CN111568380B - 基于睡醒时间预测的闹钟设定方法、装置和设备 - Google Patents
基于睡醒时间预测的闹钟设定方法、装置和设备 Download PDFInfo
- Publication number
- CN111568380B CN111568380B CN202010426826.XA CN202010426826A CN111568380B CN 111568380 B CN111568380 B CN 111568380B CN 202010426826 A CN202010426826 A CN 202010426826A CN 111568380 B CN111568380 B CN 111568380B
- Authority
- CN
- China
- Prior art keywords
- time
- alarm clock
- sleep
- historical
- wake
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000004622 sleep time Effects 0.000 claims abstract description 131
- 230000015654 memory Effects 0.000 claims abstract description 85
- 230000007958 sleep Effects 0.000 claims abstract description 45
- 230000004617 sleep duration Effects 0.000 claims description 76
- 210000002569 neuron Anatomy 0.000 claims description 17
- 230000007787 long-term memory Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 10
- 229940079593 drug Drugs 0.000 claims description 8
- 239000003814 drug Substances 0.000 claims description 8
- 230000003860 sleep quality Effects 0.000 claims description 7
- 235000005911 diet Nutrition 0.000 claims description 6
- 230000037213 diet Effects 0.000 claims description 6
- 230000036578 sleeping time Effects 0.000 abstract description 15
- 230000000694 effects Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 240000007049 Juglans regia Species 0.000 description 1
- 235000009496 Juglans regia Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000000147 hypnotic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 235000013336 milk Nutrition 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
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
- 235000020234 walnut Nutrition 0.000 description 1
Classifications
-
- 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
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Anesthesiology (AREA)
- Electric Clocks (AREA)
Abstract
本发明公开了一种基于睡醒时间预测的闹钟设定方法、装置和设备，其中，该闹钟设定方法包括以下步骤：获取用户的当前入睡时间和最近设定天数的历史睡眠相关数据；将当前入睡时间和最近设定天数的历史睡眠相关数据输入至训练好的长短期记忆网络模型中，预测出当前睡眠时长；根据当前入睡时间和当前睡眠时长计算得到睡醒时间；将睡醒时间作为闹钟设定的推荐时间，并根据闹钟设定的推荐时间设定闹钟时间。该方法根据用户实际所需的睡眠时长推荐设置闹钟时间，提高了闹钟时间设定的合理性和用户的满意度，并且，该方法在用户入睡后可以较快的自动设置闹钟时间，提高了闹钟设定的实用性和智能性。
Description
技术领域
本发明涉及睡眠监控技术领域，尤其涉及一种基于睡醒时间预测的闹钟设定方法、装置和设备。
背景技术
目前，人们在生活中经常设定闹钟以在相应的时间点唤醒自己。
