CN114631790A - 基于穿戴设备的睡眠分期方法、装置、设备和存储介质 - Google Patents

Abstract

本申请提出一种基于穿戴设备的睡眠分期方法、装置、设备和存储介质，涉及智能设备技术领域，其中，方法包括：监测满足睡眠分期条件时，从数据缓冲区获取呼吸间隔序列信号、心率间隔序列信号和加速度信号；根据心率间隔序列信号计算心率变异性参数、根据呼吸间隔序列信号计算呼吸变异性参数和根据加速度信号计算体动特征参数；将心率变异性参数、呼吸变异性参数和体动特征参数输入睡眠分期模型，获取睡眠分期结果。由此，同时基于穿戴式设备采集的心率信号和加速度信号计算心率变异性参数，呼吸变异性参数和体动特征作为特征参数输入睡眠分期模型获取睡眠分期结果，提高基于穿戴设备的睡眠分期精度和效率。

Description

基于穿戴设备的睡眠分期方法、装置、设备和存储介质

技术领域

本申请涉及智能设备技术领域，尤其涉及一种基于穿戴设备的睡眠分期方法、装置、设备和存储介质。

背景技术

通常，睡眠过程不是一个单一不变的状态，而是一个相对复杂的生理过程，睡眠时相会进行周期性转换。

相关技术中，通过检测被监测者睡眠期间的睡眠动作数据及心率数据，接着通结合被监测者睡眠期间的动作数据和心率数据判断被监测者的睡眠状况，这种方式稳定性和精确性都比较差。

发明内容

本申请旨在至少在一定程度上解决上述提到的技术问题之一。

为此，本申请的第一个目的在于提出一种基于穿戴设备的睡眠分期方法，解决了现有技术中基于穿戴设备的睡眠分期方式稳定性和精确性都比较差的技术问题，通过同时基于穿戴式设备采集的心率信号和加速度信号计算心率变异性参数，呼吸变异性参数和体动特征作为特征参数输入睡眠分期模型获取睡眠分期结果，提高基于穿戴设备的睡眠分期精度和效率。

本申请的第二个目的在于提出一种基于穿戴设备的睡眠分期装置。

本申请的第三个目的在于提出一种计算机设备。

本申请的第四个目的在于提出一种非临时性计算机可读存储介质。

为达上述目的，本申请第一方面实施例提出了一种基于穿戴设备的睡眠分期方法，包括：监测满足睡眠分期条件时，从数据缓冲区获取呼吸间隔序列信号、心率间隔序列信号和加速度信号；根据所述心率间隔序列信号计算心率变异性参数、根据所述呼吸间隔序列信号计算呼吸变异性参数和根据所述加速度信号计算体动特征参数；将所述心率变异性参数、所述呼吸变异性参数和所述体动特征参数输入睡眠分期模型，获取睡眠分期结果。

在本申请的一个实施例中，在所述从数据缓冲区获取呼吸间隔序列信号、心率间隔序列信号和加速度信号之前，还包括：获取心率测量传感器采集的心率信号；通过滑窗算法按照预设时长对所述心率信号进行处理，并对处理后的心率信号进行滤波处理和峰值检测，获取所述心率间隔序列信号；对所述心率间隔序列信号进行预处理后存储于所述数据缓冲区。

在本申请的一个实施例中，在所述从数据缓冲区获取呼吸间隔序列信号、心率间隔序列信号和加速度信号之前，还包括：获取加速度传感器采集的加速度信号；对所述加速度信号进行滤波处理，从滤波处理后的加速度信号中提取呼吸信号；对所述呼吸信号进行峰值检测，获取所述呼吸间隔序列信号；对所述加速度信号和所述呼吸间隔序列信号进行预处理后存储于所述数据缓冲区。

在本申请的一个实施例中，所述根据所述加速度信号计算体动特征参数，包括：根据所述加速度信号计算合加速度；通过滑窗算法按照预设时长对所述合加速度进行处理，获取每个窗口的合加速度；通过预设公式对所述每个窗口的合加速度计算，获取每个窗口的标准差；基于预设阈值对相邻窗口标准差的差值进行标记处理，获取所述体动特征参数。

在本申请的一个实施例中，所述的方法，还包括：对所述心率间隔序列信号进行插值处理，并对插值处理后的心率间隔序列信号进行经验模态分解；对经验模态分解后的心率间隔序列信号进行滤波处理，获取所述呼吸间隔序列信号；对所述呼吸间隔序列信号进行预处理后存储于所述数据缓冲区。

在本申请的一个实施例中，所述根据所述心率间隔序列信号计算心率变异性参数，包括：通过预设公式对所述心率间隔序列信号计算，获取心率均值、心率间隔标准差、多个窗口心率均值的标准差、心率间隔差值均方的平方根、或心率间隔平均绝对离差中的至少一种；对所述心率间隔序列信号进行频域变换，获取心率间隔频域序列信号；通过预设算法对所述心率间隔频域序列信号分析，获取高频能量、高频占比、低频能量、低频占比、极低频能量、极低频占比、或低频能量比高频能量中的至少一种。

在本申请的一个实施例中，所述根据所述呼吸间隔序列信号计算呼吸变异性参数，包括：通过预设公式对所述心率间隔序列信号计算，获取呼吸均值、呼吸间隔的标准差、多个窗口呼吸均值的标准差、呼吸间隔差值均方的平方根、或呼吸间隔平均绝对离差中的至少一种。

