CN114073493A - 生理数据采集方法、装置及可穿戴设备 - Google Patents

Abstract

本申请提供了生理数据采集方法、装置及可穿戴设备，适用于数据采集技术领域，该方法包括：若检测到用户入睡，则识别第一时间段内用户进入长时间睡眠的第一次数是否小于次数阈值。若第一次数阈值小于次数阈值，则开启第一传感器，并通过第一传感器采集用户的第一生理数据。若检测到用户醒来，则关闭第一传感器。因此相比全天候开启相关传感器而言，本申请实施例可以减少大量的传感器采集工作。而通过设置次数阈值，可以减少对短时间睡眠开启相关传感器的概率。因此本申请实施例可以降低传感器采集长时间睡眠期间生理数据的工作量，降低功耗，减少可穿戴设备耗电量并提升续航能力。

Description

生理数据采集方法、装置及可穿戴设备

技术领域

本申请属于数据采集技术领域，尤其涉及生理数据采集方法、装置及可穿戴设备。

背景技术

睡眠是人类最重要的生理活动之一。研究表明，有大量人群存在睡眠困扰，甚至存在失眠问题。因此如何准确地进行睡眠监测，帮助用户更好地了解自身的睡眠情况至关重要。为了实现睡眠监测，现有技术会在手环或手表等可穿戴设备内设置可采集生理数据的传感器，并使用这些传感器采集用户生理数据。再基于采集到的生理数据进行分析，以实现用户的睡眠监测。

睡眠可以分为长时间睡眠和短时间睡眠。其中长时间睡眠是指睡眠时长达到一定时长阈值，例如夜间睡眠。而短时间睡眠则是指睡眠时长较短，未达到一定的时长阈值，例如午睡和小憩。长时间睡眠是用户主要的休息方式，也是用户最为关注的睡眠类型。长时间睡眠的时长较长，因此用户睡眠过程中，可穿戴设备可监测到数据较多，具备精细化睡眠分析的可能。基于长时间睡眠进行睡眠精细化分析，并给出睡眠质量评分和指导建议。有利于用户了解自身睡眠情况并进行针对性改善。

为了实现长时间睡眠的监测，现有技术会持续开启可穿戴设备中的相关传感器，并持续进行用户生理数据采集。再从采集到的生理数据中识别出长时间睡眠期间的生理数据并进行分析。这样虽然可以实现对用户长时间睡眠的生理数据采集和睡眠监测，但生理数据采集和睡眠监测的功耗均较高。使得可穿戴设备耗电较快续航能力差，导致用户体验较差。

发明内容

有鉴于此，本申请实施例提供了生理数据采集方法、装置及可穿戴设备，可以解决现有技术中，采集用户长时间睡眠期间的生理数据功耗较高的问题。

本申请实施例的第一方面提供了一种生理数据采集方法，应用于包含第一传感器的可穿戴设备，包括：

对用户进行入睡检测。

若检测到用户入睡，则识别第一时间段内用户进入长时间睡眠的第一次数是否小于次数阈值。

对用户进行醒来检测。

若第一次数阈值小于次数阈值，则开启第一传感器，并通过第一传感器采集用户的第一生理数据。

若检测到用户醒来，则关闭第一传感器。

本申请实施例在睡眠监测开启的期间并不会持续开启传感器，而是持续进行用户入睡的监测。在监测到用户入睡时，会判断用户最近的第一时间段内长时间睡眠的次数是否达到次数阈值。并仅会在没有达到次数阈值时开启传感器，对用户进行生理数据的采集。同时在用户睡眠期间继续对用户进行醒来的监测，并在监测到用户醒来时关闭传感器。其中，第一时间段的为过去的一段时间，具体的时间段范围可由技术人员根据实际情况设定。

由于正常生活和工作中，用户大部分时间是处于清醒状态的。因此相比全天候开启相关传感器而言，本申请实施例可以减少大量的传感器采集工作，减少功耗。而通过设置次数阈值，可以有效避免对用户所有睡眠都进行生理数据采集的情况，减少了对短时间睡眠开启相关传感器的概率。因此本申请实施例可以降低传感器采集长时间睡眠期间生理数据的工作量，降低功耗，减少可穿戴设备耗电量并提升续航能力。

在第一方面的第一种可能的实现方式中，若检测到用户入睡，则识别第一时间段内用户进入长时间睡眠的第一次数是否小于次数阈值，包括：

若检测到用户入睡，则识别入睡的时间是否处于第二时间段内。

若此次入睡的时间处于第二时间段内，则识别第一时间段内用户进入长时间睡眠的第一次数是否小于次数阈值。

针对可穿戴设备可以获取到用户长时间睡眠的历史睡眠数据的情况。本申请实施例预先根据用户的长时间睡眠习惯来预估用户实际长时间睡眠的入睡时间范围(即第二时间段)。在睡眠监测开启的期间不持续开启传感器，而是持续进行用户入睡的监测。在监测到用户入睡时，判断此次入睡的时间是否处于入睡时间范围。若处于则说明此次极有可能是长时间睡眠，因此会判断用户第一时间段内长时间睡眠的次数是否达到次数阈值。

考虑到实际生活中，用户长时间睡眠是具有极强的规律性的行为。因此本申请实施例通过对用户历史睡眠数据的分析，自适应得到用户习惯的入睡时间范围，可以精确区分出用户此次睡眠是否可能是长时间睡眠。因此本申请实施例会以用户是否入睡、入睡时间是否为用户习惯的入睡时间范围，以及最近一段时间内长时间睡眠次数是否达到次数阈值三个条件来判定是否开启传感器。可以精确的确认出用户每次入睡的意图，实现对长时间睡眠的精确识别。因此可以有效避免对用户所有睡眠都进行生理数据采集的情况，减少了对短时间睡眠开启相关传感器的概率。可以降低生理数据采集功耗。

在第一方面的第一种可能的实现方式的基础上，作为第一方面的第二种可能的实现方式，在识别此次入睡的时间是否处于第二时间段内之前，还包括：

获取用户在第三时间段内的历史睡眠数据。

对历史睡眠数据进行分析，得到第二时间段。

在本申请实施例中，会获取用户在过去一段时间(即第三时间段)内的历史睡眠数据。在获取到历史睡眠数据的基础上，本申请实施例会对历史睡眠数据进行分析，以得到用户日常进入长时间睡眠的入睡时间范围。从而实现对用户入睡习惯的自适应学习，使得入睡时间范围更加适用于用户自身，因此对长时间睡眠的入睡检测更为精准可靠。

在第一方面的第二种可能的实现方式的基础上，作为第一方面的第三种可能的实现方式，对历史睡眠数据进行分析，得到第二时间段，包括：

对历史睡眠数据进行分析，得到用户在第三时间段内，每天睡眠时长最长的k次睡眠关联的睡眠段数据，其中k等于次数阈值。

从睡眠段数据中筛选出睡眠时长大于或等于时长阈值的睡眠关联的睡眠段数据，并读取各个筛选出的睡眠段数据中包含的入睡时间。

对读取出的入睡时间进行分析，得到第二时间段。

在本申请实施例中，对第三时间段内每天的睡眠情况分别进行分析，得到每天内睡眠时长最长的次数阈值个睡眠段数据。再利用时长阈值进行筛选，即可得到第三时间段内，每天实际长时间睡眠的睡眠段数据。最后从这些睡眠段数据中提取出入睡时间并进行分析得到第二时间段。从而使得本申请实施例可以实现对用户每天进入长时间睡眠时间的自适应学习和精确提取，使得对长时间睡眠的入睡检测更为精准可靠。

在第一方面的第三种可能的实现方式的基础上，作为第一方面的第四种可能的实现方式，在筛选出睡眠段数据之后，还包括：

获取筛选出的睡眠段数据对应的睡眠时长，并根据睡眠时长更新时长阈值。

利用历史睡眠数据来更新时长阈值，使得时长阈值的取值可以自适应于用户实际的睡眠习惯。因此在对用户长时间睡眠的识别过程中，可以使得对用户长时间睡眠的识别准确率更高，进而使得对传感器的开启时机选择的更为精准，减少对传感器的误开启。因此可以降低采集用户长时间睡眠期间的生理数据功耗。

在第一方面的第一种至第四种可能的实现方式的基础上，作为第一方面的第五种可能的实现方式，还包括：

若检测到用户醒来，则统计用户从入睡到醒来的第一时长。

若第一时长大于或等于时长阈值，则判定此次睡眠为长时间睡眠，并更新第一次数。

本申请实施例在确认出此次睡眠是长时间睡眠后，会及时更新第一次数，以保障第一次数的准确性。

在第一方面的第五种可能的实现方式的基础上，作为第一方面的第六种可能的实现方式，还包括：

若第一时长大于或等于时长阈值，对此次采集到的第一生理数据进行分析，得到对应的睡眠分析数据，以实现对此次长时间睡眠的监测。

在第一方面的第一种至第四种可能的实现方式的基础上，作为第一方面的第七种可能的实现方式，还包括：

若检测到用户醒来，则统计用户从入睡到醒来的第一时长。

若第一时长小于时长阈值，则对用户进行入睡检测。

若检测到用户入睡，则对用户进行醒来检测，并开启第一传感器，通过第一传感器采集用户的第二生理数据。

若检测到用户醒来，则关闭第一传感器。

在本申请实施例中，为了防止用户正常长时间睡眠被打断，导致需要重新进行长时间睡眠的情况无法识别。本申请实施例会在识别出用户此次睡眠时长不足时长阈值的时候，将用户下一次入睡行为设置为传感器开启。即此时不再进行是否处于入睡时间范围以及是否达到次数阈值的判断，而是在检测到入睡时直接开启传感器，并进行用户生理数据的采集。通过本申请实施例，即使用户在长时间睡眠期间被噪声等干扰因素打断睡眠，也可以及时对用户重新进入长时间睡眠进行生理数据采集。使得对长时间睡眠期间生理数据的采集更为精准可靠。

在第一方面的第三种或第四种可能的实现方式的基础上，作为第一方面的第八种可能的实现方式，获取用户在第三时间段内的历史睡眠数据，包括：

识别当前时间段的时间段类型，得到第一类型。

从第三时间段内筛选出时间段类型为第一类型的第四时间段。

获取第四时间段内的历史睡眠数据。

本申请实施例在进行入睡时间段分析时，会从过去一段时间筛选出当前时间段所属时间段类型的时间段(即第四时间段)，并针对性地获取这些时间段内的历史睡眠数据。从而使得本申请实施例可以针对当前时间段所属时间段类型进行入睡时间范围分析，进而实现对用户睡眠习惯的精确学习和识别。使得本申请实施例对用户长时间睡眠的识别更为精准，对传感器的开启时机更为准确有效。

在第一方面的第三种或第四种可能的实现方式的基础上，作为第一方面的第九种可能的实现方式，对历史睡眠数据进行分析，得到第二时间段，包括：

将第三时间段划分为多个时间段集合，并从历史睡眠数据中提取出各个时间段集合的睡眠子数据，其中每个时间段集合中仅包含同一时间段类型的时间段，且不同时间段集合关联的时间段类型不同。