相关技术中，通常是用户根据自己的意愿手动设定闹钟时间，而该方法是一种主观的闹钟设定方法，在某些情况下可能会将闹钟时间设定的较早或较晚，比如，在用户醒来时预设的闹钟时间还未到，导致设定闹钟的操作为无用操作，或者，在休息日将闹钟时间设定的过早，导致影响用户得到充分的休息，且该方法的智能化水平较低。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种基于睡醒时间预测的闹钟设定方法，该方法采集影响用户睡醒时间的多种相关数据，并通过训练好的长短期记忆网络模型预测用户的睡醒时间，以睡醒时间作为闹钟设定的推荐时间来设定闹钟，从而在休息日等不需要在规定的时间内强制唤醒用户的状况下，根据用户实际所需的睡眠时长推荐设置闹钟时间，提高了闹钟时间设定的合理性和用户的满意度，并且，该方法在用户入睡后即可预测出用户的睡醒时间，增大了预测结果的提前量，缩短了预测结果的等待时间，在用户入睡后可以较快的自动设置闹钟时间，提高了闹钟设定的实用性和智能性。
本发明的第二个目的在于提出一种基于睡醒时间预测的闹钟设定装置。
本发明的第三个目的在于提出一种终端设备。
为达上述目的，本发明第一方面实施例提出了一种基于睡醒时间预测的闹钟设定方法，包括以下步骤：
获取用户的当前入睡时间和最近设定天数的历史睡眠相关数据；
将当前入睡时间和最近设定天数的历史睡眠相关数据输入至训练好的长短期记忆网络模型中，预测出当前睡眠时长；
根据当前入睡时间和当前睡眠时长计算得到睡醒时间；
将睡醒时间作为闹钟设定的推荐时间，并根据闹钟设定的推荐时间设定闹钟时间。
本发明实施例的基于睡醒时间预测的闹钟设定方法，首先获取用户的当前入睡时间和最近设定天数的历史睡眠相关数据，然后将当前入睡时间和最近设定天数的历史睡眠相关数据输入至训练好的长短期记忆网络模型中，预测出当前睡眠时长，进而根据当前入睡时间和当前睡眠时长计算得到睡醒时间，最后根据睡醒时间设定闹钟时间。该方法采集影响用户睡醒时间的多种相关数据，并通过训练好的长短期记忆网络模型预测用户的睡醒时间，以睡醒时间作为闹钟设定的推荐时间来设定闹钟，从而在休息日等不需要在规定的时间内强制唤醒用户的状况下，根据用户实际所需的睡眠时长推荐设置闹钟时间，提高了闹钟时间设定的合理性和用户的满意度，并且，该方法在用户入睡后即可预测出用户的睡醒时间，增大了预测结果的提前量，缩短了预测结果的等待时间，在用户入睡后可以较快的自动设置闹钟时间，提高了闹钟设定的实用性和智能性。
另外，根据本发明上述实施例的基于睡醒时间预测的闹钟设定方法还可以具有如下附加的技术特征：
根据本发明的一个实施例，历史睡眠相关数据包括历史入睡时间、历史睡醒时间和以下数据中的至少一种：历史运动量、历史午睡时间、历史睡眠质量、历史饮食数据、历史用药数据和历史体征数据。
根据本发明的一个实施例，长短期记忆网络模型包括第一层长短期记忆网络和第二层长短期记忆网络，所述将所述当前入睡时间和所述最近设定天数的历史睡眠相关数据输入至训练好的长短期记忆网络模型中，预测出当前睡眠时长，包括：将所述当前入睡时间和所述最近设定天数的历史睡眠相关数据输入至所述第一层长短期记忆网络中，预测出第一睡眠时长；将所述第一睡眠时长输入至所述第二层长短期记忆网络中，预测出第二睡眠时长；根据所述第二睡眠时长得到所述当前睡眠时长。
根据本发明的一个实施例，基于睡醒时间预测的闹钟设定方法还包括：将所述第一睡眠时长输入至所述第一层长短期记忆网络中，对所述所述第一层长短期记忆网络进行训练。
根据本发明的一个实施例，根据所述第二睡眠时长得到所述当期睡眠时长，包括：将所述第二睡眠时长作为所述当期睡眠时长；或者，对所述第一睡眠时长和所述第二睡眠时长进行加权求和，得到加权睡眠时长，根据所述加权睡眠时长得到所述当前睡眠时长。
根据本发明的一个实施例，根据所述加权睡眠时长得到所述当前睡眠时长，包括：将所述加权睡眠时长作为所述当期睡眠时长；或者，根据至少两次加权求和得到的至少两个所述加权睡眠时长，计算所述当前睡眠时长。
根据本发明的一个实施例，基于睡醒时间预测的闹钟设定方法还包括：将所述闹钟设定的推荐时间设定为所述闹钟时间，或者在所述闹钟设定的推荐时间的预设范围内设定所述闹钟时间；若所述睡醒时间晚于预期的睡醒时间，则将所述预期的睡醒时间设定为所述闹钟时间。
为达上述目的，本发明第二方面实施例提出了一种基于睡醒时间预测的闹钟设定装置，包括：获取模块，用于获取用户的当前入睡时间和最近设定天数的历史活动数据；预测模块，用于将所述当前入睡时间和所述最近设定天数的历史活动数据输入至训练好的长短期记忆网络模型中，预测出当前睡眠时长；计算模块，用于根据所述当前入睡时间和所述当前睡眠时长计算得到睡醒时间；设定模块，用于将睡醒时间作为闹钟设定的推荐时间，并根据闹钟设定的推荐时间设定闹钟时间。
另外，根据本发明上述实施例的基于睡醒时间预测的闹钟设定装置还可以具有如下附加的技术特征：
根据本发明的一个实施例，长短期记忆网络模型LSTM包括第一层长短期记忆网络和第二层长短期记忆网络，所述预测模块具体用于：将所述当前入睡时间和所述最近设定天数的历史睡眠相关数据输入至所述第一层长短期记忆网络中，预测出第一睡眠时长；将所述第一睡眠时长输入至所述第二层长短期记忆网络中，预测出第二睡眠时长；根据所述第二睡眠时长得到所述当前睡眠时长。
根据本发明的一个实施例，预测模块还用于：将所述第一睡眠时长输入至所述第一层长短期记忆网络中，对所述第一层长短期记忆网络进行训练。
根据本发明的一个实施例，预测模块还用于：将所述第二睡眠时长作为所述当期睡眠时长；或者，对所述第一睡眠时长和所述第二睡眠时长进行加权求和，得到加权睡眠时长，根据所述加权睡眠时长得到所述当前睡眠时长。
