CN115606960A - 一种智能律动床的控制方法和系统 - Google Patents
一种智能律动床的控制方法和系统 Download PDFInfo
- Publication number
- CN115606960A CN115606960A CN202211200021.9A CN202211200021A CN115606960A CN 115606960 A CN115606960 A CN 115606960A CN 202211200021 A CN202211200021 A CN 202211200021A CN 115606960 A CN115606960 A CN 115606960A
- Authority
- CN
- China
- Prior art keywords
- rhythm
- user
- sleep state
- bed
- sleep
- 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.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47C—CHAIRS; SOFAS; BEDS
- A47C17/00—Sofas; Couches; Beds
- A47C17/86—Parts or details for beds, sofas or couches only not fully covered in a single one of the sub-groups A47C17/02, A47C17/04, A47C17/38, A47C17/52, A47C17/64, or A47C17/84; Drawers in or under beds
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47C—CHAIRS; SOFAS; BEDS
- A47C19/00—Bedsteads
- A47C19/02—Parts or details of bedsteads not fully covered in a single one of the following subgroups, e.g. bed rails, post rails
- A47C19/021—Bedstead frames
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47C—CHAIRS; SOFAS; BEDS
- A47C21/00—Attachments for beds, e.g. sheet holders, bed-cover holders; Ventilating, cooling or heating means in connection with bedsteads or mattresses
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47C—CHAIRS; SOFAS; BEDS
- A47C31/00—Details or accessories for chairs, beds, or the like, not provided for in other groups of this subclass, e.g. upholstery fasteners, mattress protectors, stretching devices for mattress nets
- A47C31/12—Means, e.g. measuring means for adapting chairs, beds or mattresses to the shape or weight of persons
- A47C31/123—Means, e.g. measuring means for adapting chairs, beds or mattresses to the shape or weight of persons for beds or mattresses
Landscapes
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Nursing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本说明书实施例提供一种智能律动床的控制方法和系统,该方法包括获取用户信息以及传感信息;基于获取到的传感信息,确定用户行为特征;响应于用户行为特征满足第一预设条件时,执行以下操作:基于获取到的传感信息,确定睡眠状态;基于用户信息和睡眠状态,确定目标律动参数;将智能律动床的律动参数更新为目标律动参数,并控制智能律动床以目标律动参数进行律动;响应于用户行为特征不满足第一预设条件时,停止智能律动床的律动。
Description
技术领域
本说明书涉及智能控制技术领域,特别涉及一种智能律动床的控制方法和系统。
背景技术
随着人们生活节奏的加快,参与体育锻炼的时间越来越少,长期缺乏运动会导致身体机能下降,血管脆弱没弹性,容易出现心脑血管疾病。研究表明,适当频率的全身振动,能够增加血流与血管之间的摩擦,振动产生的血管剪切力,可增加血管弹性,促进血管内壁上的内皮细胞分泌一氧化氮软化血管,降低心脑血管疾病的发生,同时合适的振幅内能够使紧张的肌肉得到放松,舒缓疲劳。
因此,希望提出一种智能律动床的控制方法和系统,智能化监测用户状态并且匹配对应的智能律动床参数,在不影响用户睡眠的情况下,有效的改善用户健康状态。
发明内容
本说明书实施例之一提供一种智能律动床的控制方法。所述方法包括:获取用户信息以及传感信息;基于获取到的传感信息,确定用户行为特征;响应于用户行为特征满足第一预设条件时,执行以下操作:基于获取到的传感信息,确定睡眠状态;基于用户信息和睡眠状态,确定目标律动参数;将智能律动床的律动参数更新为目标律动参数,并控制智能律动床以目标律动参数进行律动;响应于用户行为特征不满足第一预设条件时,停止智能律动床的律动。