对各个时间段集合关联的睡眠子数据分别进行分析，得到各个时间段类型分别关联的第二时间段。

相应的，若检测到用户入睡，则识别入睡的时间是否处于第二时间段内，包括：

若检测到用户入睡，则识别当前时间段的时间段类型，得到第二类型。

获取第二类型关联的第二时间段，并识别入睡时间是否处于该第二时间段内。

本申请实施例在每次成功获取到用户长时间睡眠的生理数据，历史睡眠数据更新后，都会及时针对各个时间段类型下用户的入睡习惯进行分析，得到用户在各个时间段类型下的入睡时间范围，实现对用户入睡习惯的自适应学习。而图3所示实施例在检测到用户入睡之后，S302只需读取已分析好的当前时间段所属时间段类型的入睡时间范围，即可进行入睡时间的判断。因此本申请实施例可以实现对用户睡眠习惯的自适应精确学习。使得本申请实施例对用户长时间睡眠的识别更为精准，对传感器的开启时机更为准确有效。

作为第一方面的第十种可能的实现方式，若检测到用户入睡，则识别第一时间段内用户进入长时间睡眠的第一次数是否小于次数阈值，包括：

若检测到用户入睡，识别此次入睡是否是用户在第一时间内的首次入睡。

若此次入睡是用户在第一时间内的首次入睡，则判定第一次数阈值小于次数阈值。

在本申请实施例中，当检测到用户入睡时，会识别此处入睡是否为第一时间段内的第一次入睡。如果是第一次入睡，则可以不获取用户进入长时间睡眠的次数的具体值(即不管第一次数的值情况)，而是判定为次数小于次数阈值，并开启下一步的生理数据采集。

本申请实施例的第二方面提供了一种生理数据采集装置，包括：

入睡检测模块，用于对用户进行入睡检测。

入睡次数检测模块，用于在检测到用户入睡时，识别第一时间段内用户进入长时间睡眠的第一次数是否小于次数阈值。

醒来检测模块，用于对用户进行醒来检测。

数据采集模块，用于在第一次数阈值小于次数阈值时，开启第一传感器，并通过第一传感器采集用户的第一生理数据。

传感器关闭模块，用于在检测到用户醒来时，关闭第一传感器。

作为第二方面的第一种可能的实现方式，入睡次数检测模块，包括：

入睡时间识别模块，用于在检测到用户入睡时，识别入睡的时间是否处于第二时间段内。

次数检测模块，用于在此次入睡的时间处于第二时间段内时，识别第一时间段内用户进入长时间睡眠的第一次数是否小于次数阈值。

在第二方面的第一种可能的实现方式的基础上，作为第二方面的第二种可能的实现方式，生理数据采集装置，还包括：

历史数据获取模块，用于获取用户在第三时间段内的历史睡眠数据。

历史数据分析模块，用于对历史睡眠数据进行分析，得到第二时间段。

在第二方面的第二种可能的实现方式的基础上，作为第二方面的第三种可能的实现方式，历史数据分析模块，包括：

睡眠分析模块，用于对历史睡眠数据进行分析，得到用户在第三时间段内，每天睡眠时长最长的k次睡眠关联的睡眠段数据，其中，k等于次数阈值。

睡眠筛选模块，用于从睡眠段数据中筛选出睡眠时长大于或等于时长阈值的睡眠关联的睡眠段数据，并读取各个筛选出的睡眠段数据中包含的入睡时间。

时间分析模块，用于对读取出的入睡时间进行分析，得到第二时间段。

在第二方面的第三种可能的实现方式的基础上，作为第二方面的第四种可能的实现方式，生理数据采集装置，还包括：

时长阈值更新模块，用于获取筛选出的睡眠段数据对应的睡眠时长，并根据睡眠时长更新时长阈值。

在第二方面的第一种至第四种可能的实现方式的基础上，作为第二方面的第五种可能的实现方式，还包括：

时长统计模块，用于在检测到用户醒来时，统计用户从入睡到醒来的第一时长。

次数更新模块，用于在第一时长大于或等于时长阈值时，判定此次睡眠为长时间睡眠，并更新第一次数。

在第二方面的第五种可能的实现方式的基础上，作为第二方面的第六种可能的实现方式，还包括：

睡眠分析模块，用于若第一时长大于或等于时长阈值，对此次采集到的第一生理数据进行分析，得到对应的睡眠分析数据，以实现对此次长时间睡眠的监测。

在第二方面的第一种至第四种可能的实现方式的基础上，作为第二方面的第七种可能的实现方式，生理数据采集装置，还包括：

时长统计模块，用于在检测到用户醒来时，统计用户从入睡到醒来的第一时长。

入睡检测模块，用于在第一时长小于时长阈值时，对用户进行入睡检测。

数据二次采集模块，用于在检测到用户入睡，开启第一传感器，通过第一传感器采集用户的第二生理数据。

醒来检测模块，用于对用户进行醒来检测。

传感器关闭模块，用于在检测到用户醒来时，关闭第一传感器。

在第二方面的第三种或第四种可能的实现方式的基础上，作为第二方面的第八种可能的实现方式，历史数据获取模块，包括：

第一类型识别模块，用于识别当前时间段的时间段类型，得到第一类型。

时间段筛选模块，用于从第三时间段内筛选出时间段类型为第一类型的第四时间段。

数据获取模块，用于获取第四时间段内的历史睡眠数据。

在第二方面的第三种或第四种可能的实现方式的基础上，作为第二方面的第九种可能的实现方式，历史数据分析模块，包括：

数据划分模块，用于将第三时间段划分为多个时间段集合，并从历史睡眠数据中提取出各个时间段集合的睡眠子数据，其中每个时间段集合中仅包含同一时间段类型的时间段，且不同时间段集合关联的时间段类型不同。

数据分析模块，用于对各个时间段集合关联的睡眠子数据分别进行分析，得到各个时间段类型分别关联的第二时间段。

相应的，入睡时间识别模块，包括：

第二类型识别模块，用于检测到用户入睡时，识别当前时间段的时间段类型，得到第二类型。

时间识别模块，用于获取第二类型关联的第二时间段，并识别入睡时间是否处于该第二时间段内。

作为第二方面的第十种可能的实现方式，入睡次数检测模块，包括：

首次入睡识别模块，用于在检测到用户入睡时，识别此次入睡是否是用户在第一时间内的首次入睡。

判定模块，用于在此次入睡是用户在第一时间内的首次入睡时，判定第一次数阈值小于次数阈值。

本申请实施例的第三方面提供了一种可穿戴设备，可穿戴设备包括存储器、处理器，存储器上存储有可在处理器上运行的计算机程序，处理器执行计算机程序时，使得可穿戴设备实现如上述第一方面中任一项生理数据采集方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，包括：存储有计算机程序，计算机程序被处理器执行时，使得可穿戴设备实现如上述第一方面中任一项生理数据采集方法的步骤。

本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在可穿戴设备上运行时，使得可穿戴设备执行上述第一方面中任一项生理数据采集方法。

本申请实施例的第六方面提供了一种芯片系统，芯片系统包括处理器，处理器与存储器耦合，处理器执行存储器中存储的计算机程序，以实现上述第一方面任一项的生理数据采集方法。

其中，芯片系统可以是单个芯片或者多个芯片组成的芯片模组。

可以理解的是，上述第二方面至第六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。

附图说明

图1是本申请一实施例提供的生理数据采集方法的流程示意图；

图2是本申请一实施例提供的生理数据采集方法的流程示意图；

图3是本申请一实施例提供的生理数据采集方法的流程示意图；

图4是本申请一实施例提供的生理数据采集方法的流程示意图；

图5是本申请一实施例提供的生理数据采集方法的流程示意图；

图6是本申请一实施例提供的生理数据采集方法的流程示意图；

图7是本申请一实施例提供的生理数据采集方法的流程示意图；

图8是本申请一实施例提供的生理数据采集方法的流程示意图；

图9是本申请一实施例提供的生理数据采集方法的流程示意图；

图10是本申请实施例提供的生理数据采集装置的结构示意图；

图11是本申请实施例提供的可穿戴设备的结构示意图。

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。

为了便于理解本申请，此处先对本申请实施例进行简要说明：

长时间睡眠和短时间睡眠是基于睡眠时长划分出的两种睡眠类型。其中长时间睡眠是指睡眠时长达到一定时长阈值，例如夜间睡眠。而短时间睡眠则是指睡眠时长较短，未达到一定的时长阈值，例如午睡和小憩。

为了实现对用户长时间睡眠的监测，首先要采集用户在长时间睡眠期间的生理数据。为了实现长时间睡眠期间的生理数据采集，相关技术中有以下几种可选的做法：

1、全天候开启采集生理数据的相关传感器，并持续进行生理数据采集。

此时只要用户进行了长时间睡眠，那采集到的生理数据中就会包含长时间睡眠期间的生理数据。因此对长时间睡眠期间生理数据采集的完整度较高。但由于需要进行长时间的采集，一方面会导致传感器功耗较高，使得可穿戴设备耗电较快续航较差。另一方面，采集的生理数据过多，会对可穿戴设备的数据存储和数据处理带来极大的负荷，使得可穿戴设备成本增高。

2、由技术人员预先设定一个进行生理数据采集的时间段，例如晚上22：00到早上10：00。可穿戴设备在每天的这个时间段内固定开启相关传感器，并进行生理数据采集。在这个时间段以外，则默认不开启相关传感器。

此时可穿戴设备可以获取到每天固定时间段内的生理数据。一方面，对于部分习惯在该时间段内进行长时间睡眠的用户而言，此时可以采集到较为完整的长时间睡眠期间生理数据。但对于习惯在其他时间段进行长时间睡眠的用户而言，此时就难以采集到完整的长时间睡眠期间生理数据，甚至可能完全采集不到长时间睡眠期间生理数据。例如对于值夜班的一些用户而言，往往是在白天进行长时间睡眠，此时晚上22：00到早上10：00的时间段就无法采集到用户完整的长时间睡眠期间生理数据。另一方面，设定的时间段往往难以与用户真实的长时间睡眠时间段完全吻合。因此，会采集一些非长时间睡眠期间的生理数据，这部分生理数据的采集则无法用于睡眠监测。因此使得传感器进行无用功操作，导致可穿戴设备功耗增加。

为了实现对用户长时间睡眠期间生理数据的有效采集，降低生理数据采集给可穿戴设备带来的功耗。在本申请实施例中，首先会检测用户是否入睡。当用户入睡时，才会触发是否开启传感器的判断逻辑。另一方面，考虑到实际生活中用户在一定时间段内进行长时间睡眠的次数是非常有限的。例如在一天内，往往只会进行一次长时间睡眠。但一段时间内用户除了长时间睡眠，也有可能会进行短时间睡眠。因此若每次入睡时都开启传感器，势必会导致传感器采集过多的无用生理数据，导致功耗增加。为此，本申请实施例会根据用户的实际情况来设置一个长时间睡眠的次数阈值。并会在检测到用户入睡时，判断用户在最近一段时间内进行长时间睡眠的次数是否达到该次数阈值。若没有达到，则说明此次入睡有可能是长时间睡眠，此时本申请实施例则会开启传感器对用户进行生理数据采集。等待检测到用户醒来，即结束此次睡眠之后。本申请实施例则会关闭传感器，结束此次生理数据的采集。

