CN114176525B - 睡眠质量分析方法、装置、计算机设备和存储介质 - Google Patents
睡眠质量分析方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114176525B CN114176525B CN202111627616.8A CN202111627616A CN114176525B CN 114176525 B CN114176525 B CN 114176525B CN 202111627616 A CN202111627616 A CN 202111627616A CN 114176525 B CN114176525 B CN 114176525B
- Authority
- CN
- China
- Prior art keywords
- sleep
- sub
- period
- result
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000003860 sleep quality Effects 0.000 title claims abstract description 161
- 238000004458 analytical method Methods 0.000 title claims abstract description 76
- 230000007958 sleep Effects 0.000 claims abstract description 462
- 230000005236 sound signal Effects 0.000 claims abstract description 125
- 206010041235 Snoring Diseases 0.000 claims abstract description 68
- 230000001133 acceleration Effects 0.000 claims abstract description 65
- 230000009471 action Effects 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000004590 computer program Methods 0.000 claims description 39
- 238000005070 sampling Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 28
- 230000007306 turnover Effects 0.000 claims description 18
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 12
- 239000008280 blood Substances 0.000 claims description 12
- 210000004369 blood Anatomy 0.000 claims description 12
- 229910052760 oxygen Inorganic materials 0.000 claims description 12
- 239000001301 oxygen Substances 0.000 claims description 12
- 230000004622 sleep time Effects 0.000 claims description 10
- 201000002859 sleep apnea Diseases 0.000 claims description 4
- 230000036578 sleeping time Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 230000004617 sleep duration Effects 0.000 description 24
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 206010021143 Hypoxia Diseases 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000007954 hypoxia Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 210000002396 uvula Anatomy 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 208000008784 apnea Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 230000008667 sleep stage Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4812—Detecting sleep stages or cycles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4815—Sleep quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4818—Sleep apnoea
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Abstract
本申请涉及一种睡眠质量分析方法、装置、计算机设备、可读存储介质和计算机程序产品。所述方法包括:获取非穿戴设备采集到一次完整睡眠的睡眠相关信号,睡眠相关信号包括睡眠音频信号和人体睡眠动作信号;将睡眠音频信号输入至预设训练模型,得到睡眠音频信号的分类结果,睡眠音频信号的分类结果包括鼾声、梦话或睡眠环境噪音;基于人体睡眠动作信号,确定睡眠深度的划分结果,睡眠深度的划分结果包括深度睡眠或浅度睡眠;根据睡眠音频信号的分类结果和睡眠深度的划分结果,确定睡眠质量的分析结果。通过音频识别算法检测出睡眠环境噪音,并通过加速度传感器来识别用户睡眠深浅度,进而多维度的通过睡眠环境音源及睡眠深浅识别判断睡眠质量。
Description
技术领域
本申请涉及数据分析技术领域,特别是涉及一种睡眠质量分析方法、装置、计算机设备和存储介质。
背景技术
随着生活水平的提高,在满足基本的温饱需求后,人们越来越重视自身的健康状况。而睡眠对于人体来说起着至关重要的作用,人的一生中大约有1/3的时间都在睡眠中度过,睡眠健康出现问题会导致许多不良后果,如头痛、焦虑、免疫力下降等。
目前睡眠分析识别主要通过获取用户的睡眠时长、入睡时间及睡眠中环境噪音监测,来作为睡眠质量分析,大部分采用的是通过用户手动录入睡眠数据来判定睡眠质量,容易出现误判。且现有技术中的睡眠监测设备,从睡眠床垫到智能手环,虽然可以利用各种感应器对睡眠过程进行监测,但是都需要配套的监测设备,在使用时有诸多不便。
发明内容
