CN114488841A - 一种智能穿戴设备的数据搜集处理方法 - Google Patents
一种智能穿戴设备的数据搜集处理方法 Download PDFInfo
- Publication number
- CN114488841A CN114488841A CN202210379854.XA CN202210379854A CN114488841A CN 114488841 A CN114488841 A CN 114488841A CN 202210379854 A CN202210379854 A CN 202210379854A CN 114488841 A CN114488841 A CN 114488841A
- Authority
- CN
- China
- Prior art keywords
- intelligent
- sound signal
- data
- user
- wearable device
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000013480 data collection Methods 0.000 title claims description 6
- 230000007958 sleep Effects 0.000 claims abstract description 93
- 238000004458 analytical method Methods 0.000 claims abstract description 79
- 238000004891 communication Methods 0.000 claims abstract description 29
- 230000007613 environmental effect Effects 0.000 claims abstract description 13
- 230000005236 sound signal Effects 0.000 claims description 97
- 238000012545 processing Methods 0.000 claims description 50
- 238000000034 method Methods 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 34
- 238000001914 filtration Methods 0.000 claims description 33
- 206010041235 Snoring Diseases 0.000 claims description 27
- 230000003860 sleep quality Effects 0.000 claims description 23
- 230000033001 locomotion Effects 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000036760 body temperature Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- 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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种智能穿戴设备的数据搜集处理方法，该方法包括如下步骤：S1检测智能穿戴设备的佩戴状态；S2当检测到智能穿戴设备被佩戴时，向通信范围内的智能家具发出通信连接请求，并与智能家具建立无线通信连接，接收由智能家具传输的环境状态数据；S3采集用户睡眠状态数据；S4根据获取的用户睡眠状态数据和环境状态数据，基于设定的睡眠特征分析模型进行分析，得到相应的睡眠特征分析结果；S5根据获取的睡眠特征分析结果向相应的智能家具发送控制指令，以控制智能家具执行相应的操作。本发明有助于实现基于智能穿戴设备与智能家具进行联动，实现用户睡眠环境的智能调控，提高用户睡眠质量。
Description
技术领域
本发明涉及数据采集处理技术领域，特别是一种智能穿戴设备的数据搜集处理方法。
背景技术
据统计，在人的一生中，大约有三分之一的时间是在睡眠中度过的，当人们处于睡眠状态中时，可以使人们的大脑和身体得到休息、休整和恢复，适量的睡眠有助于人们日常的工作和学习。科学提高睡眠质量，是人们正常工作学习生活的保障。随着现代生活质量提高，越来越多人开始注重自己的睡眠质量，好的睡眠对稳定情绪、平衡心态、恢复精力极为重要。
目前，大部分针对睡眠监测的研究，都重点在于针对反映人们睡眠过程中的睡眠状态和睡眠质量数据进行监测和记录，例如是通过佩戴智能手环、智能眼罩等智能穿戴设备来监测用户在睡眠过程中的状态。但是，人们在睡眠过程中，其睡眠状况的好坏，很大程度受影响于外界的环境，例如环境的温度、亮度、声音等，都能够对人们睡眠状态产生影响。而随着智能家居和智能家电的发展，用户睡眠环境的影响因素很大程度与设置在同一环境下的电器或者智能家具相关。因此，提出一种能够基于智能穿戴设备与智能家具进行联动，实现用户睡眠环境的智能调控，从而提升用户睡眠质量的技术方案，对提高用户睡眠质量有重要的意义。