本申请实施例是在用户入睡且最近一段时间内长时间睡眠次数未达到次数阈值的情况下开启传感器。相对相关技术而言，首先避免了在用户清醒的时间段开启传感器。由于正常生活和工作中，用户大部分时间是处于清醒状态的。因此相比全天候开启相关传感器而言，本申请实施例可以减少大量的传感器采集工作，减少功耗。而相比在预设时间段固定开启而言，亦可以更好地适应用户实际的睡眠习惯，同时减少对清醒状态下用户生理数据的采集情况。其次，通过设置次数阈值，可以有效避免对用户所有睡眠都进行生理数据采集的情况，减少了对短时间睡眠开启相关传感器的概率。因此可以降低生理数据采集功耗。综上，本申请实施例可以避免对用户清醒时的生理数据采集，并减少对用户短时间睡眠期间生理数据的采集。可以实现对长时间睡眠期间生理数据较为精准的采集。因此可以降低相关传感器采集长时间睡眠期间生理数据的工作量，降低功耗，减少可穿戴设备耗电量并提升续航能力。

同时，对本申请实施例中可能涉及到的一些名词进行说明如下：

时长阈值：由于长时间睡眠是用户休息，以恢复身体机能和精神的重要方式。因此长时间睡眠的时长需要较长，才能保障用户充分的休息。在本申请实施例中，时长阈值用于衡量用户单次睡眠的时长是否足够。即通过时长阈值区分长时间睡眠和短时间睡眠。当某一次睡眠的时长达到该时长阈值时，可以认为此次睡眠属于长时间睡眠。反之若未达到时长阈值，则可认为是短时间睡眠。实际应用中，可以由技术人员自行设定时长阈值。例如可以将时长阈值设置为5小时到6小时内的任意时长。或者可以由技术人员对用户睡眠时长调研统计后确定。亦可以根据用户实际的睡眠习惯来进行分析，得到用户适宜的时长阈值。具体此处不做过多限定。

睡眠监测：在本申请实施例中是指对用户长时间睡眠的监测。具体而言，是指对用户长时间睡眠期间采集的生理数据进行分析，并生成一定的分析结果(即睡眠分析数据)，以帮助用户了解自身长时间睡眠的情况。该分析结果可以是睡眠数据解析(如深睡、浅睡和快速眼动三个睡眠周期时长分别多少，以及整个长时间睡眠期间，各个周期的分布时间等)、睡眠质量评分或者睡眠指导建议，亦可以是其他内容，具体可由技术人员根据实际需求设定。其中，以下本申请实施例中的生理数据(包括第一生理数据和第二生理数据)，均是指用于用户睡眠监测的生理数据。本申请实施例不对睡眠监测中具体采集的生理数据类型和睡眠监测分析方法进行过多限定。例如，可以采用心率、脉搏波形和生物阻抗中的任意一种或多种来作为本申请实施例中的生理数据。根据选择的生理数据不同，可以采用心电图(electrocardiogram，ECG)、光电容积脉搏波描记法(Photo Plethysmo Graphy，PPG)或生物电阻抗法(Bioelectrical Impedance Analysis，BIA)来作为本申请实施例中相应的分析方法。

应当说明地，在本申请实施例中，睡眠监测是可穿戴设备提供的一种功能。实际应用中，可以将睡眠监测功能设置为默认一直开启，也可以为用户提供开启或关闭该功能的选项。具体可由可穿戴设备厂商设定。当睡眠监测功能设置为默认一直开启时，此时本申请实施例提供的生理数据采集方法，会在用户使用可穿戴设备期间执行。而当为用户提供开启或关闭睡眠监测功能的选项时，则会在用户选择开启睡眠监测功能的情况下，执行本申请实施例提供的生理数据采集方法。因此，以下所有本申请实施例，均是在睡眠监测功能已开启的情况下执行的。

第一传感器：是指采集用于用户睡眠监测的生理数据的传感器，在本申请实施例中，若无特别说明，则“传感器”均是指“第一传感器”。因此，第一传感器的类型，需根据实际所需采集的生理数据情况确定，此处不做过多限定。例如当需要采集的生理数据为心率的时候，可以采用心率传感器作为本申请实施例中的第一传感器。当需要采集的生理数据为脉搏波形的时候，则可以采用光学心率传感器作为第一传感器。而当需要采集的生理数据为生物阻抗的时候，则可以采用生物电阻抗传感器作为第一传感器。另外，本申请实施例不对第一传感器的数量进行过多限定，可由技术人员根据实际需求设置。

历史睡眠数据：是指在过去一段时间(即第三时间段)内用户睡眠相关的数据。历史睡眠数据内具体包含的数据内容，可由技术人员根据实际需求设定，此处不予限定。例如可以设置为包含过去一段时间内长时间睡眠的入睡时间和醒来时间。也可以设置为包含过去一段时间内所有睡眠的入睡时间和醒来时间。亦可以设置为包含过去一段时间内所有睡眠的入睡时间和醒来时间，还包含长时间睡眠期间采集到的用户的生理数据。另外具体过去一段时间范围此处亦不于限定，可由技术人员根据自行设定。例如，可以设置为过去一周或一个月。

用户活动日：实际生活中，往往以每天的00：00：00到次日的00：00：00来进行自然日的划分(即当天凌晨0点整到次日0点整。此处为了便于说明每个自然日的时间段范围，将最小时间刻度设置为了秒。理论上也可以进一步细化最小时间刻度，例如设置为毫秒，此处不做限定)。即每天的0点整开始到晚上24点之前，都认为是当天的时间段范围。但实际情况中，用户长时间睡眠大多是跨自然日的。例如夜间睡眠往往都是从当天晚上到次日早上的，此时跨越了次日的0点整。因此在进行用户每天的长时间睡眠期间生理数据采集和分析时。若按照传统自然日的方式进行数据区分，可能会导致生理数据被不合理的分割开来。

为了更好地适应长时间睡眠的发生时间特点，实现对长时间睡眠期间生理数据的合理采集和分析。在本申请实施例中提出了“用户活动日”的概念。用户活动日是指自然日中某一起始时刻开始，至24小时后的某一终止时刻结束的时间段。其中，起始时刻可以是自然日中0点整开始到晚上24点之前任意时刻，而终止时刻则为起始时刻向后推算24小时的时刻(即用户活动日的时长也是24小时)。例如，假设用户活动日的起始点为20：00：00，此时终止点则为下一个自然日的19：59：59(即自然日的晚上8点整，到下一自然日的晚上8点整之前。此处为了便于说明每个用户活动日的时间段范围，将最小时间刻度设置为了秒。理论上也可以进一步细化最小时间刻度，例如设置为毫秒，此处不做限定)。此时自然日的20：00：00到下一自然日19：59：59之间，即为一个用户活动日。本申请实施例不对用户活动日的起始时刻进行过多限定，可由技术人员或者用户根据实际需求设定。例如，针对夜间进行长时间睡眠的用户，起始时刻可以设定为自然日下午的某个时间点，例如可以设置为8点整。而针对一些需要白天进行长时间睡眠的用户(例如一些需要值夜班的用户)。此时可以将起始时刻设定为凌晨的某个时间点，例如3点整。其中，当设置的起始时刻为0点整时，则用户活动日与自然日相同，即此时用户活动日即为自然日。

应当特别说明地，在以下各个本申请实施例中，若实施例内无特别说明，则各个实施例内的“当天”默认是指当前用户活动日，而非当前自然日。而“每天”则是指每个用户活动日。

次数阈值：一般情况下，用户每天进行长时间睡眠的次数是较为有限的。一方面是因为一天的时长有限，而每次长时间睡眠的耗时较长，因此一天内难以进行多次长时间睡眠。另一方面，作为恢复身体机能和精神的主要休息方式。正常情况下较少次数的长时间睡眠即可实现休息的效果，过多次的长时间睡眠反而会使人体陷入昏沉的状态，使得休息效果变差。正是基于这一实际情况，本申请实施例会设置一个次数阈值，用以衡量用户每天长时间睡眠的次数是否较多。若小于该次数阈值，则认为次数不多，后续睡眠仍有可能是长时间睡眠。而若大于或等于该次数阈值，则会认为次数较多，用户后续睡眠很大概率不会是长时间睡眠。其中在满足次数阈值大于0的情况下，次数阈值的具体大小可由技术人员根据实际需求设定，此处不做过多限定。例如可以设置为1或者2。

本申请实施例提供的生理数据采集方法可以应用于手环、手表和戒指等可穿戴设备上，此时可穿戴设备即为本申请实施例提供的生理数据采集方法的执行主体。

以下本申请实施例会以第一传感器是光学心率传感器为例来进行方案说明，因此此处先对PPG的原理进行说明如下：

PPG是一种借助光电手段对用户血液容积变化进行检测的一种无创检测分析方法。光学心率传感器由光发射器(又可称为PPG灯，可以是发光二极管等可发光器件)和光敏传感器(又称光电接收器)组成。在检测时，开启PPG灯向用户皮肤照射一定波长的光束。光束在到皮肤表面后，通过透射或反射等方式，被光敏传感器接收到。在这个过程中，受到皮肤肌肉和血液的吸收衰减作用，光敏传感器接收到的光强将会减弱。其中皮肤肌肉、骨骼等在整个血液循环中对光的吸收基本不变。但皮肤内的血液容积会在心脏作用下呈搏动性变化。因此光敏传感器接收到的光强也会随之呈脉动性变化。光敏传感器在接收到光束后会将光强变化转换为电信号，即可以获取到血液容积变化的数据。再经由电信号转换成数字信号，即可得到用于睡眠监测的PPG信号。最后利用频域分析或时域分析等分析方法对PPG信号进行进一步地提取分析，即可得到用户长时间睡眠过程中的血氧和脉率等生物计量数据分析结果。

由上述说明可知，对于第一传感器是光学心率传感器的情况，开启光学心率传感器，实质是开启PPG灯。而关闭光学心率传感器则是指关闭PPG灯。其中，开启PPG灯时功耗较高，因此本申请实施例需要控制PPG灯的开启时机，以降低采集生理数据的功耗。

另外在本申请实施例中，按照是否可以获取到用户长时间睡眠的历史睡眠数据将应用情况分为了两类：

情况1、可穿戴设备获取不到用户长时间睡眠的历史睡眠数据。

情况2、可穿戴设备可以获取到用户长时间睡眠的历史睡眠数据。

情况1主要发生在用户购买可穿戴设备后的一段时间，或者可穿戴设备数据被清除后的一段时间。此时用户使用可穿戴设备的次数较少，甚至可能没有进行过睡眠监测。导致可穿戴设备还无法获取到用户长时间睡眠的历史睡眠数据。情况2则主要是用户使用一段时间可穿戴设备之后。此时可穿戴设备已经记录过用户一段时间内的历史睡眠数据。

