CN113228196A

CN113228196A - 用于优化用于计算睡眠得分的睡眠相关参数的系统和方法

Info

Publication number: CN113228196A
Application number: CN201980086551.5A
Authority: CN
Inventors: G·N·加西亚·默里纳
Original assignee: Koninklijke Philips NV
Current assignee: Koninklijke Philips NV
Priority date: 2018-12-27
Filing date: 2019-12-20
Publication date: 2021-08-06
Anticipated expiration: 2039-12-20
Also published as: WO2020136128A1; CN113228196B; US20200205728A1; EP3903317A1; US11712199B2; JP7448542B2; JP2022515484A

Abstract

本公开涉及优化睡眠得分参数。在一个实施例中，获得第一矢量集合，其中每个矢量包括用于计算睡眠得分的睡眠相关参数的参数值。针对第一集合中的每个矢量，确定相关值，该相关值指示矢量与用户指示睡眠得分之间的相关度，用户指示睡眠得分与表示用户的睡眠度量的参数值集合相关联。基于分别满足第一准则和第二准则的第一矢量集合的第一子集和第二子集来生成第二矢量集合。确定与第二集合中的每个矢量相关联的相关值。针对每个睡眠相关参数，基于与第二集合相关联的相关值分配第二集合的给定矢量的参数值。

Description

用于优化用于计算睡眠得分的睡眠相关参数的系统和方法

技术领域

本公开涉及一种用于促进用于计算睡眠得分的睡眠相关参数优化的系统和方法。

背景技术

用于监测睡眠的系统是已知的。用于计算睡眠得分的技术是已知的。睡眠得分可以经由减法的方法来计算，其中得分点基于使用来自个体睡眠期的睡眠数据计算出的睡眠相关因素而被从初始值中减去。睡眠相关因素是使用初始化的睡眠相关参数值来确定的。为了对个体有意义，睡眠得分应该清楚而简单地传达睡眠得分是如何确定的。此外，睡眠得分应与个体对睡眠期的主观分析密切相关。然而，用于确定睡眠得分的当前系统可能不清楚并且可能无法准确反映个体的主观睡眠分析。本公开克服了这种系统中的缺陷。

发明内容

因此，本公开的一个或多个方面涉及一种用于优化睡眠得分参数的方法。该方法包括获得第一矢量集合，其中第一矢量集合中的每个矢量包括用于计算睡眠得分的睡眠相关参数的参数值。针对第一矢量集合中的每个矢量，确定与该矢量相关联的相关值，针对该矢量的相关值指示该矢量与用户指示睡眠得分之间的相关量，用户指示睡眠得分与表示用户的睡眠度量的参数值集合相关联。该方法包括：基于以下项来生成第二矢量集合(i)第一矢量集合的第一子集，该第一子集具有满足第一准则的相关值，以及(ii)第一矢量集合的第二子集，该第二子集具有满足第二准则的相关值。针对第二矢量集合中的每个矢量，确定与该矢量相关联的相关值，使得针对该矢量的相关值指示该矢量与该用户指示睡眠得分之间的相关量。针对睡眠相关参数中的每个参数，基于与第二矢量集合相关联的相关值，将第二矢量集合的给定矢量的参数值分配给睡眠相关参数中的参数。

本公开的另一方面涉及一种用于优化睡眠得分参数的系统。该系统包括存储器和一个或多个处理器，该一个或多个处理器由存储器存储的机器可读指令配置为：获得第一矢量集合，其中第一矢量集合中的每个矢量包括用于计算睡眠得分的睡眠相关参数的参数值。针对第一矢量集合中的每个矢量，确定与该矢量相关联的相关值，该矢量的相关值指示该矢量与用户指示睡眠得分之间的相关量，该用户指示睡眠得分与表示用户的睡眠度量的参数值集合相关联。一个或多个处理器被机器可读指令配置为：基于以下项来生成第二矢量集合(i)第一矢量集合的第一子集，该第一子集具有满足第一准则的相关值，以及(ii)第一矢量集合的第二子集，该第二子集具有满足第二准则的相关值第二矢量集合。针对第二矢量集合中的每个矢量，确定与该矢量相关联的相关值，使得针对该矢量的相关值指示该矢量与该用户指示睡眠得分之间的相关量。一个或多个处理器由机器可读指令配置为：针对睡眠相关参数中的每个参数，基于与第二矢量集合相关联的相关值，将第二矢量集合的给定矢量的参数值分配给睡眠相关参数中的参数。

本公开的又一方面涉及一种用于优化睡眠得分参数的系统。该系统包括：用于获得第一矢量集合的部件，其中第一矢量集合中的每个矢量包括用于计算睡眠得分的睡眠相关参数的参数值；用于针对第一矢量集合中的每个矢量来确定与该矢量相关联的相关值的部件，针对该矢量的相关值指示该矢量与用户指示睡眠得分之间的相关程度，该用户指示睡眠得分与表示用户的睡眠度量的参数值集合相关联；用于基于以下项来生成第二矢量集合的部件：(i)第一矢量集合的第一子集，该第一子集具有满足第一准则的相关值，以及(ii)第一矢量集合的第二子集，该第二子集具有满足第二准则的相关值；用于针对第二矢量集合中的每个矢量来确定与该矢量相关联的相关值的部件，使得针对该矢量的相关值指示该矢量与该用户指示睡眠得分之间的相关量；以及用于如下操作的部件：针对睡眠相关参数中的每个参数，基于与第二矢量集合相关联的相关值，将第二矢量集合中的给定矢量的参数值分配给睡眠相关参数中的参数。

本公开的这些和其他目的、特征和特性，以及结构的相关元件的操作方法和功能以及部件的组合和制造的经济性，都将在考虑到参考附图的以下描述和所附权利要求时变得更加明显，所有这些都形成本说明书的一部分，其中相同的附图标号指明各个附图中的对应部分。然而，应当清楚地理解，附图仅用于说明和描述的目的，并不旨在作为对本公开的限制的定义。

附图说明

图1A是根据各种实施例的被配置为促进睡眠相关参数优化的示例性系统的示意图示；

图1B是根据各种实施例的用于确定是否要执行睡眠相关参数优化的示例性过程的说明性流程图；

图2是根据各种实施例的基于多个睡眠相关参数所生成的染色体矢量的说明图，该多个睡眠相关参数针对各种睡眠因素而被用来计算睡眠得分；

图3是根据各种实施例描述总睡眠时间与对应的睡眠得分点扣除之间的关系的说明图；

图4是根据各种实施例描述用户入睡之后醒来的次数与对应的睡眠得分点扣除之间的关系的说明图；

图5是根据各种实施例描述入睡延迟时间与对应的睡眠得分点扣除之间的关系的说明图；

图6是根据各种实施例描述睡眠中断数量与对应的睡眠得分点扣除之间的关系的说明图；

图7是根据各种实施例描述N3睡眠持续时间与对应的睡眠得分点扣除之间的关系的说明图；

图8是根据各种实施例描述REM睡眠持续时间与对应的睡眠得分点扣除之间的关系的说明图；

图9是根据各种实施例描述就寝时间偏差与对应的睡眠得分点扣除之间的关系的说明图；

图10是根据各种实施例描述起床时间偏差与对应的睡眠得分点扣除之间的关系的说明图；

图11A-图11C是根据各种实施例描述针对不同年龄组的累积慢波活动(“CSWA”)与N3睡眠时间之间的关系的说明图；

图12是根据各种实施例描述CSWA值与对应的睡眠得分奖励之间的关系的说明图；

图13是根据各种实施例显示睡眠得分和用于确定睡眠得分的各种睡眠相关参数的计算值的示例界面的说明图；

图14是根据各种实施例的各种睡眠因素和用于生成染色体矢量的初始集合的每个睡眠相关参数的值的说明图；

图15是根据各种实施例的用于基于为染色体矢量的集合中的每个矢量所确定的相关值将参数值分配给矢量的示例性过程的说明性流程图；以及

图16是根据各种实施例的用于基于染色体矢量的初始集合和关于用户的用户指示睡眠得分的相关值来生成染色体矢量的新集合的示例性过程的说明性流程图。

具体实施方式

如本文中所使用的，除非上下文另有明确规定，否则单数形式的“一”、“一个”和“该”包括复数形式。如本文中所使用的，除非上下文另有明确规定，否则术语“或”意指“和/或”。如本文中所使用的，术语“数量”应意指一或大于一的整数(即，多个)。

图1A是根据各种实施例的被配置为促进睡眠相关参数优化的示例性系统的示意图示。在一个实施例中，系统100包括第一客户端设备110、一个或多个计算系统120、一个或多个用户历史数据库140和一个或多个参考数据库145。客户端设备110、(一个或多个)计算系统120、(一个或多个)用户历史数据库140和(一个或多个)参考数据库145可以经由(一个或多个)网络130而彼此通信。例如，客户端设备110和(一个或多个)计算系统120可以通过内联网和/或互联网来进行通信。

在一些实施例中，客户端设备110或计算系统120被配置为监测用户的活动并存储由一个或多个传感器108检测到的输入。(一个或多个)传感器108可以包括能够测量关联的用户的一个或多个参数的任何合适的传感器。例如，(一个或多个)传感器108可以包括一个或多个加速度计、一个或多个陀螺仪、一个或多个脉搏率监测器、一个或多个呼吸监测设备和/或一个或多个脑电图(“EEG”)设备。在一个实施例中，(一个或多个)传感器108被配置为以预定义的时间间隔进行测量。例如，(一个或多个)传感器108可以(例如，由(一个或多个)处理器102使用由存储器104存储的指令)被配置为以特定的时间间隔(例如，每秒)进行“样本”测量。采样率——即(一个或多个)传感器108进行测量的频率——可以由客户端设备110配置并且取决于(一个或多个)传感器108的类型以及测量的类型。在一个实施例中，采样率是动态的并且可以基于(一个或多个)传感器108的类型和测量类型来设置。在一个实施例中，采样率由用户操作客户端设备110而被设置，其中用户基于用户对(一个或多个)传感器108的类型的适当确定来手动选择采样率。例如，如果(一个或多个)传感器108是脉搏率监测器，那么客户端设备110可以将采样率配置为10kHz。作为另一个示例，如果(一个或多个)传感器108是加速度计，则客户端设备110可以将采样率配置为1,000kHz。

在一个实施例中，客户端设备110包括任何合适类型的电子设备，诸如但不限于：台式计算机、移动计算机(例如膝上型计算机、超极本等)、移动电话、智能电话、平板电脑、个人数字助理(“PDA”)和/或可穿戴设备(例如手表、别针/胸针、耳机等)。此外，在说明性实施例中，客户端设备110包括一个或多个处理器102、存储器104、通信电路装置106(“comms”)和输入/输出(“I/O”)接口112。

