CN113520340A - 一种睡眠报告的生成方法、装置、终端以及存储介质 - Google Patents

Abstract

本申请适用于生命特征识别技术领域，提供了一种基于人工智能(Artificial Intelligence，AI)睡眠报告的生成方法、装置、终端以及存储介质，该方法包括：获取目标用户在多个采集周期得到的生物特征数据；将多个所述生物特征数据导入预设的异常风险等级预测模型，得到用于预测睡眠呼吸暂停事件发生概率的预测信息；基于所述预测信息输出所述目标用户的睡眠分析报告。本申请提供的技术方案能够实现对睡眠呼吸暂停事件的预测，方便了用户确定自身的身体状况，提高了检测效果以及用户的使用体验。

Description

一种睡眠报告的生成方法、装置、终端以及存储介质

技术领域

本申请属于生命特征识别技术领域，尤其涉及一种睡眠报告的生成方法、装置、终端以及存储介质。

背景技术

阻塞性睡眠呼吸暂停(Obstructive Sleep Apnea Atrial Fibrillation,OSA)，是睡眠呼吸暂停中的最常见形式。随着人们对健康重视程度的不断提高，以及对阻塞性睡眠呼吸暂停的患者不断增加，如何识别用户是否为阻塞性睡眠呼吸暂停患者则显得尤为重要。

现有的睡眠监测技术，只能在用户发生阻塞性睡眠呼吸暂停OSA事件时，才能够对异常情况进行响应，但OSA事件发生时有可能会危急到用户的生命安全，影响用户的健康。由此可见，现有的睡眠监测技术，只能告知用户是否发生OSA事件，无法对用户的OSA事件进行预测，检测效果差。

发明内容

本申请实施例提供了一种睡眠报告的生成方法、装置、终端以及存储介质，可以解决现有的睡眠监测技术，无法对用户的OSA事件进行预测，检测效果差的问题。

第一方面，本申请实施例提供了一种睡眠报告的生成方法，包括：

获取目标用户在多个采集周期得到的生物特征数据；

将多个所述生物特征数据导入预设的异常风险等级预测模型，得到用于预测睡眠呼吸暂停事件发生概率的预测信息；

基于所述预测信息输出所述目标用户的睡眠分析报告。

在第一方面的一种可能的实现方式中，在所述将多个所述生物特征数据导入预设的异常风险等级预测模型，得到用于预测睡眠呼吸暂停事件发生概率的预测信息之前，还包括：

获取多个历史用户在所述多个连续的采集周期得到的训练生物数据；各个所述历史用户对应用于指示睡眠呼吸暂停发生概率的用户标签；

基于所述训练生物数据以及所述用户标签，对各个候选分类模型进行训练，并得到各个训练后的所述候选分类模型对应的损失值；

从所有所述训练后的所述候选分类模型中选取损失值最小的训练后的候选分类模型作为所述异常风险等级预测模型。

在第一方面的一种可能的实现方式中，所述将多个所述生物特征数据导入预设的异常风险等级预测模型，得到用于预测睡眠呼吸暂停事件发生概率的预测信息，包括：

根据各个采集周期的采集时刻与触发生成所述预测信息的时刻之间的差值，确定各个所述生物特征数据对应的时间调整权重；

基于各个预设的异常风险等级关联的特征参数范围，确定多个边界特征值；

分别计算各个所述生物特征数据与所述边界特征值之间的距离值，确定所述生物特征数据对应的边界调整权重；

基于所有所述生物特征数据、所述时间调整权重以及所述边界调整权重，得到预测特征数据，并将所述预测特征数据导入所述异常风险等级预测模型，得到所述预测信息。

在第一方面的一种可能的实现方式中，所述获取目标用户在多个采集周期得到的生物特征数据，包括：

接收可穿戴设备在预设的采集周期反馈的睡眠数据、心电数据和血氧数据，得到所述目标用户的原始生物数据；

对所述原始生物数据进行解析，得到在多个预设的生物特征维度的参数值；

基于多个所述参数值生成所述采集周期对应的所述生物特征数据。

在第一方面的一种可能的实现方式中，所述基于多个所述参数值生成所述采集周期对应的所述生物特征数据，包括：

若所述目标用户在所述采集周期反馈有干扰事项，则基于所述干扰事项确定各个所述生物特征维度关联的干扰事项权重；

基于所述干扰事项权重调整各个所述生物特征维度对应的所述参数值，得到加权调整值，并基于所有所述加权调整值生成所述生物特征数据。

在第一方面的一种可能的实现方式中，所述基于所述预测信息输出所述目标用户的睡眠分析报告，包括：

若所述预测信息中的异常风险等级大于预设的安全阈值，则获取预警操作关联的用户终端；

将所述睡眠分析报告发送给各个所述用户终端，以在所述用户终端的交互界面上显示所述睡眠分析报告。

在第一方面的一种可能的实现方式中，所述基于所述预测信息输出所述目标用户的睡眠分析报告，包括：

为所述睡眠分析报告内的各个分析项目配置关联的交互对象；

接收所述目标用户发起的交互指令，并基于所述交互指令对应的所述交互对象的输出模式，显示所述交互对象关联的所述分析项目。

第二方面，本申请实施例提供了一种睡眠报告的生成装置，包括：

生物特征数据获取单元，用于获取目标用户在多个采集周期得到的生物特征数据；

预测信息生成单元，用于将多个所述生物特征数据导入预设的异常风险等级预测模型，得到用于预测睡眠呼吸暂停事件发生概率的预测信息；

睡眠分析报告输出单元，用于基于所述预测信息输出所述目标用户的睡眠分析报告。

第三方面，本申请实施例提供了一种终端设备，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上述第一方面中任一项所述睡眠报告的生成方法。

第四方面，本申请实施例提供了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上述第一方面中任一项所述睡眠报告的生成方法。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述睡眠报告的生成方法。

可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

本申请实施例与现有技术相比存在的有益效果是：

本申请实施例可以根据连续多日采集得到的关于目标用户的生物特征数据，导入到预设的异常风险等级预测模型，从而得到预测信息，根据预测信息可以推断目标用户发生睡眠呼吸暂停事件的概率，并将包含上述预测信息的睡眠分析报告输出给目标用户，能够实现对OSA事件的预测，方便了用户确定自身的身体状况，提高了检测效果以及用户的使用体验。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的手机的部分结构的框图；

图2是本申请实施例的手机的软件结构框图；

图3是本申请一实施例提供的睡眠报告的生成系统的结构框图；

图4是本申请另一实施例提供的睡眠报告的生成系统的结构框图；

图5是本申请第一实施例提供的一种睡眠报告的生成方法的实现流程图；

图6是本申请一实施例提供的睡眠分析报告的输出示意图；

图7是本申请第二实施例提供的一种睡眠报告的生成方法的具体实现流程图；

图8是本申请一实施例提供的模型训练的流程示意图；

图9是本申请第三实施例提供的一种睡眠报告的生成方法S502的具体实现流程图；

图10是本申请一实施例提供的边界调整权重的确定示意图；

图11是本申请一实施例提供的生物特征数据的特征融合示意图；

图12是本申请第四实施例提供的一种睡眠报告的生成方法S501的具体实现流程图；

图13是本申请第五实施例提供的一种睡眠报告的生成方法S1203的具体实现流程图；

图14是本申请一实施例提供的用于干扰事项的界面示意图；

图15是本申请第六实施例提供的一种睡眠报告的生成方法S503的具体实现流程图；

图16是本申请一实施例提供的睡眠分析报告的输出示意图；

图17是本申请一实施例提供的睡眠分析报告的输出示意图；

图18是本申请第七实施例提供的一种睡眠报告的生成方法的S503具体实现流程图；

图19是本申请一实施例提供的交互界面图；

图20是本申请一实施例提供的一种睡眠报告的生成设备的结构框图；

图21是本申请另一实施例提供的一种终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

本申请实施例提供的睡眠报告的生成方法可以应用于手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等终端设备上，还可以应用于数据库、服务器以及基于终端人工智能的服务响应系统，本申请实施例对终端设备的具体类型不作任何限制。

例如，所述终端设备可以是WLAN中的站点(STAION，ST)，可以是蜂窝电话、无绳电话、会话启动协议(Session InitiationProtocol，SIP)电话、无线本地环路(WirelessLocal Loop，WLL)站、个人数字处理(Personal Digital Assistant，PDA)设备、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、电脑、膝上型计算机、手持式通信设备、手持式计算设备、和/或用于在无线系统上进行通信的其它设备以及下一代通信系统，例如，5G网络中的移动终端或者未来演进的公共陆地移动网络(PublicLand Mobile Network，PLMN)网络中的移动终端等。

作为示例而非限定，当所述终端设备为可穿戴设备时，该可穿戴设备还可以是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称，如眼镜、手套、手表、服饰及鞋等。可穿戴设备即直接穿在身上，或是整合到用户的衣服或配件的一种便携式设备，通过附着与用户身上，采集用户的生物特征数据。可穿戴设备不仅仅是一种硬件设备，更是通过软件支持以及数据交互、云端交互来实现强大的功能。广义穿戴式智能设备包括功能全、尺寸大、可不依赖智能手机实现完整或者部分的功能，如智能手表或智能眼镜等，以及只专注于某一类应用功能，需要和其它设备如智能手机配合使用，如各类进行体征监测的智能手环、智能首饰等。

以所述终端设备为手机为例。图1示出的是与本申请实施例提供的手机的部分结构的框图。参考图1，手机包括：射频(Radio Frequency，RF)电路110、存储器120、输入单元130、显示单元140、传感器150、音频电路160、近场通信模块170、处理器180、以及电源190等部件。本领域技术人员可以理解，图1中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图1对手机的各个构成部件进行具体的介绍：

RF电路110可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器180处理；另外，将设计上行的数据发送给基站。通常，RF电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier，LNA)、双工器等。此外，RF电路110还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GlobalSystem of Mobile communication，GSM)、通用分组无线服务(General Packet RadioService，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long Term Evolution,LTE))、电子邮件、短消息服务(Short Messaging Service，SMS)等，通过RF电路110接收其他终端(例如可穿戴设备)反馈的关于目标用户的生物特征数据。

