CN111489019A - 睡眠质量预测方法及装置 - Google Patents
睡眠质量预测方法及装置 Download PDFInfo
- Publication number
- CN111489019A CN111489019A CN202010242339.8A CN202010242339A CN111489019A CN 111489019 A CN111489019 A CN 111489019A CN 202010242339 A CN202010242339 A CN 202010242339A CN 111489019 A CN111489019 A CN 111489019A
- Authority
- CN
- China
- Prior art keywords
- sleep quality
- user
- information
- quality prediction
- sleep
- 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
- 230000003860 sleep quality Effects 0.000 title claims abstract description 250
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000007958 sleep Effects 0.000 claims abstract description 45
- 230000000694 effects Effects 0.000 claims abstract description 17
- 235000005911 diet Nutrition 0.000 claims abstract description 12
- 230000037213 diet Effects 0.000 claims abstract description 11
- 230000036578 sleeping time Effects 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 88
- 238000012549 training Methods 0.000 claims description 59
- 239000013598 vector Substances 0.000 claims description 39
- 230000004622 sleep time Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000007635 classification algorithm Methods 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000013138 pruning Methods 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 10
- 238000004220 aggregation Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 238000003860 storage Methods 0.000 description 10
- 235000019577 caloric intake Nutrition 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 206010022437 insomnia Diseases 0.000 description 4
- 238000005192 partition Methods 0.000 description 3
- 208000019116 sleep disease Diseases 0.000 description 3
- 206010062519 Poor quality sleep Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 241001122767 Theaceae Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 235000021074 carbohydrate intake Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000004617 sleep duration Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 235000000346 sugar Nutrition 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本公开涉及一种睡眠质量预测方法及装置，所述方法包括：获取目标用户在睡眠时刻之前的预设时间段内的用户信息，所述用户信息包括用户生理信息、用户活动信息、用户所在环境信息、用户饮食信息以及用户睡眠信息中的至少一种；根据所述目标用户的用户信息，通过预训练的睡眠质量预测模型对所述目标用户的睡眠质量进行预测，得到所述目标用户的睡眠质量预测结果；在所述睡眠质量预测结果不满足预设条件时，发送提示信息。本公开实施例的睡眠质量预测方法能够在睡前预测目标用户的睡眠质量，并在目标用户的睡眠质量不满足预设条件时发送提示信息。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种睡眠质量预测方法及装置。
背景技术
睡眠具有使人放松身心、恢复精力、促进记忆的功能，良好的睡眠对身心健康作用巨大。睡眠状态和睡眠质量可反映在各类生命体征上，清醒时的活动、饮食、环境等与晚上睡眠质量有密切关系。随着可穿戴设备的普及，对人体的生活状态和生命体征的测量和记录变得更加便捷，因此出现了许多通过可穿戴设备进行睡眠质量实时监测的研究工作。
然而现有技术只能在用户睡眠过程中采集用户的睡眠数据，进而判断用户的睡眠质量，无法在睡前预测用户的睡眠质量，且现有技术也无法根据用户的睡眠质量向用户反馈睡眠建议。
发明内容
有鉴于此，本公开提出了一种睡眠质量预测方法，能够在睡前预测目标用户的睡眠质量，并在目标用户的睡眠质量不满足预设条件时发送提示信息。
根据本公开的一方面，提供了一种睡眠质量预测方法，所述方法包括：
获取目标用户在睡眠时刻之前的预设时间段内的用户信息，所述用户信息包括用户生理信息、用户活动信息、用户所在环境信息、用户饮食信息以及用户睡眠信息中的至少一种；
根据所述目标用户的用户信息，通过预训练的睡眠质量预测模型对所述目标用户的睡眠质量进行预测，得到所述目标用户的睡眠质量预测结果；
在所述睡眠质量预测结果不满足预设条件时，发送提示信息。
在一种可能的实现方式中，所述睡眠质量预测结果包括所述目标用户的睡眠质量评分或者睡眠质量等级，所述提示信息包括睡前助眠建议，所述方法还包括：
在所述目标用户的睡眠质量评分小于或者等于预设阈值，或者在所述目标用户的睡眠质量等级小于或者等于预设等级时，确定所述睡眠质量预测结果不满足预设条件。
在一种可能的实现方式中，所述方法还包括：
对预设的训练集中多个样本用户的用户信息分别进行归一化处理，得到各个样本用户的用户信息对应的特征向量；
根据所述多个样本用户的用户信息对应的特征向量，通过机器学习算法，训练所述睡眠质量预测模型。
在一种可能的实现方式中，根据所述多个样本用户的用户信息对应的特征向量，通过机器学习算法，训练所述睡眠质量预测模型，包括：
根据所述多个样本用户的用户信息对应的特征向量，通过回归算法或者分类算法，获取所述睡眠质量预测模型的多个第一预测结果，其中，所述第一预测结果包括所述多个样本用户对应的睡眠质量预测结果；
根据所述多个第一预测结果，通过集成学习算法，获取所述睡眠质量预测模型的第二预测结果；
通过所述第二预测结果以及预设的训练目标，训练所述睡眠质量预测模型。
在一种可能的实现方式中，所述回归算法包括线性回归算法、局部加权线性回归算法以及错误率降低剪枝回归算法中的至少一种；
所述分类算法包括贝叶斯分类算法、随机森林算法、C4.5算法、logistic回归算法中的至少一种；
所述集成学习算法包括引导聚集算法以及梯度提升算法中的至少一种。
在一种可能的实现方式中，所述方法还包括：
通过可穿戴设备、智能终端以及图像采集设备中的至少一个获取所述用户信息。
根据本公开的另一方面，提供了一种睡眠质量预测装置，所述装置包括：
用户信息获取模块，用于获取目标用户在睡眠时刻之前的预设时间段内的用户信息，所述用户信息包括用户生理信息、用户活动信息、用户所在环境信息、用户饮食信息以及用户睡眠信息中的至少一种；
睡眠质量预测模块，用于根据所述目标用户的用户信息，通过预训练的睡眠质量预测模型对所述目标用户的睡眠质量进行预测，得到所述目标用户的睡眠质量预测结果；
提示信息发送模块，用于在所述睡眠质量预测结果不满足预设条件时，发送提示信息。
在一种可能的实现方式中，所述睡眠质量预测结果包括所述目标用户的睡眠质量评分或者睡眠质量等级，所述提示信息包括睡前助眠建议，所述装置还包括：
睡眠质量预测结果确定模块，用于在所述目标用户的睡眠质量评分小于或者等于预设阈值，或者在所述目标用户的睡眠质量等级小于或者等于预设等级时，确定所述睡眠质量预测结果不满足预设条件。
在一种可能的实现方式中，所述装置还包括：
睡眠质量预测模型训练模块，用于对预设的训练集中多个样本用户的用户信息分别进行归一化处理，得到各个样本用户的用户信息对应的特征向量；
根据所述多个样本用户的用户信息对应的特征向量，通过机器学习算法，训练所述睡眠质量预测模型。
在一种可能的实现方式中，所述睡眠质量预测模型训练模块还用于：
根据所述多个样本用户的用户信息对应的特征向量，通过回归算法或者分类算法，获取所述睡眠质量预测模型的多个第一预测结果，其中，所述第一预测结果包括所述多个样本用户对应的睡眠质量预测结果；
根据所述多个第一预测结果，通过集成学习算法，获取所述睡眠质量预测模型的第二预测结果；
通过所述第二预测结果以及预设的训练目标，训练所述睡眠质量预测模型。
根据本公开的实施例，获取目标用户在睡眠时刻之前的预设时间段内的用户信息，根据所述目标用户的用户信息，通过预训练的睡眠质量预测模型对所述目标用户的睡眠质量进行预测，得到所述目标用户的睡眠质量预测结果；在所述睡眠质量预测结果不满足预设条件时，发送提示信息。基于所获取的目标用户睡前预设时间段内的用户信息，通过睡眠质量预测模型可以对目标用户的睡眠质量进行预测，能够在目标用户睡前预测其睡眠质量，在睡眠质量预测结果不满足预设条件时，发送提示信息，能够对目标用户可能出现的睡眠问题进行预警和干预。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开实施例的睡眠质量预测方法的流程示意图。
图2示出根据本公开实施例的第一种训练睡眠质量预测模型的处理流程的示意图。
图3示出根据本公开实施例的第二种训练睡眠质量预测模型的处理流程的示意图。
图4示出根据本公开实施例的睡眠质量预测装置的结构示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的睡眠质量预测方法的流程示意图。如图1所示，所述方法包括：
步骤S100，获取目标用户在睡眠时刻之前的预设时间段内的用户信息；
步骤S200，根据所述目标用户的用户信息，通过预训练的睡眠质量预测模型对目标用户的睡眠质量进行预测，得到目标用户的睡眠质量预测结果；
步骤S300，在所述睡眠质量预测结果不满足预设条件时，发送提示信息。
