CN114027669A

CN114027669A - 床垫受力调整方法、装置、床垫及存储介质

Info

Publication number: CN114027669A
Application number: CN202111509367.2A
Authority: CN
Inventors: 陈向文; 李绍斌; 宋德超; 罗晓宇; 陈翀; 王鹏飞
Original assignee: Gree Electric Appliances Inc of Zhuhai; Zhuhai Lianyun Technology Co Ltd
Current assignee: Gree Electric Appliances Inc of Zhuhai; Zhuhai Lianyun Technology Co Ltd
Priority date: 2021-12-10
Filing date: 2021-12-10
Publication date: 2022-02-11
Anticipated expiration: 2041-12-10
Also published as: CN114027669B

Abstract

本申请涉及一种床垫受力调整方法、装置、床垫及存储介质。其中，方法包括：获取床垫中压电薄膜传感器所采集到的用户数据；基于所述用户数据对所述床垫各个位置处的受力进行调整。采用本发明提供的方案能调整用户的睡眠姿态，进而保证用户良好的睡眠。

Description

床垫受力调整方法、装置、床垫及存储介质

技术领域

本申请涉及智能床垫技术领域，尤其涉及一种床垫受力调整方法、装置、床垫及存储介质。

背景技术

睡眠问题不仅困扰老年人，同时也困扰着工作压力大的青年以及学习压力大的学生团体，如何提高睡眠质量是目前市面较为关注的重要问题。市场上，大多数用户通过生理性药物治疗以及饮食治疗居多，甚至有利用推荐的乳胶质量好的睡眠产品辅助进行睡眠质量改善。

但上述方式并没有从用户生活睡眠习惯等从本质上去提升睡眠质量，因此，在改进用户睡眠质量方面尚存在较大的改进空间。

发明内容

本申请提供了一种床垫受力调整方法、装置、床垫及存储介质，以解决用户睡眠姿势较差影响用户睡眠的技术问题。

第一方面，本申请提供了一种床垫受力调整方法，所述方法包括：

获取床垫中压电薄膜传感器所采集到的用户数据；

基于所述用户数据对所述床垫各个位置处的受力进行调整。

在一实施例中，所述获取床垫中压电薄膜传感器所采集到的用户数据包括：

将所述压电薄膜传感器所采集到的振动信号转换为电信号；

根据所述电信号获取用户数据。

在一实施例中，所述根据所述电信号获取用户数据包括：

设置采样频率、低通滤波器初始参数阈值和高通滤波器初始参数阈值；

基于所述采样频率、所述低通滤波器初始参数阈值和所述高通滤波器初始参数阈值，对所述电信号进行处理，获取用户睡眠时的心跳数据、呼吸数据、体动数据、床垫受力数据以及睡眠深度数据；

将所述心跳数据、呼吸数据、体动数据、床垫受力数据以及睡眠深度数据作为所述用户数据。

在一实施例中，所述基于所述用户数据对所述床垫各个位置处的受力进行调整包括：

基于所述用户数据利用深度学习模型对所述床垫各个位置处的受力进行调整。

在一实施例中，所述深度学习模型包括输入层、隐藏层和输出层，所述基于所述用户数据利用深度学习模型对所述床垫各个位置处的受力进行调整包括：

将所述用户数据输入所述深度学习模型中的输入层，并获取所述深度学习模型中输出层所输出的输出结果；

基于所述输出结果对所述床垫各个位置处的受力进行调整。

在一实施例中，基于所述用户数据利用深度学习模型对所述床垫各个位置处的受力进行调整之前，所述方法还包括：

训练所述深度学习模型。

在一实施例中，所述训练所述深度学习模型包括：

初始化所述深度学习模型中的参数值；

获取输入样本和对应的期望输出值；

将所述输入样本输入至所述深度学习模型中，获得输出结果；

根据所述输出结果和所述期望输出值，修正所述参数值；

将所述输入样本输入至参数值修正后的深度学习模型中，获得输出结果；

根据所述输出结果和所述期望输出值，再次修正所述参数值；重复上述过程，直至所述参数值的修正次数达到预设次数时，结束所述深度学习模型的训练过程。

第二方面，本申请提供了一种床垫受力调整装置，所述床垫受力调整装置包括：

获取模块，用于获取床垫中压电薄膜传感器所采集到的用户数据；

调整模块，用于基于所述用户数据对所述床垫各个位置处的受力进行调整。

第三方面，本申请提供了一种床垫，包括压电薄膜传感器、处理器、通信接口、存储器和通信总线，其中，压电薄膜传感器，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，与所述压电薄膜传感器连接，并实现第一方面任一项实施例所述方法的步骤。