基于此,有必要针对上述技术问题,提供一种能够灵活有效地分析睡眠质量的方法、装置、计算机设备、存储介质和计算机程序产品。
第一方面,本申请提供了一种睡眠分期方法。方法包括:
获取非穿戴设备采集到一次完整睡眠的睡眠相关信号,睡眠相关信号包括睡眠音频信号和人体睡眠动作信号;
将睡眠音频信号输入至预设训练模型,得到睡眠音频信号的分类结果,睡眠音频信号的分类结果包括鼾声、梦话或睡眠环境噪音;
基于人体睡眠动作信号,确定睡眠深度的划分结果,睡眠深度的划分结果包括深度睡眠或浅度睡眠;
根据睡眠音频信号的分类结果和睡眠深度的划分结果,确定睡眠质量的分析结果。
在其中一个实施例中,将睡眠音频信号输入至预设训练模型,包括:
基于预设间隔对睡眠音频信号进行划分,确定睡眠音频信号的每一划分信号;
提取每一划分信号的梅尔频率倒谱系数,将每一划分信号的梅尔频率倒谱系数输入至预设训练模型。
在其中一个实施例中,基于人体睡眠动作信号,确定睡眠深度的划分结果,睡眠深度的划分结果包括深度睡眠或浅度睡眠,包括:
根据人体睡眠动作信号,获取一次完整睡眠中发生的翻转次数和每次翻转对应的时刻;
确定每相邻两次翻转之间的间隔时间段,将所有间隔时间段中时长大于预设时长的间隔时间段对应的睡眠深度的划分结果为深度睡眠,将所有间隔时间段中时长不大于预设时长的间隔时间段对应的睡眠深度的划分结果为浅度睡眠。
在其中一个实施例中,根据睡眠音频信号的分类结果和睡眠深度的划分结果,确定睡眠质量的分析结果,包括:
统计所有时长大于预设时长的间隔时间段的时长总和,将统计结果作为一次完整睡眠中的深度睡眠时长;
获取一次完整睡眠对应的睡眠总时长,根据深度睡眠时长和睡眠总时长,确定睡眠质量分值;
若睡眠质量分值大于睡眠质量阈值,则一次完整睡眠的睡眠质量判定结果为良好,若睡眠质量分值不大于睡眠质量阈值,则一次完整睡眠过程的睡眠质量判定结果为较差;
基于睡眠音频信号的分类结果和完整睡眠过程的睡眠质量判定结果,确定睡眠质量的分析结果。
在其中一个实施例中,基于睡眠音频信号的分类结果和完整睡眠过程的睡眠质量判定结果,确定睡眠质量的分析结果之后,还包括:
若睡眠音频信号的分类结果为鼾声且鼾声时长大于第一预设阈值,则获取鼾声时长对应的时间段内的生理相关数据,生理相关数据包括心率和血氧数据;
根据生理相关数据对睡眠质量的分析结果进行验证更新。
在其中一个实施例中,人体睡眠动作信号包括第一轴数据和第二轴数据,第一轴数据和第二轴数据是通过非穿戴设备的加速度传感器获取到的;相应地,一次完整睡眠中的翻转判断过程,包括:
将一次完整睡眠对应的睡眠时段划分为多个子时段;
根据每一子时段中每一采样时刻的第一轴数据,计算每一子时段的第一轴数据平均值,根据每一子时段中每一采样时刻的第二轴数据,计算每一子时段的第二轴数据平均值;
根据每一子时段中每一采样时刻的第一轴数据和每一子时段的第一轴数据平均值,计算每一子时段的第一轴加速度平均绝对差,根据每一子时段中每一采样时刻的第二轴数据和每一子时段的第二轴数据平均值,计算每一子时段的第二轴加速度平均绝对差;
根据每一子时段的第一轴数据平均值和第二轴数据平均值,以及每一子时段的前一子时段的第一轴数据平均值和第二轴数据平均值,计算每一子时段的姿态差异值;
根据每一子时段的第一轴加速度平均绝对差、第二轴加速度平均绝对差和姿态差异值,判断每一子时段内是否发生翻转。
第二方面,本申请还提供了一种睡眠分期装置。装置包括:
数据获取模块,用于获取非穿戴设备采集到一次完整睡眠的睡眠相关信号,睡眠相关信号包括睡眠音频信号和人体睡眠动作信号;
第一确定模块,用于将睡眠音频信号输入至预设训练模型,得到睡眠音频信号的分类结果,睡眠音频信号的分类结果包括鼾声、梦话或睡眠环境噪音;
第二确定模块,用于基于人体睡眠动作信号,确定睡眠深度的划分结果,睡眠深度的划分结果包括深度睡眠或浅度睡眠;
第三确定模块,用于根据睡眠音频信号的分类结果和睡眠深度的划分结果,确定睡眠质量的分析结果。
第三方面,本申请还提供了一种计算机设备。计算机设备包括存储器及处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取非穿戴设备采集到一次完整睡眠的睡眠相关信号,睡眠相关信号包括睡眠音频信号和人体睡眠动作信号;
将睡眠音频信号输入至预设训练模型,得到睡眠音频信号的分类结果,睡眠音频信号的分类结果包括鼾声、梦话或睡眠环境噪音;
基于人体睡眠动作信号,确定睡眠深度的划分结果,睡眠深度的划分结果包括深度睡眠或浅度睡眠;
根据睡眠音频信号的分类结果和睡眠深度的划分结果,确定睡眠质量的分析结果。
第四方面,本申请还提供了一种计算机可读存储介质。计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取非穿戴设备采集到一次完整睡眠的睡眠相关信号,睡眠相关信号包括睡眠音频信号和人体睡眠动作信号;
将睡眠音频信号输入至预设训练模型,得到睡眠音频信号的分类结果,睡眠音频信号的分类结果包括鼾声、梦话或睡眠环境噪音;
基于人体睡眠动作信号,确定睡眠深度的划分结果,睡眠深度的划分结果包括深度睡眠或浅度睡眠;
根据睡眠音频信号的分类结果和睡眠深度的划分结果,确定睡眠质量的分析结果。
第五方面,本申请还提供了一种计算机程序产品。计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取非穿戴设备采集到一次完整睡眠的睡眠相关信号,睡眠相关信号包括睡眠音频信号和人体睡眠动作信号;
将睡眠音频信号输入至预设训练模型,得到睡眠音频信号的分类结果,睡眠音频信号的分类结果包括鼾声、梦话或睡眠环境噪音;
基于人体睡眠动作信号,确定睡眠深度的划分结果,睡眠深度的划分结果包括深度睡眠或浅度睡眠;
根据睡眠音频信号的分类结果和睡眠深度的划分结果,确定睡眠质量的分析结果。
上述睡眠质量分析方法、装置、计算机设备、计算机可读存储介质和计算机程序产品,获取非穿戴设备采集到一次完整睡眠的睡眠相关信号,睡眠相关信号包括睡眠音频信号和人体睡眠动作信号;将睡眠音频信号输入至预设训练模型,得到睡眠音频信号的分类结果,睡眠音频信号的分类结果包括鼾声、梦话或睡眠环境噪音;基于人体睡眠动作信号,确定睡眠深度的划分结果,睡眠深度的划分结果包括深度睡眠或浅度睡眠;根据睡眠音频信号的分类结果和睡眠深度的划分结果,确定睡眠质量的分析结果。通过音频识别算法检测出睡眠环境噪音,并通过卷积神经网络进行鼾声梦话自动识别。通过加速度传感器来识别用户睡眠深浅度,进而多维度的通过睡眠环境音源及睡眠深浅识别判断睡眠质量。
附图说明
图1为一个实施例中车辆定位方法的应用环境图;
图2为一个实施例中睡眠质量分析方法的流程示意图;
图3为另一个实施例中睡眠质量分析方法的流程示意图;
图4为又一个实施例中睡眠质量分析方法的流程示意图;
图5为又一个实施例中睡眠质量分析方法的流程示意图;
图6为一个实施例中睡眠质量分析装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的睡眠质量分析方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。(结合权1的整体方案进行描述)。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种睡眠质量分析方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
