CN111790038B - 音乐辅助睡眠的方法、装置、计算机设备及存储介质 - Google Patents
音乐辅助睡眠的方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111790038B CN111790038B CN202010578242.4A CN202010578242A CN111790038B CN 111790038 B CN111790038 B CN 111790038B CN 202010578242 A CN202010578242 A CN 202010578242A CN 111790038 B CN111790038 B CN 111790038B
- Authority
- CN
- China
- Prior art keywords
- sleep
- music
- state
- track
- sample set
- 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 50
- 238000010801 machine learning Methods 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims description 56
- 230000008859 change Effects 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 19
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 18
- 206010062519 Poor quality sleep Diseases 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000005096 rolling process Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 10
- 230000009193 crawling Effects 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000147 hypnotic effect Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 230000003860 sleep quality Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000036387 respiratory rate Effects 0.000 description 3
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 206010022437 insomnia Diseases 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241001122767 Theaceae Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000517 effect on sleep Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 230000008667 sleep stage Effects 0.000 description 1
- 208000020685 sleep-wake disease Diseases 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
- A61M21/02—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis for inducing sleep or relaxation, e.g. by direct nerve stimulation, hypnosis, analgesia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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
- A61B5/4812—Detecting sleep stages or cycles
-
- 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
-
- 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
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
- A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
- A61M2021/0027—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the hearing sense
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Anesthesiology (AREA)
- Cardiology (AREA)
- Acoustics & Sound (AREA)
- Hematology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Pain & Pain Management (AREA)