(一个或多个)处理器102包括能够控制客户端设备110的操作和功能性以及促进客户端设备110内的各种组件之间的通信的任何合适的处理电路装置。在一个实施例中，(一个或多个)处理器102可以包括中央处理器处理单元(“CPU”)、图形处理单元(“GPU”)、一个或多个微处理器、数字信号处理器或任何其他类型的处理器，或其任何组合。在另一个实施例中，(一个或多个)处理器102的功能性由一个或多个硬件逻辑组件执行，包括但不限于：现场可编程门阵列(“FPGA”)、专用集成电路(“ASIC”)、专用标准产品(“ASSP”)、片上系统(“SOC”)和/或复杂可编程逻辑器件(“CPLD”)。此外，(一个或多个)处理器102中的每个能够包括其自己的本地存储器，其可以存储程序系统、程序数据和/或一个或多个操作系统。然而，(一个或多个)处理器102能够运行用于客户端设备110的操作系统(“OS”)和/或一个或多个固件应用、媒体应用和/或驻留在其上的应用。

在一个实施例中，存储器104包括一种或多种类型的存储介质，诸如任何易失性或非易失性存储器，或者以任何适当方式实现以存储用于客户端设备110的数据的任何可移动或不可移动的存储器。例如，可以使用计算机可读指令、数据结构和/或程序系统来存储信息。各种类型的存储装置/存储器可以包括但不限于硬盘驱动器、固态驱动器、闪存、永久存储器(例如，ROM)、电子可擦除可编程只读存储器(“EEPROM”)、CDROM、数字多功能磁盘(“DVD”)或其他光存储介质、盒式磁带、磁带、磁盘存储装置或其他磁存储设备、RAID存储系统或任何其他存储类型，或其任何组合。此外，存储器104可以被实现为计算机可读存储介质(“CRSM”)，其可以是处理器102可访问以执行存储在存储器104内的一个或多个指令的任何可用物理介质。例如，存储器104可以存储机器可读指令，指令在被执行时使(一个或多个)处理器102执行各种操作。在一个实施例中，与使用(一个或多个)处理器102执行一个或多个应用(例如，睡眠跟踪应用、心率监测应用等)相关联的机器可读指令被存储在存储器104中。

在一个实施例中，通信电路装置106包括允许或使得客户端设备110的一个或多个组件能够彼此通信和/或与一个或多个附加设备、服务器和/或系统(例如，(一个或多个)计算系统120、用户历史数据库140、参考数据库145)进行通信的任何电路装置。作为说明性示例，由(一个或多个)传感器108获得的数据可以通过诸如互联网的网络130使用任意数量的通信协议而被传输到(一个或多个)计算系统120。例如，(一个或多个)网络130能够使用传输控制协议和互联网协议(“TCP/IP”)(例如，在每个TCP/IP层中使用的任何协议)、超文本传输协议(“HTTP”)、WebRTC、SIP和无线应用协议(“WAP”)来访问，其是可以被用来促进客户端设备110和(一个或多个)计算系统120之间的通信的各种类型的协议中的一些。在一个实施例中，客户端设备110和(一个或多个)计算系统120使用HTTP经由网络浏览器而彼此通信。被用来促进系统100的一个或多个设备之间的通信的各种附加通信协议包括但不限于Wi-Fi(例如，802.11协议)、蓝牙、射频系统(例如，900MHz、1.4GHz和5.6GHz通信系统)、蜂窝网络(例如，GSM、AMPS、GPRS、CDMA、EV-DO、EDGE、3GSM、DECT、IS136/TDMA、iDen、LTE或任何其他合适的蜂窝网络协议)、红外线、BitTorrent、FTP、RTP、RTSP、SSH和/或VOIP。通信电路装置106能够使用一个或多个通信协议，诸如前面提及的示例性通信协议中的任何一个。在一个实施例中，客户端设备110包括一个或多个天线以使用各种无线技术(例如，Wi-Fi、蓝牙、射频等)促进与网络(例如，(一个或多个)网络130)的无线通信。在又一个实施例中，客户端设备110包括一个或多个通用串行总线(“USB”)端口、一个或多个以太网或宽带端口和/或任何其他类型的硬线接入端口，以使得通信电路装置106允许客户端设备110与一个或多个通信网络(例如，(一个或多个)网络130)进行通信。

I/O接口112被配置为从一个或多个外部源接收输入数据或作为来自例如用户的一个或多个输入的结果。I/O接口112还被配置为以各种数据格式输出数据，诸如但不限于音频、视频、图像、文本文件、电子邮件等。各种示例I/O接口包括一个或多个麦克风或其他音频输入设备、一个或多个扬声器或其他音频输出设备、一个或多个输入机制(例如按钮、旋钮、开关等)、一个或多个相机或其他图像捕获设备，和/或一个或多个显示屏。例如，客户端设备110可以包括任何合适大小和/或形状的显示屏。各种类型的显示器包括但不限于液晶显示器(“LCD”)、单色显示器、彩色图形适配器(“CGA”)显示器、增强型图形适配器(“EGA”)显示器、可变图形阵列(“VGA”)显示器或任何其他类型的显示器，或其任何组合。在一个实施例中，客户端设备110包括触摸屏，诸如包括电容感测面板的触摸屏，电容感测面板能够识别其上的触摸输入。例如，触摸屏可以是投射电容式触摸(“PCT”)屏幕，其中PCT屏幕包括一个或多个行迹线和/或驱动线迹线，以及一个或多个列迹线和/或感测线。

在一个实施例中，当用户睡眠时，客户端设备110监测用户的睡眠活动。睡眠活动可以包括用户的运动、用户的脉搏率、用户的呼吸率、用户的脑电波活动或其任何组合。作为示例，客户端设备110可以是被配置为在睡眠期期间监测用户的移动的可穿戴睡眠跟踪设备。在一个实施例中，客户端设备110被配置为经由(一个或多个)网络130将与用户的睡眠期相关联的数据发送到(一个或多个)计算系统120。在一个实施例中，客户端设备110在睡眠期结束时向(一个或多个)计算系统提供数据120。备选地或附加地，客户端设备110被配置为周期性地(例如，每5-10分钟)向(一个或多个)计算系统120发送数据。

在一个实施例中，客户端设备110还被配置为向用户提供输入机制以输入针对给定的睡眠期的睡眠评级。例如，可以经由显示屏(例如，I/O界面112)显示图形用户界面(“GUI”)，并且GUI可以指示针对给定的睡眠期的所计算的睡眠得分。在一个实施例中，GUI还包括用户输入针对睡眠期的“评级”的选项。例如，用户可能能够输入数字值，例如0-100之间的整数，以反映用户对其睡眠期的主观评级。向(一个或多个)计算系统120提供用户提供的睡眠得分，其在本文中也可以被称为“用户指示睡眠得分”或“用户指示睡眠得分”。附加地或备选地，用户指示睡眠得分被提供给(一个或多个)用户历史数据库140以与针对用户的睡眠期的所计算的睡眠得分一起进行存储。用户指示睡眠得分还可以包括一个或多个其他主观评级，其由用户关于用户的睡眠期或关于客观因素计算出的睡眠得分而提供。

在一个实施例中，(一个或多个)计算系统120包括相关子系统122、优化子系统124和提取子系统126。子系统122至126中的每个被配置为执行与基于从客户端设备110获得的数据计算用户睡眠得分相关联的一个或多个操作，诸如执行用户指示睡眠得分与所计算的睡眠得分之间的相关性，优化用于计算睡眠得分的睡眠相关参数值，以及基于用户睡眠数据与优化的(或待优化的)睡眠相关参数值来计算睡眠得分。在一个实施例中，(一个或多个)计算系统120包括(一个或多个)处理器102、存储器104和通信电路装置104的一个或多个实例，它们的功能性与客户端设备110的功能性相似。在一个实施例中，子系统122至126驻留在分开的计算系统120(例如，分布式计算系统)上或在单个计算系统120上。

在一个实施例中，每个子系统包括一个或多个计算机程序，这些程序在执行时使子系统的一个或多个功能性得以执行。例如，计算系统120被配置为针对特定睡眠期或睡眠期的集合而确定用户的睡眠得分。例如，存储在计算机系统120的存储器内的一个或多个计算机程序可以使一个或多个睡眠得分扣除和/或睡眠得分奖励被计算，并且(一个或多个)这些扣除和/或奖励被用来计算针对给定睡眠期的特定睡眠得分。(一个或多个)计算系统120被配置为从客户端设备110接收与睡眠期相关联的数据并且确定与睡眠期相关联的一个或多个睡眠度量。例如，睡眠体系结构、睡眠连续性、入睡和/或睡醒时间都是能够针对特定睡眠期而确定的示例性度量类型。例如，睡眠体系结构包括每个睡眠阶段(例如，N3、N2、N1、REM等)的持续时间、每个睡眠阶段的延迟和/或每个睡眠阶段的生存曲线(survivalcurve)。

用户历史数据库140存储与用户的睡眠期的历史相关联的信息。例如，用户历史数据库140可以存储指示特定用户的一个或多个入睡时间、一个或多个睡醒时间等的信息。在一个实施例中，特定用户的历史睡眠信息由用户历史数据库140存储，并且能够由(一个或多个)计算系统120经由网络130访问。在一个实施例中，用户历史数据库140包括离散存储块，利用其来存储与特定用户的睡眠历史相关联的信息。例如，计算系统120的每个用户可以将他们自己的睡眠信息存储在用户历史数据库140的一部分内。所存储的睡眠信息包括针对特定用户的计算睡眠得分，以及由用户提供的用户指示睡眠得分。在一个实施例中，所计算的睡眠得分和用户指示睡眠得分一起被存储，或者基于与它们对应的特定睡眠期相关联的标识符而进行链接。在一个实施例中，在一段时间(例如，一周、一个月等)的每个睡眠期内的用户指示睡眠得分与所计算的睡眠得分之间的相关性由相关子系统122确定，其在下面参考图2和图15进行更详细描述。

参考数据库145存储与属于与客户端设备110相关联的用户的数据相关联的信息。例如，参考数据库145可以存储指示用户的年龄、性别、地理定位和/或时间类型(chronotype)的信息。在一个实施例中，用于计算用户的睡眠相关参数的参数值被存储在参考数据库中。例如，参考数据库145可以存储针对每个睡眠相关参数的优化值，然后可以使用这些优化值来计算该用户的后续睡眠得分。在一个实施例中，对睡眠相关参数的参数值进行优化由优化子系统124执行，其在下面参考图2、图15和图16进行更详细描述。