第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项实施例所述方法的步骤。

本申请实施例提供的上述技术方案与现有技术相比具有如下优点：

本申请实施例提供的该方法，能调整用户的睡眠姿态，进而保证用户良好的睡眠。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

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，对于本领域普通技术人员而言，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为本申请实施例提供的一种床垫受力调整方法的流程示意图；

图2为本申请应用实施例基于压电薄膜传感器的智能床垫设计应用整体流程示意图；

图3为本申请应用实施例睡眠时长调节流程示意图；

图4为本申请应用实施例深度学习算法智能化调节智能设备流程示意图；

图5为本申请实施例提供的一种床垫的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本申请实施例提供的一种床垫受力调整方法的流程示意图。如图1所示，该方法包括：

步骤101：获取床垫中压电薄膜传感器所采集到的用户数据；

步骤102：基于所述用户数据对所述床垫各个位置处的受力进行调整。

具体地，本实施例可通过调整床垫各不同位置处的受力情况来实现对用户睡眠姿势的调节，进而改善用户睡眠质量，保障用户睡眠舒适度，进而提高工作、学习以及生活效率。

进一步地，在一实施例中，所述获取床垫中压电薄膜传感器所采集到的用户数据包括：

将所述压电薄膜传感器所采集到的振动信号转换为电信号；

根据所述电信号获取用户数据。

这里，用户数据可包括用户睡眠时的心跳数据、呼吸数据、体动数据、床垫受力数据以及睡眠深度数据。

实际应用时，用户睡眠过程可分为以下几个阶段：清醒、浅睡、深睡以及快速眼动期。通过对压电薄膜传感器转换后的电信号进行处理，可确定用户各个睡眠阶段的时长以及用户各个睡眠时刻所处的睡眠阶段。

在一实施例中，所述根据所述电信号获取用户数据包括：

实际应用时，可基于检测需求设置采样频率、低通滤波器初始参数阈值和高通滤波器初始参数阈值。在设置采样频率、低通滤波器初始参数阈值和高通滤波器初始参数阈值后，可基于所述电信号通过均值整形以及统计学方法获取用户睡眠时的心跳数据、呼吸数据、体动数据、床垫受力数据以及睡眠深度数据。

进一步地，在一实施例中，所述基于所述用户数据对所述床垫各个位置处的受力进行调整包括：

实际应用时，所述深度学习模型可包括输入层、隐藏层和输出层。其中，定义深度学习模型中的输入层有n个神经元，隐藏层有p个神经元，输出层有q个神经元，输入向量为x，隐含层输入向量和输出向量分别为h_i、h_o，输出层输入向量和输出向量分别为y_i和y_o，期望输出量为d_o。

在一实施例中，所述基于所述用户数据利用深度学习模型对所述床垫各个位置处的受力进行调整包括：

基于所述输出结果对所述床垫各个位置处的受力进行调整。

进一步地，在一实施例中，基于所述用户数据利用深度学习模型对所述床垫各个位置处的受力进行调整之前，所述方法还包括：

训练所述深度学习模型。

具体地，在一实施例中，所述训练所述深度学习模型包括：

初始化所述深度学习模型中的参数值；

获取输入样本和对应的期望输出值；

根据所述输出结果和所述期望输出值，修正所述参数值；

进一步地，可基于以下步骤完成深度学习模型的训练过程：

(1)神经网络初始化：设定各连接权重值w(输入层与隐藏层权重值W_ih、隐藏层与输出层权重值W_ho)、各神经元阈值b(输入层与隐藏层阈值b_ih、隐藏层与输出层阈值b_ho)误差函数E、激活函数F、计算精度值ε以及最大学习次数M；

(2)随机选取第k个输入样本(m个样本)及对应期望输出值：

x(k)＝(x₁(k),x₂(k),Λ,x_n(k))

d_o(k)＝(d₁(k),d₂(k),Λ,d_n(k))

(3)计算隐藏层各神经元的输入与输出值：

h_o(k)＝F(h_i(k))

y_o(k)＝F(y_i(k))