本说明书实施例之一提供一种智能律动床的控制系统,所述系统包括:获取模块,用于获取用户信息以及传感信息;第一确定模块,用于基于获取到的传感信息,确定用户行为特征;判断模块,用于判断用户行为特征满足是否第一预设条件时;第二确定模块,用于用户行为特征满足第一预设条件时,基于获取到的传感信息,确定睡眠状态;第三确定模块,用于基于用户信息和睡眠状态,确定目标律动参数;第一控制模块,用于将智能律动床的律动参数更新为目标律动参数,并控制智能律动床以目标律动参数进行律动;第二控制模块,用于用户行为特征不满足第一预设条件时,停止智能律动床的律动。
本说明书实施例之一提供一种智能律动床的控制装置,包括处理器,所述处理器用于执行如上述实施例中任一项所述智能律动床的控制方法。
本说明书实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如上述实施例中任一项所述智能律动床的控制方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的智能律动床的控制系统的应用场景示意图;
图2是根据本说明书一些实施例所示的智能律动床的控制系统的模块图;
图3是根据本说明书一些实施例所示的智能律动床的控制方法的示例性流程图;
图4是根据本说明书一些实施例所示的睡眠状态确定模型的示意图;
图5是根据本说明书一些实施例所示的控制模型的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的智能律动床的控制系统的应用场景示意图。智能律动床的控制系统可以通过实施本说明书中披露的方法和/或过程来进行智能律动床的控制。
如图1所示,智能律动床的控制系统的应用场景100包括处理设备110、网络120、智能律动床130、监测设备140以及存储设备150。在一些实施例中,处理设备110、智能律动床130、监测设备140和/或存储设备150可以经由网络120(例如无线连接、有线连接或其组合),以实现彼此连接和/或通信。如图1所示,处理设备110可以通过网络120连接到智能律动床130。又例如,存储设备150可以通过网络120连接到处理设备110、智能律动床130。再例如,如图1所示,监测设备140可以通过网络120连接到智能律动床130或直接与智能律动床130相连,或通过网络120连接到处理设备110。
在一些实施例中,处理设备110可以直接连接智能律动床130、监测设备140、存储设备150以访问信息和/或数据。例如,处理设备110可以访问监测设备140的信息(如,用户信息、传感信息)。在一些实施例中,处理设备110可以包含在智能律动床130中作为智能律动床130的组成部分。在一些实施例中,处理设备110可以处理从监测设备140、存储设备150获取数据和/或信息。例如,处理设备110可以基于监测设备140获取信息(如,用户信息、传感信息)。在一些实施例中,处理设备110可以是单个服务器或服务器组。处理设备110可以是本地的、远程的。处理设备110可以在云平台上实现。
网络120可以连接系统的各组成部分和/或连接系统与外部资源部分。网络120使得各组成部分之间,以及与系统之外其他部分之间可以进行通讯,促进数据和/或信息的交换。例如,处理设备110可以通过网络120与监测设备140交换信息(如,用户信息、传感信息)。
在一些实施例中,网络120可以是有线网络或无线网络中的任意一种或多种。在一些实施例中,网络120可以包括一个或以上网络接入点。例如,网络120可以包括有线或无线网络接入点。在一些实施例中,交换点可以是建设在岸基和/或岛礁上的移动通信基站。例如,移动通信网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)等。通过这些接入点,智能律动床的控制系统的应用场景100的一个或多个组件可连接到网络120上以交换数据和/或信息。在一些实施例中,网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。
智能律动床130是指通过机械力的方式带动用户往复运动的床。其中,用户是指有在智能律动床上休息需求的人或动物。根据研究显示,智能律动床130可以刺激用户身体,对用户的心血管康复起到巨大促进作用。在一些实施例中,用户可以通过处理设备110调整智能律动床130相关律动信息。在一些实施例中,监测设备140可以包含在智能律动床130中。
监测设备140是指用于获取与用户相关信息的设备,例如,监测设备140可以获取用户信息以及传感信息。监测设备140可以与处理设备110、智能律动床130和/或存储设备150连接和/或通信。
在一些实施例中,监测设备140可以包括指纹识别装置、人脸识别装置等用于确定用户身份的装置。在一些实施例中,监测设备140可以包括传感器装置等。其中,传感器装置可以用于获取传感信息(如,心率传感信息、压力传感信息、温度传感信息、声音传感信息)。例如,监测设备140可以是智能手环。智能手环可以实现计步、睡眠监测、健康管理、防丢定位等功能。再例如,监测设备140可以是压力传感器。压力传感器是指能感受压力信号并能按照一定的规律将压力信号转换成可用的输出的电信号的器件,压力传感器可以包括应变式压力传感器、压阻式压力传感器、电容式压力传感器等。压力传感器可以设于智能律动床130的床垫内,且在智能律动床130的床垫的不同位置可以设置多个压力传感器,以便获取智能律动床130不同位置的压力数据。关于传感信息的更多内容参见图3及其相关描述。在一些实施例中,监测设备140可以是其他具有检测功能的设备,或其任何组合。
存储设备150可以用于存储数据和/或指令。存储设备150可以包括一个或多个存储组件,每个存储组件可以是一个独立的设备,也可以是其他设备的一部分。在一些实施例中,存储设备150可包括随机存取存储器(RAM)、只读存储器(ROM)、大容量存储器、可移动存储器、易失性读写存储器等或其任意组合。示例性地,大容量储存器可以包括磁盘、光盘、固态磁盘等。在一些实施例中,存储设备150可在云平台上实现。在一些实施例中,存储设备150可以集成或包括在系统的一个或多个其他组件(例如,处理设备110、智能律动床130、监测设备140或其他可能的组件)中。