发明内容
针对上述提出的需要提出一种能够基于智能穿戴设备与智能家具进行联动，实现用户睡眠环境的智能调控的技术问题，本发明旨在提供一种智能穿戴设备的数据搜集处理方法。
本发明的目的采用以下技术方案来实现：
第一方面，本发明示出一种智能穿戴设备的数据搜集处理方法，包括：
S1检测智能穿戴设备的佩戴状态；
S2当检测到智能穿戴设备被佩戴时，向通信范围内的智能家具发出通信连接请求，并与智能家具建立无线通信连接，接收由智能家具传输的环境状态数据；
S3采集用户睡眠状态数据，其中睡眠状态数据包括用户心率数据、用户温度数据、用户运动数据和用户声音数据中的至少一种；
S4根据获取的用户睡眠状态数据和环境状态数据，基于设定的睡眠特征分析模型进行分析，得到相应的睡眠特征分析结果；
S5根据获取的睡眠特征分析结果向相应的智能家具发送控制指令，以控制智能家具执行相应的操作。
一种实施方式中，该方法还包括：
S6将采集到的用户睡眠状态数据、环境状态数据和对应的睡眠特征分析结果传输到云服务器进行存储管理，由云服务器生成相应的睡眠检测报告。
一种实施方式中，步骤S1具体包括：
通过智能穿戴设备上的遮挡传感器的状态判断智能穿戴设备的佩戴状态，当遮挡传感器的状态为被遮挡时，则判断该智能穿戴设备为佩戴状态；当遮挡传感器的状态为未被遮挡时，则判断该智能穿戴设备为未佩戴状态。
一种实施方式中，步骤S2具体包括：
其中智能穿戴设备与智能家具通过蓝牙或者无线局域网的方式建立通信连接并进行数据交互；其中智能家具包括智能床垫、智能灯具、空调、温度计、亮度计等的至少一项；其中环境状态数据包括智能床垫压力数据、智能灯具的开关状态数据、环境亮度数据、环境温度数据等的至少一项。
一种实施方式中，步骤S3具体包括：
通过智能穿戴设备上的心率传感器采集用户心率数据；
通过智能穿戴设备上的体温传感器采集用户温度数据；
通过智能穿戴设备上的运动传感器采集用户运动数据；
通过智能穿戴设备上的声音传感器采集用户声音数据。
一种实施方式中，步骤S3具体包括：
智能穿戴设备接收由智能床垫采集的压力数据，并基于接收到的压力数据检测用户是否躺于智能床垫上；当基于获取的压力数据检测到用户躺于智能床垫上时，智能穿戴设备开始采集用户睡眠状态数据；其中智能床垫中均匀分布设置有多个压力传感器，通过多个压力传感器采集智能床垫的压力数据。
一种实施方式中，步骤S4包括：
睡眠特征分析模型包括舒适度分析模型、睡眠质量分析模型和干预分析模型中的至少一种；
其中，基于舒适度分析模型，根据获取的用户温度数据和环境温度数据判断用户在睡眠过程中的舒适度，得到相应的舒适度分析结果；
其中，基于睡眠质量分析模型，根据获取的用户心率数据、用户运动数据、智能床垫压力数据判断用户在睡眠过程中的睡眠质量，输出相应的睡眠质量分析结果；其中睡眠质量分析模型由根据预先设置的标准训练集训练所得；
其中，基于干预分析模型，根据获取的用户声音数据，检测用户在睡眠过程中是否存在打鼾情况，当分析到用户存在打鼾时，输出干预分析结果为需要干预。
一种实施方式中，步骤S5具体包括：
当根据获取的舒适度分析结果和干预分析结果，向相应的智能家具发出相应的控制指令。
一种实施方式中，步骤S4中，通过干预分析模型根据获取的用户声音数据检测用户在睡眠中是否存在打鼾情况，具体包括：
获取一段时间周期内采集的声音信号；
对获取的声音信号进行滤波处理，得到滤波处理后的声音信号；
根据滤波处理后的声音信号进行端点检测处理，并通过检测到的端点将声音信号划分为有声部分和无声部分；
基于各有声部分和无声部分的持续时间，得到有声部分的变化特征，其中变化特征包括每段有声部分的持续时间，以及相邻有声部分之间的时间间隔；
针对各有声部分进行特征提取，分别获取各有声部分的特征参数；
基于获取的各有声部分的特征参数以及有声部分的变化特征组成该声音信号的特征向量，采用训练好的SVM分类器对该特征向量进行分析，得到打鼾判断结果。
第二方面，本发明还示出一种智能穿戴设备，该智能穿戴设备用于实现上述第一方面中任一项实施例所示的智能穿戴设备的数据搜集处理方法。
本发明的有益效果为：当用户睡眠的时候，用户佩戴智能穿戴设备，由智能穿戴设备检测自身的佩戴状态，当检测到智能穿戴设备被佩戴时，智能穿戴设备首先向自身通信范围内的其他智能家具发出通信连接请求并与智能家具建立通信连接，以使得智能穿戴设备能够正常接收由智能家具传输的环境状态数据；另一方面，智能穿戴设备在检测到被用户佩戴后，开始采集用户的睡眠状态数据，通过对采集到的用户睡眠状态数据和获取的环境状态数据进行用户的睡眠特征分析，并根据得到的睡眠特征分析结果向相应的智能家具发出相应的控制指令，以调控智能家具的参数或者控制智能家具完成指定的操作。能够基于智能化穿戴设备，对用户睡眠过程中的状态数据进行智能化的搜集和处理， 同时根据处理结果完成对智能家具的控制，有助于提高用户睡眠质量。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明一种智能穿戴设备的数据搜集处理方法示例性实施例的方法流程图；
图2为本发明一种智能穿戴设备的示例性实施例框架结构图。
具体实施方式
结合以下应用场景对本发明作进一步描述。
参见图1实施例所示，其示出一种智能穿戴设备的数据搜集处理方法，包括：
S1检测智能穿戴设备的佩戴状态；
S2当检测到智能穿戴设备被佩戴时，向通信范围内的智能家具发出通信连接请求，并与智能家具建立无线通信连接，接收由智能家具传输的环境状态数据；
S3采集用户睡眠状态数据，其中睡眠状态数据包括用户心率数据、用户温度数据、用户运动数据和用户声音数据中的至少一种；
S4根据获取的用户睡眠状态数据和环境状态数据，基于设定的睡眠特征分析模型进行分析，得到相应的睡眠特征分析结果；
S5根据获取的睡眠特征分析结果向相应的智能家具发送控制指令，以控制智能家具执行相应的操作。
上述实施方式中，当用户睡眠的时候，用户佩戴智能穿戴设备，由智能穿戴设备检测自身的佩戴状态，当检测到智能穿戴设备被佩戴时，智能穿戴设备首先向自身通信范围内的其他智能家具发出通信连接请求并与智能家具建立通信连接，以使得智能穿戴设备能够正常接收由智能家具传输的环境状态数据；另一方面，智能穿戴设备在检测到被用户佩戴后，开始采集用户的睡眠状态数据，通过对采集到的用户睡眠状态数据和获取的环境状态数据进行用户的睡眠特征分析，并根据得到的睡眠特征分析结果向相应的智能家具发出相应的控制指令，以调控智能家具的参数或者控制智能家具完成指定的操作。能够基于智能化穿戴设备，对用户睡眠过程中的状态数据进行智能化的搜集和处理， 同时根据处理结果完成对智能家具的控制，有助于提高用户睡眠质量。
一种实施方式中，该方法还包括：
S6将采集到的用户睡眠状态数据、环境状态数据和对应的睡眠特征分析结果传输到云服务器进行存储管理，由云服务器生成相应的睡眠检测报告。
通过智能穿戴设备采集的用户睡眠状态数据、接收由智能家具传输的环境状态数据以及自身根据上述数据分析获取的睡眠特征分析结果，将一同被智能穿戴设备传输到云服务器进行存储管理，供用户登录云服务器后，能够对自身的睡眠状态数据进行管理，同时云服务器根据用户每天获取的数据生成相应的睡眠检测报告，有助于便捷、直观地体现用户睡眠情况，提高用户使用体验。
一种实施方式中，步骤S1具体包括：
通过智能穿戴设备上的遮挡传感器的状态判断智能穿戴设备的佩戴状态，当遮挡传感器的状态为被遮挡时，则判断该智能穿戴设备为佩戴状态；当遮挡传感器的状态为未被遮挡时，则判断该智能穿戴设备为未佩戴状态。
当用户准备睡眠的时候，用户佩戴智能穿戴设备，智能穿戴设备检测到被佩戴后，判断用户准备或已经进入睡眠状态，则智能穿戴设备开始运作。其中，通过遮挡传感器来判断智能穿戴设备是否被佩戴，有助于提高佩戴检测的准确性。
一种实施方式中，步骤S2具体包括：
其中智能穿戴设备与智能家具通过蓝牙或者无线局域网的方式建立通信连接并进行数据交互。智能穿戴设备在检测到自身被佩戴时，智能穿戴设备处于被激活状态，则智能穿戴设备自动与其附近的智能家具建立通信连接，实现智能穿戴设备与智能家具的数据交互。
一种实施方式中，步骤S2中，其中智能家具包括智能床垫、智能灯具、空调、温度计、亮度计等的至少一项；其中环境状态数据包括智能床垫压力数据、智能灯具的开关状态数据、环境温度数据、环境亮度数据、环境温度数据等的至少一项。
一种实施方式中，智能穿戴设备包括为智能手环、智能脚环、智能背带或智能眼罩等；智能穿戴设备上设置有心率传感器、体温传感器、运动传感器和声音传感器；
步骤S3具体包括：
通过智能穿戴设备上的心率传感器采集用户心率数据；
通过智能穿戴设备上的体温传感器采集用户温度数据；
通过智能穿戴设备上的运动传感器采集用户运动数据；
通过智能穿戴设备上的声音传感器采集用户声音数据。
一种实施方式中，步骤S3具体包括：
智能穿戴设备接收由智能床垫采集的压力数据，当基于获取的压力数据检测到用户躺于智能床垫上时，智能穿戴设备开始采集用户睡眠状态数据；其中智能床垫中均匀分布设置有多个压力传感器，通过多个压力传感器采集智能床垫的压力数据；
一种场景中，智能床垫中均匀分布设置有10×10的压力传感器阵列，其中上述100个压力传感器采集的数据组成压力数据特征矩阵；智能穿戴设备接收由智能床垫传输的压力数据特征矩阵并基于获取的压力数据特征矩阵进行检测，当超过设定数量的压力传感器检测到的压力数据大于设定的阈值时，则判断用户已躺于床上，智能穿戴设备开始采集用户睡眠状态数据，对用户的睡眠状态进行监测。
一种实施方式中，步骤S4包括：
睡眠特征分析模型包括舒适度分析模型、睡眠质量分析模型和干预分析模型中的至少一种；
其中，基于舒适度分析模型，根据获取的用户温度数据和环境温度数据判断用户在睡眠过程中的舒适度，得到相应的舒适度分析结果； 例如，当用户在睡眠过程中，当检测到室内环境温度超出设定标准范围时，则输出舒适度分析结果为异常；当用户在睡眠过程中，根据智能穿戴设备采集的用户手脚温度与环境温度之差大于设定的温度标准时，则输出舒适度分析结果为异常。其中，舒适度分析模型为设定规则的运算模型，则根据不同的用户温度数据和环境温度数据组合，输出对应的舒适度分析结果。