在本申请的一个实施例中，在所述将所述心率变异性参数、所述呼吸变异性参数和所述体动特征参数输入睡眠分期模型，获取睡眠分期结果之前，还包括：获取训练信号样本和验证信号样本；其中，所述训练信号样本标注训练睡眠类别；根据所述训练信号样本计算心率变异性训练参数、呼吸变异性训练参数和体动特征训练参数；采用梯度提升决策树的分类算法对所述心率变异性训练参数、所述呼吸变异性训练参数、所述体动特征训练参数和所述训练睡眠类别进行训练，获取所述训练睡眠分期模型；根据所述验证信号样本计算心率变异性验证参数、呼吸变异性验证参数和体动特征验证参数；

将所述心率变异性验证参数、所述呼吸变异性验证参数和所述体动特征验证参数输入所述训练睡眠分期模型，获取预测睡眠类别；通过损失函数根据所述训练睡眠类别和所述预测睡眠类别对所述训练睡眠分期模型进行调整，生成所述睡眠分期模型。

在本申请的一个实施例中，所述将所述心率变异性参数、所述呼吸变异性参数和所述体动特征参数输入睡眠分期模型，获取睡眠分期结果，包括：将所述心率变异性参数、所述呼吸变异性参数和所述体动特征参数输入睡眠分期模型，获取各个睡眠类别对应的估计概率值；获取所述各个睡眠类别对应的估计概率值中的最大估计概率值；获取所述最大估计概率值对应的睡眠类别作为所述睡眠分期结果。

为达上述目的，本申请第二方面实施例提出了一种基于穿戴设备的睡眠分期装置，包括：第一获取模块，用于监测满足睡眠分期条件时，从数据缓冲区获取呼吸间隔序列信号、心率间隔序列信号和加速度信号；第一计算模块，用于根据所述心率间隔序列信号计算心率变异性参数；第二计算模块，用于根据所述呼吸间隔序列信号计算呼吸变异性参数；第三计算模块，用于根据所述加速度信号计算体动特征参数；处理模块，用于将所述心率变异性参数、所述呼吸变异性参数和所述体动特征参数输入睡眠分期模型，获取睡眠分期结果。

在本申请的一个实施例中，所述的装置，还包括：第二获取模块，用于获取心率测量传感器采集的心率信号；第三获取模块，用于通过滑窗算法按照预设时长对所述心率信号进行处理，并对处理后的心率信号进行滤波处理和峰值检测，获取所述心率间隔序列信号；第一存储模块，用于对所述心率间隔序列信号进行预处理后存储于所述数据缓冲区。

在本申请的一个实施例中，所述的装置，还包括：第四获取模块，用于获取加速度传感器采集的加速度信号；提取模块，用于对所述加速度信号进行滤波处理，从滤波处理后的加速度信号中提取呼吸信号；第五获取模块，用于对所述呼吸信号进行峰值检测，获取所述呼吸间隔序列信号；第二存储模块，用于对所述加速度信号和所述呼吸间隔序列信号进行预处理后存储于所述数据缓冲区。

在本申请的一个实施例中，所述第三计算模块，具体用于：根据所述加速度信号计算合加速度；通过滑窗算法按照预设时长对所述合加速度进行处理，获取每个窗口的合加速度；通过预设公式对所述每个窗口的合加速度计算，获取每个窗口的标准差；基于预设阈值对相邻窗口标准差的差值进行标记处理，获取所述体动特征参数。

在本申请的一个实施例中，所述的装置，还包括：插值模块，用于对所述心率间隔序列信号进行插值处理，并对插值处理后的心率间隔序列信号进行经验模态分解；第六获取模块，用于对经验模态分解后的心率间隔序列信号进行滤波处理，获取所述呼吸间隔序列信号；第三存储模块，用于对所述呼吸间隔序列信号进行预处理后存储于所述数据缓冲区。

在本申请的一个实施例中，所述第一计算模块，具体用于：通过预设公式对所述心率间隔序列信号计算，获取心率均值、心率间隔标准差、多个窗口心率均值的标准差、心率间隔差值均方的平方根、或心率间隔平均绝对离差中的至少一种；对所述心率间隔序列信号进行频域变换，获取心率间隔频域序列信号；通过预设算法对所述心率间隔频域序列信号分析，获取高频能量、高频占比、低频能量、低频占比、极低频能量、极低频占比、或低频能量比高频能量中的至少一种。

在本申请的一个实施例中，所述第二计算模块，具体用于：通过预设公式对所述心率间隔序列信号计算，获取呼吸均值、呼吸间隔的标准差、多个窗口呼吸均值的标准差、呼吸间隔差值均方的平方根、或呼吸间隔平均绝对离差中的至少一种。

在本申请的一个实施例中，所述的装置，还包括：第七获取模块，用于获取训练信号样本和验证信号样本；其中，所述训练信号样本标注训练睡眠类别；第四计算模块，用于根据所述训练信号样本计算心率变异性训练参数、呼吸变异性训练参数和体动特征训练参数；第一训练模块，用于采用梯度提升决策树的分类算法对所述心率变异性训练参数、所述呼吸变异性训练参数、所述体动特征训练参数和所述训练睡眠类别进行训练，获取所述训练睡眠分期模型；第五计算模块，用于根据所述验证信号样本计算心率变异性验证参数、呼吸变异性验证参数和体动特征验证参数；第二训练模块，用于将所述心率变异性验证参数、所述呼吸变异性验证参数和所述体动特征验证参数输入所述训练睡眠分期模型，获取预测睡眠类别；生成模块，用于通过损失函数根据所述训练睡眠类别和所述预测睡眠类别对所述训练睡眠分期模型进行调整，生成所述睡眠分期模型。

在本申请的一个实施例中，所述处理模块，具体用于：将所述心率变异性参数、所述呼吸变异性参数和所述体动特征参数输入睡眠分期模型，获取各个睡眠类别对应的估计概率值；获取所述各个睡眠类别对应的估计概率值中的最大估计概率值；获取所述最大估计概率值对应的睡眠类别作为所述睡眠分期结果。