步骤202,获取非穿戴设备采集到一次完整睡眠的睡眠相关信号,睡眠相关信号包括睡眠音频信号和人体睡眠动作信号;
需要说明的是,在本实施例中,每一次睡眠质量的分析是针对人体一次睡眠过程,即从睡着到醒来的过程。在一个完整睡眠中,由非穿戴设备获取整个睡眠时间段内采集到的所有的睡眠相关信号。其中,非穿戴设备上设置有听筒或麦克风,能够获得睡眠环境中的声音形成睡眠音频信号,非穿戴设备上还设置有加速度传感器,加速度传感器能够感受到加速度并转换为信号输出,利用加速度感应人体的动作,将人体动作形成人体睡眠动作信号输出。
具体地,将非穿戴设备放置在人体睡眠的直接接触物体上,例如床垫,人体如果发生翻转或有动作会带动床垫震动,然后非穿戴设备的加速度传感器可以检测到震动导致的加速度变化值;并且,可以理解,非穿戴设备与人在同一空间,可以很轻易地通过听筒获取到睡眠音频信号。
步骤204,将睡眠音频信号输入至预设训练模型,得到睡眠音频信号的分类结果,睡眠音频信号的分类结果包括鼾声、梦话或睡眠环境噪音;
其中,预设训练模型的目的是为了完成睡眠音频信号的分类,可以采用神经神经网络模型,具体通过大量的睡眠音频样本和对应的分类结果,对神经网络模型进行训练,将参数训练好的神经网络模型作为预设训练模型,得到睡眠音频信号的分类结果。另外,采用的神经网络模型可以是卷积神经网络,也可以是长短期记忆人工神经网络,本实施例在此不作具体限定。
睡眠环境噪音是指除了鼾声和梦话以外的能够检测到的声音,例如夏天的风扇声、马路上的鸣笛声或装修噪音等;很容易理解,不管是鼾声还是梦话,对于睡眠环境噪音来说,具有特殊的频率或特征,能够在音频识别的时候识别开来,但是特殊情况,若对于睡眠质量分析的个体来说,他/她有室友时,是由的梦话或鼾声,可以被分类为梦话或鼾声,也可以识别为睡眠环境噪音,具体的识别结果依赖于预设训练模型的设置参数和精准度,本实施例在此不作具体限定。
步骤206,基于人体睡眠动作信号,确定睡眠深度的划分结果,睡眠深度的划分结果包括深度睡眠或浅度睡眠;
休息的好坏取决于神经抑制的深度也就是睡眠的深度,睡眠深度与活动的频率有直接关系,频率越高,睡眠深度越浅。一般是以身体活动减少和感觉灵敏度降低作为衡量的指标。可以理解的是,人体在深度睡眠的时候,不会发生大幅度的动作,故可以通过对人体翻转的检测来确定人体是深度睡眠还是浅度睡眠。人体睡眠动作信号即加速度传感器检测到的能够代表人体活动的信号。
在人体的一次完整睡眠过程中,一般分5到6个周而复始的周期,每个睡眠周期约60分钟~90分钟,深度睡眠只是睡眠的一部分,在一次睡眠中,深度睡眠和浅度睡眠时交替出现的,且一般深度睡眠之战睡眠时间的25%,故在根据人体睡眠动作信号确定睡眠深度的时候,会将人体睡眠动作信号进行划分片段,以每一片段为一个整体进行睡眠深度划分,一个片段只对应一种睡眠深度划分结果。
步骤208,根据睡眠音频信号的分类结果和睡眠深度的划分结果,确定睡眠质量的分析结果。
睡眠质量的分析结果中包括所有的睡眠音频信号的分类结果,即什么时候有鼾声、什么时候说梦话了、什么时候有睡眠环境噪音,结合睡眠深度的划分结果,分析睡眠整体的情况,例如睡眠质量较差、因为打鼾了;或睡眠质量良好、没有说梦话和打鼾等。
本申请实施例提供的睡眠质量分析方法,包括获取非穿戴设备采集到一次完整睡眠的睡眠相关信号,睡眠相关信号包括睡眠音频信号和人体睡眠动作信号;将睡眠音频信号输入至预设训练模型,得到睡眠音频信号的分类结果,睡眠音频信号的分类结果包括鼾声、梦话或睡眠环境噪音;基于人体睡眠动作信号,确定睡眠深度的划分结果,睡眠深度的划分结果包括深度睡眠或浅度睡眠;根据睡眠音频信号的分类结果和睡眠深度的划分结果,确定睡眠质量的分析结果。通过音频识别算法检测出睡眠环境噪音,并通过卷积神经网络进行鼾声梦话自动识别。通过加速度传感器来识别用户睡眠深浅度,进而多维度的通过睡眠环境音源及睡眠深浅识别判断睡眠质量。
结合上述实施例的内容,在其中一个实施例中,将睡眠音频信号输入至预设训练模型,包括:
基于预设间隔对睡眠音频信号进行划分,确定睡眠音频信号的每一划分信号;
提取每一划分信号的梅尔频率倒谱系数,将每一划分信号的梅尔频率倒谱系数输入至预设训练模型。
需要说明的是,利用非穿戴设备的听筒或麦克风获取到的原始睡眠音频信号无法直接输入到预设训练模型中,需要对原始睡眠音频信号进行预处理。可以设定一个时长,按照预设间隔(时长)将原始睡眠音频信号划分为小信号片段,然后提取每一小信号片段的梅尔频率倒谱系数。其中,音频信号的梅尔频率倒谱系数提取过程大致包括预加重、分帧、加窗、傅里叶变换等过程。
本申请实施例提供的睡眠质量分析方法,基于预设间隔对睡眠音频信号进行划分,确定睡眠音频信号的每一划分信号;提取每一划分信号的梅尔频率倒谱系数,将每一划分信号的梅尔频率倒谱系数输入至预设训练模型。通过音频识别算法检测出睡眠环境噪音,并通过卷积神经网络进行鼾声梦话自动识别。通过加速度传感器来识别用户睡眠深浅度,进而多维度的通过睡眠环境音源及睡眠深浅识别判断睡眠质量。
结合上述实施例的内容,在其中一个实施例中,参见图3,基于人体睡眠动作信号,确定睡眠深度的划分结果,睡眠深度的划分结果包括深度睡眠或浅度睡眠,包括:
步骤302,根据人体睡眠动作信号,获取一次完整睡眠中发生的翻转次数和每次翻转对应的时刻;
其中,翻转的次数指的是在一次完整的睡眠中,人体发生翻转的次数,用于确定将整个睡眠对应的时间段长度划分为比翻转次数多一个的时间片段,每个片段对应一种睡眠深度。在通过人体睡眠动作信号对翻转进行判断的时候,对应的可以得到发生翻转的时刻。
步骤304,确定每相邻两次翻转之间的间隔时间段,将所有间隔时间段中时长大于预设时长的间隔时间段对应的睡眠深度的划分结果为深度睡眠,将所有间隔时间段中时长不大于预设时长的间隔时间段对应的睡眠深度的划分结果为浅度睡眠。
据科学研究,深度睡眠与浅度睡眠在睡眠过程中交替出现,每次交替的深度睡眠时间一般大于20min,浅度睡眠时间小于20min,因此可以将两次翻转的时间间隔阈值(即预设时长的间隔)设定为20min。可以理解的是,在浅度睡眠增加的同时深度睡眠就会减少,根据相邻两次翻转的时间间隔与预设时长的间隔进行比较可界定深度睡眠和浅度睡眠,相邻两次翻转的时间间隔不大于预设时长的间隔时判定为浅度睡眠,大于预设时长的间隔时判定为深度睡眠。
本申请实施例提供的睡眠质量分析方法,根据人体睡眠动作信号,获取一次完整睡眠中发生的翻转次数和每次翻转对应的时刻,确定每相邻两次翻转之间的间隔时间段,将所有间隔时间段中时长大于预设时长的间隔时间段对应的睡眠深度的划分结果为深度睡眠,将所有间隔时间段中时长不大于预设时长的间隔时间段对应的睡眠深度的划分结果为浅度睡眠。通过音频识别算法检测出睡眠环境噪音,并通过卷积神经网络进行鼾声梦话自动识别。通过加速度传感器来识别用户睡眠深浅度,进而多维度的通过睡眠环境音源及睡眠深浅识别判断睡眠质量。
结合上述实施例的内容,在其中一个实施例中,根据睡眠音频信号的分类结果和睡眠深度的划分结果,确定睡眠质量的分析结果,包括:
统计所有时长大于预设时长的间隔时间段的时长总和,将统计结果作为一次完整睡眠中的深度睡眠时长;