根据本发明的一个实施例，预测模块具体用于：将所述加权睡眠时长作为所述当期睡眠时长；或者，根据至少两次加权求和得到的至少两个所述加权睡眠时长，计算所述当前睡眠时长。
根据本发明的一个实施例，设定模块具体用于：将所述闹钟设定的推荐时间设定为所述闹钟时间，或者在所述闹钟设定的推荐时间的预设范围内设定所述闹钟时间；若所述闹钟设定的推荐时间晚于预期的睡醒时间，则将所述预期的睡醒时间设定为所述闹钟时间
本发明实施例的基于睡醒时间预测的闹钟设定装置，首先获取用户的当前入睡时间和最近设定天数的历史睡眠相关数据，然后将当前入睡时间和最近设定天数的历史睡眠相关数据输入至训练好的长短期记忆网络模型中，预测出当前睡眠时长，进而根据当前入睡时间和当前睡眠时长计算得到睡醒时间，最后根据睡醒时间设定闹钟时间。该装置采集影响用户睡醒时间的多种相关数据，并通过训练好的长短期记忆网络模型预测用户的睡醒时间，以睡醒时间作为闹钟设定的推荐时间来设定闹钟，从而在休息日等不需要在规定的时间内强制唤醒用户的状况下，根据用户实际所需的睡眠时长推荐设置闹钟时间，提高了闹钟时间设定的合理性和用户的满意度，并且，该装置在用户入睡后即可预测出用户的睡醒时间，增大了预测结果的提前量，缩短了预测结果的等待时间，在用户入睡后可以较快的自动设置闹钟时间，提高了闹钟设定的实用性和智能性。
为达上述目的，本发明第三方面实施例提出了一种终端设备，包括：如上述实施例所述的基于睡醒时间预测的闹钟设定装置。
另外，根据本发明上述实施例的终端设备还可以具有如下附加的技术特征：
根据本发明的一个实施例，上述实施例所述的终端设备为可穿戴终端设备。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1是本发明实施例所提供的一种基于睡醒时间预测的闹钟设定方法的流程示意图；
图2是本发明实施例所提供的一种具体的长短期记忆网络模型的结构示意图；
图3是本发明实施例所提供的一种具体的睡眠时长的预测方法的流程示意图；
图4是本发明实施例所提供的一种基于睡醒时间预测的闹钟设定装置的结构示意图；
图5是本发明实施例所提供的一种终端设备的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的基于睡醒时间预测的闹钟设定方法、装置和设备。
图1是本发明实施例所提供的一种基于睡醒时间预测的闹钟设定方法的流程示意图，如1所示，该闹钟设定方法包括以下步骤：
步骤101，获取用户的当前入睡时间和最近设定天数的历史睡眠相关数据。
其中，历史睡眠相关数据包括影响用户睡醒时间的各种数据。在本发明一个实施例中，获取到的历史睡眠数据包括历史入睡时间、历史睡醒时间、历史运动量、历史午睡时间、历史睡眠质量、历史饮食数据、历史用药数据和历史体征数据。
其中，历史体征数据包括用户的性别、年龄、体重和身体质量指数(BMI)等。可以理解，根据历史入睡时间、历史睡醒时间和历史睡眠质量等反映用户睡醒时间历史规律性的数据，可以进行时间序列的预测，有助于后续判断用户当前的睡醒时间。而历史运动量、历史午睡时间可能会延长或缩短用户所需的睡眠时间，另外，有助于用户睡眠的药物或者食物，比如，安眠类的药物或者牛奶、核桃等助眠食物，均可能会影响用户的睡眠时间，因此，为了提高预测结果的准确性，本发明充分考虑影响用户睡醒时间的多种相关因素，获取上述各种相关数据。
需要说明的是，历史睡眠相关数据是最近设定天数内的历史数据，即从设定天数前开始，至当前时刻前的影响用户睡醒时间的相关数据，最近设定天数可以根据预测结果的准确性要求和实施成本等实际需要进行设置，比如，若设置最近设定天数为3，则获取前天、昨天和今天当前时刻前的历史睡眠相关数据。
具体实施时，作为一种可能的实现方式，可以通过用户穿戴的可穿戴终端设备，比如，智能手环，以及用户通过智能终端输入信息获取用户的当前入睡时间和最近设定天数的历史睡眠相关数据。
举例而言，可以通过智能手环的实时监测功能，监测并记录用户的历史入睡时间、历史睡醒时间、历史运动量、历史午睡时间和历史睡眠质量等数据，并在当前监测到用户入睡时，根据当前记录的时间获取用户的当前入睡时间。另外，用户还可以向智能手环或其他智能终端输入个人的历史用药数据和历史体征数据，智能手环还可以与智能烹饪设备建立无线连接，以精确获取用户的历史饮食数据。
进一步的，获取到用户的历史睡眠相关数据后，还可以将数据存储到云端服务器的数据库中，以便后续调取相关数据。在本发明一个实施例中，如表1所示，存储的数据可以按照数据表的方式存储到数据库中。
表1
其中，将每天获取到历史睡眠相关数据以上表的格式存储到数据库中，当未获取到相关数据时，比如表1所示，当未获取到前一天的历史睡眠相关数据或用户当前的睡眠质量未知时，则在表中填充0。进而，当最近设定天数为3时，即可获取表1中的相关数据，并以当前的睡眠时长为预测值，由此，便于后续调取该表1中数据，以较为完整的历史睡眠相关数据对睡醒时间进行预测，提高预测的准确性。
步骤102，将当前入睡时间和最近设定天数的历史睡眠相关数据输入至训练好的长短期记忆网络模型中，预测出当前睡眠时长。
其中，长短期记忆网络模型(Long Short-Term Memory，简称LSTM)是一种时间循环神经网络模型，长短期记忆网络模型可以对时间序列进行预测。因此，将当前入睡时间和最近设定天数的历史睡眠相关数据输入至训练好的长短期记忆网络模型中后，长短期记忆网络模型可以对输入的多变量序列数据进行演进方向的递归等一系列处理，以预测出当前睡眠时长。