为达上述目的，本申请第三方面实施例提出了一种计算机设备，包括：存储器、处理器及存储在所述存储器上并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，实现如上述实施例所描述的基于穿戴设备的睡眠分期方法。

为了实现上述目的，本申请第四方面实施例提出了一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器被执行时，使得处理器能够实现如上述实施例所描述的基于穿戴设备的睡眠分期方法。

本申请提供的技术方案，至少具有如下有益技术效果：

监测满足睡眠分期条件时，从数据缓冲区获取呼吸间隔序列信号、心率间隔序列信号和加速度信号；根据心率间隔序列信号计算心率变异性参数；根据呼吸间隔序列信号计算呼吸变异性参数；根据加速度信号计算体动特征参数；将心率变异性参数、呼吸变异性参数和体动特征参数输入睡眠分期模型，获取睡眠分期结果。由此，同时基于穿戴式设备采集的心率信号和加速度信号计算心率变异性参数，呼吸变异性参数和体动特征作为特征参数输入睡眠分期模型获取睡眠分期结果，提高基于穿戴设备的睡眠分期精度和效率。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请实施例所提供的一种基于穿戴设备的睡眠分期方法的流程示意图；

图2为本申请实施例所提供的另一种基于穿戴设备的睡眠分期方法的流程示意图；

图3为本申请实施例所提供的又一种基于穿戴设备的睡眠分期方法的流程示意图；

图4为本申请实施例所提供的再一种基于穿戴设备的睡眠分期方法的流程示意图；

图5为本申请实施例所提供的某一轴向的呼吸信号滤波结果的示例图；

图6为本申请实施例所提供的还一种基于穿戴设备的睡眠分期方法的流程示意图；

图7为本申请实施例所提供的还一种基于穿戴设备的睡眠分期方法的流程示意图；

图8为本申请实施例所提供的心拍间隔频谱图的示例图；

图9为本申请实施例所提供的还一种基于穿戴设备的睡眠分期方法的流程示意图；

图10为本申请实施例所提供的睡眠分期模型训练的示例图；

图11为本申请实施例提供的一种基于穿戴设备的睡眠分期装置的结构示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的基于穿戴设备的睡眠分期方法、装置、设备和存储介质。其中，本申请实施例的基于穿戴设备的睡眠分期方法的执行主体，可以是任意穿戴式设备，该穿戴式设备可以是智能手环、智能手表、智能眼镜等。

图1为本申请实施例所提供的一种基于穿戴设备的睡眠分期方法的流程示意图。如图1所示，该基于穿戴设备的睡眠分期方法包括：

步骤101，监测满足睡眠分期条件时，从数据缓冲区获取呼吸间隔序列信号、心率间隔序列信号和加速度信号。

在本申请实施例中，可以根据应用场景设置睡眠分期条件，比如基于每分钟的呼吸间隔序列信号和心率间隔序列信号是否满足预设数值作为睡眠分期条件，在获取满足睡眠分期条件后，进行下一步处理。

在本申请实施例中，智能佩戴设备中可以根据应用需要设置一个或者多个传感器获取用户在睡眠中的心率信号、加速度信号等。

具体地，在进行睡眠分期之前，需要通过智能佩戴设备中的传感器实时获取心率信号、加速度信号，并对心率信号、加速度信号进行预处理并存储，举例说明如下：

第一种示例，获取心率测量传感器采集的心率信号，通过滑窗算法按照预设时长对心率信号进行处理，并对处理后的心率信号进行滤波处理和峰值检测，获取心率间隔序列信号；，对心率间隔序列信号进行预处理后存储于数据缓冲区。

第二种示例，获取加速度传感器采集的加速度信号，对加速度信号进行滤波处理，从滤波处理后的加速度信号中提取呼吸信号，对呼吸信号进行峰值检测，获取呼吸间隔序列信号，对加速度信号和呼吸间隔序列信号进行预处理后存储于数据缓冲区。

第三种示例，对心率间隔序列信号进行插值处理，并对插值处理后的心率间隔序列信号进行经验模态分解，对经验模态分解后的心率间隔序列信号进行滤波处理，获取呼吸间隔序列信号，对呼吸间隔序列信号进行预处理后存储于数据缓冲区。

因此，在监测满足睡眠分期条件时，可以从数据缓冲区获取呼吸间隔序列信号、心率间隔序列信号和加速度信号。

步骤102，根据心率间隔序列信号计算心率变异性参数、根据呼吸间隔序列信号计算呼吸变异性参数和根据加速度信号计算体动特征参数。

在本申请实施例中，根据心率间隔序列信号计算心率变异性参数可以根据应用场景需要选择一种或者多种，比如心率均值、心率间隔标准差、多个窗口心率均值的标准差、心率间隔差值均方的平方根、或心率间隔平均绝对离差中的至少一种，还可以是对心率间隔序列信号进行频域变换，获取心率间隔频域序列信号，对心率间隔频域序列信号分析，获取高频能量、高频占比、低频能量、低频占比、极低频能量、极低频占比、或低频能量比高频能量中的至少一种。

需要说明的是，在心率变异性频率分析的通用标准中0.0033Hz-0.04Hz为极低频段(VLF)，0.04Hz-0.15Hz为低频频段(LF)、0.15Hz-0.4Hzw为高频频段(HF)，因此，可以基于上述划分获取高频能量、高频占比、低频能量、低频占比、极低频能量、极低频占比、或低频能量比高频能量等心率变异性频率信息。

在本申请实施例中，根据呼吸间隔序列信号计算呼吸变异性参数可以根据应用场景需要选择一种或者多种，比如呼吸均值、呼吸间隔的标准差、多个窗口呼吸均值的标准差、呼吸间隔差值均方的平方根、或呼吸间隔平均绝对离差中的至少一种。