获取一次完整睡眠对应的睡眠总时长,根据深度睡眠时长和睡眠总时长,确定睡眠质量分值;
若睡眠质量分值大于睡眠质量阈值,则一次完整睡眠的睡眠质量判定结果为良好,若睡眠质量分值不大于睡眠质量阈值,则一次完整睡眠过程的睡眠质量判定结果为较差;
基于睡眠音频信号的分类结果和完整睡眠过程的睡眠质量判定结果,确定睡眠质量的分析结果。
其中,对一次完整睡眠对应的时长中,深度睡眠时长通过每一次对深度睡眠的有效判定的时间进行累加确定,通过睡眠质量分数对睡眠质量进行评估,睡眠质量分数的计算公式如下:
其中,SA表示一次完整睡眠中的深度睡眠时长,S表示一次完整睡眠对应的睡眠总时长。
睡眠质量阈值用于界定睡眠质量状况,睡眠质量分值大于睡眠质量阈值判定为睡眠质量良好,不大于睡眠质量阈值则判定为睡眠质量较差。
本申请实施例提供的睡眠质量分析方法,统计所有时长大于预设时长的间隔时间段的时长总和,将统计结果作为一次完整睡眠中的深度睡眠时长;获取一次完整睡眠对应的睡眠总时长,根据深度睡眠时长和睡眠总时长,确定睡眠质量分值;若睡眠质量分值大于睡眠质量阈值,则一次完整睡眠的睡眠质量判定结果为良好,若睡眠质量分值不大于睡眠质量阈值,则一次完整睡眠过程的睡眠质量判定结果为较差;基于睡眠音频信号的分类结果和完整睡眠过程的睡眠质量判定结果,确定睡眠质量的分析结果。通过音频识别算法检测出睡眠环境噪音,并通过卷积神经网络进行鼾声梦话自动识别。通过加速度传感器来识别用户睡眠深浅度,进而多维度的通过睡眠环境音源及睡眠深浅识别判断睡眠质量。
结合上述实施例的内容,在一个实施例中,参见图4,基于睡眠音频信号的分类结果和完整睡眠过程的睡眠质量判定结果,确定睡眠质量的分析结果之后,还包括:
步骤402,若睡眠音频信号的分类结果为鼾声且鼾声时长大于第一预设阈值,则获取鼾声时长对应的时间段内的生理相关数据,生理相关数据包括心率和血氧数据;
其中,鼾声时长可以是一次完整睡眠过程中所有分类结果为鼾声的信号片段的时长之和;也可以是某一个信号片段被识别为鼾声,此信号片段的时间长度,即一次鼾声的持续时长。第一预设阈值的设定依据人体发生重度呼吸暂停综合征的鼾声时长,即打鼾可能会导致呼吸暂停,当人体发生重度呼吸暂停综合征时人体由于缺氧可能会有危险。生理相关数据是由智能硬件设备采集到的人体睡眠时的生理数据,如心率、血氧的实时数据。
步骤404,根据生理相关数据对睡眠质量的分析结果进行验证更新。
打鼾是指睡眠中因上呼吸道狭窄使悬雍垂(腭垂)发生振动而发出的鼾声。当人体出现较长时间的打鼾时,会可能会引起脑部缺氧,导致睡眠起床之后头晕。可以通过打鼾时的心率、血氧数据对睡眠质量分析的结果进行验证,例如睡眠质量分析结果中睡眠质量为良好,但检测到打鼾时间过长,且血氧含量较低,则说明现有的睡眠质量分析结果不够准确,需要修正睡眠质量分析结果为较差。
本申请实施例提供的睡眠质量分析方法,若睡眠音频信号的分类结果为鼾声且鼾声时长大于第一预设阈值,则获取鼾声时长对应的时间段内的生理相关数据,生理相关数据包括心率和血氧数据;根据生理相关数据对睡眠质量的分析结果进行验证更新。通过音频识别算法检测出睡眠环境噪音,并通过卷积神经网络进行鼾声梦话自动识别。通过加速度传感器来识别用户睡眠深浅度,进而多维度的通过睡眠环境音源及睡眠深浅识别判断睡眠质量。
结合上述实施例的内容,在其中一个实施例中,参见图5,人体睡眠动作信号包括第一轴数据和第二轴数据,第一轴数据和第二轴数据是通过非穿戴设备的加速度传感器获取到的;相应地,一次完整睡眠中的翻转判断过程,包括:
步骤502,将一次完整睡眠对应的睡眠时段划分为多个子时段;
步骤504,根据每一子时段中每一采样时刻的第一轴数据,计算每一子时段的第一轴数据平均值,根据每一子时段中每一采样时刻的第二轴数据,计算每一子时段的第二轴数据平均值;
步骤506,根据每一子时段中每一采样时刻的第一轴数据和每一子时段的第一轴数据平均值,计算每一子时段的第一轴加速度平均绝对差,根据每一子时段中每一采样时刻的第二轴数据和每一子时段的第二轴数据平均值,计算每一子时段的第二轴加速度平均绝对差;
步骤508,根据每一子时段的第一轴数据平均值和第二轴数据平均值,以及每一子时段的前一子时段的第一轴数据平均值和第二轴数据平均值,计算每一子时段的姿态差异值;
步骤510,根据每一子时段的第一轴加速度平均绝对差、第二轴加速度平均绝对差和姿态差异值,判断每一子时段内是否发生翻转。
翻转定义为在睡眠过程中一系列的使躯干从静态状态通过翻转运动再回到静态状态的动作。如果只是四肢发生运动变化,则不认为是一次翻转。通过测量各轴向的平均加速度和表示运动强度指标的加速度平均绝对差来判断翻转。因为采集得到的加速度数值是某一时刻的,而翻转是前后对应变化的,故需要通过某一时间段内检测到的加速度的变化值,对翻转进行判断。
所谓的加速度平均绝对差指的是,在一个子时段内,单个采集的加速度值与加速度算术平均值的差的绝对值的平均,具体计算公式如下:
式中:E表示加速度平均绝对差,a1、a2、...、an表示对应每个时刻采集的加速度值,av表示加速度算术平均值。
Dt表示从t-1到t这段时间的姿势变化,定义Dt为姿势差异值。设定Dt为第一轴数据平均值和第二轴数据平均值,Dt的计算公式如下:
Dt=(ATt-ATt-1)2+(ALt-ALt-1)2
式中:t表示时间;ATt表示第t+1个子时段对应第一轴数据平均值;ALt表示第t+1个子时段对应第二轴数据平均值;Dt表示姿势差异。在一个实施例中,设备所测加速度的第一轴可以是沿手臂竖直方向,第二轴可以是垂直于手臂的方向。
相比之下,加速度平均绝对差是受运动强度影响而变化。在翻转期间,加速度平均绝对差和姿势差异值的变化是同步的。翻转时的姿势差异值和加速度平均绝对差均需大于对应的阈值。
本申请实施例提供的睡眠质量分析方法,将一次完整睡眠对应的睡眠时段划分为多个子时段;根据每一子时段中每一采样时刻的第一轴数据,计算每一子时段的第一轴数据平均值,根据每一子时段中每一采样时刻的第二轴数据,计算每一子时段的第二轴数据平均值;根据每一子时段中每一采样时刻的第一轴数据和每一子时段的第一轴数据平均值,计算每一子时段的第一轴加速度平均绝对差,根据每一子时段中每一采样时刻的第二轴数据和每一子时段的第二轴数据平均值,计算每一子时段的第二轴加速度平均绝对差;根据每一子时段的第一轴数据平均值和第二轴数据平均值,以及每一子时段的前一子时段的第一轴数据平均值和第二轴数据平均值,计算每一子时段的姿态差异值;根据每一子时段的第一轴加速度平均绝对差、第二轴加速度平均绝对差和姿态差异值,判断每一子时段内是否发生翻转。通过加速度传感器来识别用户睡眠深浅度,进而多维度的通过睡眠环境音源及睡眠深浅识别判断睡眠质量。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的睡眠质量分析方法的睡眠质量分析装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个睡眠质量分析装置实施例中的具体限定可以参见上文中对于睡眠质量分析方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种睡眠质量分析装置,包括:数据获取模块601、第一确定模块602、第二确定模块603和第三确定模块604,其中:
数据获取模块601,用于获取非穿戴设备采集到一次完整睡眠的睡眠相关信号,睡眠相关信号包括睡眠音频信号和人体睡眠动作信号;
第一确定模块602,用于将睡眠音频信号输入至预设训练模型,得到睡眠音频信号的分类结果,睡眠音频信号的分类结果包括鼾声、梦话或睡眠环境噪音;
第二确定模块603,用于基于人体睡眠动作信号,确定睡眠深度的划分结果,睡眠深度的划分结果包括深度睡眠或浅度睡眠;
第三确定模块604,用于根据睡眠音频信号的分类结果和睡眠深度的划分结果,确定睡眠质量的分析结果。
在一个实施例中,第一确定模块602还用于:
基于预设间隔对睡眠音频信号进行划分,确定睡眠音频信号的每一划分信号;
提取每一划分信号的梅尔频率倒谱系数,将每一划分信号的梅尔频率倒谱系数输入至预设训练模型。
在一个实施例中,第二确定模块603还用于:
根据人体睡眠动作信号,获取一次完整睡眠中发生的翻转次数和每次翻转对应的时刻;
确定每相邻两次翻转之间的间隔时间段,将所有间隔时间段中时长大于预设时长的间隔时间段对应的睡眠深度的划分结果为深度睡眠,将所有间隔时间段中时长不大于预设时长的间隔时间段对应的睡眠深度的划分结果为浅度睡眠。
在一个实施例中,第三确定模块604还用于:
统计所有时长大于预设时长的间隔时间段的时长总和,将统计结果作为一次完整睡眠中的深度睡眠时长;
获取一次完整睡眠对应的睡眠总时长,根据深度睡眠时长和睡眠总时长,确定睡眠质量分值;
若睡眠质量分值大于睡眠质量阈值,则一次完整睡眠的睡眠质量判定结果为良好,若睡眠质量分值不大于睡眠质量阈值,则一次完整睡眠过程的睡眠质量判定结果为较差;
基于睡眠音频信号的分类结果和完整睡眠过程的睡眠质量判定结果,确定睡眠质量的分析结果。
在一个实施例中,睡眠质量分析装置还包括验证模块,验证模块用于:
若睡眠音频信号的分类结果为鼾声且鼾声时长大于第一预设阈值,则获取鼾声时长对应的时间段内的生理相关数据,生理相关数据包括心率和血氧数据;
根据生理相关数据对睡眠质量的分析结果进行验证更新。
在一个实施例中,第二确定模块603还用于:
将一次完整睡眠对应的睡眠时段划分为多个子时段;
根据每一子时段中每一采样时刻的第一轴数据,计算每一子时段的第一轴数据平均值,根据每一子时段中每一采样时刻的第二轴数据,计算每一子时段的第二轴数据平均值;
根据每一子时段中每一采样时刻的第一轴数据和每一子时段的第一轴数据平均值,计算每一子时段的第一轴加速度平均绝对差,根据每一子时段中每一采样时刻的第二轴数据和每一子时段的第二轴数据平均值,计算每一子时段的第二轴加速度平均绝对差;
根据每一子时段的第一轴数据平均值和第二轴数据平均值,以及每一子时段的前一子时段的第一轴数据平均值和第二轴数据平均值,计算每一子时段的姿态差异值;
根据每一子时段的第一轴加速度平均绝对差、第二轴加速度平均绝对差和姿态差异值,判断每一子时段内是否发生翻转。
上述睡眠质量分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储睡眠相关信号数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种睡眠质量分析方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取非穿戴设备采集到一次完整睡眠的睡眠相关信号,睡眠相关信号包括睡眠音频信号和人体睡眠动作信号;
将睡眠音频信号输入至预设训练模型,得到睡眠音频信号的分类结果,睡眠音频信号的分类结果包括鼾声、梦话或睡眠环境噪音;
基于人体睡眠动作信号,确定睡眠深度的划分结果,睡眠深度的划分结果包括深度睡眠或浅度睡眠;
根据睡眠音频信号的分类结果和睡眠深度的划分结果,确定睡眠质量的分析结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于预设间隔对睡眠音频信号进行划分,确定睡眠音频信号的每一划分信号;
提取每一划分信号的梅尔频率倒谱系数,将每一划分信号的梅尔频率倒谱系数输入至预设训练模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据人体睡眠动作信号,获取一次完整睡眠中发生的翻转次数和每次翻转对应的时刻;
确定每相邻两次翻转之间的间隔时间段,将所有间隔时间段中时长大于预设时长的间隔时间段对应的睡眠深度的划分结果为深度睡眠,将所有间隔时间段中时长不大于预设时长的间隔时间段对应的睡眠深度的划分结果为浅度睡眠。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
统计所有时长大于预设时长的间隔时间段的时长总和,将统计结果作为一次完整睡眠中的深度睡眠时长;
获取一次完整睡眠对应的睡眠总时长,根据深度睡眠时长和睡眠总时长,确定睡眠质量分值;
若睡眠质量分值大于睡眠质量阈值,则一次完整睡眠的睡眠质量判定结果为良好,若睡眠质量分值不大于睡眠质量阈值,则一次完整睡眠过程的睡眠质量判定结果为较差;
基于睡眠音频信号的分类结果和完整睡眠过程的睡眠质量判定结果,确定睡眠质量的分析结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若睡眠音频信号的分类结果为鼾声且鼾声时长大于第一预设阈值,则获取鼾声时长对应的时间段内的生理相关数据,生理相关数据包括心率和血氧数据;
根据生理相关数据对睡眠质量的分析结果进行验证更新。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将一次完整睡眠对应的睡眠时段划分为多个子时段;
根据每一子时段中每一采样时刻的第一轴数据,计算每一子时段的第一轴数据平均值,根据每一子时段中每一采样时刻的第二轴数据,计算每一子时段的第二轴数据平均值;
根据每一子时段中每一采样时刻的第一轴数据和每一子时段的第一轴数据平均值,计算每一子时段的第一轴加速度平均绝对差,根据每一子时段中每一采样时刻的第二轴数据和每一子时段的第二轴数据平均值,计算每一子时段的第二轴加速度平均绝对差;
根据每一子时段的第一轴数据平均值和第二轴数据平均值,以及每一子时段的前一子时段的第一轴数据平均值和第二轴数据平均值,计算每一子时段的姿态差异值;
根据每一子时段的第一轴加速度平均绝对差、第二轴加速度平均绝对差和姿态差异值,判断每一子时段内是否发生翻转。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取非穿戴设备采集到一次完整睡眠的睡眠相关信号,睡眠相关信号包括睡眠音频信号和人体睡眠动作信号;
将睡眠音频信号输入至预设训练模型,得到睡眠音频信号的分类结果,睡眠音频信号的分类结果包括鼾声、梦话或睡眠环境噪音;
基于人体睡眠动作信号,确定睡眠深度的划分结果,睡眠深度的划分结果包括深度睡眠或浅度睡眠;
根据睡眠音频信号的分类结果和睡眠深度的划分结果,确定睡眠质量的分析结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于预设间隔对睡眠音频信号进行划分,确定睡眠音频信号的每一划分信号;
