明实施例中，模块可以用软件实现，以便由各种类型的处理器执行。举例来说，一个标识的可执行代码模块可以包括计算机指令的一个或多个物理或者逻辑块，举例来说，其可以被构建为对象、过程或函数。尽管如此，所标识模块的可执行代码无需物理地位于一起，而是可以包括存储在不同位里上的不同的指令，当这些指令逻辑上结合在一起时，其构成模块并且实现该模块的规定目的。

实际上，可执行代码模块可以是单条指令或者是许多条指令，并且甚至可以分布在多个不同的代码段上，分布在不同程序当中，以及跨越多个存储器设备分布。同样地，操作数据可以在模块内被识别，并且可以依照任何适当的形式实现并且被组织在任何适当类型的数据结构内。所述操作数据可以作为单个数据集被收集，或者可以分布在不同位置上(包括在不同存储设备上)，并且至少部分地可以仅作为电子信号存在于系统或网络上。

在模块可以利用软件实现时，考虑到现有硬件工艺的水平，所以可以以软件实现的模块，在不考虑成本的情况下，本领域技术人员都可以搭建对应的硬件电路来实现对应的功能，所述硬件电路包括常规的超大规模集成(VLSI)电路或者门阵列以及诸如逻辑芯片、晶体管之类的现有半导体或者是其它分立的元件。模块还可以用可编程硬件设备，诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等实现。

上述范例性实施例是参考该些附图来描述的，许多不同的形式和实施例是可行而不偏离本发明精神及教示，因此，本发明不应被建构成为在此所提出范例性实施例的限制。更确切地说，这些范例性实施例被提供以使得本发明会是完善又完整，且会将本发明范围传达给那些熟知此项技术的人士。在该些图式中，组件尺寸及相对尺寸也许基于清晰起见而被夸大。在此所使用的术语只是基于描述特定范例性实施例目的，并无意成为限制用。如在此所使用地，除非该内文清楚地另有所指，否则该单数形式“一”、“一个”和“该”是意欲将该些多个形式也纳入。会进一步了解到该些术语“包含”及/或“包括”在使用于本说明书时，表示所述特征、整数、步骤、操作、构件及/或组件的存在，但不排除一或更多其它特征、整数、步骤、操作、构件、组件及/或其族群的存在或增加。除非另有所示，陈述时，一值范围包含该范围的上下限及其间的任何子范围。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (20)

1.一种睡眠阶段识别方法，其特征在于，包括：

根据目标用户的用户属性信息，将反馈信号的频域谱图输入至与所述用户属性信息对应的目标识别模型；

将所述目标识别模型的输出结果作为所述目标用户的当前睡眠阶段；

其中，所述反馈信号是射频信号经目标用户反射回的信号，所述目标识别模型为用于识别睡眠阶段的深度神经网络模型。

2.根据权利要求1所述的方法，其特征在于，在根据目标用户的用户属性信息，将反馈信号的频域谱图输入至与所述用户属性信息对应的目标识别模型之前，还包括：

根据统计的睡眠阶段数据，构建睡眠阶段推理知识库；

根据所述睡眠阶段推理知识库，对初始深度神经网络模型进行训练，得到对应不同用户属性信息的识别模型。

3.根据权利要求2所述的方法，其特征在于，根据统计的睡眠阶段数据，构建睡眠阶段推理知识库，包括：

将统计的睡眠阶段数据以语义映射为对应实例的关联关系及推理规则，得到睡眠阶段推理知识库；

其中，所述实例的基本概念至少包括：用户、属性、年龄、性别、睡眠状态、睡眠阶段、当前睡眠阶段、睡眠阶段累计时间序列、各睡眠阶段累计时长、惩罚及惩罚权重。

4.根据权利要求2所述的方法，其特征在于，根据所述睡眠阶段推理知识库，对初始深度神经网络模型进行训练，得到对应不同用户属性信息的识别模型，包括：

将所述睡眠阶段推理知识库中的数据，按照不同的用户属性信息进行样本归类；

将不同类别样本的训练数据输入对应的初始深度神经网络模型进行训练，得到对应不同用户属性信息的识别模型。

5.根据权利要求4所述的方法，其特征在于，将不同类别样本的训练数据输入对应的初始深度神经网络模型进行训练，包括：

根据当前样本的训练数据，确定偏差惩罚权重和逻辑惩罚权重；

根据所述偏差惩罚权重和逻辑惩罚权重，更新当前深度神经网络模型的误差和学习率。

6.根据权利要求5所述的方法，其特征在于，所述当前样本的训练数据至少包括：当前睡眠阶段预测值和当前睡眠阶段实际值；

根据当前训练数据，确定偏差惩罚权重和逻辑惩罚权重，包括：

根据公式

得到偏差惩罚权重λ^(t)，其中y^(t)为当前睡眠阶段实际值，

为当前睡眠阶段预测值，t表示第t时刻或者第t次迭代；

根据所述睡眠阶段推理知识库中的推理规则，得到逻辑惩罚权重W^(t)，其中W^(t)＝{w₀ ^(t),w₁ ^(t),…,w_n ^(t)}，每个分量w_i ^(t)表示对应推理规则i的逻辑惩罚权重分量，n为维度，i＝0，1，…，n。