在一个实施例中，提取子系统126被配置为基于来自优化系统的输出来提取针对每个睡眠相关参数的优化参数值，如下面参考图2、图15和图16更详细描述的那样。例如，优化子系统124可以确定与睡眠得分矢量相关联的睡眠得分，该睡眠得分矢量被确定为与由用户提供并存储在(一个或多个)用户历史数据库140中的用户指示睡眠得分信息最相关。基于睡眠得分矢量，提取子系统126被配置为提取睡眠相关参数的优化参数值。优化的睡眠相关参数然后被存储在例如参考数据库145中。

在一个实施例中，(一个或多个)计算系统120被配置为确定与特定睡眠期相关联的扣除次数，以及每次扣除的量(例如，严重性/幅度)。为此，可以执行与特定睡眠期相关联的睡眠度量与先前已经获得的参考睡眠度量(例如，用户历史睡眠信息、参考睡眠信息)之间的比较。(一个或多个)计算系统120被配置为使用这些比较来确定与第一睡眠期相关的一个或多个即时值。例如，即时值可以包括要被应用于睡眠得分的一个或多个扣除。

虽然在(一个或多个)计算系统120关于用户睡眠期数据执行分析的上下文中描述了上述和前述内容，但是本领域普通技术人员将认识到，在一个实施例中，客户端设备110被配置为执行该相同分析的一部分或全部。比如，客户端设备110的存储器104可以存储机器可读指令，以用于执行一个或多个过程(例如，图15的过程1500、图16的过程1600)以优化睡眠相关参数值。备选地或附加地，客户端设备110的存储器104能够存储机器可读指令，该机器可读指令用于执行一个或多个过程以用于确定睡眠得分扣除、睡眠得分奖励，并且将睡眠得分扣除和睡眠得分奖励应用于初始睡眠得分值以确定给定的睡眠期的睡眠得分。

在一个实施例中，使用七种不同类型的睡眠扣除。在该实施例中，扣除与以下项中的一个或多个相对应：总睡眠时间(“TST”)、在入睡时间和醒来时间之间清醒花费的总时间(例如，入睡后清醒(“WASO”))、在睡眠期期间发生的睡眠中断(例如，清醒时段超过入睡与醒来之间的阈值时间量)的次数、取决于入睡和睡醒时间的规律的睡眠例程，入睡延迟(“SOL”)(例如，用于入睡的时间的持续时间)、基于N3睡眠持续时间的扣除(例如，“深度睡眠”)以及基于REM睡眠持续时间的扣除。本领域普通技术人员将认识到，上述睡眠扣除类型列表仅是示例性的，并且更多或更少的睡眠扣除类型可以被采用。此外，基于用户的年龄和检测到的慢波大脑活动，奖励针对用户表现出的某些积极睡眠行为或干预效果(例如增强睡眠慢波的听觉刺激)而被应用。

在示例性实施例中，(一个或多个)计算系统120以初始睡眠期得分开始。对于在特定睡眠期内确定的每个扣除，扣除被添加到初始睡眠期得分。在一个实施例中，扣除为负(例如，<0)。备选地，例如，扣除可以从初始睡眠期得分中被减去，并且因此扣除为正(例如，>0)。在针对初始睡眠期得分应用(例如，添加/减去)每个扣除之后，获得新的睡眠期得分。在一个实施例中，经由I/O接口112向用户提供新的睡眠期得分。例如，如果I/O组件112包括显示设备，则(一个或多个)计算系统120可以使新的睡眠期得分经由显示设备由图形用户界面显示。在一个实施例中，睡眠得分被呈现为整数值。例如，睡眠得分是0到100之间的整数。在一个实施例中，除了新的睡眠期得分之外，还向用户显示与计算的睡眠期得分相关联的睡眠因素的幅度。例如，在显示屏上显示一个界面，其指示用户醒着的次数，以及用户醒着的次数如何与用于计算当前睡眠期得分相关的特定参数的特定参数值相关联，如图13中所图示。

在一个实施例中，除了提供用于显示所计算的睡眠得分的界面之外，用户可以输入针对睡眠期的评级。用户指示的评级或用户指示睡眠得分允许用户输入他们自己的评级以指示他/她认为他们的睡眠期如何，即，他/她的睡眠期的质量。所计算的睡眠得分应该接近用户指示睡眠得分，以便用户确信所计算的睡眠得分准确地反映了他们的睡眠质量。例如，如果计算的睡眠得分是80，而用户指示睡眠得分也是80，那么所计算的睡眠得分度量准确地反映了用户自己对他/她的睡眠质量的评估。但是，如果计算的睡眠得分是80，而用户指示睡眠得分是20，则所计算的睡眠得分度量并不能准确地反映用户的睡眠质量。此外，用户可以相对于所计算的睡眠得分以特定的方差或偏差一致地评价他们的睡眠。例如，如果用户一致地提供比所计算的睡眠得分小5到10分或大5到10分的用户指示睡眠得分，则还应考虑该“偏移”或“偏差”以促进更准确的睡眠得分计算。

在一个实施例中，客户端设备110或系统100中的另一设备包括干预单元。该干预使睡眠干预被输出/被执行以促进优质睡眠。这样的睡眠干预组件包括但不限于一个或多个听觉刺激设备、一个或多个视觉刺激设备、一个或多个触觉刺激设备、一个或多个闭环睡眠诱导设备、一个或多个智能唤醒设备等。在一个示例实施例中，干预单元使用户所处的局部环境的温度得以调节。例如，干预单元可以使用户家中的恒温器升高或降低温度以促进优质睡眠。

在一个实施例中，基于已经获得的用户数据来确定在睡眠期期间发生的一个或多个睡眠干预。例如，如果在第一睡眠期期间发生了一个或多个睡眠干预，那么由(一个或多个)传感器108获得的用户数据可以指示这一点并且因此(一个或多个)计算系统120可以识别用户数据内的(一个或多个)干预。每个睡眠干预可以被应用于初始睡眠期得分(或包括扣除的睡眠期得分，如上所述)，以生成新的睡眠期得分。例如，睡眠干预可以被表示为以类似于将睡眠扣除应用于初始睡眠得分以降低睡眠期得分值的方式，将奖励应用于初始睡眠得分以增加睡眠期得分值。

如从公式1中可以看出的，睡眠期得分值能够被确定，其中：Sleep_Session_Score＝Initial_Sleep_Score+∑Sleep_Deductions+∑Sleep_Interventions公式1。

在公式1中，Initial_Sleep_Score是示例性的初始睡眠期得分，诸如数字100，∑Sleep_Deductions是所有睡眠扣除的总和(例如，其中每个扣除的值为负或为零)，∑Sleep_Interventions是基于所提供的睡眠干预所授予的所有奖励的总和(例如，其中奖励的值为正)。

图1B是根据各种实施例的用于确定是否要执行睡眠相关参数优化的过程150的说明性流程图。在一个实施例中，图1B的过程150开始于操作152。在操作152处，获得针对用户的计算的睡眠度量。在一个实施例中，每个计算的睡眠度量是基于在用户的给定睡眠期期间从客户端设备110接收的数据而针对该睡眠期计算出的睡眠得分。在一个实施例中，在操作152处获得多个睡眠度量(例如，七个睡眠得分、三十个睡眠得分等)。在一个实施例中，计算系统120被配置为从用户历史数据库140接收计算的睡眠度量。例如，以周期性间隔，例如每周、每月、每年等，计算系统120从用户历史数据库140请求特定用户的睡眠度量数据。备选地或附加地，计算系统120被配置为在触发事件时从用户历史数据库140请求用户的睡眠度量数据，触发事件诸如是来自操作客户端设备110的用户请求查看他/她的睡眠度量，来自医生的请求以查看用户的睡眠度量，或两者。在一个实施例中，从客户端设备110获得用户的睡眠度量数据。例如，计算系统120可以被配置为请求特定用户的睡眠度量数据，其可以被存储在客户端设备110的存储器104中。在一个实施例中，用户的睡眠度量数据被用于确定用户在特定时间段内的平均睡眠得分。例如，可以基于例如一周、一个月、一年的针对用户的计算睡眠得分来确定平均计算睡眠得分。

在操作154处，获得一个或多个用户指示睡眠得分。用户指示睡眠得分，在本文中也被称为“用户指示睡眠得分”，指示用户对其一个或多个睡眠期的主观评级。在一个实施例中，经由客户端设备110向用户呈现允许输入用户指示睡眠得分的界面。例如，在睡眠期结束之后，用户可以输入针对他们睡眠质量的评级，该评级可以被存储在存储器104中、可以被传送到计算系统120和/或可以被存储在用户历史数据库140内。用户指示睡眠得分可以是例如介于0与100之间的基于整数的值，然而也可以使用其他范围，例如介于0-1.0、0-10等之间。在一个实施例中，用户指示睡眠得分包括在特定时间量内由用户提供的多个用户指示睡眠得分。例如，所获得的用户指示睡眠得分可以针对一周的睡眠期(例如，七个得分)。在一个实施例中，在接收到在给定时间量内的用户指示睡眠得分时，确定针对该时间量的平均用户指示睡眠得分。例如，计算系统120可以计算在给定时间量内来自用户的平均用户指示睡眠得分。在一个实施例中，被用来确定平均用户指示睡眠得分的时间量等于被用来确定平均计算睡眠得分的时间量。例如，如果针对用户的一周计算睡眠得分被使用，那么来自同一周的一周用户指示睡眠得分(例如，七个用户指示睡眠得分)将被使用。

在操作156处，确定所计算的睡眠得分与用户指示睡眠得分之间的相关性。在一个实施例中，相关子系统122被配置为确定针对给定数据集的用户指示睡眠得分与所计算的睡眠得分的相关值。例如，(一个或多个)计算系统120从存储器104、(一个或多个)用户历史数据库140或两者接收包括在给定时间量内的用户指示睡眠得分和所计算的睡眠得分的数据，并基于接收数据来计算相关值。

在一个实施例中，相关子系统122基于在收集数据的给定时间量(例如，一周)内的平均计算睡眠得分和平均用户指示睡眠得分来确定相关性。相关值衡量两个变量的相关程度。在说明性实施例中，两个变量是用户指示睡眠得分和计算的睡眠得分。在一个实施例中，使用皮尔逊(Pearson’s)相关技术来计算相关值。使用皮尔逊相关性，基于针对给定数据集的每个计算的睡眠得分与平均计算睡眠得分之间的差异来确定的(例如，一周的计算的睡眠得分)、针对给定数据集的每个用户指示睡眠得分(例如，一周的用户指示睡眠得分)和平均用户指示睡眠得分之间的差异、以及针对计算的睡眠得分和用户指示睡眠得分的标准差来确定用户指示睡眠得分和计算的睡眠得分之间的相关性。公式2是针对上述实施例的皮尔逊相关值的公式表示：

在公式2中，r是使用皮尔逊相关性计算的相关值，SubSleepScore_i是给定数据集的第i个用户指示睡眠得分，

是给定数据集的平均用户指示睡眠得分，CalSleepScore_i是给定数据集的第i个计算的睡眠得分，

是给定数据集的平均计算睡眠得分，σ_SubSleep和σ_Calsleep分别是针对用户指示睡眠得分和计算的睡眠得分的标准差。虽然前面描述了使用皮尔逊相关公式估计的相关值，但是也可以使用其他相关系数，诸如调整相关系数、加权相关系数和斯皮尔曼(Spearman)相关系数。

在操作158处，相关子系统122确定所确定的相关值是否满足终止准则。在一个实施例中，终止准则可以是测量相关性的阈值。在一个实施例中，终止准则包括测量相关性所利用的第一阈值，例如下限阈值，以及测量相关性所利用的第二阈值，例如上限阈值。终止准则被存储在计算系统120的存储器104、参考数据库145和用户历史数据库140中的一个或多个中。相关值越大，用户指示睡眠得分和计算的睡眠得分彼此越密切相关。例如，终止准则的阈值可以等于0.3。因此，如果所确定的相关值小于0.3，那么用户指示睡眠得分和计算的睡眠得分没有很好相关。然而，如果所确定的相关值小于或等于0.3，那么用户指示睡眠得分和计算的睡眠得分相关。0.3的阈值是示例性的，并且可以使用不同的阈值，例如0.2至0.5。

此外，在一个实施例中，每个睡眠期的用户指示睡眠得分于计算的睡眠得分之间的差异由相关子系统122确定，并且该差异被用来计算用户指示睡眠得分与计算的睡眠得分之间的相似性。然后将用户指示睡眠得分和计算的睡眠得分之间的每个差异的平均与终止准则进行比较以确定得分是否相关。

如果在操作158处，相关子系统122确定针对给定数据集的相关值满足终止准则，那么过程150进行到操作160。在操作160处，相关子系统122确定过程150将结束，因为已经确定用户指示睡眠得分和计算的睡眠得分良好相关，这表明被用来计算计算的睡眠得分的睡眠相关参数准确地反映了用户对他/她的睡眠期的主观分析。因此，在该示例中与睡眠相关的参数不需要调整。

然而，如果在操作158处，相关子系统122确定针对给定数据集的相关值不满足终止准则，则过程150进行到操作162。在操作162处，执行睡眠相关参数优化。在一个实施例中，优化子系统124执行睡眠相关参数优化，如下面关于图2和图14-图16所描述的。在操作164处，提取被用来计算用户的睡眠得分的每个睡眠相关参数的优化参数值(例如，公式1)。在一个实施例中，提取子系统126执行优化的睡眠相关参数值的提取。在操作162之后，过程150返回到步骤156，其中基于使用在步骤164处提取的优化的睡眠相关参数计算出的睡眠得分来计算新的相关值。在一个实施例中，针对用户指示睡眠得分和(例如，使用新的睡眠相关参数值计算出的)计算的睡眠得分的新数据集来计算新的相关值。备选地，重新计算先前获得的计算的睡眠得分，并重新计算相关值以确定先前的计算的睡眠得分与先前获得的用户指示睡眠得分彼此相关的程度。

图2是根据各种实施例的基于多个睡眠相关参数所生成的染色体矢量的说明图，该多个睡眠相关参数针对各种睡眠因素而被用来计算睡眠得分。在图2中，被用来计算用户睡眠得分的因素被呈现在表200的第一列202中。在说明性实施例中，列202内显示的因素包括总睡眠时间(“TST”)因素206、入睡后清醒(“WASO”)因素208、入睡延迟(“SOL”)因素210、睡眠中断因素212、N3持续时间因素214、REM持续时间因素216、规律性因素218和奖励因素220。因素206至220中的每个都对用户的计算的睡眠得分有贡献。在一个实施例中，从初始睡眠得分(例如，100)中减去因素206至218中的每个，而将奖励因素220添加到初始睡眠得分，如以上公式1中详述的。

在表200的第二列204中，呈现了与因素206至220中的每个相关联的睡眠相关参数。不同的因素包括不同数量的参数。例如，TST因素206包括三个参数；WASO因素208、SOL因素210、N3持续时间因素214、REM持续时间因素216以及奖励因素220各自包括一个参数；睡眠持续时间因素212和规律性因素218各自包括两个参数。在说明性实施例中，使用九位二进制矢量来量化每个参数。因此，当级联时，用于确定睡眠得分的十二个睡眠相关参数产生108位二进制矢量222。在一个实施例中，108位二进制矢量222被利用以用于优化计算的睡眠得分与用户指示睡眠得分之间的相关性。在描述用于优化十二个参数中的每个参数的过程之前，描述与睡眠相关参数中的每个参数相关的细节及其对计算的睡眠得分的影响。

图3是描述根据各种实施例的总睡眠时间与对应的睡眠得分点扣除之间的关系的说明图。在图3中，示出了描述用户的总睡眠时间(“TST”)与睡眠得分点扣除值之间的关系的示例性图表300。在一个实施例中，TST可以是用户被确定睡着的时间量。TST包括给定睡眠期内的所有累积睡眠(例如，NREM和REM)时段。在一个实施例中，确定用户是睡着还是醒着是基于从客户端设备110的(一个或多个)传感器108获得的数据。例如，指示了非移动时段(例如，20分钟、60分钟等)大于阈值时间量的运动数据可以指示用户睡着了。作为另一个示例，指示睡眠相关脑电波的脑电波活动可以指示用户睡着了。

在基于从(一个或多个)传感器108获得的数据确定用户在睡眠期(例如TST)期间睡眠的总时间量之后，(一个或多个)计算系统120确定TST是否大于(或等于)针对TST的预定义阈值304。如果是，那么(一个或多个)计算系统120被配置为应用零个点的TST点扣除。例如，阈值304是480分钟，那么针对TST的扣除量可以为零。在一个实施例中，阈值304可以是上述睡眠相关参数中的一个。可以基于从多个睡眠期获得的数据来优化该参数。

如果TST小于针对TST的阈值304，则(一个或多个)计算系统120被配置为应用特定扣除。例如，该扣除与TST的总持续时间相关联，并且因此被配置为使得扣除取决于TST的总持续时间而不同。如图表300中所见，对于小于或等于第一阈值302的TST持续时间，(一个或多个)计算系统120应用第一扣除。在一个实施例中，第一阈值302表示基于TST的睡眠得分可允许的最大点扣除。例如，如果睡眠时间量少于30分钟，则(一个或多个)计算系统120应用最大点扣除。在一个实施例中，阈值302和基于TST的最大点扣除与睡眠相关参数相对应，可以基于从多个睡眠期获得的数据而针对特定用户优化这些参数。如果TST持续时间大于或等于第一阈值302但小于第二阈值304，则应用的扣除取决于TST与点扣除量之间的函数关系，即，成比例。例如，如果TST持续时间小于阈值304且大于阈值302，则该扣除与TST持续时间线性相关。

图4是描述根据各种实施例的睡眠开始时间后清醒的次数与对应的睡眠得分点扣除之间的关系的说明图。图4包括用于确定扣除清醒花费的总时间的说明性图表400。入睡后清醒(“WASO”)是在入睡和醒来之间检测到的清醒时段的累积。WASO与WASO因素208相关，它对针对给定睡眠期的计算的睡眠得分有贡献。WASO不仅包括清醒时间，还包括微清醒，并且更一般地，用户在入睡后在给定睡眠期期间(例如，(一个或多个)传感器108检测到的用户活动超过阈值)期间清醒的任何时间量都被识别。

在一个实施例中，基于WASO的扣除取决于用户的年龄，如下参考表1所见。用户的年龄指示参考值WASO_ref，其对应于扣除前的最大WASO持续时间将被应用。

表1。

年龄范围	WASO<sub>ref</sub>[分钟]
		<30	20
[30至40[	20
		[40至60[	40
≥60	70

在一个实施例中，WASO_ref被图示为图表400中的值402。如果WASO小于或等于阈值402，则扣除最小。在说明性实施例中，如果WASO时间量小于第一阈值402，则扣除零被应用。当检测到的WASO等于或超过阈值404时，扣除最大。在一个实施例中，阈值404可以是WASO_ref加上一定时间量(例如，30分钟)。如果WASO大于阈值402且小于阈值404，那么基于图4内所定义的比例来确定针对WASO因素208的扣除。在一个实施例中，针对WASO因素208的最大扣除是能够基于从多个睡眠期获得的数据为用户优化的睡眠相关参数。

图5是描述根据各种实施例的入睡延迟与对应的睡眠得分点扣除之间的关系的说明图。图5包括描述入睡延迟SOL和针对SOL因素210的睡眠得分点扣除之间的关系的说明性图表500。SOL指的是用户入睡所花费的时间量。在一个实施例中，与SOL相关联的扣除取决于与用户相关联的年龄范围。表2包括取决于用户的年龄而适用于SOL_ref的各种示例性值。在一个实施例中，参考数据库145存储包括在表2内的SOL_ref的值。例如，各种基于年龄的SOL扣除由参考数据库150存储，并且计算系统120可访问这些值以确定用户睡眠期的睡眠得分。

表2。

年龄范围	SOL<sub>ref</sub>[分钟]
		<30	15
[30至40[	15
		[40至60[	17
≥60	20

在一个实施例中，年龄范围指示SOL参考持续时间，例如SOL_ref，以使得如果检测到的SOL小于SOL_ref，则不应用扣除，而如果检测到的SOL超过SOL_ref一定时间量(例如，30分钟)，则应用最大扣除。在一个实施例中，第一阈值502是SOL_ref，以使得如果检测到的SOL(例如，基于从客户端设备110的(一个或多个)传感器108获得的数据)小于或等于阈值502，则SOL因素210等于零个点(例如，从初始睡眠得分中扣除零个点)。在一个实施例中，如果检测到的SOL大于或等于第二阈值504，那么针对SOL因素210扣除最大点量。在一个实施例中，扣除的最大点量是基于从多个睡眠期中获得的数据为用户优化的参数。如果检测到的SOL小于阈值504并大于阈值502，那么针对SOL因素210应用的扣除与检测到的SOL时间成比例，如在图表500内所见。

图6是描述根据各种实施例的睡眠中断数量与对应的睡眠得分点扣除之间的关系的说明图。图6包括说明性图表600，其指示在扣除与基于检测到的睡眠中断数量的睡眠期得分值之间的关系，与睡眠中断因素212相关。在一个实施例中，睡眠中断的特征在于入睡和醒来之间的清醒时段，其至少是一定时间量的持续时间。例如，超过五分钟的清醒时段可以被视为睡眠中断。

在一个实施例中，基于在睡眠期期间发生的睡眠中断数量，应用对睡眠中断因素212的扣除。如果睡眠中断数量等于或大于中断的阈值数量602，则应用最大量的扣除。如果在睡眠期期间未检测到中断，则应用0扣除或不扣除。对于大于零但小于阈值数602的中断次数，扣除量与中断数量成比例，如图表600中所述。在一个实施例中，对于检测到的12个或更多睡眠分布，最大扣除量为25点。在一个实施例中，睡眠中断数量的最大扣除是可以基于针对多个睡眠期所获得的数据为用户优化的睡眠相关参数。此外，在一个实施例中，最大中断数量是可以基于从多个睡眠期中获得的数据来优化的睡眠相关参数。

图7是根据各种实施例描述N3睡眠持续时间与对应的睡眠得分点扣除之间的关系的说明图。图7包括适用于基于N3睡眠的持续时间来确定睡眠期得分值的说明性图表700，其与N3持续时间因素214相关。在一个实施例中，与N3睡眠持续时间因素214相关联的扣除，也被称为深度睡眠或慢波睡眠的持续时间，认为睡眠的恢复价值主要是由深度睡眠的存在所驱动的。如果在给定的睡眠期期间，深度睡眠的持续时间，例如N3睡眠，不满足年龄匹配的参考阈值702(例如，N3_ref)，如下表3所见，则应用扣除。在一个实施例中，该扣除与针对该特定睡眠期的N3深度睡眠的持续时间成比例(例如，成线性比例)，该持续时间是基于从客户端设备110的(一个或多个)传感器108获得的数据确定的。在一个实施例中，当计算睡眠得分时，可以应用的最大扣除量(例如最大得分)是大约0分钟的N3睡眠持续时间。然而，如果检测到的N3睡眠持续时间大于或等于年龄匹配的参考阈值702，则不应用扣除。在一个实施例中，针对N3持续时间因素214的最大扣除是可以基于从多个睡眠期中获得的数据来优化的睡眠相关参数。

表3。

年龄范围	N3<sub>ref</sub>[分钟]
		<30	86
[30至40[	72
		[40至60[	72
≥60	40

图8是描述根据各种实施例的REM睡眠持续时间与对应的睡眠得分点扣除之间的关系的说明图。图8包括适用于基于REM睡眠的持续时间来计算睡眠期得分值的扣除的说明性图表800，其与REM持续时间因素216相关。如果在给定的睡眠期期间，REM睡眠的持续时间不满足年龄匹配的参考阈值802(例如，REM_ref)，如下面的表4所见，则应用扣除。在一个实施例中，对于检测到的小于阈值802但大于零的REM持续时间，该扣除与针对该特定睡眠期的REM深度睡眠的持续时间成比例(例如，成线性比例)。在一个实施例中，REM持续时间是基于从客户端设备110的(一个或多个)传感器108获得的数据来确定的。在一个实施例中，当计算睡眠得分时可以应用的最大扣除量(例如最大点数)是大约为0分钟的REM睡眠持续时间。然而，如果检测到的REM睡眠持续时间大于或等于年龄匹配的参考阈值802，则不应用扣除。在一个实施例中，针对REM因素216的最大扣除是可以基于从多个睡眠期中获得的数据来优化的睡眠相关参数。

表4。

年龄范围	REM<sub>ref</sub>[分钟]
		<30	75
[30至40[	75
		[40至60[	70
≥60	55

图9是根据各种实施例描述就寝时间偏差和对应的睡眠得分点扣除之间的关系的说明图。图9包括适用于基于与用户平均就寝时间的偏差量来计算睡眠期得分的扣除的说明性图表900，其与规律性因素218相关。规律性因素218与鼓励用户具有规律就寝时间的想法相关。因此，如果基于从客户端设备110的(一个或多个)传感器108获得的数据确定用户的就寝时间(例如，用户去睡觉的时间)偏离平均就寝时间，则应用扣除。在一个实施例中，平均就寝时间是基于给定时间段内的就寝时间集合来确定的。例如，可以基于7天的就寝时间来计算平均就寝时间，但是也可以使用其他时间量。

在一个实施例中，如果针对当前睡眠期检测到的就寝时间被确定为大于或等于第一阈值902且小于或等于第二阈值，那么针对规律性因素218将应用0个点扣除。例如，第一阈值902和第二阈值904之间的时间量可以是一小时(例如，60分钟)。如果与给定睡眠期内的平均就寝时间的偏差小于阈值902或大于阈值904，那么针对因素218应用的扣除可以与偏差量成比例，如图表900中所图示。在一个实施例中，如果偏差小于或等于阈值906或大于或等于阈值908，则可以应用最大扣除量。例如，如果与平均就寝时间的偏差超过平均就寝时间一小时(例如，60分钟)，那么针对因素218可以应用最大扣除量。在一个实施例中，针对规律性因素218应用的最大扣除量是可以基于从多个睡眠期中获得的数据为用户优化的睡眠相关参数。此外，在一个实施例中，平均就寝时间的最长偏差(对于其，针对因素218将应用最大扣除)也是可以基于从多个睡眠期中获得的数据为用户优化的睡眠相关参数。

图10是根据各种实施例描述起床时间偏差与对应的睡眠得分点扣除之间的关系的说明图。图10包括适用于基于与用户的平均醒来时间的偏差量来计算睡眠期得分的扣除的说明性图表1000，其与规律性因素218相关。与激励用户具有规律就寝时间相类似，规律性因素218也可以被用来鼓励和激励用户具有规律起床时间。如果基于从客户端设备110的(一个或多个)传感器108获得的数据确定用户的起床时间(例如，用户从睡眠中醒来的时间)偏离平均起床时间，则应用扣除。在一个实施例中，平均起床时间是基于给定时间段内的起床时间的集合来确定的。例如，可以基于7天的起床时间来计算平均起床时间，但是也可以使用其他时间量。

在一个实施例中，如果从当前睡眠期检测到的起床时间被确定为大于或等于第一阈值1002并且小于或等于第二阈值1004，那么针对规律性因素218将应用0个点扣除。例如，第一阈值1002与第二阈值1004之间的时间量可以是一小时(例如，60分钟)。如果与给定睡眠期内的平均起床时间的偏差小于阈值1002或大于阈值1004，那么针对因素218应用的扣除可以与偏差量成比例，如图表1000中所图示。在一个实施例中，如果偏差小于或等于阈值1006或大于或等于阈值1008，则可以应用最大扣除量。例如，如果与平均起床时间的偏差超过平均起床时间一小时(例如，60分钟)时间，那么针对因素218可以应用最大扣除量。在一个实施例中，针对规律性因素218应用的最大扣除是可以基于从多个睡眠期中获得的数据为用户优化的睡眠相关参数。此外，在一个实施例中，平均起床时间的最长偏差(对于其，针对因素218将应用最大扣除)也是可以基于从多个睡眠期中获得的数据为用户优化的睡眠相关参数。

在一个实施例中，规律性因素218是基于在给定睡眠期内与平均就寝时间的偏差和与平均起床时间的偏差两者来计算的。例如，如果针对平均就寝时间的偏差确定第一扣除量，以及针对平均起床时间的偏差确定第二扣除量，那么第一扣除量和第二扣除量都可以被用来计算针对规律性因素218的参数值。作为一个示例，第一扣除量和第二扣除量可以相加以获得在计算睡眠期得分时用于规律性因素218的总扣除量。作为另一示例，第一扣除量和第二扣除量可以被平均以获得在计算睡眠期得分时用于规律性因素218的扣除量。作为又一示例，可以对第一扣除量和第二扣除量进行加权，并且可以线性地、二次方地或者经由其他已知的组合技术来组合加权的量。

图11A-图11C是根据各种实施例描述针对不同年龄组的累积慢波活动(“CSWA”)与N3睡眠时间之间的关系的说明图。图11A-图11C分别包括表示不同年龄范围的CSWA参数的说明性图表1102至1106。在一个实施例中，能够向操作客户端设备110的用户提供干预。例如，能够使用听觉刺激设备提供可听音调。在一个实施例中，经由客户端设备110提供可听音调。在一个实施例中，能够产生可听音调的专用干预设备被使用。在基于EEG检测到的非快速眼动(“NREM”)睡眠期间，能够通过增加睡眠慢波(也被称为delta波)的幅度和量来提供这种可听音调以增强个体睡眠的恢复价值，同时不打扰睡眠。在一个实施例中，睡眠慢波的幅度和量与慢波活动(“SWA”)相对应，其与0.5-4.0Hz频带中的EEG功率相对应。在NREM睡眠期间累积的SWA是有用的，例如用来量化所提供的睡眠的恢复价值。

在一个实施例中，为了基于干预确定要被应用的奖励量，所递送的音调数量、检测到的NREM睡眠/参考NREM睡眠的比率、以及CSWA与参考CSWA的比率都被获得。例如，从客户端设备110的(一个或多个)传感器108和/或专用干预设备获得的数据指示递送的音调数量、检测到的NREM睡眠/参考NREM睡眠的比率、以及CSWA与参考CSWA的比率。使用由参考数据库145存储并在下面表5中详述的基于年龄的值来确定检测到的NREM睡眠与参考NREM睡眠的比率，由ρ_NREM来标示。

表9。

年龄范围	NREM参考[分钟]
		<30	86
[30至40[	72
		≥40	72

在一个实施例中，由ρ_SWA来标示的CSWA与参考CSWA的比率通过以下操作而被确定：在检测到的与用户相关联的年龄组的NREM的持续时间期间，将与当前睡眠期相关联的CSWA除以累积的CSWA。如图11A-图11C中所见，示出了针对不同年龄范围的各种示例参考曲线。比如，图表1102包括针对20到30岁个体的年龄范围的CSWA值，图表1104包括针对30到40岁个体的年龄范围的CSWA值，并且图表1106包括针对40到60岁个体的年龄范围的CSWA值。与图表1102、1104和1106相关联的信息各自由参考数据库145存储并由(一个或多个)计算系统120访问以确定用户在给定睡眠期内的睡眠得分。

图12是根据各种实施例描述CSWA值与对应的睡眠得分奖励之间的关系的说明图。图12包括指示适用于基于所确定的CSWA值的计算的睡眠得分的奖励量的说明性图表1200。在说明性实施例中，基于比率ρ_NREM和ρ_SWA的乘积来计算CSWA量。为了确定奖励量，使用S形比例函数将所确定的针对用户年龄范围的CSWA量与奖励量相关。在一个实施例中，最大奖励可以是可以基于从多个睡眠期中获得的数据而优化的参数。当(一个或多个)计算系统120确定用户在给定睡眠期内的睡眠得分时，该参数可以是可配置的并且被用于因素220。作为一个示例，最大值可以是30个点，如果CSWA量大于或等于1.5μV²，则其可以作为正被计算的睡眠得分的奖励而被授予。然而，如果CSWA量小于1.5μV²，则奖励点量与图表1200所描述的CSWA得分成比例。

图13是根据各种实施例的显示睡眠得分与用于确定睡眠得分的各种睡眠相关参数的计算值的示例界面的说明图。图13是示例性图形用户界面1300的说明图，其包括睡眠期得分和适用于每个因素206至220的各种扣除。在说明性实施例中，能够由I/O界面112(例如，显示屏)显示的图形用户界面1300包括上述扣除适用的初始睡眠期得分值1302。例如，初始睡眠期得分值可以被设置为100。

在说明性实施例中，图形用户界面1300还包括总睡眠时间扣除量1304、睡眠例程扣除量1306、睡眠延迟扣除量1308、清醒花费时间扣除量1310、睡眠中断扣除量1312和N3睡眠持续时间扣除量1314。还能够使用附加扣除，诸如对于REM睡眠持续时间和/或对于平均睡眠起床时间的偏差。作为一个示例，扣除1304至1314中的每个扣除的值都小于或等于零，因此当被应用于初始睡眠期得分值1302时，它们减少了睡眠得分的量。

通过将每个扣除1304至1314添加到初始睡眠期得分值902来确定总基础得分1316。在这种场景中，每个扣除具有负值(例如，≤0)。备选地，从初始睡眠期得分1302中减去扣除1304至1314中的每个。在这种场景中，每个扣除都是正值(例如，≥0)。在一个实施例中，源自一个或多个睡眠干预的一个或多个奖励值也被应用于基础/初始睡眠期得分值1302。如上所述的睡眠干预积极影响睡眠期的得分。例如，如果扣除1304至1314为负，因为它们减少了睡眠期分值，则奖励1318为正，因此它们增加了睡眠期分值。然后确定总睡眠期得分值1320，考虑了为特定用户的睡眠期所识别的任何扣除和/或奖励。

图14是根据各种实施例的各种睡眠因素和用于生成染色体矢量的初始集合的每个睡眠相关参数的值的说明图。图14的表1400包括第一列1402，其列出了有助于计算睡眠期得分的各种睡眠相关因素，如上面在图2中所提及的。例如，有助于计算睡眠得分的因素包括TST因素206、WASO因素208、SOL因素210、睡眠中断数量因素212、N3睡眠持续时间因素214、REM睡眠持续时间因素216、规律性因素218(例如，与平均起床时间和/或就寝时间的偏差)和奖励因素220。

因素206至220中的每个因素包括在表1400的列1404内列出的一个或多个睡眠相关参数。在一个实施例中，TST因素206包括第一睡眠相关参数1406、第二睡眠相关参数1408和第三睡眠相关参数1410。上面参考图3描述了与计算给定睡眠期的TST相关的细节。在该实施例中，睡眠相关参数1406指示与零个点扣除相关的TST持续时间；睡眠相关参数1408指示最短可能的TST持续时间；而睡眠相关参数1410指示与最短TST持续时间相关联的最大扣除量。在一个实施例中，睡眠相关参数1406最初可以被分配三个值之一：300分钟、360分钟或420分钟(例如，[300,360,420]分钟，如表1400中所见)。然而，能够使用不同的值或值范围(例如，[360,420,480]分钟；[270,330,390]分钟，[240,300,360,420]分钟等)。在一个实施例中，睡眠相关参数1408最初可以被分配三个值中的一个值：60分钟、120分钟或180分钟(例如，[60,120,180]分钟，如表1400中所见)。类似于睡眠相关参数1406，可以使用不同的值或值范围(例如，[60,80,100]分钟；[60,100,140]分钟；[30,60,90,120]分钟等)。在一个实施例中，睡眠相关参数1410最初可以被分配两个值中的一个值：40个点或50个点(例如，[40,50]点，如表1400中所见)。也可以使用针对与最小TST相关联的点扣除的不同的值范围和不同值数量，例如但不限于41至50(例如，10个点值)、[45,50]点和[30,40]点。

在一个实施例中，WASO因素208包括睡眠相关参数1412。上面参考图4描述了与计算给定睡眠期的WASO相关的细节。睡眠相关参数1412与最大WASO扣除量相关。在一个实施例中，最大WASO扣除量被分配两个值中的一个值：5个点或10个点。然而，可以使用针对最大WASO扣除量的不同的值、值范围或值数量(例如，[1,10]点；[5,10,15]点)。

在一个实施例中，SOL因素210包括与睡眠相关的参数1414。上面参考图5描述了与计算给定睡眠期的WASO相关的细节。睡眠相关参数1414与最大SOL扣除量相关。在一个实施例中，最大SOL扣除量被分配两个值中的一个值：5个点或10个点。然而，可以使用针对最大WASO扣除量的不同的值、值范围或值数量(例如，[1,10]点；[5,10,15]点)。

在一个实施例中，睡眠中断因素212包括第一睡眠相关参数1416和第二睡眠相关参数1418。上面参考图6描述了与计算给定睡眠期的睡眠中断数量相关的细节。睡眠相关参数1416与最大睡眠中断点扣除量相关。睡眠相关参数1418与被认为是最大睡眠中断数量的睡眠中断数量相关。在一个实施例中，睡眠相关参数1416的中断数量扣除量被分配两个值中的一个值：10个点或20个点。然而，可以使用针对最大WASO扣除量的不同的值、值范围或值数量(例如，[5,25]点；[15,25]点)。在一个实施例中，针对睡眠相关参数1418的中断数量扣除量被分配两个值中的一个值：5次中断或10次中断。但是，可以使用针对最大WASO扣除量的不同的值、值范围或值数量(例如，[15,20]点；[20,30]点)。

在一个实施例中，N3持续时间因素214包括睡眠相关参数1420。上面参考图7描述了与计算给定睡眠期的N3持续时间相关的细节。睡眠相关参数1420与最大N3扣除量相关。在一个实施例中，最大N3扣除量被分配两个值中的一个值：10个点或20个点。然而，可以使用针对最大N3扣除量的不同的值、值范围或值数量(例如，[5,20]点；[15,20,25]点)。

在一个实施例中，REM持续时间因素216包括睡眠相关参数1422。上面参考图8描述了与计算给定睡眠期的REM持续时间相关的细节。睡眠相关参数1422与最大REM扣除量相关。在一个实施例中，最大REM扣除量被分配两个值中的一个值：10个点或20个点。但是，可以使用针对最大REM扣除量的不同的值、值范围或值数量(例如，[5,20]点；[15,20,25]点)。

在一个实施例中，规律性因素218包括第一睡眠相关参数1424和第二睡眠相关参数1426。上面参考图9和图10描述了与计算给定睡眠期的规律性数量相关的细节，例如，与平均就寝时间的偏差，与平均起床时间的偏差。睡眠相关参数1424与来自平均就寝时间或起床时间或两者的最长偏差相关。在一个实施例中，睡眠相关参数1424是基于来自平均就寝时间的偏差和来自平均起床时间的偏差两者的平均来确定的。在另一个实施例中，睡眠相关参数1424是基于来自平均就寝时间的偏差于来自平均起床时间的偏差两者的加权组合来确定的。睡眠相关参数1426与来自平均就寝时间和/或起床时间的偏差扣除的最大点量相关。在一个实施例中，来自平均就寝时间和/或起床时间的最长偏差被分配两个值中的一个值：40分钟或60分钟。然而，可以使用针对最长偏差时间的不同的值、值范围或值数量(例如，[30,60]分钟；[45,75]分钟)。在一个实施例中，睡眠相关参数1426的最长偏差点扣除量被分配两个值中的一个值：5个点或10个点。然而，可以使用针对最长偏差点扣除量的不同的值、值的范围或值数量(例如，[10,20]点；[5,25]点)。

在一个实施例中，奖励因素220包括睡眠相关参数1428。上面参考图11和图12描述了与计算给定睡眠期的奖励相关的细节。睡眠相关参数1428与最大奖励量相关。在一个实施例中，最大奖励量被分配两个值中的一个值：20个点或30个点。然而，可以使用针对最大REM扣除量的不同的值、值范围或值数量(例如，[10,20]点；[20,40]点)。

图15是根据各种实施例的用于基于为染色体矢量集合中的每个矢量确定的相关值，将参数值分配给矢量的示例性过程的说明性流程图。在一个实施例中，图15的过程1500开始于操作1502。在操作1502处，获得第一矢量集合。在一个实施例中，第一矢量集合是初始矢量集合，其跨度为睡眠相关参数1406至1428的可能值组合。例如，睡眠相关参数1406和1408包括三个值，而睡眠相关参数1410至1428包括两个值。在一个实施例中，每个参数由九位二进制矢量来表示。在说明性实施例中，选择九位二进制矢量是因为与总睡眠时间相对应的最大参数值为480分钟，并且(2位)⁹＝512位。然而，可以使用不同大小的二进制矢量，例如4位二进制矢量或8位二进制矢量。

在一个实施例中，初始矢量集合包括10,000个矢量，每个矢量是由与十二个睡眠相关参数1406至1428相关联的十二个九位二进制矢量形成的108位二进制矢量。在一个实施例中，每个108位二进制矢量被称为“染色体”，并且被利用来优化计算的睡眠得分与用户指示睡眠得分之间的相关性。例如，染色体矢量可以用在遗传算法中，遗传算法是一种优化算法。遗传算法允许优化算法遵循与自然选择类似的过程。此外，对于每个矢量的参数值，遗传算法输出整数而不是浮点数。如上面所提及，与可能会使用户感到困惑的浮点数相反，整数允许用户轻松理解他们的睡眠得分和被应用来生成他们睡眠得分的扣除。

第一矢量集合中的每个矢量包括睡眠相关参数1406至1428的参数值。参数值选自图14的表1400中所图示的初始值。在一个实施例中，第一矢量集合包括10,000个染色体矢量(例如，108位二进制矢量)。形成初始例如第一矢量集合的该初始矢量群体源于与十二个睡眠相关参数1406至1428中的每个相关联的许多值。例如，睡眠相关参数1406和1408各自包括三个值，如图14中所见(例如，参数1406包括值[300,360,420]分钟；参数1408包括值[60,120,180]分钟)。继续这个示例，睡眠相关参数1410-1428各自包括两个值，如图14中所见(例如，参数1410包括值[40,50]点；参数1412包括值[5,10]点；参数1414包括值[5,10]点；参数1416包括值[10,20]点；参数1418包括值[5,10]中断；参数1420包括值[10,20]点；参数1422包括值[10,20]点；参数1424包括值[40,60]分钟；参数1426包括值[5,10]]点；并且参数1428包括值[20,30]点)。因此，第一矢量集合由两个三值参数(例如3²)和十个二值参数(例如2¹⁰)的乘积组成，其产生9,096个值。为便于计算，额外随机选择的四个值被重复以达到10,000个染色体矢量。然而，可以使用不同数量的矢量来形成第一矢量集合(例如，100、1,000、100,000等)，并且10,000个矢量的使用并不意味着是限制性的。例如，第一个108位二进制矢量或染色体矢量C1可以被标示为：

C₁＝[300_9b,60_9b,40_9b,5_9b,5_9b,10_9b,5_9b,10_9b,10_9b,40_9b,5_9b,20_9b]。

这里，每个初始睡眠相关参数值由九个二进制位的唯一组合来表示。例如，矢量C₁的第一个分量300_9b是一个初始TST值为300分钟的九位二进制矢量。在一个实施例中，该矢量被表示为[1,0,0,1,0,1,1,0,0]，然而这是示例性的并且能够使用不同的表示。

在一个实施例中，(一个或多个)计算系统120生成108位二进制第一矢量集合。备选地，108位二进制第一矢量集合由分开的染色体矢量生成系统生成，该系统继而又将第一集合提供给(一个或多个)计算系统120。在一个实施例中，第一矢量集合被存储在参考数据库中145，并且在请求(一个或多个)计算系统120执行过程1500时由(一个或多个)计算系统120访问。在一个实施例中，第一矢量集合被周期性地生成，以使得在预定时间量之后，第一矢量集合被丢弃，随后生成新的矢量集合来替换第一矢量集合。然后将新的矢量集合视为“初始”矢量集合。

在操作1504处，确定针对第一矢量集合中的每个矢量的相关值。在一个实施例中，在(例如，由(一个或多个)计算系统120)生成第一矢量集合后，或在(例如，从参考数据库145)获得第一矢量集合后，相关子系统122被配置为确定与第一矢量集合中的每个矢量相关联的相关值。针对矢量的相关值指示矢量与用户指示睡眠得分(例如，用户指示睡眠得分)之间的相关量，其与表示用户的睡眠度量的参数值集合相关联。在一个实施例中，用户指示睡眠得分是从用户历史数据库140中获得的，并且通过对多个用户指示睡眠得分进行平均来确定。例如，用户指示睡眠得分可以是使用一周、一个月、一年或其他时间段的用户提供的睡眠得分来计算的平均睡眠得分。

在一个实施例中，相关子系统122确定每个矢量相对于用户指示睡眠得分的相关值。比如，相关子系统122利用用户指示睡眠得分针对矢量集合中的每个矢量执行皮尔逊相关分析。如上面所提及，每个矢量表示十二个睡眠相关参数值中的每个的初始值。基于十二个睡眠相关参数值中的每个的初始值，确定针对该矢量的可能睡眠得分。相关子系统122确定与给定的108位二进制矢量(例如，染色体矢量C₁)相关联的可能睡眠得分，并执行该可能睡眠得分与用户指示睡眠得分的相关分析。在一个实施例中，用户指示睡眠得分是基于由用户在一段时间(例如，一周、一个月等)内提供的多个用户指示睡眠得分所确定的平均用户指示睡眠得分。在一个实施例中，相关子系统122被配置为生成多个相关值，每个相关值对应于睡眠相关参数值的初始集合的给定可能睡眠得分与用户指示睡眠得分的估计相关。作为一个示例，如果第一矢量集合包括10,000个108位二进制矢量(例如，染色体矢量)，那么相关子系统122确定10,000个相关值(例如，r₁,r₂,…,r_10,000)。

在操作1506处，执行对第一矢量集合的优化。在一个实施例中，所执行的优化采用遗传算法的技术。然而，可以备选地或附加地执行附加的相关优化技术。图16的过程1600描述了优化过程的一个实施例。

图16是根据各种实施例的用于基于染色体矢量的初始集合和关于用户的用户指示睡眠得分的相关值来生成染色体矢量新集合的过程1600的说明性流程图。在一个实施例中，过程1600开始于操作1602。在操作1602处，对第一矢量集合的相关值进行排名。如前所提及，在操作1504处，相关子系统122确定第一矢量集合中的每个矢量相对于用户指示睡眠得分的相关值。在确定相关值之后，相关子系统122将相关值提供给优化子系统124。

在一个实施例中，优化子系统124将每个相关值从最高相关(例如，最接近1)到最低相关(例如，最接近-1)进行排名。相关值越接近1，可能的睡眠得分——基于用于对应矢量的睡眠相关参数值来确定——与用户所提供的用户指示睡眠得分的相关性就越高。在一个实施例中，执行相关值的拟合度测试。例如，使用公式3确定特定相关值的拟合度值：

在公式3中，f_i是拟合度值，而r_i、r_j分别是第i个和第j个相关值。尽管在公式3中，相关值从j＝1到j＝10,000求和，但是如果使用不同数量的矢量来形成初始矢量集合，那么后者将不同。拟合度值也被称为归一化相关值。因此，在一个实施例中，优化系统124被配置为基于拟合度值对相关值进行排名。

在操作1604处，确定第一矢量集合的第一子集。矢量的第一子集包括来自第一矢量集合的满足第一准则的那些矢量。在一个实施例中，第一准则与前百分之十的最“拟合”相关值相对应。例如，基于在与其相关联的拟合度值方面所排名的相关值，选择拟合度值的前百分之十。识别来自第一矢量集合中的、与前百分之十的每个拟合度值相关联的矢量，并且那些矢量被用来形成矢量的第一子集。尽管选择最拟合的前百分之十的相关值来形成矢量的第一子集，但是可以使用其他百分比，诸如最拟合的前百分之五、最拟合的前百分之二十等。在一个实施例中，没有使用拟合度值的前部百分比。在这种情况下，跳过操作1604和1606，并且过程1600进行到操作1608。

在操作1606处，确定第一矢量集合的第二子集。矢量的第二子集包括来自第一矢量集合的满足第二准则的那些矢量。在一个实施例中，第一准则与接下来百分之九十的相关性/拟合度值相对应。换句话说，矢量的第二子集包括来自第一矢量集合的未被包括在矢量的第一子集中的所有矢量，并且因此具有不在基于排名的前百分之十的相关性/拟合度内的拟合度值的值。

在操作1608处，从矢量的第二子集中选择两个矢量，并且使用那两个矢量生成新矢量。新矢量可以被称为“子”矢量，并且这两个矢量可以被称为“父”矢量。在一个实施例中，相关值不是前百分之十最“拟合”相关值的来自第一矢量集合的第一个108位二进制矢量，以及相关值也不是前百分之十最“拟合”相关值的来自第一矢量集合的第二个108位二进制矢量是随机选择的。在一个实施例中，第一矢量和第二矢量是基于拟合度水平从来自第二子集的矢量组中选择的。例如，如果矢量的第二子集包括9,000个矢量，则基于与其相关联的拟合度值从9,000个矢量中随机选择中间矢量集合。例如，具有非常低拟合度水平的矢量比具有较高拟合度水平(仍然不在前10％之内)的矢量更有可能被选中。在一个实施例中，从来自矢量的第二子集的这组矢量中，执行交叉过程，由此生成子矢量。

从第一矢量和第二矢量中，生成新矢量。通过针对每个睡眠相关参数从第一矢量和第二矢量中随机选择一个参数值来构建新矢量。例如，如果对于参数1406，第一矢量具有值A并且第二矢量具有值B，那么优化子系统124随机选择A或B中的一个来分配作为新矢量的参数1406的参数值。取决于从矢量第二子集中随机选择的矢量组内所包括的矢量的数量，子矢量的数量将有所不同。例如，如果第二矢量子集包括9,000个矢量，并且随机选择用于交叉处理的矢量组包括5,000对矢量，那么优化系统124将生成5,000个子矢量。比如，对于5,000个随机选择的“配偶”(例如，来自矢量的第二子集的两个矢量)，通过重新组合来自该配偶的两个“父”矢量中的每个矢量的参数值，生成两个“子”矢量。

在操作1610处，针对第二矢量集合中的每个矢量随机改变每个睡眠相关参数的一个参数(例如，矢量的第一子集和第二子集)。随机改变参数值可以被称为“突变”，并且是遗传算法的一个方面。在一个实施例中，参数值的随机改变(例如，突变)是108位二进制矢量的一个二进制位从0到1或从1到0的翻转。以预定义的概率(诸如1％)应用突变。在一个实施例中，突变被应用于所有矢量，例如矢量的第一子集，以及从矢量的第二子集生成的每个子矢量。

返回到过程1500，在操作1508处，生成第二矢量集合。第二矢量集合可以是由图16的过程1600所产生的矢量。比如，作为过程1600的结果，生成一个新的矢量“群体”，它被称为第二矢量集合。

在操作1510处，确定针对第二矢量集合中的每个矢量的相关值。例如，针对与用户指示睡眠得分相关的第二矢量集合中的每个矢量执行皮尔逊相关分析。在一个实施例中，采用相关子系统122来执行矢量的第二子集的相关分析。在确定相关值之后，例如，对于第二矢量集合中的每个矢量，过程1500进行到操作1512。

在操作1512处，确定是否需要过程1600的附加迭代来生成新的矢量集合。在一个实施例中，优化子系统124被配置为使得过程1600迭代预定次数。例如，过程1600可以重复10,000次、100,000次或1,000,000次。每次迭代后，将新生成的矢量集合的平均相关值与阈值相关值进行比较。如果平均相关值满足相关准则，那么过程1500进行到操作1514。在操作1514处，分配第二矢量集合的给定矢量的参数值。在一个实施例中，响应于确定平均相关值满足相关准则，选择第二矢量集合中的给定矢量。可以基于以下来选择给定矢量：给定矢量相对于与第二矢量集合相关联的相关值而具有最大相关值。换言之，选择给定矢量是因为使用针对该矢量的睡眠相关参数值计算出的关联睡眠得分与用户指示睡眠得分最相关。然而，如果平均相关性不满足相关准则，则过程1500返回到操作1506。

在一个实施例中，相关准则是一个值，并且如果平均相关值大于或等于该值，则满足相关准则。例如，该值可以是0.01。备选地，如果相关值小于或等于该值，则满足相关准则。

如果不满足相关准则，则可以生成新的矢量集合。在一个实施例中，通过再次执行过程1600以获得新的矢量集合来生成新的矢量集合。因此，过程1600的附加迭代(例如，生成矢量、确定相关值等)发生。在生成新的矢量集合之后，确定与新的矢量集合相关联的平均相关值满足相关准则。如果是，那么不需要附加迭代，并且过程1500进行到操作1514。然而，如果新的平均相关值仍然不满足相关准则，那么发生另一次迭代。迭代将继续直到生成新的矢量集合，其导致满足相关准则的相关值。在一个实施例中，操作1508的第二矢量集合是在已经完成迭代并且相关值指示不需要附加迭代之后生成的结果矢量集合。

在一个实施例中，提取子系统126被配置为基于在操作1514处识别的矢量，针对每个睡眠相关参数提取新的睡眠相关参数值。新的睡眠相关参数值被认为是基于从用户的睡眠期中获得的数据为用户进行优化。例如，如果在操作1514处识别的矢量由睡眠相关参数值的第一集合形成，那么提取系统126提取来自该矢量中的每个睡眠相关参数值。在一个实施例中，然后所提取的睡眠相关参数被存储在参考数据库145和/或用户历史数据库140中。因此，对于由(一个或多个)计算系统120进行的后续睡眠得分计算，新提取的睡眠相关参数值结合确定因素206至212中的每个因素来使用。

在一个实施例中，新生成的矢量集合由参考数据库145存储。因此，如果稍后要执行睡眠相关参数值的优化，则使用先前生成的矢量集合作为过程1500的初始矢量集合。通过这样做，(一个或多个)计算系统120允许睡眠得分计算进化并适配特定用户。

在一个实施例中，染色体矢量的使用允许由(一个或多个)计算系统120计算的输出睡眠得分是整数值。此外，染色体矢量的使用允许将每个睡眠因素的分解也表示为整数值。因此，当向用户呈现他们的计算的睡眠得分时，如图13中所见，得分和扣除均被显示为整数。这使用户能够更容易地理解他们的睡眠得分以及他们的睡眠得分是如何计算的。相比之下，使用浮点数会导致用户混淆，因为可能难以理解不同的浮点扣除如何影响计算的睡眠得分。因此，本文所描述的技术不仅允许计算动态的、以用户为中心的改进的睡眠相关参数，而且允许计算出的后续睡眠得分更清楚且更容易被用户理解。

在权利要求中，括号之间的任何参考标记不应被解释为限制权利要求。词语“包括”或“包含”不排除权利要求中列出的那些元素或步骤之外的元素或步骤的存在。在列举若干部件的设备权利要求中，这些部件中的若干部件可以由一个且相同的硬件项来体现。元素前面的词语“一”或“一个”不排除存在多个这样的元素。在列举若干部件的任何设备权利要求中，这些部件中的若干部件可以由一个且相同的硬件项来体现。在相互不同的从属权利要求中记载某些元素的仅有事实并不指示这些元素不能组合使用。

虽然以上提供的描述基于当前被认为是最实用和优选的实施例而提供了出于说明目的的细节，但是应当理解，这样的细节仅用于该目的并且本公开不限于明确公开的实施例，而是相反，其旨在涵盖在所附权利要求的精神和范围内的修改和等效布置。例如，应当理解，本公开设想在可能的程度上，任何实施例的一个或多个特征可以与任何其他实施例的一个或多个特征组合。

Claims

1.一种用于优化睡眠得分参数的方法，包括：

获得第一矢量集合，其中所述第一矢量集合中的每个矢量包括用于计算睡眠得分的睡眠相关参数的参数值；

针对所述第一矢量集合中的每个矢量，确定与所述矢量相关联的相关值，针对所述矢量的所述相关值指示所述矢量与用户指示睡眠得分之间的相关量，所述用户指示睡眠得分与表示所述用户的睡眠度量的参数值集合相关联；

基于以下项来生成第二矢量集合：(i)所述第一矢量集合的第一子集，所述第一子集具有满足第一准则的相关值，以及(ii)所述第一矢量集合的第二子集，所述第二子集具有满足第二准则的相关值；

针对所述第二矢量集合中的每个矢量，确定与所述矢量相关联的相关值，使得针对所述矢量的所述相关值指示所述矢量与所述用户指示睡眠得分之间的相关量；以及

针对所述睡眠相关参数中的每个参数，基于与所述第二矢量集合相关联的所述相关值，将所述第二矢量集合中的给定矢量的参数值分配给所述睡眠相关参数中的所述参数。

2.根据权利要求1所述的方法，其中获得所述第一矢量集合包括：

生成所述第一矢量集合，其中通过从与所述睡眠相关参数中的每个参数相关联的参数值范围中选择针对所述睡眠相关参数中的所述参数的参数值，来生成所述第一矢量集合中的每个矢量，其中：

基于所选择的参数值来针对所述矢量确定相关联的睡眠得分，以及

基于所述相关联的睡眠得分来确定针对所述矢量的所述相关值。

3.根据权利要求1所述的方法，还包括：

获得指示用户评级的所述用户指示睡眠得分，所述用户评级反映用户的睡眠期的质量，其中所述用户指示睡眠得分基于由所述用户在一段时间内提供的多个用户评级而被确定。

4.根据权利要求1所述的方法，还包括：

基于所述给定矢量与如下相关值相关联而选择所述第二矢量集合中的所述给定矢量：相对于与所述第二矢量集合中的其他矢量相关联的相关值，与所述给定矢量相关联的所述相关值指示关于所述用户指示睡眠得分的最大相关量。

5.根据权利要求1所述的方法，还包括：

确定与所述第一矢量集合相关联的相关值的排名，其中所述第一准则基于相关值的所述排名而与所述相关值的第一百分比相对应，并且其中所述第二准则基于相关值的所述排名而与所述相关值的第二百分比相对应。

6.根据权利要求5所述的方法，其中生成所述第二矢量集合包括：

从所述第一矢量集合的所述第二子集中选择两个矢量；以及

通过针对所述睡眠相关参数中的每个睡眠相关参数从所述两个矢量中随机选择所述参数值中的一个参数值，来生成新矢量。

7.根据权利要求6所述的方法，还包括：

对于所述第二矢量集合中的每个矢量，随机改变针对所述矢量的每个睡眠相关参数的一个参数值。

8.根据权利要求1所述的方法，还包括：

基于所确定的相关值来确定平均相关值；以及

响应于所述平均相关值满足相关准则，基于关于与所述第二矢量集合相关联的相关值所述给定矢量具有最大相关值，而选择所述第二矢量集合中的所述给定矢量。

9.根据权利要求1所述的方法，还包括：

基于与所述第二矢量集合中的每个矢量相关联的所述相关值来确定平均相关值；以及

响应于所述平均相关值不满足相关准则，通过迭代生成矢量并确定与所述矢量相关联的相关值、直到所述相关准则被满足，来使新的矢量集合被生成。

10.一种用于优化睡眠得分参数的系统，所述系统包括：

存储器；以及

一个或多个处理器，所述一个或多个处理器由所述存储器存储的机器可读指令配置为：

针对所述第一矢量集合中的每个矢量，确定与所述矢量相关联的相关值，针对所述矢量的相关值指示所述矢量与用户指示睡眠得分之间的相关量，所述用户指示睡眠得分与表示所述用户的睡眠度量的参数值集合相关联；

11.根据权利要求10所述的系统，其中所述第一矢量集合被获得包括所述一个或多个处理器还由所述机器可读指令配置为：

12.根据权利要求10所述的系统，其中所述一个或多个处理器还由所述机器可读指令配置为：

获得指示用户评级的所述用户指示睡眠得分，所述用户评级反映用户睡眠期质量，其中所述用户指示睡眠得分基于所述用户在一段时间内提供的多个用户评级而被确定。

13.根据权利要求10所述的系统，其中所述一个或多个处理器还由所述机器可读指令配置为：

14.根据权利要求10所述的系统，其中所述一个或多个处理器还由所述机器可读指令配置为：

15.根据权利要求14所述的系统，其中生成所述第二矢量集合还包括所述一个或多个处理器被所述机器可读指令配置为：

从所述第一矢量集合的所述第二子集中选择两个矢量；以及

16.根据权利要求15所述的系统，其中所述一个或多个处理器还由所述机器可读指令配置为：

17.根据权利要求10所述的系统，其中所述一个或多个处理器还由所述机器可读指令配置为：

基于所确定的相关值来确定平均相关值；以及

18.根据权利要求10所述的系统，其中所述一个或多个处理器还被所述机器可读指令配置为：

响应于所述平均相关值不满足相关准则，通过迭代生成矢量并确定与所述矢量相关联的相关值、直到满足所述相关准则，来使新的矢量集合被生成。

19.一种被配置为优化睡眠得分参数的系统，所述系统包括：

用于获得第一矢量集合的部件，其中所述第一矢量集合中的每个矢量包括用于计算睡眠得分的睡眠相关参数的参数值；

用于针对所述第一矢量集合中的每个矢量来确定与所述矢量相关联的相关值的部件，针对所述矢量的相关值指示所述矢量与用户指示睡眠得分之间的相关量，所述用户指示睡眠得分与表示所述用户的睡眠度量的参数值集合相关联；

用于基于以下项来生成第二矢量集合的部件：(i)所述第一矢量集合的第一子集，所述第一子集具有满足第一准则的相关值，以及(ii)所述第一矢量集合的第二子集，所述第二子集具有满足第二准则的相关值；

用于针对第二矢量集合中的每个矢量来确定与所述矢量相关联的相关值的部件，使得针对所述矢量的所述相关值指示所述矢量与所述用户指示睡眠得分之间的相关量；以及

用于如下操作的部件：针对所述睡眠相关参数中的每个参数，基于与所述第二矢量集合相关联的所述相关值，将所述第二矢量集合中的给定矢量的参数值分配给所述睡眠相关参数中的参数。

20.根据权利要求19所述的系统，还包括：

用于基于所述给定矢量与如下相关值相关联而选择所述第二矢量集合中的所述给定矢量的部件：相对于与所述第二矢量集合中的其他矢量相关联的相关值，与所述给定矢量相关联的所述相关值指示关于所述用户指示睡眠得分的最大相关量。