图2是根据本说明书一些实施例所示的智能律动床的控制系统的模块图。
在一些实施例中,智能律动床的控制系统200可以包括获取模块210、第一确定模块220、判断模块230、第二确定模块240、第三确定模块250、第一控制模块260和第二控制模块270。
在一些实施例中,获取模块210用于获取用户信息以及传感信息。关于用户信息、传感信息的更多内容参见图3及其相关描述。
在一些实施例中,第一确定模块220用于基于获取到的传感信息,确定用户行为特征。关于用户行为特征的更多内容参见图3及其相关描述。
在一些实施例中,判断模块230用于判断用户行为特征是否满足第一预设条件。关于第一预设条件的更多内容参见图3及其相关描述。
在一些实施例中,第二确定模块240用于用户行为特征满足第一预设条件时,基于获取到的传感信息,确定睡眠状态。在一些实施例中,第二确定模块240用于基于获取到的传感信息,通过睡眠状态确定模型确定睡眠状态;睡眠状态确定模型为机器学习模型。关于睡眠状态的更多内容参见图3及其相关描述,关于睡眠状态确定模型的更多内容参见图4及其相关描述。
在一些实施例中,第三确定模块250用于基于用户信息和睡眠状态,确定目标律动参数。在一些实施例中,第三确定模块250用于基于用户信息和睡眠状态,通过控制模型确定目标律动参数;控制模型为机器学习模型。在一些实施例中,控制模型的输入还包括睡眠质量,睡眠质量基于用户夜间行为确定。关于律动参数、目标律动参数的更多内容参见图3及其相关描述,关于控制模型的更多内容参见图5及其相关描述。
在一些实施例中,第一控制模块260用于将智能律动床的律动参数更新为目标律动参数,并控制智能律动床以目标律动参数进行律动。
在一些实施例中,第二控制模块270用于用户行为特征不满足第一预设条件时,停止智能律动床的律动。
应当理解,图2所示的系统及其模块可以利用各种方式来实现。
需要注意的是,以上对于系统及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。在一些实施例中,图2中披露的获取模块210、第一确定模块220、判断模块230、第二确定模块240、第三确定模块250、第一控制模块260和第二控制模块270可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的智能律动床的控制方法的示例性流程图。如图3所示,流程300包括下述步骤。在一些实施例中,流程300可以由智能律动床的控制系统200执行。
步骤310,获取用户信息以及传感信息。
用户信息是指可以反映用户个人特征的相关信息,用户信息可以包括用户的年龄、性别、体重、指纹信息等。
在一些实施例中,获取模块210可以基于用户输入数据和/或历史存储数据,获取用户信息。例如,检测体重时,可以通过历史体重数据,获取用户体重的信息;也可以通过用户输入的数据,获取用户体重的信息。在一些实施例中,用户的年龄、性别、体重信息可以与用户的指纹信息对应。例如,可以基于指纹识别装置,录入用户指纹信息并存储对应用户信息,当用户录入指纹并匹配到对应指纹时,获取模块210可以获取指纹对应的相关的用户信息(如,年龄、性别、体重信息)。
传感信息是指基于监测设备获取到的可以反映用户情况的相关信息。传感信息可以包括基于监测设备获取到的信息,如基于智能手环获取到的用户心率数据、基于压力传感器获取到的压力/压强信息等。心率数据是指可以反映用户心脏跳动的节律数据,例如,用户的心率数据可以是70-170次/min。压力/压强信息是指用户躺卧在智能律动床上,智能律动床所受到的力度信息,例如,压力/压强信息可以与用户体重和躺卧面积有关。
在一些实施例中,可以基于监测设备,获取传感信息。例如,可以将智能手环环绕佩戴在用户手腕/手臂等可以测量到心率的部位,通过光电透射测量法或心电信号测量法,获取用户的心率信息。再例如,可以将多个压力传感器设置在智能律动床中(如,床垫中),通过用户在智能律动床上的动作行为,获取智能律动床受到的压力/压强信息。
在一些实施例中,传感信息还包括温度传感器获取到的体温数据。
温度传感器是用于获取温度数据的器件。温度传感器可以包括接触式温度传感器、非接触式温度传感器等。
体温数据是指可以反映用户躺卧在智能律动床上时的身体温度数据。
在一些实施例中,可以将温度传感器如温度计或红外测温装置设置在智能律动床中(如,床垫中)或智能律动床上方,通过温度计与用户的身体肌肤接触或红外测温装置对用户的扫描,获取用户的体温数据信息。
在一些实施例中,传感信息还包括声音传感器获取到的鼾声数据。
声音传感器是指能将用户发出的声音转换成可用输出信号的器件。例如,声音传感器可以是电容式声音传感器、磁电式声音传感器等。
鼾声数据是指可以反映用户躺卧在智能律动床上由用户鼻息发出的相关呼吸声音数据。例如,鼾声数据可以与用户的年龄、体重有关(如,当用户体重较胖时,鼾声较大);鼾声数据也可以与用户的健康状况有关(如,当用户感冒、鼻塞、过敏性鼻炎、过度劳累时,鼾声较大)。
在一些实施例中,可以将声音传感器设置在智能律动床中(如,床垫中)或安装智能律动床的房间内,当用户进入睡眠后,通过智能律动床中的声音传感器识别用户的鼾声,获取用户的鼾声数据信息。
步骤320,基于获取到的传感信息,确定用户行为特征。
用户行为特征是指可以反映用户行为的相关特征。例如,用户行为特征可以是用户以同一个姿势躺在床上5秒等。
在一些实施例中,可以基于第一确定模块,基于获取到的传感信息,确定用户行为特征。例如,可以在智能律动床上预设多个压力信息采集点,基于获取到的压力信息,通过分析智能律动床上预设的多个压力信息采集点受到的压力,可以确定用户的行为特征,如智能律动床上预设的多个压力信息采集点受到的压力持续10min没变化,可以确定用户的行为特征为保持一个姿势10min等。
在一些实施例中,可以预设用户行为特征的传感信息对照表,根据查表确定用户行为特征。例如,基于用户行为特征的传感信息对照表中与当前传感信息最接近的历史传感信息对应的用户行为特征,即可作为本次的用户行为特征。
步骤330,判断用户行为特征是否满足第一预设条件。响应于用户行为特征满足第一预设条件时,执行步骤340;响应于用户行为特征不满足第一预设条件时,执行步骤370。
第一预设条件是指预设的智能律动床需要律动时对应的用户行为特征条件。在一些实施例中,第一预设条件可以与用户在智能律动床上的时间、压力等参数有关。例如,第一预设条件可以是用户躺在智能律动床上并且正在入睡。
在一些实施例中,判断模块可以基于压力传感器等监测设备获取的数据来判断第一预设条件是否被满足。例如,用户全躺在智能律动床上超过一定时间,则可以认为用户正在入睡,判断用户满足第一预设条件,其中,用户是否全躺在智能律动床上可以基于智能律动床上设置的多个压力传感器获取的数据确定。
步骤340,基于获取到的传感信息,确定睡眠状态。
睡眠状态是指可以反映用户睡眠情况的数据。在一些实施例中,睡眠状态可以包括清醒(即未睡着)、浅睡眠、中度睡眠、深睡眠、觉醒等。
在一些实施例中,可以基于第二确定模块,根据获取到的传感信息,确定用户的睡眠状态。例如,第二确定模块根据智能手环获取到的用户心率所属的区间、温度传感器获取到的用户体温、声音传感器获取到的用户鼾声,将其分类至某一个睡眠状态,进而确定用户的睡眠状态。如,智能手环获取到用户的心率为100次/分、温度传感器获取到的用户体温为37.6℃,可以确定用户的睡眠状态为清醒;再如,智能手环获取到用户的心率为80次/分、温度传感器获取到的用户体温为37℃,可以确定用户的睡眠状态为浅睡眠;再如,声音传感器获取到的用户鼾声为80分贝,可以确定用户的睡眠状态为中度睡眠;再如,声音传感器获取到的用户鼾声为50分贝,可以确定用户的睡眠状态为深度睡眠等。
可以理解的,监测设备可以通过监测用户的心率,判断用户的睡眠时间和睡眠状态。其中,当用户睡眠状态越深时,用户的心率越低。例如,通过光电容积脉搏波描记法(PPG),利用血液中透光率的脉动变化折算成电信号,从而可以监测对应用户的心率。具体地,监测设备(如,智能手环)可以射出一道光透过用户皮肤射入用户血管中,当用户心脏收缩时外周血容量最多,对光吸收量最大,反射回到智能手环的光越少;反之心脏舒张时,结果相反,从而可以得到用户的心率情况。
可以理解的,监测设备可以通过监测用户的鼾声和体温,判断用户的睡眠状态。其中,当用户睡眠状态越深时,用户的鼾声会越低或用户的体温会越低。例如,当监测设备(如,声音传感器、温度传感器)检测到用户打鼾时或者体温变化时,可以基于心肺耦合(CPC),结合光电容积脉搏波描记法(PPG),判断用户睡眠状态。具体地,睡眠是全身整体的生理过程,大脑放松的同时,肌肉也是在放松的状态,心率会减慢、呼吸也会减慢并变得更平稳。用户在睡眠状态中,不仅大脑进入特殊的状态,身体的其他系统也表现睡眠状态时的特征,对于睡眠的状态,通过PPG和CPC按照持续的时间,可以分成4种状态,分别是浅睡眠、中度睡眠、深睡眠、觉醒,可以基于经验预设前述4中睡眠状态下对应的传感信息的取值范围,进而基于传感信息确定睡眠状态。
在一些实施例中,可以基于获取到的传感信息,通过睡眠状态确定模型确定睡眠状态。在一些实施例中,睡眠状态确定模型为机器学习模型。
睡眠状态确定模型可以用于确定睡眠状态。在一些实施例中,睡眠状态确定模型可以是循环神经网络模型(Recurrent Neural Network,RNN)。
在一些实施例中,睡眠状态确定模型的输入可以是传感信息序列,输出可以是睡眠状态。传感信息序列可以指各类传感信息的序列,即,一定时间长度的传感信息按获取时间排列。例如,传感信息序列可以是(心率数据、压力/压强数据、体温数据、鼾声数据),如时间为20:00时,传感信息序列为(100,120,37.6,80),再如时间为20:30时,传感信息序列为(80,120,37,50)等。睡眠状态包括清醒、浅睡眠、中度睡眠、深睡眠、觉醒等。
睡眠状态确定模型的参数可以通过训练获取。在一些实施例中,睡眠状态确定模型可以通过多个带有标签的训练样本训练得到。例如,可以将多个带有标签的训练样本输入初始睡眠状态确定模型,通过标签和初始睡眠状态确定模型的输出构建损失函数,基于损失函数迭代更新睡眠状态确定模型的参数。当初始睡眠状态确定模型的损失函数满足预设条件时模型训练完成,得到训练好的睡眠状态确定模型。其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中,训练样本可以包括多个样本传感信息序列(如、心率数据、压力/压强数据、体温数据、鼾声数据等),其中,一个样本传感信息序列对应为一种睡眠状态下的一种传感信息序列,一种睡眠状态对应具有多个样本传感信息序列。标签可以是样本传感信息序列对应的样本睡眠状态(如,清醒、浅睡眠、中度睡眠、深睡眠、觉醒等)。在一些实施例中,训练样本可以基于历史传感信息获取,标签可以通过人工标注获取。
关于睡眠状态确定模型的更多内容参见图4及其相关描述。
通过本说明书一些实施例所述的通过睡眠状态确定模型,基于获取到的传感信息,自动确定睡眠状态,可以提升睡眠状态的确定准确率。
步骤350,基于用户信息和睡眠状态,确定目标律动参数。
律动参数是指可以反映智能律动床律动运行的相关数据。例如,律动参数可以包括律动模式、律动幅度、律动周期、律动频率等。其中,律动模式可以是水平律动,垂直律动等;律动幅度可以是振动的幅度;律动周期可以是振动的周期(如,每律动5秒就停止5秒,一直循环);律动频率可以是振动的快慢。在一些实施例中,律动参数还可以包括律动方向、律动区域(局部还是全身)等。目标律动参数是指基于用户信息和睡眠状态确定的智能律动床需要达到的运行数据。例如,目标律动参数可以是(2cm,5,缓慢,水平),代表律动幅度不超过2cm并且每律动5秒就停止5秒进行缓慢水平的律动。
在一些实施例中,可以基于第三确定模块,根据用户信息和睡眠状态,选择对应的预设的目标律动参数。
在一些实施例中,可以基于多个历史用户信息和睡眠状态构建历史用户向量,并建立数据库,利用向量距离进行匹配确定目标律动参数。在一些实施例中,数据库包括多个历史用户向量及各个历史用户向量对应的历史律动参数。例如,可以基于用户向量在数据库中检索参考历史用户向量,并将参考历史用户向量对应的历史律动参数作为目标律动参数。
在一些实施例中,用户向量中的元素可以与用户信息及其睡眠状态对应。例如,用户信息向量可以为(a,b,c,d),其中,a-d可以分别代表历史用户信息中与用户相关的信息数据。示例性的,a代表年龄、b代表性别、c代表体重、d代表睡眠状态。在一些实施例中,用户向量中的元素的元素值可以为实际值。在另一些实施例中,可以根据预设对应关系,对实际值进行分类,将基于分类得到的取值作为用户向量中的元素的值。例如,年龄40岁-50岁用1表示、50岁-60岁用2表示等,又如,0代表男性,1代表女性等。
在一些实施例中,参考历史用户向量可以指数据库中与用户向量距离最近的历史用户向量。计算距离的方法可以包括但不限于欧式距离、余弦距离、马氏距离、切比雪夫距离和/或曼哈顿距离等。在确定参考历史用户向量后,可以将参考历史用户向量对应的历史律动参数作为本次的目标律动参数。
在一些实施例中,还可以通过控制模型,基于用户信息和睡眠状态,确定目标律动参数。关于控制模型的更多内容参见图5及其相关描述。
步骤360,将智能律动床的律动参数更新为目标律动参数,并控制智能律动床以目标律动参数进行律动。
在一些实施例中,可以基于第一控制模块,控制智能律动床以目标律动参数进行律动。例如,目标律动参数为(2cm,5,缓慢,水平),则可以基于第一控制模块,控制智能律动床以幅度不超过2cm并且每律动5秒就停止5秒进行缓慢水平的律动。
步骤370,响应于用户行为特征不满足第一预设条件时,停止智能律动床的律动。
在一些实施例中,可以基于第二控制模块,控制智能律动床停止律动。例如,用户没有躺在智能律动床上时,第二控制模块可以控制智能律动床停止律动。
通过本说明书一些实施例所述的基于获取到的传感信息,确定用户行为特征,可以有效监测用户状态;基于用户信息和睡眠状态,确定目标律动参数,可以智能化匹配对应的律动参数;并控制智能律动床以目标律动参数进行律动,可以提高智能律动床的控制效果,节约人力物力。
应当注意的是,上述有关流程300的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
图4是根据本说明书一些实施例所示的睡眠状态确定模型的示意图。
在一些实施例中,处理器可以基于睡眠状态确定模型对传感信息进行处理,确定睡眠状态,其中,睡眠状态确定模型为机器学习模型。在一些实施例中,睡眠状态确定模型420的输入为传感信息410,输出为睡眠状态430。
睡眠状态是指用户在睡眠时所处的睡眠阶段。在一些实施例中,睡眠状态可以包括清醒、浅睡眠、中度睡眠、深度睡眠、觉醒等睡眠阶段。
在一些实施例中,睡眠状态确定模型420可以包括特征提取层421和状态确定层423。
特征提取层421可以为卷积神经网络模型。在一些实施例中,特征提取层421用于提取传感信息410的特征向量422。
在一些实施例中,特征提取层421的输入为传感信息410,特征提取层421可以对传感信息410进行处理,输出特征向量422。特征向量422可以包括心率特征向量、压力特征向量等。例如,当输入的传感信息分别为某时刻智能手环采集的用户的心率数据以及温度传感器采集的温度数据时,如输入的传感信息410为(80,36),表示在该时刻用户的心率数据80次/分,用户的体温为36摄氏度,特征提取层421可以对传感信息进行处理,输出特征向量(心跳缓慢,体温偏低)。
状态确定层423可以为循环神经网络模型。在一些实施例中,状态确定层423用于基于特征向量422,确定睡眠状态430。
在一些实施例中,可以将特征提取层输出的特征向量422作为状态确定层423的输入,状态确定层423可以对特征向量422进行处理,输出睡眠状态430。例如,状态确定层423对反应用户心跳缓慢的心率特征向量进行处理,输出用户的睡眠状态为深度睡眠。
在一些实施例中,特征提取层的输出可以为状态确定层的输入,睡眠状态确定模型可以由状态确定层和特征提取层联合训练得到。
在一些实施例中,联合训练的样本数据包括历史传感信息,标签为历史传感信息对应的样本睡眠状态。将历史传感信息输入初始特征提取层,得到对应的特征向量;将特征向量作为训练样本数据输入初始状态确定层,得到初始状态确定层输出的睡眠状态。基于标签和初始状态确定层的输出结果,构建损失函数,同时对特征提取层和状态确定层的参数进行更新,直到预设条件被满足,训练完成。其中,预设条件可以是损失函数小于阈值、收敛,或训练周期达到阈值。
本说明书的一些实施例中,基于传感信息,通过机器学习方法确定用户的睡眠状态,提升了确定睡眠状态的准确率。同时,通过上述训练方式获得睡眠状态确定模型的参数,在一些情况下有利于解决单独训练特征提取层时难以获得标签的问题,还可以使特征提取层能较好地反映传感信息的特征。
在一些实施例中,特征提取层421可以包括第一提取层、第二提取层和第三提取层,分别用于对多个时间点的心率数据、体温数据和鼾声数据进行对应特征向量的提取。在一些实施例中,特征向量422可以包括心率数据、体温数据和鼾声数据对应的心率特征、体温特征和呼吸特征。
心率数据是指能够反映人体心跳波动水平的数据。例如,心率数据可以是每分钟心脏跳动次数的记录值,或者是随时间变化的心跳曲线。在一些实施例中,心率数据能够反映人体睡眠的深浅程度。例如,人体处于深度睡眠时,心率数据较低。
在一些实施例中,可以通过监测装置获取人体的心率数据。心脏收缩时,外周血容量最多,对光吸收量最大;心脏舒张时,外周血容量最少,对光吸收量最小。在一些实施例中,监测装置可以记录能够反应脉动变化的血液中的透光率或者血管处流通的血液量,将透光率或血液量等信息准换成电信号,即心率数据。
在一些实施例中,可以通过监测装置的温度传感器获取体温数据;通过监测装置的声音传感器获取鼾声数据。更多关于体温数据和鼾声数据的内容可以参见图3及其相关说明。
在一些实施例中,特征提取层421的输入可以包括心率数据、体温数据、鼾声数据,特征提取层421中的第一提取层可以对多个时间点的心率数据进行处理,输出多个时间点的心率数据对应的心率特征,例如,将多个时间点对应的心率数据(48,49,49,48,49)输入第一提取层,其中,心率数据中每个元素值对应一个时间点的心率,输出心率特征为心率偏慢;特征提取层421中的第二提取层可以对多个时间点的体温数据进行处理,输出多个时间点的体温数据对应的体温特征,例如,将多个时间点对应的体温数据(36.5,36.3,36.0,35.9,35.9)输入第二提取层,其中,体温数据中每个元素值对应一个时间点的体温,输出体温特征为体温降低;特征提取层421中的第三提取层可以对多个时间点的鼾声数据进行处理,输出多个时间点的鼾声数据对应的呼吸特征,例如,将多个时间点对应的鼾声数据(50分贝,60分贝,50分贝,50分贝)输入第三提取层,其中,鼾声数据中每个元素值对应一个时间点的鼾声分贝,输出呼吸特征为持续打鼾,呼吸不均匀。
在一些实施例中,可以将第一提取层、第二提取层和第三提取层分别输出的心率特征、体温特征和呼吸特征作为状态确定层423的输入,状态确定层423可以对心率特征、体温特征和呼吸特征进行处理,输出睡眠状态430。
在一些实施例中,第一提取层、第二提取层和第三提取层的输出可以为状态确定层的输入,睡眠状态确定模型可以由状态确定层和第一提取层、第二提取层和第三提取层联合训练得到。
在一些实施例中,联合训练的样本数据包括历史心率数据、历史体温数据和历史鼾声数据,标签为历史心率数据、历史体温数据和历史鼾声数据对应的样本睡眠状态。将历史心率数据、历史体温数据和历史鼾声数据分别输入初始第一提取层、初始第二提取层和初始第三提取层,得到对应的心率特征、体温特征和呼吸特征;将心率特征、体温特征和呼吸特征作为训练样本数据输入初始状态确定层,得到初始状态确定层输出的睡眠状态。基于标签和初始状态确定层的输出结果,构建损失函数,同时对第一提取层、第二提取层和第三提取层和状态确定层的参数进行更新,直到预设条件被满足,训练完成。其中,预设条件可以是损失函数小于阈值、收敛,或训练周期达到阈值。
本说明书的一些实施例中,通过对不同类型的传感信息设置不同的特征提取层,使得不同特征提取层富含的不同信息可以相互补充又互不干扰;基于历史心率数据、历史体温数据和历史鼾声多种特征数据对模型训练更新,可以更有效地训练初始睡眠状态确定模型,用训练好的睡眠状态确定模型确定睡眠状态,提升了确定睡眠状态的准确率。
在一些实施例中,状态确定层的输入还包括入睡花费时长440。入睡花费时长440可以基于历史若干个周期的睡眠状态构成的睡眠状态序列确定。
入睡花费时长是指用户从清醒状态到入睡状态所用的时间。在一些实施例中,入睡状态可以是浅睡眠、中度睡眠、深度睡眠中的一种。可以通过对监测装置设置睡眠状态采集时间间隔来获取用户的入睡花费时长。例如,设置睡眠状态采集时间间隔为30秒,监测装置每隔30秒记录一次用户的睡眠状态,统计用户从初始采集时刻到入睡状态所用的时间,即为入睡花费时长。关于获取睡眠状态的更多内容可以参见步骤340。
在一些实施例中,初始采集时刻可以是监测装置的传感器监测到用户眼睛处于闭合状态的时刻,也可以是压力传感器监测到的用户在保持姿势不变的时间超过预设时间阈值的时刻。其中,预设时间阈值可以通过用户睡眠习惯获得。例如,通常情况下,用户在30秒姿势不变即准备进入睡眠状态,则将预设时间阈值设置为30秒。
睡眠状态序列是按照时间顺序记录的用户的睡眠状态的集合。在一些实施例中,处理设备110可以对存储在存储设备150中的每一个睡眠状态采集时间间隔下的睡眠状态进行处理,得到睡眠状态序列。例如,监测装置每隔30秒记录一次用户的睡眠状态,睡眠状态序列可以为:(清醒,清醒,清醒,清醒,浅睡眠,...),则入睡花费时长为2分钟。
本说明书的一些实施例中,基于传感信息和睡眠状态序列共同确定用户的睡眠状态,能够更加全面地反映用户的真实睡眠情况,进一步提升了睡眠状态模型确定睡眠状态的准确率。
图5是根据本说明书一些实施例所示的控制模型的示意图。
在一些实施例中,基于用户信息和睡眠状态,确定目标律动参数可以包括:基于用户信息和睡眠状态,通过控制模型确定目标律动参数;其中,控制模型可以为机器学习模型。
在一些实施例中,处理器可以基于控制模型对用户信息和睡眠状态进行处理,确定目标律动参数。在一些实施例中,控制模型550的输入为睡眠状态510和用户信息520,输出为目标律动参数560。关于用户信息和睡眠状态的更多内容可以参见图3、图4及其相关说明。
在一些实施例中,可以对初始控制模型进行训练得到训练好的控制模型。
在一些实施例中,可以基于大量带有标识的训练样本训练初始控制模型。具体的,将带有标识的训练样本输入初始控制模型,通过训练更新初始控制模型的参数。在一些实施例中,训练的样本数据包括历史用户信息和历史睡眠状态,其中,历史用户信息包括用户年龄、用户性别、用户活动强度等,获取训练样本的方式可以是基于用户输入数据和历史存储数据。在一些实施例中,标签可以为历史律动参数,获取方式可以是智能律动床基于用户信息和睡眠状态自动调整的历史律动参数,也可以是用户输入的历史律动参数。
在一些实施例中,可以基于训练样本,通过各种方法对初始控制模型进行训练。例如,可以基于梯度下降法进行训练。在一些实施例中,当满足预设条件时,训练结束。其中,预设条件为损失函数小于阈值、收敛,或训练周期达到阈值。
在一些实施例中,控制模型的输入还包括入睡花费时长530。
关于入睡花费时长的更多内容参见图4及其相关描述。
本说明书的一些实施例中,在确定目标律动参数时考虑了入睡花费时长的影响,综合考虑了用户的睡眠情况,结合用户的睡眠质量调节目标律动参数,能够确保控制模型确定目标律动参数的舒适性,提升了用户的体验。
在一些实施例中,控制模型的输入还包括睡眠质量540,睡眠质量基于用户夜间行为确定。用户夜间行为可以包括,呼吸深长、打鼾、夜间惊醒、起夜次数等。
睡眠质量是用户睡觉状态的整体呈现。好的睡眠呈现一种睡前入睡快,睡中睡得熟,睡后精神充沛、满足的状态;差的睡眠呈现出辗转难眠,需要更长的时间入睡,睡中睡不安稳、多梦易惊醒,深度睡眠时间短,经常在“醒来-入睡”中循环。
在一些实施例中,可以对用户的睡眠质量进行分级,一级代表睡眠质量高,二级代表睡眠质量一般,三级代表睡眠质量较差。可以对睡眠质量等级进行打分,1-3分代表一级睡眠质量,4-6分代表二级睡眠质量,7-10分代表三级睡眠质量。用户夜间行为表现越差(例如,经常翻身),则分数越高。例如,监测装置的声音传感器监测到用户夜间有打鼾行为,则累计4分;起夜一次累计2分。
本说明书的一些实施例中,基于控制模型确定目标律动参数,提升了控制模型确定目标律动参数的准确率,提升了用户的体验。
在一些实施例中,还可以基于用户夜间行为以及睡眠状态序列,通过睡眠质量确定模型确定睡眠质量,睡眠质量确定模型为机器学习模型。
在一些实施例中,处理器可以基于睡眠质量确定模型对用户夜间行为和睡眠状态序列进行处理,确定睡眠质量。在一些实施例中,睡眠质量确定模型的输入为用户夜间行为和睡眠状态序列,输出为睡眠质量。关于睡眠状态序列的更多内容可以参见图4及其相关说明。
在一些实施例中,可以对初始睡眠质量确定模型训练获得睡眠质量确定模型。
在一些实施例中,训练的样本数据包括历史用户夜间行为和历史睡眠状态序列,标签为历史睡眠质量。将历史用户夜间行为和历史睡眠状态序列输入初始睡眠质量确定模型,得到对应的睡眠质量。基于标签和初始睡眠质量确定模型的输出结果,构建损失函数,同时对初始睡眠质量确定模型的参数进行更新,直到预设条件被满足,训练完成。其中,预设条件可以是损失函数小于阈值、收敛,或训练周期达到阈值。
本说明书的一些实施例中,基于睡眠质量确定模型确定睡眠质量,确定睡眠质量的准确性,从而使得控制模型确定的目标律动参数更加准确。
在一些实施例中,基于用户信息和睡眠状态,确定目标律动参数还可以包括:响应于睡眠质量较差时,对调节律动参数的周期延长。
调节律动参数的周期指的是相邻两次调节律动参数之间的时间间隔。例如,调节律动参数的周期可以是10min、20min等。
在一些实施例中,可以通过人为预设参数,实现对智能律动床律动参数调节周期的控制;例如,可以预设调节律动参数的周期为10min。在一些实施例中,调节律动参数的周期可以结合用户信息和用户的睡眠状态进行确定,例如,可以通过人为预设指令,使得处理设备接收到传感器监测到用户睡眠质量较差时,向智能律动床发送延长调节律动参数的周期的指令。例如,在监测到用户睡眠质量较差时,智能律动床根据律动调整指令,将调节律动参数的周期由10min延长为40min等。
本说明书的一些实施例中,通过智能调节律动参数的周期,用户睡眠质量较差时,延长律动周期,能够优先保证用户睡眠,减小频繁律动对用户睡眠的影响,提升了用户体验。
本说明书的一些实施例中,基于用户信息、睡眠状态和入睡花费时长和质量多种因素共同确定目标律动参数,能够更加全面地反映用户的真实睡眠情况,进一步增加了控制模型确定目标律动参数的准确率。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种智能律动床的控制方法,包括:
获取用户信息以及传感信息;
基于获取到的所述传感信息,确定用户行为特征;
响应于所述用户行为特征满足第一预设条件时,执行以下操作:
基于获取到的所述传感信息,确定睡眠状态;
基于所述用户信息和所述睡眠状态,确定目标律动参数;
将智能律动床的律动参数更新为所述目标律动参数,并控制所述智能律动床以所述目标律动参数进行律动;
响应于所述用户行为特征不满足第一预设条件时,停止所述智能律动床的律动。
2.根据权利要求1所述的方法,所述基于获取到的所述传感信息,确定睡眠状态包括:
基于获取到的所述传感信息,通过睡眠状态确定模型确定所述睡眠状态;所述睡眠状态确定模型为机器学习模型。
3.根据权利要求1所述的方法,所述基于所述用户信息和所述睡眠状态,确定目标律动参数包括:
基于所述用户信息和所述睡眠状态,通过控制模型确定所述目标律动参数;所述控制模型为机器学习模型。
4.根据权利要求3所述的方法,所述控制模型的输入还包括睡眠质量,所述睡眠质量基于用户夜间行为确定。
5.一种智能律动床的控制系统,包括:
获取模块,用于获取用户信息以及传感信息;
第一确定模块,用于基于获取到的所述传感信息,确定用户行为特征;
判断模块,用于判断所述用户行为特征满足是否第一预设条件时;
第二确定模块,用于所述用户行为特征满足第一预设条件时,基于获取到的所述传感信息,确定睡眠状态;
第三确定模块,用于基于所述用户信息和所述睡眠状态,确定目标律动参数;
第一控制模块,用于将智能律动床的律动参数更新为所述目标律动参数,并控制所述智能律动床以所述目标律动参数进行律动;
第二控制模块,用于所述用户行为特征不满足第一预设条件时,停止所述智能律动床的律动。
6.根据权利要求5所述的系统,所述第二确定模块进一步用于:
基于获取到的所述传感信息,通过睡眠状态确定模型确定所述睡眠状态;所述睡眠状态确定模型为机器学习模型。
7.根据权利要求5所述的系统,所述第三确定模块进一步用于:
基于所述用户信息和所述睡眠状态,通过控制模型确定所述目标律动参数;所述控制模型为机器学习模型。
8.根据权利要求7所述的系统,所述控制模型的输入还包括睡眠质量,所述睡眠质量基于用户夜间行为确定。
9.一种智能律动床的控制装置,所述装置包括至少一个处理器以及至少一个存储器;
所述至少一个存储器用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1~4任一项所述的智能律动床的控制方法。
10.一种计算机可读存储介质,所述计算机存储介质存储计算机指令,当所述计算机指令被处理器执行时实现如权利要求1-4中任一项所述的智能律动床的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211200021.9A CN115606960A (zh) | 2022-09-29 | 2022-09-29 | 一种智能律动床的控制方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211200021.9A CN115606960A (zh) | 2022-09-29 | 2022-09-29 | 一种智能律动床的控制方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115606960A true CN115606960A (zh) | 2023-01-17 |
Family
ID=84860899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211200021.9A Pending CN115606960A (zh) | 2022-09-29 | 2022-09-29 | 一种智能律动床的控制方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115606960A (zh) |
-
2022
- 2022-09-29 CN CN202211200021.9A patent/CN115606960A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11844593B2 (en) | System and method for non-invasive determination of blood pressure dip based on trained prediction models | |
US20180125418A1 (en) | Device and method for monitoring a physiological state of a subject | |
CN113347916A (zh) | 用于多变量卒中检测的系统和方法 | |
AU2016323049B2 (en) | Physiological signal monitoring | |
EP3687392A2 (en) | Applied data quality metrics for physiological measurements | |
AU2018257774A1 (en) | Activity recognition | |
WO2019070939A1 (en) | SLEEP PERFORMANCE SYSTEM AND METHOD OF USE | |
US20240090778A1 (en) | Cardiopulmonary health monitoring using thermal camera and audio sensor | |
US20220079514A1 (en) | Intelligent weight support system | |
Phukan et al. | Convolutional neural network-based human activity recognition for edge fitness and context-aware health monitoring devices | |
WO2022026686A1 (en) | Pulse shape analysis | |
US20220401037A1 (en) | Ml-based anomaly detection and descriptive root-cause analysis for biodata | |
JP2021048965A (ja) | 特徴量抽出装置、状態推定装置、特徴量抽出方法、状態推定方法及びプログラム | |
KR102119805B1 (ko) | 수면 모니터링 및 코칭을 위한 생체정보 측정 시스템 및 방법 | |
CN115606960A (zh) | 一种智能律动床的控制方法和系统 | |
Dey et al. | Wearable PPG sensor based alertness scoring system | |
Salem et al. | Nocturnal epileptic seizures detection using inertial and muscular sensors | |
KR102394615B1 (ko) | 사용자의 손목에 착용가능한 혈압 측정 장치 | |
CA3203969A1 (en) | Time domain processing of periodic physiological signals | |
Peng et al. | A distributed multimodality sensor system for home-used sleep condition inference and monitoring | |
JP7464759B2 (ja) | 睡眠者タイプに基づくユーザ分類により睡眠データの測定を改善する方法およびシステム | |
KR102631518B1 (ko) | 심탄도를 측정하도록 설계된 압전소자를 구비한 공기 주입식 의류 | |
US11779282B2 (en) | Method for determining degree of response to physical activity | |
Lee et al. | Applications of wireless sensor systems to sleep stage estimation for home sleep monitoring | |
US20220142556A1 (en) | Systems and methods for estimating a nervous system state based on measurement of a physiological condition |
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 |