7.根据权利要求6所述的方法，其特征在于，根据所述偏差惩罚权重和逻辑惩罚权重，更新当前深度神经网络模型的误差和学习率，包括：

根据公式

得到动态惩罚因子C^(t)，其中b^(t)为惩罚偏差；

根据公式E^′(t)＝θ×C^(t)×E^(t)，得到误差E^′(t)，其中θ为误差放大系数，E^(t)为原始误差；

根据公式η^′(t)＝γ×C^(t)×η^(t)，得到学习率η′(t)，其中γ为学习率放大系数，η^(t)为基准学习率。

8.根据权利要求2所述的方法，其特征在于，所述方法还包括：

在一次训练后，由当前识别模型的输出结果更新所述睡眠阶段推理知识库。

9.根据权利要求1所述的方法，其特征在于，在根据用户属性信息，将反馈信号的频域谱图输入至与所述用户属性信息对应的目标识别模型之前，还包括：

将接收到的反馈信号进行预处理、噪声过滤以及频谱转换与增强。

10.一种睡眠阶段识别装置，其特征在于，包括：

第一处理模块，用于根据目标用户的用户属性信息，将反馈信号的频域谱图输入至与所述用户属性信息对应的目标识别模型；

第二处理模块，用于将所述目标识别模型的输出结果作为所述目标用户的当前睡眠阶段；

其中，所述反馈信号是射频信号经目标用户反射回的信号，所述目标识别模型为用于识别睡眠阶段的深度神经网络模型。

11.根据权利要求10所述的装置，其特征在于，所述装置还包括：

知识库构建模块，用于根据统计的睡眠阶段数据，构建睡眠阶段推理知识库；

第三处理模块，用于根据所述睡眠阶段推理知识库，对初始深度神经网络模型进行训练，得到对应不同用户属性信息的识别模型。

12.根据权利要求11所述的装置，其特征在于，所述知识库构建模块还用于：

将统计的睡眠阶段数据以语义映射为对应实例的关联关系及推理规则，得到睡眠阶段推理知识库；

其中，所述实例的基本概念至少包括：用户、属性、年龄、性别、睡眠状态、睡眠阶段、当前睡眠阶段、睡眠阶段累计时间序列、各睡眠阶段累计时长、惩罚及惩罚权重。

13.根据权利要求11所述的装置，其特征在于，所述第三处理模块包括：

样本归类子模块，用于将所述睡眠阶段推理知识库中的数据，按照不同的用户属性信息进行样本归类；

训练子模块，用于将不同类别样本的训练数据输入对应的初始深度神经网络模型进行训练，得到对应不同用户属性信息的识别模型。

14.根据权利要求13所述的装置，其特征在于，所述训练子模块包括：

第一处理单元，用于根据当前样本的训练数据，确定偏差惩罚权重和逻辑惩罚权重；

第二处理单元，用于根据所述偏差惩罚权重和逻辑惩罚权重，更新当前深度神经网络模型的误差和学习率。

15.根据权利要求14所述的装置，其特征在于，所述当前样本的训练数据至少包括：当前睡眠阶段预测值和当前睡眠阶段实际值；

所述第一处理单元包括：

第一处理子单元，用于根据公式

得到偏差惩罚权重λ^(t)，其中y^(t)为当前睡眠阶段实际值，

为当前睡眠阶段预测值，t表示第t时刻或者第t次迭代；

第二处理子单元，用于根据所述睡眠阶段推理知识库中的推理规则，得到逻辑惩罚权重W^(t)，其中W^(t)＝{w₀ ^(t),w₁ ^(t),…,w_n ^(t)}，每个分量w_i ^(t)表示对应推理规则i的逻辑惩罚权重分量，n为维度，i＝0，1，…，n。

16.根据权利要求15所述的装置，其特征在于，所述第二处理单元包括：

第三处理子单元，用于根据公式

得到动态惩罚因子C^(t)，其中b^(t)为惩罚偏差；

第四处理子单元，用于根据公式E′^(t)＝θ×C^(t)×E^(t)，得到误差E′^(t)，其中θ为误差放大系数，E^(t)为原始误差；

第五处理子单元，用于根据公式η′^(t)＝γ×C^(t)×η^(t)，得到学习率η′(t)，其中γ为学习率放大系数，η^(t)为基准学习率。

17.根据权利要求11所述的装置，其特征在于，所述装置还包括：

更新模块，用于在一次训练后，由当前识别模型的输出结果更新所述睡眠阶段推理知识库。

18.根据权利要求10所述的装置，其特征在于，所述装置还包括：

第四处理模块，用于将接收到的反馈信号进行预处理、噪声过滤以及频谱转换与增强。

19.一种终端设备，包括收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任一项所述的睡眠阶段识别方法。

20.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-9任一项所述的睡眠阶段识别方法中的步骤。

Images