(4)计算误差函数对输出层、隐藏层各神经元偏导数并利用反向传递修正各连接权重值；

(5)计算全局误差值；

(6)判别网络误差是否满足最大设定次数，若不满足则循环(3)和(4)不断修正网络参数，以达到最优效果；若满足，则结束算法。

当深度学习模型训练完成后，可基于所述用户数据利用深度学习模型对所述床垫各个位置处的受力进行调整。

本发明实施例提供的床垫受力调整方法，获取床垫中压电薄膜传感器所采集到的用户数据；基于所述用户数据对所述床垫各个位置处的受力进行调整。采用本发明提供的方案能调整用户的睡眠姿态，进而保证用户良好的睡眠。

下面结合应用实施例对本发明再作进一步详细的描述。

本应用实施例提供一种基于压电薄膜传感器智能床垫设计应用。可通过人工智能算法技术从用户生活睡眠习惯等从本质上去提升睡眠质量，帮助用户实现更长时间的睡眠。

具体地，本实施例利用多个压电薄膜传感器，将压电薄膜传感器采集到的用户在睡眠中不同姿势状态所受的人体振动信号转换为电信号；基于所述电信号，利用深度学习算法实现智能床垫调节，通过调整床垫各不同位置处的受力情况以实现对用户睡眠姿势调节，进而改善用户睡眠质量，保障用户睡眠舒适度，进而提高工作、学习以及生活效率。

这里，根据压电薄膜传感器在用户在睡眠中不同姿势状态所受的人体振动信号转换为电信号，可进一步获取人体睡眠时心跳、呼吸、体动、人体不同睡眠姿态下的睡眠床垫的受力情况，以及对睡眠不同时段的睡眠阶段分期，而后利用深度学习算法实现智能床垫调节以间接促使用户睡眠姿势，调整用户睡眠阶段，保证用户足够的睡眠时长，通过调整床垫各不同位置处的受力情况保证用户良好的睡眠周期，间接性保证用户工作、生活以及学习效率的提升。

进一步地，参见图2，压电薄膜传感器的智能床垫设计应用整体流程具体可以为：

步骤201：开始；

步骤202：床垫多个压电薄膜传感器将振动信号转换为电信号；

步骤203：采样频率、低通滤波器以及高通滤波器初始化设置参数阈值；

步骤204：均值整形监测上升沿计数；

步骤205：判别呼吸、心跳等间隔，统计学输出结果；

步骤206：深度学习根据压电薄膜传感器获取数据实现智能床垫调节；

步骤207：用户睡眠状态以及睡眠质量是否最佳？

若是，则执行步骤208，若否，则返回执行步骤206；

步骤208：结束。

另外，基于多个压电薄膜传感器的智能床垫通过对人体不同部位的数据分析以实现对睡眠姿势调节实现对用户睡眠质量调节，保证用户睡眠时长，使其间接反馈作用于睡眠不同阶段即(清醒、浅睡、深睡以及快速眼动期)。

进一步地，基于上述过程，参见图3，睡眠时长调节流程具体可以为：

步骤301：开始；

步骤302：床垫多个压电薄膜传感器将振动信号转换为电信号；

步骤303：采样频率、低通滤波器以及高通滤波器初始化设置参数阈值；

步骤304：获取用户心跳、呼吸、体动、心率变异性、多传感器感受压力值等数据；

步骤305：用户睡眠分期、记录用户睡眠各时期时长以及对多传感器感受压力值匹配至各睡眠期；

步骤306：深度学习算法实现智能床垫的调节保证用户足够的睡眠时长；

步骤307：用户睡眠质量反馈，动态调整用户睡眠机制，床垫实现自我调节；

步骤308：结束。

实际应用时，基于压电薄膜传感器智能床垫的完整调节过程可为如下步骤：

步骤1：获取用户人体体重、环境温度与湿度等参数、用户睡眠姿势下多个压电薄膜传感器采集用户睡眠所承受压力值等；

步骤2：利用压电薄膜传感器将用户坐姿的振动信号转换为电信号，设置采样频率获取初始数据，根据需求设计低通滤波器组通过均值整形以及统计学方法获取用户此时的呼吸、心率、体动强度等生理信号值；

步骤3：利用步骤2实现睡眠分期并与时长相对应，将其作为步骤4输入量之一；

步骤4：利用深度学习BP神经网络算法实现智能床垫对用户睡眠姿势的调节，其中搭建神经网络的具体流程如下：

参见图4，先定义网络结构：输入层有n个神经元，隐藏层有p个神经元，输出层有q个神经元，输入向量为x，隐含层输入向量和输出向量分别为hi、ho，输出层输入向量和输出向量分别为yi和yo，期望输出量为do。

