CN116058805B - 一种睡眠记忆活跃水平动态调节的方法、系统和装置 - Google Patents
一种睡眠记忆活跃水平动态调节的方法、系统和装置 Download PDFInfo
- Publication number
- CN116058805B CN116058805B CN202310321799.3A CN202310321799A CN116058805B CN 116058805 B CN116058805 B CN 116058805B CN 202310321799 A CN202310321799 A CN 202310321799A CN 116058805 B CN116058805 B CN 116058805B
- Authority
- CN
- China
- Prior art keywords
- time
- real
- sleep
- activity level
- memory
- 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
- 230000003446 memory effect Effects 0.000 title claims abstract description 444
- 230000007958 sleep Effects 0.000 title claims abstract description 437
- 238000000034 method Methods 0.000 title claims abstract description 141
- 238000004458 analytical method Methods 0.000 claims abstract description 215
- 230000015654 memory Effects 0.000 claims abstract description 187
- 230000033228 biological regulation Effects 0.000 claims abstract description 114
- 230000008878 coupling Effects 0.000 claims abstract description 96
- 238000010168 coupling process Methods 0.000 claims abstract description 96
- 238000005859 coupling reaction Methods 0.000 claims abstract description 96
- 230000000694 effects Effects 0.000 claims abstract description 79
- 230000008569 process Effects 0.000 claims abstract description 74
- 230000006870 function Effects 0.000 claims abstract description 47
- 230000035790 physiological processes and functions Effects 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 37
- 230000007774 longterm Effects 0.000 claims abstract description 23
- 238000011002 quantification Methods 0.000 claims abstract description 10
- 230000001105 regulatory effect Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000004622 sleep time Effects 0.000 claims description 88
- 238000004364 calculation method Methods 0.000 claims description 58
- 210000004556 brain Anatomy 0.000 claims description 42
- 230000008859 change Effects 0.000 claims description 29
- 238000007726 management method Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 13
- 230000009471 action Effects 0.000 claims description 12
- 238000010219 correlation analysis Methods 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 11
- 230000010355 oscillation Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000000284 resting effect Effects 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000003491 array Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 210000000697 sensory organ Anatomy 0.000 claims description 4
- 230000008667 sleep stage Effects 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 239000008280 blood Substances 0.000 claims description 3
- 210000004369 blood Anatomy 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 210000003141 lower extremity Anatomy 0.000 claims description 3
- 230000005389 magnetism Effects 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 230000001936 parietal effect Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000002604 ultrasonography Methods 0.000 claims description 3
- 210000001364 upper extremity Anatomy 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 210000005153 frontal cortex Anatomy 0.000 claims description 2
- 210000002442 prefrontal cortex Anatomy 0.000 claims description 2
- 230000035943 smell Effects 0.000 claims description 2
- DDBREPKUVSBGFI-UHFFFAOYSA-N phenobarbital Chemical compound C=1C=CC=CC=1C1(CC)C(=O)NC(=O)NC1=O DDBREPKUVSBGFI-UHFFFAOYSA-N 0.000 claims 1
- 230000036578 sleeping time Effects 0.000 abstract description 9
- 230000033764 rhythmic process Effects 0.000 description 11
- 230000003860 sleep quality Effects 0.000 description 11
- 230000005056 memory consolidation Effects 0.000 description 6
- 230000015355 regulation of circadian sleep/wake cycle, sleep Effects 0.000 description 4
- 239000004753 textile Substances 0.000 description 4
- 238000007596 consolidation process Methods 0.000 description 3
- 238000001303 quality assessment method Methods 0.000 description 3
- 208000031636 Body Temperature Changes Diseases 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007177 brain activity Effects 0.000 description 2
- 210000003169 central nervous system Anatomy 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 241000728173 Sarima Species 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
-
- 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
- A61B5/245—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetoencephalographic [MEG] signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- 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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Neurology (AREA)
- Psychology (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Anesthesiology (AREA)
- Hematology (AREA)
- Acoustics & Sound (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Optics & Photonics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Neurosurgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了睡眠记忆活跃水平动态调节的方法、系统和装置，包括：对用户睡眠过程的脑中枢生理状态信号进行实时采集处理，得到脑中枢生理频带实时数据，实时识别睡眠时相状态并生成睡眠时相曲线；对所述脑中枢生理频带实时数据进行实时时频特征交叉分析、跨频率耦合分析和动态功能连接分析，得到脑中枢记忆信息编码实时特征，进行实时基线变化分析和时均峰偏分析，生成睡眠记忆活跃水平实时曲线和趋势曲线；生成睡眠记忆活跃水平动态调节策略并实时动态调节，提取时相记忆活跃相关系数和记忆水平动态调节效果系数，生成调节报告，建立个性化记忆调节长期数据库。本发明实现了对睡眠记忆活跃水平的准确量化、动态训练和科学调节。
Description
技术领域
本发明涉及睡眠记忆活跃水平动态调节领域，特别涉及一种睡眠记忆活跃水平动态调节的方法、系统和装置。
背景技术
睡眠是记忆巩固最关键的过程之一，不仅能够强化已有记忆之间的联系，更是支持短期记忆从海马体向新皮层的长期记忆转化，并在新皮层完成广泛的记忆加工和整合。但受年龄、身心状态、睡眠质量和睡眠时相阶段等众多因素共同作用影响，睡眠记忆活跃水平和记忆结果会呈现不同变化和高低波动。
现有技术方案CN113995939A公开一种基于脑电信号的睡眠音乐播放方法、装置及终端，所述方法包括：获取目标用户的睡眠脑电信号；确定所述睡眠脑电信号对应的目标脑部活跃级别；根据所述目标脑部活跃级别确定目标音乐和目标音量，根据所述目标音量播放所述目标音乐。以及，现有技术方案CN113926045A公开了一种辅助睡眠的家纺产品的智能控制方法，其中，所述方法应用于一家纺产品的智能控制系统，所述系统包括一温度传感装置和一压力传感装置，所述方法包括：获得第一用户的第一身体参数特征，并根据所述第一身体参数特征从睡眠评估模型库中调用第一睡眠质量评估模型；通过所述温度传感装置获得所述第一用户的体温变化曲线；通过所述压力传感装置获得所述第一用户在第一家纺产品不同位置时的受力曲线，并基于所述受力曲线生成第一压力分布变化信息；将所述体温变化曲线和所述第一压力分布变化信息按照时间节点分别输入所述第一睡眠质量评估模型，获得各时间节点的睡眠质量评估结果；根据所述各时间节点的睡眠质量评估结果，生成第一睡眠质量曲线；根据所述第一身体参数特征和所述第一用户的第一睡眠习惯，获得理想睡眠曲线；比较所述第一睡眠质量曲线和所述理想睡眠曲线，获得第一睡眠质量系数；根据所述第一睡眠质量系数对第一家纺产品睡眠参数进行调节控制。由上可见，现有技术方案停留在对神经生理信号、脑状态和睡眠质量的表层特征分析和笼统归纳处理上，缺乏对睡眠过程中记忆活动水平的明确量化、实时评估和动态调节；同时，现有技术方案中调节完成即结束，每一次调节都是重新分析和重新调节，没有持续的、可继承性的量化和调节，未建立量化-调节的长期影响模型，这也使得了干预过程不够科学化和个性化。
目前，国内外记忆水平调节大多是人类清醒状态下的任务实验研究或是生物反馈学习，缺乏睡眠过程中的记忆活跃或巩固水平的实时检测、实时分析、实时评估和实时调节等动态分析及调节的方法和框架，无法完成睡眠阶段记忆活跃水平的训练和科学调节。如何对睡眠过程中的记忆活跃水平或记忆巩固水平进行动态训练和调节，是国内外睡眠健康管理和认知记忆管理领域上仍然难以解决的问题。
发明内容
针对现有方法的以上缺陷及改进需求，本发明的目的在于提供一种睡眠记忆活跃水平动态调节的方法，通过对用户脑中枢生理状态信号进行实时采集和实时特征分析，识别用户的睡眠时相状态，经过时频特征交叉分析、跨频率耦合分析和动态功能连接分析提取用户的睡眠记忆活跃水平实时指数，以及趋势预测分析得到睡眠记忆活跃水平实时预测指数，从而实时生成睡眠记忆活跃水平动态调节策略并对用户睡眠过程的记忆活跃水平进行实时动态训练或调节，最后完成全部循环动态调整并生成睡眠记忆活跃水平调节报告，建立个性化记忆调节长期数据库，实现了对不同年龄用户、不同身心状态、不同睡眠质量和不同睡眠时相阶段的睡眠过程中的记忆活跃或巩固水平进行动态训练和调节。本发明还提供了一种睡眠记忆活跃水平动态调节的系统，用于实现上述方法。本发明还提供了一种睡眠记忆活跃水平动态调节的装置，用于实现上述系统。
根据本发明的目的，本发明提出了一种睡眠记忆活跃水平动态调节的方法，包括以下步骤：
对用户睡眠过程的脑中枢生理状态信号进行实时地采集记录和时帧处理，得到脑中枢生理频带实时数据，实时识别睡眠时相状态并生成睡眠时相曲线；
对所述脑中枢生理频带实时数据进行实时地时频特征交叉分析、跨频率耦合分析和动态功能连接分析，得到脑中枢记忆信息编码实时特征；
对所述脑中枢记忆信息编码实时特征进行实时地基线变化分析和时均峰偏分析，提取睡眠记忆活跃水平实时指数并生成睡眠记忆活跃水平实时曲线，实时预测计算生成睡眠记忆活跃水平趋势曲线；
根据睡眠记忆水平优化知识库、所述睡眠时相曲线、所述睡眠记忆活跃水平实时曲线和所述睡眠记忆活跃水平趋势曲线，实时生成睡眠记忆活跃水平动态调节策略，并对用户睡眠过程的记忆活跃水平进行实时动态调节；
重复上述步骤，完成全部所述睡眠记忆活跃水平的循环动态调节，评估动态调节效果，提取时相记忆活跃相关系数和记忆水平动态调节效果系数，生成睡眠记忆活跃水平调节报告并建立个性化记忆调节长期数据库。
更优地，所述对用户睡眠过程的脑中枢生理状态信号进行实时地采集记录和时帧处理，得到脑中枢生理频带实时数据，实时识别睡眠时相状态并生成睡眠时相曲线的具体步骤还包括：
对用户睡眠过程的中枢神经生理状态进行实时地采集记录，生成所述脑中枢生理状态信号；
对用户睡眠过程的所述脑中枢生理状态信号进行实时地时帧处理，得到所述脑中枢生理频带实时数据；
根据所述脑中枢生理频带实时数据实时识别睡眠时相状态，得到所述睡眠时相曲线。
更优地，所述脑中枢神经生理状态信号采集自目标脑区部位，包括脑电信号、脑磁信号、血氧水平依赖信号至少一项；其中，所述目标脑区部位包括前额叶皮质区、背侧额叶皮质区、顶叶皮质区、中央区皮质区、颞叶皮质区、枕叶皮质区至少一项。
更优地，所述时帧处理至少包括A/D数模转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、信号矫正处理、信号频带提取和信号时帧划分；其中，所述信号矫正处理具体为对生理状态信号中的包含伪迹或失真的信号数据片段进行信号矫正及预测平滑处理，所述信号频带提取具体为从目标信号中提取特定频段范围的频带信号，所述时帧划分具体为按照预设时间窗口和预设时间步长对目标信号进行截取处理。
更优地，所述睡眠时相曲线的提取方法具体为：
1)通过深度学习算法对规模睡眠用户样本的所述脑中枢生理频带实时数据及其对应睡眠分期数据进行学习训练和数据建模，得到睡眠时相自动分期模型；
2)将当前用户的所述脑中枢生理频带实时数据输入所述睡眠时相自动分期模型，得到所对应的睡眠时相分期值；
3)按照时序获取所述脑中枢生理频带实时数据的所述睡眠时相分期值，生成所述睡眠时相曲线。
更优地，所述对所述脑中枢生理频带实时数据进行实时地时频特征交叉分析、跨频率耦合分析和动态功能连接分析，得到脑中枢记忆信息编码实时特征的具体步骤还包括：
对所述脑中枢生理频带实时数据进行时域特征和频域特征进行统计学分析和交叉关联分析，得到交叉时频特征；
对所述脑中枢生理频带实时数据进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析，得到跨频率耦合特征；
对所述脑中枢生理频带实时数据进行动态功能连接分析，量化信号间振荡交互过程和作用，得到动态功能连接特征；
对所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征进行特征选择，得到所述脑中枢记忆信息编码实时特征。
更优地，所述时频特征交叉分析具体为对所述脑中枢生理频带实时数据中的不同脑区部位的、不同频带分布的目标信号组的时域特征和频域特征进行统计学分析和交叉关联分析，得到交叉时频特征。
更优地，所述跨频率耦合分析具体为对所述脑中枢生理频带实时数据中的不同脑区部位的、不同频带分布的目标信号组进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析，得到跨频率耦合特征。