- Pulmonology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明实施例公开了一种音乐辅助睡眠的方法,当检测到音乐辅助睡眠指令时,采集用户的睡眠参数;根据睡眠参数确定用户的睡眠状态;通过预设的基于机器学习的音乐辅助睡眠模型并根据睡眠状态确定目标曲目和对应的目标音量;以目标音量播放目标曲目,实现对用户的睡眠辅助,通过选择适合当前睡眠状态的形式播放音乐,自动调整曲目和曲目音量,无需用户参与,提高睡眠质量和睡眠体验,同时由于是采用机器学习的算法选择合适的曲目和音量,因此,适合大部分用户,具有广泛适用性。此外,还提出一种音乐辅助睡眠的装置、计算机设备及存储介质。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种音乐辅助睡眠的方法、装置、计算机设备及存储介质。
背景技术
睡眠具有维持个体生存、促进生长发育、形成记忆等功能,是生理活动中的重要过程;随着生活节奏加快,工作、情感压力等负面情绪让许多人受失眠问题困扰,据《2018中国睡眠指数》统计,中国成年人失眠发生率高达38.2%,超过3亿中国人有睡眠障碍,因此,通过技术手段,改善人体睡眠状态,具有重要的社会价值。
由现有理论可知,恰当的音频信号刺激,对睡眠具有辅助作用,但在实际操作时,由于个体差异的存在,人们对助眠音乐的选择十分盲目,缺乏适用性强、应用范围广的进行睡眠检测和睡眠干预的方法来进行睡眠干预,影响用户的睡眠体验和身体健康。
发明内容
基于此,有必要针对上述问题,提出一种音乐辅助睡眠的方法、装置、计算机设备及存储介质,以提高用户的睡眠质量和睡眠体验。
一种音乐辅助睡眠的方法,所述方法包括:
当检测到音乐辅助睡眠指令时,采集用户的睡眠参数;
根据所述睡眠参数确定所述用户的睡眠状态;
通过预设的基于机器学习的音乐辅助睡眠模型并根据所述睡眠状态确定目标曲目和对应的目标音量;
以所述目标音量播放所述目标曲目,实现对所述用户的睡眠辅助。
一种音乐辅助睡眠的装置,所述装置包括:
参数采集模块,用于当检测到音乐辅助睡眠指令时,采集用户的睡眠参数;
状态确定模块,用于根据所述睡眠参数确定所述用户的睡眠状态;
音乐确定模块,用于通过预设的基于机器学习的音乐辅助睡眠模型并根据所述睡眠状态确定目标曲目和对应的目标音量;
睡眠辅助模块,用于以所述目标音量播放所述目标曲目,实现对所述用户的睡眠辅助。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:
当检测到音乐辅助睡眠指令时,采集用户的睡眠参数;
根据所述睡眠参数确定所述用户的睡眠状态;
通过预设的基于机器学习的音乐辅助睡眠模型并根据所述睡眠状态确定目标曲目和对应的目标音量;
以所述目标音量播放所述目标曲目,实现对所述用户的睡眠辅助。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:
当检测到音乐辅助睡眠指令时,采集用户的睡眠参数;
根据所述睡眠参数确定所述用户的睡眠状态;
通过预设的基于机器学习的音乐辅助睡眠模型并根据所述睡眠状态确定目标曲目和对应的目标音量;
以所述目标音量播放所述目标曲目,实现对所述用户的睡眠辅助。
上述音乐辅助睡眠的方法、装置、计算机设备及存储介质,通过当检测到音乐辅助睡眠指令时,采集用户的睡眠参数;根据所述睡眠参数确定所述用户的睡眠状态;通过预设的基于机器学习的音乐辅助睡眠模型并根据所述睡眠状态确定目标曲目和对应的目标音量;以所述目标音量播放所述目标曲目,实现对所述用户的睡眠辅助,通过机器学习的方法选择合适的曲目进行辅助睡眠,保证了曲目的广泛适用性,提高了用户的睡眠体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
其中:
图1为一个实施例中音乐辅助睡眠的方法的流程图;
图2为一个实施例中用户睡眠状态过程变化的示意图;
图3为另一个实施例中音乐辅助睡眠的方法的流程图;
图4为一个实施例中音乐辅助睡眠模型训练方法的流程图;
图5为另一个实施例中音乐辅助睡眠模型训练方法的流程图;
图6为一个实施例中样本集获取方法的流程图;
图7为另一个实施例中样本集获取方法的流程图;
图8为一个实施例中音乐辅助睡眠的装置的结构框图;
图9为一个实施例中计算机设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,在一个实施例中,提供了一种音乐辅助睡眠的方法,该音乐辅助睡眠的方法既可以应用于终端,也可以应用于服务器,本实施例以应用于服务器举例说明。该音乐辅助睡眠的方法具体包括以下步骤:
步骤102,当检测到音乐辅助睡眠指令时,采集用户的睡眠参数。
其中,音乐辅助睡眠监测指令是指用户通过睡眠辅助装置向服务器发送的用于辅助睡眠的命令。具体地,当服务器监测到该音乐辅助睡眠指令时,则通过传感器信号采集睡眠参数。其中的睡眠参数适用于反映用户睡眠状态的生理数据,例如,呼吸率、心率或者体温等数据,通过采集用户的睡眠参数推断用户的睡眠状态。可以通过穿戴式设备、无线心率带条或者多导睡眠监测系统来采集用户的睡眠参数。作为本实施例的优选,采用无线心率带条采集用户睡眠参数,避免穿戴式设备的捆绑对身体造成不适,从而提升用户体验。
步骤104,根据睡眠参数确定用户的睡眠状态。
其中,睡眠状态是指用户在当前时段内的处于的睡眠阶段,如入睡状态、浅眠状态、深眠状态等。具体地,服务器中预先存储睡眠参数与睡眠状态的映射表,可以通过在该映射表中查找与睡眠参数对应的睡眠状态确定为用户的睡眠状态,也可以将睡眠参数与预设的睡眠参数阈值进行分析比较,根据比较结果确定用户的睡眠状态。
步骤106,通过预设的基于机器学习的音乐辅助睡眠模型并根据睡眠状态确定目标曲目和对应的目标音量。
其中,音乐辅助睡眠模型是基于预置的机器学习算法,该算法建立了睡眠状态与目标曲目及对应的目标音量之间的对应关系,将步骤104中的用户的睡眠状态作为音乐辅助睡眠模型的输入,该音乐辅助睡眠模型输出即为目标曲目和对应的目标音量。其中,预置的机器学习算法是指通过样本学习具备分类能力的机器学习算法,本实施例的音乐辅助睡眠模型用于建立不同的睡眠状态适合的音乐曲目及曲目音量,例如,用户在浅眠状态状态时,需要播放催眠的音乐曲目或者旋律缓和的音乐曲目。具体地,可以利用至少一个机器学习算法进行分类的分类器。其中的机器学习算法可以是如下的一个或者多个:神经网络(例如,卷积神经网络、BP神经网络等)、逻辑回归模型、支持向量机、决策树、随机森林、感知器以及其它机器学习算法。作为这样的机器学习算法的训练的部分,训练输入是不同睡眠状态,建立睡眠状态与曲目及曲目音量的对应的关系分类器。使得该音乐辅助睡眠模型具备根据睡眠状态,确定合适的曲目及曲目音量。