其中，基于睡眠质量分析模型，根据获取的用户心率数据、用户运动数据、智能床垫压力数据判断用户在睡眠过程中的睡眠质量，例如是根据用户心率数据获取用户在睡眠过程中的心率变化特征、根据用户运动数据和床垫压力数据获取用户睡眠姿态和体动特征；根据用户心率变化特征和用户睡眠姿态和体动特征判断用户睡眠质量，输出用户睡眠质量分析结果；其中睡眠质量分析模型为神经网络模型；根据一段时间周期内的用户心率数据、用户运动数据、智能床垫压力数据组成输入特征，由睡眠质量分析模型根据输入特征自动分析并输出相应的睡眠质量分析结果；其中睡眠质量分析模型由根据预先设置的标准训练集训练所得；
其中，基于干预分析模型，根据获取的用户声音数据，检测用户在睡眠过程中是否存在打鼾情况，当分析到用户存在打鼾时，输出干预分析结果为需要干预。
智能穿戴设备基于获取的用户睡眠状态数据和环境状态数据，能够基于不同设定的模型对获取的数据对用户的睡眠状况进行分析，例如是针对用户睡眠环境舒适度的分析，或者是对用户睡眠过程中的身体状况数据进行记录分析，或者是对用户睡眠过程中是否打鼾等具体的实际情况进行检测和分析，以满足记录用户睡眠过程中的睡眠状况的需要，同时也以得到的分析结果作为依据，完成对相应智能家具的控制。通过用户在睡眠过程中佩戴智能穿戴设备，在记录睡眠状况的同时，还能够进一步实现对用户睡眠状况的干预，有助于提高用户的睡眠质量。
针对上述具体提出对用户睡眠过程中是否打鼾进行判断实现，本申请还提出一种基于智能穿戴设备对在用户睡眠过程中采集到的声音数据进行打鼾分析的技术方案。一种实施方式中，步骤S4中，通过干预分析模型根据获取的用户声音数据检测用户在睡眠中是否存在打鼾情况，具体包括：
获取一段时间周期内采集的声音信号；
对获取的声音信号进行滤波处理，得到滤波处理后的声音信号；
根据滤波处理后的声音信号进行端点检测处理，并通过检测到的端点将声音信号划分为有声部分和无声部分；
基于各有声部分和无声部分的持续时间，得到有声部分的变化特征，其中变化特征包括每段有声部分的持续时间，以及相邻有声部分之间的时间间隔；
针对各有声部分进行特征提取，分别获取各有声部分的特征参数；
基于获取的各有声部分的特征参数以及有声部分的变化特征组成该声音信号的特征向量，采用训练好的SVM分类器对该特征向量进行分析，得到打鼾判断结果。
上述实施方式中，提出了一种基于智能佩戴设备对采集到的声音数据进行打鼾分析的技术方案，该方案中，首先对采集到的声音数据进行分帧处理，然后获取一段设定时间周期长度的声音信号（例如10s），针对获取的声音信号进行滤波处理，消除声音信号中的噪声干扰，同时针对滤波处理后的声音信号进行有声部分的检测，将信号划分为有声部分和无声部分，并基于得到的有声部分和无声部分的变化规律，以及有声部分的信号特征，组成该声音信号的多维特征向量，并将得到的特征向量输入到训练好的SVM分类器中，得到最终的打鼾判断结果。
一种实施方式中，对获取的声音信号进行滤波处理，具体包括：
对获取的语音信号进行小波分解处理，得到低频小波系数和高频小波系数，其中小波分解采用的小波基为“db4”小波，分解层数为3层；
针对获取的低频小波系数，通过语音信号无声段估计出的噪声方差作为先验知识，对低频小波系数进行卡尔曼滤波处理，得到滤波处理后的低频小波系数；
针对获取的高频小波系数，通过下列函数进行阈值增强处理，得到滤波处理后的高频小波系数：
式中，
表示滤波处理后的高频小波系数，
表示滤波处理前的第j层第k个高频小波系数，
表示符号函数，
表示滤波调节因子，其中
，
表示设定的振荡调节因子，其中
；
根据滤波处理后的低频小波系数和滤波处理后的高频小波系数进行小波逆变换，得到滤波处理后的声音信号。
针对在通过智能穿戴设备采集用户声音信号的过程中，容易受到衣服、棉被等阻隔，从而导致信号的信噪比有所降低，影响后续根据声音信号进行打鼾判断的准确性的问题；上述实施方式中，提出了一种针对获取的声音信号进行滤波处理的技术方案，首先基于小波分解得到声音信号的高低频分量，然后针对鼾声可能集中出现的低频分量，采用卡尔曼滤波处理的方式，能够有效抑制背景噪声对低频分量的干扰；同时针对高频分量提出了一种改进的阈值处理函数，能够在去除高频噪声干扰的情况下，提高了高频信号在重构过程中的平滑程度，有助于突出重构信号后有声部分的特性，提高了声音信号的质量，为后续进一步根据滤波处理后的声音信号进行进一步的端点检测、特征提取和鼾声判断奠定了基础。
一种实施方式中，根据滤波处理后的声音信号进行端点检测处理，并通过检测到的端点将声音信号划分为有声部分和无声部分，具体包括：
采用设定的帧长对滤波处理后的声音信号进行分帧处理，将声音信号划分为多个声音信号帧
，其中
表示第n个声音信号帧，N表示总帧数；
针对每个获取的声音信号帧
，对声音信号帧
进行傅里叶变换，得到声音信号帧的频谱
；
分别计算每个声音信号帧
对应的端点特征参量：
式中，
表示第n个声音信号帧的端点特征参量，
表示第n个声音信号帧中第m个采样点的频率，
表示第n个声音信号帧中采样点的总数；
表示第n个声音信号帧的平均频谱能量，
表示第n个声音信号帧中第m个采样点对应的频谱幅值，
表示第n个声音信号帧中第m个采样点对应的幅值，
表示第n个声音信号帧中各采样点的平均幅值，
表示设定的频谱判断阈值，
表示设定的能量判断阈值；