提取每一划分信号的梅尔频率倒谱系数,将每一划分信号的梅尔频率倒谱系数输入至预设训练模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据人体睡眠动作信号,获取一次完整睡眠中发生的翻转次数和每次翻转对应的时刻;
确定每相邻两次翻转之间的间隔时间段,将所有间隔时间段中时长大于预设时长的间隔时间段对应的睡眠深度的划分结果为深度睡眠,将所有间隔时间段中时长不大于预设时长的间隔时间段对应的睡眠深度的划分结果为浅度睡眠。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
统计所有时长大于预设时长的间隔时间段的时长总和,将统计结果作为一次完整睡眠中的深度睡眠时长;
获取一次完整睡眠对应的睡眠总时长,根据深度睡眠时长和睡眠总时长,确定睡眠质量分值;
若睡眠质量分值大于睡眠质量阈值,则一次完整睡眠的睡眠质量判定结果为良好,若睡眠质量分值不大于睡眠质量阈值,则一次完整睡眠过程的睡眠质量判定结果为较差;
基于睡眠音频信号的分类结果和完整睡眠过程的睡眠质量判定结果,确定睡眠质量的分析结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若睡眠音频信号的分类结果为鼾声且鼾声时长大于第一预设阈值,则获取鼾声时长对应的时间段内的生理相关数据,生理相关数据包括心率和血氧数据;
根据生理相关数据对睡眠质量的分析结果进行验证更新。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将一次完整睡眠对应的睡眠时段划分为多个子时段;
根据每一子时段中每一采样时刻的第一轴数据,计算每一子时段的第一轴数据平均值,根据每一子时段中每一采样时刻的第二轴数据,计算每一子时段的第二轴数据平均值;
根据每一子时段中每一采样时刻的第一轴数据和每一子时段的第一轴数据平均值,计算每一子时段的第一轴加速度平均绝对差,根据每一子时段中每一采样时刻的第二轴数据和每一子时段的第二轴数据平均值,计算每一子时段的第二轴加速度平均绝对差;
根据每一子时段的第一轴数据平均值和第二轴数据平均值,以及每一子时段的前一子时段的第一轴数据平均值和第二轴数据平均值,计算每一子时段的姿态差异值;
根据每一子时段的第一轴加速度平均绝对差、第二轴加速度平均绝对差和姿态差异值,判断每一子时段内是否发生翻转。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取非穿戴设备采集到一次完整睡眠的睡眠相关信号,睡眠相关信号包括睡眠音频信号和人体睡眠动作信号;
将睡眠音频信号输入至预设训练模型,得到睡眠音频信号的分类结果,睡眠音频信号的分类结果包括鼾声、梦话或睡眠环境噪音;
基于人体睡眠动作信号,确定睡眠深度的划分结果,睡眠深度的划分结果包括深度睡眠或浅度睡眠;
根据睡眠音频信号的分类结果和睡眠深度的划分结果,确定睡眠质量的分析结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于预设间隔对睡眠音频信号进行划分,确定睡眠音频信号的每一划分信号;
提取每一划分信号的梅尔频率倒谱系数,将每一划分信号的梅尔频率倒谱系数输入至预设训练模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据人体睡眠动作信号,获取一次完整睡眠中发生的翻转次数和每次翻转对应的时刻;
确定每相邻两次翻转之间的间隔时间段,将所有间隔时间段中时长大于预设时长的间隔时间段对应的睡眠深度的划分结果为深度睡眠,将所有间隔时间段中时长不大于预设时长的间隔时间段对应的睡眠深度的划分结果为浅度睡眠。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
统计所有时长大于预设时长的间隔时间段的时长总和,将统计结果作为一次完整睡眠中的深度睡眠时长;
获取一次完整睡眠对应的睡眠总时长,根据深度睡眠时长和睡眠总时长,确定睡眠质量分值;
若睡眠质量分值大于睡眠质量阈值,则一次完整睡眠的睡眠质量判定结果为良好,若睡眠质量分值不大于睡眠质量阈值,则一次完整睡眠过程的睡眠质量判定结果为较差;
基于睡眠音频信号的分类结果和完整睡眠过程的睡眠质量判定结果,确定睡眠质量的分析结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若睡眠音频信号的分类结果为鼾声且鼾声时长大于第一预设阈值,则获取鼾声时长对应的时间段内的生理相关数据,生理相关数据包括心率和血氧数据;
根据生理相关数据对睡眠质量的分析结果进行验证更新。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将一次完整睡眠对应的睡眠时段划分为多个子时段;
根据每一子时段中每一采样时刻的第一轴数据,计算每一子时段的第一轴数据平均值,根据每一子时段中每一采样时刻的第二轴数据,计算每一子时段的第二轴数据平均值;
根据每一子时段中每一采样时刻的第一轴数据和每一子时段的第一轴数据平均值,计算每一子时段的第一轴加速度平均绝对差,根据每一子时段中每一采样时刻的第二轴数据和每一子时段的第二轴数据平均值,计算每一子时段的第二轴加速度平均绝对差;
根据每一子时段的第一轴数据平均值和第二轴数据平均值,以及每一子时段的前一子时段的第一轴数据平均值和第二轴数据平均值,计算每一子时段的姿态差异值;
根据每一子时段的第一轴加速度平均绝对差、第二轴加速度平均绝对差和姿态差异值,判断每一子时段内是否发生翻转。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (9)
1.一种睡眠质量分析方法,其特征在于,所述方法包括:
获取非穿戴设备采集到一次完整睡眠的睡眠相关信号,所述睡眠相关信号包括睡眠音频信号和人体睡眠动作信号;
将所述睡眠音频信号输入至预设训练模型,得到所述睡眠音频信号的分类结果,所述睡眠音频信号的分类结果包括鼾声、梦话或睡眠环境噪音;
基于所述人体睡眠动作信号,确定睡眠深度的划分结果,所述睡眠深度的划分结果包括深度睡眠或浅度睡眠;
根据所述睡眠音频信号的分类结果和所述睡眠深度的划分结果,确定睡眠质量的分析结果;
若所述睡眠音频信号的分类结果为鼾声且鼾声时长大于第一预设阈值,则获取所述鼾声时长对应的时间段内的生理相关数据,所述生理相关数据包括心率和血氧数据;所述第一预设阈值依据人体发生重度呼吸暂停综合征的鼾声时长进行设定;
根据所述生理相关数据对所述睡眠质量的分析结果进行验证更新。
2.根据权利要求1所述的方法,其特征在于,所述将所述睡眠音频信号输入至预设训练模型,包括:
基于预设间隔对所述睡眠音频信号进行划分,确定所述睡眠音频信号的每一划分信号;
提取每一划分信号的梅尔频率倒谱系数,将每一划分信号的梅尔频率倒谱系数输入至所述预设训练模型。
3.根据权利要求1所述的方法,其特征在于,所述基于所述人体睡眠动作信号,确定睡眠深度的划分结果,所述睡眠深度的划分结果包括深度睡眠或浅度睡眠,包括:
根据所述人体睡眠动作信号,获取所述一次完整睡眠中发生的翻转次数和每次翻转对应的时刻;
确定每相邻两次翻转之间的间隔时间段,将所有间隔时间段中时长大于预设时长的间隔时间段对应的睡眠深度的划分结果为深度睡眠,将所有间隔时间段中时长不大于所述预设时长的间隔时间段对应的睡眠深度的划分结果为浅度睡眠。