其中，在预先训练长短期记忆网络模型时，作为一种可能的实现方式，可以先将获取到的历史睡眠相关数据进行数据建模，以得到实际数据集，然后将建模后的数据送入LSTM进行训练，由此根据设定天数内的历史睡眠相关数据训练完成长短期记忆网络模型，以便后续对用户当前的睡眠时长进行预测。
在本发明一个实施例中，具体输入数据时，可以将上述示例中存储器存储的数据表直接输入至LSTM。其中，在设置数据输入规模时，以每天一个样本为样本数量s，以最近设定天数为步长N，以数据表中的特征数量为每天的数据维度n，当未获取到其中一天的历史睡眠相关数据时，则跳过该天，如表1所示，当D-2天的数据为0时，则可以略过该天，从D-1天开始输入数据，或者，以D-3天的数据代替以保证输入数据的数量符合要求。从而，确保了输入数据的完整性和多样性，有利于提高预测结果的准确性。
进一步的，长短期记忆网络模型根据根据输入的数据预测出用户当前的睡眠时长。
步骤103，根据当前入睡时间和当前睡眠时长计算得到睡醒时间。
具体的，在获取长短期记忆网络模型预测出的当前睡眠时长后，按照下述公式计算用户本次睡眠的睡醒时间:睡醒时间＝当前入睡时间+当前睡眠时长。
由此，根据获取到的当前入睡时间和长短期记忆网络模型预测出的当前睡眠时长，计算得到睡醒时间。由于本发明的睡醒时间的预测方法是根据当前入睡时间和最近设定天数内的历史睡眠相关数据预测睡醒时间，因此不需要获取用户本次睡眠时的相关数据，在用户入睡后即可获取预测值，具有较大的预测结果的提前量，并且，通过长短期记忆网络模型根据设定天数内的多种睡眠相关数据进行时序的预测，提高了预测结果的准确性。
步骤104，将睡醒时间作为闹钟设定的推荐时间，并根据闹钟设定的推荐时间设定闹钟时间。
其中，由于该睡醒时间为计算得到的用户经过所需的睡眠时长后的醒来时间，在休息日等不需要在规定的时间内强制唤醒用户的状况下，在该睡醒时间的相应范围内唤醒用户，可以使用户得到充分的休息，又不会因为闹钟时间设置的过晚导致不产生作用。
具体的，作为一种可能的实现方式，首先可以通过无线传输等方式将闹钟设定的推荐时间发送给闹钟，闹钟接受到该推荐时间后，可以根据用户的实际需要以该推荐时间为基础自动设定闹钟时间。举例而言，闹钟可以直接将接受到的闹钟设定的推荐时间设定为闹钟时间，或者，根据用户预先的设置的范围，在闹钟设定的推荐时间的预设范围内设定闹钟时间，比如，用户希望早起一会，则闹钟可以自动在推荐时间的前半小时内任意选取一时刻作为闹钟时间，又比如，若用户习惯在醒来后继续休息一会，则用户可以预先设定以推荐时间后的十五分钟为闹钟时间，则闹钟接收到推荐时间后根据设定，以推荐时间后的十五分钟为闹钟时间。
由此，以预测到的睡醒时间为闹钟设定的推荐时间，并以闹钟设定的推荐时间设定为闹钟时间，或者在闹钟设定的推荐时间的预设范围内设定闹钟时间，使闹钟时间的设定符合用户的需求，可以使用户得到充分的休息，又不会因为闹钟时间设置的过晚导致不产生作用，提高了设定闹钟时间的合理性和用户的满意度。
需要说明的是，实际应用中，用户可能需要在规定的时间点醒来，因此，闹钟可能会接受到预期的睡醒时间，该预期的睡醒时间可以是用户设置的闹钟时间，在本发明一个实施例中，可以理解，由于用户设置的预期的睡醒时间为优先级最高的闹钟时间，若闹钟接受到闹钟设定的推荐时间后，进过比较确定闹钟设定的推荐时间晚于预期的睡醒时间，则将预期的睡醒时间设定为闹钟时间。
综上所述，本发明实施例的基于睡醒时间预测的闹钟设定方法，首先获取用户的当前入睡时间和最近设定天数的历史睡眠相关数据，然后将当前入睡时间和最近设定天数的历史睡眠相关数据输入至训练好的长短期记忆网络模型中，预测出当前睡眠时长，进而根据当前入睡时间和当前睡眠时长计算得到睡醒时间，最后根据睡醒时间设定闹钟时间。该方法采集影响用户睡醒时间的多种相关数据，并通过训练好的长短期记忆网络模型预测用户的睡醒时间，以睡醒时间作为闹钟设定的推荐时间来设定闹钟，从而在休息日等不需要在规定的时间内强制唤醒用户的状况下，根据用户实际所需的睡眠时长推荐设置闹钟时间，提高了闹钟时间设定的合理性和用户的满意度，并且，该方法在用户入睡后即可预测出用户的睡醒时间，增大了预测结果的提前量，缩短了预测结果的等待时间，在用户入睡后可以较快的自动设置闹钟时间，提高了闹钟设定的实用性和智能性
基于上述实施例，为了更加清楚的描述通过本发明实施例中训练好的长短期记忆网络模型预测当前睡眠时长的具体过程，并进一步提高预测结果的准确性，本发明实施例还提出了一种具体的长短期记忆网络模型和一种具体的睡眠时长的预测方法。
其中，如图2所示，本发明实施例的长短期记忆网络模型10包括第一层长短期记忆网络20和第二层长短期记忆网络30。第一层长短期记忆网络20包括第一输入层21、第一神经元层22和第一输出层23，第二层长短期记忆网络30包括第二输入层31、第二神经元层32和第二输出层33，第一输入层21中包括多个第一输入端211，第一神经元层22包括多个神经元221，第一输出层23包括多个第一输出端231，第二输入层31中包括多个第二输入端311，第二神经元层32包括多个神经元321，第二输出层33包括多个第二输出端331。其中，第一层长短期记忆网络20的各个第一输出端231与对应的第二层长短期记忆网络20中的第二输入端311相连，各个第二输入端311可以接收对应的第一输出端231发送的数据。
图3是本发明实施例所提供的一种具体的睡眠时长的预测方法的流程示意图。如图3所示，当采用图2所示的长短期记忆网络模型时，该方法包括以下步骤：
步骤201，将当前入睡时间和最近设定天数的历史睡眠相关数据输入至第一层长短期记忆网络中，预测出第一睡眠时长。