根据本公开的实施例，获取目标用户在睡眠时刻之前的预设时间段内的用户信息，根据所述目标用户的用户信息，通过预训练的睡眠质量预测模型对所述目标用户的睡眠质量进行预测，得到所述目标用户的睡眠质量预测结果；在所述睡眠质量预测结果不满足预设条件时，发送提示信息。基于所获取的目标用户睡前预设时间段内的用户信息，通过睡眠质量预测模型可以对目标用户的睡眠质量进行预测，能够在目标用户睡前预测其睡眠质量，在睡眠质量预测结果不满足预设条件时，发送提示信息，能够对目标用户可能出现的睡眠问题进行预警和干预。
本公开实施例所述的睡眠时刻可以包括用户的入睡时刻，示例性地，本公开实施例所述的睡眠时刻可以是24点。本公开实施例所述的预设时间段可以根据用户需要进行设定，示例性地，预设时间段可以包括11点到28点，也可以包括19点到22点，还可以包括整个24小时。
本公开实施例所述的睡眠质量预测结果可以包括目标用户的睡眠质量评分或者睡眠质量等级，提示信息可以包括睡前助眠建议。本公开实施例所述的睡眠质量预测模型可以是神经网络模型。
本公开实施例所述的用户信息可以包括用户生理信息、用户活动信息、用户所在环境信息、用户饮食信息以及用户睡眠信息中的至少一种。本公开实施例所述的用户生理信息可以包括用户的心率以及卡路里消耗中的至少一种；用户活动信息可以包括用户的行走步数、运动时长、通勤时长以及在家时长中的至少一种；用户所在环境信息可以包括用户在室内停留时长、室外停留时长、起床时天气、起床时温度、当天日出时间、当天日落时间、当天是否为周末中的至少一种；用户饮食信息可以包括用户的卡路里摄入量、碳水化合物摄入量、糖分摄入量、脂肪摄入量、咖啡摄入量、茶水摄入量以及酒精摄入量中的至少一种；用户睡眠信息可以包括用户的历史睡眠信息和其他睡眠信息，其中，历史睡眠信息可以包括用户过去5天中每天的睡眠时长、每天的起床时间以及每天的睡眠质量预测结果中的至少一种；其他睡眠信息可以包括用户的入睡时间以及当天在非入睡时刻是否睡眠中的至少一种。
在一种可能的实现方式中，在步骤S100之前，本公开实施例所述的方法还可以包括：通过可穿戴设备、智能终端以及图像采集设备中的至少一个获取用户信息。本公开实施例所述的可穿戴设备可以包括智能手表、智能手环或者其他可穿戴于用户身上的智能设备，智能终端可以包括智能手机、平板电脑、笔记本电脑等，图像采集设备可以包括便携式相机、运动相机、数码相机等。
在一种可能的实现方式中，可以通过可穿戴设备获取用户生理信息，示例性地，在用户佩戴可穿戴设备(例如智能手表)后，可穿戴设备的心率传感器可以按照预设时间周期(例如每分钟)获取用户的心率。
在一种可能的实现方式中，可以通过智能终端(例如智能手机)获取用户活动信息，示例性地，用智能手机可以包括计步器和/或陀螺仪等传感器，智能终端的传感器可以获取用户的行走步数、运动时长等信息，此外，用户也可以在智能手机中输入其通勤所用时间或者在家时长等用户活动信息。
在一种可能的实现方式中，可以通过智能终端(例如智能手机)或者图像采集设备获取用户所在环境信息，示例性地，智能手机可以根据用户设定的起床闹钟，结合当前的天气信息和时间信息，获取用户起床时的天气、温度以及当天的日出时间、日落时间以及是否为周末，用户也可以在智能手机中输入其在室内停留时长和室外停留时长，此外，图像采集设备可以获取用户当前所在环境的图像信息，通过图像处理确定用户当前所在环境。
在一种可能的实现方式中，可以通过智能终端(例如智能手机)获取用户的饮食信息，示例性地，用户可以在智能手机中输入当天摄入食物的种类、重量等信息，智能手机通过用户输入信息获取用户的卡路里摄入量等用户饮食信息。
在一种可能的实现方式中，可以通过智能终端(例如智能手机)获取用户睡眠信息，示例性地，用户可以在智能手机中输入每天的入睡时间，每天的起床时间、当天在非入睡时刻睡眠时长(例如午休时长)。
本公开实施例可以通过多种设备在目标用户睡前的预设时间段内，获取影响目标用户睡眠质量的多种类型的用户信息，相比于现有技术只是通过单一类型的用户信息，有助于全面且准确地预测目标用户的睡眠质量。
在一种可能的实现方式中，步骤S100中，可以获取目标用户在睡眠时刻之前的预设时间段内的用户信息。示例性地，本公开实施例所获取的用户信息可以包括但不限于表1-1至表1-5中的内容，其中，用户生理信息可以包括例如表1-1中的内容，用户活动信息可以包括例如表1-2中的内容，用户所在环境信息可以包括例如表1-3中的内容，用户饮食信息可以包括例如表1-4中的内容，用户睡眠信息可以包括例如表1-5中的内容：
表1-1
表1-2
表1-3
表1-4
表1-5
在一种可能的实现方式中，在步骤S200之前，本公开实施例所述的方法还可以包括：
对预设的训练集中多个样本用户的用户信息分别进行归一化处理，得到各个样本用户的用户信息对应的特征向量；
根据所述多个样本用户的用户信息对应的特征向量，通过机器学习算法，训练所述睡眠质量预测模型。
本公开实施例可以通过多个样本用户的用户信息对睡眠质量预测模型进行训练，使得睡眠质量预测模型能够在没有目标用户的历史睡眠数据的情况下，依旧能够对目标用户的睡眠质量进行准确预测。
为了使数据具有代表性和普遍性，可以在多个时间段采集多个样本用户的用户信息。示例性地，可以采集7位样本用户共300天的用户信息。其中，每位用户的用户信息收集时长可以分别为31天、22天、22天、22天、14天、55天以及134天。将采集的多个样本用户的用户信息作为训练集，训练睡眠质量预测模型。
在一种可能的实现方式中，为了对齐各条数据，可以将每一条数据的时间按照当天的入睡时间整体平移，使当天的入睡时间移动到24点的位置。示例性地，若样本用户当前17点吃晚餐，23点入睡，则将每条数据的时间按照当天的入睡时间整体平移后，样本用户当前吃晚餐的时间变为18点，入睡时间变为24点。由于不同样本用户每天入睡时间不同，且越靠近入睡时刻的活动对睡眠质量影响越大，为了方便和时间有关的用户信息的处理，将入睡时刻统一移动到24点的位置，这也是数据规范化的一种方式，有利于后期数据处理。
在一种可能的实现方式中，可以按照公式(1)所示的方法，对多个样本用户的用户信息分别进行归一化处理，得到各个样本用户的用户信息对应的特征向量：