在本申请实施例中，根据加速度信号计算体动特征参数的方式也有很多种，可以根据应用需要选择设置。

作为一种示例，根据加速度信号计算合加速度，通过滑窗算法按照预设时长对合加速度进行处理，获取每个窗口的合加速度，通过预设公式对每个窗口的合加速度计算，获取每个窗口的标准差，基于预设阈值对相邻窗口标准差的差值进行标记处理，获取体动特征参数；作为另一种示例，直接计算加速度信号的标准差进行分析，获取体动特征参数。

步骤103，将心率变异性参数、呼吸变异性参数和体动特征参数输入睡眠分期模型，获取睡眠分期结果。

在本申请实施例中，睡眠分期模型预先训练生成，比如睡眠分期预测模型是使用若干包含完整睡眠分期标签的睡眠数据，以上述方法计算特征参数，形成由特征向量组成的训练集和验证集，训练的梯度提升决策树模型；再比如通过神经网络比如卷积神经网络对信号样本和标注值进行训练，生成睡眠分期模型。

在本申请实施例中，将心率变异性参数、呼吸变异性参数和体动特征参数输入睡眠分期模型，获取睡眠分期结果的方式有很多种，作为一种场景示例，将心率变异性参数、呼吸变异性参数和体动特征参数输入睡眠分期模型，获取各个睡眠类别对应的估计概率值，获取各个睡眠类别对应的估计概率值中的最大估计概率值，获取最大估计概率值对应的睡眠类别作为睡眠分期结果。

在本申请实施例中，依据脑电、眼电、颏肌电等多路生理信号进行睡眠分期，将睡眠大致分为6个睡眠类别：觉醒期、快速眼动期和非快速眼动期中的四个阶段(N1,N2,N3,N4)，其中，浅睡(N1、N2)、深睡(N3、N4)。

也就是说，当一定时长内缓存的心拍间隔、呼吸间隔满足数量要求时，基于心率变异性和呼吸变异性的参数计算方法，计算心率变异性和呼吸变异性的时域和频域特征，结合体动强弱信息计算体动相关特征输入预先训练好的机器学习模型得到觉醒期、深睡、浅睡、REM睡眠的估计概率，最后，根据睡眠分期模型的估计概率值，其中概率波动较大的段落进行整体的平滑，形成可信度较高的段落，并根据各个分类估计概率值的高低确定最终结果，输出睡眠分期结果。

综上，本实施例的基于穿戴设备的睡眠分期方法，通过监测满足睡眠分期条件时，从数据缓冲区获取呼吸间隔序列信号、心率间隔序列信号和加速度信号；根据心率间隔序列信号计算心率变异性参数、根据呼吸间隔序列信号计算呼吸变异性参数和根据加速度信号计算体动特征参数；将心率变异性参数、呼吸变异性参数和体动特征参数输入睡眠分期模型，获取睡眠分期结果。由此，同时基于穿戴式设备采集的心率信号和加速度信号计算心率变异性参数，呼吸变异性参数和体动特征作为特征参数输入睡眠分期模型获取睡眠分期结果，提高基于穿戴设备的睡眠分期精度和效率。

为了本领域人员更加清楚上述过程，下面结合图2描述如何计算心率间隔序列信号并存储。

图2为本申请实施例所提供的另一种基于穿戴设备的睡眠分期方法的流程示意图。如图2所示，该基于穿戴设备的睡眠分期方法包括：

步骤201，获取心率测量传感器采集的心率信号。

步骤202，通过滑窗算法按照预设时长对心率信号进行处理，并对处理后的心率信号进行滤波处理和峰值检测，获取心率间隔序列信号。

步骤203，对心率间隔序列信号进行预处理后存储于数据缓冲区。

在本申请实施例中，心率测量传感器可以是心电图ECG(electrocardiogram)传感器、光电容积脉搏波描记法PPG传感器等，其中，ECG传感器采集生理电信号、PPG传感器采集脉搏波信号在本申请实施例中都描述为心率信号。

在本申请实施例中，在实时获取心率信号，通过滑窗算法按照预设时长对心率信号进行处理，并对处理后的心率信号进行滤波处理和峰值检测，获取心率间隔序列信号并进行预处理后存储于数据缓冲区。

具体地，根据预设时长(可以根据应用场景选择设置比如1秒、5秒等)对心率信号进行分窗，对各个窗口的心率信号进行信号处理，通过带通滤波和峰值检测得到心拍间隔序列，再基于波形形态和离群状况去除由于心拍误检、漏检和信号畸变造成的异常心拍，并储存于数据缓冲区。

具体地，PPG传感器采是利用光电容积描记是利用光电传感器,检测经过人体血液和组织吸收后的反射光强度的不同,描记出血管容积在心动周期内的变化，首先基于心率信号，使用滤波、提峰法或小波阈值法等方法，完成心拍检测，之后基于心率信号的波形特征去除由于信号畸变造成的异常心拍，再根据心拍间隔的局部变化趋势去除由于心拍误检、漏检造成的异常心拍间隔，由此得到最终的心拍间隔序列。

基于上述实施例的描述，可以基于加速度信号获取呼吸间隔序列信号，也可以基于心率信号获取呼吸间隔序列信号，在本申请实施例中，基于加速度信号提取的呼吸间隔序列信号可以在加速度信号精度不足、所提取的呼吸信号质量差等情况下替换为基于心率信号获取呼吸间隔序列信号，进一步提高睡眠分期的精度。下面结合图3和图4进行详细描述如何获取呼吸间隔序列信号。

具体地，图3为本申请实施例所提供的又一种基于穿戴设备的睡眠分期方法的流程示意图。如图3所示，该基于穿戴设备的睡眠分期方法包括：

步骤301，获取加速度传感器采集的加速度信号，对加速度信号进行滤波处理，从滤波处理后的加速度信号中提取呼吸信号。

步骤302，对呼吸信号进行峰值检测，获取呼吸间隔序列信号。

步骤302，对加速度信号和呼吸间隔序列信号进行预处理后存储于数据缓冲区。

在本申请实施例中，对加速度信号进行信号处理，基于合加速度的幅值变化统计睡眠中的强、弱体动，储存于数据缓冲区。其中，可以通过一个滤波器组分别对三轴加速度信号进行滤波，基于呼吸引起的微动作，提取呼吸信号，通过峰值检测得到呼吸间隔，再基于波形形态和离群状况，对三轴的呼吸信号进行筛选和融合得到一组呼吸间隔序列，并储存于数据缓冲区。

可以理解的是，在数据缓冲区也存储加速度信号。

图4为本申请实施例所提供的再一种基于穿戴设备的睡眠分期方法的流程示意图。如图4所示，该基于穿戴设备的睡眠分期方法，在步骤202之后，还包括：

步骤401，对心率间隔序列信号进行插值处理，并对插值处理后的心率间隔序列信号进行经验模态分解。

步骤402，对经验模态分解后的心率间隔序列信号进行滤波处理，获取呼吸间隔序列信号。

步骤403，对呼吸间隔序列信号进行预处理后存储于数据缓冲区。

在本申请实施例中，基于呼吸引起的微动作，可以在三轴加速度信号中提取呼吸信号，实际过程中呼吸信号具有一定的方向性，受到翻身、睡眠体位的影响。因此需要先从加速度信号中提取呼吸信号再进行呼吸间隔的计算。

首先基于加速度信号，使用滤波的方法去除非呼吸频率段的噪声，如图5所示的某一轴向的呼吸信号滤波结果，再对滤波后的信号进行放大，之后对从三个轴向提取到的呼吸信号进行提峰，根据每个轴向的峰相似性筛选坏峰，再根据不同轴向的峰相似程度筛选轴向，结合筛选结果得到呼吸间隔，最后基于呼吸间隔的局部变化趋势去除由于呼吸误检、漏检造成的异常呼吸间隔，由此得到最终的呼吸间隔序列。

因此，可以看出首先对心拍间隔序列进行多次样条插值，之后对插值的信号进行经验模态分解，再经过滤波器滤波得到呼吸信号，最后基于呼吸间隔的局部变化趋势去除由于呼吸误检、漏检造成的异常呼吸间隔，由此得到最终的呼吸间隔序列，进一步提高后续分期准确性。

基于上述实施例的描述，可以根据加速度信号计算体动特征参数，具体结合图6进行详细描述。

图6为本申请实施例所提供的还一种基于穿戴设备的睡眠分期方法的流程示意图。如图6所示，该基于穿戴设备的睡眠分期方法，包括：

步骤501，根据加速度信号计算合加速度，通过滑窗算法按照预设时长对合加速度进行处理，获取每个窗口的合加速度。

步骤502，通过预设公式对每个窗口的合加速度计算，获取每个窗口的标准差。

步骤503，基于预设阈值对相邻窗口标准差的差值进行标记处理，获取体动特征参数。

在本申请实施例中，基于三轴加速度信号使用以下公式计算合加速度，并基于滑动窗口为合加速度信号进行分窗，其中公式为acc＝sqrt(x^2+y^2+z^2)，其中x,y,z分别为x轴，y轴，z轴加速度值。

进一步地，基于每个窗口计算体动特征参数，基于每个窗口中的合加速度使用以下公式计算标准差，其中，公式为：

具体地，若相邻两个窗口的标准差变化超过前其中较小的窗口的值，则将后面的窗口标记为变化点，根据两段阈值将不同窗口标记为强活动、弱活动和平静状态，并统计按分钟统计当前窗口距离上一次强活动、弱活动和变化点的时间长度，记为强活动时间、弱活动时间和变化点时间，因此，体动特征参数包括：强活动时间、、弱活动时间、变化点时间和标准差中的一种或者多种。

基于上述实施例的描述，可以根据心率间隔序列信号计算心率变异性参数，具体结合图7进行详细描述。

图7为本申请实施例所提供的还一种基于穿戴设备的睡眠分期方法的流程示意图。如图7所示，该基于穿戴设备的睡眠分期方法，包括：

步骤601，通过预设公式对心率间隔序列信号计算，获取心率均值、心率间隔标准差、多个窗口心率均值的标准差、心率间隔差值均方的平方根和心率间隔平均绝对离差中的一种或者多种。

步骤602，对心率间隔序列信号进行频域变换，获取心率间隔频域序列信号。

步骤603，通过预设算法对心率间隔频域序列信号分析，获取高频能量、高频占比、低频能量、低频占比、极低频能量、极低频占比、或低频能量比高频能量中的至少一种。

在本申请实施例中，基于心率变异性分析方法，以心拍间隔序列计算时域特征和频域特征作为心率变异性参数。

具体地，心率变异性时域分析方法，是应用数理统计指标对心拍间隔作时域测量，包括简单法和统计学方法计算的参数，其中包括心率均值、心率间隔标准差、心率均值的标准差、心率间隔差值均方的平方根、心率间隔差值均方的平方根、或心率间隔的平均绝对离差等。

其中，心率均值计算式为

公式中HBI为心拍间隔(Heart BeatInterval)。

其中，心拍间隔标准差计算式为：

其中，多个窗口心率均值的标准差计算式为：

其中，心率间隔差值均方的平方根计算式为：

其中，心率间隔的平均绝对离差计算式为：

具体地，心率变异性频域分析方法是将一段心拍间隔以welch法或自回归参数模型法运算后，得到以频率为横坐标，功率谱密度为纵坐标的功率谱图进行分析，如图8所示。

在申请中使用welch方法功率谱密度，以0.0033Hz-0.04Hz为极低频段(VLF)，0.04Hz-0.15Hz为低频频段(LF)、0.15Hz-0.4Hzw为高频频段(HF)，分别计算每个频段的能量和占比，低频能量与高频能量的比值。

因此，时域特征参数包括：心率均值(MEAN)、心率间隔的标准差(SDNN)、多个窗口心率均值的标准差(SDANN)、心率间隔差值均方的平方根(rMSSD)和心、间隔的平均绝对离差(MAD)中的至少一种。

因此，频域特征参数包括：征1：高频能量、高频占比(pHF)、低频能量(aLF)、低频占比(pLF)、极低频能量(aLF)、极低频占比(pVLF)和低频能量比高频能量(LF/HF)中的至少一种。

基于上述实施例的描述，可以根据呼吸间隔序列信号计算呼吸变异性参数，具体地，通过预设公式对心率间隔序列信号计算，获取呼吸均值、呼吸间隔的标准差、多个窗口呼吸均值的标准差、呼吸间隔差值均方的平方根、或呼吸间隔平均绝对离差中的至少一种。

在本申请实施例中，基于呼吸变异性分析方法，以呼吸间隔序列计算时域特征，应用数理统计指标对心拍间隔作时域测量，包括简单法和统计学方法计算的参数，其中包括呼吸均值、呼吸间隔的标准差、多个窗口呼吸均值的标准差、呼吸间隔差值均方的平方根、或呼吸间隔平均绝对离差中的至少一种。

需要说明的是计算公式与上述计算心率均值、心率间隔标准差、心率均值的标准差、心率间隔差值均方的平方根、心率间隔差值均方的平方根和心率间隔的平均绝对离差等公式相同，此处不再详述。

需要说明的是，本申请上述计算公式仅仅为示例，还可以通过其它算法、公式和模型等进行计算，以及其他可用于表达体动强弱变化和活动状态变化的特征，以及基于心率变异性分析方法、呼吸变异性分析方法所计算的参数，都可以作为心率变异性参数和呼吸变异性参数输入睡眠分期模型，获取睡眠分期结果。

基于上述实施例的描述，睡眠分期模型预先训练生成，比如睡眠分期预测模型是使用若干包含完整睡眠分期标签的睡眠数据，以上述方法计算特征参数，形成由特征向量组成的训练集和验证集，训练的梯度提升决策树模型；再比如通过神经网络比如卷积神经网络对信号样本和标注值进行训练，生成睡眠分期模型。下面结合图9进行详细描述。

图9为本申请实施例所提供的还一种基于穿戴设备的睡眠分期方法的流程示意图。如图9所示，该基于穿戴设备的睡眠分期方法，包括：

步骤701，获取训练信号样本和验证信号样本；其中，训练信号样本标注训练睡眠类别，根据训练信号样本计算心率变异性训练参数、呼吸变异性训练参数和体动特征训练参数。

步骤702，采用梯度提升决策树的分类算法对心率变异性训练参数、呼吸变异性训练参数、体动特征训练参数和训练睡眠类别进行训练，获取训练睡眠分期模型。

步骤703，根据验证信号样本计算心率变异性验证参数、呼吸变异性验证参数和体动特征验证参数，将心率变异性验证参数、呼吸变异性验证参数和体动特征验证参数输入训练睡眠分期模型，获取预测睡眠类别。

步骤704，通过损失函数根据训练睡眠类别和预测睡眠类别对训练睡眠分期模型进行调整，生成睡眠分期模型。

在本申请实施例中，睡眠分期模型是使用若干包含完整睡眠分期标签的睡眠数据，以上述方法计算特征参数，形成由特征向量组成的训练集和验证集，训练的梯度提升决策树模型。

在本申请实施例中，梯度提升决策树(Gradient Boosting Decision Tree)是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论某种方法累加起来得到最终估计概率，确定分类结果。

具体地，如图10所示，将一定窗口长度计算的特征参数输入到预先训练好的梯度提升决策树睡眠分期预测模型中，叠加模型中决策树输出的估计概率结果，得到该窗口内的每类分期结果的估计概率，根据每个窗口内各个分类估计概率值的高低确定最终结果，输出睡眠分期结果。

需要说明的是，上述采用的机器学习方法是梯度提升决策树，其他机器学习方法也可以进行训练睡眠分期模型，此处采用梯度提升决策树仅为举例论述。

由此，本申请基于以智能穿戴设备为代表的PPG信号和加速度信号计算心率变异性参数、呼吸变异性参数和体动特征参数作为特征参数建立机器学习模型，进行睡眠分期，增加了对睡眠过程中对呼吸过程的监测和特征分析，细化了对PPG心拍和体动的特征分析，配合泛化能力优秀的机器学习模型，明显改进了同类睡眠监测设备基于PPG信号和加速度信号的睡眠分期方法，提高睡眠分期的鲁棒性和稳定性。此外，为便携化、简易化的非专业级穿戴式睡眠监测设备提供更具有准确性和参考价值的睡眠结构质量监测结果。

为了实现上述实施例，本申请还提出一种基于穿戴设备的睡眠分期装置。

图11为本申请实施例提供的一种基于穿戴设备的睡眠分期装置的结构示意图。

如图11所示，该基于穿戴设备的睡眠分期装置包括：第一获取模块10、第一计算模块20、第二计算模块30、第三计算模块40和处理模块50。其中，

第一获取模块10，用于监测满足睡眠分期条件时，从数据缓冲区获取呼吸间隔序列信号、心率间隔序列信号和加速度信号。

第一计算模块20，用于根据心率间隔序列信号计算心率变异性参数。

第二计算模块30，用于根据呼吸间隔序列信号计算呼吸变异性参数。

第三计算模块40，用于根据加速度信号计算体动特征参数。

处理模块50，用于将心率变异性参数、呼吸变异性参数和体动特征参数输入睡眠分期模型，获取睡眠分期结果。

在本申请的一个实施例中，还包括：第二获取模块，用于获取心率测量传感器采集的心率信号；第三获取模块，用于通过滑窗算法按照预设时长对所述心率信号进行处理，并对处理后的心率信号进行滤波处理和峰值检测，获取所述心率间隔序列信号；第一存储模块，用于对所述心率间隔序列信号进行预处理后存储于所述数据缓冲区。

在本申请的一个实施例中，还包括：第四获取模块，用于获取加速度传感器采集的加速度信号；提取模块，用于对所述加速度信号进行滤波处理，从滤波处理后的加速度信号中提取呼吸信号；第五获取模块，用于对所述呼吸信号进行峰值检测，获取所述呼吸间隔序列信号；第二存储模块，用于对所述加速度信号和所述呼吸间隔序列信号进行预处理后存储于所述数据缓冲区。

在本申请的一个实施例中，第三计算模块，具体用于：根据所述加速度信号计算合加速度；通过滑窗算法按照预设时长对所述合加速度进行处理，获取每个窗口的合加速度；通过预设公式对所述每个窗口的合加速度计算，获取每个窗口的标准差；基于预设阈值对相邻窗口标准差的差值进行标记处理，获取所述体动特征参数。

在本申请的一个实施例中，还包括：插值模块，用于对所述心率间隔序列信号进行插值处理，并对插值处理后的心率间隔序列信号进行经验模态分解；第六获取模块，用于对经验模态分解后的心率间隔序列信号进行滤波处理，获取所述呼吸间隔序列信号；第三存储模块，用于对所述呼吸间隔序列信号进行预处理后存储于所述数据缓冲区。

在本申请的一个实施例中，第一计算模块，具体用于：通过预设公式对所述心率间隔序列信号计算，获取心率均值、心率间隔标准差、多个窗口心率均值的标准差、心率间隔差值均方的平方根、或心率间隔平均绝对离差中的至少一种；对所述心率间隔序列信号进行频域变换，获取心率间隔频域序列信号；通过预设算法对所述心率间隔频域序列信号分析，获取高频能量、高频占比、低频能量、低频占比、极低频能量、极低频占比、或低频能量比高频能量中至少的一种。

在本申请的一个实施例中，第二计算模块，具体用于：通过预设公式对所述心率间隔序列信号计算，获取呼吸均值、呼吸间隔的标准差、多个窗口呼吸均值的标准差、呼吸间隔差值均方的平方根、或呼吸间隔平均绝对离差中的一种。

在本申请的一个实施例中，还包括：第七获取模块，用于获取训练信号样本和验证信号样本；其中，所述训练信号样本标注训练睡眠类别；第四计算模块，用于根据所述训练信号样本计算心率变异性训练参数、呼吸变异性训练参数和体动特征训练参数；第一训练模块，用于采用梯度提升决策树的分类算法对所述心率变异性训练参数、所述呼吸变异性训练参数、所述体动特征训练参数和所述训练睡眠类别进行训练，获取所述训练睡眠分期模型；第五计算模块，用于根据所述验证信号样本计算心率变异性验证参数、呼吸变异性验证参数和体动特征验证参数；第二训练模块，用于将所述心率变异性验证参数、所述呼吸变异性验证参数和所述体动特征验证参数输入所述训练睡眠分期模型，获取预测睡眠类别；生成模块，用于通过损失函数根据所述训练睡眠类别和所述预测睡眠类别对所述训练睡眠分期模型进行调整，生成所述睡眠分期模型。

在本申请的一个实施例中，处理模块，具体用于：将所述心率变异性参数、所述呼吸变异性参数和所述体动特征参数输入睡眠分期模型，获取各个睡眠类别对应的估计概率值；获取所述各个睡眠类别对应的估计概率值中的最大估计概率值；获取所述最大估计概率值对应的睡眠类别作为所述睡眠分期结果。

需要说明的是，前述对基于穿戴设备的睡眠分期方法实施例的解释说明也适用于该实施例的基于穿戴设备的睡眠分期装置，此处不再赘述。

综上，本实施例的基于穿戴设备的睡眠分期装置，通过监测满足睡眠分期条件时，从数据缓冲区获取呼吸间隔序列信号、心率间隔序列信号和加速度信号；根据心率间隔序列信号计算心率变异性参数、根据呼吸间隔序列信号计算呼吸变异性参数和根据加速度信号计算体动特征参数；将心率变异性参数、呼吸变异性参数和体动特征参数输入睡眠分期模型，获取睡眠分期结果。由此，同时基于穿戴式设备采集的心率信号和加速度信号计算心率变异性参数，呼吸变异性参数和体动特征作为特征参数输入睡眠分期模型获取睡眠分期结果，提高基于穿戴设备的睡眠分期精度和效率。

为了实现上述实施例，本申请还提出一种计算机设备，包括存储器、处理器及存储在所述存储器上并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，实现如上述实施例所述的基于穿戴设备的睡眠分期方法。

为了实现上述实施例，本申请还提出一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器被执行时，使得能够执行上述实施例所述的基于穿戴设备的睡眠分期方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (12)

1.一种基于穿戴设备的睡眠分期方法，其特征在于，包括：

监测满足睡眠分期条件时，从数据缓冲区获取呼吸间隔序列信号、心率间隔序列信号和加速度信号；

根据所述心率间隔序列信号计算心率变异性参数、根据所述呼吸间隔序列信号计算呼吸变异性参数和根据所述加速度信号计算体动特征参数；

将所述心率变异性参数、所述呼吸变异性参数和所述体动特征参数输入睡眠分期模型，获取睡眠分期结果。

2.如权利要求1所述的方法，其特征在于，所述根据所述心率间隔序列信号计算心率变异性参数，包括：

通过预设公式对所述心率间隔序列信号计算，获取心率均值、心率间隔标准差、多个窗口心率均值的标准差、心率间隔差值均方的平方根、或心率间隔平均绝对离差中的至少一种；

对所述心率间隔序列信号进行频域变换，获取心率间隔频域序列信号；

通过预设算法对所述心率间隔频域序列信号分析，获取高频能量、高频占比、低频能量、低频占比、极低频能量、极低频占比、或低频能量比高频能量中的至少一种。

3.如权利要求1所述的方法，其特征在于，所述根据所述呼吸间隔序列信号计算呼吸变异性参数，包括：

通过预设公式对所述心率间隔序列信号计算，获取呼吸均值、呼吸间隔的标准差、多个窗口呼吸均值的标准差、呼吸间隔差值均方的平方根、或呼吸间隔平均绝对离差中的至少一种。

4.如权利要求1所述的方法，其特征在于，在所述将所述心率变异性参数、所述呼吸变异性参数和所述体动特征参数输入睡眠分期模型，获取睡眠分期结果之前，还包括：

获取训练信号样本和验证信号样本；其中，所述训练信号样本标注训练睡眠类别；

根据所述训练信号样本计算心率变异性训练参数、呼吸变异性训练参数和体动特征训练参数；

采用梯度提升决策树的分类算法对所述心率变异性训练参数、所述呼吸变异性训练参数、所述体动特征训练参数和所述训练睡眠类别进行训练，获取所述训练睡眠分期模型；

根据所述验证信号样本计算心率变异性验证参数、呼吸变异性验证参数和体动特征验证参数；

将所述心率变异性验证参数、所述呼吸变异性验证参数和所述体动特征验证参数输入所述训练睡眠分期模型，获取预测睡眠类别；

通过损失函数根据所述训练睡眠类别和所述预测睡眠类别对所述训练睡眠分期模型进行调整，生成所述睡眠分期模型。

5.如权利要求1所述的方法，其特征在于，所述将所述心率变异性参数、所述呼吸变异性参数和所述体动特征参数输入睡眠分期模型，获取睡眠分期结果，包括：

将所述心率变异性参数、所述呼吸变异性参数和所述体动特征参数输入睡眠分期模型，获取各个睡眠类别对应的估计概率值；

获取所述各个睡眠类别对应的估计概率值中的最大估计概率值；

获取所述最大估计概率值对应的睡眠类别作为所述睡眠分期结果。

6.一种基于穿戴设备的睡眠分期装置，其特征在于，包括：

第一获取模块，用于监测满足睡眠分期条件时，从数据缓冲区获取呼吸间隔序列信号、心率间隔序列信号和加速度信号；

第一计算模块，用于根据所述心率间隔序列信号计算心率变异性参数；

第二计算模块，用于根据所述呼吸间隔序列信号计算呼吸变异性参数；

第三计算模块，用于根据所述加速度信号计算体动特征参数；

处理模块，用于将所述心率变异性参数、所述呼吸变异性参数和所述体动特征参数输入睡眠分期模型，获取睡眠分期结果。

7.如权利要求6所述的装置，其特征在于，所述第一计算模块，具体用于：

通过预设公式对所述心率间隔序列信号计算，获取心率均值、心率间隔标准差、多个窗口心率均值的标准差、心率间隔差值均方的平方根、或心率间隔平均绝对离差中的至少一种或者多种；

对所述心率间隔序列信号进行频域变换，获取心率间隔频域序列信号；

通过预设算法对所述心率间隔频域序列信号分析，获取高频能量、高频占比、低频能量、低频占比、极低频能量、极低频占比、或低频能量比高频能量中的至少一种。

8.如权利要求6所述的装置，其特征在于，所述第二计算模块，具体用于：

通过预设公式对所述心率间隔序列信号计算，获取呼吸均值、呼吸间隔的标准差、多个窗口呼吸均值的标准差、呼吸间隔差值均方的平方根、或呼吸间隔平均绝对离差中的至少一种。

9.如权利要求6所述的装置，其特征在于，还包括：

第七获取模块，用于获取训练信号样本和验证信号样本；其中，所述训练信号样本标注训练睡眠类别；

第四计算模块，用于根据所述训练信号样本计算心率变异性训练参数、呼吸变异性训练参数和体动特征训练参数；

第一训练模块，用于采用梯度提升决策树的分类算法对所述心率变异性训练参数、所述呼吸变异性训练参数、所述体动特征训练参数和所述训练睡眠类别进行训练，获取所述训练睡眠分期模型；

第五计算模块，用于根据所述验证信号样本计算心率变异性验证参数、呼吸变异性验证参数和体动特征验证参数；

第二训练模块，用于将所述心率变异性验证参数、所述呼吸变异性验证参数和所述体动特征验证参数输入所述训练睡眠分期模型，获取预测睡眠类别；

生成模块，用于通过损失函数根据所述训练睡眠类别和所述预测睡眠类别对所述训练睡眠分期模型进行调整，生成所述睡眠分期模型。

10.如权利要求6所述的装置，其特征在于，所述处理模块，具体用于：

将所述心率变异性参数、所述呼吸变异性参数和所述体动特征参数输入睡眠分期模型，获取各个睡眠类别对应的估计概率值；

获取所述各个睡眠类别对应的估计概率值中的最大估计概率值；

获取所述最大估计概率值对应的睡眠类别作为所述睡眠分期结果。

11.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并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，实现如权利要求1-5中任一所述的基于穿戴设备的睡眠分期方法。

12.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的基于穿戴设备的睡眠分期方法。

Images