步骤108,以目标音量播放目标曲目,实现对用户的睡眠辅助。
具体地,在确定了目标曲目和对应的目标音量后,睡眠辅助装置以目标音量播放目标曲目,选择了适合当前睡眠状态的形式播放音乐,自动调整曲目和曲目音量,无需用户参与,提高睡眠质量和睡眠体验,同时由于是采用机器学习的算法选择合适的曲目和音量,因此,适合大部分用户,具有广泛适用性。
上述音乐辅助睡眠的方法,当检测到音乐辅助睡眠指令时,采集用户的睡眠参数;根据睡眠参数确定用户的睡眠状态;通过预设的基于机器学习的音乐辅助睡眠模型并根据睡眠状态确定目标曲目和对应的目标音量;以目标音量播放目标曲目,实现对用户的睡眠辅助,通过选择适合当前睡眠状态的形式播放音乐,自动调整曲目和曲目音量,无需用户参与,提高睡眠质量和睡眠体验,同时由于是采用机器学习的算法选择合适的曲目和音量,因此,适合大部分用户,具有广泛适用性。
在一个实施例中,睡眠参数包括用户的呼吸率、心率、温度和辗转次数;睡眠状态包括入睡状态、浅眠状态、深眠状态;根据睡眠参数确定用户的睡眠状态,包括:
根据呼吸率、心率、温度和辗转次数以及对应的呼吸率阈值、心率阈值、温度阈值和辗转次数阈值,按照预设的计算方法计算得到睡眠状态。
在这个实施例中,睡眠参数包括用户的呼吸率、心率、温度和辗转次数,可以通过无线心率带条进行采集,其中的无线心率带条是一条配置有呼吸率的信号传感器、心率的信号传感器、温度传感器和动作识别设备的带状信号监测设备。睡眠状态包括入睡状态、浅眠状态、深眠状态,根据呼吸率、心率、温度和辗转次数以及对应的呼吸率阈值、心率阈值、温度阈值和辗转次数阈值,通过与各自对应的阈值进行比较,确定用户的睡眠状态。如图2所示,为用户睡眠状态过程变化的示意图,包括入睡状态、浅眠状态和深眠状态。值得说明的是,图2中的浅眠状态有2个,第一个是从入睡状态变化为浅眠状态,第二个是从深眠状态变化为浅眠状态即图中的苏醒过程,显然,这两个浅眠状态对应的目标曲目及曲目音量均不同,第一个浅眠状态需要的催眠音乐曲目,第二个则需要旋律缓和的曲目。因此,本实施例中的音乐辅助睡眠模型的训练,还需要对浅眠状态变化前后的睡眠状态进行分析,以提高音乐辅助睡眠模型选择音乐曲目以及音量的完整性和准确性。
需要说明的是,还可以继续对睡眠状态中的入睡状态、浅眠状态、深眠状态进行进一步分类,例如入睡A级状态、入睡B级状态、入睡C级状态等,浅眠A级状态、浅眠B级状态、浅眠C级状态等,深眠A级状态、深眠B级状态、深眠C级状态等。具体地,可以分别将呼吸率阈值、心率阈值、温度阈值和辗转次数阈值继续细分为多个划分为多个子阈值,将睡眠参数与对应的子阈值进行比较,根据比较结果,确定用户的睡眠状态。可以理解地,通过对睡眠状态的进一步细分,能够保证对睡眠状态分析的精确度,从而基于睡眠状态选择更为合适的曲目及曲目音量,进一步提高用户体验和睡眠质量。
如图3所示,在一个实施例中,该方法还包括:
步骤110,获取样本集,样本集包括睡眠状态和对应曲目库及与曲目库对应的音量;
步骤112,根据样本集,训练音乐辅助睡眠模型。
具体地,获取样本集,样本集中包括睡眠状态和对应曲目库及与曲目库对应的音量,利用这样的样本集训练出的音乐辅助睡眠模型能够学习到更加精准的分类规则,使得睡眠状态与曲目及曲目音量更加合适用户的睡眠状态,从而可以进一步提升用户体验。
如图4所示,在一个实施例中,根据样本集,训练音乐辅助睡眠模型,包括:
步骤112A,获取机器学习分类器的离散参数取值集合;
步骤112B,根据离散参数取值集合中的每个参数取值、样本集,训练与每个参数取值相应的机器学习分类器,并获得相应参数取值所对应机器学习分类器的分类预测正确率;
步骤112C,筛选出最大的分类预测正确率并获取相应的参数取值和样本集,并根据获取的参数取值和样本集训练音乐辅助睡眠模型。
其中,离散参数取值集合是若干离散的参数取值构成的集合。参数取值是训练机器学习分类器所需参数的取值。具体可按照第一步长,在连续参数取值范围中采样,获得一系列的离散参数取值,以构成离散参数取值集合。若机器学习分类器包括多个需要学习的参数,则可获取与每个参数对应的离散参数取值集合。若机器学习分类器采用SVM分类器,则参数比如惩罚系数。具体地,服务器可以遍历离散参数取值集合中的每个参数取值,分别利用当前遍历的参数取值、样本集训练机器学习分类器,并获得该机器学习分类器对应的分类预测正确率,直至遍历完离散参数取值集合中的所有参数取值和样本集。
本实施例中,利用样本集快速找出合适的参数取值以及音频特征,从而利用该参数取值及样本集进行训练,可提高训练音乐辅助睡眠模型的效率。
如图5所示,在一个实施例中,筛选出最大的分类预测正确率并获取相应的参数取值和样本集,并根据获取的参数取值和样本集训练音乐辅助睡眠模型,包括:
步骤112C1,筛选出最大的分类预测正确率所对应的参数取值;
步骤112C2,根据筛选出的参数取值确定参数取值扩展集合;
步骤112C3,根据参数取值扩展集合中的每个参数取值和样本集,再次训练与每个参数取值相应的机器学习分类器,并获得相应参数取值所对应机器学习分类器的分类预测正确率;
步骤112C4,从再次训练获得到的分类预测正确率中挑选最大的分类预测正确率;
步骤112C5,根据挑选出的分类预测正确率所对应的参数取值和样本集训练音乐辅助睡眠模型。