公式(1)：
其中，
表示某个样本用户的第t种用户信息的第i个样本数据对应的数值，xt表示某个样本用户的第t种用户信息中所有样本数据对应的数值集合，
表示某个样本用户的第t种用户信息的第i个样本数据归一化后的特征数值，t表示用户信息种类的编号，i表示样本数据的编号。需要说明的是，用户可以根据所采集到的信息的种类决定用户信息对应向量的维度，本公开实施例中，向量的维度可以是41维。
示例性地，以用户生理信息中的样本数据为‘24小时平均心率’(对应t的值可以为1)为例，可以统计该用户所有样本中的‘24小时平均心率’记录的最大值与最小值，再通过公式(1)的方法将该用户各样本的24小时平均心率归一化，得到该特征数值。同理，可以将表1-1至表1-5中的用户信息对应的样本数据转换为特征数值，则可以得到41个特征数值，最终每个样本用户的用户信息均可以表示为41维的特征向量。
得到多个样本用户的用户信息对应的特征向量后，可以通过机器学习算法，训练所述睡眠质量预测模型。
其中，机器学习算法可以包括但不限于回归算法、分类算法以及集成学习算法。
在一种可能的实现方式中，根据所述多个样本用户的用户信息对应的特征向量，通过机器学习算法，训练所述睡眠质量预测模型，包括：
根据所述多个样本用户的用户信息对应的特征向量，通过回归算法或者分类算法，获取所述睡眠质量预测模型的多个第一预测结果，其中，所述第一预测结果包括所述多个样本用户对应的睡眠质量预测结果；
根据所述多个第一预测结果，通过集成学习算法，获取所述睡眠质量预测模型的第二预测结果；
通过所述第二预测结果以及预设的训练目标，训练所述睡眠质量预测模型。
在一种可能的实现方式中，所述回归算法包括线性回归算法、局部加权线性回归算法以及错误率降低剪枝回归算法中的至少一种；
所述分类算法包括贝叶斯分类算法、随机森林算法、C4.5算法、logistic回归算法中的至少一种；
所述集成学习算法包括引导聚集算法以及梯度提升算法中的至少一种。
在一种可能的实现方式中，以回归算法为错误率降低剪枝回归算法、集成学习算法为梯度提升算法为例，说明训练睡眠质量预测模型的过程。
示例性地，图2示出根据本公开实施例的第一种训练睡眠质量预测模型的处理流程的示意图。如图2所示，所述方法可以包括：
基于多个样本用户的用户信息对应的特征向量分别构造多个回归树，得到多个回归树后，通过梯度提升算法聚集多个强回归学习器，基于多个强回归学习器训练睡眠质量预测模型。示例性地，可以通过第二预测结果以及预设的训练目标，训练睡眠质量预测模型，以使睡眠质量模型能够根据输入的用户信息对用户睡眠质量进行分类，例如对用户的睡眠质量进行评分，将用户睡眠质量具象化，以便根据用户睡眠质量提供相应的建议。
可选地，可以将多个样本用户的用户信息对应的特征向量构造为回归树，将每个样本用户的用户信息对应的特征向量进行明确地分类。其中，以7位样本用户共300天的用户信息(对应表1-1至表1-5)，也即样本数据总量为300为例，可以先选定‘24小时平均心率’作为分类标准，例如，将‘24小时平均心率’为80作为分类标准，将心率大于80的样本数据作为第一类样本集合，将心率小于或者等于80的样本数据作为第二类样本集合；接着，将‘24小时总卡路里消耗’作为分类标准，进一步对第一类样本集合和第二类样本集合进行分类，例如，将‘24小时总卡路里消耗’为2000大卡为例，将第一类样本集合中大于2000大卡的样本数据作为第三类样本集合，小于或者等于2000大卡的样本数据作为第四类样本集合，将第二类样本集合中大于2000大卡的样本数据作为第四类样本集合，将小于或者等于2000大卡的样本数据作为第五类样本集合。
以此类推，分别以表1-1至表1-5中的信息描述作为分类标准，对所有的样本数据进行分类，将回归树的每个叶子节点的样本集合对应相同的睡眠质量预测分数。通过上述方法，可以将尽可能多的样本数据被正确预测。
示例性地，实际操作中，可以选择特征作为分类标准的次序、以及划分分类的界限(例如“心率大于80”)是可以由算法自动学习，算法可以选择最优的次序和界限(即最小损失对应次序和界限)作为划分依据。
示例性地，可以将错误率降低剪枝回归算法的损失函数的最小损失，作为样本数据的划分点，其中，公式(2)可以表示错误率降低剪枝回归算法的损失函数的最小损失：
公式(2)：
其中，a表示样本数据的划分点，cp表示Dp样本集合对应的睡眠质量预测模型的输出结果，cq表示Dq样本集合对应的睡眠质量预测模型的输出结果，p和q的表示样本集合的下标，用于区分不同的样本集合。
需要说明的是，通过上述方法构造的回归树，对于训练数据可以很好地进行分类，但是对未知样本数据可能发生过拟合现象或者无法很好地预测。因此，可以通过错误率降低剪枝回归算法对回归树自下而上进行剪枝，简化回归树的结构，使得回归树具有更好的泛化能力。
示例性地，可以按照公式(3)所示的方法设定错误率降低剪枝回归算法的损失函数：
公式(3)：
其中，MAE表示平均绝对误差，Dk表示回归树中第k类样本集合中所有样本数据对应的向量集合，yi表示第k类样本集合中第i个样本数据对应的实际睡眠质量评分，ci表示第k类样本集合中第i个样本数据对应的睡眠质量预测模型的输出结果(即第一预测结果)。
需要说明的是，公式(2)中同样用到了公式(3)，在回归树自上而下的构造过程中，以及错误率降低剪枝回归算法自下而上的剪枝过程中，都是可以将公式(3)作为损失函数。
通过错误率降低剪枝回归算法可以修剪回归树中过于细分的结点，使其回退到上一结点，甚至更高结点，并且将其对应的上一结点或者更高结点修改为新结点，简化回归树的结构，使得回归树具有更好的泛化能力，从而使得分类结果更加准确。得到第一预测结果后，可以通过如公式(4)所示的梯度提升算法计算第一预测结果的平均值，获取睡眠质量预测模型的第二预测结果：
公式(4)：
其中，x表示样本用户的用户信息中所有样本数据对应的向量集合，Gk(x)表示第k个第二预测结果，n表示第一预测结果的个数，gx(ci)表示第i个第一预测结果。
得到第二预测结果后，可以通过所述第二预测结果以及预设的第一训练目标，训练所述睡眠质量预测模型，
其中，预设的第一训练目标可以如公式(5)所示：
公式(5)：
其中，yi表示第i个样本用户的实际睡眠质量结果，Gj(x)表示第j个第二预测结果，j的取值范围为1至i-1。可以理解的是，训练目标可以是使得实际睡眠质量结果与预测睡眠质量结果的差值尽可能地小。
为使睡眠质量预测模型的预测结果更加准确，可以通过所述第二预测结果以及预设的训练目标，对睡眠质量预测模型进行多轮训练。可以将训练集中多个样本用户的用户信息划分为训练集和测试集，示例性地，可以使用十折交叉验证方法测试睡眠质量预测模型的预测结果的准确性，也可以将训练集中的数据分为多组，例如7组，将其中的6组数据作为训练数据，将剩余的1组数据作为测试预测结果准确性的测试数据。
本公开实施例通过测试集的平均绝对误差衡量睡眠质量预测模型的预测效果，具体结果如下表2所示：
表2
本公开实施例将每个用户作为新用户，所得到的平均绝对误差的结果如表3所示：
表3
表3和表4都采取平均绝对误差评价睡眠质量预测结果，表3和表4中数值越小，说明睡眠质量预测结果越好。从结果可看出，基于本公开实施例的方法所得到的睡眠质量预测结果的平均绝对误差均不超过0.13，达到了预测睡眠质量的目的。
从表3可以看出本公开实施例的方法同样适用于对新用户的睡眠质量预测，在对没有历史睡眠数据的新用户的睡眠质量进行预测时，同样具有较强的实用价值。
在一种可能的实现方式中，以分类算法为C4.5算法、集成学习算法为引导聚集算法为例，说明训练睡眠质量预测模型的过程。
示例性地，图3示出根据本公开实施例的第二种训练睡眠质量预测模型的处理流程的示意图。如图3所示，所述方法可以包括：
基于多个样本用户的用户信息对应的特征向量分别构造多个分类树，得到多个分类树之后，通过引导聚集算法训练睡眠质量预测模型。
示例性地，构造分类树的内容可以参考前述以回归算法为错误率降低剪枝回归算法、集成学习算法为梯度提升算法的实施例中构造回归树的内容，在此不再赘述。此外，图3对应实施例的睡眠质量预测模型可以用于预测睡眠质量等级。
需要说明的是，样本数据划分点的选取在于选取对训练数据具有分类能力的特征，其中，不同的样本数据划分点可以对应不同的信息增益率，而信息增益率可以表示基于某一特征向量而使分类过程中的不确定性减少的程度。为了便于说明信息增益率，先给出熵和信息增益的定义。
熵可以表示随机变量不确定性的度量，样本数据的熵可以定义为如公式(6)所示：
公式(6)：
其中，Ent(Dk)表示分类树中第k类样本集合中所有样本数据对应的向量集合的熵，
表示第k类样本集合中第i个样本数据占所有样本数据的数量比例，m表示样本数据的个数，k≤m。
可以理解的是，样本数据的熵只与样本数据的分布有关，而与样本数据的具体取值无关，熵越大，随机变量的不确定性越大。
信息增益可以表示在确定某一用户信息的基础上使得样本数据的不确定性减少的程度。信息增益可以定义为如公式(7)所示：
公式(7)：
其中，Gain(D,a)表示信息增益，a表示样本数据的划分点，D表示某类样本集合中所有样本数据对应的向量集合，Dk表示回归树中第k类样本集合中所有样本数据对应的向量集合。
一般而言，信息增益值的大小是相对于训练数据集而言的，并没有绝对意义。
在训练数据集的熵变大时，信息增益的值也会相应变大，反之，信息增益的值则会变小，进而导致通过信息增益进行分类时，会对可取值数目较多的样本数据有所偏好，导致分类不准确，而通过信息增益率则可以减少不利影响。
可选地，可以将C4.5算法中最大的信息增益率，作为样本数据的划分点，其中，公式(8)可以表示信息增益率：
公式(8)：
其中，Gainratio(D,a)表示信息增益率，IV(a)表示经验熵，表示对某类样本集合中所有样本数据对应的向量集合D进行分类的不确定性。
得到信息增益率后，可以通过信息增益率以及预设的第二训练目标，训练所述睡眠质量预测模型，
其中，预设的第二训练目标可以如公式(9)所示：
公式(9)：
其中，G(x)表示目标样本数据划分点对应的向量，N表示睡眠质量评分的等级数量或者睡眠质量等级的数量，k表示样本集合的种类数量，1A(gn(x)＝k)表示gn(x)的示性函数，gn(x)表示第n个样本集合的回归树对应的向量集合，x表示样本用户的用户信息中所有样本数据对应的向量集合，当且仅当gn(x)＝k时，gn(x)＝的取值为1，否则取值为0。
本公开实施例通过训练集的分类准确率衡量睡眠质量预测模型的预测效果，具体结果如下表4所示：
表4
| 分类算法 | 集成学习方法 | 测试集准确率 |
| 贝叶斯网络 | 梯度提升算法 | 75.08％ |
| 贝叶斯网络 | 引导聚集算法 | 73.40％ |
| Logistic模型树 | 梯度提升算法 | 73.06％ |
| Logistic模型树 | 引导聚集算法 | 74.07％ |
| 决策表 | 梯度提升算法 | 77.10％ |
| 决策表 | 引导聚集算法 | 76.09％ |
| 随机森林 | 梯度提升算法 | 69.69％ |
| 随机森林 | 引导聚集算法 | 70.03％ |
| C4.5决策树 | 梯度提升算法 | 74.04％ |
| C4.5决策树 | 引导聚集算法 | 77.44％ |
本公开实施例将每个用户作为新用户，所得到的分类准确率的结果如表5所示：
表5
表4和表5都采取分类准确率评价睡眠质量预测结果，表4和表5中数值越大，说明睡眠质量预测结果越好。从结果可看出，基于本公开实施例的方法所得到的睡眠质量预测结果的预测准确率最低也在69％以上，达到了预测睡眠质量的目的。从表5可以看出本公开实施例的方法同样适用于对新用户的睡眠质量预测，在对没有历史睡眠数据的新用户的睡眠质量进行预测时，同样具有较强的实用价值。
本公开实施例可以通过多种机器学习算法、多种训练方式训练睡眠质量预测模型，以使睡眠质量预测模型预测的睡眠质量预测结果的准确率更高。