更优地，所述脑区功能连接分析具体为对所述脑中枢生理频带实时数据中的不同脑区部位的目标信号组进行动态功能连接分析，量化信号间振荡交互过程和作用，得到动态功能连接特征。
更优地，所述脑中枢记忆信息编码实时特征至少包括所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征。
更优地，所述对所述脑中枢记忆信息编码实时特征进行实时地基线变化分析和时均峰偏分析，提取睡眠记忆活跃水平实时指数并生成睡眠记忆活跃水平实时曲线，实时预测计算生成睡眠记忆活跃水平趋势曲线的具体步骤还包括：
根据所述脑中枢记忆信息编码实时特征进行实时地基线变化分析和时均峰偏分析，提取所述睡眠记忆活跃水平实时指数，生成或更新所述睡眠记忆活跃水平实时曲线；
根据所述睡眠记忆活跃水平实时曲线进行实时地趋势分析和预测计算，生成或更新所述睡眠记忆活跃水平趋势曲线。
更优地，所述睡眠记忆活跃水平实时指数和所述睡眠记忆活跃水平实时曲线的计算生成方法如下：
1)采集分析并计算获取不同年龄层的、规模数量的健康用户群体的清醒期静息态、清醒期记忆任务态下的所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征，通过预设权重计算得到每一个特征的静息基线值和任务基线值，建立脑中枢记忆信息编码时帧特征基线指标集；
2)获取当前用户的所述脑中枢记忆信息编码实时特征，计算与同年龄层健康人群的所述脑中枢记忆信息编码时帧特征基线指标集中的静息基线值和任务基线值的基线变化量值，即基线变化分析，得到脑中枢记忆信息编码实时特征变化量集；
3)对所述脑中枢记忆信息编码实时特征变化量集中的全部指标进行时均峰偏分析，得到时均峰偏值，即所述睡眠记忆活跃水平实时指数；
4)按照时序，获取每一个时帧的所述睡眠记忆活跃水平实时指数，生成或更新所述睡眠记忆活跃水平实时曲线。
更优地，所述基线变化分析的具体计算方式为：
对于实值变量
和其基线序列/>
来说，其基线变化量值为
其中，
分别为实值变量/>
的基线变化量值、第i个基线值以及对应的权重，N为正整数。
更优地，所述时均峰偏分析是一种以数值数组的均值、峰度、偏度、绝对值均值、绝对值峰度、绝对值偏度为观察基点基础，以数值数组的方差、变异系数、最大值、最小值、中位数、分位数、绝对值方差、绝对值变异系数、绝对值最大值、绝对值最小值、绝对值中位数、绝对值分位数为主要分析调和项，来观察分析数值数组的数据分布波动状态和总体趋势变化的数据分析方法。
更优地，所述时均峰偏分析的一种具体计算方式为：
对于数值数组
来说，其时均峰偏值的计算公式为
其中，
分别为数值数组/>
的时均峰偏值、平均值、偏度和峰度，/>
为年龄相关的修正系数且/>
，/>
为用户的周岁年龄，N为正整数。
更优地，所述睡眠记忆活跃水平趋势曲线的计算生成方法如下：
1)获取用户当前的所述睡眠记忆活跃水平实时指数和所述睡眠记忆活跃水平实时曲线；
2)对所述睡眠记忆活跃水平实时曲线进行趋势分析和指数预测，得到下一时帧的睡眠记忆活跃水平指数，生成睡眠记忆活跃水平实时预测指数；
3)按时序纳入所述睡眠记忆活跃水平实时预测指数，生成或更新所述睡眠记忆活跃水平趋势曲线。
更优地，所述根据睡眠记忆水平优化知识库、所述睡眠时相曲线、所述睡眠记忆活跃水平实时曲线和所述睡眠记忆活跃水平趋势曲线，实时生成睡眠记忆活跃水平动态调节策略，并对用户睡眠过程的记忆活跃水平进行实时动态调节的具体步骤还包括：
根据睡眠记忆水平优化知识库、所述睡眠时相曲线、所述睡眠记忆活跃水平实时指数和所述睡眠记忆活跃水平趋势曲线，结合睡眠记忆活跃水平动态调节目的，生成所述睡眠记忆活跃水平动态调节策略；
根据所述睡眠记忆活跃水平动态调节策略，对用户睡眠过程的记忆活跃水平进行实时动态调节。
更优地，所述睡眠记忆活跃水平动态调节策略至少包括调节方式、执行部位、调节方法和调节强度；其中，所述调节方式至少包括声、光、味、电、磁、超声和睡眠环境，所述执行部位包括头部、颈部、躯干部、左右上肢、左右下肢及各大感官器官，所述调节方法至少包括恒定常数、递增曲线、递减曲线、指数曲线、正弦曲线、周期方波和随机曲线，所述调节强度则由当前的所述睡眠记忆活跃水平实时指数和所述睡眠记忆活跃水平实时预测指数共同决定。
更优地，所述重复上述步骤，完成全部所述睡眠记忆活跃水平的循环动态调节，评估动态调节效果，提取时相记忆活跃相关系数和记忆水平动态调节效果系数，生成睡眠记忆活跃水平调节报告并建立个性化记忆调节长期数据库的具体步骤还包括：
完成全部所述睡眠记忆活跃水平的循环动态调节，得到全部调节过程的所述睡眠时相曲线、所述睡眠记忆活跃水平实时曲线和所述睡眠记忆活跃水平趋势曲线；
分析计算所述睡眠时相曲线和所述睡眠记忆活跃水平实时曲线的关系特征，提取所述时相记忆活跃相关系数；
分析计算所述睡眠记忆活跃水平实时曲线和所述睡眠记忆活跃水平趋势曲线的关系特征，提取所述记忆水平动态调节效果系数；
根据所述睡眠时相曲线、所述睡眠记忆活跃水平实时曲线、所述睡眠记忆活跃水平趋势曲线、所述时相记忆活跃相关系数和所述记忆水平动态调节效果系数，分析计算生成所述睡眠记忆活跃水平调节报告；
根据所述睡眠记忆活跃水平调节报告和用户当前状态信息，建立或更新所述个性化记忆调节长期数据库，为后续用户持续地睡眠记忆活跃水平动态调节提供数据分析继承模型。
更优地，所述时相记忆活跃相关系数的计算方法具体为：
1)获取所述睡眠时相曲线和所述睡眠记忆活跃水平实时曲线；
2)分析计算所述睡眠时相曲线和所述睡眠记忆活跃水平实时曲线的关系特征，得到时相记忆活跃水平关系特征指数集；
3)对所述时相记忆活跃水平关系特征指数集进行加权融合计算，得到所述时相记忆活跃相关系数。
更优地，所述记忆水平动态调节效果系数的计算方法具体为：
1)获取所述睡眠记忆活跃水平实时曲线和所述睡眠记忆活跃水平趋势曲线；
2)分析计算所述睡眠记忆活跃水平实时曲线和所述睡眠记忆活跃水平趋势曲线的关系特征，得到记忆水平动态调节效果特征指数集；
3)对所述记忆水平动态调节效果特征指数集进行加权融合计算，得到所述记忆水平动态调节效果系数。
更优地，所述关系特征至少包括关联特征和距离特征；其中，所述关联特征至少包括相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数和线性相关系数，所述距离特征至少包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、巴氏距离、汉明距离和夹角余弦。
更优地，所述睡眠记忆活跃水平调节报告至少包括所述睡眠时相曲线、所述睡眠记忆活跃水平实时曲线、所述睡眠记忆活跃水平趋势曲线、所述时相记忆活跃相关系数、所述记忆水平动态调节效果系数、全部的所述睡眠记忆活跃水平动态调节策略、记忆活跃水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠记忆活跃水平调节报告总结。
更优地，所述记忆活跃水平时相分布统计具体为不同睡眠时相的平均记忆活跃水平、最大记忆活跃水平和最小记忆活跃水平；所述高峰活跃时段小结具体为所述睡眠记忆活跃水平实时曲线中超过预设高峰阈值的片段所对应的高峰时段分布、所述高峰时段分布的时间数值总和及占比；所述低峰活跃时段小结具体为所述睡眠记忆活跃水平实时曲线中超过预设低峰阈值的片段所对应的低峰时段分布、所述低峰时段分布的时间数值总和及占比；所述异常活跃时段小结具体为所述睡眠记忆活跃水平实时曲线中脱离曲线基线趋势的异常片段所对应的异常时段分布、所述异常时段分布的时间数值总和及占比。
根据本发明的目的，本发明提出了一种睡眠记忆活跃水平动态调节的系统，包括以下模块：
时相状态分析模块，用于对用户睡眠过程的脑中枢生理状态信号进行实时地采集记录和时帧处理，得到脑中枢生理频带实时数据，实时识别睡眠时相状态并生成睡眠时相曲线；
记忆特征提取模块，用于对所述脑中枢生理频带实时数据进行实时地时频特征交叉分析、跨频率耦合分析和动态功能连接分析，得到脑中枢记忆信息编码实时特征；
记忆水平量化模块，用于对所述脑中枢记忆信息编码实时特征进行实时地基线变化分析和时均峰偏分析，提取睡眠记忆活跃水平实时指数并生成睡眠记忆活跃水平实时曲线，实时预测计算生成睡眠记忆活跃水平趋势曲线；
动态策略调节模块，用于根据睡眠记忆水平优化知识库、所述睡眠时相曲线、所述睡眠记忆活跃水平实时曲线和所述睡眠记忆活跃水平趋势曲线，实时生成睡眠记忆活跃水平动态调节策略，并对用户睡眠过程的记忆活跃水平进行实时动态调节；
循环调节报告模块，用于完成全部所述睡眠记忆活跃水平的循环动态调节，评估动态调节效果，提取时相记忆活跃相关系数和记忆水平动态调节效果系数，生成睡眠记忆活跃水平调节报告并建立个性化记忆调节长期数据库；
数据运营中心模块，用于对所述系统中所有过程数据和/或结果数据的可视化展示、统一存储和数据运营管理。
更优地，所述时相状态分析模块还包括以下具体功能单元：
信号采集监测单元，用于对用户睡眠过程的中枢神经生理状态进行实时地采集记录，生成所述脑中枢生理状态信号；
数据时帧处理单元，用于对用户睡眠过程的所述脑中枢生理状态信号进行实时地时帧处理，得到所述脑中枢生理频带实时数据；
时相状态识别单元，用于根据所述脑中枢生理频带实时数据实时识别睡眠时相状态，得到所述睡眠时相曲线。
更优地，所述记忆特征提取模块还包括以下具体功能单元：
时频特征分析单元，用于对所述脑中枢生理频带实时数据进行时域特征和频域特征进行统计学分析和交叉关联分析，得到交叉时频特征；
跨频率耦合分析单元，用于对所述脑中枢生理频带实时数据进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析，得到跨频率耦合特征；
功能连接分析单元，用于对所述脑中枢生理频带实时数据进行动态功能连接分析，量化信号间振荡交互过程和作用，得到动态功能连接特征；
中枢特征整合单元，用于对所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征进行特征选择，得到所述脑中枢记忆信息编码实时特征。