4.根据权利要求3所述的方法,其特征在于,所述根据所述睡眠音频信号的分类结果和所述睡眠深度的划分结果,确定睡眠质量的分析结果,包括:
统计所有时长大于所述预设时长的间隔时间段的时长总和,将统计结果作为所述一次完整睡眠中的深度睡眠时长;
获取所述一次完整睡眠对应的睡眠总时长,根据所述深度睡眠时长和睡眠总时长,确定睡眠质量分值;
若所述睡眠质量分值大于睡眠质量阈值,则所述一次完整睡眠的睡眠质量判定结果为良好,若所述睡眠质量分值不大于所述睡眠质量阈值,则所述一次完整睡眠过程的睡眠质量判定结果为较差;
基于所述睡眠音频信号的分类结果和所述完整睡眠过程的睡眠质量判定结果,确定睡眠质量的分析结果。
5.根据权利要求3所述的方法,其特征在于,所述人体睡眠动作信号包括第一轴数据和第二轴数据,所述第一轴数据和所述第二轴数据是通过非穿戴设备的加速度传感器获取到的;相应地,所述一次完整睡眠中的翻转判断过程,包括:
将所述一次完整睡眠对应的睡眠时段划分为多个子时段;
根据每一子时段中每一采样时刻的第一轴数据,计算每一子时段的第一轴数据平均值,根据每一子时段中每一采样时刻的第二轴数据,计算每一子时段的第二轴数据平均值;
根据每一子时段中每一采样时刻的第一轴数据和每一子时段的第一轴数据平均值,计算每一子时段的第一轴加速度平均绝对差,根据每一子时段中每一采样时刻的第二轴数据和每一子时段的第二轴数据平均值,计算每一子时段的第二轴加速度平均绝对差;
根据每一子时段的第一轴数据平均值和第二轴数据平均值,以及每一子时段的前一子时段的第一轴数据平均值和第二轴数据平均值,计算每一子时段的姿态差异值;
根据每一子时段的第一轴加速度平均绝对差、第二轴加速度平均绝对差和姿态差异值,判断每一子时段内是否发生翻转。
6.一种睡眠质量分析装置,其特征在于,所述装置包括:
数据获取模块,用于获取非穿戴设备采集到一次完整睡眠的睡眠相关信号,所述睡眠相关信号包括睡眠音频信号和人体睡眠动作信号;
第一确定模块,用于将所述睡眠音频信号输入至预设训练模型,得到所述睡眠音频信号的分类结果,所述睡眠音频信号的分类结果包括鼾声、梦话或睡眠环境噪音;
第二确定模块,用于基于所述人体睡眠动作信号,确定睡眠深度的划分结果,所述睡眠深度的划分结果包括深度睡眠或浅度睡眠;
第三确定模块,用于根据所述睡眠音频信号的分类结果和所述睡眠深度的划分结果,确定睡眠质量的分析结果;
验证模块用于:若睡眠音频信号的分类结果为鼾声且鼾声时长大于第一预设阈值,则获取鼾声时长对应的时间段内的生理相关数据,生理相关数据包括心率和血氧数据;所述第一预设阈值依据人体发生重度呼吸暂停综合征的鼾声时长进行设定;
根据生理相关数据对睡眠质量的分析结果进行验证更新。
7.一种计算机设备,包括存储器及处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
8.一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权利要求1至5中任一项所述的方法的步骤。
9.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111627616.8A CN114176525B (zh) | 2021-12-28 | 2021-12-28 | 睡眠质量分析方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111627616.8A CN114176525B (zh) | 2021-12-28 | 2021-12-28 | 睡眠质量分析方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114176525A CN114176525A (zh) | 2022-03-15 |
CN114176525B true CN114176525B (zh) | 2023-11-24 |
Family
ID=80606284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111627616.8A Active CN114176525B (zh) | 2021-12-28 | 2021-12-28 | 睡眠质量分析方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114176525B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114724550B (zh) * | 2022-06-10 | 2022-09-06 | 慕思健康睡眠股份有限公司 | 一种基于睡眠的音频识别方法、装置、床垫及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1803089A (zh) * | 2006-01-20 | 2006-07-19 | 浙江工业大学 | 无拘束、非察觉性的睡眠障碍测量装置及其方法 |
EP2524647A1 (en) * | 2011-05-18 | 2012-11-21 | Alain Gilles Muzet | System and method for determining sleep stages of a person |
CN106510640A (zh) * | 2016-12-13 | 2017-03-22 | 哈尔滨理工大学 | 基于翻转检测的睡眠质量检测方法 |
CN108523901A (zh) * | 2018-05-14 | 2018-09-14 | 北京工业大学 | 一种基于智能手机的睡眠质量监测方法 |
CN109745011A (zh) * | 2019-02-20 | 2019-05-14 | 华为终端有限公司 | 用户睡眠呼吸风险监控方法、终端及计算机可读介质 |
CN110570880A (zh) * | 2019-09-04 | 2019-12-13 | 杭州深蓝睡眠科技有限公司 | 一种鼾声信号识别方法 |
WO2020045709A1 (ko) * | 2018-08-31 | 2020-03-05 | 엘지전자 주식회사 | 수면측정장치, 및 이를 구비하는 수면측정 시스템 |
CN111166297A (zh) * | 2020-02-19 | 2020-05-19 | 赛博龙科技(北京)有限公司 | 基于用户睡眠音频评定睡眠质量的方法和装置 |
CN111466906A (zh) * | 2019-01-24 | 2020-07-31 | 北京宁禾科技有限公司 | 穿戴式睡眠监测仪及监测方法 |
CN112914506A (zh) * | 2021-01-19 | 2021-06-08 | 青岛歌尔智能传感器有限公司 | 睡眠质量检测方法、装置和计算机可读存储介质 |
CN112971731A (zh) * | 2021-05-10 | 2021-06-18 | 广东德泷智能科技有限公司 | 一种基于鼾声识别的睡眠监控系统 |