在一种可能的实现方式中，在步骤S300之前，本公开实施例所述的方法还包括：
在所述目标用户的睡眠质量评分小于或者等于预设阈值，或者在所述目标用户的睡眠质量等级小于或者等于预设等级时，确定所述睡眠质量预测结果不满足预设条件。
示例性地，目标用户的睡眠质量评分可以分为多个分数段。其中，若目标用户的睡眠质量评分为100-80分，可以认定睡眠质量预测结果为睡眠质量良好；若目标用户的睡眠质量评分为80-60分，可以认定睡眠质量预测结果为睡眠质量一般；若目标用户的睡眠质量评分为60-40，可以认定睡眠质量预测结果为睡眠质量较差；若目标用户的睡眠质量评分为40分以下，可以认定睡眠质量预测结果为失眠。需要说明的是，预设阈值可以根据用户实际需要进行设定，在本公开实施例中，预设阈值可以为60，本公开实施例对预设阈值的具体数值不作限定。若目标用户的睡眠质量评分小于或者等于预设阈值，可以确定睡眠质量预测结果不满足预设条件。
示例性地，目标用户的睡眠质量等级可以分为多个等级。其中，若目标用户的睡眠质量等级为一级，可以认定睡眠质量预测结果为睡眠质量良好；若目标用户的睡眠质量等级为二级，可以认定睡眠质量预测结果为睡眠质量一般；若目标用户的睡眠质量等级为三级，可以认定睡眠质量预测结果为睡眠质量较差；若目标用户的睡眠质量等级为四级，可以认定睡眠质量预测结果为失眠。需要说明的是，预设等级可以根据用户实际需要进行设定，在本公开实施例中，预设等级可以为二级，本公开实施例对预设等级的具体级别不作限定。若目标用户的睡眠质量等级小于或者等于预设等级时，可以确定睡眠质量预测结果不满足预设条件。
本公开实施例通过睡眠质量评分和睡眠质量等级能够贴合且准确描述目标用户的实际睡眠质量，并能够有利于根据睡眠质量评分和睡眠质量等级给出对应的提示信息。
在一种可能的实现方式中，步骤S300中，可以在睡眠质量预测结果不满足预设条件时，发送提示信息。
其中，提示信息可以包括睡前助眠建议。在睡眠质量预测结果不满足预设条件时，可以根据睡眠质量预测结果发送相应的提示信息。示例性地，若睡眠质量预测结果包括睡眠质量评分，且睡眠质量评分为55分，可以认为用户睡眠质量预测结果较差，可以发送睡前饮用热牛奶或者睡前适当运动的睡前助眠建议；若睡眠质量评分为35分，可以认为用户睡眠质量预测结果为失眠，可以发送睡前服用治疗失眠症状药品或者建议就医的睡前助眠建议。
本公开实施例在睡眠质量预测结果不满足预设条件时，发送提示信息，能够对目标用户可能出现的睡眠问题进行预警和干预。
图4示出根据本公开实施例的睡眠质量预测装置的结构示意图。如图4所示，所述装置包括：
用户信息获取模块41，用于获取目标用户在睡眠时刻之前的预设时间段内的用户信息，所述用户信息包括用户生理信息、用户活动信息、用户所在环境信息、用户饮食信息以及用户睡眠信息中的至少一种；
睡眠质量预测模块42，用于根据所述目标用户的用户信息，通过预训练的睡眠质量预测模型对所述目标用户的睡眠质量进行预测，得到所述目标用户的睡眠质量预测结果；
提示信息发送模块43，用于在所述睡眠质量预测结果不满足预设条件时，发送提示信息。
在一种可能的实现方式中，所述睡眠质量预测结果包括所述目标用户的睡眠质量评分或者睡眠质量等级，所述提示信息包括睡前助眠建议，所述装置还包括：
睡眠质量预测结果确定模块，用于在所述目标用户的睡眠质量评分小于或者等于预设阈值，或者在所述目标用户的睡眠质量等级小于或者等于预设等级时，确定所述睡眠质量预测结果不满足预设条件。
在一种可能的实现方式中，所述装置还包括：
睡眠质量预测模型训练模块，用于对预设的训练集中多个样本用户的用户信息分别进行归一化处理，得到各个样本用户的用户信息对应的特征向量；
根据所述多个样本用户的用户信息对应的特征向量，通过机器学习算法，训练所述睡眠质量预测模型。
在一种可能的实现方式中，所述睡眠质量预测模型训练模块还用于：
根据所述多个样本用户的用户信息对应的特征向量，通过回归算法或者分类算法，获取所述睡眠质量预测模型的多个第一预测结果，其中，所述第一预测结果包括所述多个样本用户对应的睡眠质量预测结果；
根据所述多个第一预测结果，通过集成学习算法，获取所述睡眠质量预测模型的第二预测结果；
通过所述第二预测结果以及预设的训练目标，训练所述睡眠质量预测模型。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言，例如Python编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种睡眠质量预测方法，其特征在于，所述方法包括：
获取目标用户在睡眠时刻之前的预设时间段内的用户信息，所述用户信息包括用户生理信息、用户活动信息、用户所在环境信息、用户饮食信息以及用户睡眠信息中的至少一种；
根据所述目标用户的用户信息，通过预训练的睡眠质量预测模型对所述目标用户的睡眠质量进行预测，得到所述目标用户的睡眠质量预测结果；
在所述睡眠质量预测结果不满足预设条件时，发送提示信息。
2.根据权利要求1所述的方法，其特征在于，所述睡眠质量预测结果包括所述目标用户的睡眠质量评分或者睡眠质量等级，所述提示信息包括睡前助眠建议，所述方法还包括：
在所述目标用户的睡眠质量评分小于或者等于预设阈值，或者在所述目标用户的睡眠质量等级小于或者等于预设等级时，确定所述睡眠质量预测结果不满足预设条件。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对预设的训练集中多个样本用户的用户信息分别进行归一化处理，得到各个样本用户的用户信息对应的特征向量；
根据所述多个样本用户的用户信息对应的特征向量，通过机器学习算法，训练所述睡眠质量预测模型。
4.根据权利要求3所述的方法，其特征在于，根据所述多个样本用户的用户信息对应的特征向量，通过机器学习算法，训练所述睡眠质量预测模型，包括：
根据所述多个样本用户的用户信息对应的特征向量，通过回归算法或者分类算法，获取所述睡眠质量预测模型的多个第一预测结果，其中，所述第一预测结果包括所述多个样本用户对应的睡眠质量预测结果；