从第n=1个声音信号帧开始，依次将各声音信号帧对应的端点特征参量
与设定的特征阈值
进行比对，如果从第
帧开始，连续3个声音信号帧
、
、
对应的端点特征参量
、
、
均大于特征阈值
，则标记声音信号帧
为有声部分起始点；如果在有声部分起始点之后，连续3个声音信号帧
、
、
对应的端点特征参量
、
、
均小于特征阈值
，则标记声音信号帧
为有声部分结束点；将有声部分起始点和有声部分结束点之间的语音信号部分标记为有声部分，其余部分标记为无声部分。
上述实施方式中，提出了一种针对获取的声音信号中划分有声部分和无声部分的技术方案，其中在考虑到声音信号中每一帧信号的特征参量的时候，特别提出了一种特征参量计算函数，能够特别考虑每个声音信号帧中的加权频率能量，以及整个声音信号汇总的平均复制作为参考因素，相对于传统的特征参量的获取方式，更能够贴近卧室睡眠环境下的声音特性，同时该特征参量也更能够贴近鼾声特征，有助于提高有声部分和无声部分划分的准确性，为后续进一步根据有声部分进行鼾声分析奠定基础。
一种实施方式中，基于各有声部分和无声部分的持续时间，得到有声部分的变化特征，具体包括：
根据获取的声音信号中有声部分和无声部分的划分信息，按时域顺序分别统计有声部分的总数和各有声部分和无声部分的长度，并获取变化特征
；其中， 
表示声音信号中第n个有声部分的长度，
表示声音信号中第n个有声部分与第n+1个有声部分之间的无声部分的长度，其中
，N表示声音信号中有声部分的总数，其中有声部分和无声部分的长度可以采用采样点的数量或者时间长度进行表示。
上述实施方式中，考虑到当用户的睡眠过程中如果发生长时间的打鼾的话，其鼾声通常会比较均匀和规律，因此，本申请在基于采集的声音信号进行打鼾判断的时候，特别基于声音信号中有声部分的持续时间和变化间隔等变化信息，将声音信号中所包含的有声部分的变化特征也作为后续打鼾判断的重要依据，能够通过变化特征反映声音信号中有声部分的变化规律，提高后续根据变化特征以及每个有声部分的特征参数进行打鼾判断的准确性。
一种实施方式中，针对各有声部分进行特征提取，其中可以采用基于MFCC的特征提取方法对有声部分进行特征提取，获取有声部分的MFCC特征作为有声部分的特征参数。
一种实施方式中，SVM分类器的训练过程为采用上述相同方式处理和标记得到的训练集（声音信号特征向量及对应的打鼾判断结果标识）训练所得，具体训练过程本申请在此不作具体限定。
一种实施方式中，步骤S5具体包括：
当根据获取的舒适度分析结果和干预分析结果，向相应的智能家具发出相应的控制指令。
一种场景中，当通过舒适度分析模型获取的舒适度分析结果为异常时，则根据舒适度分析结果向空调发出相应的控制指令，以控制空调开闭或者调节空调的温度控制参数。
例如，当获取的舒适度分析结果为用户手脚温度低于室内温度超过设定的标准阈值时，则判断用户的手脚可能外露且被空调出风口正对着吹，则由智能穿戴设备自动向空调发出调整风速和风向的控制指令，以使得空调根据接收到的控制指令自动降低风速和将风向设置成扫风模式。
本发明还提出一种智能穿戴设备，包括佩戴检测单元、通信单元、采集单元、处理单元和控制单元；其中，
佩戴检测单元用于检测智能穿戴设备的佩戴状态；
通信单元用于当检测到智能穿戴设备被佩戴时，向通信范围内的智能家具发出通信连接请求，并与智能家具建立无线通信连接，接收由智能家具传输的环境状态数据；
采集单元用于当检测到智能穿戴设备被佩戴时，采集用户睡眠状态数据，其中睡眠状态数据包括用户心率数据、用户温度数据、用户运动数据和用户声音数据中的至少一种；
处理单元用于根据获取的用户睡眠状态数据和环境状态数据，基于设定的睡眠特征分析模型进行分析，得到相应的睡眠特征分析结果；
控制单元用于根据获取的睡眠特征分析结果向相应的智能家具发送控制指令，以控制智能家具执行相应的操作。
一种实施方式中，通信单元还用于将采集到的用户睡眠状态数据、环境状态数据和对应的睡眠特征分析结果传输到云服务器进行存储管理，由云服务器生成相应的睡眠检测报告。
需要说明的是，上述实施方式提供的智能穿戴设备中的各个模块单元能够实现上述一种智能穿戴设备的数据搜集处理方法中各步骤以及与各步骤相应的具体实施方式，本申请在此不重复叙述。
需要说明的是，在本发明各个实施例中的各功能单元/模块可以集成在一个处理单元/模块中，也可以是各个单元/模块单独物理存在，也可以是两个或两个以上单元/模块集成在一个单元/模块中。上述集成的单元/模块既可以采用硬件的形式实现，也可以采用软件功能单元/模块的形式实现。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解应当理解，可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现，处理器可以在一个或多个下列单元中实现：专用集成电路（ASIC）、数字信号处理器（DSP）、数字信号处理设备（DSPD）、可编程逻辑器件（PLD）、现场可编程门阵列（FPGA）、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现，实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。实现时，可以将上述程序存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读介质可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当分析，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (10)