CN113012719A (zh) * | 2021-02-04 | 2021-06-22 | 上海小芃科技有限公司 | 睡眠声音信号疲劳评估方法、系统、电子设备及存储介质 |
WO2021208902A1 (zh) * | 2020-04-15 | 2021-10-21 | 华为技术有限公司 | 一种睡眠报告的生成方法、装置、终端以及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10517527B2 (en) * | 2016-09-16 | 2019-12-31 | Bose Corporation | Sleep quality scoring and improvement |
US11793453B2 (en) * | 2019-06-04 | 2023-10-24 | Fitbit, Inc. | Detecting and measuring snoring |
-
2021
- 2021-12-28 CN CN202111627616.8A patent/CN114176525B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1803089A (zh) * | 2006-01-20 | 2006-07-19 | 浙江工业大学 | 无拘束、非察觉性的睡眠障碍测量装置及其方法 |
EP2524647A1 (en) * | 2011-05-18 | 2012-11-21 | Alain Gilles Muzet | System and method for determining sleep stages of a person |
CN106510640A (zh) * | 2016-12-13 | 2017-03-22 | 哈尔滨理工大学 | 基于翻转检测的睡眠质量检测方法 |
CN108523901A (zh) * | 2018-05-14 | 2018-09-14 | 北京工业大学 | 一种基于智能手机的睡眠质量监测方法 |
WO2020045709A1 (ko) * | 2018-08-31 | 2020-03-05 | 엘지전자 주식회사 | 수면측정장치, 및 이를 구비하는 수면측정 시스템 |
CN111466906A (zh) * | 2019-01-24 | 2020-07-31 | 北京宁禾科技有限公司 | 穿戴式睡眠监测仪及监测方法 |
CN109745011A (zh) * | 2019-02-20 | 2019-05-14 | 华为终端有限公司 | 用户睡眠呼吸风险监控方法、终端及计算机可读介质 |
CN110570880A (zh) * | 2019-09-04 | 2019-12-13 | 杭州深蓝睡眠科技有限公司 | 一种鼾声信号识别方法 |
CN111166297A (zh) * | 2020-02-19 | 2020-05-19 | 赛博龙科技(北京)有限公司 | 基于用户睡眠音频评定睡眠质量的方法和装置 |
WO2021208902A1 (zh) * | 2020-04-15 | 2021-10-21 | 华为技术有限公司 | 一种睡眠报告的生成方法、装置、终端以及存储介质 |
CN112914506A (zh) * | 2021-01-19 | 2021-06-08 | 青岛歌尔智能传感器有限公司 | 睡眠质量检测方法、装置和计算机可读存储介质 |
CN113012719A (zh) * | 2021-02-04 | 2021-06-22 | 上海小芃科技有限公司 | 睡眠声音信号疲劳评估方法、系统、电子设备及存储介质 |
CN112971731A (zh) * | 2021-05-10 | 2021-06-18 | 广东德泷智能科技有限公司 | 一种基于鼾声识别的睡眠监控系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114176525A (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109937010B (zh) | 睡眠质量评分和改进 | |
US10083397B2 (en) | Personalized intelligent wake-up system and method based on multimodal deep neural network | |
US10561362B2 (en) | Sleep assessment using a home sleep system | |
CN108310587B (zh) | 一种睡眠控制装置与方法 | |
JP6766052B2 (ja) | 睡眠の質を決定するためのシステム及び方法 | |
JP6849106B2 (ja) | 生体信号を用いるストレス推定装置およびストレス推定方法 | |
CN104615851B (zh) | 一种睡眠监控方法及终端 | |
AU2016370291A1 (en) | Drowsiness onset detection | |
JP2018515155A5 (zh) | ||
US20180177432A1 (en) | Apparatus and method for detection of breathing abnormalities | |
CN114176525B (zh) | 睡眠质量分析方法、装置、计算机设备和存储介质 | |
CN108937866A (zh) | 睡眠状态的监测方法及装置 | |
CN113724737A (zh) | 监测睡眠状态的方法、装置、电子设备和存储介质 | |
JP6518056B2 (ja) | 睡眠状態判定装置、睡眠状態判定方法及びプログラム | |
WO2016131244A1 (zh) | 用户健康的监测方法、监测装置以及监测终端 | |
CN111790038A (zh) | 音乐辅助睡眠的方法、装置、计算机设备及存储介质 | |
CN111887830B (zh) | 睡眠监测方法、装置、设备及可读存储介质 | |
JP7005921B2 (ja) | 睡眠状態推定装置、睡眠状態推定方法および睡眠状態推定プログラム | |
CN108837271B (zh) | 电子装置、提示信息的输出方法及相关产品 | |
US20120157873A1 (en) | Wake-up device for napping time | |
CN114652280A (zh) | 睡眠质量监测系统及方法 | |
US20190217048A1 (en) | Sleep-aid device and method thereof | |
JPWO2019039261A1 (ja) | 睡眠の質判定システム、睡眠の質モデル作成プログラム、および、睡眠の質判定プログラム | |
TW202027678A (zh) | 情緒偵測裝置、系統及其方法 | |
KR102471623B1 (ko) | 복수의 센서를 이용한 호흡 신호 측정 방법 및 이를 실행하는 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |