CN115770017A - 睡眠状态确定方法、系统、装置及电子设备 - Google Patents
睡眠状态确定方法、系统、装置及电子设备 Download PDFInfo
- Publication number
- CN115770017A CN115770017A CN202211483248.9A CN202211483248A CN115770017A CN 115770017 A CN115770017 A CN 115770017A CN 202211483248 A CN202211483248 A CN 202211483248A CN 115770017 A CN115770017 A CN 115770017A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud information
- sleep state
- frame
- state determination
- 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
Abstract
本申请实施例提供了一种睡眠状态确定方法、系统、装置及电子设备,涉及睡眠监测技术领域。睡眠状态确定方法,包括:获取多帧第一点云信息;所述多帧第一点云信息根据监测对象反射的毫米波计算得到,每帧所述第一点云信息包括多个点的运动信息;剔除所述第一点云信息中的离群点云,获得多帧第二点云信息;将所述多帧第二点云信息输入预先训练好的神经网络模型,确定所述监测对象的睡眠状态。在不影响睡眠舒适度的情况下确定用户的睡眠状态。
Description
技术领域
本申请实施例涉及睡眠监测技术领域,尤其涉及一种睡眠状态确定方法、系统、装置、电子设备及可读存储介质。
背景技术
随着生活水平的提高,睡眠健康问题受到越来越多的重视。为了了解自己的睡眠状态,用户在睡觉时会佩戴可穿戴设备。在睡眠过程中,可穿戴设备通过陀螺仪、加速度传感器、心率传感器等传感器捕捉用户的身体动作、心率数据等,从而识别用户的睡眠阶段。
然而,佩戴可穿戴设备会影响用户睡眠的舒适度。
发明内容
本申请实施例提供一种睡眠状态确定方法、系统、装置、电子设备及可读存储介质,在不影响睡眠舒适度的情况下确定用户的睡眠状态。
第一方面,本申请实施例提供了一种睡眠状态确定方法,包括:
获取多帧第一点云信息;所述多帧第一点云信息根据监测对象反射的毫米波计算得到,每帧所述第一点云信息包括多个点的运动信息;
剔除所述第一点云信息中的离群点云,获得多帧第二点云信息;
将所述多帧第二点云信息输入训练好的神经网络模型,确定所述监测对象的睡眠状态。
在一些实施方式中,所述将所述多帧第二点云信息输入预先训练好的神经网络模型,包括:
从所述多帧第二点云信息中选取第一连续帧;所述第一连续帧包括按时间先后顺序排列的多帧所述第二点云信息;
将所述第一连续帧输入所述神经网络模型。
在一些实施方式中,所述从所述多帧第二点云信息中选取第一连续帧,包括:
根据所述训练好的神经网络模型,确定所述第一连续帧包含的帧数量为第一数量;
从所述多帧第二点云信息中选取连续的第一数量的帧作为所述第一连续帧。
在一些实施方式中,所述剔除所述第一点云信息中的离群点云,包括:
对所述第一点云信息进行聚类处理。
在一些实施方式中,所述运动信息包括点的坐标、速度和强度。
在一些实施方式中,所述毫米波为调频连续波。
第二方面,本申请实施例提供了一种睡眠状态确定系统,包括:
毫米波雷达,用于朝向监测对象发射毫米波,并根据所述监测对象反射的毫米波计算得到多帧第一点云信息,每帧所述第一点云信息包括多个点的运动信息;
睡眠状态确定装置,用于获取所述多帧第一点云信息;剔除所述第一点云信息中的离群点云,获得多帧第二点云信息;将所述多帧第二点云信息输入预先训练好的神经网络模型,确定所述监测对象的睡眠状态。
第三方面,本申请实施例提供了一种睡眠状态确定装置,包括:
获取模块,用于获取多帧第一点云信息;所述多帧第一点云信息根据监测对象反射的毫米波计算得到,每帧所述第一点云信息包括多个点的运动信息;
预处理模块,用于剔除所述第一点云信息中的离群点云,获得多帧第二点云信息;
确定模块,用于将所述多帧第二点云信息输入预先训练好的神经网络模型,确定所述监测对象的睡眠状态。
第四方面,本申请实施例提供了一种电子设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现所述的睡眠状态确定方法。
第五方面,本申请实施例提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现所述的睡眠状态确定方法。
本申请实施例提供的睡眠状态确定方法,获取根据监测对象反射的毫米波计算得到多帧第一点云信息,每帧第一点云信息包括多个点的运动信息;睡眠状态确定装置获取多帧第一点云信息,剔除第一点云信息中的离群点云,获得多帧第二点云信息,将多帧第二点云信息输入训练好的神经网络模型,确定监测对象的睡眠状态。毫米波雷达不需要与监测对象接触,即可采集监测对象睡眠过程中的运动信息,解决了可穿戴设备佩戴后影响舒适性的问题。
附图说明
图1为本申请实施例提供的一种睡眠状态确定系统的示意图;
图2为本申请实施例提供的一种睡眠状态确定方法的步骤流程图;
图3为本申请实施例提供的一种神经网络模型的处理过程示意图;
图4为本申请实施例提供的一种睡眠状态确定装置的结构框图;
图5为本申请实施例提供的一种电子设备的结构框图;
图6为本申请实施例提供的一种电子设备的硬件结构示意图。
具体实施方式
睡眠状态是指与睡眠过程相关的状态,睡眠状态可以根据是否入睡分为清醒阶段和入睡阶段,其中根据入睡阶段中表现不同又可分为浅睡、深睡、快速眼动等阶段。本申请实施例对睡眠状态所包括的具体阶段不作限定,实际应用过程中可以根据需要划分。
监测对象是指需要确定睡眠状态的对象,监测对象可以是人
相关技术中,为确定监测对象的睡眠状态,通常有以下两种方案。
方案一,基于可穿戴设备确定监测对象的睡眠状态。
监测对象在睡觉过程中佩戴可穿戴设备,可穿戴设备通过内置的陀螺仪、加速度传感器、心率传感器等采集监测对象睡眠过程中的动作、心率等数据,根据采集的数据通过机器学习算法,确定监测对象的睡眠状态。
然而,监测对象在睡眠过程中佩戴可穿戴设备会影响监测对象的舒适度。另外,用于确定睡眠状态的可穿戴设备通常为手环,手环佩戴在手腕上,难以获取监测对象完整的身体动作,导致睡眠状态确定不准确。此外,可穿戴设备续航时间较短,监测对象需要经常对可穿戴设备充电、维护等,使用不便。
方案二,基于睡眠多项生理检查确定监测对象的睡眠状态。
睡眠多项生理检查(Polysomnography,PSG)是一种综合的睡眠检测评估,通过在监测对象身上固定多个电极,获取脑电波、肌电图、心电图、眼电图、血氧饱和度和脉搏等数据,然后通过数据分析确定监测对象的睡眠状态。
然而,睡眠多项生理检查需要昂贵的设备和专业的医疗团队进行操作和分析,成本较高,难以推广应用到监测对象日常睡眠状态确定中。
鉴于此,本申请实施例提供了一种睡眠状态确定系统,可以用于确定监测对象的睡眠状态。如图1所示,睡眠状态确定系统包括毫米波雷达20和睡眠状态确定装置30,毫米波雷达20用于获取监测对象10睡眠过程中的数据,睡眠状态确定装置30用于根据毫米波雷达20获取的数据确定监测对象10的睡眠状态。
工作过程中,毫米波雷达20可以朝向监测对象10发射毫米波,并接收监测对象10反射的毫米波。毫米波雷达20发射的毫米波需要至少部分覆盖监测对象10,使得监测对象10可以反射毫米波。因此,毫米波雷达20可以设置在靠近监测对象10睡眠的位置。例如,毫米波雷达20可以悬挂在墙上,并朝向监测对象10睡觉的床。实际应用时可以根据毫米波雷达20的探测距离和FOV(Fi led of View,视野)灵活确定毫米波雷达20与监测对象10的距离以及毫米波雷达20的朝向。
其中,发射的毫米波可以为调频连续波(Frequency Modulated Cont inuousWave,FMCW)。调频连续波可以为高频连续波,其频率随时间按照周期性单调增加,可以低成本地获得监测对象10的距离、角度和速度,且具有较高的精度和抗干扰能力。
示例性地,毫米波雷达20可以包括三个发射天线和四个接收天线,以提高数据采集的精确性。
毫米波雷达20可以根据监测对象10反射的毫米波计算得到多帧第一点云信息,每帧第一点云信息包括多个点的运动信息。
一个点的运动信息用于描述监测对象10身体上一个点的运动状态。不同点的运动信息用于描述监测对象10身体上不同点的运动状态。例如,部分点的运动信息用于描述监测对象10手臂的运动状态,部分点的运动信息用于描述监测对象10头部的运动状态。示例性地,一帧第一点云信息包括六十四个点,六十四个点的运动信息用于描述监测对象10身体上六十四个不同点的运动状态。需要说明的是,多个点也可以包括不用于描述监测对象的点,例如多个点中包括监测对象所在床上的点,或地板上的点等。
运动信息可以包括点的坐标、速度和强度。示例性地,运动信息包括点的三维坐标、三维速度和强度。三维坐标用于描述监测对象10身体上某一点在三维空间的坐标,例如笛卡尔坐标系中的x、y、z坐标。三维速度用于描述监测对象10身体上某一点运动速度的大小和方向。
运动信息可以描述监测对象10身体的运动状态,从而可以根据监测对象10身体的运动状态确定监测对象10的睡眠状态。
示例性地,毫米波雷达20接收到监测对象10反射的毫米波后获得原始数据,对原始数据进行一维和二维快速傅里叶变换(fast Fourier transform,FFT),获得距离-多普勒矩阵,对距离-多普勒矩阵进行恒虚警率(Constant False-Alarm Rate,CFAR)检测和波达方向定位估计(DOA
),获得多帧第一点云信息。
当然,毫米波雷达20也可以将获得的原始数据发送给睡眠状态确定装置30,由睡眠状态确定装置30根据原始数据计算得到多帧第一点云信息。还可以是毫米波雷达20将原始数据发送给计算装置,计算装置根据原始数据计算得到多帧第一点云信息,并将多帧第一点云信息发送给睡眠状态确定装置30。本申请实施例对计算多帧第一点云信息的执行主体不作限定。
需要说明的是,计算得到的多帧第一点云信息中的各帧可以按照时间先后顺序排列。
示例性地,毫米波雷达20工作过程中第n秒内获得的原始数据为第一原始数据,第n+1秒内获得的原始数据为第二原始数据,第n+2秒内获得的原始数据为第三原始数据,以此类推。根据第一原始数据获得的第一点云信息帧为第一帧,根据第二原始数据获得的第一点云信息帧为第二帧,根据第三原始数据获得的第一点云信息帧为第三帧,以此类推。多帧第一点云信息按照第一帧、第二帧和第三帧的顺序依次排列。
需要说明的是,实际应用过程中,根据一秒内获得的原始数据可以计算得到多帧第一点云信息。例如,根据一秒内获得的原始数据可以计算得到十帧第一点云信息,每帧第一点云信息包括六十四个点的运动信息。
通过按照时间顺序排列的多帧第一点云信息可以获知监测对象10的运动轨迹并可以预判运动状态。
睡眠状态确定装置30具有运算能力且存储有训练好的神经网络模型。例如,睡眠状态确定装置30为服务器、桌面计算机、笔记本电脑、手机等。
睡眠状态确定装置30可以获取多帧第一点云信息。
示例性地,睡眠状态确定装置30与毫米波雷达20通信连接,以从毫米波雷达20获取多帧第一点云信息,也可以从毫米波雷达20获取原始数据,并根据原始数据计算获得多帧第一点云信息。其中,睡眠状态确定装置30与毫米波雷达20可以有线连接,也可以无线连接。有线连接时数据传输更加可靠,无线连接时可以使睡眠状态确定装置30的布置位置更加灵活。
可以理解的是,当多帧第一点云信息由独立的计算装置计算得到时,计算装置与毫米波雷达20和睡眠状态确定装置30均通信连接。
睡眠状态确定装置30可以剔除第一点云信息中的离群点云,获得多帧第二点云信息。
离群点一般是指偏离大部分数据的点(例如,由于随机误差造成偏离大部分数据的点),离群点云是指多个离群点的集合。
剔除离群点云剔除的方法可以有很多种,例如基于统计、邻近度、密度、方差等方法。示例性地,可以对多帧第一点云信息进行聚类处理,以剔除离群点云,从而提高睡眠状态判断的准确性。
睡眠状态确定装置30可以将多帧第二点云信息输入预先训练好的神经网络模型,神经网络模型可以从多帧第二点云信息中提取与睡眠阶段有关的特征,从而根据特征确定监测对象10的睡眠状态。
其中,神经网络模型可以采用监督训练的方式预先训练好。例如,通过可穿戴设备或PSG获取人的睡眠状态的同时,采用毫米波雷达20获取此人睡眠过程中的数据,然后用可穿戴设备或PSG获取的睡眠状态标记毫米波雷达20获取的数据,将标记后的数据输入神经网络模型中对神经网络模型进行训练。
本申请实施例提供的睡眠状态确定系统包括毫米波雷达20和睡眠状态确定装置30,毫米波雷达20朝向监测对象10发射毫米波,并根据监测对象10反射的毫米波计算得到多帧第一点云信息,每帧第一点云信息包括多个点的运动信息;睡眠状态确定装置30获取多帧第一点云信息,剔除第一点云信息中的离群点云,获得多帧第二点云信息,将多帧第二点云信息输入预先训练好的神经网络模型,确定监测对象10的睡眠状态。毫米波雷达20不需要与监测对象10接触,即可采集监测对象10睡眠过程中的运动信息,解决了可穿戴设备佩戴后影响舒适性的问题。
并且,毫米波雷达20有比较高的感知精度,可以穿透烟雾和水蒸气,具有较强的抗干扰能力。
本申请实施例还提供了一种睡眠状态确定方法,可以应用于上述的睡眠状态确定装置。如图2所示,睡眠状态确定方法包括:
步骤100,获取多帧第一点云信息。
多帧第一点云信息根据监测对象反射的毫米波计算得到。其中,发射的毫米波可以为调频连续波(Frequency Modulated Cont inuous Wave,FMCW)。调频连续波可以为高频连续波,其频率随时间按照周期性单调增加,可以低成本地获得监测对象的距离、角度和速度,且具有较高的精度和抗干扰能力。
每帧第一点云信息包括多个点的运动信息。一个点的运动信息用于描述监测对象身体上一个点的运动状态。不同点的运动信息用于描述监测对象身体上不同点的运动状态。例如,部分点的运动信息用于描述监测对象手臂的运动状态,部分点的运动信息用于描述监测对象头部的运动状态。需要说明的是,多个点也可以包括不用于描述监测对象的点,例如多个点中包括监测对象所在床上的点,或地板上的点等。
运动信息可以包括点的坐标、速度和强度。示例性地,运动信息包括点的三维坐标、三维速度和强度。三维坐标用于描述监测对象身体上某一点在三维空间的坐标,例如笛卡尔坐标系中的x、y、z坐标。三维速度用于描述监测对象身体上某一点运动速度的大小和方向。
运动信息可以描述监测对象身体的运动状态,从而可以根据监测对象身体的运动状态确定监测对象的睡眠状态。
示例性地,毫米波雷达接收到监测对象反射的毫米波后获得原始数据,对原始数据进行一维和二维快速傅里叶变换(fast Fourier transform,FFT),获得距离-多普勒矩阵,对距离-多普勒矩阵进行恒虚警率(Constant Fa lse-Alarm Rate,CFAR)检测和波达方向定位估计(DOA),获得多帧第一点云信息。
睡眠状态确定装置获取多帧第一点云信息可以有多种方式,可以是毫米波雷达计算得到多帧第一点云信息后发送给睡眠状态确定装置,也可以是睡眠状态确定装置根据毫米波雷达的原始数据计算得到,还可以是睡眠状态确定装置从独立设置的计算装置获取。
步骤200,剔除第一点云信息中的离群点云,获得多帧第二点云信息。
离群点一般是指偏离大部分数据的点(例如,由于随机误差造成偏离大部分数据的点),离群点云是指多个离群点的集合。
剔除离群点云剔除的方法可以有很多种,例如基于统计、邻近度、密度、方差等方法。示例性地,可以对多帧第一点云信息进行聚类处理,以剔除离群点云,从而提高睡眠状态判断的准确性。
步骤300,将多帧第二点云信息输入预先训练好的神经网络模型,确定监测对象的睡眠状态。
神经网络模型可以从多帧第二点云信息中提取与睡眠阶段有关的特征,从而根据特征确定监测对象的睡眠状态。
其中,神经网络模型可以采用监督训练的方式预先训练好。例如,通过可穿戴设备或PSG获取人的睡眠状态的同时,采用毫米波雷达获取此人睡眠过程中的数据,然后用可穿戴设备或PSG获取的睡眠状态标记毫米波雷达获取的数据,将标记后的数据输入神经网络模型中对神经网络模型进行训练。
本申请实施例提供的睡眠状态确定方法,获取根据监测对象反射的毫米波计算得到多帧第一点云信息,每帧第一点云信息包括多个点的运动信息;睡眠状态确定装置获取多帧第一点云信息,剔除第一点云信息中的离群点云,获得多帧第二点云信息,将多帧第二点云信息输入预先训练好的神经网络模型,确定监测对象的睡眠状态。毫米波雷达不需要与监测对象接触,即可采集监测对象睡眠过程中的运动信息,解决了可穿戴设备佩戴后影响舒适性的问题。并且,毫米波雷达有比较高的感知精度,可以穿透烟雾和水蒸气,具有较强的抗干扰能力。
在一些实施方式中,步骤300中将多帧第二点云信息输入预先训练好的神经网络模型,包括:
步骤310,从多帧第二点云信息中选取第一连续帧;第一连续帧包括按时间先后顺序排列的多帧第二点云信息。
示例性地,根据毫米波雷达一秒内的原始数据可以生成N帧第一点云信息,根据N帧第一点云信息可以获得N帧第二点云信息,第一连续帧包含帧的数量大于N。
例如,根据毫米波雷达一秒内的原始数据可以生成十帧第一点云信息,根据十帧第一点云信息可以获得十帧第二点云信息,第一连续帧包含帧的数量为六十四帧。
步骤320,将第一连续帧输入神经网络模型。
第一连续帧包含多帧按时间先后顺序排列第二点云信息可以反应监测对象一段时间内的运动信息。从而可以根据一段时间内的运动信息确定监测对象的睡眠状态。
在一些实施方式中,步骤310中从多帧第二点云信息中选取第一连续帧,包括:
步骤311,根据训练好的神经网络模型,确定第一连续帧包含的帧数量为第一数量,。
步骤312,从多帧第二点云信息中选取连续的第一数量的帧作为第一连续帧。
在一些实施方式中,步骤200中剔除第一点云信息中的离群点云,包括:
步骤210,对第一点云信息进行聚类处理。
对第一点云进行聚类处理可以剔除第一点云信息中的离群点云,从而提高睡眠状态判断的准确性。
下面结合附图举例说明训练好的神经网络模型的处理过程。
示例性地,如图3所示,处理过程包括如下步骤:
第一连续帧为64帧,形成尺寸为64×64×5的矩阵,经过转置矩阵尺寸变为5×64×64。将转置后的矩阵输入神经网络中。
在神经网络的第一块1,首先对输入进行核大小为7×7,步长为2的卷积操作,再进行核大小为3×3,步长为2的最大池化操作,将第一块1的输出输入第二块2。
在神经网络的第二块2,对输入进行两次核大小为3×3的卷积操作,最后将输出与第二块2的输入相加,将输出输入第三块3。
在神经网络的第三块3,对输入进行两次核大小为3×3的卷积操作,最后将输出与第三块的输入相加,将输出输入第四块4。
在神经网络的第四块4,首先对输入进行平均池化操作,然后通过全连接层和归一化指数函数得到输入所对应的睡眠阶段。
如图4所示,本申请实施例提供了一种睡眠状态确定装置30,包括:
获取模块31,用于获取多帧第一点云信息;多帧第一点云信息由毫米波雷达根据监测对象反射的毫米波计算得到,每帧第一点云信息包括多个点的运动信息;
预处理模块32,用于剔除第一点云信息中的离群点云,获得多帧第二点云信息;
确定模块33,用于将多帧第二点云信息输入预先训练好的神经网络模型,确定监测对象的睡眠状态。
本申请实施例中的睡眠状态确定装置30可以是装置,也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备,也可以为非移动电子设备。示例性的,移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobi le personal computer,UMPC)、上网本或者个人数字助理(personal digital ass istant,PDA)等,非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage,NAS)、个人计算机(personal computer,PC)、电视机(televis ion,TV)等,本申请实施例不作具体限定。
本申请实施例中的睡眠状态确定装置30可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统,可以为ios操作系统,还可以为其他可能的操作系统,本申请实施例不作具体限定。
本申请实施例提供的睡眠状态确定装置能够实现图2中睡眠状态确定方法实施例实现的各个过程,为避免重复,这里不再赘述。
图5本申请实施例提供的电子设备的结构框图。
如图5所示,本申请实施例还提供一种电子设备M00,包括处理器M01,存储器M02,存储在存储器M02上并可在所述处理器M01上运行的程序或指令,该程序或指令被处理器M01执行时实现上述睡眠状态确定方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
需要说明的是,本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
图6为本申请实施例的一种电子设备的硬件结构示意图。
该电子设备1000包括但不限于:射频单元1001、网络模块1002、音频输出单元1003、输入单元1004、传感器1005、显示单元1006、用户输入单元1007、接口单元1008、存储器1009、以及处理器1010等部件。
本领域技术人员可以理解,电子设备1000还可以包括给各个部件供电的电源(比如电池),电源可以通过电源管理系统与处理器1010逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图6中示出的电子设备结构并不构成对电子设备的限定,电子设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置,在此不再赘述。
应理解的是,本申请实施例中,输入单元1004可以包括图形处理器(GraphicsProcess ing Unit,GPU)1041和麦克风1042,图形处理器1041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元1006可包括显示面板1061,可以采用液晶显示器、有机发光二极管等形式来配置显示面板1061。用户输入单元107包括触控面板1071以及其他输入设备1072。触控面板1071,也称为触摸屏。触控面板1071可包括触摸检测装置和触摸控制器两个部分。其他输入设备1072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。存储器1009可用于存储软件程序以及各种数据,包括但不限于应用程序和操作系统。处理器1010可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1010中。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述睡眠状态确定方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述睡眠状态确定方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本申请的保护范围之内。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种睡眠状态确定方法,其特征在于,包括:
获取多帧第一点云信息;所述多帧第一点云信息根据监测对象反射的毫米波计算得到,每帧所述第一点云信息包括多个点的运动信息;
剔除所述第一点云信息中的离群点云,获得多帧第二点云信息;
将所述多帧第二点云信息输入训练好的神经网络模型,确定所述监测对象的睡眠状态。
2.根据权利要求1所述的睡眠状态确定方法,其特征在于,所述将所述多帧第二点云信息输入预先训练好的神经网络模型,包括:
从所述多帧第二点云信息中选取第一连续帧;所述第一连续帧包括按时间先后顺序排列的多帧所述第二点云信息;
将所述第一连续帧输入所述神经网络模型。
3.根据权利要求2所述的睡眠状态确定方法,其特征在于,所述从所述多帧第二点云信息中选取第一连续帧,包括:
根据所述训练好的神经网络模型,确定所述第一连续帧包含的帧数量为第一数量;
从所述多帧第二点云信息中选取连续的第一数量的帧作为所述第一连续帧。
4.根据权利要求1所述的睡眠状态确定方法,其特征在于,所述剔除所述第一点云信息中的离群点云,包括:
对所述第一点云信息进行聚类处理。
5.根据权利要求1所述的睡眠状态确定方法,其特征在于,所述运动信息包括点的坐标、速度和强度。
6.根据权利要求1所述的睡眠状态确定方法,其特征在于,所述毫米波为调频连续波。
7.一种睡眠状态确定系统,其特征在于,包括:
毫米波雷达,用于朝向监测对象发射毫米波,并根据所述监测对象反射的毫米波计算得到多帧第一点云信息,每帧所述第一点云信息包括多个点的运动信息;
睡眠状态确定装置,用于获取所述多帧第一点云信息;剔除所述第一点云信息中的离群点云,获得多帧第二点云信息;将所述多帧第二点云信息输入预先训练好的神经网络模型,确定所述监测对象的睡眠状态。
8.一种睡眠状态确定装置,其特征在于,包括:
获取模块,用于获取多帧第一点云信息;所述多帧第一点云信息根据监测对象反射的毫米波计算得到,每帧所述第一点云信息包括多个点的运动信息;
预处理模块,用于剔除所述第一点云信息中的离群点云,获得多帧第二点云信息;
确定模块,用于将所述多帧第二点云信息输入预先训练好的神经网络模型,确定所述监测对象的睡眠状态。
9.一种电子设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1-6任一项所述的睡眠状态确定方法。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1-6任一项所述的睡眠状态确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211483248.9A CN115770017A (zh) | 2022-11-24 | 2022-11-24 | 睡眠状态确定方法、系统、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211483248.9A CN115770017A (zh) | 2022-11-24 | 2022-11-24 | 睡眠状态确定方法、系统、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115770017A true CN115770017A (zh) | 2023-03-10 |
Family
ID=85390132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211483248.9A Pending CN115770017A (zh) | 2022-11-24 | 2022-11-24 | 睡眠状态确定方法、系统、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115770017A (zh) |
-
2022
- 2022-11-24 CN CN202211483248.9A patent/CN115770017A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jin et al. | Multiple patients behavior detection in real-time using mmWave radar and deep CNNs | |
Zhao et al. | Heart rate sensing with a robot mounted mmwave radar | |
EP4131064A1 (en) | Gesture recognition method and related apparatus | |
US10441180B2 (en) | Episodical and continuous ECG monitoring | |
CN109674456B (zh) | 血压估计设备和方法以及可穿戴装置 | |
CN209863802U (zh) | 一种基于雷达的非接触式生命体征测量系统 | |
CN107028605A (zh) | 传感器信息处理设备 | |
JP2017136164A (ja) | センサ情報処理装置、センサユニット、及び、センサ情報処理プログラム | |
Fereidoonian et al. | Human activity recognition: From sensors to applications | |
Fan et al. | Wearable motion attitude detection and data analysis based on Internet of Things | |
Rezaei et al. | Unobtrusive human fall detection system using mmwave radar and data driven methods | |
Barua et al. | Edge computing-based localization technique to detecting behavior of dementia | |
Zhou et al. | Human sleep posture recognition based on millimeter-wave radar | |
CN114924225A (zh) | 一种高精度室内定位方法、装置、设备及介质 | |
Lin et al. | tremor class scaling for Parkinson disease patients using an array X-band microwave Doppler-based upper limb movement quantizer | |
CN115770017A (zh) | 睡眠状态确定方法、系统、装置及电子设备 | |
CN116942142A (zh) | 一种基于毫米波雷达的人员智能化监测方法及相关设备 | |
CN114847931A (zh) | 人体运动的跟踪方法、装置和计算机可读存储介质 | |
AU2020103853A4 (en) | Dynamic digital twin system and a method of operating thereof | |
KR20220082664A (ko) | 반려 동물의 건강을 진단하기 위한 시스템 및 방법 | |
KR101112763B1 (ko) | 근전도 센서 및 관성 센서를 이용한 마우스 인터페이스 방법 및 시스템 | |
JP2017136163A (ja) | センサ情報処理装置、センサユニット、及び、センサ情報処理プログラム | |
Uegami et al. | A study of detection of trip and fall using Doppler sensor on embedded computer | |
Yan et al. | Topological Nonlinear Analysis of Dynamical Systems in Wearable Sensor-Based Human Physical Activity Inference | |
Zhang | Design of Wireless Motion Sensor Nodes based on the Kalman Filter Algorithm |
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 |