具体地,假设筛选出的参数取值为u,则服务器可将u朝小于u和大于u的两个方向分别扩展预设长度L,得到连续参数取值范围[u-L,u+L]。连续参数取值范围是相应的连续参数取值范围的子集。服务器按照小于第一步长的第二步长,从连续参数取值范围中采样,得到一系列的参数取值,该一系列的参数取值构成参数取值扩展集合。然后根据参数取值扩展集合中的每个参数取值和样本集,再次训练与每个参数取值相应的机器学习分类器,并获得相应参数取值所对应机器学习分类器的分类预测正确率。兴趣点检测服务器可遍历参数取值扩展集合中的每个参数取值,利用当前遍历的参数取值和兴趣点样本子集训练机器学习分类器,并获得该机器学习分类器对应的分类预测正确率,直至遍历完参数取值扩展集合中的所有参数取值。具体地,服务器可将步骤112C3中获得的分类预测正确率进行比较,找出其中最大的分类预测正确率,获取训练该最大的分类预测正确率的机器学习分类器所用的参数取值,从而利用获取的参数取值以及样本集继续训练机器学习分类器。
本实施例中,先利用样子集在离散参数取值集合中粗略定位参数取值,再在参数取值扩展集合中精确定位参数取值,可以尽可能找到最合适的参数取值,从而利用该参数取值以及样本集进行训练,训练出的音乐辅助睡眠模型在用于确定与睡眠状态对应的额目标曲目及目标曲目对应的音量可以达到更高的准确性率,从而更加符合用户对音乐曲目的需求,提升用户体验,且满足大部分用户音乐辅助睡眠的需求,提升了辅助睡眠的广泛适应性。
如图6所示,在一个实施例中,获取样本集,样本集包括睡眠状态和对应曲目库及与曲目库对应的音量,包括:
步骤110A,通过网络爬虫技术爬取不同用户在不同睡眠状态播放的曲目及曲目的音量;
步骤110B,对不同用户在不同睡眠状态播放的曲目及曲目的音量进行分析统计,生成样本集。
其中,网络爬虫技术是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本,可以自动采集所有其能够访问到的页面内容,以获取或更新这些网站的内容和检索方式。在本实施例中,用于爬取目标浏览页面获取包含有辅助睡眠的音乐曲目库,其中的目标浏览页面可以是体感音乐的网站。在爬取到包含有不同用户在不同睡眠状态播放的曲目及曲目的音量之后,对不同用户在不同睡眠状态播放的曲目及曲目的音量进行分析统计,生成样本集,如对不同睡眠状态的播放的曲目和曲目音量进行遍历后,建立每个不同睡眠状态对应的音乐曲目库,可以理解地,通过网络爬虫技术获取更多的音乐曲目,从而使得样本集更加丰富,能够满足更多用户的需求。
如图7所示,在一个实施例中,在不同用户在不同睡眠状态播放的曲目及曲目的音量进行分析统计,生成样本集后,还包括:
步骤110C,对不同用户的深眠状态睡眠状态变化时,获取变化前的第一睡眠状态播放的第一曲目及第一曲目音量,以及变化后的第二睡眠状态播放的第二曲目及第二曲目音量;
步骤110D,对第一睡眠状态播放的第一曲目及第一曲目音量,以及第二睡眠状态播放的第二曲目及第二曲目音量进行统计分析,生成样本集。
在这个实施例中,以图2所示的睡眠状态为浅睡眠状态为例,对不同用户的深眠状态睡眠状态变化时,获取变化前的第一睡眠状态播放的第一曲目及第一曲目音量,以及变化后的第二睡眠状态播放的第二曲目及第二曲目音量;然后对第一睡眠状态播放的第一曲目及第一曲目音量,以及第二睡眠状态播放的第二曲目及第二曲目音量进行统计分析,进一步对样本集进行了精准的分类,从而更进一步地保证了目标曲目及目标音量的准确性,满足了更多用户的音乐辅助睡眠的需求,进一步提高了音乐辅助睡眠模型的广泛适用性。
如图8所示,在一个实施例中,提出了一种音乐辅助睡眠的装置,所述装置包括:
参数采集模块802,用于当检测到音乐辅助睡眠指令时,采集用户的睡眠参数;
状态确定模块804,用于根据所述睡眠参数确定所述用户的睡眠状态;
音乐确定模块806,用于通过预设的基于机器学习的音乐辅助睡眠模型并根据所述睡眠状态确定目标曲目和对应的目标音量;
睡眠辅助模块808,用于以所述目标音量播放所述目标曲目,实现对所述用户的睡眠辅助。
在一个实施例中,所述睡眠参数包括所述用户的呼吸率、心率、温度和辗转次数;所述睡眠状态包括入睡状态、浅眠状态、深眠状态;所述状态确定模块包括:状态计算单元,用于根据所述呼吸率、心率、温度和辗转次数以及对应的呼吸率阈值、心率阈值、温度阈值和辗转次数阈值,按照预设的计算方法计算得到所述睡眠状态。
在一个实施例中,所述装置还包括:
样本集获取模块,用于获取样本集,所述样本集包括睡眠状态和对应曲目库及与所述目标曲目库对应的音量;
模型训练模块,用于根据所述样本集,训练音乐辅助睡眠模型。
在一个实施例中,模型训练模块包括:
参数值获取单元,用于获取机器学习分类器的离散参数取值集合;
预测单元,用于根据所述离散参数取值集合中的每个参数取值、所述样本集,训练与每个参数取值相应的机器学习分类器,并获得相应参数取值所对应机器学习分类器的分类预测正确率;
训练单元,用于筛选出最大的分类预测正确率并获取相应的参数取值和所述样本集,并根据获取的参数取值和所述样本集训练音乐辅助睡眠模型。
在一个实施例中,训练单元包括:
第一筛选子单元,用于筛选出最大的分类预测正确率所对应的参数取值;
参数确定子单元,用于根据筛选出的参数取值确定参数取值扩展集合;
预测子单元,用于根据所述参数取值扩展集合中的每个参数取值和所述样本集,再次训练与每个参数取值相应的机器学习分类器,并获得相应参数取值所对应机器学习分类器的分类预测正确率;
第二筛选子单元,用于从再次训练获得到的分类预测正确率中挑选最大的分类预测正确率;
训练子单元,用于根据挑选出的分类预测正确率所对应的参数取值和所述样本集训练音乐辅助睡眠模型。
在一个实施例中,样本集获取模块包括:
样本爬取单元,用于通过网络爬虫技术爬取不同用户在不同睡眠状态播放的曲目及曲目的音量;
第一分析单元,用于对所述不同用户在不同睡眠状态播放的曲目及曲目的音量进行分析统计,生成所述样本集。
在一个实施例中,样本集获取模块还包括:
样本获取单元,用于对不同用户的深眠状态睡眠状态变化时,获取变化前的第一睡眠状态播放的第一曲目及第一曲目音量,以及变化后的第二睡眠状态播放的第二曲目及第二曲目音量;
第二分析单元,用于对所述第一睡眠状态播放的第一曲目及第一曲目音量,以及第二睡眠状态播放的第二曲目及第二曲目音量进行统计分析,生成所述样本集。
图9示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是服务器,所述服务器包括但不限于高性能计算机和高性能计算机集群。如图9所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现音乐辅助睡眠的方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行音乐辅助睡眠的方法。本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的音乐辅助睡眠的方法可以实现为一种计算机程序的形式,计算机程序可在如图9所示的计算机设备上运行。计算机设备的存储器中可存储组成音乐辅助睡眠的装置的各个程序模板。比如,参数采集模块802,状态确定模块804,音乐确定模块806,睡眠辅助模块808。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中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下步骤:当检测到音乐辅助睡眠指令时,采集用户的睡眠参数;根据所述睡眠参数确定所述用户的睡眠状态;通过预设的基于机器学习的音乐辅助睡眠模型并根据所述睡眠状态确定目标曲目和对应的目标音量;以所述目标音量播放所述目标曲目,实现对所述用户的睡眠辅助。
在一个实施例中,所述睡眠参数包括所述用户的呼吸率、心率、温度和辗转次数;所述睡眠状态包括入睡状态、浅眠状态、深眠状态;所述根据所述睡眠参数确定所述用户的睡眠状态,包括:根据所述呼吸率、心率、温度和辗转次数以及对应的呼吸率阈值、心率阈值、温度阈值和辗转次数阈值,按照预设的计算方法计算得到所述睡眠状态。
在一个实施例中,所述方法还包括:获取样本集,所述样本集包括睡眠状态和对应曲目库及与所述目标曲目库对应的音量;根据所述样本集,训练音乐辅助睡眠模型。
在一个实施例中,所述根据所述样本集,训练音乐辅助睡眠模型,包括:获取机器学习分类器的离散参数取值集合;根据所述离散参数取值集合中的每个参数取值、所述样本集,训练与每个参数取值相应的机器学习分类器,并获得相应参数取值所对应机器学习分类器的分类预测正确率;筛选出最大的分类预测正确率并获取相应的参数取值和所述样本集,并根据获取的参数取值和所述样本集训练音乐辅助睡眠模型。
在一个实施例中,筛选出最大的分类预测正确率并获取相应的参数取值和所述样本集,并根据获取的参数取值和所述样本集训练音乐辅助睡眠模型,包括:筛选出最大的分类预测正确率所对应的参数取值;根据筛选出的参数取值确定参数取值扩展集合;根据所述参数取值扩展集合中的每个参数取值和所述样本集,再次训练与每个参数取值相应的机器学习分类器,并获得相应参数取值所对应机器学习分类器的分类预测正确率;从再次训练获得到的分类预测正确率中挑选最大的分类预测正确率;根据挑选出的分类预测正确率所对应的参数取值和所述样本集训练音乐辅助睡眠模型。
在一个实施例中,所述样本集包括睡眠状态和对应曲目库及与所述目标曲目库对应的音量,包括:通过网络爬虫技术爬取不同用户在不同睡眠状态播放的曲目及曲目的音量;对所述不同用户在不同睡眠状态播放的曲目及曲目的音量进行分析统计,生成所述样本集。
在一个实施例中,在所述不同用户在不同睡眠状态播放的曲目及曲目的音量进行分析统计,生成所述样本集后,还包括:对不同用户的深眠状态睡眠状态变化时,获取变化前的第一睡眠状态播放的第一曲目及第一曲目音量,以及变化后的第二睡眠状态播放的第二曲目及第二曲目音量;对所述第一睡眠状态播放的第一曲目及第一曲目音量,以及第二睡眠状态播放的第二曲目及第二曲目音量进行统计分析,生成所述样本集。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如下步骤:当检测到音乐辅助睡眠指令时,采集用户的睡眠参数;根据所述睡眠参数确定所述用户的睡眠状态;通过预设的基于机器学习的音乐辅助睡眠模型并根据所述睡眠状态确定目标曲目和对应的目标音量;以所述目标音量播放所述目标曲目,实现对所述用户的睡眠辅助。
在一个实施例中,所述睡眠参数包括所述用户的呼吸率、心率、温度和辗转次数;所述睡眠状态包括入睡状态、浅眠状态、深眠状态;所述根据所述睡眠参数确定所述用户的睡眠状态,包括:根据所述呼吸率、心率、温度和辗转次数以及对应的呼吸率阈值、心率阈值、温度阈值和辗转次数阈值,按照预设的计算方法计算得到所述睡眠状态。
在一个实施例中,所述方法还包括:获取样本集,所述样本集包括睡眠状态和对应曲目库及与所述目标曲目库对应的音量;根据所述样本集,训练音乐辅助睡眠模型。
在一个实施例中,所述根据所述样本集,训练音乐辅助睡眠模型,包括:获取机器学习分类器的离散参数取值集合;根据所述离散参数取值集合中的每个参数取值、所述样本集,训练与每个参数取值相应的机器学习分类器,并获得相应参数取值所对应机器学习分类器的分类预测正确率;筛选出最大的分类预测正确率并获取相应的参数取值和所述样本集,并根据获取的参数取值和所述样本集训练音乐辅助睡眠模型。
在一个实施例中,筛选出最大的分类预测正确率并获取相应的参数取值和所述样本集,并根据获取的参数取值和所述样本集训练音乐辅助睡眠模型,包括:筛选出最大的分类预测正确率所对应的参数取值;根据筛选出的参数取值确定参数取值扩展集合;根据所述参数取值扩展集合中的每个参数取值和所述样本集,再次训练与每个参数取值相应的机器学习分类器,并获得相应参数取值所对应机器学习分类器的分类预测正确率;从再次训练获得到的分类预测正确率中挑选最大的分类预测正确率;根据挑选出的分类预测正确率所对应的参数取值和所述样本集训练音乐辅助睡眠模型。
在一个实施例中,所述样本集包括睡眠状态和对应曲目库及与所述目标曲目库对应的音量,包括:通过网络爬虫技术爬取不同用户在不同睡眠状态播放的曲目及曲目的音量;对所述不同用户在不同睡眠状态播放的曲目及曲目的音量进行分析统计,生成所述样本集。
在一个实施例中,在所述不同用户在不同睡眠状态播放的曲目及曲目的音量进行分析统计,生成所述样本集后,还包括:对不同用户的深眠状态睡眠状态变化时,获取变化前的第一睡眠状态播放的第一曲目及第一曲目音量,以及变化后的第二睡眠状态播放的第二曲目及第二曲目音量;对所述第一睡眠状态播放的第一曲目及第一曲目音量,以及第二睡眠状态播放的第二曲目及第二曲目音量进行统计分析,生成所述样本集。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种音乐辅助睡眠的方法,其特征在于,包括:
当检测到音乐辅助睡眠指令时,采集用户的睡眠参数;
根据所述睡眠参数确定所述用户的睡眠状态,所述睡眠状态包括入睡状态、 浅眠状态或深眠状态,其中,所述浅眠状态为2个,第一个是从入睡状态变化为浅眠状态,第二个是从深眠状态变化为浅眠状态;第一个浅眠状态需要催眠音乐曲目,第二个则需要旋律缓和的曲目;
通过预设的基于机器学习的音乐辅助睡眠模型并根据所述睡眠状态确定目标曲目和对应的目标音量,其中,所述通过预设的基于机器学习的音乐辅助睡眠模型并根据睡眠状态确定目标曲目和对应的目标音量,包括:将所述用户的睡眠状态作为所述音乐辅助睡眠模型的输入,所述音乐辅助睡眠模型的输出为所述目标曲目和对应的目标音量;
以所述目标音量播放所述目标曲目,实现对所述用户的睡眠辅助;
其中,所述方法还包括:
获取样本集,所述样本集包括睡眠状态和对应曲目库及与所述目标曲目库对应的音量;
根据所述样本集,训练音乐辅助睡眠模型;
其中,所述获取样本集,所述样本集包括睡眠状态和对应曲目库及与所述目标曲目库对应的音量,包括:
通过网络爬虫技术爬取不同用户在不同睡眠状态播放的曲目及曲目的音量;
对所述不同用户在不同睡眠状态播放的曲目及曲目的音量进行分析统计,生成所述样本集;
其中,在所述不同用户在不同睡眠状态播放的曲目及曲目的音量进行分析统计,生成所述样本集后,还包括:
对不同用户的深眠状态睡眠状态变化时,获取变化前的第一睡眠状态播放的第一曲目及第一曲目音量,以及变化后的第二睡眠状态播放的第二曲目及第二曲目音量;
对所述第一睡眠状态播放的第一曲目及第一曲目音量,以及第二睡眠状态播放的第二曲目及第二曲目音量进行统计分析,生成所述样本集;
其中,所述根据所述样本集,训练音乐辅助睡眠模型,包括:
获取机器学习分类器的离散参数取值集合;
根据所述离散参数取值集合中的每个参数取值、所述样本集,训练与每个参数取值相应的机器学习分类器,并获得相应参数取值所对应机器学习分类器的分类预测正确率;
筛选出最大的分类预测正确率并获取相应的参数取值和所述样本集,并根据获取的参数取值和所述样本集训练音乐辅助睡眠模型;
其中,所述筛选出最大的分类预测正确率并获取相应的参数取值和所述样本集,并根据获取的参数取值和所述样本集训练音乐辅助睡眠模型,包括:
筛选出最大的分类预测正确率所对应的参数取值;
根据筛选出的参数取值确定参数取值扩展集合;
根据所述参数取值扩展集合中的每个参数取值和所述样本集,再次训练与每 个参数取值相应的机器学习分类器,并获得相应参数取值所对应机器学习分类器的分类预测正确率;
从再次训练获得到的分类预测正确率中挑选最大的分类预测正确率;
根据挑选出的分类预测正确率所对应的参数取值和所述样本集训练音乐辅助睡眠模型。
2.根据权利要求1所述的方法,其特征在于,所述睡眠参数包括所述用户的呼吸率、心率、温度和辗转次数;
所述根据所述睡眠参数确定所述用户的睡眠状态,包括:
根据所述呼吸率、心率、温度和辗转次数以及对应的呼吸率阈值、心率阈值、温度阈值和辗转次数阈值,按照预设的计算方法计算得到所述睡眠状态。
3.一种音乐辅助睡眠的装置,其特征在于,所述音乐辅助睡眠的装置包括:
参数采集模块,用于当检测到音乐辅助睡眠指令时,采集用户的睡眠参数;
状态确定模块,用于根据所述睡眠参数确定所述用户的睡眠状态,所述睡眠状态包括入睡状态、浅眠状态或深眠状态,其中,所述浅眠状态为2个,第一个是从入睡状态变化为浅眠状态,第二个是从深眠状态变化为浅眠状态;第一个浅眠状态需要催眠音乐曲目,第二个则需要旋律缓和的曲目;
音乐确定模块,用于通过预设的基于机器学习的音乐辅助睡眠模型并根据所述睡眠状态确定目标曲目和对应的目标音量,其中,所述通过预设的基于机器学习的音乐辅助睡眠模型并根据睡眠状态确定目标曲目和对应的目标音量,包括:将所述用户的睡眠状态作为所述音乐辅助睡眠模型的输入,所述音乐辅助睡眠模型的输出为所述目标曲目和对应的目标音量;
睡眠辅助模块,用于以所述目标音量播放所述目标曲目,实现对所述用户的睡眠辅助;
其中,所述装置还用于:获取样本集,所述样本集包括睡眠状态和对应曲目库及与所述目标曲目库对应的音量;根据所述样本集,训练音乐辅助睡眠模型;
其中,所述获取样本集,所述样本集包括睡眠状态和对应曲目库及与所述目标曲目库对应的音量,包括:通过网络爬虫技术爬取不同用户在不同睡眠状态播放的曲目及曲目的音量;对所述不同用户在不同睡眠状态播放的曲目及曲目的音量进行分析统计,生成所述样本集;
其中,在所述不同用户在不同睡眠状态播放的曲目及曲目的音量进行分析统计,生成所述样本集后,还包括:对不同用户的深眠状态睡眠状态变化时,获取变化前的第一睡眠状态播放的第一曲目及第一曲目音量,以及变化后的第二睡眠状态播放的第二曲目及第二曲目音量;对所述第一睡眠状态播放的第一曲目及第一曲目音量,以及第二睡眠状态播放的第二曲目及第二曲目音量进行统计分析,生成所述样本集;
其中,所述根据所述样本集,训练音乐辅助睡眠模型,包括:获取机器学习分类器的离散参数取值集合;根据所述离散参数取值集合中的每个参数取值、所述样本集,训练与每个参数取值相应的机器学习分类器,并获得相应参数取值所对应机器学习分类器的分类预测正确率;筛选出最大的分类预测正确率并获取相应的参数取值和所述样本集,并根据获取的参数取值和所述样本集训练音乐辅助睡眠模型;
其中,所述筛选出最大的分类预测正确率并获取相应的参数取值和所述样本集,并根据获取的参数取值和所述样本集训练音乐辅助睡眠模型,包括:筛选出最大的分类预测正确率所对应的参数取值;根据筛选出的参数取值确定参数取值扩展集合;根据所述参数取值扩展集合中的每个参数取值和所述样本集,再次训练与每 个参数取值相应的机器学习分类器,并获得相应参数取值所对应机器学习分类器的分类预测正确率;从再次训练获得到的分类预测正确率中挑选最大的分类预测正确率;根据挑选出的分类预测正确率所对应的参数取值和所述样本集训练音乐辅助睡眠模型。
4.一种计算机设备,其特征在于,包括存储器、处理器以及存储在所述存储器中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至2任一项所述音乐辅助睡眠的方法的步骤。
5.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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至2任一项所述音乐辅助睡眠的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010578242.4A CN111790038B (zh) | 2020-06-23 | 2020-06-23 | 音乐辅助睡眠的方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010578242.4A CN111790038B (zh) | 2020-06-23 | 2020-06-23 | 音乐辅助睡眠的方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111790038A CN111790038A (zh) | 2020-10-20 |
CN111790038B true CN111790038B (zh) | 2024-03-29 |
Family
ID=72803630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010578242.4A Active CN111790038B (zh) | 2020-06-23 | 2020-06-23 | 音乐辅助睡眠的方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111790038B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112354064B (zh) * | 2020-11-30 | 2021-11-02 | 上海交通大学 | 一种音乐辅助治疗系统 |
CN114366986B (zh) * | 2022-01-13 | 2023-11-24 | 上海工程技术大学 | 一种辅助睡眠的方法、介质和可穿戴设备 |
CN114699043A (zh) * | 2022-03-10 | 2022-07-05 | 珠海格力电器股份有限公司 | 睡眠检测方法、装置、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616678A (zh) * | 2014-12-29 | 2015-05-13 | 广东欧珀移动通信有限公司 | 一种音乐播放控制方法及装置 |
CN105225679A (zh) * | 2015-09-23 | 2016-01-06 | 广东小天才科技有限公司 | 一种调整音乐的方法及装置 |
CN106730239A (zh) * | 2017-02-07 | 2017-05-31 | 陈大庆 | 一种基于脑电波监测的闭环催眠头罩 |
CN107126615A (zh) * | 2017-04-20 | 2017-09-05 | 重庆邮电大学 | 基于脑电信号的音乐诱导睡眠方法及系统 |
CN107885816A (zh) * | 2017-11-06 | 2018-04-06 | 广东欧珀移动通信有限公司 | 音乐推荐的方法、装置、存储介质及终端设备 |
CN108287816A (zh) * | 2017-01-10 | 2018-07-17 | 腾讯科技(深圳)有限公司 | 兴趣点在线检测、机器学习分类器训练方法和装置 |
CN108837273A (zh) * | 2018-04-10 | 2018-11-20 | 广东小天才科技有限公司 | 一种辅助睡眠的播放控制方法及终端设备 |
CN109568766A (zh) * | 2019-01-30 | 2019-04-05 | 浙江强脑科技有限公司 | 音频播放方法、装置及计算机可读存储介质 |
CN109688500A (zh) * | 2018-12-25 | 2019-04-26 | 湖北工业大学 | 基于用户睡眠特征模型的智能睡眠耳机及使用方法 |
CN110433384A (zh) * | 2019-07-24 | 2019-11-12 | 喜临门家具股份有限公司 | 一种睡眠音乐系统 |
CN110841169A (zh) * | 2019-11-28 | 2020-02-28 | 中国科学院深圳先进技术研究院 | 一种用于睡眠调节的深度声音刺激系统和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8573980B2 (en) * | 2011-04-04 | 2013-11-05 | Sheepdog Sciences, Inc. | Apparatus, system, and method for modulating consolidation of memory during sleep |
-
2020
- 2020-06-23 CN CN202010578242.4A patent/CN111790038B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616678A (zh) * | 2014-12-29 | 2015-05-13 | 广东欧珀移动通信有限公司 | 一种音乐播放控制方法及装置 |
CN105225679A (zh) * | 2015-09-23 | 2016-01-06 | 广东小天才科技有限公司 | 一种调整音乐的方法及装置 |
CN108287816A (zh) * | 2017-01-10 | 2018-07-17 | 腾讯科技(深圳)有限公司 | 兴趣点在线检测、机器学习分类器训练方法和装置 |
CN106730239A (zh) * | 2017-02-07 | 2017-05-31 | 陈大庆 | 一种基于脑电波监测的闭环催眠头罩 |