(2)随机选取第k个输入样本(m个样本)及对应期望输出值：

x(k)＝(x₁(k),x₂(k),Λ,x_n(k))

d_o(k)＝(d₁(k),d₂(k),Λ,d_n(k))

(3)计算隐藏层各神经元的输入与输出值：

h_o(k)＝F(h_i(k))

y_o(k)＝F(y_i(k))

(5)计算全局误差值；

基于上述过程(1)-(6)完成对BP神经网络模型训练的过程。

步骤5：利用搭建的网络模型，根据用户睡眠姿势、所属睡眠分期阶段以及环境中智能设备开启状态(获取环境的温湿度等参数)，智能床垫改变用户身体部位受力情况，间接性改变用户睡眠状态，此时再次获取用户睡眠所属于分期阶段间接改变联动设备状态，间接性影响睡眠以及睡眠姿势调节。

步骤6：根据用户睡眠后反馈意见，将其作为影响睡眠姿势调节的输入参数之一，智能床垫调节人体睡眠姿势不同部位受力情况以改变用户睡眠质量，使其智能化、人性化为用户提供高质量睡眠。

通过调整床垫各不同位置处的受力情况以实现对用户睡眠姿势调节，进而改善用户睡眠质量，保障用户睡眠舒适度，进而提高工作、学习以及生活效率。

为了实现本发明实施例的方法，本发明实施例还提供了一种床垫受力调整装置，该床垫受力调整装置包括：

需要说明的是：上述实施例提供的上述装置在执行时，仅以上述各程序模块的划分进行举例说明，实际应用时，可以根据需要而将上述处理分配由不同的程序模块完成，即将终端的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的上述装置与上述方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

如图5所示，本申请实施例提供了一种床垫，包括处理器111、通信接口112、存储器113、通信总线114和压电薄膜传感器115，其中，处理器111，通信接口112，存储器113，压电薄膜传感器115通过通信总线114完成相互间的通信，

存储器113，用于存放计算机程序；

在本申请一个实施例中，处理器111，用于执行存储器113上所存放的程序时，与压电薄膜传感器115连接，并实现前述任意一个方法实施例提供的方法的步骤。

本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述任意一个方法实施例提供的方法的步骤。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims

1.一种床垫受力调整方法，其特征在于，所述方法包括：

获取床垫中压电薄膜传感器所采集到的用户数据；

基于所述用户数据对所述床垫各个位置处的受力值进行调整。

2.根据权利要求1所述的方法，其特征在于，所述获取床垫中压电薄膜传感器所采集到的用户数据包括：

将所述压电薄膜传感器所采集到的振动信号转换为电信号；

根据所述电信号获取用户数据。

3.根据权利要求2所述的方法，其特征在于，所述根据所述电信号获取用户数据包括：

4.根据权利要求1所述的方法，其特征在于，所述基于所述用户数据对所述床垫各个位置处的受力进行调整包括：

5.根据权利要求4所述的方法，其特征在于，所述深度学习模型包括输入层、隐藏层和输出层，所述基于所述用户数据利用深度学习模型对所述床垫各个位置处的受力进行调整包括：

基于所述输出结果对所述床垫各个位置处的受力进行调整。

6.根据权利要求4所述的方法，其特征在于，基于所述用户数据利用深度学习模型对所述床垫各个位置处的受力进行调整之前，所述方法还包括：

训练所述深度学习模型。

7.根据权利要求6所述的方法，其特征在于，所述训练所述深度学习模型包括：

初始化所述深度学习模型中的参数值；

获取输入样本和对应的期望输出值；

将所述输入样本输入至所述深度学习模型中，获得第一输出结果；

根据所述第一输出结果和所述期望输出值，修正所述参数值；

将所述输入样本输入至参数值修正后的深度学习模型中，获得第二输出结果；

根据所述第二输出结果和所述期望输出值，再次修正所述参数值；重复上述过程，直至所述参数值的修正次数达到预设次数时，结束所述深度学习模型的训练过程。

8.一种床垫受力调整装置，其特征在于，所述床垫受力调整装置包括：

9.一种床垫，其特征在于，包括压电薄膜传感器、处理器、通信接口、存储器和通信总线，其中，压电薄膜传感器，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，与所述压电薄膜传感器连接，并实现权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，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任一项所述方法的步骤。