其中，将当前入睡时间和最近设定天数的历史睡眠相关数据输入至第一层长短期记忆网络中，并预测出第一睡眠时长的具体实现过程可参照上述实施例中的描述，此处不再赘述。
步骤202，将第一睡眠时长输入至第二层长短期记忆网络中，预测出第二睡眠时长。
具体的，第二层长短期记忆网络中的各个第二输入端，获取对应的第一层长短期记忆网络的各个第一输出端输出的数据，进而第二层长短期记忆网络以第一层长短期记忆网络的输出值为输入数据，根据第一层长短期记忆网络预测出第一睡眠时长预测用户当前的睡眠时长，该预测出的睡眠时长为第二睡眠时长。
需要说明的是，如图2所示，第一层长短期记忆网络中的各神经元还可以将自身的输出结果作为训练数据，按序输入给下一个神经元，下一个神经元根据该输入数据进行训练，即第一层长短期记忆网络还可以将第一睡眠时长重新输入至第一层长短期记忆网络中，在预测过程中，对第一层长短期记忆网络进行训练，从而在实际应用中进一步调整和完善长短期记忆网络模型，提高预测结果的准确性。
步骤203，根据第二睡眠时长得到当前睡眠时长。
具体的，由于第二层长短期记忆网络的网络深度更高，其预测出的结果的准确性更高，从而，在第二层长短期记忆网络预测出第二睡眠时长后，可以以第二睡眠时长为本发明实施例的长短期记忆网络模型预测出的当前睡眠时长。
需要说明的是，第二层长短期记忆网络也可以按照第一层长短期记忆网络中的方式，将第二睡眠时长输入至第二层长短期记忆网络中，对第二层长短期记忆网络进行训练。
进一步的，在实际应用中，为了进一步提高预测结果的准确性，还可以根据第一睡眠时长和第二睡眠时长的权重，对第一睡眠时长和第二睡眠时长进行加权求和，得到加权睡眠时长，以计算出的加权睡眠时长为最终预测出的当前睡眠时长。
更进一步的，为了提高本发明实施例的睡眠时长的预测方法的适用性，还可以根据实际应用中长短期记忆网络模型中的隐藏节点数，对第一睡眠时长和第二睡眠时长进行至少两次加权求和，得到的至少两个加权睡眠时长，进而再根据得到的至少两个加权睡眠时长计算最终预测出的当前睡眠时长。
举例而言，根据实际的隐藏节点数，可以对对第一睡眠时长和第二睡眠时长进行三次加权求和，从而得到三个加权睡眠时长，然后，再对得到的三个加权睡眠时长进行进一步的加权求和，最终输出一个预测值，该预测值为长短期记忆网络模型实际预测出的当前睡眠时长。
综上，本发明实施例的睡眠时长的预测方法，基于包含两层长短期记忆网络的长短期记忆网络模型进行预测，首先将当前入睡时间和最近设定天数的历史睡眠相关数据输入至第一层长短期记忆网络中，预测出第一睡眠时长，然后将第一睡眠时长输入至第二层长短期记忆网络中，预测出第二睡眠时长，同时也将第一睡眠时长作为训练数据对第一层长短期记忆网络进行训练，进而将第二层长短期记忆网络中预测出第二睡眠时长和第一睡眠时长，按照实际需要进行相应次数的加权求和，最终得到预测出的用户当前睡眠时长。由此，该方法增加了长短期记忆网络模型的网络深度，并且提高了模型的训练效率，有利于进一步提高预测结果的准确性。
为了实现上述实施例，本发明例还提出一种基于睡醒时间预测的闹钟设定装置。图4是本发明实施例所提供的一种基于睡醒时间预测的闹钟设定装置的结构示意图。
如图4示，该闹钟设定装置包括：获取模块100、预测200、计算模块30和设定模块400。
其中，获取模块100用于获取用户的当前入睡时间和最近设定天数的历史活动数据。
预测模块200，用于将当前入睡时间和最近设定天数的历史活动数据输入至训练好的长短期记忆网络模型中，预测出当前睡眠时长。
计算模块300，用于根据当前入睡时间和当前睡眠时长计算得到睡醒时间。
设定模块400，用于将睡醒时间作为闹钟设定的推荐时间，并根据闹钟设定的推荐时间设定闹钟时间。
在本发明实施例一种可能的实现方式中，第一获取模块100，具体用于获取历史入睡时间、历史睡醒时间和以下数据中的至少一种：历史运动量、历史午睡时间、历史睡眠质量、历史饮食数据、历史用药数据和历史体征数据。
在本申请实施例一种可能的实现方式中，长短期记忆网络模型包括第一层长短期记忆网络和第二层长短期记忆网络，预测模块200还用于将当前入睡时间和最近设定天数的历史睡眠相关数据输入至第一层长短期记忆网络中，预测出第一睡眠时长，然后将第一睡眠时长输入至第二层长短期记忆网络中，预测出第二睡眠时长，进而根据第二睡眠时长得到当期睡眠时长。
具体的，预测模块200具体用于将第二睡眠时长作为当期睡眠时长，或者，对第一睡眠时长和第二睡眠时长进行加权求和，得到加权睡眠时长，根据加权睡眠时长得到所述当前睡眠时长，其中，根据加权睡眠时长得到当前睡眠时长，包括：将加权睡眠时长作为所述当期睡眠时长，或者，根据至少两次加权求和得到的至少两个加权睡眠时长，计算当前睡眠时长。
进一步的，预测模块200还用于将第一睡眠时长输入至第一层长短期记忆网络中，对所述第一层长短期记忆网络进行训练。
在本申请实施例一种可能的实现方式中，设定模块400还用于将闹钟设定的推荐时间设定为闹钟时间，或者在闹钟设定的推荐时间的预设范围内设定闹钟时间；若睡醒时间晚于预期的睡醒时间，则将预期的睡醒时间设定为闹钟时间。
需要说明的是，前述对基于睡醒时间预测的闹钟设定方法实施例的解释说明，也适用于该实施例的基于睡醒时间预测的闹钟设定装置，故在此不再赘述。