针对情况1，本申请实施例中可以根据用户的是否入睡和长时间睡眠情况，来决定是否开启第一传感器。

针对情况2，本申请实施例则可以选择根据用户的是否入睡和长时间睡眠情况，来决定是否开启第一传感器。亦可以选择根据用户是否入睡、入睡时间以及长时间睡眠情况，来决定是否开启第一传感器。

此处先对情况1对应的生理数据采集技术方案，通过具体实施例来进行说明。在具体实施例中，假设第一传感器是光学心率传感器。图1示出了本申请实施例提供的生理数据采集方法的实现流程图，对S101-S105详述如下：

S101，睡眠监测功能开启期间，可穿戴设备监测用户是否入睡。

在本申请实施例中，睡眠监测功能开启的期间，可穿戴设备会监测用户是否进入睡眠(即入睡)。其中，本申请实施例不对入睡检测使用的传感器和检测方法进行过多限定，可由技术人员根据实际需求设定。在一些可选实施例中，为了降低入睡检测的功耗，可以选择一些可检测用户运动数据的运动传感器来进行入睡检测。即根据这些运动传感器检测到的运动数据，来识别用户是否入睡。例如可以使用加速度计(accelerometer，ACC)来进行用户动作信号采集，并基于采集到的动作信号识别用户是否处于入睡的状态。如可以在用户一段时间内动作较小时判定为入睡。

S102，若检测到用户入睡，可穿戴设备获取用户当天进入长时间睡眠的次数，并判断次数是否小于次数阈值。若次数小于次数阈值，则执行S103。若次数大于或等于次数阈值，则执行S105。

在本申请实施例中，会记录每天内(即每个用户活动日内)用户进入长时间睡眠的次数(即第一次数)。即在每次检测出用户进行了一次长时间睡眠时，将该次数加一。而当进入新的一个用户活动日时，则将该次数归零(即第一次数初始值为0)。其中应当说明地，本申请实施例不对该次数的记录方式进行限定，可由技术人员自行设定。例如可以设置一个参数记录次数的真实数值，如0、1或2。亦可以设置一个具有至少两种状态的标志位，并利用标志位的不同状态来表征不同的次数值。此时每次次数变化对应的是标志位的状态改变。例如可以设置一个比特位作为标志位，此时可以记录0和1两种状态，并可以将两者状态分别关联两个次数值。例如0状态对应的是次数值0，1状态对应的是次数值1。另外对于每天用户进入长时间睡眠的检测方法，此处亦不做过多限定，可由技术人员根据实际需求设定。例如在用户每次入睡后均检测当次睡眠的时长，并将时长大于或等于时长阈值的睡眠判定为长时间睡眠。

在检测到用户入睡时，本申请实施例会获取用户在当天(即当前用户活动日)内进入长时间睡眠的次数。即通过读取记录的次数值或者识别标志位状态等方式，确定出用户当前用户活动日进入长时间睡眠的次数。其中，作为本申请的一个可选实施例，为了实现对当前用户活动日和前一活动日的区分，可以将当前用户活动日中，已过去的时间段称为第一时间段。此时S102即为：

若检测到用户入睡，可穿戴设备获取第一时间段内用户进入长时间睡眠的第一次数。

例如，假设用户活动日设置为每个自然日的晚上8点整到下一自然日的晚上8点前。并假设检测到用户入睡的时间为2020年8月13日晚上10点整。则第一时间段则是指2020年8月13日的晚上8点整至晚上10点整。即需要获取这段时间内用户进入长时间睡眠的次数。但若检测到用户睡眠处于晚上8点前，则需要往前确定第一时间段。例如假设检测到用户入睡的时间为2020年8月13日晚上5点整。则此时第一时间段是指2020年8月12日的晚上8点整，至2020年8月13日的晚上5点整。此时第一时间段会跨越一个自然日。

作为本申请的有一个可选实施例，第一时间段亦可以是指在当前时间之前某个时间段，此时第一时间段与用户活动日之间可以有或者没有关联。具体可由技术人员根据实际需求设置第一时间段范围。例如可以设置为过去的一段时间，如24小时。此时亦可以实现对用户在过去一段时间内长时间睡眠的次数进行评估，并根据次数判定是否开启第一传感器。

在确定出用户当天进入长时间睡眠的次数之后，本申请实施例会判断该次数是否达到预先设置的次数阈值。若未达到，则说明用户当天长时间睡眠次数较少，此次睡眠很有可能是进入长时间睡眠。因此此时会执行S103开启第一传感器的操作，以进行长时间睡眠的生理数据采集。

反之若用户当天长时间睡眠次数达到次数阈值，即大于或等于次数阈值。则说明当天用户已经进入了较多次数的长时间睡眠。因此此处睡眠很大概率是短时间睡眠。因此此时不会执行S103开启第一传感器的操作。

作为本申请的一个可选实施例，考虑到实际情况中在单个用户活动日内，对于用户首次入睡而言，在此之前用户进入长时间睡眠的次数为0，必然小于次数阈值。因此，对于每天的首次入睡，理论上可以不用获取第一次数情况，而是直接判定为小于次数阈值。此时S102可以被替换为：

若检测到用户入睡，判断此次入睡是否为第一时间段内的首次入睡。

若此次入睡是首次入睡，则判定第一次数为小于次数阈值。

在本申请实施例中，当检测到用户入睡时，会识别此处入睡是否为第一时间段内的第一次入睡。如果是第一次入睡，则可以不获取用户进入长时间睡眠的次数的具体值(即不管第一次数的值情况)，而是判定为次数小于次数阈值，并开启下一步的生理数据采集。

相应的，若此次入睡不是第一时间段内的首次入睡，则按照S102原本的逻辑：可穿戴设备获取用户当天进入长时间睡眠的次数，并判断次数是否小于次数阈值，进行处理即可。

作为本申请的一个可选实施例，在检测出用户进入长时间睡眠的次数达到次数阈值之后，则在当前用户活动日内，无论用户后续是否进入长时间睡眠，本申请实施例均不对用户进入长时间睡眠的次数进行更新。即当第一次数等于次数阈值时，当前用户活动日之内第一次数不再更新。其中不更新是指，若是以具体的数值记录第一次数，则第一次数的值不再增大。若是以标志位的方式记录第一次数，则标志位的状态不再发生变化。

考虑到用户进入长时间睡眠的次数达到次数阈值时，本申请实施例会认为用户在当前用户活动日内不会再进行长时间睡眠。因此后续不再进行第一次数的更新可以减少对长时间睡眠识别的工作量，以及对次数记录的工作量。

S103，可穿戴设备开启第一传感器，并通过第一传感器采集用户的第一生理数据。

当确定出当前用户活动日之内，用户进入长时间睡眠的次数未达到次数阈值，即说明用户当次睡眠极有可能是长时间睡眠。因此此时可穿戴设备会开启PPG灯，并利用PPG灯和光敏传感器来采集用户的生理数据。本申请实施例中，将当次采集到的生理数据称为第一生理数据。

S104，在用户入睡后，可穿戴设备监测用户是否醒来，若醒来则关闭第一传感器。

S105，在用户入睡后，可穿戴设备监测用户是否醒来，若醒来则返回执行S101，继续监测用户是否入睡。

在用户入睡之后，可穿戴设备会继续监测用户是否从睡眠中醒来，即是否结束此次睡眠。针对没有开启PPG灯的情况，此时不存在关闭PPG灯的需求，也没有采集相应的生理数据。因此本申请实施例会返回执行S101的操作，继续对用户进行入睡监测，以开启对用户下一次睡眠的检测。

针对需要开启PPG灯的情况，此时可穿戴设备会将PPG灯关闭，以结束此次对用户生理数据的采集，得到此次睡眠过程中的生理数据。其中，本申请实施例不对用户监测醒来所使用的传感器和检测方法进行过多限定，可由技术人员根据实际需求设定。在一些可选实施例中，为了降低对醒来检测的功耗，可以选择一些可检测用户运动数据的运动传感器来进行醒来的检测。即根据这些运动传感器检测到的运动数据，来识别用户是否醒来。例如可以使用ACC来进行用户动作信号采集，并基于采集到的动作信号识别用户是否处于监测的状态。如可以在用户入睡后，若检测到有幅度较大且持续一段时间的情况，则判定为用户醒来。

在关闭PPG灯之后，一方面，本申请实施例可以返回执行S101的操作，继续对用户进行入睡监测，以开启对用户下一次睡眠的识别。

另一方面，由于已经采集到了此次睡眠的生理数据，且已知了此次睡眠的入睡时间和醒来时间。因此，首先可以根据入睡时间和醒来时间来确定此次睡眠的时长(即第一时长)。若此次睡眠时长大于或等于时长阈值则说明此次是长时间睡眠。若小于时长阈值，则说明此次是短时间睡眠。此时可以选择丢弃此次采集的生理数据，以节省可穿戴设备的存储空间。

对于此次睡眠是长时间睡眠的情况，可以进行以下操作：

操作1、对当前用户活动日内用户进入长时间睡眠的次数进行更新。

由于本申请实施例需要记录用户实际在当前用户活动日内进入长时间睡眠的次数，以判断用户实际长时间睡眠的情况，以及是否要在检测到用户入睡时开启第一传感器。因此在识别出此次是长时间睡眠时，本申请实施例会更新该次数，以实现对次数的实时更新。其中，当选择以参数记录次数的真实数值时，次数更新是指将该真实数值加一。当以标志位来记录次数时，则次数更新是指将标志位的状态更新至原次数加一对应的状态。例如假设设置一个比特位作为标志位，并将0状态对应的是次数值0，1状态对应的是次数值1。同时假设在此次睡眠之前，当前用户活动日内用户进行长时间睡眠的次数为0。此时需要将该比特位的状态修改至0+1＝1对应的状态，即改为1状态。

作为本申请的一个可选实施例，若设置了检测出用户进入长时间睡眠的次数达到次数阈值后，在当前用户活动日内，无论用户后续是否进入长时间睡眠，均不对用户进入长时间睡眠的次数进行更新。此时次数更新则是指保持次数当前的情况。

应当说明地，对于第一时间段不为当前用户活动日的情况，此时操作1亦可以替换为：对第一时间段内用户进入长时间睡眠的次数进行更新。原理和操作细节与操作1基本相同，此处不予赘述。

操作2、对此次采集到的生理数据进行分析，得到对应的睡眠分析数据，以实现对此次长时间睡眠的监测。

为了实现对用户长时间睡眠的监测，本申请实施例可以选择在确认出此次睡眠是长时间睡眠之后，对此次长时间睡眠期间采集到的生理数据进行分析，以得到相应的分析结果。其中，对生理数据的分析方式以及分析结果的具体内容，此处不进行过多限定，可由技术人员根据实际情况进行设定。同时，分析完成后的生理数据可以选择存储至可穿戴设备本地或者从本地删除。

在本申请实施例中，针对可穿戴设备获取不到用户长时间睡眠的历史睡眠数据的情况，在睡眠监测开启的期间并不会持续开启传感器，而是持续进行用户入睡的监测。在监测到用户入睡时，会判断用户当前活动日(或第一时间段)内长时间睡眠的次数是否达到次数阈值。并仅会在没有达到次数阈值时开传感器，对用户进行生理数据的采集。同时在用户睡眠期间继续对用户进行醒来的监测，并在监测到用户醒来时关闭传感器。