根据所述多个第一预测结果，通过集成学习算法，获取所述睡眠质量预测模型的第二预测结果；
通过所述第二预测结果以及预设的训练目标，训练所述睡眠质量预测模型。
5.根据权利要求4所述的方法，其特征在于，
所述回归算法包括线性回归算法、局部加权线性回归算法以及错误率降低剪枝回归算法中的至少一种；
所述分类算法包括贝叶斯分类算法、随机森林算法、C4.5算法、logistic回归算法中的至少一种；
所述集成学习算法包括引导聚集算法以及梯度提升算法中的至少一种。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
通过可穿戴设备、智能终端以及图像采集设备中的至少一个获取所述用户信息。
7.一种睡眠质量预测装置，其特征在于，所述装置包括：
用户信息获取模块，用于获取目标用户在睡眠时刻之前的预设时间段内的用户信息，所述用户信息包括用户生理信息、用户活动信息、用户所在环境信息、用户饮食信息以及用户睡眠信息中的至少一种；
睡眠质量预测模块，用于根据所述目标用户的用户信息，通过预训练的睡眠质量预测模型对所述目标用户的睡眠质量进行预测，得到所述目标用户的睡眠质量预测结果；
提示信息发送模块，用于在所述睡眠质量预测结果不满足预设条件时，发送提示信息。
8.根据权利要求7所述的装置，其特征在于，所述睡眠质量预测结果包括所述目标用户的睡眠质量评分或者睡眠质量等级，所述提示信息包括睡前助眠建议，所述装置还包括：
睡眠质量预测结果确定模块，用于在所述目标用户的睡眠质量评分小于或者等于预设阈值，或者在所述目标用户的睡眠质量等级小于或者等于预设等级时，确定所述睡眠质量预测结果不满足预设条件。
9.根据权利要求7所述的装置，其特征在于，所述装置还包括：
睡眠质量预测模型训练模块，用于对预设的训练集中多个样本用户的用户信息分别进行归一化处理，得到各个样本用户的用户信息对应的特征向量；
根据所述多个样本用户的用户信息对应的特征向量，通过机器学习算法，训练所述睡眠质量预测模型。
10.根据权利要求9所述的装置，其特征在于，所述睡眠质量预测模型训练模块还用于：
根据所述多个样本用户的用户信息对应的特征向量，通过回归算法或者分类算法，获取所述睡眠质量预测模型的多个第一预测结果，其中，所述第一预测结果包括所述多个样本用户对应的睡眠质量预测结果；
根据所述多个第一预测结果，通过集成学习算法，获取所述睡眠质量预测模型的第二预测结果；
通过所述第二预测结果以及预设的训练目标，训练所述睡眠质量预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010242339.8A CN111489019B (zh) | 2020-03-31 | 睡眠质量预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010242339.8A CN111489019B (zh) | 2020-03-31 | 睡眠质量预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111489019A true CN111489019A (zh) | 2020-08-04 |
| CN111489019B CN111489019B (zh) | 2024-05-31 |
Family
ID=
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112861093A (zh) * | 2021-04-25 | 2021-05-28 | 上海派拉软件股份有限公司 | 访问数据的验证方法、装置、设备及存储介质 |
| CN114947458A (zh) * | 2022-06-27 | 2022-08-30 | 慕思健康睡眠股份有限公司 | 基于睡眠床垫的酒店房间推荐方法、装置、设备及介质 |
| CN115496105A (zh) * | 2022-09-28 | 2022-12-20 | 广东省新黄埔中医药联合创新研究院 | 睡眠预测模型训练方法、睡眠状况预测方法及相关装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130013521A (ko) * | 2011-07-28 | 2013-02-06 | 최영조 | 수면 사이클을 이용한 수면학습 서비스 제공 방법 |
| CN110558934A (zh) * | 2019-08-02 | 2019-12-13 | 杭州连帆科技有限公司 | 睡眠质量评估方法、装置、电子设备及介质 |
| CN110824944A (zh) * | 2019-11-22 | 2020-02-21 | 珠海格力电器股份有限公司 | 基于智能家居设备的睡眠行为信息预测方法及系统 |
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130013521A (ko) * | 2011-07-28 | 2013-02-06 | 최영조 | 수면 사이클을 이용한 수면학습 서비스 제공 방법 |
| CN110558934A (zh) * | 2019-08-02 | 2019-12-13 | 杭州连帆科技有限公司 | 睡眠质量评估方法、装置、电子设备及介质 |
| CN110824944A (zh) * | 2019-11-22 | 2020-02-21 | 珠海格力电器股份有限公司 | 基于智能家居设备的睡眠行为信息预测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 焦方方: "基于机器学习的睡眠质量评估分析研究", 中国优秀硕士学位论文全文数据库 医药卫生科技辑, no. 12, pages 060 - 361 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112861093A (zh) * | 2021-04-25 | 2021-05-28 | 上海派拉软件股份有限公司 | 访问数据的验证方法、装置、设备及存储介质 |