本发明实施例的基于睡醒时间预测的闹钟设定装置，首先获取用户的当前入睡时间和最近设定天数的历史睡眠相关数据，然后将当前入睡时间和最近设定天数的历史睡眠相关数据输入至训练好的长短期记忆网络模型中，预测出当前睡眠时长，进而根据当前入睡时间和当前睡眠时长计算得到睡醒时间，最后根据睡醒时间设定闹钟时间。该装置采集影响用户睡醒时间的多种相关数据，并通过训练好的长短期记忆网络模型预测用户的睡醒时间，以睡醒时间作为闹钟设定的推荐时间来设定闹钟，从而在休息日等不需要在规定的时间内强制唤醒用户的状况下，根据用户实际所需的睡眠时长推荐设置闹钟时间，提高了闹钟时间设定的合理性和用户的满意度，并且，该装置在用户入睡后即可预测出用户的睡醒时间，增大了预测结果的提前量，缩短了预测结果的等待时间，在用户入睡后可以较快的自动设置闹钟时间，提高了闹钟设定的实用性和智能性。
为了实现上述实施例，本申请实施例还提出一种终端设备。如图5所示，该终端设备200包括如上述实施例所述的基于睡醒时间预测的闹钟设定装置100。
其中，在发明一个实施例中，终端设备为可穿戴终端设备，比如，智能手环等。
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (12)
1.一种基于睡醒时间预测的闹钟设定方法，其特征在于，包括：
获取用户的当前入睡时间和最近设定天数的历史睡眠相关数据，所述历史睡眠相关数据包括历史入睡时间、历史睡醒时间和以下数据中的至少一种：历史运动量、历史午睡时间、历史睡眠质量、历史饮食数据、历史用药数据和历史体征数据；
将所述当前入睡时间和所述最近设定天数的历史睡眠相关数据输入至长短期记忆网络模型LSTM的第一层长短期记忆网络中，预测出第一睡眠时长；
将所述第一睡眠时长输入至所述长短期记忆网络模型LSTM的第二层长短期记忆网络中，预测出第二睡眠时长；
根据所述第二睡眠时长得到当前睡眠时长；
根据所述当前入睡时间和所述当前睡眠时长计算得到睡醒时间；
将所述睡醒时间作为闹钟设定的推荐时间，并根据所述闹钟设定的推荐时间设定闹钟时间。
2.根据权利要求1所述的闹钟设定方法，其特征在于，还包括：
所述第一层长短期记忆网络中的各神经元将自身的输出结果作为训练数据，按序输入给下一个神经元，所述下一个神经元根据输入数据进行训练。
3.根据权利要求1所述的闹钟设定方法，其特征在于，所述根据所述第二睡眠时长得到所述当期睡眠时长，包括：
将所述第二睡眠时长作为所述当期睡眠时长；或者，
对所述第一睡眠时长和所述第二睡眠时长进行加权求和，得到加权睡眠时长，根据所述加权睡眠时长得到所述当前睡眠时长。
4.根据权利要求3所述的闹钟设定方法，其特征在于，所述根据所述加权睡眠时长得到所述当前睡眠时长，包括：
将所述加权睡眠时长作为所述当期睡眠时长；或者，
根据至少两次加权求和得到的至少两个所述加权睡眠时长，计算所述当前睡眠时长。
5.根据权利要求1所述的闹钟设定方法，其特征在于，所述根据所述闹钟设定的推荐时间设定闹钟时间，包括：
将所述闹钟设定的推荐时间设定为所述闹钟时间，或者在所述闹钟设定的推荐时间的预设范围内设定所述闹钟时间；
若所述闹钟设定的推荐时间晚于预期的睡醒时间，则将所述预期的睡醒时间设定为所述闹钟时间，所述预期的睡醒时间是用户设置的闹钟时间。
6.一种基于睡醒时间预测的闹钟设定装置，其特征在于，包括：
获取模块，用于获取用户的当前入睡时间和最近设定天数的历史睡眠相关数据，所述历史睡眠相关数据包括历史入睡时间、历史睡醒时间和以下数据中的至少一种：历史运动量、历史午睡时间、历史睡眠质量、历史饮食数据、历史用药数据和历史体征数据；
预测模块，用于将所述当前入睡时间和所述最近设定天数的历史睡眠相关数据输入至长短期记忆网络模型LSTM的第一层长短期记忆网络中，预测出第一睡眠时长；将所述第一睡眠时长输入至所述长短期记忆网络模型LSTM的第二层长短期记忆网络中，预测出第二睡眠时长；根据所述第二睡眠时长得到当前睡眠时长；
计算模块，用于根据所述当前入睡时间和所述当前睡眠时长计算得到睡醒时间；
设定模块，用于将所述睡醒时间作为闹钟设定的推荐时间，并根据所述闹钟设定的推荐时间设定闹钟时间。
7.根据权利要求6所述的闹钟设定装置，其特征在于，所述预测模块还用于：
所述第一层长短期记忆网络中的各神经元将自身的输出结果作为训练数据，按序输入给下一个神经元，所述下一个神经元根据输入数据进行训练。
8.根据权利要求6所述的闹钟设定装置，其特征在于，所述预测模块还用于：
将所述第二睡眠时长作为所述当期睡眠时长；或者，
对所述第一睡眠时长和所述第二睡眠时长进行加权求和，得到加权睡眠时长，根据所述加权睡眠时长得到所述当前睡眠时长。
9.根据权利要求8所述的闹钟设定装置，其特征在于，所述预测模块具体用于：
将所述加权睡眠时长作为所述当期睡眠时长；或者，
根据至少两次加权求和得到的至少两个所述加权睡眠时长，计算所述当前睡眠时长。
10.根据权利要求6所述的闹钟设定装置，其特征在于，所述设定模块具体用于：
将所述闹钟设定的推荐时间设定为所述闹钟时间，或者在所述闹钟设定的推荐时间的预设范围内设定所述闹钟时间；
若所述闹钟设定的推荐时间晚于预期的睡醒时间，则将所述预期的睡醒时间设定为所述闹钟时间，所述预期的睡醒时间是用户设置的闹钟时间。
11.一种终端设备，其特征在于，包括：如权利要求6所述的基于睡醒时间预测的闹钟设定装置。