考虑到实际生活中用户在一定时间段内进行长时间睡眠的次数是非常有限的。因此本申请实施例会以用户是否入睡，以及最近一段时间内长时间睡眠次数是否达到次数阈值两个条件来判定是否开启传感器，并在次数未达到次数阈值的情况下开启传感器。相对相关技术而言，首先避免了在用户清醒的时间段开启传感器。由于正常生活和工作中，用户大部分时间是处于清醒状态的。因此相比全天候开启相关传感器而言，本申请实施例可以减少大量的传感器采集工作，减少功耗。而相比在预设时间段固定开启而言，亦可以更好地适应用户实际的睡眠习惯，同时减少对清醒状态下用户生理数据的采集情况。其次，通过设置次数阈值，可以有效避免对用户所有睡眠都进行生理数据采集的情况，减少了对短时间睡眠开启相关传感器的概率。因此可以降低生理数据采集功耗。综上，本申请实施例可以避免对用户清醒时的生理数据采集，并减少对用户短时间睡眠期间生理数据的采集。可以实现对长时间睡眠期间生理数据较为精准的采集。因此可以降低传感器采集长时间睡眠期间生理数据的工作量，降低功耗，减少可穿戴设备耗电量并提升续航能力。

另外当对于需要开启的是PPG灯而言，精准开启PPG灯，可以避免用户短时间睡眠下，PPG灯对用户的干扰，提升用户睡眠质量。

针对上述情况2：可穿戴设备可以获取到用户长时间睡眠的历史睡眠数据对应的生理数据采集方案，通过具体实施例来进行说明。在具体实施例中，假设第一传感器是光学心率传感器。图2示出了本申请实施例提供的生理数据采集方法的实现流程图，详述如下：

S201，睡眠监测功能开启期间，可穿戴设备监测用户是否入睡。

S202，若检测到用户入睡，可穿戴设备获取用户当天进入长时间睡眠的次数，并判断次数是否小于次数阈值。若次数小于次数阈值，则执行S203。若次数大于或等于次数阈值，则执行S205。

S203，可穿戴设备开启第一传感器，并通过第一传感器采集用户的第一生理数据。

S204，在用户入睡后，可穿戴设备监测用户是否醒来，若醒来则关闭第一传感器。

S205，在用户入睡后，可穿戴设备监测用户是否醒来。若醒来则返回执行S201，继续监测用户是否入睡。

本申请实施例与图1所示实施例原理、操作细节和有益效果等均相同，因此具体可参考图1所示实施例的相关说明，此处不予赘述。同时，对于图1所示实施例相关的一些细化、优化或扩展实施例，同样可以结合至本申请实施例中进行应用。例如对用户长时间睡眠次数的更新和对采集到的生理数据的分析等实施例，亦可以结合本申请实施例进行应用。这些实施例的具体细节可参考图1所示实施例的相关说明，此处不予赘述。

在本申请实施例中，虽然可穿戴设备可以获取到用户长时间睡眠的历史睡眠数据，但可以选择不使用该历史睡眠数据。而选择是对情况1：可穿戴设备获取不到用户长时间睡眠的历史睡眠数据相同的处理方式进行处理。

针对情况2，图3示出了另一本申请实施例提供的生理数据采集方法的实现流程图。考虑到实际生活中，用户长时间睡眠是一种规律性较强的活动。一般情况下，用户每天入睡的时间是具有一定规律性的。基于此，本申请实施例会根据用户实际长时间睡眠情况，确定用户一般进行长时间睡眠的入睡时间范围(即第二时间段)。在进行睡眠监测时，会同时将用户是否入睡、入睡时间是否属于入睡时间段以及当前用户活动日内长时间睡眠的次数是否达到次数阈值这三个条件，作为开启传感器的判别条件。详述如下：

S301，睡眠监测功能开启期间，可穿戴设备监测用户是否入睡。

S301的操作细节与S101相同，具体可参考S101的说明，此处不予赘述。

S302，若检测到用户入睡，可穿戴设备识别此次用户入睡的时间是否处于第二时间段内。

考虑到用户实际长时间睡眠具有一定的规律性，例如大部分用户都是在夜间入睡。即使对于一些由于工作或生活需求，需要白天休息的用户而言，其白天利用长时间睡眠休息也是有规律可循的。因此本申请实施例会预先根据用户实际长时间睡眠情况来确定出用户日常进行长时间睡眠的入睡时间范围。其中，“预先”是指在“识别此次用户入睡的时间是否处于第二时间段内”的操作之前。

本申请实施例不对入睡时间范围具体情况进行限定，可由技术人员或用户根据实际用户实际情况确定。例如，在一些可选实施例中，可由技术人员或者用户，根据用户的实际长时间睡眠入睡情况来手动设定入睡时间范围。例如可以设置为每天的晚上8点整到晚上12点整。而在另一些可选实施例中，亦可以由可穿戴设备根据用户的历史睡眠数据进行分析，得出用户的入睡时间范围(此时第二时间段是根据用户的历史睡眠数据确定的时间段数据)。其中应当说明地，入睡时间范围可以是单个时间段，也可以是多个不同的时间段，具体此处不予限定。如可以是指每天的上午11点整到下午1点整，以及晚上10点整到晚上12点整。

作为本申请的一个可选实施例，参考图4，对入睡时间范围的确定操作包括：

S401，获取用户在第三时间段内的历史睡眠数据。

S402，对历史睡眠数据进行分析，得到第二时间段。

在本申请实施例中，会获取用户在过去一段时间(即第三时间段)内的历史睡眠数据。其中，历史睡眠数据中包含用户在过去一段时间内，每天的入睡时间数据，即用户每天的入睡时间。历史睡眠数据可存储在可穿戴设备本地、外部存储器或者其他与可穿戴设备可进行数据交互的设备之中。本申请实施例不对入睡时间数据的精度进行过多限定，可由技术人员根据实际需求设定。例如当精度为小时，则入睡时间数据内记录了用户在每天几点入睡。当精度为分钟，则记录了用户每天在几点几分入睡。在本申请实施例中，历史睡眠数据对应的“每天”，既可以是每个自然日，也可以是每个用户活动日。

在获取到历史睡眠数据的基础上，本申请实施例会对历史睡眠数据，以及其中的入睡时间数据进行分析，以得到用户日常进入长时间睡眠的入睡时间范围。其中本申请实施例不对入睡时间数据的具体分析方法进行过多限定，可由技术人员根据实际需求设定。例如在一些可选实施例中，可以从根据历史睡眠数据筛选出用户长时间睡眠对应的数据，再从中确定出每天内长时间睡眠的入睡时间，并取其中的入睡时间上下限，得到入睡时间范围。

作为本申请的一个可选实施例，设第三时间段内包含m天，次数阈值为k，m和k均为大于0的整数。参考图5，S402的操作具体包括：S501-S503。

S501，对历史睡眠数据中m天的数据分别进行分析，确定出用户在第三时间段中，每天睡眠时长最长的k个睡眠段数据。

由于本申请实施例中设定了用户每天进行长时间睡眠的次数阈值k。因此在进行历史睡眠数据处理时，首先会识别出用户在每天中，各次睡眠对应的睡眠段数据。并会按照睡眠时长(即从入睡到醒来的时长)从长到短的顺序，依次从每天的睡眠段数据中筛选出k次睡眠的睡眠段数据，得到k个睡眠段数据。此时若单天的睡眠段数据总数不足k，则将该天内所有的睡眠数据段均提取出来。其中，当k＝1时，步骤1即是从历史睡眠数据中，将第三时间段内用户每天睡眠时长最长的睡眠的睡眠段数据确定出来。经过步骤1的操作，最多可以得到m×k条睡眠短数据。

S502，从睡眠数据段中筛选出睡眠时长大于或等于时长阈值的睡眠段数据，得到n个睡眠段数据，并读取n个睡眠段数据内包含的n个入睡时间。其中，n为大于0的整数。

在得到筛选出的睡眠段数据之后，本申请实施例还会继续判断各条睡眠段数据对应的睡眠时长是否达到时长阈值，并筛选出其中达到时长阈值的睡眠段数据。进而得到用户每天实际进行长时间睡眠的睡眠段数据。再从这些睡眠段数据中读取出具体的入睡时间。即可得到用户每天实际进入长时间睡眠的时间。

应当说明地，对于单天而言，满足时长阈值的睡眠段数据的数量可能为0至k中的任意一值。其中当为0时，即说明该天内用户没有进行长时间睡眠，此时用户可能进行了熬夜等行为。为了便于说明，本申请实施例，将满足时长阈值的睡眠段数据的总数量值设为了n。

在本申请实施例中，通过步骤1和步骤2实现了对第三时间段内，用户在各天进入长时间睡眠的入睡时间(即入睡时间数据，在本申请实施例中，入睡时间数据内包含n个入睡时间)的提取。

S503，对n个入睡时间进行分析，得到第二时间段。

在得到n个可参考的入睡时间之后，本申请实施例会对这些入睡时间进行分析，以确定用户入睡行为的规律。其中，分析方法可以是取n个可参考的入睡时间的极值、取其中的众数或者进行聚类分析等。

几种可选分析方法的实例说明如下：

方法1：取n个入睡时间中最早的时间和最晚的时间(两个极值)，分别作为入睡时间范围的起始时间和终止时间，确定出入睡时间范围。由于每个入睡时间均是单天里面的时间点，因此以单天为单位进行比较时，各个入睡时间是具有先后顺序的。在本申请实施例中，会将其中最早的入睡时间作为起始时间，最晚的入睡时间作为终止时间，进而确定出相应的入睡时间范围。例如，假设共有4个入睡时间，分别为：晚上8点15分、晚上9点、晚上9点10分以及晚上10点整。此时最早的时间是晚上8点15分，最晚的时间是晚上10点整。因此入睡时间范围即为晚上8点15分到晚上10点整。

方法2：此时首先会求出n个入睡时间的均值u。

再计算n个入睡时间的标准差p。

最后计算T1＝u-b×p，以及T2＝u+b×p，并将入睡时间范围的起始时间设定为T1，终止时间设定为T2。其中，b是常数项系数，b>0，具体值可由技术人员根据实际需求设定。理论上b越大，入睡时间范围越大。

方法3：利用一些聚类算法对n个入睡时间进行聚类分析，得到入睡时间范围。例如可以是K-means算法、AP聚类算法或者基于神经网络的聚类模型等。

作为本申请的一个可选实施例，考虑到实际应用中每个人长时间睡眠的时长也可能会存在一定的差异。因此为了使得时长阈值可以更适合用户的实际睡眠习惯，在上述S502之后，本申请实施例会根据获取到的历史睡眠数据对已有的时长阈值进行更新，详述如下：

S504，获取n个睡眠段数据对应的n个睡眠时长，并根据n个睡眠时长更新时长阈值。

其中，本申请实施例不对具体的时长阈值更新方法进行限定，可由技术人员自行设定。例如可以将n个睡眠时长中最短的睡眠时长作为时长阈值，或者取n个睡眠时长中的众数或者平均值作为时长阈值。