存储器120可用于存储软件程序以及模块，处理器180通过运行存储在存储器120的软件程序以及模块，从而执行手机的各种功能应用以及数据处理，例如将接收到的房颤信号存储于存储器120内。存储器120可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等，存储数据区还可以存储其他终端反馈的数据(比如可穿戴设备反馈的生物特征数据)。此外，存储器120可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

输入单元130可用于接收输入的数字或字符信息，以及产生与手机100的用户设置以及功能控制有关的键信号输入。具体地，输入单元130可包括触控面板131以及其他输入设备132。触控面板131，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板131上或在触控面板131附近的操作)，并根据预先设定的程式驱动相应的连接装置。

显示单元140可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单，例如输出接收到的目标用户的生物特征数据，以及输出基于生物特征数据生成的睡眠分析报告。显示单元140可包括显示面板141，可选的，可以采用液晶显示器(LiquidCrystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板141。进一步的，触控面板131可覆盖显示面板141，当触控面板131检测到在其上或附近的触摸操作后，传送给处理器180以确定触摸事件的类型，随后处理器180根据触摸事件的类型在显示面板141上提供相应的视觉输出。虽然在图1中，触控面板131与显示面板141是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板131与显示面板141集成而实现手机的输入和输出功能。

手机100还可包括至少一种传感器150，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板141的亮度，接近传感器可在手机移动到耳边时，关闭显示面板141和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。进一步地，若终端设备可以用于采集目标用户的生物特征数据，则终端设备上还可以配置有生物数据采集模块，通过生物数据采集模块获取用户的生物特征数据。

音频电路160、扬声器161，传声器162可提供用户与手机之间的音频接口。音频电路160可将接收到的音频数据转换后的电信号，传输到扬声器161，由扬声器161转换为声音信号输出；另一方面，传声器162将收集的声音信号转换为电信号，由音频电路160接收后转换为音频数据，再将音频数据输出处理器180处理后，经RF电路110以发送给比如另一手机，或者将音频数据输出至存储器120以便进一步处理。例如，终端设备可以通过音频电路160，播放睡眠报告的生成结果，通过语音信号的方式通知用户。

终端设备可以通过近场通信模块170可以接收其他设备发送的生物特征数据，例如该近场通信模块170集成有蓝牙通信模块，通过蓝牙通信模块与可佩戴设备建立通信连接，并接收可佩戴设备反馈的生物特征数据。虽然图1示出了近场通信模块170，但是可以理解的是，其并不属于手机100的必须构成，完全可以根据需要在不改变申请的本质的范围内而省略。

处理器180是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器120内的软件程序和/或模块，以及调用存储在存储器120内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器180可包括一个或多个处理单元；优选的，处理器180可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器180中。

手机100还包括给各个部件供电的电源190(比如电池)，优选的，电源可以通过电源管理系统与处理器180逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

手机100的软件系统可以采用分层架构，事件驱动架构，微核架构，微服务架构，或云架构。本发明实施例以分层架构的Android系统为例，示例性说明手机100的软件结构。

图2是本申请实施例的手机100的软件结构框图。将Android系统分为四层，分别为应用程序层、应用程序框架层(framework，FWK)、系统层以及硬件抽象层，层与层之间通过软件接口通信。

分层架构将软件分成若干个层，每一层都有清晰的角色和分工。层与层之间通过软件接口通信。在一些实施例中，将Android系统分为四层，从上至下分别为应用程序层，应用程序框架层，安卓运行时(Android runtime)和系统库，以及内核层。

应用程序层可以包括一系列应用程序包。

如图2所示，应用程序包可以包括相机，图库，日历，通话，地图，导航，WLAN，蓝牙，音乐，视频，短信息等应用程序。

应用程序框架层为应用程序层的应用程序提供应用编程接口(applicationprogramming interface，API)和编程框架。应用程序框架层包括一些预先定义的函数。

如图2所示，应用程序框架层可以包括窗口管理器，内容提供器，视图系统，电话管理器，资源管理器，通知管理器等。

窗口管理器用于管理窗口程序。窗口管理器可以获取显示屏大小，判断是否有状态栏，锁定屏幕，截取屏幕等。

内容提供器用来存放和获取数据，并使这些数据可以被应用程序访问。所述数据可以包括视频，图像，音频，拨打和接听的电话，浏览历史和书签，电话簿等。

视图系统包括可视控件，例如显示文字的控件，显示图片的控件等。视图系统可用于构建应用程序。显示界面可以由一个或多个视图组成的。例如，包括短信通知图标的显示界面，可以包括显示文字的视图以及显示图片的视图。

电话管理器用于提供电子设备100的通信功能。例如通话状态的管理(包括接通，挂断等)。

资源管理器为应用程序提供各种资源，比如本地化字符串，图标，图片，布局文件，视频文件等等。

通知管理器使应用程序可以在状态栏中显示通知信息，可以用于传达告知类型的消息，可以短暂停留后自动消失，无需用户交互。比如通知管理器被用于告知下载完成，消息提醒等。通知管理器还可以是以图表或者滚动条文本形式出现在系统顶部状态栏的通知，例如后台运行的应用程序的通知，还可以是以对话窗口形式出现在屏幕上的通知。例如在状态栏提示文本信息，发出提示音，电子设备振动，指示灯闪烁等。

Android Runtime包括核心库和虚拟机。Android runtime负责安卓系统的调度和管理。

核心库包含两部分：一部分是java语言需要调用的功能函数，另一部分是安卓的核心库。

应用程序层和应用程序框架层运行在虚拟机中。虚拟机将应用程序层和应用程序框架层的java文件执行为二进制文件。虚拟机用于执行对象生命周期的管理，堆栈管理，线程管理，安全和异常的管理，以及垃圾回收等功能。

系统库可以包括多个功能模块。例如：表面管理器(surface manager)，媒体库(Media Libraries)，三维图形处理库(例如：OpenGL ES)，2D图形引擎(例如：SGL)等。

表面管理器用于对显示子系统进行管理，并且为多个应用程序提供了2D和3D图层的融合。

媒体库支持多种常用的音频，视频格式回放和录制，以及静态图像文件等。媒体库可以支持多种音视频编码格式，例如:MPEG4，H.264，MP3，AAC，AMR，JPG，PNG等。

三维图形处理库用于实现三维图形绘图，图像渲染，合成，和图层处理等。

2D图形引擎是2D绘图的绘图引擎。

内核层是硬件和软件之间的层。内核层至少包含显示驱动，摄像头驱动，音频驱动，传感器驱动。在一些实施例中，上述内核层还包含PCIE驱动。

图3示出了本申请一实施例提供的睡眠报告的生成系统的结构框图。参见图2所示，该睡眠报告的生成系统包括移动终端310以及可穿戴设备320。其中，移动终端310与可穿戴设备320可以通过近场通信方式建立通信连接。

其中，本申请提供的睡眠报告的生成装置具体为用户使用的移动终端310。移动终端310可以接收可穿戴设备320发送的生物特征数据，例如通过蓝牙通信方式或WIFI通信方式等近场通信方式与可穿戴设备320建立通信连接，并接收可穿戴设备320发送的生物特征数据，还可以通过有线通信方式或无线通信方式等与其他存储有目标用户的远端通信终端建立通信，并接收远端通信终端发送的生物特征数据，并通过接收多个不同用户的生物特征数据，配置异常风险等级预测模型，并根据异常风险等级预测模型识别可穿戴设备320在多个采集周期反馈的生物特征数据对应的预测信息。并根据预测信息生成睡眠分析报告，以便用于对于异常情况有一个预先了解，可以提前采取对应的应对措施。

可穿戴设备320具体用于采集用户的生物特征数据，该生物特征数据可以为原始采集到的生物信号，也可以经过预处理算法进行特征提取后得到的生物特征数据。例如，可穿戴设备320采集得到的为血氧信号，则可以将原始的血氧信号发送给移动终端310，通过移动终端310对血氧信号进行特征提取，并转换为生物特征数据；也可以通过可穿戴设备320内置的处理模块，将血氧信号转换为生物特征数据后，将生物特征数据发送给移动终端310。

优选地，睡眠报告的生成系统还包括云端服务器330。其中，云端服务器可以接收各个其他电子设备340反馈的生物特征数据，特别地，上述电子设备340反馈的为不同严重程度的OSA患者的睡眠、心率和血氧等生物特征数据，基于上述OSA患者的生物特征数据构建上述的异常风险等级预测模型，并向各个移动终端310发布上述异常风险等级预测模型，移动终端310通过下载云端服务器330的异常风险等级预测模型即可，无需在本地进行模型构建。

图4示出了本申请另一实施例提供的睡眠报告的生成系统的结构框图。参见图4所示，该睡眠报告的生成系统包括服务器410、终端设备420以及可穿戴设备430。其中，服务器410与终端设备420以及可穿戴设备430之间可以通过有线和/或无线网络进行通信。

其中，服务器410可以接收多个可穿戴设备430发送的生物特征数据，即服务器属于云端设备。可选地，若可穿戴设备430无法连接互联网，在该情况下，可穿戴设备430可以通过近场通信方式与终端设备420建立通信连接，在该情况下，终端设备420可以安装有服务器410关联的客户端程序，可穿戴设备430将生物特征数据发送给终端设备420进行存储，并在终端设备420运行上述客户端程序时，通过客户端程序对生物特征数据进行封装，并将封装后的数据包发送给服务器410。在服务器接收到可穿戴设备发送的生物特征数据后，可以通过内置的异常风险等级预测模型识别生物特征数据的异常风险等级，并将异常风险等级反馈给目标用户对应的终端设备420或者发送给可穿戴设备430；当然，若服务器410为不同的用户配置对应的数据库，则可以根据生物特征数据的用户标识，将该生物特征数据存储到该目标用户关联的数据库内，根据该数据库内目标用户的所有生物特征数据导入异常风险等级预测模型，以计算目标用户的预测信息，并将包含预测信息的睡眠分析报告返回给可穿戴设备430或者终端设备420进行显示输出。