12.根据权利要求11所述的终端设备，其特征在于，所述终端设备为可穿戴终端设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010426826.XA CN111568380B (zh) | 2020-05-19 | 2020-05-19 | 基于睡醒时间预测的闹钟设定方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010426826.XA CN111568380B (zh) | 2020-05-19 | 2020-05-19 | 基于睡醒时间预测的闹钟设定方法、装置和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111568380A CN111568380A (zh) | 2020-08-25 |
| CN111568380B true CN111568380B (zh) | 2023-07-18 |
Family
ID=72113866
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010426826.XA Active CN111568380B (zh) | 2020-05-19 | 2020-05-19 | 基于睡醒时间预测的闹钟设定方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111568380B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112488406A (zh) * | 2020-12-08 | 2021-03-12 | 珠海格力电器股份有限公司 | 闹钟设置预测方法、装置、设备及存储介质 |
| CN112819084A (zh) * | 2021-02-09 | 2021-05-18 | 珠海格力电器股份有限公司 | 一种目标睡眠信息的确定方法和装置 |
| CN114963549A (zh) * | 2021-06-01 | 2022-08-30 | 青岛经济技术开发区海尔热水器有限公司 | 热水器预加热控制方法、装置、电子设备及存储介质 |
| CN114027795A (zh) * | 2021-11-11 | 2022-02-11 | 展讯半导体(南京)有限公司 | 婴儿睡眠状态监测方法、装置、终端设备及可读存储介质 |
| CN115701877A (zh) * | 2022-09-14 | 2023-02-14 | 安徽华米健康科技有限公司 | 运动推荐方法、睡眠推荐方法及其装置 |
| CN115202231B (zh) * | 2022-09-14 | 2022-12-09 | 深圳市心流科技有限公司 | 一种基于睡眠状态的智能家电的预约设置方法及终端设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004254827A (ja) * | 2003-02-25 | 2004-09-16 | Matsushita Electric Ind Co Ltd | 睡眠状態判定装置 |
| CN105748043A (zh) * | 2016-02-17 | 2016-07-13 | 安徽华米信息科技有限公司 | 睡眠质量监测方法及装置、可穿戴设备 |
| CN106913313A (zh) * | 2015-12-28 | 2017-07-04 | 中国移动通信集团公司 | 一种睡眠监测方法及系统 |
| CN108536099A (zh) * | 2018-02-26 | 2018-09-14 | 维沃移动通信有限公司 | 一种信息处理方法、装置及移动终端 |
| KR20190115734A (ko) * | 2018-04-03 | 2019-10-14 | 아주대학교산학협력단 | 컴퓨터 판독 가능 기록매체에 저장된 수면 시간 관리 어플리케이션 |
| CN111163219A (zh) * | 2019-12-20 | 2020-05-15 | 惠州Tcl移动通信有限公司 | 闹钟处理方法、装置、存储介质及终端 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110230790A1 (en) * | 2010-03-16 | 2011-09-22 | Valeriy Kozlov | Method and system for sleep monitoring, regulation and planning |
| US10083397B2 (en) * | 2016-08-25 | 2018-09-25 | TCL Research America Inc. | Personalized intelligent wake-up system and method based on multimodal deep neural network |
| US10636524B2 (en) * | 2016-08-26 | 2020-04-28 | TCL Research America Inc. | Method and system for optimized wake-up strategy via sleeping stage prediction with recurrent neural networks |
| JP7005921B2 (ja) * | 2017-03-31 | 2022-01-24 | 日本電気株式会社 | 睡眠状態推定装置、睡眠状態推定方法および睡眠状態推定プログラム |