CN107126615A (zh) * | 2017-04-20 | 2017-09-05 | 重庆邮电大学 | 基于脑电信号的音乐诱导睡眠方法及系统 |
CN107885816A (zh) * | 2017-11-06 | 2018-04-06 | 广东欧珀移动通信有限公司 | 音乐推荐的方法、装置、存储介质及终端设备 |
CN108837273A (zh) * | 2018-04-10 | 2018-11-20 | 广东小天才科技有限公司 | 一种辅助睡眠的播放控制方法及终端设备 |
CN109688500A (zh) * | 2018-12-25 | 2019-04-26 | 湖北工业大学 | 基于用户睡眠特征模型的智能睡眠耳机及使用方法 |
CN109568766A (zh) * | 2019-01-30 | 2019-04-05 | 浙江强脑科技有限公司 | 音频播放方法、装置及计算机可读存储介质 |
CN110433384A (zh) * | 2019-07-24 | 2019-11-12 | 喜临门家具股份有限公司 | 一种睡眠音乐系统 |
CN110841169A (zh) * | 2019-11-28 | 2020-02-28 | 中国科学院深圳先进技术研究院 | 一种用于睡眠调节的深度声音刺激系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111790038A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111790038B (zh) | 音乐辅助睡眠的方法、装置、计算机设备及存储介质 | |
Maier et al. | DeepFlow: Detecting optimal user experience from physiological data using deep neural networks. | |
Keren et al. | End-to-end learning for dimensional emotion recognition from physiological signals | |
CN114052735B (zh) | 一种基于深度领域自适应的脑电情绪识别方法及系统 | |
CN113729707A (zh) | 一种基于fecnn-lstm的眼动和ppg多模态融合的情感识别方法 | |
CN110853605B (zh) | 音乐生成方法、装置及电子设备 | |
US11331025B2 (en) | Drowsy-driving prevention method and drowsy-driving prevention system | |
CN107577991B (zh) | 随访数据处理方法、装置、存储介质和计算机设备 | |
Nurwanto et al. | Light sport exercise detection based on smartwatch and smartphone using k-Nearest Neighbor and Dynamic Time Warping algorithm | |
CN108937866A (zh) | 睡眠状态的监测方法及装置 | |
CN111000556A (zh) | 一种基于深度模糊森林的情绪识别方法 | |
CN111297327A (zh) | 一种睡眠分析方法、系统、电子设备及存储介质 | |
Kumar et al. | Comparison of Machine learning models for Parkinson’s Disease prediction | |
Nishikawa et al. | Detecting system Alzheimer’s dementia by 1d CNN-LSTM in Japanese speech | |
Louis et al. | On biometric systems: electrocardiogram Gaussianity and data synthesis | |
JP2018190318A (ja) | データ収集装置及び学習装置 | |
Wang et al. | A shallow convolutional neural network for classifying MI-EEG | |
CN112560811B (zh) | 端到端的音视频抑郁症自动检测研究方法 | |
Ding et al. | Gign: Learning graph-in-graph representations of eeg signals for continuous emotion recognition | |
US20220180129A1 (en) | Fcn-based multivariate time series data classification method and device | |
CN114742107A (zh) | 信息服务中的感知信号的识别方法及相关设备 | |
KR102467774B1 (ko) | 사용자의 학습 집중력을 지원하기 위한 방법 및 장치 | |
Nakisa | Emotion classification using advanced machine learning techniques applied to wearable physiological signals data | |
CN114417969A (zh) | 基于细粒度迁移的跨场景认知能力评估方法及系统 | |
He et al. | Identification of EEG-based Music Emotion Using Hybrid COA features and t-SNE |
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 |