在本申请实施例中，利用历史睡眠数据来更新时长阈值，使得时长阈值的取值可以自适应于用户实际的睡眠习惯。因此在对用户长时间睡眠的识别过程中，可以使得对用户长时间睡眠的识别准确率更高，进而使得对传感器的开启时机选择的更为精准，减少对传感器的误开启。因此可以降低采集用户长时间睡眠期间的生理数据功耗。

S303，若此次用户入睡的时间处于第二时间段内，则可穿戴设备获取用户当天进入长时间睡眠的次数，并判断次数是否小于次数阈值。若次数小于次数阈值，则执行S304。若次数大于或等于次数阈值，则执行S306。

若确定此次用户入睡的时间处于入睡时间范围，则说明此次睡眠极有可能是长时间睡眠。因此此时本申请实施例会判断用户当天进行长时间睡眠的次数情况。其中对长时间睡眠的次数判断的操作细节、原理和有益效果等，与S102基本相同，具体可参考S102的相关说明，此处不予赘述。

其中应当说明地，亦可以将S303中的“当天”替换为“第一时间段”。关于第一时间段的说明可参考S102的说明内容，此处不予赘述。

S304，可穿戴设备开启第一传感器，并通过第一传感器采集用户的第一生理数据。

S305，在用户入睡后，可穿戴设备监测用户是否醒来，若醒来则关闭第一传感器。

S306，在用户入睡后，可穿戴设备监测用户是否醒来。若醒来则返回执行S301，继续监测用户是否入睡。

S304-S306的操作，与S103-S105相同，具体可参考S103-S105的说明，此处不予赘述。

同时，对于图1所示实施例相关的一些细化、优化或扩展实施例，同样可以结合至本申请实施例中进行应用。例如对用户长时间睡眠次数的更新和对采集到的生理数据的分析等实施例，亦可以结合本申请实施例进行应用。这些实施例的具体细节可参考图1所示实施例的相关说明，此处不予赘述。

例如，对应于图1所示实施例中的操作1，参考图6，本申请实施例在S305之后，还可以包括：

S307，在检测到用户醒来之后，统计此次用户从入睡到醒来的第一时长。

S308，若第一时长大于或等于时长阈值，则判定此次睡眠为长时间睡眠，并更新第一次数。

由于已经采集到了此次睡眠的生理数据，且已知了此次睡眠的入睡时间和醒来时间。因此，首先可以根据入睡时间和醒来时间来确定此次睡眠的时长(即第一时长)。若此次睡眠时长大于或等于时长阈值则说明此次是长时间睡眠。若小于时长阈值，则说明此次是短时间睡眠。此时可以选择丢弃此次采集的生理数据，以节省可穿戴设备的存储空间。对于此次睡眠是长时间睡眠的情况，则可以进行用户长时间睡眠次数的更新。

应当说明地，对于第一时间段不为当前用户活动日的情况，此时S308亦可以替换为：若第一时长大于或等于时长阈值，则判定此次睡眠为长时间睡眠，并第一时间段内用户进入长时间睡眠的次数进行更新。原理和操作细节与S308基本相同，此处不予赘述。

其中，S308中所使用的时长阈值为最新的时长阈值。即若采用了S504的方式对时长阈值进行了更新，则此时使用的是更新后，最新的时长阈值。

另外应当说明地，在S305之后，本申请实施例可以得到用户此次睡眠期间的生理数据。若此次睡眠的时长大于或等于时长阈值(即在S307之后识别出第一时长大于或等于时长阈值)，即说明此次的睡眠是长时间睡眠。相应的，此次睡眠的入睡时间和醒来时间，也会成为历史睡眠数据的一部分。为了使得入睡时间范围实时准确，以适应用户在不同时期可能变化的睡眠习惯(如不同季节的睡眠习惯不同，入睡时间不同。甚至一个月内，月初和月末的睡眠习惯都可能不同)。本申请实施例在S305之后，还可以包括：

S309，在检测到用户醒来之后，统计此次用户从入睡到醒来的第一时长。

S310，若第一时长大于或等于时长阈值，则执行S401获取用户在第三时间段内的历史睡眠数据的操作。

此时可以触发S401-S402的操作(与图5所示实施例结合时，还会触发S501至S503的操作)，从而实现对入睡时间范围的及时更新。另外若本申请实施例与图6结合应用，此时S309即为S307。

作为本申请的一个可选实施例，考虑到睡眠习惯中不仅包含入睡时间，还包含睡眠时长。即不同时期用户长时间睡眠的时长也可能会存在一定差异。因此在S309之后，与图5所示实施例结合，本申请实施例还可以包括：

若第一时长大于或等于时长阈值，则执行S504获取n个睡眠段数据对应的n个睡眠时长，并根据n个睡眠时长更新时长阈值的操作。

本申请实施例中，在每次获取到最新长时间睡眠的入睡时间和睡眠时长之后，本申请实施例都可以及时触发对入睡时间范围和时长阈值的及时更新。进而使得本申请实施例可以自动适应用户不同时期长时间睡眠习惯的变化。因此可以实现对长时间睡眠更为精准的识别，减少对传感器的误开启。可以降低采集用户长时间睡眠期间的生理数据功耗。

作为本申请的一个可选实施例，通过S301-S306的操作，可以实现对用户理论上长时间睡眠的精准识别。但实际应用中发现，可能存在以下场景：用户虽然希望在入睡时间范围内入睡并进行长时间睡眠，但由于外界因素干扰(如被电话或闹钟等噪声吵醒)，导致用户此次睡眠被打断。此时用户一般会想重新进入长时间如数。由于此次的睡眠时长可能不足时长阈值，而用户下一次入睡时间又可能会在入睡时间范围之外。此时就会出现用户真实想进行长时间睡眠，但又无法识别并开启传感器的情况。

以一实例举例说明。假设入睡时间范围为晚上8点整到11点整，时长阈值为6小时。同时假设用户A在晚上10点半入睡，且当天长时间睡眠的次数小于次数阈值。若用户在晚上10点半入睡之后，睡眠时长不足6小时的情况下被噪声吵醒。如在晚上11点半被电话吵醒。此时用户一般会在醒来后，重新进行长时间睡眠。当该重新入睡的时间处于入睡时间范围外时，例如假设用户在晚上11点50分接完电话并重新进行长时间睡眠。此时利用S301-S306的操作会无法识别此次用户意图是长时间睡眠。为了解决这一问题，参考图7，S305之后，本申请实施例还包括：S701-S703。

S701，若此次用户从入睡到醒来的第一时长小于时长阈值，则判定此次数据采集异常，并继续监测用户是否入睡。

当用户此次睡眠时长不足时长阈值，说明用户极有可能识别外界因素影响才醒来的。此时本申请实施例会判定为此次对用户生理数据的采集异常。

S702，在判定此次数据采集异常后，若检测到用户入睡，则启动第一传感器，并控制第一传感器对采集用户的第二生理数据。

若此次对用户生理数据的采集异常，则下一次用户入睡时，本申请实施例不会按照S302-S303的操作来判断是否开启传感器，而是会直接开启传感器。即下一次用户入睡，无论入睡时间是否处于入睡时间范围，本申请实施例都会开启传感器，并进行用户生理数据的采集。通过本申请实施例，即使用户在长时间睡眠期间被噪声等干扰因素打断睡眠，也可以及时对用户重新进入长时间睡眠进行生理数据采集。使得对长时间睡眠期间生理数据的采集更为精准可靠。为了与图3所示实施例中采集的生理数据区分开来，本申请实施例将用户下次入睡后采集的生理数据，称为第二生理数据。

S703，若检测到用户醒来，则关闭第一传感器。

若用户醒来，则说明此次用户睡眠结束，因此会关闭传感器，结束此次对用户生理数据的采集。

在本申请实施例中，针对可穿戴设备可以获取到用户长时间睡眠的历史睡眠数据的情况。一种可选的方式是采用图1相同的方案进行处理。此时具体的有益效果，可参考对图1有益效果的说明，此处不予赘述。

另一种可选的方式，是预先根据用户的长时间睡眠习惯来预估用户实际长时间睡眠的入睡时间范围。在睡眠监测开启的期间不持续开启传感器，而是持续进行用户入睡的监测。在监测到用户入睡时，判断此次入睡的时间是否处于入睡时间范围。若处于则说明此次极有可能是长时间睡眠，因此会判断用户当前活动日(或第一时间段)内长时间睡眠的次数是否达到次数阈值。并仅会在没有达到次数阈值时开传感器，对用户进行生理数据的采集。同时在用户睡眠期间继续对用户进行醒来的监测，并在监测到用户醒来时关闭传感器。

考虑到实际生活中，用户长时间睡眠是具有极强的规律性的行为。因此本申请实施例通过对用户历史睡眠数据的分析，自适应得到用户习惯的入睡时间范围，可以精确区分出用户此次睡眠是否可能是长时间睡眠。在处于长时间睡眠的入睡时间范围，即用户极可能是进行长时间睡眠的基础上。考虑到在一定时间段内进行长时间睡眠的次数是非常有限的，因此会再进行次数阈值的判断。因此本申请实施例会以用户是否入睡、入睡时间是否为用户习惯的入睡时间范围，以及最近一段时间内长时间睡眠次数是否达到次数阈值三个条件来判定是否开启传感器。并在入睡时间是用户习惯的入睡时间范围，且次数未达到次数阈值的情况下开启传感器。相对相关技术而言，首先避免了在用户清醒的时间段开启传感器。由于正常生活和工作中，用户大部分时间是处于清醒状态的。因此相比全天候开启相关传感器而言，本申请实施例可以减少大量的传感器采集工作，减少功耗。而相比在预设时间段固定开启而言，亦可以更好地适应用户实际的睡眠习惯，同时减少对清醒状态下用户生理数据的采集情况。进行用户入睡时间习惯比对和次数阈值设置，可以精确的确认出用户每次入睡的意图，实现对长时间睡眠的精确识别。因此可以有效避免对用户所有睡眠都进行生理数据采集的情况，减少了对短时间睡眠开启相关传感器的概率。可以降低生理数据采集功耗。

综上，本申请实施例可以避免对用户清醒时的生理数据采集，并减少对用户短时间睡眠期间生理数据的采集。同时可以实现对长时间睡眠期间生理数据较为精准的采集，保障对用户睡眠监测的基础数据准确性。因此本申请实施例可以降低传感器采集长时间睡眠期间生理数据的工作量，降低功耗，减少可穿戴设备耗电量并提升续航能力。另外当对于需要开启的是PPG灯而言，精准开启PPG灯，还可以避免用户短时间睡眠下PPG灯对用户的干扰，提升用户睡眠质量。