| US11123009B2 (en) * | 2017-12-21 | 2021-09-21 | Koninklijke Philips N.V. | Sleep stage prediction and intervention preparation based thereon |
-
2020
- 2020-05-19 CN CN202010426826.XA patent/CN111568380B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004254827A (ja) * | 2003-02-25 | 2004-09-16 | Matsushita Electric Ind Co Ltd | 睡眠状態判定装置 |
| CN106913313A (zh) * | 2015-12-28 | 2017-07-04 | 中国移动通信集团公司 | 一种睡眠监测方法及系统 |
| CN105748043A (zh) * | 2016-02-17 | 2016-07-13 | 安徽华米信息科技有限公司 | 睡眠质量监测方法及装置、可穿戴设备 |
| CN108536099A (zh) * | 2018-02-26 | 2018-09-14 | 维沃移动通信有限公司 | 一种信息处理方法、装置及移动终端 |
| KR20190115734A (ko) * | 2018-04-03 | 2019-10-14 | 아주대학교산학협력단 | 컴퓨터 판독 가능 기록매체에 저장된 수면 시간 관리 어플리케이션 |
| CN111163219A (zh) * | 2019-12-20 | 2020-05-15 | 惠州Tcl移动通信有限公司 | 闹钟处理方法、装置、存储介质及终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111568380A (zh) | 2020-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111568380B (zh) | 基于睡醒时间预测的闹钟设定方法、装置和设备 | |
| US20190371197A1 (en) | Systems and techniques for tracking sleep consistency and sleep goals | |
| CN107773214B (zh) | 一种最佳唤醒策略的方法、计算机可读介质和系统 | |
| CN104287706B (zh) | 一种人体健康状态实时监测及诊疗推荐系统 | |
| CN107550475A (zh) | 一种监控人体心率的方法、装置和可穿戴设备 | |
| CN110598336B (zh) | 热水器用水量预测方法及装置、热水器及电子设备 | |
| CN111489019B (zh) | 睡眠质量预测方法及装置 | |
| CN110648747B (zh) | 一种数据推荐方法及相关装置 | |
| US20190065684A1 (en) | Computer program products, methods, and systems for assisting a user to achieve a health-related goal | |
| CN114511160B (zh) | 一种入睡时长预测方法、装置、终端及存储介质 | |
| CN113941071B (zh) | 基于脑电的睡眠唤醒方法、装置、智能终端及存储介质 | |
| TW201609042A (zh) | 資訊處理裝置、資訊處理方法及資訊處理程式產品 | |
| US20210304867A1 (en) | Application with behavior change user interface responses | |
| KR20120011861A (ko) | 정보 제공 시스템, 정보 제공 방법, 및 서버 장치 | |
| CN113598721B (zh) | 可穿戴终端及其核心体温监测方法和计算机可读存储介质 | |
| CN114451900B (zh) | 一种基于脑电的睡眠质量确定方法、系统及存储介质 | |
| CN113546396B (zh) | 一种基于大数据的数据处理系统及方法 | |
| US20140276243A1 (en) | Behavioral risk analyzer and application that estimates the risk of performing undesired behavior | |
| CN116931419A (zh) | 应用于智能设备控制的环境舒适模型自动构建方法及装置 | |
| KR20230100770A (ko) | 개인건강정보(phr)에 기초한 개인 맞춤형 건강관리 솔루션 제공 시스템 | |
| CN112488406A (zh) | 闹钟设置预测方法、装置、设备及存储介质 | |
| CN114388089A (zh) | 一种基于人工智能的个人健康管理方法及系统 | |
| CN114550924A (zh) | 基于人工智能的重疾状态预测方法、装置、设备及介质 | |
| CN112656401B (zh) | 一种智能监护方法、装置及设备 | |
| CN115910339B (zh) | 体重监测方法、系统、计算机设备和存储介质 |
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 |