| CN114947458A (zh) * | 2022-06-27 | 2022-08-30 | 慕思健康睡眠股份有限公司 | 基于睡眠床垫的酒店房间推荐方法、装置、设备及介质 |
| CN114947458B (zh) * | 2022-06-27 | 2023-09-05 | 慕思健康睡眠股份有限公司 | 基于睡眠床垫的酒店房间推荐方法、装置、设备及介质 |
| CN115496105A (zh) * | 2022-09-28 | 2022-12-20 | 广东省新黄埔中医药联合创新研究院 | 睡眠预测模型训练方法、睡眠状况预测方法及相关装置 |
| CN115496105B (zh) * | 2022-09-28 | 2023-10-24 | 广东省新黄埔中医药联合创新研究院 | 睡眠预测模型训练方法、睡眠状况预测方法及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8965402B2 (en) | Physical activity monitoring and intervention using smartphone and mobile app | |
| Li et al. | An adaptive hidden Markov model for activity recognition based on a wearable multi-sensor device | |
| CN107111852A (zh) | 睡眠改善系统以及使用该系统的睡眠改善方法 | |
| CN110379487B (zh) | 营养方案管理系统 | |
| CN106777909A (zh) | 妊娠期健康风险评估系统 | |
| Stegmann et al. | Recursive partitioning with nonlinear models of change | |
| CN115719645A (zh) | 健康管理方法、系统和电子设备 | |
| CN110310737A (zh) | 一种中医体质养生的智能移动终端 | |
| CN116525117B (zh) | 一种面向数据分布漂移检测与自适应的临床风险预测系统 | |
| Garcia-Gonzalez et al. | Deep learning models for real-life human activity recognition from smartphone sensor data | |
| CN111489019B (zh) | 睡眠质量预测方法及装置 | |
| CN111489019A (zh) | 睡眠质量预测方法及装置 | |
| Sun et al. | Confidence-guided learning process for continuous classification of time series | |
| CN115965143A (zh) | 一种基于生理信息特征融合的大学生成绩预测方法 | |
| US20180199867A1 (en) | Method, system, and computer program product for dynamic analysis of a physiological parameter | |
| KR20230100770A (ko) | 개인건강정보(phr)에 기초한 개인 맞춤형 건강관리 솔루션 제공 시스템 | |
| WO2017174789A1 (en) | A system and method for generating one or more statements | |
| Wei | Individualized wrist motion models for detecting eating episodes using deep learning | |
| He et al. | Context-aware probabilistic models for predicting future sedentary behaviors of smartphone users | |
| Bruevich et al. | Information technology in the mobile application of analysis and correction of the diet of individual healthy nutrition | |
| KR102631340B1 (ko) | 제품 추천 방법 및 장치 | |
| Bruckers et al. | Cluster analysis for repeated data with dropout: Sensitivity analysis using a distal event | |
| US11610675B1 (en) | Dynamic and targeted allocation of resources for coaching service | |
| WO2022208874A1 (ja) | 学習装置、ストレス推定装置、学習方法、ストレス推定方法及び記憶媒体 | |
| Schneidergruber et al. | Predicting food craving in everyday life through smartphone-derived sensor and usage data |
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 |