更优地，所述记忆水平量化模块还包括以下具体功能单元：
活跃水平量化单元，用于根据所述脑中枢记忆信息编码实时特征进行实时地基线变化分析和时均峰偏分析，提取所述睡眠记忆活跃水平实时指数，生成或更新所述睡眠记忆活跃水平实时曲线；
趋势预测计算单元，用于根据所述睡眠记忆活跃水平实时曲线进行实时地趋势分析和预测计算，生成或更新所述睡眠记忆活跃水平趋势曲线。
更优地，所述动态策略调节模块还包括以下具体功能单元：
调节策略生成单元，用于根据睡眠记忆水平优化知识库、所述睡眠时相曲线、所述睡眠记忆活跃水平实时指数和所述睡眠记忆活跃水平趋势曲线，结合睡眠记忆活跃水平动态调节目的，生成所述睡眠记忆活跃水平动态调节策略；
调节策略执行单元，用于根据所述睡眠记忆活跃水平动态调节策略，对用户睡眠过程的记忆活跃水平进行实时动态调节。
更优地，所述循环调节报告模块还包括以下具体功能单元：
循环执行计算单元，用于完成全部所述睡眠记忆活跃水平的循环动态调节，得到全部调节过程的所述睡眠时相曲线、所述睡眠记忆活跃水平实时曲线和所述睡眠记忆活跃水平趋势曲线；
相关系数计算单元，用于分析计算所述睡眠时相曲线和所述睡眠记忆活跃水平实时曲线的关系特征，提取所述时相记忆活跃相关系数；
调节效果评价单元，用于分析计算所述睡眠记忆活跃水平实时曲线和所述睡眠记忆活跃水平趋势曲线的关系特征，提取所述记忆水平动态调节效果系数；
调节报告生成单元，用于根据所述睡眠时相曲线、所述睡眠记忆活跃水平实时曲线、所述睡眠记忆活跃水平趋势曲线、所述时相记忆活跃相关系数和所述记忆水平动态调节效果系数，分析计算生成所述睡眠记忆活跃水平调节报告；
动态调节继承单元，用于根据所述睡眠记忆活跃水平调节报告和用户当前状态信息，建立或更新所述个性化记忆调节长期数据库，为后续用户持续地睡眠记忆活跃水平动态调节提供数据分析继承模型。
更优地，所述数据运营中心模块还包括以下具体功能单元：
用户信息管理单元，用于用户基本信息的登记输入、编辑、查询、输出和删除；
数据可视化管理单元，用于对所述系统中所有数据的可视化展现管理；
数据运营管理单元，用于对所述系统中所有数据的存储、备份、迁移和导出。
根据本发明的目的，本发明提出了一种睡眠记忆活跃水平动态调节的装置，包括以下模组：
时相状态分析模组，用于对用户睡眠过程的脑中枢生理状态信号进行实时地采集记录和时帧处理，得到脑中枢生理频带实时数据，实时识别睡眠时相状态并生成睡眠时相曲线；
记忆特征提取模组，用于对所述脑中枢生理频带实时数据进行实时地时频特征交叉分析、跨频率耦合分析和动态功能连接分析，得到脑中枢记忆信息编码实时特征；
记忆水平量化模组，用于对所述脑中枢记忆信息编码实时特征进行实时地基线变化分析和时均峰偏分析，提取睡眠记忆活跃水平实时指数并生成睡眠记忆活跃水平实时曲线，实时预测计算生成睡眠记忆活跃水平趋势曲线；
动态策略调节模组，用于根据睡眠记忆水平优化知识库、所述睡眠时相曲线、所述睡眠记忆活跃水平实时曲线和所述睡眠记忆活跃水平趋势曲线，实时生成睡眠记忆活跃水平动态调节策略，并对用户睡眠过程的记忆活跃水平进行实时动态调节；
循环调节报告模组，用于完成全部所述睡眠记忆活跃水平的循环动态调节，评估动态调节效果，提取时相记忆活跃相关系数和记忆水平动态调节效果系数，生成睡眠记忆活跃水平调节报告并建立个性化记忆调节长期数据库；
数据可视化管模组，用于对所述装置中所有数据的可视化展现管理；
数据运营管理模组，用于对所述装置中所有数据的存储、备份、迁移和导出。
本发明所提供的睡眠记忆活跃水平检测量化的方法、系统和装置，通过对用户脑中枢生理状态信号进行实时采集和实时特征分析，识别用户的睡眠时相状态，生成睡眠时相曲线；经过时频特征交叉分析、跨频率耦合分析和动态功能连接分析得到脑中枢记忆信息编码实时特征，提取睡眠记忆活跃水平实时指数并生成睡眠记忆活跃水平实时曲线；进行趋势预测分析得到睡眠记忆活跃水平实时预测指数，生成睡眠记忆活跃水平趋势曲线；实时生成睡眠记忆活跃水平动态调节策略，对用户睡眠过程的记忆活跃水平进行实时动态调节，最后完成全部循环动态调整并生成睡眠记忆活跃水平调节报告，建立个性化记忆调节长期数据库，从而实现了对不同年龄用户、不同身心状态、不同睡眠质量和不同睡眠时相阶段的睡眠过程中的记忆活跃或巩固水平进行准确量化、动态训练和科学调节。本发明解决了现有无法准确评价以及报告的缺陷，具备显著的进步。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
图1是本发明一实施例所提供的一种睡眠记忆活跃水平动态调节的方法的流程步骤示意图；
图2是本发明一实施例所提供的一种睡眠记忆活跃水平动态调节的模块组成示意图；
图3是本发明一实施例所提供的一种睡眠记忆活跃水平动态调节的装置的模组构成示意图。
具体实施方式
为了更清楚地说明本发明的目的和技术方案，下面将结合本发明申请实施例中的附图，对本发明进行进一步介绍说明。显而易见地，下面描述的实施例仅是本发明一部分实施例，而不是全部的实施例。在没有创造性劳动前提下，本领域普通技术人员基于本发明的实施例所得到的其他实施例，都应属于本发明的保护范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
本发明提供的一种睡眠记忆活跃水平动态调节的方法、系统和装置，实现了睡眠过程中的记忆活跃水平或记忆巩固水平的实时检测、实时分析、实时评估和实时调节等动态分析及调节的方法和框架，能够完成睡眠阶段记忆活跃水平的训练和调节。在实际使用场景中，本发明所提供的一种睡眠记忆活跃水平动态调节的方法、系统和装置，能够结合、赋能或嵌入睡眠相关产品和服务，为儿童、青少年、青中年、老年人、亚健康等不同人群场景提供睡眠记忆活跃水平的动态调节方案。
如图1所示，本发明实施例提供的一种睡眠记忆活跃水平动态调节的方法，包括以下步骤：
P100：对用户睡眠过程的脑中枢生理状态信号进行实时地采集记录和时帧处理，得到脑中枢生理频带实时数据，实时识别睡眠时相状态并生成睡眠时相曲线。
第一步、对用户睡眠过程的中枢神经生理状态进行实时地采集记录，生成脑中枢生理状态信号。
本实施例中，脑中枢神经生理状态信号采集自目标脑区部位，至少包括脑电信号、脑磁信号、血氧水平依赖信号；其中，目标脑区部位至少包括前额叶皮质区、背侧额叶皮质区、顶叶皮质区、中央区皮质区、颞叶皮质区、枕叶皮质区。
本实施例中，以脑电信号为脑中枢神经生理状态信号。通过多导睡眠记录仪对用户整夜睡眠过程的脑电进行采集记录，采样率为2048Hz，记录电极为Fpz、F3、F4、C3、C4、Cz、T3、T4、T7、T8、P3、P4、Pz、O1和O2，参考电极M1、M2。
在实际使用场景中，可以根据用户具体情况，选择多导睡眠记录仪或多导脑电监测仪，选择跟记忆水平紧密相关的额叶、颞叶、中央区和联合皮质区的多个部位进行采集监测。
第二步、对用户睡眠过程的脑中枢生理状态信号进行实时地时帧处理，得到脑中枢生理频带实时数据。
本实施例中，时帧处理至少包括A/D数模转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、矫正处理、频带提取和时帧划分；其中，矫正处理具体为对生理状态信号中的包含伪迹或失真的信号数据片段进行信号矫正及预测平滑处理，频带提取具体为从目标信号中提取特定频段范围的频带信号，时帧划分具体为按照预设时间窗口和预设时间步长对目标信号进行截取处理。
本实施例中，对多导脑电信号进行统一的信号预处理，包括去伪迹、小波降噪、50Hz倍频工频陷波、0.5-245hz带通滤波和信号矫正处理，得到纯净多导脑电信号；其次，依次对纯净多导脑电信号进行信号频带提取，包括δ节律（0.5-4Hz）、θ节律（4-8Hz）、α节律（8-12Hz）、β节律（12-30Hz）、γ1节律(30-50Hz) 、γ2节律(50-100Hz) 、γ3节律(100-245Hz)，得到多导多频带脑电信号。
本实施例中，以10秒预设时间步长20秒预设时间窗口对纯净多导脑电信号和多导多频带脑电信号进行滑动分割，得到脑中枢生理频带时帧数据。即相当于每10秒钟根据最近20秒钟的睡眠记忆活跃水平，对用户进行动态调节。
第三步、根据脑中枢生理频带实时数据实时识别睡眠时相状态，得到睡眠时相曲线。
本实施例中，睡眠时相曲线的提取方法具体为：
1)通过深度学习算法对规模睡眠用户样本的脑中枢生理频带实时数据及其对应睡眠分期数据进行学习训练和数据建模，得到睡眠时相自动分期模型；
2)将当前用户的脑中枢生理频带实时数据输入睡眠时相自动分期模型，得到所对应的睡眠时相分期值；
3)按照时序获取脑中枢生理频带实时数据的睡眠时相分期值，生成睡眠时相曲线。
本实施例中，实时识别睡眠时相状态和睡眠时相分期，主要为后续制定动态调节策略提供关键基础，因为不同睡眠时相状态，睡眠记忆活跃水平有比较大差别。
P200：对所述脑中枢生理频带实时数据进行实时地时频特征交叉分析、跨频率耦合分析和动态功能连接分析，得到脑中枢记忆信息编码实时特征。
第一步、对脑中枢生理频带实时数据进行时域特征和频域特征进行统计学分析和交叉关联分析，得到交叉时频特征。
本实施例中，时频特征交叉分析具体为对脑中枢生理频带实时数据中的不同脑区部位的、不同频带分布的目标信号组的时域特征和频域特征进行统计学分析和交叉关联分析，得到交叉时频特征。交叉时频特征包括单通道脑电信号时频特征和交叉通道脑电信号时频关联特征两部分。其中，单通道脑电信号时频特征（如F3）包括信号平均值、信号均方根、信号方差、信号标准差、信号变异系数、包络信号、信号功率谱、特征频带中心频率、特征频带功率占比；交叉通道脑电信号时频关联特征包括信号间（如F3和P3、F3和T3）相关系数、多通道多特征频带信号间（如F3的θ节律信号和P3的θ节律信号）相关系数、信号间（如F3和T3）标准化欧氏距离、多通道多特征频带信号间（如F3的θ节律信号和P3的β节律信号）标准化欧氏距离。
第二步、对脑中枢生理频带实时数据进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析，得到跨频率耦合特征。
本实施例中，跨频率耦合分析具体为对脑中枢生理频带实时数据中的不同脑区部位的、不同频带分布的目标信号组进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析，得到跨频率耦合特征。跨频率耦合特征包括单通道脑电信号跨频率耦合特征和交叉通道脑电信号跨频率耦合特征两部分。其中，单通道脑电信号跨频率耦合特征（如F3）包括多个频带信号（如θ和γ、α和β）之间的相-相耦合指数、相-幅耦合指数和幅-幅耦合指数；交叉通道脑电信号跨频率耦合特征包括多个两两不同通道脑电信号（如F3和P3、F3和T3）中的多个频带信号（如θ和γ、α和β）间的相-相耦合指数、相-幅耦合指数和幅-幅耦合指数。
第三步、对脑中枢生理频带实时数据进行动态功能连接分析，量化信号间振荡交互过程和作用，得到动态功能连接特征。
本实施例中，脑区功能连接分析具体为对脑中枢生理频带实时数据中的不同脑区部位的目标信号组进行动态功能连接分析，量化信号间振荡交互过程和作用，得到动态功能连接特征。动态功能连接特征包括多个两两不同通道脑电信号（如F3和P3、F3和T3）的动态功能连接指数。其中，动态功能连接指数包括锁相值、相干系数、相位斜率指数、Pearson相关系数、互信息指数、格兰杰因果指数、转移熵。
第四步、对交叉时频特征、跨频率耦合特征和动态功能连接特征进行特征选择，得到脑中枢记忆信息编码实时特征。
本实施例中，脑中枢记忆信息编码实时特征至少包括交叉时频特征、跨频率耦合特征和动态功能连接特征。根据用户年龄段，选择特征频带中心频率、特征频带功率占比、信号间相关系数、多通道多特征频带信号间、多通道的单通道脑电信号跨频率耦合特征、交叉通道脑电信号跨频率耦合特征和动态功能连接特征，作为睡眠记忆活跃水平的关键指标特征。
本实施例中，跨频率耦合特征和动态功能连接特征都是衡量睡眠记忆活跃水平的两个最关键特征。
P300：对所述脑中枢记忆信息编码实时特征进行实时地基线变化分析和时均峰偏分析，提取睡眠记忆活跃水平实时指数并生成睡眠记忆活跃水平实时曲线，实时预测计算生成睡眠记忆活跃水平趋势曲线。
第一步、根据脑中枢记忆信息编码实时特征进行实时地基线变化分析和时均峰偏分析，提取睡眠记忆活跃水平实时指数，生成或更新睡眠记忆活跃水平实时曲线。
本实施例中，睡眠记忆活跃水平实时指数和睡眠记忆活跃水平实时曲线的计算生成方法如下：
1)采集分析并计算获取不同年龄层的、规模数量的健康用户群体的清醒期静息态、清醒期记忆任务态下的交叉时频特征、跨频率耦合特征和动态功能连接特征，通过预设权重计算得到每一个特征的静息基线值和任务基线值，建立脑中枢记忆信息编码时帧特征基线指标集；
2)获取当前用户的脑中枢记忆信息编码实时特征，计算与同年龄层健康人群的脑中枢记忆信息编码时帧特征基线指标集中的静息基线值和任务基线值的基线变化量值，即基线变化分析，得到脑中枢记忆信息编码实时特征变化量集；
3)对脑中枢记忆信息编码实时特征变化量集中的全部指标进行时均峰偏分析，得到时均峰偏值，即睡眠记忆活跃水平实时指数；
4)按照时序，获取每一个时帧的睡眠记忆活跃水平实时指数，生成或更新睡眠记忆活跃水平实时曲线。
本实施例中，基线变化分析的具体计算方式为：
对于实值变量
和其基线序列/>
来说，其基线变化量值为
其中，
分别为实值变量/>
的基线变化量值、第i个基线值以及对应的权重，N为正整数。
本实施例中，时均峰偏分析是一种以数值数组的均值、峰度、偏度、绝对值均值、绝对值峰度、绝对值偏度为观察基点基础，以数值数组的方差、变异系数、最大值、最小值、中位数、分位数、绝对值方差、绝对值变异系数、绝对值最大值、绝对值最小值、绝对值中位数、绝对值分位数为主要分析调和项，来观察分析数值数组的数据分布波动状态和总体趋势变化的数据分析方法。
本实施例中，时均峰偏分析的一种具体计算方式为：
对于数值数组
来说，其时均峰偏值的计算公式为
其中，
分别为数值数组/>
的时均峰偏值、平均值、偏度和峰度，/>
为年龄相关的修正系数且/>
，/>
为用户的周岁年龄，N为正整数。
第二步、根据睡眠记忆活跃水平实时曲线进行实时地趋势分析和预测计算，生成或更新睡眠记忆活跃水平趋势曲线。
本实施例中，睡眠记忆活跃水平趋势曲线的计算生成方法如下：
1)获取用户当前的睡眠记忆活跃水平实时指数和睡眠记忆活跃水平实时曲线；
2)对睡眠记忆活跃水平实时曲线进行趋势分析和指数预测，得到下一时帧的睡眠记忆活跃水平指数，生成睡眠记忆活跃水平实时预测指数；
3)按时序纳入睡眠记忆活跃水平实时预测指数，生成或更新睡眠记忆活跃水平趋势曲线。
本实施例中，使用AR方法根据睡眠记忆活跃水平实时曲线来完成预测分析，得到睡眠记忆活跃水平实时预测指数。
在实际适应场景中，趋势分析和指数预测可能采用AR、MR、ARMA、ARIMA、SARIMA、VAR等等常用的时间按序列预测方法，也可以通过深度学习模型来完成睡眠记忆活跃水平实时预测指数的预测计算。
P400：根据睡眠记忆水平优化知识库、所述睡眠时相曲线、所述睡眠记忆活跃水平实时曲线和所述睡眠记忆活跃水平趋势曲线，实时生成睡眠记忆活跃水平动态调节策略，并对用户睡眠过程的记忆活跃水平进行实时动态调节。
第一步、根据睡眠记忆水平优化知识库、睡眠时相曲线、睡眠记忆活跃水平实时指数和睡眠记忆活跃水平趋势曲线，结合睡眠记忆活跃水平动态调节目的，实时生成睡眠记忆活跃水平动态调节策略。
本实施例中，睡眠记忆活跃水平动态调节策略至少包括调节方式、执行部位、调节方法和调节强度；其中，调节方式至少包括声、光、味、电、磁、超声和睡眠环境，执行部位包括头部、颈部、躯干部、左右上肢、左右下肢及各大感官器官，调节方法至少包括恒定常数、递增曲线、递减曲线、指数曲线、正弦曲线、周期方波和随机曲线，调节强度则由当前的睡眠记忆活跃水平实时指数和睡眠记忆活跃水平实时预测指数共同决定。
本实施例中，睡眠记忆水平优化知识库不仅包括睡眠记忆水平调节的专业知识、技术手段、操作参数和安全指导等信息，还包括了用户个人的睡眠记忆活跃水平动态调节的历史信息，即历史的睡眠时相曲线、睡眠记忆活跃水平实时曲线、睡眠记忆活跃水平趋势曲线、睡眠记忆活跃水平动态调节策略、睡眠记忆活跃水平动态调节策略效果等。
在实际适应场景中，使用声、光、味和睡眠环境等离体调节方式，对用户的各大感官器官进行正弦曲线+随机噪声的动态调节，实现对用户的无佩戴压力的调节，能够满足大多数用户的场景需求。
第二步、根据睡眠记忆活跃水平动态调节策略，对用户睡眠过程的记忆活跃水平进行实时动态调节。
本实施例中，根据睡眠记忆活跃水平动态调节策略，连接相应的硬件设备，发送调控参数，实现对对用户睡眠过程的记忆活跃水平进行实时动态调节，并监控调节过程的人身安全和其他意外因素。
P500：重复上述步骤，完成全部所述睡眠记忆活跃水平的循环动态调节，评估动态调节效果，提取时相记忆活跃相关系数和记忆水平动态调节效果系数，生成睡眠记忆活跃水平调节报告并建立个性化记忆调节长期数据库。
第一步、完成全部睡眠记忆活跃水平的循环动态调节，得到全部调节过程的睡眠时相曲线、睡眠记忆活跃水平实时曲线和睡眠记忆活跃水平趋势曲线。
在用户整个睡眠过程中，不断地采集分析用户的中枢神经状态，实时评价量化其睡眠记忆活跃水平，根据合睡眠记忆活跃水平动态调节目的和上一次调节结果效果，进一步制定或优化动态调节策略，实现对用户睡眠记忆活跃水平的持续动态训练和调节。
第二步、分析计算睡眠时相曲线和睡眠记忆活跃水平实时曲线的关系特征，提取时相记忆活跃相关系数。
本实施例中，时相记忆活跃相关系数主要是衡量用户在不同睡眠时相的睡眠记忆活跃综合水平。时相记忆活跃相关系数的计算方法具体为：
1)获取睡眠时相曲线和睡眠记忆活跃水平实时曲线；
2)分析计算睡眠时相曲线和睡眠记忆活跃水平实时曲线的关系特征，得到时相记忆活跃水平关系特征指数集；
3)对时相记忆活跃水平关系特征指数集进行加权融合计算，得到时相记忆活跃相关系数。
第三步、分析计算睡眠记忆活跃水平实时曲线和睡眠记忆活跃水平趋势曲线的关系特征，提取记忆水平动态调节效果系数。
本实施例中，睡眠记忆活跃水平实时曲线是用户睡眠记忆活跃水平的真实表现，睡眠记忆活跃水平趋势曲线则是为了实现动态调整策略而进行预测的计划表现，最后时记忆水平动态调节效果系数反映是真实表现和计划表现的差异，是动态调整策略实施结果和效果的综合评价。时记忆水平动态调节效果系数的计算方法具体为：
1)获取睡眠记忆活跃水平实时曲线和睡眠记忆活跃水平趋势曲线；
2)分析计算睡眠记忆活跃水平实时曲线和睡眠记忆活跃水平趋势曲线的关系特征，得到记忆水平动态调节效果特征指数集；
3)对记忆水平动态调节效果特征指数集进行加权融合计算，得到记忆水平动态调节效果系数。
本实施例中，关系特征至少包括关联特征和距离特征；其中，关联特征至少包括相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数和线性相关系数，距离特征至少包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、巴氏距离、汉明距离和夹角余弦。
本实施例中，选取皮尔逊相关系数和欧氏距离作为关系特征。对于相同长度的两个数组
和/>
，皮尔逊相关系数/>
的计算公式如下：
其中，
为数组/>
的平均值，/>
为数组/>
的平均值。
欧氏距离
的计算公式如下：/>
。
第四步、根据睡眠时相曲线、睡眠记忆活跃水平曲线、睡眠记忆活跃水平实时曲线、睡眠记忆活跃水平趋势曲线、时相记忆活跃相关系数和记忆水平动态调节效果系数，分析计算生成睡眠记忆活跃水平调节报告。
本实施例中，睡眠记忆活跃水平调节报告至少包括睡眠时相曲线、睡眠记忆活跃水平曲线、睡眠记忆活跃水平实时曲线、睡眠记忆活跃水平趋势曲线、时相记忆活跃相关系数、记忆水平动态调节效果系数、全部的睡眠记忆活跃水平动态调节策略、记忆活跃水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠记忆活跃水平调节报告总结。
本实施例中，记忆活跃水平时相分布统计具体为不同睡眠时相的平均记忆活跃水平、最大记忆活跃水平和最小记忆活跃水平；高峰活跃时段小结具体为睡眠记忆活跃水平实时曲线中超过预设高峰阈值的片段所对应的高峰时段分布、高峰时段分布的时间数值总和及占比；低峰活跃时段小结具体为睡眠记忆活跃水平实时曲线中超过预设低峰阈值的片段所对应的低峰时段分布、低峰时段分布的时间数值总和及占比；异常活跃时段小结具体为睡眠记忆活跃水平实时曲线中脱离曲线基线趋势的异常片段所对应的异常时段分布、异常时段分布的时间数值总和及占比。
在实际使用场景中，睡眠记忆活跃水平调节报告能够为儿童、青少年、青中年、老年人、亚健康等不同人群在觉醒后工作、学习和生活等认知记忆活动的评价提供基本素材。
第五步、根据睡眠记忆活跃水平调节报告和用户当前状态信息，建立或更新个性化记忆调节长期数据库，为后续用户持续地睡眠记忆活跃水平动态调节提供数据分析继承模型。
每一次整个循环动态调节完成后，结合用户当前的年龄、身心状态、睡眠环境等信息，以及睡眠记忆活跃水平调节报告，建立并持续更新个性化记忆调节长期数据库，来不断优化和调整后续用户个人的睡眠记忆活跃水平动态调节策略，建立量化-调节的长期影响模型，实现完整的个性化和智能化，以达到更好的动态调节效果。
所述数据库至少包括个人的时相记忆活跃相关系数和记忆水平动态调节效果系数，由于不同人的记忆活跃程度和调节影响因子不同，将上述两个系数保留在数据库有助于更快速和更有针对性的完成动态调节。
如图2所示，本发明实施例提供的一种睡眠记忆活跃水平动态调节的系统，所述系统被构造以用于执行上述各个方法步骤。所述系统包括如下模块：
时相状态分析模块S100，用于对用户睡眠过程的脑中枢生理状态信号进行实时地采集记录和时帧处理，得到脑中枢生理频带实时数据，实时识别睡眠时相状态并生成睡眠时相曲线；
记忆特征提取模块S200，用于对脑中枢生理频带实时数据进行实时地时频特征交叉分析、跨频率耦合分析和动态功能连接分析，得到脑中枢记忆信息编码实时特征；
记忆水平量化模块S300，用于对脑中枢记忆信息编码实时特征进行实时地基线变化分析和时均峰偏分析，提取睡眠记忆活跃水平实时指数并生成睡眠记忆活跃水平实时曲线，实时预测计算生成睡眠记忆活跃水平趋势曲线；
动态策略调节模块S400，用于根据睡眠记忆水平优化知识库、睡眠时相曲线、睡眠记忆活跃水平实时曲线和睡眠记忆活跃水平趋势曲线，实时生成睡眠记忆活跃水平动态调节策略，并对用户睡眠过程的记忆活跃水平进行实时动态调节；
循环调节报告模块S500，用于完成全部睡眠记忆活跃水平的循环动态调节，评估动态调节效果，提取时相记忆活跃相关系数和记忆水平动态调节效果系数，生成睡眠记忆活跃水平调节报告并建立个性化记忆调节长期数据库；
数据运营中心模块S600，用于对系统中所有过程数据和/或结果数据的可视化展示、统一存储和数据运营管理。
本实施例中，时相状态分析模块S100还包括以下具体功能单元：
信号采集监测单元，用于对用户睡眠过程的中枢神经生理状态进行实时地采集记录，生成脑中枢生理状态信号；
数据时帧处理单元，用于对用户睡眠过程的脑中枢生理状态信号进行实时地时帧处理，得到脑中枢生理频带实时数据；
时相状态识别单元，用于根据脑中枢生理频带实时数据实时识别睡眠时相状态，得到睡眠时相曲线。
本实施例中，记忆特征提取模块S200还包括以下具体功能单元：
时频特征分析单元，用于对脑中枢生理频带实时数据进行时域特征和频域特征进行统计学分析和交叉关联分析，得到交叉时频特征；
跨频率耦合分析单元，用于对脑中枢生理频带实时数据进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析，得到跨频率耦合特征；
功能连接分析单元，用于对脑中枢生理频带实时数据进行动态功能连接分析，量化信号间振荡交互过程和作用，得到动态功能连接特征；
中枢特征整合单元，用于对交叉时频特征、跨频率耦合特征和动态功能连接特征进行特征选择，得到脑中枢记忆信息编码实时特征。
本实施例中，记忆水平量化模块S300还包括以下具体功能单元：
活跃水平量化单元，用于根据脑中枢记忆信息编码实时特征进行实时地基线变化分析和时均峰偏分析，提取睡眠记忆活跃水平实时指数，生成或更新睡眠记忆活跃水平实时曲线；
趋势预测计算单元，用于根据睡眠记忆活跃水平实时曲线进行实时地趋势分析和预测计算，生成或更新睡眠记忆活跃水平趋势曲线。
本实施例中，动态策略调节模块S400还包括以下具体功能单元：
调节策略生成单元，用于根据睡眠记忆水平优化知识库、睡眠时相曲线、睡眠记忆活跃水平实时指数和睡眠记忆活跃水平趋势曲线，结合睡眠记忆活跃水平动态调节目的，实时生成睡眠记忆活跃水平动态调节策略；
调节策略执行单元，用于根据睡眠记忆活跃水平动态调节策略，对用户睡眠过程的记忆活跃水平进行实时动态调节。
本实施例中，循环调节报告模块S500还包括以下具体功能单元：
循环执行计算单元，用于完成全部睡眠记忆活跃水平的循环动态调节，得到全部调节过程的睡眠时相曲线、睡眠记忆活跃水平实时曲线和睡眠记忆活跃水平趋势曲线；
相关系数计算单元，用于分析计算睡眠时相曲线和睡眠记忆活跃水平实时曲线的关系特征，提取时相记忆活跃相关系数；
调节效果评价单元，用于分析计算睡眠记忆活跃水平实时曲线和睡眠记忆活跃水平趋势曲线的关系特征，提取记忆水平动态调节效果系数；
调节报告生成单元，用于根据睡眠时相曲线、睡眠记忆活跃水平曲线、睡眠记忆活跃水平实时曲线、睡眠记忆活跃水平趋势曲线、时相记忆活跃相关系数和记忆水平动态调节效果系数，分析计算生成睡眠记忆活跃水平调节报告；
动态调节继承单元，用于根据睡眠记忆活跃水平调节报告和用户当前状态信息，建立或更新个性化记忆调节长期数据库，为后续用户持续地睡眠记忆活跃水平动态调节提供数据分析继承模型。
本实施例中，数据运营中心模块S600还包括以下具体功能单元：
用户信息管理单元，用于用户基本信息的登记输入、编辑、查询、输出和删除；
数据可视化管理单元，用于对系统中所有数据的可视化展现管理；
数据运营管理单元，用于对系统中所有数据的存储、备份、迁移和导出。
如图3所示，本发明实施例提供的一种睡眠记忆活跃水平动态调节的装置，包括以下模组：
时相状态分析模组M100，用于对用户睡眠过程的脑中枢生理状态信号进行实时地采集记录和时帧处理，得到脑中枢生理频带实时数据，实时识别睡眠时相状态并生成睡眠时相曲线；
记忆特征提取模组M200，用于对脑中枢生理频带实时数据进行实时地时频特征交叉分析、跨频率耦合分析和动态功能连接分析，得到脑中枢记忆信息编码实时特征；
记忆水平量化模组M300，用于对脑中枢记忆信息编码实时特征进行实时地基线变化分析和时均峰偏分析，提取睡眠记忆活跃水平实时指数并生成睡眠记忆活跃水平实时曲线，实时预测计算生成睡眠记忆活跃水平趋势曲线；
动态策略调节模组M400，用于根据睡眠记忆水平优化知识库、睡眠时相曲线、睡眠记忆活跃水平实时曲线和睡眠记忆活跃水平趋势曲线，实时生成睡眠记忆活跃水平动态调节策略，并对用户睡眠过程的记忆活跃水平进行实时动态调节；
循环调节报告模组M500，用于完成全部睡眠记忆活跃水平的循环动态调节，评估动态调节效果，提取时相记忆活跃相关系数和记忆水平动态调节效果系数，生成睡眠记忆活跃水平调节报告并建立个性化记忆调节长期数据库；
数据可视化管模组M600，用于对装置中所有数据的可视化展现管理；
数据运营管理模组M700，用于对装置中所有数据的存储、备份、迁移和导出。
所述装置被构造以用于对应执行图1的方法中的各个步骤，在此不再赘述。
本发明还提供了可编程的各类处理器（FPGA、ASIC或其他集成电路），所述处理器用于运行程序，其中，所述程序运行时执行上述实施例中的步骤。
本发明还提供了对应的计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述存储器执行所述程序时实现上述实施例中的步骤。
虽然本发明所揭露的实施方式如上，但所述的内容仅为便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和原则的前提下，可以在实施的形式及细节上进行任何的修改与变化、等同替换等，这些都属于本发明的保护范围。因此，本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (28)
1.一种睡眠记忆活跃水平动态调节的方法，其特征在于，包括以下步骤：
对用户睡眠过程的脑中枢生理状态信号进行实时地采集记录和时帧处理，得到脑中枢生理频带实时数据，实时识别睡眠时相状态并生成睡眠时相曲线；
对所述脑中枢生理频带实时数据进行实时地时频特征交叉分析、跨频率耦合分析和动态功能连接分析，得到脑中枢记忆信息编码实时特征；
对所述脑中枢记忆信息编码实时特征进行实时地基线变化分析和时均峰偏分析，提取睡眠记忆活跃水平实时指数并生成睡眠记忆活跃水平实时曲线，实时预测计算生成睡眠记忆活跃水平趋势曲线；
根据睡眠记忆水平优化知识库、所述睡眠时相曲线、所述睡眠记忆活跃水平实时曲线和所述睡眠记忆活跃水平趋势曲线，实时生成睡眠记忆活跃水平动态调节策略，并对用户睡眠过程的记忆活跃水平进行实时动态调节；
重复上述步骤，完成全部所述睡眠记忆活跃水平的循环动态调节，评估动态调节效果，提取时相记忆活跃相关系数和记忆水平动态调节效果系数，生成睡眠记忆活跃水平调节报告并建立个性化记忆调节长期数据库；
所述对所述脑中枢生理频带实时数据进行实时地时频特征交叉分析、跨频率耦合分析和动态功能连接分析，得到脑中枢记忆信息编码实时特征的具体步骤还包括：
对所述脑中枢生理频带实时数据进行时域特征和频域特征进行统计学分析和交叉关联分析，得到交叉时频特征；
对所述脑中枢生理频带实时数据进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析，得到跨频率耦合特征；
对所述脑中枢生理频带实时数据进行动态功能连接分析，量化信号间振荡交互过程和作用，得到动态功能连接特征；
对所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征进行特征选择，得到所述脑中枢记忆信息编码实时特征；
所述睡眠记忆活跃水平实时指数和所述睡眠记忆活跃水平实时曲线的计算生成方法如下：
1) 采集分析并计算获取不同年龄层的、规模数量的健康用户群体的清醒期静息态、清醒期记忆任务态下的所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征，通过预设权重计算得到每一个特征的静息基线值和任务基线值，建立脑中枢记忆信息编码时帧特征基线指标集；
2) 获取当前用户的所述脑中枢记忆信息编码实时特征，计算与同年龄层健康人群的所述脑中枢记忆信息编码时帧特征基线指标集中的静息基线值和任务基线值的基线变化量值，即基线变化分析，得到脑中枢记忆信息编码实时特征变化量集；
3) 对所述脑中枢记忆信息编码实时特征变化量集中的全部指标进行时均峰偏分析，得到时均峰偏值，即所述睡眠记忆活跃水平实时指数；
4) 按照时序，获取每一个时帧的所述睡眠记忆活跃水平实时指数，生成或更新所述睡眠记忆活跃水平实时曲线；
所述基线变化分析的具体计算方式为：
对于实值变量
和其基线序列/>
来说，其基线变化量值为
其中，
分别为实值变量/>
的基线变化量值、第i个基线值以及对应的权重，N为正整数；
所述时均峰偏分析是一种以数值数组的均值、峰度、偏度、绝对值均值、绝对值峰度、绝对值偏度至少一项为观察基点基础，以数值数组的方差、变异系数、最大值、最小值、中位数、分位数、绝对值方差、绝对值变异系数、绝对值最大值、绝对值最小值、绝对值中位数、绝对值分位数至少一项为主要分析调和项，来观察分析数值数组的数据分布波动状态和总体趋势变化的数据分析方法。
2.如权利要求1所述的方法，其特征在于,所述对用户睡眠过程的脑中枢生理状态信号进行实时地采集记录和时帧处理，得到脑中枢生理频带实时数据，实时识别睡眠时相状态并生成睡眠时相曲线的具体步骤还包括：
对用户睡眠过程的中枢神经生理状态进行实时地采集记录，生成所述脑中枢生理状态信号；
对用户睡眠过程的所述脑中枢生理状态信号进行实时地时帧处理，得到所述脑中枢生理频带实时数据；
根据所述脑中枢生理频带实时数据实时识别睡眠时相状态，得到所述睡眠时相曲线。
3.如权利要求2所述的方法，其特征在于：所述脑中枢生理状态信号采集自目标脑区部位，包括脑电信号、脑磁信号、血氧水平依赖信号至少一项；其中，所述目标脑区部位包括前额叶皮质区、背侧额叶皮质区、顶叶皮质区、中央区皮质区、颞叶皮质区、枕叶皮质区至少一项。
4.如权利要求1所述的方法，其特征在于：所述时帧处理至少包括A/D模数转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、信号矫正处理、信号频带提取和信号时帧划分；其中，所述信号矫正处理具体为对生理状态信号中的包含伪迹或失真的信号数据片段进行信号矫正及预测平滑处理，所述信号频带提取具体为从目标信号中提取特定频段范围的频带信号，所述时帧划分具体为按照预设时间窗口和预设时间步长对目标信号进行截取处理。
5.如权利要求1或2所述的方法，其特征在于：所述睡眠时相曲线的提取方法具体为：
1)通过深度学习算法对规模睡眠用户样本的所述脑中枢生理频带实时数据及其对应睡眠分期数据进行学习训练和数据建模，得到睡眠时相自动分期模型；
2)将当前用户的所述脑中枢生理频带实时数据输入所述睡眠时相自动分期模型，得到所对应的睡眠时相分期值；
3)按照时序获取所述脑中枢生理频带实时数据的所述睡眠时相分期值，生成所述睡眠时相曲线。
6.如权利要求1所述的方法，其特征在于：所述时频特征交叉分析具体为对所述脑中枢生理频带实时数据中的不同脑区部位的、不同频带分布的目标信号组的时域特征和频域特征进行统计学分析和交叉关联分析，得到交叉时频特征。
7.如权利要求1所述的方法，其特征在于：所述跨频率耦合分析具体为对所述脑中枢生理频带实时数据中的不同脑区部位的、不同频带分布的目标信号组进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析，得到跨频率耦合特征。
8.如权利要求1所述的方法，其特征在于：所述功能连接分析具体为对所述脑中枢生理频带实时数据中的不同脑区部位的目标信号组进行动态功能连接分析，量化信号间振荡交互过程和作用，得到动态功能连接特征。
9.如权利要求1所述的方法，其特征在于：所述脑中枢记忆信息编码实时特征至少包括所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征。
10.如权利要求1所述的方法，其特征在于，所述对所述脑中枢记忆信息编码实时特征进行实时地基线变化分析和时均峰偏分析，提取睡眠记忆活跃水平实时指数并生成睡眠记忆活跃水平实时曲线，实时预测计算生成睡眠记忆活跃水平趋势曲线的具体步骤还包括：
根据所述脑中枢记忆信息编码实时特征进行实时地基线变化分析和时均峰偏分析，提取所述睡眠记忆活跃水平实时指数，生成或更新所述睡眠记忆活跃水平实时曲线；
根据所述睡眠记忆活跃水平实时曲线进行实时地趋势分析和预测计算，生成或更新所述睡眠记忆活跃水平趋势曲线。
11.如权利要求1所述的方法，其特征在于，所述时均峰偏分析的一种具体计算方式为：
对于数值数组
来说，其时均峰偏值的计算公式为
其中，
分别为数值数组/>
的时均峰偏值、平均值、偏度和峰度，/>
为年龄相关的修正系数且/>
，/>
为用户的周岁年龄，N为正整数。
12.如权利要求10所述的方法，其特征在于，所述睡眠记忆活跃水平趋势曲线的计算生成方法如下：
1)获取用户当前的所述睡眠记忆活跃水平实时指数和所述睡眠记忆活跃水平实时曲线；
2)对所述睡眠记忆活跃水平实时曲线进行趋势分析和指数预测，得到下一时帧的睡眠记忆活跃水平指数，生成睡眠记忆活跃水平实时预测指数；
3)按时序纳入所述睡眠记忆活跃水平实时预测指数，生成或更新所述睡眠记忆活跃水平趋势曲线。
13.如权利要求1或2所述的方法，其特征在于：所述根据睡眠记忆水平优化知识库、所述睡眠时相曲线、所述睡眠记忆活跃水平实时曲线和所述睡眠记忆活跃水平趋势曲线，实时生成睡眠记忆活跃水平动态调节策略，并对用户睡眠过程的记忆活跃水平进行实时动态调节的具体步骤还包括：
根据睡眠记忆水平优化知识库、所述睡眠时相曲线、所述睡眠记忆活跃水平实时指数和所述睡眠记忆活跃水平趋势曲线，结合睡眠记忆活跃水平动态调节目的，生成所述睡眠记忆活跃水平动态调节策略；
根据所述睡眠记忆活跃水平动态调节策略，对用户睡眠过程的记忆活跃水平进行实时动态调节。
14.如权利要求13所述的方法，其特征在于：所述睡眠记忆活跃水平动态调节策略包括调节方式、执行部位、调节方法和调节强度至少一项；其中，所述调节方式包括声、光、味、电、磁、超声和睡眠环境至少一项，所述执行部位包括头部、颈部、躯干部、左右上肢、左右下肢及各大感官器官，所述调节方法包括恒定常数、递增曲线、递减曲线、指数曲线、正弦曲线、周期方波和随机曲线至少一项，所述调节强度则由当前的所述睡眠记忆活跃水平实时指数和睡眠记忆活跃水平实时预测指数共同决定。
15.如权利要求1或2所述的方法，其特征在于：所述重复上述步骤，完成全部所述睡眠记忆活跃水平的循环动态调节，评估动态调节效果，提取时相记忆活跃相关系数和记忆水平动态调节效果系数，生成睡眠记忆活跃水平调节报告并建立个性化记忆调节长期数据库的具体步骤还包括：
完成全部所述睡眠记忆活跃水平的循环动态调节，得到全部调节过程的所述睡眠时相曲线、所述睡眠记忆活跃水平实时曲线和所述睡眠记忆活跃水平趋势曲线；
分析计算所述睡眠时相曲线和所述睡眠记忆活跃水平实时曲线的关系特征，提取所述时相记忆活跃相关系数；
分析计算所述睡眠记忆活跃水平实时曲线和所述睡眠记忆活跃水平趋势曲线的关系特征，提取所述记忆水平动态调节效果系数；
根据所述睡眠时相曲线、所述睡眠记忆活跃水平实时曲线、所述睡眠记忆活跃水平趋势曲线、所述时相记忆活跃相关系数和所述记忆水平动态调节效果系数，分析计算生成所述睡眠记忆活跃水平调节报告；
根据所述睡眠记忆活跃水平调节报告和用户当前状态信息，建立或更新所述个性化记忆调节长期数据库，为后续用户持续地睡眠记忆活跃水平动态调节提供数据分析继承模型。
16.如权利要求15所述的方法，其特征在于：所述时相记忆活跃相关系数的计算方法具体为：
1)获取所述睡眠时相曲线和所述睡眠记忆活跃水平实时曲线；
2)分析计算所述睡眠时相曲线和所述睡眠记忆活跃水平实时曲线的关系特征，得到时相记忆活跃水平关系特征指数集；
3)对所述时相记忆活跃水平关系特征指数集进行加权融合计算，得到所述时相记忆活跃相关系数。
17.如权利要求16所述的方法，其特征在于：所述记忆水平动态调节效果系数的计算方法具体为：
1)获取所述睡眠记忆活跃水平实时曲线和所述睡眠记忆活跃水平趋势曲线；
2)分析计算所述睡眠记忆活跃水平实时曲线和所述睡眠记忆活跃水平趋势曲线的关系特征，得到记忆水平动态调节效果特征指数集；
3)对所述记忆水平动态调节效果特征指数集进行加权融合计算，得到所述记忆水平动态调节效果系数。
18.如权利要求15所述的方法，其特征在于：所述关系特征包括关联特征和距离特征至少一项；其中，所述关联特征包括相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数和线性相关系数至少一项，所述距离特征包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、巴氏距离、汉明距离和夹角余弦至少一项。