1.一种智能穿戴设备的数据搜集处理方法，其特征在于，包括：
S1、检测智能穿戴设备的佩戴状态；
S2、当检测到智能穿戴设备被佩戴时，向通信范围内的智能家具发出通信连接请求，并与智能家具建立无线通信连接，接收由智能家具传输的环境状态数据；
S3、采集用户睡眠状态数据，其中睡眠状态数据包括用户心率数据、用户温度数据、用户运动数据和用户声音数据中的至少一种；
S4、根据获取的用户睡眠状态数据和环境状态数据，基于设定的睡眠特征分析模型进行分析，得到相应的睡眠特征分析结果；
S5、根据获取的睡眠特征分析结果向相应的智能家具发送控制指令，以控制智能家具执行相应的操作。
2.根据权利要求1所述的一种智能穿戴设备的数据搜集处理方法，其特征在于，该方法还包括：
S6将采集到的用户睡眠状态数据、环境状态数据和对应的睡眠特征分析结果传输到云服务器进行存储管理，由云服务器生成相应的睡眠检测报告。
3.根据权利要求1所述的一种智能穿戴设备的数据搜集处理方法，其特征在于，步骤S1具体包括：
通过智能穿戴设备上的遮挡传感器的状态判断智能穿戴设备的佩戴状态，当遮挡传感器的状态为被遮挡时，则判断该智能穿戴设备为佩戴状态；当遮挡传感器的状态为未被遮挡时，则判断该智能穿戴设备为未佩戴状态。
4.根据权利要求1所述的一种智能穿戴设备的数据搜集处理方法，其特征在于，步骤S2具体包括：
其中智能穿戴设备与智能家具通过蓝牙或者无线局域网的方式建立通信连接并进行数据交互；其中智能家具包括智能床垫、智能灯具、空调、温度计、亮度计的至少一项；其中环境状态数据包括智能床垫压力数据、智能灯具的开关状态数据、环境亮度数据、环境温度数据的至少一项。
5.根据权利要求1所述的一种智能穿戴设备的数据搜集处理方法，其特征在于，步骤S3具体包括：
智能穿戴设备接收由智能床垫采集的压力数据，并基于接收到的压力数据检测用户是否躺于智能床垫上；当基于获取的压力数据检测到用户躺于智能床垫上时，智能穿戴设备开始采集用户睡眠状态数据；其中智能床垫中均匀分布设置有多个压力传感器，通过多个压力传感器采集智能床垫的压力数据。
6.根据权利要求1所述的一种智能穿戴设备的数据搜集处理方法，其特征在于，步骤S4包括：
睡眠特征分析模型包括舒适度分析模型、睡眠质量分析模型和干预分析模型；
其中，基于舒适度分析模型，根据获取的用户温度数据和环境温度数据判断用户在睡眠过程中的舒适度，得到相应的舒适度分析结果；
其中，基于睡眠质量分析模型，根据获取的用户心率数据、用户运动数据、智能床垫压力数据判断用户在睡眠过程中的睡眠质量，其中睡眠质量分析模型由根据预先设置的标准训练集训练所得；
其中，基于干预分析模型，根据获取的用户声音数据，检测用户在睡眠过程中是否存在打鼾情况，当分析到用户存在打鼾时，输出干预分析结果为需要干预；
步骤S5具体包括：
当根据获取的舒适度分析结果和干预分析结果，向相应的智能家具发出相应的控制指令。
7.根据权利要求6所述的一种智能穿戴设备的数据搜集处理方法，其特征在于，步骤S4中，通过干预分析模型根据获取的用户声音数据检测用户在睡眠中是否存在打鼾情况，具体包括：
获取一段时间周期内采集的声音信号；
对获取的声音信号进行滤波处理，得到滤波处理后的声音信号；
根据滤波处理后的声音信号进行端点检测处理，并通过检测到的端点将声音信号划分为有声部分和无声部分；
基于各有声部分和无声部分的持续时间，得到有声部分的变化特征，其中变化特征包括每段有声部分的持续时间，以及相邻有声部分之间的时间间隔；
针对各有声部分进行特征提取，分别获取各有声部分的特征参数；
基于获取的各有声部分的特征参数以及有声部分的变化特征组成该声音信号的特征向量，采用训练好的SVM分类器对该特征向量进行分析，得到打鼾判断结果。
8.根据权利要求7所述的一种智能穿戴设备的数据搜集处理方法，其特征在于，对获取的声音信号进行滤波处理，具体包括：
对获取的语音信号进行小波分解处理，得到低频小波系数和高频小波系数，其中小波分解采用的小波基为“db4”小波，分解层数为3层；
针对获取的低频小波系数，通过语音信号无声段估计出的噪声方差作为先验知识，对低频小波系数进行卡尔曼滤波处理，得到滤波处理后的低频小波系数；
针对获取的高频小波系数，通过下列函数进行阈值增强处理，得到滤波处理后的高频小波系数：
式中，
表示滤波处理后的高频小波系数，
表示滤波处理前的第j层第k个高频小波系数，
表示符号函数，
表示滤波调节因子，其中
，
表示设定的振荡调节因子，其中
；
根据滤波处理后的低频小波系数和滤波处理后的高频小波系数进行小波逆变换，得到滤波处理后的声音信号。
9.根据权利要求7所述的一种智能穿戴设备的数据搜集处理方法，其特征在于，根据滤波处理后的声音信号进行端点检测处理，并通过检测到的端点将声音信号划分为有声部分和无声部分，具体包括：