对图1-图3所示实施例的一些补充说明：

一、图4所示实施例在对历史睡眠数据进行分析，确定用户入睡时间范围时，可以区分日期的类型，并针对实际日期类型来进行入睡时间范围分析。

考虑到实际生活中，用户在不同时间段内长时间睡眠的习惯可能会存在较大差异。例如一般用户在工作日需要较早睡觉和起床。而在节假日则可以都晚一些。因此在执行图4所示实施例时，本申请实施例会预先对日期进行类型划分。例如可以划分为工作日和节假日共两种时间段类型(工作日和节假日的划分，可根据用户所处国家实际对节假日划分的情况确定，此处不做限定)，或者划分为周一、周二至周四、周五、周六和周天共五种时间段类型。再根据实际过去一段时间内包含的具体日期情况，来对不同时间段类型的日期进行区分分析，得到实际可用的入睡时间范围。其中，时间段类型的具体划分规则此处不予限定，可由技术人员根据用户实际情况设定。同时，本申请实施例中“日期”和“天”，既可以是指自然日，也可以是指用户活动日。

在本申请实施例中，根据图4所示实施例的发生时机进行了情况分类，并分别设置了不同的处理方案，详述如下：

针对图4所示实施例是发生在S302过程中的情况，作为本申请的一个可选实施例，即此时S302的逻辑是：若检测到用户入睡，则执行S401-S402以得到入睡时间范围。再识别此次用户入睡的时间是否处于入睡时间范围内。

参考图8，此时S401的操作可以替换为：

S801，识别当前时间段的时间段类型，得到当前时间段所属的第一类型。

本申请实施例在获取到过去一段时间的历史睡眠数据后，不会直接进行数据分析，而是会识别当前时间段的时间段类型(即第一类型)。当前时间段的单位，为时间段类型划分时包含的最小时间段单位。例如节假日、工作日和周几等划分方式，最小时间段单位均为“天”。因此此时当前时间段是指当天。例如识别当天是工作日还是节假日。或者当天是周几。而当以“月”为最小时间段单位时，如划分为1月到3月、4月到6月、7月到9月和10月到12月。此时当前时间段，则是指当前月份。

S802，从第三时间段内筛查出时间段类型为第一类型的第四时间段。

在识别出当前时间段的时间段类型之后，会从过去一段时间内筛选出属于该时间段类型的所有时间段(即第四时间段)。例如，假设当天属于节假日，则本申请实施例会从过去一段时间筛选出所有节假日的时间段。

S803，获取第四时间段内的历史睡眠数据。

在筛选出与当前时间段类型相同的时间段之后，本申请实施例会获取这些时间段的历史睡眠数据，并进行S402的分析操作。

本申请实施例在进行入睡时间段分析时，会从过去一段时间筛选出当前时间段所属时间段类型的时间段，并针对性地获取这些时间段内的历史睡眠数据。从而使得S402可以针对当前时间段所属时间段类型进行入睡时间范围分析，进而实现对用户睡眠习惯的精确学习和识别。使得本申请实施例对用户长时间睡眠的识别更为精准，对传感器的开启时机更为准确有效。

针对图4所示实施例是发生在前一次成功获取长时间睡眠的生理数据之后，S302之前的情况(可参考S309-S310的说明)。作为本申请的另一个可选实施例，此时相当于预先进行入睡时间范围分析并进行存储，在执行S302的操作时，直接读取已存储的入睡时间范围即可。相应的，参考图9，S402的操作可以替换为：

S901，将第三时间段划分为多个时间段集合，并从历史睡眠数据中提取出各个时间段集合关联的睡眠子数据，其中，每个时间段集合内仅包含同一时间段类型的时间段，且不同时间段集合对应的时间段类型不同。

在本申请实施例中，过去一段时间会按照时间段类型，划分为多个时间段集合。其中时间段集合与时间段类型是一一对应的关系。例如，假设时间段类型包含工作日和节假日。此时过去一段时间会被划分为工作日集合和节假日集合，共两个时间段集合。

在完成时间段划分之后，本申请实施例会将历史睡眠数据进行数据提取，即将各个时间段集合对应的历史睡眠数据分别提取出来。此时每个时间段集合均关联着一个睡眠子数据。睡眠子数据是历史睡眠数据的部分数据，其数据格式相同。单个睡眠子数据中，包含对应的时间段集合内用户每天的睡眠数据，例如每天的入睡时间。

S902，对各个时间段集合关联的睡眠子数据，分别进行分析，得到各个时间段类型分别关联的第二时间段。

在得到各个时间段集合关联的睡眠子数据之后，本申请实施例会对各个睡眠子数据分别进行分析，得到与各个时间段集合一一对应的入睡时间范围。由于时间段集合与时间段类型是一一对应的关系，此时即可得到各个时间段类型关联的入睡时间范围。例如假设包含工作日集合和节假日集合，共两个时间段集合。此时本申请实施例会分别对工作日集合的睡眠子数据，和节假日集合的睡眠子数据进行分析。并得到用户在工作日内的入睡时间范围，以及在节假日内的入睡时间范围。其中，对睡眠子数据的分析方法，可以参考图5所示实施例对历史睡眠数据的分析方法(此时将图5所示实施例中的历史睡眠数据替换为睡眠子数据即可)。

相应的，S302可以被替换为：若检测到用户入睡，可穿戴设备识别当前时间段的时间段类型(即第二类型)，并读取该时间段类型关联的第二时间段。可穿戴设备识别此次用户入睡的时间是否处于读取出的第二时间段内。

在得到用户在各个时间段类型下对应的入睡时间范围的基础上，S302在识别用户此次入睡时间是否处于入睡时间范围时，首先会读取当前时间段关联的入睡时间范围。再基于该读取出的入睡时间范围，判断用户此次入睡是否为长时间睡眠的入睡。其中，对当前时间段的说明，可参考S801的相关说明内容，此处不予赘述。

本申请实施例在每次成功获取到用户长时间睡眠的生理数据，历史睡眠数据更新后，都会及时针对各个时间段类型下用户的入睡习惯进行分析，得到用户在各个时间段类型下的入睡时间范围，实现对用户入睡习惯的自适应学习。而图3所示实施例在检测到用户入睡之后，S302只需读取已分析好的当前时间段所属时间段类型的入睡时间范围，即可进行入睡时间的判断。因此本申请实施例可以实现对用户睡眠习惯的自适应精确学习。使得本申请实施例对用户长时间睡眠的识别更为精准，对传感器的开启时机更为准确有效。

二、本申请实施例的使用场景不局限于用户的睡眠监测。

上述图1-图3所示实施例均是以用户睡眠监测为场景进行说明的实施例。实际应用中，图1-图3所示实施例可以应用在任意需要对用户长时间睡眠进行传感器启动控制和生理数据采集的场景之中。即可以应用至睡眠监测以外的其他场景之中，例如睡眠呼吸暂停筛查和对睡眠期间用户生理数据监测的场景。

三、图1所示实施例和图3所示实施例和结合使用。

考虑到用户实际使用可穿戴设备的过程中，情况1：可穿戴设备获取不到用户长时间睡眠的历史睡眠数据，和情况2：可穿戴设备可以获取到用户长时间睡眠的历史睡眠数据，都可能会遇到。因此实际应用时，可以由可穿戴设备根据实际对用户历史睡眠数据的采集情况，来选择使用图1所示实施例或图3所示实施例。例如，在用户购买可穿戴设备后的一段时间，或者可穿戴设备数据被清除后的一段时间。此期间可穿戴设备没有采集到历史睡眠数据，或者采集的历史睡眠数据过少。此时可以使用图1所示实施例进行处理。而在用户使用一段时间可穿戴设备之后，可穿戴设备已经采集过用户一段时间内的历史睡眠数据。此时则可以使用图2所示实施例进行处理。

对应于上文实施例的生理数据采集方法，图10示出了本申请实施例提供的生理数据采集装置的结构框图，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10，该生理数据采集装置包括：

入睡检测模块1001，用于对用户进行入睡检测；

入睡次数检测模块1002，用于在检测到用户入睡时，识别第一时间段内用户进入长时间睡眠的第一次数是否小于次数阈值；

醒来检测模块1003，用于对用户进行醒来检测；

数据采集模块1004，用于在第一次数阈值小于次数阈值时，开启第一传感器，并通过第一传感器采集用户的第一生理数据；

传感器关闭模块1005，用于在检测到用户醒来时，关闭第一传感器。

作为本申请的一个可选实施例，入睡次数检测模块1002，包括：

入睡时间识别模块，用于在检测到用户入睡时，识别入睡的时间是否处于第二时间段内。

次数检测模块，用于在此次入睡的时间处于第二时间段内时，识别第一时间段内用户进入长时间睡眠的第一次数是否小于次数阈值。

本申请实施例提供的生理数据采集装置中各模块实现各自功能的过程，具体可参考前述图1-图3所示实施例以及其他相关方法实施例的描述，此处不再赘述。

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。

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。

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。还应理解的是，虽然术语“第一”、“第二”等在文本中在一些本申请实施例中用来描述各种元素，但是这些元素不应该受到这些术语的限制。这些术语只是用来将一个元素与另一元素区分开。例如，第一表格可以被命名为第二表格，并且类似地，第二表格可以被命名为第一表格，而不背离各种所描述的实施例的范围。第一表格和第二表格都是表格，但是它们不是同一表格。

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。

作为示例而非限定，本申请实施例中的可穿戴设备，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。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。

图11是本申请一实施例提供的可穿戴设备100的结构示意图。

可穿戴设备100可以包括处理器110，内部存储器120，充电触头130，充电管理模块140，电源管理模块141，电池142，显示屏150，天线，无线通信模块160，传感器模块170，等。其中传感器模块170可以包括加速度计170A，光学心率传感器170B。其中，光学心率传感器170B由PPG灯和光敏传感器组成。

可以理解的是，本发明实施例示意的结构并不构成对可穿戴设备100的具体限定。在本申请另一些实施例中，可穿戴设备100可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件，软件或软件和硬件的组合实现。

处理器110可以包括一个或多个处理单元，例如：处理器110可以包括应用处理器(application processor，AP)，调制解调处理器，图形处理器(graphics processingunit，GPU)，图像信号处理器(image signal processor，ISP)，控制器，存储器，视频编解码器，数字信号处理器(digital signal processor，DSP)，基带处理器，和/或神经网络处理器(Neural-network Processing Unit，NPU)等。其中，不同的处理单元可以是独立的器件，也可以集成在一个或多个处理器中。其中，控制器可以是可穿戴设备100的神经中枢和指挥中心。控制器可以根据指令操作码和时序信号，产生操作控制信号，完成取指令和执行指令的控制。

处理器110中还可以设置存储器，用于存储指令和数据。在一些实施例中，处理器110中的存储器为高速缓冲存储器。该存储器可以保存处理器110刚用过或循环使用的指令或数据。如果处理器110需要再次使用该指令或数据，可从所述存储器中直接调用。避免了重复存取，减少了处理器110的等待时间，因而提高了系统的效率。

处理器110可以运行本申请实施例提供的生理数据采集方法，以便于实现对用户长时间睡眠期间生理数据的低功耗功能，提升用户的体验。

显示屏150用于显示图像，视频等。显示屏150包括显示面板。显示面板可以采用液晶显示屏(liquid crystal display，LCD)，有机发光二极管(organic light-emittingdiode，OLED)，有源矩阵有机发光二极体或主动矩阵有机发光二极体(active-matrixorganic light emitting diode的，AMOLED)，柔性发光二极管(flex light-emittingdiode，FLED)，Miniled，MicroLed，Micro-oLed，量子点发光二极管(quantum dot lightemitting diodes，QLED)等。显示屏150可用于显示由用户输入的信息或提供给用户的信息以及各种图形用户界面(graphical user interface，GUI)。例如，显示器150可以显示照片、视频、网页、或者文件等。再例如，显示器150可以显示图形用户界面。其中图形用户界面上包括状态栏、可隐藏的导航栏、时间和天气小组件(widget)、以及应用的图标，例如浏览器图标等。状态栏中包括时间和剩余电量。导航栏中包括后退(back)键图标、主屏幕(home)键图标和前进键图标。此外，可以理解的是，在一些实施例中，状态栏中还可以包括蓝牙图标、Wi-Fi图标、外接设备图标等。还可以理解的是，在另一些实施例中，图形用户界面中还可以包括Dock栏，Dock栏中可以包括常用的应用图标等。当处理器检测到用户的手指(或触控笔等)针对某一应用图标的触摸事件后，响应于该触摸事件，打开与该应用图标对应的应用的用户界面，并在显示器150上显示该应用的用户界面。

在本申请实施例中，显示屏150可以是一个一体的柔性显示屏，也可以采用两个刚性屏以及位于两个刚性屏之间的一个柔性屏组成的拼接显示屏。

内部存储器120可以用于存储计算机可执行程序代码，所述可执行程序代码包括指令。处理器110通过运行存储在内部存储器120的指令，从而执行可穿戴设备100的各种功能应用以及数据处理。内部存储器120可以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，应用程序(比如相机应用，微信应用等)的代码等。存储数据区可存储可穿戴设备100使用过程中所创建的数据(比如相机应用采集的图像、视频等)等。

内部存储器120还可以存储本申请实施例提供的生理数据采集方法对应的一个或多个计算机程序1200。该一个或多个计算机程序1200被存储在上述存储器120中并被配置为被该一个或多个处理器110执行，该一个或多个计算机程序1200包括指令，上述指令可以用于执行如图1至图9相应实施例中的各个步骤。当内部存储器120中存储的生理数据采集的代码被处理器110运行时，处理器110可以控制可穿戴设备进行生理数据采集。

下面介绍传感器模块170的功能。

加速度计170A，可以采集用户可穿戴设备的加速度数据，以确定用户佩戴可穿戴设备之后的动作，以进行用户入睡和醒来的检测。

光学心率传感器170B，可以采集用户的生理数据，以实现对用户睡眠的监测。

天线用于发射和接收电磁波信号。无线通信模块160可以提供应用在可穿戴设备100上的包括无线局域网(wireless local area networks，WLAN)(如无线保真(wirelessfidelity，Wi-Fi)网络)，蓝牙(bluetooth，BT)，全球导航卫星系统(global navigationsatellite system，GNSS)，调频(frequency modulation，FM)，近距离无线通信技术(nearfield communication，NFC)，红外技术(infrared，IR)等无线通信的解决方案。无线通信模块160可以是集成至少一个通信处理模块的一个或多个器件。无线通信模块160经由天线2接收电磁波，将电磁波信号调频以及滤波处理，将处理后的信号发送到处理器110。无线通信模块160还可以从处理器110接收待发送的信号，对其进行调频，放大，经天线2转为电磁波辐射出去。本申请实施例中，无线通信模块160可以用于接入接入点设备，向其它可穿戴设备发送和接收消息。

可以理解的是，本发明实施例示意的各模块间的接口连接关系，只是示意性说明，并不构成对可穿戴设备100的结构限定。在本申请另一些实施例中，可穿戴设备100也可以采用上述实施例中不同的接口连接方式，或多种接口连接方式的组合。

充电触头，用于连接充电器为可穿戴设备100充电。在一些可选实施例中，也可采用USB接口代替充电触头。其中USB接口是符合USB标准规范的接口，具体可以是Mini USB接口，Micro USB接口，USB Type C接口等。USB接口可以用于连接充电器为可穿戴设备100充电，也可以用于可穿戴设备100与外围设备之间传输数据。也可以用于连接耳机，通过耳机播放音频。该接口还可以用于连接其他电子设备，例如AR设备等。

充电管理模块140用于从充电器接收充电输入。其中，充电器可以是无线充电器，也可以是有线充电器。在一些有线充电的实施例中，充电管理模块140可以通过USB接口130接收有线充电器的充电输入。在一些无线充电的实施例中，充电管理模块140可以通过可穿戴设备100的无线充电线圈接收无线充电输入。充电管理模块140为电池142充电的同时，还可以通过电源管理模块141为电子设备供电。

电源管理模块141用于连接电池142，充电管理模块140与处理器110。电源管理模块141接收电池142和/或充电管理模块140的输入，为处理器110，内部存储器120，显示屏150和无线通信模块160等供电。电源管理模块141还可以用于监测电池容量，电池循环次数，电池健康状态(漏电，阻抗)等参数。在其他一些实施例中，电源管理模块141也可以设置于处理器110中。在另一些实施例中，电源管理模块141和充电管理模块140也可以设置于同一个器件中。

应理解，在实际应用中，可穿戴设备100可以包括比图1所示的更多或更少的部件，本申请实施例不作限定。图示可穿戴设备100仅是一个范例，并且可穿戴设备100可以具有比图中所示出的更多的或者更少的部件，可以组合两个或更多的部件，或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。

另外，在本申请各个实施例中的各功能单元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。

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可穿戴设备上运行时，使得可穿戴设备执行时可实现上述各个方法实施例中的步骤。

本申请实施例还提供了一种芯片系统，所述芯片系统包括处理器，所述处理器与存储器耦合，所述处理器执行存储器中存储的计算机程序，以实现上述各个方法实施例中的步骤。

所述集成的模块/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，也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。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。

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。

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，并不使对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。

最后应说明的是：以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (13)

1.一种生理数据采集方法，其特征在于，包括：

对用户进行入睡检测；

若检测到所述用户入睡，则识别第一时间段内所述用户进入长时间睡眠的第一次数是否小于次数阈值；对所述用户进行醒来检测；

若所述第一次数阈值小于所述次数阈值，则开启第一传感器，并通过所述第一传感器采集所述用户的第一生理数据；

若检测到所述用户醒来，则关闭所述第一传感器。

2.根据权利要求1所述的生理数据采集方法，其特征在于，所述若检测到所述用户入睡，则识别第一时间段内所述用户进入长时间睡眠的第一次数是否小于次数阈值，包括：

若检测到所述用户入睡，则识别入睡的时间是否处于第二时间段内；

若此次入睡的时间处于第二时间段内，则识别所述第一时间段内所述用户进入长时间睡眠的所述第一次数是否小于所述次数阈值。

3.根据权利要求2所述的生理数据采集方法，其特征在于，在所述识别此次入睡的时间是否处于第二时间段内之前，还包括：

获取所述用户在第三时间段内的历史睡眠数据；

对所述历史睡眠数据进行分析，得到所述第二时间段。

4.根据权利要求3所述的生理数据采集方法，其特征在于，所述对所述历史睡眠数据进行分析，得到所述第二时间段，包括：

对所述历史睡眠数据进行分析，得到所述用户在所述第三时间段内，每天睡眠时长最长的k次睡眠关联的睡眠段数据，其中，k等于所述次数阈值；

从所述睡眠段数据中筛选出睡眠时长大于或等于时长阈值的睡眠关联的睡眠段数据，并读取各个筛选出的睡眠段数据中包含的入睡时间；

对读取出的所述入睡时间进行分析，得到所述第二时间段。

5.根据权利要求1至4任意一项所述的生理数据采集方法，其特征在于，还包括：

若检测到所述用户醒来，则统计所述用户从入睡到醒来的第一时长；

若所述第一时长大于或等于时长阈值，则判定此次睡眠为长时间睡眠，并更新所述第一次数。

6.根据权利要求1至4任意一项所述的生理数据采集方法，其特征在于，还包括：

若检测到所述用户醒来，则统计所述用户从入睡到醒来的第一时长；

若所述第一时长小于时长阈值，则对所述用户进行入睡检测；

若检测到所述用户入睡，则对所述用户进行醒来检测，并开启所述第一传感器，通过所述第一传感器采集所述用户的第二生理数据；

若检测到所述用户醒来，则关闭所述第一传感器。

7.根据权利要求3或4所述的生理数据采集方法，其特征在于，所述获取所述用户在第三时间段内的历史睡眠数据，包括：

识别当前时间段的时间段类型，得到第一类型；

从所述第三时间段内筛选出时间段类型为所述第一类型的第四时间段；

获取所述第四时间段内的所述历史睡眠数据。

8.根据权利要求3或4所述的生理数据采集方法，其特征在于，所述对所述历史睡眠数据进行分析，得到所述第二时间段，包括：

将所述第三时间段划分为多个时间段集合，并从所述历史睡眠数据中提取出各个所述时间段集合的睡眠子数据，其中每个所述时间段集合中仅包含同一时间段类型的时间段，且不同所述时间段集合关联的时间段类型不同；

对各个所述时间段集合关联的所述睡眠子数据分别进行分析，得到各个时间段类型分别关联的所述第二时间段；

相应的，所述若检测到所述用户入睡，则识别入睡的时间是否处于第二时间段内，包括：

若检测到所述用户入睡，则识别当前时间段的时间段类型，得到第二类型；

获取所述第二类型关联的所述第二时间段，并识别入睡时间是否处于该第二时间段内。

9.根据权利要求1所述的生理数据采集方法，其特征在于，所述若检测到所述用户入睡，则识别第一时间段内所述用户进入长时间睡眠的第一次数是否小于次数阈值，包括：

若检测到所述用户入睡，识别此次入睡是否是所述用户在所述第一时间内的首次入睡；

若此次入睡是所述用户在所述第一时间内的首次入睡，则判定所述第一次数阈值小于所述次数阈值。

10.一种生理数据采集装置，其特征在于，包括：

入睡检测模块，用于对用户进行入睡检测；

入睡次数检测模块，用于在检测到所述用户入睡时，识别第一时间段内所述用户进入长时间睡眠的第一次数是否小于次数阈值；

醒来检测模块，用于对所述用户进行醒来检测；

数据采集模块，用于在所述第一次数阈值小于所述次数阈值时，开启第一传感器，并通过所述第一传感器采集所述用户的第一生理数据；

传感器关闭模块，用于在检测到所述用户醒来时，关闭所述第一传感器。

11.一种可穿戴设备，其特征在于，所述可穿戴设备包括存储器、处理器和第一传感器，所述存储器上存储有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根据权利要求1至9任一项所述方法的步骤。

12.一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根据权利要求1至9任一项所述方法的步骤。

13.一种芯片系统，其特征在于，所述芯片系统包括处理器，所述处理器与存储器耦合，所述处理器执行存储器中存储的计算机程序，以实现如权利要求1至9任一项所述的生理数据采集方法。

Images