终端设备420可以在接收到目标用户本次采集的生物特征数据后，可以根据已采集得到所有的生物特征数据，确定目标用户的OSA的发生概率，即确定上述的预测信息，并通过显示界面输出上述预测信息。其中，终端设备420还可以配置有通信模块，例如蓝牙通信模块或WIFI通信模块，通过通信模块接收用户使用的可穿戴设备430反馈的生物特征数据，并将生物特征数据通过安装于本地的客户端程序发送给服务器410。可选地，终端设备420的客户端程序安装有异常风险等级预测模型，终端设备420将所有已采集的生物特征数据根据采集时间的先后次序生成一个数据序列，将该数据序列导入到上述的异常风险等级预测模型，计算出目标用户的OSA发生概率，即预测信息。

需要说明的是，服务器410内可以存储有可穿戴设备430与终端设备420之间的对应关系。其中，存在对应关系的可穿戴设备430以及终端设备420可以属于同一实体用户，即用户可以通过可穿戴设备430采集生物特征数据，并上传至服务器410，服务器410在计算出生物特征数据对应的异常风险等级或者通过多个生物特征数据计算出OSA发生概率(即预测信息)后，将输出结果(即睡眠分析报告)反馈给终端设备420进行显示。当然，若目标用户存在关联用户，则服务器410可以将上述的睡眠分析报告发送给目标用户以及关联用户的终端设备420。

可穿戴设备430可以为一智能可穿戴设备，例如智能手环或智能手表，该可穿戴设备可以安装有与服务器410匹配的客户端程序，并在采集得到用户的生物特征数据后，通过客户端程序将采集得到的信号发送给服务器410。当然，可穿戴设备430可以将生物特征数据发送给与其存在同一环境下的终端设备420，并通过终端设备420上传给服务器410。

作为示例而非限定，目标用户为老人，而目标用户的关联用户的老人的子女。可穿戴设备430佩戴于老人的手腕上，在可穿戴设备430采集到老人的生物特征数据后，可以通过内置的通信模块将生物特征数据直接发送给服务器410，或者将生物特征数据发送给老人的终端设备420，通过终端设备420转发给服务器410。服务器410在接收到生物特征数据后，可以将连续多日采集得到的生物特征数据导入异常风险等级预测模型，确定老人当天可能发生OSA事件的预测信息，并将包含预测信息的睡眠分析报告反馈老人的终端设备420，也可以将上述的睡眠分析报告发送给老人的终端设备420以及老人的子女的终端设备420。优选地，服务器410在检测到老人的预测信息中的异常风险等级的数值大于预设的风险阈值时，将老人的睡眠分析报告发送给老人的子女的终端设备420。终端设备420接收到睡眠分析报告后，可以通过交互模型进行输出，用以告知老人当前的身体情况。

在本申请实施例中，流程的执行主体为安装有睡眠报告的生成程序的设备。作为示例而非限定，睡眠报告的生成程序的设备具体可以为终端设备，该终端设备可以为用户使用的智能手机、平板电脑、笔记本电脑等，对获取得到的目标用户的心电信号进行类别识别，并确定该目标用户的OSA事件的发生概率。图5示出了本申请第一实施例提供的睡眠报告的生成方法的实现流程图，详述如下：

在S501中，获取目标用户在多个采集周期得到的生物特征数据。

在本实施例中，生物特征数据可以为通过临床多导睡眠仪以及指压式的穿戴设备来采集目标用户的生物特征数据，该情况下，由于上述采集设备的舒适度低，会影响用户的睡眠质量，从而降低了生物特征数据采集的准确性，并且由于设备的造价成本较高，因此会提高了生物特征数据的采集成本，基于此为了提供便于用户的日常检测以及低检测成本的设备，本申请实施例可以支持通过配置有生物数据采集模块的可穿戴设备向终端设备反馈生物特征数据。具体地，该可穿戴设备具体可以为智能手表、智能项链、智能眼镜、智能手环等可便携的穿戴设备。

具体地，上述生物特征数据包括有睡眠数据、心电数据和血氧数据等。其中，心电数据具体可以通过心电传感器，例如心电图(Electrocardiogram，ECG)传感器或光电容描记(Photoplethysmograph，PPG)传感器，可以用于获取佩戴用户或所检测用户的心电信号。该可穿戴设备可以为手环或手表等能够与用户皮肤接触的设备，通过检测接触区域的血管扩张情况，获取所佩戴用户的心率值，并基于各个采集时刻所对应的心率值，生成用户的心电信号。当然，若终端设备配置有心电传感器，则可以通过心电传感器采集用户的心电信号。可选地，终端设备在获取得到心电信号后，可以通过预设的信号优化算法对心电信号进行预处理，从而能够提高后续类型识别的准确性。其中，优化的方式包括但不限于以下一种或多种的组合：信号放大、信号滤波、异常检测、信号修复等。

睡眠数据的采集方式可以为：根据心电数据采集到的心率值，与目标用户的静息心率进行比对，若当前的心率值小于或等于目标用户的静息心率，且可穿戴设备内置的运动传感器(例如陀螺仪或加速度传感器等)的数值小于预设的偏转阈值，则识别当前用户处于睡眠状态，并通过解析用户的心率以及用户的呼吸频率，确定用户是处于即眼球快速运动状态、浅层睡眠状态或是深沉睡眠状态，从而得到目标用户的睡眠数据。

血氧数据的采集方式可以为：可穿戴设备可以配置有光电容积描记(PPG)传感器，通过该PPG传感器可以获取用户皮肤接触的设备，通过检测接触区域的血管扩张情况，并基于该血管扩张情况以及反馈的颜色值，确定目标用户的血氧浓度，从而生成目标用户的血氧数据。

在本实施例中，终端设备可以采集上述一种或两种以上的数据作为目标用户的生物特征数据。可选地，若可穿戴设备配置有PPG传感器，则可以通过PPG传感器同时获取目标用户的心率值以及血氧值，因此可以同时将上述两种数据作为目标用户的生物特征数据。

在一种可能的实现方式中，终端设备可以对生物特征数据进行异常检测，从而识别出无效的生物特征数据，可选地，可以对异常的生物特征数据进行异常修复。其中，异常检测具体为根据采集得到的原始生物信号的信号波形，提取多个波形特征参数，例如信号最大连续时长、波形中断次数、采集中断时长、波形信噪比等，并根据上述采集得到波形特征值计算原始生物信号的信号质量，若检测到该信号质量低于有效信号阈值，则识别原始生物信号为异常信号，可选地，终端设备可以对异常信号进行信号修复。反之，若该信号质量高于有效信号阈值，则识别原始生物信号为有效信号，执行S502以及S503的操作。

其中，若终端设备在检测到原始生物信号为存在信号中断或信号缺失时，可以对信号中断或信号缺失的部分进行修复，修复过程具体可以为：通过预设的波形拟合算法对采集原始生物信号过程中的中断区域进行波形拟合，生成连续的信号波形。该波形拟合算法可以为一神经网络，通过采集目标用户的历史信号，对波形拟合算法中的参数进行调整，以使得拟合后的生物信号的波形走向与目标用户的波形走向相匹配，从而提高了波形拟合效果。优选地，该信号修复操作在上述异常检测操作之后执行，由于通过信号修改原始生物信号缺失的波形时，会提高原始生物信号的采集质量，从而影响异常检测的操作，从而无法对采集质量较差的异常信号进行识别，基于此，终端设备可以先通过异常检测算法，判断原始生物信号是否有效信号；若该原始生物信号为有效信号，则通过信号修复算法对心电信号进行信号修复；反之，若原始生物信号为异常信号，则无需进行信号修复，从而减少了不必要的修复操作。

在一种可能的实现方式中，该可穿戴设备可以设置有存储单元，可穿戴设备可以将采集到用户的生物特征数据存储于存储单元内，在检测到存储单元内存储的生物特征数据满足预设的上传阈值时，例如生物特征数据的数据量大于预设的数据量阈值，或者生物特征数据的采集时长满足对应的上传阈值时，可以将已存储的心电信号进行封装，并发送给终端设备。其中，可穿戴设备向终端设备上传生物特征数据的方式可以为增量上传，即可穿戴设备可以记录有上一次上传操作所对应的数据标识，并基于上一次上传操作对应的数据标识以及最新生成的数据标识，确定本次所需上传的生物特征数据。

在一种可能的实现方式中，终端设备可以接收其他设备或通过内置的传感器获取目标用户的生物特征数据，若是通过其他设备，例如可穿戴设备获取目标用户的生物特征数据，则可以为上述不同的采集设备配置对应的数据反馈周期，采集设备可以根据该数据反馈周期，定期向终端设备发送用户的生物特征数据。举例性地，该数据反馈周期的长度为48秒，可穿戴设备可以以48s为一个采集周期，将采集到的生物特征数据生成一个信号段，并且每48s向终端设备发送一个信号段，终端设备可以根据多个反馈的各个信号段对应的确定目标用户的OSA事件的风险等级。可选地，若可穿戴设备配置有与终端设备对应的客户端程序，在用户启动该客户端程序时，则可以将上次反馈数据时刻至当前客户端程序的启动时刻之间所采集得到的生物特征数据，通过客户端程序进行封装，并将上述两个时刻之间的生物特征数据发送给终端设备，通过终端设备统一对所有生物特征数据进行风险等级识别，无需可穿戴设备长时间与终端设备建立长连接，只有在客户端程序启动时，才建立上述两者之间的通信链接，从而减少了可穿戴设备以及终端设备的能耗，提高了设备的续航能力。

在本实施例中，上述采集得到的生物特征数据具体用于确定目标用户的OSA事件的发生概率，即生物特征数据具体为目标用户在睡眠状态下的数据。基于此，终端设备可以配置有睡眠监测条件，若检测到目标用户的生物特征数据满足预设的睡眠监测条件，则记录满足睡眠监测条件下各个时刻反馈的生物特征数据；反之，若目标用户的生物特征数据不满足预设的睡眠监测条件，则可以无需对上述生物特征数据进行存储。

在一种可能的实现方式中，上述进行睡眠监测条件的判断操作可以在终端设备侧执行，在该情况下，可穿戴设备会将各个时刻采集到的生物特征数据反馈给终端设备，终端设备基于内置的睡眠监测条件判断上述生物特征数据是否为目标数据，若是，则存储满足睡眠监测条件的目标数据，并基于目标数据生成用户的预测信息；反之，若该生物特征数据不满足睡眠监测条件，则识别为非目标数据，并将其作为确定预测信息的参考数据。

在一种可能的实现方式中，上述睡眠监测条件的判断操作可以在可穿戴设备侧执行，在该情况下，可穿戴设备可以通过睡眠监测条件以及当前采集到的生物特征数据，判断目标用户是否处于睡眠状态。若检测到目标用户处于睡眠状态，则可以可以将生物特征数据发送给终端设备。

在本实施例中，终端设备可以获取多个采集周期得到的生物特征数据。举例性地，一个采集周期为一个自然日，即终端设备可以获取在N个自然日目标用户的生物特征数据，其中，N为预设的采集周期个数，例如为60天，即采集在60天内目标用户的生物特征数据。该采集周期的个数可以由终端设备默认设置，还可以根据用户的实际使用需求进行调整。由于采集周期的个数越多，则对目标用户的监测时长越长，对于目标用户的预测准确性也越高，但同时所需处理的数据量越多，并且监测的启动等待时长较长；反之，采集周期的个数越少，则对目标用户的检测时长越短，对于目标用户的预测准确性也越低，但同时所需处理的数据量较少，对应的监测启动的等待时长较短。举例性地，若上述预设的采集周期个数为60，用户在首次采集可穿戴设备时，则需要经过60天的采集操作之后，才能够进行OSA事件的预测，即输出对应的预测信息，在前60天的时间内，由于记录的数据不足，无法进行预测操作，即60天为预测启动所需的等待时长。

在一种可能的实现方式中，上述多个采集周期具体为采集日期连续的多个采集周期。例如第一生物特征数据对应于4月20日的目标用户在睡眠期间的生物特征数据；则与第一生物特征数据的采集周期相邻的第二生物特征数据可以对应于4月21日的目标用户在睡眠期间的生物特征数据，以此类推，从而可以得到目标用户在多个连续日期在睡眠状态下的生物特征数据。需要说明的是，由于目标用户每天睡眠时长会存在差异，则上述每个采集周期的周期时长可以不同，但均对应目标用户某一日期在睡眠状态下的生物特征数据。

在一种可能的实现方式中，当终端设备需要采集目标用户在多个采集日期连续的生物特征数据以生成预测信息时，检测到某两个采集日期不连续，即存在采集中断的情况，在该情况下，终端设备可以根据与采集中断日期相邻的关联日期的生物特征数据，对采集中断日期的生物特征数据进行数据补全，数据补全的方式可以通过线性拟合或趋势预测等方式实现。例如，终端设备需要采集从4月1日至4月30日之间关于目标用户的生物特征数据。但检测到用户在4月15日没有采集得到生物特征数据，则识别4月15日为采集中断日期，则可以根据4月14日以及4月16日的生物特征数据，对4月15日的生物特征数据进行数据补全，从而能够在数据部分缺失的情况下，也可能够得到完整且连续的生物特征数据，增加了采集过程的灵活性，提高了预测信息输出的成功率。

可选地，终端设备可以配置有最大中断次数，该最大中断次数可以与上述采集周期个数之间存在预设的对应关系，例如20％，即采集周期个数为60天，则最大中断次数为60*20％＝12天。终端设备会检测目标用户反馈的生物特征数据中缺失的采集日期的个数，若该缺失的采集日期的个数小于上述最大中断次数，则可以通过上述的数据补全算法进行数据补全；反之，若该缺失的采集日期的个数大于或等于上述最大中断次数，则以最后连续的采集日期为采集起始点，重新采集多个采集日期的生物特征数据。

在S502中，将多个所述生物特征数据导入预设的异常风险等级预测模型，得到用于预测睡眠呼吸暂停事件发生概率的预测信息。

在本实施例中，终端设备预设有异常风险等级预测模型，将采集到的多个采集周期对应的生物特征数据导入到异常风险等级预测模型内，可以确定目标用户发生OSA的预测概率，即生成上述的预测信息。该预测信息可以用于指示目标用户OSA事件的发生概率。作为示例而非限定，终端设备可以将预测信息划分为三个类别，分别为高风险等级、低风险等级以及正常等级。其中，高风险等级表示目标用户为OSA患者，且存在较大风险发生OSA事件；而低风险等级则目标用户为OSA患者，且发生OSA事件的概率较低；正常等级则表示用户为非OSA患者，大概率不会发生OSA事件。当然，终端设备可以根据发生OSA事件的概率大小，划分为多个层级，不同的层级对应一个异常风险等级，例如将OSA发生概率划分为N个层级，其中层级越高，则对应的OSA事件的发生概率越小；而层级越低，则对应的OSA事件的发生概率越高，在该情况下，第N个层级对应的OSA发生概率最低；而第1个层级对应的OSA发生概率最高，终端设备可以根据上述的异常风险等级预测模型，识别基于多个生物特征数据的目标用户所属的层级类别。

与现有的睡眠监测技术相比，本申请实施例并非在发生OSA事件时，判定生物特征数据是否为OSA信号，即并非是对实时采集到的生物特征数据进行类型识别，而是可以在日常过程中对生物特征数据进行采集，以对后续日期的OSA事件的发生概率进行预测，实现了提早告知用户的目的，避免用户在没有预警的情况下发生OSA事件，提高了检测效果以及检测范围。例如用户可以通过前60天的生物特征数据，预测今天睡觉时发生OSA事件的概率(此时，目标用户并未入睡)，若异常风险等级预测模型输出的预测信息中为高风险等级，则表示今晚用户睡眠过程中，较大概率出现OSA事件，此时可以采取对应的操作，例如佩戴呼吸协助器或佩戴提醒手环等，从而能够对可能发生的OSA事件采取应对操作，避免因处理不当，而影响用户的健康。

在一种可能的实现方式中，异常风险等级预测模型内可以设置有不同异常风险等级的标准信号。在该情况下，终端设备可以直接将采集得到的多个生物特征数据根据采集周期的先后次序，生成生物特征信号，并将该生物特征信号作为该模型的输入参量，异常风险等级预测模型可以将输入的生物特征信号与各个异常风险等级的标准信号进行匹配，并基于匹配结果识别生物特征信号的异常风险等级。作为示例而非限定，终端设备可以分别计算各个标准信号与生物特征信号之间的匹配度，并选取匹配度的数值最大的一个标准信号的异常风险等级作为生物特征信号的异常风险等级；若存在两个或以上的标准信号与生物特征信号的匹配度数值一致且最大，此时可以通过预设的信号分割算法，将生物特征信号划分为多个信号段，并分别计算各个信号段与上述匹配度最高的多个候选异常风险等级的标准信号之间匹配度，选取匹配度最大的异常风险等级作为该信号段关联的风险等级，基于所有信号段的风险等级识别整体生物特征信号的信号类别。

举例性地，终端设备识别到生物特征信号与第一风险等级的标准信号之间的匹配度，与生物特征信号与第二风险等级的标准信号之间的匹配度的数值相同，且数值均最大。此时终端设备可以将生物特征信号划分为3个信号段，分别为第一信号段、第二信号段以及第三信号段，并分别计算上述三个信号段与上述两个类别的标准信号之间的匹配度，并确定每个信号段匹配的风险等级，识别结果如下：第一信号段(第一风险等级)、第二信号段(第一风险等级)、第三信号段(第二风险等级)，因此可以确定与第一风险等级匹配的信号段的个数大于第二风险等级匹配的信号段，则判定生物特征信号的风险等级为第一风险等级。

可选地，终端设备在计算生物特征信号与标准信号之间的匹配度之前，可以对生物特征信号进行标准化处理。终端设备根据标准信号的标准时长，调整生物特征信号的信号时长，以使标准时长与调整后的信号时长相同。若生物特征信号的信号时长大于标准时长，则可以对心电信号进行截取，截取后的生物特征信号与标准信号的信号时长一致；若生物特征信号的信号时长小于标准时长，则可以通过信号拉伸、循环延伸等方式对不足的区域进行填充，以使调整后的生物特征信号的信号时长与标准信号的标准时长一致。在进行标准化处理后，则可以执行信号之间的匹配度计算，并基于匹配度识别生物特征信号的风险等级。

可选地，在计算生物特征信号与标准信号之间的匹配度时，可以采用动态时间规整算法，实现的方式具体如下：终端设备可以根据各个采集时间节点采集到的生物特征数值，将生物特征信号转换为生物特征序列。根据生物特征序列以及标准信号对应的标准序列内包含的元素个数，生成对应的坐标网格，并将各个坐标网格相交点所对应的元素之间的差值，作为该坐标网格对应的元素距离值，在计算路径的总距离时，将经过的各个网格交点对应的元素距离值进行叠加，则得到该路径对应的总距离值，选取总距离值最小的路径作为生物特征序列与标准序列之间的特征路径，并将该特征路径对应的距离值作为心电信号与标准信号之间的距离值，基于距离值计算上述两个信号之间的匹配度。

举例性地，目标用户反馈的生物特征信号具有M个采集周期(不同采集周期的日期不同)，根据每个采集周期对应的生物特征数值，则生成包含M个元素的生物特征序列，标准信号对应的标准序列包含有N个元素，则根据上述两个序列可以生成一个M*N的坐标网格，而坐标(m,n)的坐标距离值即为生物特征序列中第m个元素与标准序列中第n个元素之间的距离值，并计算到达目标点(M,N)的所有路径中，总距离值最小的一个路径作为特征路径，将特征路径对应的总距离值作为生物特征信号与标准信号之间的距离值。