采用设定的帧长对滤波处理后的声音信号进行分帧处理，将声音信号划分为多个声音信号帧
，其中
表示第n个声音信号帧，N表示总帧数；
针对每个获取的声音信号帧
，对声音信号帧
进行傅里叶变换，得到声音信号帧的频谱
；
分别计算每个声音信号帧
对应的端点特征参量：
式中，
表示第n个声音信号帧的端点特征参量，
表示第n个声音信号帧中第m个采样点的频率，
表示第n个声音信号帧中采样点的总数；
表示第n个声音信号帧的平均频谱能量，
表示第n个声音信号帧中第m个采样点对应的频谱幅值，
表示第n个声音信号帧中第m个采样点对应的幅值，
表示第n个声音信号帧中各采样点的平均幅值，
表示设定的频谱判断阈值，
表示设定的能量判断阈值；
从第n=1个声音信号帧开始，依次将各声音信号帧对应的端点特征参量
与设定的特征阈值
进行比对，如果从第
帧开始，连续3个声音信号帧
、
、
对应的端点特征参量
、
、
均大于特征阈值
，则标记声音信号帧
为有声部分起始点；如果在有声部分起始点之后，连续3个声音信号帧
、
、
对应的端点特征参量
、
、
均小于特征阈值
，则标记声音信号帧
为有声部分结束点；将有声部分起始点和有声部分结束点之间的语音信号部分标记为有声部分，其余部分标记为无声部分；
基于各有声部分和无声部分的持续时间，得到有声部分的变化特征，具体包括：
根据获取的声音信号中有声部分和无声部分的划分信息，按时域顺序分别统计有声部分的总数和各有声部分和无声部分的长度，并获取变化特征
；其中， 
表示声音信号中第n个有声部分的长度，
表示声音信号中第n个有声部分与第n+1个有声部分之间的无声部分的长度，其中
，N表示声音信号中有声部分的总数，其中有声部分和无声部分的长度可以采用采样点的数量或者时间长度进行表示。
10.一种智能穿戴设备，其特征在于，所述智能穿戴设备用于实现上述权利要求1-9中任一项权利要求所述的智能穿戴设备的数据搜集处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210379854.XA CN114488841B (zh) | 2022-04-12 | 2022-04-12 | 一种智能穿戴设备的数据搜集处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210379854.XA CN114488841B (zh) | 2022-04-12 | 2022-04-12 | 一种智能穿戴设备的数据搜集处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114488841A true CN114488841A (zh) | 2022-05-13 |
| CN114488841B CN114488841B (zh) | 2022-10-18 |
Family
ID=81487805
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210379854.XA Active CN114488841B (zh) | 2022-04-12 | 2022-04-12 | 一种智能穿戴设备的数据搜集处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114488841B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115336880A (zh) * | 2022-08-23 | 2022-11-15 | 慕思健康睡眠股份有限公司 | 基于智能床垫的按摩方法及相关产品 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102429662A (zh) * | 2011-11-10 | 2012-05-02 | 大连理工大学 | 家庭环境中睡眠呼吸暂停综合征的筛查系统 |
| CN106123206A (zh) * | 2016-06-17 | 2016-11-16 | 美的集团股份有限公司 | 一种调整环境热度的方法和系统 |
| CN109067627A (zh) * | 2018-08-30 | 2018-12-21 | Oppo广东移动通信有限公司 | 家电设备控制方法、装置、穿戴式设备及存储介质 |
| CN110313901A (zh) * | 2019-07-10 | 2019-10-11 | 莫雨潜 | 一种睡眠监控方法、装置及电子设备 |
| CN111657890A (zh) * | 2020-06-23 | 2020-09-15 | 深圳市联奕实业有限公司 | 睡眠状态的监控方法、装置、智能床垫及介质 |
-
2022
- 2022-04-12 CN CN202210379854.XA patent/CN114488841B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102429662A (zh) * | 2011-11-10 | 2012-05-02 | 大连理工大学 | 家庭环境中睡眠呼吸暂停综合征的筛查系统 |
| CN106123206A (zh) * | 2016-06-17 | 2016-11-16 | 美的集团股份有限公司 | 一种调整环境热度的方法和系统 |
| CN109067627A (zh) * | 2018-08-30 | 2018-12-21 | Oppo广东移动通信有限公司 | 家电设备控制方法、装置、穿戴式设备及存储介质 |
| CN110313901A (zh) * | 2019-07-10 | 2019-10-11 | 莫雨潜 | 一种睡眠监控方法、装置及电子设备 |
| CN111657890A (zh) * | 2020-06-23 | 2020-09-15 | 深圳市联奕实业有限公司 | 睡眠状态的监控方法、装置、智能床垫及介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115336880A (zh) * | 2022-08-23 | 2022-11-15 | 慕思健康睡眠股份有限公司 | 基于智能床垫的按摩方法及相关产品 |
| CN115336880B (zh) * | 2022-08-23 | 2024-04-30 | 慕思健康睡眠股份有限公司 | 基于智能床垫的按摩方法及相关产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114488841B (zh) | 2022-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108388912B (zh) | 基于多传感器特征优化算法的睡眠分期方法 | |
| JP6423487B2 (ja) | 痙攣の検出のためのシステムおよびその作動方法 | |
| CN108670200B (zh) | 一种基于深度学习的睡眠鼾声分类检测方法及系统 | |
| US20220071588A1 (en) | Sensor fusion to validate sound-producing behaviors | |
| US9681814B2 (en) | Devices and methods for real-time denoising of electrocardiograms | |
| US7559903B2 (en) | Breathing sound analysis for detection of sleep apnea/popnea events | |
| US10617364B2 (en) | System and method for snoring detection using low power motion sensor | |
| CN110706816B (zh) | 一种基于人工智能进行睡眠环境调控的方法及设备 | |
| JP2015042267A (ja) | 睡眠／覚醒状態評価方法及びシステム | |
| CN109222950B (zh) | 数据处理方法及装置 | |
| CN110575139A (zh) | 一种睡眠监测方法及设备 | |
| US20240156361A1 (en) | Deep learning-based heart rate detection method and wearable device | |
| CN114488841B (zh) | 一种智能穿戴设备的数据搜集处理方法 | |
| CN116339509A (zh) | 一种智能终端设备的控制方法及控制装置 | |
| CN116057627A (zh) | 提供用于自动婴幼儿啼哭评估的数据的计算机实施的方法 | |
| CN114999643A (zh) | 一种基于WiFi的老人智能监护方法 | |
| CN111248938A (zh) | 实时心音信号诊断系统及其诊断方法 | |
| JP2008253727A (ja) | モニタ装置、モニタシステム及びモニタ方法 | |
| Porieva et al. | Investigation of lung sounds features for detection of bronchitis and COPD using machine learning methods | |
| CN106326672A (zh) | 入睡检测方法与系统 | |
| CN116115198A (zh) | 一种基于生理体征的低功耗鼾声自动记录方法及装置 | |
| TWI816614B (zh) | 睡眠監測系統及睡眠監測方法 | |
| CN117747117B (zh) | 基于声响的睡眠呼吸评价及辅助调节方法、系统和装置 | |
| KR102331753B1 (ko) | 동물용 스마트 청진기 및 제어방법 | |
| EP4260810A1 (en) | Extracting breathing features with a face mask |
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 |