在一种可能的实现方式中，该预测信息中包含有关于目标用户在后续睡眠过程中的通气不足指数(Apnea-Hypopnea Index,AHI)，该AHI指数用于表示睡眠中平均每小时呼吸暂停与低通气次数，由于睡眠呼吸暂停的表现为是上呼气道受阻所引起的，气流通过上气道时，由于短暂的机械阻塞因素，口鼻气流消失，胸腹式呼吸仍然存在，因此可以通过平均每小时呼吸暂停与低通气次数来衡量目标用户的OSA的严重程度。基于此，终端设备可以基于用户反馈的生物特征数据，确定后续睡眠过程中的AHI指数。举例性地，若AHI<5，则表示目标用户属于正常等级，后续睡眠过程中不容易出现OSA事件；若AHI∈[5,30]，则表示目标用户属于低中风险等级，后续睡眠过程低概率出现OSA事件；若AHI>30，则表示目标用户属于高风险等级，后续睡眠过程高概率出现OSA事件。

在S503中，基于所述预测信息输出所述目标用户的睡眠分析报告。

在本实施例中，终端设备可以根据预测信息生成目标用户对应的睡眠分析报告，并设备内的交互模块输出上述睡眠分析报告，用户可以根据交互模块上输出的睡眠分析报告，确定目标用户后续睡眠过程中发生OSA事件的概率，从而采取对应的应对措施。

在一种可能的实现方式中，终端设备可以存储有睡眠报告模板，终端设备可以将预测信息内的各个信息项导入到睡眠报告模板内关联的区域内，从而生成目标用户的睡眠分析报告。可选地，预测信息包含有异常风险等级，终端设备可以根据异常风险等级获取关于各个信息项关联的标准语段，并将各个信息项对应的标准语段导入到睡眠报告模板关联的信息项内，从而生成用于表面该异常风险等级对应的睡眠分析报告，从而生成便于用户理解的报告，提高了报告的可读性。

图6示出了本申请一实施例提供的睡眠分析报告的输出示意图。参见图6所示，终端设备可以根据多个生物特征数据，确定目标用户的OSA发生概率，在图中显示的数值为88，并在OSA发生概率的下配置有对应的解释语段，即“您在未来短时间内大概率发生OSA事件”，并在解释语段下方添加有OSA资讯，用户可以通过点击OSA资讯对应的UI控件，阅读具体的资讯内容。

以上可以看出，本申请实施例提供的一种睡眠报告的生成方法可以根据连续多日采集得到的关于目标用户的生物特征数据，导入到预设的异常风险等级预测模型，从而得到预测信息，根据预测信息可以推断目标用户发生睡眠呼吸暂停事件的概率，并将包含上述预测信息的睡眠分析报告输出给目标用户，能够实现对OSA事件的预测，方便了用户确定自身的身体状况，提高了检测效果以及用户的使用体验。

图7示出了本申请第二实施例提供的一种睡眠报告的生成方法的具体实现流程图。参见图7，相对于图5所述实施例，本实施例提供的一种睡眠报告的生成方法中在所述将多个所述生物特征数据导入预设的异常风险等级预测模型，得到用于预测睡眠呼吸暂停事件发生概率的预测信息之前，还包括：S701～S703，具体详述如下：

在S701中，获取多个历史用户在所述多个连续的采集周期得到的训练生物数据；各个所述历史用户对应用于指示睡眠呼吸暂停发生概率的用户标签。

在本实施例中，终端设备在对输出预测信息之前，可以通过训练数据集对预设的原生分类模型进行训练，以得到可以用于进行OSA事件发生概率的预测的异常风险等级的预测模型。基于此，终端设备需要可以获取多个训练数据集。其中，获取的方式可以为：若终端设备为用户使用的智能手机或平板电脑等智能设备，则智能设备可以通过与云端数据库建立通信连接，从云端数据库处下载多个训练数据集；若终端设备为服务器，服务器可以用于接收各个电子设备反馈的生物特征数据，并存储于本地的数据库内，在该情况下，服务器可以直接从本地数据库提取上述训练数据集。其中，每个训练数据集包含有多个历史特征信号，并且每个历史特征信号在数据集中的次序与其采集时间的先后次序相匹配，即构成一个时序数据。

在本实施例中，上述历史用户包含有不同类型的历史用户，包含有患有重度OSA疾病的高风险用户，以及患有轻度OSA疾病的低风险用户，以及没有患有OSA疾病的正常用户(即健康用户)，当然，若根据发病概率和/或发病时的严重程度对用户类型进行划分，则可以划分出上述三类外的其他用户类型，根据不同的用户类型为历史用户配置对应的用户标签。各个历史用户由于上传有历史生物数据(即在后续进行模型训练的过程中作为训练生物数据)，可以根据该历史用户的历史生物数据确定该历史用户对应的用户类型，从而为各个历史用户配置是用户标签。其中，该用户标签的配置方式可以为手动配置，也可以为自动配置。

在一种可能的实现方式中，终端设备可以根据各个历史用户的历史生物数据进行聚类操作，得到多个聚类质心，并为每个聚类质心配置关联的用户标签，并计算各个历史生物数据与各个聚类质心之间的相距距离，选取相距距离最小的聚类质心作为该历史生物数据的关联质心，并基于关联质心配置的用户标签，确定目标用户所属的用户标签，从而实现了用户标签的自动配置。

在一种可能的实现方式中，终端设备可以预先配置有多个用户标签，并为不同的用户标签配置有关联的生物指标参量，根据各个历史用户的历史特征数据，确定各个生物指标参量对应的维度的历史特征参量，构成关于历史用户对应的历史特征向量，计算历史特征向量与各个由上述生物指标参量构成的生物指标向量之间的向量距离，选取该向量距离最小的一个用户标签作为历史用户的用户标签。

在一种可能的实现方式中，由于终端设备需要预测目标用户在后续睡眠过程中发生OSA事件的概率，因此，上述用户标签具体可以为发生OSA事件的概率值。在该情况下，若终端设备需要获取的采集周期的个数为N，则终端设备可以获取历史用户在N+X个采集周期内对应的历史特征数据，将前N个采集周期内的历史特征数据作为训练生物数据，并根据后X个采集周期对应的历史特征数据确定历史用户发生OSA事件的概率。例如X为3，根据历史用户在最后3天采集得到的历史特征数据，确定用户在最后3天发生了1次OSA事件，则可以确定目标用户发生OSA事件的概率为1/3，即0.33，将该发生概率作为目标用户的用户标签。

在S702中，基于所述训练生物数据以及所述用户标签，对各个候选分类模型进行训练，并得到各个训练后的所述候选分类模型对应的损失值。

在本实施例中，终端设备可以获取历史对象的训练生物数据，以及该历史对象配置的用户标签，将训练生物数据作为候选分类模型的输入，将用户标签作为候选分类模型的输出，对各个候选分类模型进行模型训练。需要说明的是，上述训练生物数据的采集周期个数，与S501中获取目标用户的采集周期个数是相同的，即需要获取目标用户60天的生物特征数据，则在训练过程中，则可以获取历史用户在连续60天内对应的生物特征数据，从而保证了输入参量的数据量大小与训练过程中的输入参量的数据量大小一致，提高了识别的准确性。

在本实施例中，终端设备可以存储有多个不同类型的候选分类模型，不同的候选分类模型可以基于不同的原理识别输入数据的类别，例如多重伯努利模型、多项式模型、SVM分类模型、KNN分类模型等。终端设备基于上述输入的训练集对各个候选分类模型内的学习参数进行多次调整，并对比各个候选分类模型的识别效果来减少过拟合现象，以提高预测信息的准确性。

在本实施例中，终端设备可以将训练生物数据作为候选分类模型的训练输入，而将用户标签作为候选分类模型的训练输出的校正基准数据，判断训练输出与实际之间的偏差，从而计算得到各个候选分类模型的损失值。基于上述损失值对候选训练模型的学习参量进行调整，使得训练结果收敛且损失量小于预设的损失阈值，此时，识别该候选训练模型已调整完毕，并记录训练调整完毕后候选分类模型对应的损失值。

在一种可能的实现方式中，终端设备可以采用半监督式模式，对上述的候选分类模型进行训练。其中，该半监督式的训练模式指的是，上述历史用户所标记的训练标签中，包含有已标记的标签，以及未标记的标签。举例性地，终端设备可以为正常用户、低风险用户以及高风险用户等不同用户类型配置对应的特征指标参数，将历史用户的历史特征数据与各个特征指标参数进行比对，并基于比对结果确定该历史用户对应的用户标签，由于不同类型用户之间虽然存在差异，但部分特征不明显的用户可能会处于两个或多个类型用户之间的判定边界上，上述用户则为边界用户。例如，正常用户的AHI指数小于5，而低风险用户的AHI指数大于5小于30，若某一用户的AHI指数为5，则处于正常用户与风险用户之间，此时，终端设备无法准确判定该历史用户所述的用户类别，则识别该历史用户为边界用户，并不对该边界用户添加用户标签，或对边界用户标记为边界标签，以在后续训练过程中进行进一步识别。终端设备将包含有明确的用户标签以及待识别的用户标签导入到上述各个候选分类模型中，通过候选分类模型确定各个边界用户的用户标签，已实现半监督的模型训练，使得训练过程更加准确，识别得到的分类结果也能够符合实际情况，提高了异常风险等级预测模型的准确性。

示例性地，图8示出了本申请一实施例提供的模型训练的流程示意图。参见图8所示，终端设备可以从用户数据库中提取多个历史用户的原始生物数据，通过对原始生物数据进行预处理，得到各个原始生物数据对应的训练特征数据，并基于各个训练特征数据与各个预先设置的用户类别的基准特征数据进行比对，设置各个历史用户的用户标签。其中，上述用户标签包含正常、低风险以及高风险，对于处于不同用户标签对应的基准参量范围之间的边界的历史用户，则标记为边界用户，从而实现了对历史用户的初始分类。继而将各个标记有用户标签的各个训练特征数据导入到预设的候选分类模型内，进行半监督式训练，并计算得到各个候选分类模型的损失值。在半监督式训练的过程中，可以为各个边界用户配置对应的用户标签。

在S703中，从所有所述训练后的所述候选分类模型中选取损失值最小的训练后的候选分类模型作为所述异常风险等级预测模型。

在本实施例中，终端设备在对各个候选分类模型均训练完毕后，可以比对各个候选分类模型之间的损失值大小，由于该损失值大小用于表现模型的输出结果与实际结果直接的差异程度，因此，损失值越小，则表示该候选分类模型的识别误差越小，反之，若损失值越大，则表示该候选分类模型的识别误差较大。基于此，为了提高后续异常等级预测模型的准确性，可以选取损失值最小的候选分类模型作为异常风险等级预测模型。

在本申请实施例中，通过获取多个候选分类模型，并计算各个候选分类模型对应的损失值，并基于损失值最小的候选分类模型生成异常风险等级预测模型，从而能够在多个学习模型中选取与输出预测信息的过程最为匹配一个模型，从而能够减少过拟合线性的同时，还能够提高模型训练的准确性。

图9示出了本申请第三实施例提供的一种睡眠报告的生成方法S502的具体实现流程图。参见图9，相对于图5所述实施例，本实施例提供的一种睡眠报告的生成方法中S502包括：S901～S904，具体详述如下：

进一步地，所述将多个所述生物特征数据导入预设的异常风险等级预测模型，得到用于预测睡眠呼吸暂停事件发生概率的预测信息，包括：

在S901中，根据各个采集周期的采集时刻与触发生成所述预测信息的时刻之间的差值，确定各个所述生物特征数据对应的时间调整权重。

在本实施例中，终端设备可以对所有生物特征数据进行特征融合，从而生成与目标用户对应的融合特征序列，并将融合特征序列作为异常风险等级预测模型的输入，从而可以输出目标用户的预测信息。基于此，终端设备首选需要确定各个生物特征数据对应的融合权重，即确定下述的时间调整权重以及边界调整权重。

在本实施例中，上述采集周期对应有采集时刻，终端设备可以根据各个采集周期关联的采集时刻，计算与当前时刻(即触发生成预测信息的时刻)之间的差值，其中，若该差值越小，则对应的时间调整权重越大；若该采集越大，则对应的时间调整权重越小。由于与当前时刻的差值越小，则表示该生物特征数据与目标用户当前的状态更为接近，对于确定目标用户在后续睡眠过程中是否发生OSA事件的预测效果越好，因此对应的时间调整权重的数值越大；反之，若该采集时刻与当前时刻之间的差值越大，则对应的时间调整权重的数值越小。通过配置时间调整权重，能够配置各个生物特征数据的对于预测信息的贡献程度，能够将于目标用户当前状态越接近的生物特征数据，调整为较大的权重值，进一步提高了预测信息的准确性。

在一种可能的实现方式中，终端设备获取得到的的生物特征数据对应有采集周期的周期序号，终端设备可以根据上述周期序号的先后次序，确定各个采集周期与触发生成该预测信息的当前时刻之间的差值，其中，周期序号越前，则与当前时刻之间差值越大；反之，若该采集周期的周期需要越大，即周期序号越后，则与当前时刻之间的差值越小。

在一种可能的实现方式中，可穿戴设备反馈的关于目标用户的数据为生物信号，例如心率信号、血氧信号以及睡眠信号。终端设备可以根据各个生物信号对应的信号波形，提取在多个预设维度的特征值，从而构成一个由多参量生成的特征序列，即上述的生物特征数据。其中，上述采集得到的生物信号的信号时长与采集周期的周期时长相匹配，例如采集周期为2小时，则对应的生物信号的信号时长也可以为2小时，每个采集周期对应不同的采集日期，用于记录目标用户在每个自然日的生物特征数据。

在一种可能的实现方式中，若生物特征数据内包含有多个特征参量，例如该生物特征数据为包含P个元素的序列，每个序列对应一个生物特征维度。在该情况下，则可以为不同的生物特征维度配置与时间相关的基准调整比例，该基准调整比例具体限定该生物特征维度受时间影响的程度，若该生物特征维度受时间影响较大，即会随时间的推移而波动(例如血糖数值)，则对应的基准调整比例较高；若该生物特征维度受时间影响较小，即较难随时间的推移而波动(例如睡眠过程中呼吸频率)，则对应的基准调整比例较低。终端设备可以根据生物特征数据的采集周期的采集时刻与当前时刻的差值，以及各个生物特征维度对应的基准调整比例，得到上述的时间调整权重。若该生物特征维度为P，则每个生物特征数据对应的时间调整权重也为一P个元素的权重序列。

在S902中，基于各个预设的异常风险等级关联的特征参数范围，确定多个边界特征值。

在本实施例中，终端设备可以根据发生OSA事件的概率高低，预先划分为不同的异常风险等级，其中，异常风险等级的数值越高，则目标用户发生OSA事件的概率越高；反之，若该异常风险等级的数值越低，则目标用户发生OSA事件的概率越低。终端设备可以为不同的异常风险等级配置有关联的特征参数范围，若某一生物特征数据落入到任一异常风险等级对应的特征参数范围内，则表示可以将该异常风险等级作为该生物特征数据的异常风险等级。而各个异常风险等级对应的特征参数范围的边界必然与其他异常风险等级对应的特征参数范围的边界相邻，例如，正常风险等级的特征参数范围的上限会与低风险等级的特征参数范围的下限相邻，而低风险等级的特征参数范围的上限会与高风险等级的特征参数范围的下限相邻。终端设备可以根据各个特征参数范围的边界，确定多个边界特征值。

在一种可能的实现方式中，若生物特征参数可以投影至某一生物特征坐标系，则上述各个异常风险等级关联的特征参数范围可以为在生物特征坐标系内的区域范围。在该情况下，该区域范围至少对应两个边界曲线，终端设备可以将上述边界曲线识别为上述的边界特征值。

在S903中，分别计算各个所述生物特征数据与所述边界特征值之间的距离值，确定所述生物特征数据对应的边界调整权重。

在本实施例中，终端设备可以根据计算生物特征数据与各个边界特征值之间的距离值，并根据距离值的最小值确定该生物特征数据的边界调整权重。由于生物特征数据与任意边界特征值越接近，则表示较难确定该生物特征数据对应的异常风险等级，即异常风险特征较为模糊(可能属于两个异常风险等级中的任一等级)，因此该生物特征数据的不确定性较大，则对应的边界调整权重越小；反之，若该生物特征数据与各个边界特征值距离越远，则表示能够明确确定该生物特征数据对应的异常风险等级，即异常风险等级较为明确，因此对应的边界调整权重越大。通过确定各个生物特征数据与边界之间的距离，确定边界调整权重，能够减少处于分类边界的生物特征数据对于预测信息的贡献，提高预测信息的准确性。

在一种可能的实现方式中，终端设备可以设置有距离阈值，从而可以将生物特征数据划分为边界特征数据或非边界特征数据。对于边界特征数据，则将该边界调整权重设置为第一位值，例如为0.1，而将非边界特征数据设置为第二位值，例如为1。

在一种可能的实现方式中，若生物特征数据可以投影到生物特征坐标系内，则上述边界值为边界曲线，终端设备可以计算生物特征数据的坐标到该边界曲线的距离，作为两者之间的距离值。

示例性地，图10示出了本申请一实施例提供的边界调整权重的确定示意图。参见图10所示，终端设备可以为不同的异常风险等级配置对应的参数特征范围，并基于各个参数特征范围配置对应的边界曲线，终端设备可以将各个生物特征数据投影到上述生物特征坐标系内，并计算各个生物特征数据对应的坐标与各个边界曲线之间的距离值，并基于该距离值确定生物特征数据对应的边界调整权重。

在S904中，基于所有所述生物特征数据、所述时间调整权重以及所述边界调整权重，得到预测特征数据，并将所述预测特征数据导入所述异常风险等级预测模型，得到所述预测信息。

在本实施例中，终端设备在配置了各个生物特征数据对应的时间调整权重以及边界调整权重后，可以将上述多个数据进行特征融合，生成预测特征数据，并将预测特征数据导入到上述的异常风险等级预测模型，确定目标用户的异常风险等级，该异常风险等级用于限定目标用户后续睡眠过程中发生OSA事件的概率，该异常风险等级可以用AHI指数限定，并将异常风险等级导入到信息模板内，生成预测信息。

示例性地，图11示出了本申请一实施例提供的生物特征数据的特征融合示意图。参见图11所示，终端设备获取了N个采集周期的生物特征数据(其中，N的数值为60)，每个生物特征数据包含有P个生物特征维度，该生物特征维度可以基于生物特征数据提取得到，也可以基于目标用户的用户信息提取得到。即所有生物特征数据构成了一N*P的矩阵，

终端设备可以为不同生物特征数据配置时间调整权重，且为不同的生物特征维度配置不同的权重值，即该时间调整权重也为一N*P的矩阵；另一方面，还为不同的生物特征数据配置对应的边界调整权重，即所有生物特征数据构成一1*N的矩阵，将上述各个矩阵进行相乘，最后融合为一P*1的矩阵，即上述的预测特征数据，F_P×1，将该预测特征数据导入到异常风险等级预测模型，得到预测信息。其中，基于时间调整权重以及边界调整权重构成上述预测特征数据可以具体表示为：

其中，T_P×N为N个生物特征数据的时间调整权重，Dist_N*1为N个生物特征数据的边界调整权重。

在本申请实施例中，通过配置时间调整权重以及边界调整权重，并基于上述两个权重对各个生物特征数据进行特征融合，从而生成预测特征数据，从而能够考虑时间维度与边界效应的影响，提高了预测信息的准确性。

图12示出了本申请第四实施例提供的一种睡眠报告的生成方法S501的具体实现流程图。参见图12，相对于图5所述实施例，本实施例提供的一种睡眠报告的生成方法中S501包括：S1201～S1203，具体详述如下：

进一步地，所述获取目标用户在多个采集周期得到的生物特征数据，包括：

在S1201中，接收可穿戴设备在预设的采集周期反馈的睡眠数据、心电数据和血氧数据，得到所述目标用户的原始生物数据。

在本实施例中，可穿戴设备可以佩戴于目标用户身上，通过可穿戴设备内的生物传感器获取目标用户的原始生物数据。该原始生物数据可以包括有睡眠数据、心电数据以及血氧数据中的一种或多种。其中，上述数据可以为在采集周期内各个采集时刻得到的参数值，也可以是在采集周期内有多个采集时刻的参数值构成的信号波形。

其中，上述睡眠数据具体为在各个采集时刻目标用户的睡眠深度。睡眠深度可以为一参数值，也可以为目标用户在各个睡眠状态内的持续时间。该睡眠状态包括但不限于清醒状态、眼球快速跳动状态、浅层睡眠状态以及深沉睡眠状态等。

其中，上述心电数据具体为在各个采集时刻目标用户的心电信息，例如包括有心率数据以及与心率变异性相关的特征值。以心率数据为例，上述心电数据可以包括：基于采集周期内各个采集时刻的心率值的先后次序，生成目标用户的心率曲线。

在S1202中，对所述原始生物数据进行解析，得到在多个预设的生物特征维度的参数值。

在本实施例中，终端设备可以根据原始生物数据的数据类型，获取对应的解析算法，例如对于睡眠数据，则可以通过睡眠特征解析算法；对于心电数据，则可以通过心电解析算法那等。终端设备可以获取从原始生物特征数据提取关于生物特征维度的参数值。举例性地，若原始生物数据可以为心电数据，则对应的生物特征维度可以包括有每分钟的平均心率值、心率最大值、心率最小值等以及与心率变异性的相关特征值。又例如，若原始生物数据包含有血氧数据，则对应的生物特征维度可以包括有血氧熵或压力指标等。

在一种可能的实现方式中，终端设备可以预先录入有目标用户的用户信息，例如用户年龄、用户身高、用户体重等信息，终端设备可以根据用户预先录入的用户信息获取对应的生物特征维度的参数值，即上述生物特征维度包含有基于原始生物数据确定的参数，也包含基于用户信息确定的参数。

在S1203中，基于多个所述参数值生成所述采集周期对应的所述生物特征数据。

在本实施例中，终端设备可以获取特征数据模板，该特征数据模板限定了各个生物特征维度在模板内的元素位置，并将各个生物特征维度的参数值导入到上述模板内关联的元素位置，从而生成了一个N维的特征序列，其中N的个数为生物特征维度的个数。

在本申请实施例中，通过可穿戴设备采集目标用户的原始生物数据，并对原始生物数据进行解析，得到生物特征数据，从而能够便于目标用户采集生物特征数据，提高了数据采集的便捷性，并且对采集后的生物特征数据进行预处理，提取生物特征数据，能够减少后续预测信息的运算量，提高了预测效率。

图13示出了本申请第五实施例提供的一种睡眠报告的生成方法S1203的具体实现流程图。参见图13，相对于图12所述实施例，本实施例提供的一种睡眠报告的生成方法中S1203包括：S1301～S1302，具体详述如下：

进一步地，所述基于多个所述参数值生成所述采集周期对应的所述生物特征数据，包括：

在S1301中，若所述目标用户在所述采集周期反馈有干扰事项，则基于所述干扰事项确定各个所述生物特征维度关联的干扰事项权重。

在本实施例中，目标用户可以为各个采集周期采集生物特征数据配置对应的干扰事项。由于目标用户的生活、工作等活动可以对生物特征数据造成一定的影响，为了消除上述生活活动对生物数据的影响，可以接收目标用户反馈的干扰事项。

举例性地，若目标用户在睡眠之前喝了大量的酒，则可能会导致血液中的酒精浓度升高，从而影响心率值以及血氧值等生物数据，又例如目标用户当日进行了马拉松比赛，则血液中的乳酸浓度会升高，且心率可能会维持在一个较高的水平，以持续消耗血液中的乳酸成分。因此，目标用户的一些生活活动会对采集到的生物数据造成较大的影响，因此可以通过反馈干扰事项，以对生物特征数据进行调整。

在一种可能的实现方式中，终端设备可以配置有干扰项列表，并为干扰项列表内的各个候选干扰事项配置对应的干扰事项权重。目标用户可以输入该干扰项列表内一个或多个候选干扰事项对应的事项编号，终端设备可以根据输入的事项编号，从上述干扰项列表中获取对应的干扰事项权重。

在一种可能的实现方式中，若用户反馈的干扰事项的个数为多个，则可以获取各个干扰事项对应的干扰事项权重，并基于多个干扰事项权重进行加权叠加，得到基于多个干扰事项对应的累计干扰权重。

在一种可能的实现方式中，若用户反馈的干扰事项的个数为多个，上述干扰项列表内可以存储由多个干扰项组合的干扰事项权重，终端设备可以根据具体包含的干扰事项，查询对应的干扰项组合，并基于该干扰项组合得到干扰项权重。

在S1302中，基于所述干扰事项权重调整各个所述生物特征维度对应的所述参数值，得到加权调整值，并基于所有所述加权调整值生成所述生物特征数据。

在本实施例中，终端设备可以通过干扰事项权重各个生物特征维度的参数值进行调整，以得到调整后的加权调整值，并将各个生物特征维度的加权调整值导入到上述生物数据模板内关联的元素位置，从而生成了一个N维的生物特征数据，其中N的个数为生物特征维度的个数。

示例性地，图14示出了本申请一实施例提供的用于干扰事项的界面示意图。参见图14所示，该操作界面内包含有多个控件，每个控件对应一个干扰事项，该干扰事项包含有“抽烟”、“喝酒”、“剧烈运动”、“节食”以及“其他”，该操作界面的顶部还表示有本次所需调整的采集周期的周期标识，例如为“4月10日的生物特征数据”，用户可以通过左右切换的控件，调整所需配置的生物特征数据。

在本申请实施例中，通过设置干扰事项，终端设备可以对生物特征数据进行对应的调整，以消除干扰事项对于生物特征数据的影响，提高了生物特征数据的准确性。

图15示出了本申请第六实施例提供的一种睡眠报告的生成方法S503的具体实现流程图。参见图15，相对于图5、图7、图9、图12以及图13任一所述实施例，本实施例提供的一种睡眠报告的生成方法S503包括：S1501～S1502，具体详述如下：

进一步地，所述基于所述预测信息输出所述目标用户的睡眠分析报告，包括：

在S1501中，若所述预测信息中的异常风险等级大于预设的安全阈值，则获取预警操作关联的用户终端。

在本实施例中，终端设备可以记录有安全阈值，若检测到该预测信息中的异常风险等级小于或等于上述的安全阈值，则表示当前的风险等级在目标用户处于可控范围内，此时可以只在终端设备上输出睡眠分析报告，可选地，无需提示目标用户进行查看，而是将睡眠分析报告存储于存储单元内，当目标用户发起查看指令时，可以显示上述的睡眠分析报告。

示例性地，图16示出了本申请一实施例提供的睡眠分析报告的输出示意图。参见图16所示，在异常风险等级小于或等于预设的安全阈值时，可以在预设的电子日历上对应日期的显示区域内，关联上述睡眠分析报告。用户可以通过点击各个日期的显示区域，以弹出关于该日的睡眠分析报告，以实现查看报告的目的。

在本实施例中，终端设备若检测到预测信息中的异常风险等级大于预设的安全阈值，则表示当前的风险等级在目标用户的预期之外，此时需要进行预警操作，以提示目标用户注意身体状态，避免发生意外。其中，目标用户可以关联有多个用户终端，上述用户终端可以为目标用户的所属设备，也可以为与目标用户存在关联关系的其他用户的设备，例如目标用户的监护人或子女的智能手机。

在S1502中，将所述睡眠分析报告发送给各个所述用户终端，以在所述用户终端的交互界面上显示所述睡眠分析报告。

在本实施例中，终端设备在确定了所需发送睡眠分析报告的用户终端后，可以与各个用户终端建立通信连接，并在建立通信连接后将生成的睡眠分析报告发送给各个与目标用户关联的用户终端，以通过各个用户终端的交互界面对睡眠分析报告进行显示。

示例性地，图17示出了本申请一实施例提供的睡眠分析报告的输出示意图。参见图17所示，与目标用户关联的用户终端包括有，目标用户佩戴的智能手表、目标用户使用过的智能以及与目标用户存在关联关系的其他用户的智能手机。其中智能手表可以通过页面提示的方式输出睡眠分析报告，并在输出时通过振动或闪烁屏幕等方式提示用户查看；而目标用户的智能手机则可以在通知栏上输出睡眠分析报告，同样地，也可以通过智能手机的扬声器播放提示声；而对于关联用户的智能手机，则可以通过短信提示的方式，告知目标用户的睡眠分析报告。

在本申请实施例中，在检测到目标用户的异常风险等级较高时，通过在多端进行预警提示的方式提醒用户查看睡眠分析报告，从而能够对异常情况进行告警。

图18示出了本申请第七实施例提供的一种睡眠报告的生成方法的S503具体实现流程图。参见图18，相对于图5、图7、图9、图12以及图13任一所述实施例，本实施例提供的一种睡眠报告的生成方法S503包括：S1801～S1802，具体详述如下：

进一步地，所述基于所述预测信息输出所述目标用户的睡眠分析报告，包括：

在S1801中，为所述睡眠分析报告内的各个分析项目配置关联的交互对象。

在本实施例中，终端设备可以通过互动的方式输出睡眠分析报告，从而能够提高显示过程的互动性，减少用户的抵触心理，也能够提高分析报告信息接收的效率。基于此，终端设备可以根据睡眠分析报告内包含的分析项目个数，获取对应个数的交互对象，并为各个交互对象关联对应的分析项目。例如，该睡眠分析报告内包含有异常风险等级、调养建议以及就诊指南等多个分析项目，终端设备可以上述三个分析项目配置对应的交互对象，以便用户在于某一交互对象进行互动时，可以输出与该交互对象关联的分析项目的内容。

在S1402中，接收所述目标用户发起的交互指令，并基于所述交互指令对应的所述交互对象的输出模式，显示所述交互对象关联的所述分析项目。

在本实施例中，终端设备可以在显示界面上述显示上述各个交互对象，用户可以向终端设备发起与任一交互对象进行互动的交互指令，例如点击、滑动、双击、长按等互动指令，终端设备可以对该互动指令进行解析，确定该互动指令关联的交互对象，并基于该交互对象预设的输出模式，显示与交互对象关联的分析项目。上述输出模式包括弹出、放大、渐现等输出模式。

示例性地，图19示出了本申请一实施例提供的交互界面图。参见图19所示，该交互界面内包含有多个气球，每个气球关联有一个分析项目，并在气球的表面中标记有对应的分析项目的项目名，用户可以通过点击任一气球以查看该分析项目的具体内容，实现了互动式查看睡眠分析报告的目的。

在本申请实施例中，通过生成互动界面，以便用户与互动界面内的交互对象进行互动操作，通过互动的方式获知睡眠分析报告的内容，从而提高了互动性。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

对应于上文实施例所述的睡眠报告的生成方法，图20示出了本申请实施例提供的睡眠报告的生成装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。

参照图20，该睡眠报告的生成装置包括：

生物特征数据获取单元201，用于获取目标用户在多个采集周期得到的生物特征数据；

预测信息生成单元202，用于将多个所述生物特征数据导入预设的异常风险等级预测模型，得到用于预测睡眠呼吸暂停事件发生概率的预测信息；

睡眠分析报告输出单元203，用于基于所述预测信息输出所述目标用户的睡眠分析报告。

可选地，所述睡眠报告的生成装置还包括：

训练数据获取单元，用于获取多个历史用户在所述多个连续的采集周期得到的训练生物数据；各个所述历史用户对应用于指示睡眠呼吸暂停发生概率的用户标签；

多模型训练单元，用于基于所述训练生物数据以及所述用户标签，对各个候选分类模型进行训练，并得到各个训练后的所述候选分类模型对应的损失值；

异常风险等级预测模型生成单元，用于从所有所述训练后的所述候选分类模型中选取损失值最小的训练后的候选分类模型作为所述异常风险等级预测模型。

可选地，所述预测信息生成单元202包括：

时间调整权重确定单元，用于根据各个采集周期的采集时刻与触发生成所述预测信息的时刻之间的差值，确定各个所述生物特征数据对应的时间调整权重；

边界特征值确定单元，用于基于各个预设的异常风险等级关联的特征参数范围，确定多个边界特征值；

边界调整权重确定单元，用于分别计算各个所述生物特征数据与所述边界特征值之间的距离值，确定所述生物特征数据对应的边界调整权重；

预测特征数据确定单元，用于基于所有所述生物特征数据、所述时间调整权重以及所述边界调整权重，得到预测特征数据，并将所述预测特征数据导入所述异常风险等级预测模型，得到所述预测信息。

可选地，所述生物特征数据获取单元201包括：

原始生物数据接收单元，用于接收可穿戴设备在预设的采集周期反馈的睡眠数据、心电数据和血氧数据，得到所述目标用户的原始生物数据；

参数值提取单元，用于对所述原始生物数据进行解析，得到在多个预设的生物特征维度的参数值；

生物特征数据生成单元，用于基于多个所述参数值生成所述采集周期对应的所述生物特征数据。

可选地，所述生物特征数据生成单元包括：

干扰事项权重确定单元，用于若所述目标用户在所述采集周期反馈有干扰事项，则基于所述干扰事项确定各个所述生物特征维度关联的干扰事项权重；

干扰事项权重加权单元，用于基于所述干扰事项权重调整各个所述生物特征维度对应的所述参数值，得到加权调整值，并基于所有所述加权调整值生成所述生物特征数据。

可选地，所述睡眠分析报告输出单元203包括：

异常预警单元，用于若所述预测信息中的异常风险等级大于预设的安全阈值，则获取预警操作关联的用户终端；

异常预警执行单元，用于将所述睡眠分析报告发送给各个所述用户终端，以在所述用户终端的交互界面上显示所述睡眠分析报告。

可选地，所述睡眠分析报告输出单元203包括：

交互对象配置单元，用于为所述睡眠分析报告内的各个分析项目配置关联的交互对象；

交互对象响应单元，用于接收所述目标用户发起的交互指令，并基于所述交互指令对应的所述交互对象的输出模式，显示所述交互对象关联的所述分析项目。

因此，本申请实施例提供的睡眠报告的生成装置同样可以根据连续多日采集得到的关于目标用户的生物特征数据，导入到预设的异常风险等级预测模型，从而得到预测信息，根据预测信息可以推断目标用户发生睡眠呼吸暂停事件的概率，并将包含上述预测信息的睡眠分析报告输出给目标用户，能够实现对OSA事件的预测，方便了用户确定自身的身体状况，提高了检测效果以及用户的使用体验。

图21为本申请一实施例提供的终端设备的结构示意图。如图21所示，该实施例的终端设备21包括：至少一个处理器210(图21中仅示出一个)处理器、存储器211以及存储在所述存储器211中并可在所述至少一个处理器210上运行的计算机程序212，所述处理器210执行所述计算机程序212时实现上述任意各个睡眠报告的生成方法实施例中的步骤。

所述终端设备21可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器210、存储器211。本领域技术人员可以理解，图21仅仅是终端设备21的举例，并不构成对终端设备21的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所称处理器210可以是中央处理单元(Central Processing Unit，CPU)，该处理器210还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器211在一些实施例中可以是所述终端设备21的内部存储单元，例如终端设备21的硬盘或内存。所述存储器211在另一些实施例中也可以是所述**装置/终端设备21的外部存储设备，例如所述终端设备21上配备的插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器211还可以既包括所述终端设备21的内部存储单元也包括外部存储设备。所述存储器211用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器211还可以用于暂时地存储已经输出或者将要输出的数据。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个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上述任意各个方法实施例中的步骤。

本申请实施例还提供了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，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种睡眠报告的生成方法，其特征在于，包括：

获取目标用户在多个采集周期得到的生物特征数据；

将多个所述生物特征数据导入预设的异常风险等级预测模型，得到用于预测睡眠呼吸暂停事件发生概率的预测信息；

基于所述预测信息输出所述目标用户的睡眠分析报告。

2.根据权利要求1所述的生成方法，其特征在于，在所述将多个所述生物特征数据导入预设的异常风险等级预测模型，得到用于预测睡眠呼吸暂停事件发生概率的预测信息之前，还包括：

获取多个历史用户在所述多个连续的采集周期得到的训练生物数据；各个所述历史用户对应用于指示睡眠呼吸暂停发生概率的用户标签；

基于所述训练生物数据以及所述用户标签，对各个候选分类模型进行训练，并得到各个训练后的所述候选分类模型对应的损失值；

从所有所述训练后的所述候选分类模型中选取损失值最小的训练后的候选分类模型作为所述异常风险等级预测模型。

3.根据权利要求1所述的生成方法，其特征在于，所述将多个所述生物特征数据导入预设的异常风险等级预测模型，得到用于预测睡眠呼吸暂停事件发生概率的预测信息，包括：

根据各个采集周期的采集时刻与触发生成所述预测信息的时刻之间的差值，确定各个所述生物特征数据对应的时间调整权重；

基于各个预设的异常风险等级关联的特征参数范围，确定多个边界特征值；

分别计算各个所述生物特征数据与所述边界特征值之间的距离值，确定所述生物特征数据对应的边界调整权重；

基于所有所述生物特征数据、所述时间调整权重以及所述边界调整权重，得到预测特征数据，并将所述预测特征数据导入所述异常风险等级预测模型，得到所述预测信息。

4.根据权利要求1所述的生成方法，其特征在于，所述获取目标用户在多个采集周期得到的生物特征数据，包括：

接收可穿戴设备在预设的采集周期反馈的睡眠数据、心电数据和血氧数据，得到所述目标用户的原始生物数据；

对所述原始生物数据进行解析，得到在多个预设的生物特征维度的参数值；

基于多个所述参数值生成所述采集周期对应的所述生物特征数据。

5.根据权利要求4所述的生成方法，所述基于多个所述参数值生成所述采集周期对应的所述生物特征数据，包括：

若所述目标用户在所述采集周期反馈有干扰事项，则基于所述干扰事项确定各个所述生物特征维度关联的干扰事项权重；

基于所述干扰事项权重调整各个所述生物特征维度对应的所述参数值，得到加权调整值，并基于所有所述加权调整值生成所述生物特征数据。

6.根据权利要求1-5任一所述的生成方法，其特征在于，所述基于所述预测信息输出所述目标用户的睡眠分析报告，包括：

若所述预测信息中的异常风险等级大于预设的安全阈值，则获取预警操作关联的用户终端；

将所述睡眠分析报告发送给各个所述用户终端，以在所述用户终端的交互界面上显示所述睡眠分析报告。

7.根据权利要求1-5任一所述的生成方法，其特征在于，所述基于所述预测信息输出所述目标用户的睡眠分析报告，包括：

为所述睡眠分析报告内的各个分析项目配置关联的交互对象；

接收所述目标用户发起的交互指令，并基于所述交互指令对应的所述交互对象的输出模式，显示所述交互对象关联的所述分析项目。

8.一种睡眠报告的生成装置，其特征在于，包括：

生物特征数据获取单元，用于获取目标用户在多个采集周期得到的生物特征数据；

预测信息生成单元，用于将多个所述生物特征数据导入预设的异常风险等级预测模型，得到用于预测睡眠呼吸暂停事件发生概率的预测信息；

睡眠分析报告输出单元，用于基于所述预测信息输出所述目标用户的睡眠分析报告。

9.一种终端设备，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，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7任一项所述的方法。

10.一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7任一项所述的方法。

Images