19.如权利要求15所述的方法，其特征在于：所述睡眠记忆活跃水平调节报告包括所述睡眠时相曲线、所述睡眠记忆活跃水平实时曲线、所述睡眠记忆活跃水平趋势曲线、所述时相记忆活跃相关系数、所述记忆水平动态调节效果系数、全部的所述睡眠记忆活跃水平动态调节策略、记忆活跃水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠记忆活跃水平调节报告总结至少一项。
20.如权利要求19所述的方法，其特征在于：所述记忆活跃水平时相分布统计具体为不同睡眠时相的平均记忆活跃水平、最大记忆活跃水平和最小记忆活跃水平；所述高峰活跃时段小结具体为所述睡眠记忆活跃水平实时曲线中超过预设高峰阈值的片段所对应的高峰时段分布、所述高峰时段分布的时间数值总和及占比；所述低峰活跃时段小结具体为所述睡眠记忆活跃水平实时曲线中超过预设低峰阈值的片段所对应的低峰时段分布、所述低峰时段分布的时间数值总和及占比；所述异常活跃时段小结具体为所述睡眠记忆活跃水平实时曲线中脱离曲线基线趋势的异常片段所对应的异常时段分布、所述异常时段分布的时间数值总和及占比。
21.一种睡眠记忆活跃水平动态调节的系统，其特征在于，包括以下模块：
时相状态分析模块，用于对用户睡眠过程的脑中枢生理状态信号进行实时地采集记录和时帧处理，得到脑中枢生理频带实时数据，实时识别睡眠时相状态并生成睡眠时相曲线；
记忆特征提取模块，用于对所述脑中枢生理频带实时数据进行实时地时频特征交叉分析、跨频率耦合分析和动态功能连接分析，得到脑中枢记忆信息编码实时特征；
记忆水平量化模块，用于对所述脑中枢记忆信息编码实时特征进行实时地基线变化分析和时均峰偏分析，提取睡眠记忆活跃水平实时指数并生成睡眠记忆活跃水平实时曲线，实时预测计算生成睡眠记忆活跃水平趋势曲线；
动态策略调节模块，用于根据睡眠记忆水平优化知识库、所述睡眠时相曲线、所述睡眠记忆活跃水平实时曲线和所述睡眠记忆活跃水平趋势曲线，实时生成睡眠记忆活跃水平动态调节策略，并对用户睡眠过程的记忆活跃水平进行实时动态调节；
循环调节报告模块，用于完成全部所述睡眠记忆活跃水平的循环动态调节，评估动态调节效果，提取时相记忆活跃相关系数和记忆水平动态调节效果系数，生成睡眠记忆活跃水平调节报告并建立个性化记忆调节长期数据库；
数据运营中心模块，用于对所述系统中所有过程数据和/或结果数据的可视化展示、统一存储和数据运营管理；
所述对所述脑中枢生理频带实时数据进行实时地时频特征交叉分析、跨频率耦合分析和动态功能连接分析，得到脑中枢记忆信息编码实时特征的具体步骤还包括：
对所述脑中枢生理频带实时数据进行时域特征和频域特征进行统计学分析和交叉关联分析，得到交叉时频特征；
对所述脑中枢生理频带实时数据进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析，得到跨频率耦合特征；
对所述脑中枢生理频带实时数据进行动态功能连接分析，量化信号间振荡交互过程和作用，得到动态功能连接特征；
对所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征进行特征选择，得到所述脑中枢记忆信息编码实时特征；
所述睡眠记忆活跃水平实时指数和所述睡眠记忆活跃水平实时曲线的计算生成方法如下：
1) 采集分析并计算获取不同年龄层的、规模数量的健康用户群体的清醒期静息态、清醒期记忆任务态下的所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征，通过预设权重计算得到每一个特征的静息基线值和任务基线值，建立脑中枢记忆信息编码时帧特征基线指标集；
2) 获取当前用户的所述脑中枢记忆信息编码实时特征，计算与同年龄层健康人群的所述脑中枢记忆信息编码时帧特征基线指标集中的静息基线值和任务基线值的基线变化量值，即基线变化分析，得到脑中枢记忆信息编码实时特征变化量集；
3) 对所述脑中枢记忆信息编码实时特征变化量集中的全部指标进行时均峰偏分析，得到时均峰偏值，即所述睡眠记忆活跃水平实时指数；
4) 按照时序，获取每一个时帧的所述睡眠记忆活跃水平实时指数，生成或更新所述睡眠记忆活跃水平实时曲线；
所述基线变化分析的具体计算方式为：
对于实值变量
和其基线序列/>
来说，其基线变化量值为
其中，
分别为实值变量/>
的基线变化量值、第i个基线值以及对应的权重，N为正整数；
所述时均峰偏分析是一种以数值数组的均值、峰度、偏度、绝对值均值、绝对值峰度、绝对值偏度至少一项为观察基点基础，以数值数组的方差、变异系数、最大值、最小值、中位数、分位数、绝对值方差、绝对值变异系数、绝对值最大值、绝对值最小值、绝对值中位数、绝对值分位数至少一项为主要分析调和项，来观察分析数值数组的数据分布波动状态和总体趋势变化的数据分析方法。
22.如权利要求21所述的系统，其特征在于，所述时相状态分析模块还包括以下具体功能单元：
信号采集监测单元，用于对用户睡眠过程的中枢神经生理状态进行实时地采集记录，生成所述脑中枢生理状态信号；
数据时帧处理单元，用于对用户睡眠过程的所述脑中枢生理状态信号进行实时地时帧处理，得到所述脑中枢生理频带实时数据；
时相状态识别单元，用于根据所述脑中枢生理频带实时数据实时识别睡眠时相状态，得到所述睡眠时相曲线。
23.如权利要求21或22所述的系统，其特征在于，所述记忆特征提取模块还包括以下具体功能单元：
时频特征分析单元，用于对所述脑中枢生理频带实时数据进行时域特征和频域特征进行统计学分析和交叉关联分析，得到交叉时频特征；
跨频率耦合分析单元，用于对所述脑中枢生理频带实时数据进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析，得到跨频率耦合特征；
功能连接分析单元，用于对所述脑中枢生理频带实时数据进行动态功能连接分析，量化信号间振荡交互过程和作用，得到动态功能连接特征；
中枢特征整合单元，用于对所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征进行特征选择，得到所述脑中枢记忆信息编码实时特征。
24.如权利要求23所述的系统，其特征在于，所述记忆水平量化模块还包括以下具体功能单元：
活跃水平量化单元，用于根据所述脑中枢记忆信息编码实时特征进行实时地基线变化分析和时均峰偏分析，提取所述睡眠记忆活跃水平实时指数，生成或更新所述睡眠记忆活跃水平实时曲线；
趋势预测计算单元，用于根据所述睡眠记忆活跃水平实时曲线进行实时地趋势分析和预测计算，生成或更新所述睡眠记忆活跃水平趋势曲线。
25.如权利要求21或22所述的系统，其特征在于，所述动态策略调节模块还包括以下具体功能单元：
调节策略生成单元，用于根据睡眠记忆水平优化知识库、所述睡眠时相曲线、所述睡眠记忆活跃水平实时指数和所述睡眠记忆活跃水平趋势曲线，结合睡眠记忆活跃水平动态调节目的，生成所述睡眠记忆活跃水平动态调节策略；
调节策略执行单元，用于根据所述睡眠记忆活跃水平动态调节策略，对用户睡眠过程的记忆活跃水平进行实时动态调节。
26.如权利要求25所述的系统，其特征在于，所述循环调节报告模块还包括以下具体功能单元：
循环执行计算单元，用于完成全部所述睡眠记忆活跃水平的循环动态调节，得到全部调节过程的所述睡眠时相曲线、所述睡眠记忆活跃水平实时曲线和所述睡眠记忆活跃水平趋势曲线；
相关系数计算单元，用于分析计算所述睡眠时相曲线和所述睡眠记忆活跃水平实时曲线的关系特征，提取所述时相记忆活跃相关系数；
调节效果评价单元，用于分析计算所述睡眠记忆活跃水平实时曲线和所述睡眠记忆活跃水平趋势曲线的关系特征，提取所述记忆水平动态调节效果系数；
调节报告生成单元，用于根据所述睡眠时相曲线、所述睡眠记忆活跃水平实时曲线、所述睡眠记忆活跃水平趋势曲线、所述时相记忆活跃相关系数和所述记忆水平动态调节效果系数，分析计算生成所述睡眠记忆活跃水平调节报告；
动态调节继承单元，用于根据所述睡眠记忆活跃水平调节报告和用户当前状态信息，建立或更新所述个性化记忆调节长期数据库，为后续用户持续地睡眠记忆活跃水平动态调节提供数据分析继承模型。
27.如权利要求21所述的系统，其特征在于，所述数据运营中心模块还包括以下具体功能单元：
用户信息管理单元，用于用户基本信息的登记输入、编辑、查询、输出和删除；
数据可视化管理单元，用于对所述系统中所有数据的可视化展现管理；
数据运营管理单元，用于对所述系统中所有数据的存储、备份、迁移和导出。
28.一种睡眠记忆活跃水平动态调节的装置，其特征在于，包括以下模组：
时相状态分析模组，用于对用户睡眠过程的脑中枢生理状态信号进行实时地采集记录和时帧处理，得到脑中枢生理频带实时数据，实时识别睡眠时相状态并生成睡眠时相曲线；
记忆特征提取模组，用于对所述脑中枢生理频带实时数据进行实时地时频特征交叉分析、跨频率耦合分析和动态功能连接分析，得到脑中枢记忆信息编码实时特征；
记忆水平量化模组，用于对所述脑中枢记忆信息编码实时特征进行实时地基线变化分析和时均峰偏分析，提取睡眠记忆活跃水平实时指数并生成睡眠记忆活跃水平实时曲线，实时预测计算生成睡眠记忆活跃水平趋势曲线；
动态策略调节模组，用于根据睡眠记忆水平优化知识库、所述睡眠时相曲线、所述睡眠记忆活跃水平实时曲线和所述睡眠记忆活跃水平趋势曲线，实时生成睡眠记忆活跃水平动态调节策略，并对用户睡眠过程的记忆活跃水平进行实时动态调节；
循环调节报告模组，用于完成全部所述睡眠记忆活跃水平的循环动态调节，评估动态调节效果，提取时相记忆活跃相关系数和记忆水平动态调节效果系数，生成睡眠记忆活跃水平调节报告并建立个性化记忆调节长期数据库；
数据可视化管模组，用于对所述装置中所有数据的可视化展现管理；
数据运营管理模组，用于对所述装置中所有数据的存储、备份、迁移和导出；
所述对所述脑中枢生理频带实时数据进行实时地时频特征交叉分析、跨频率耦合分析和动态功能连接分析，得到脑中枢记忆信息编码实时特征的具体步骤还包括：
对所述脑中枢生理频带实时数据进行时域特征和频域特征进行统计学分析和交叉关联分析，得到交叉时频特征；
对所述脑中枢生理频带实时数据进行相-相耦合分析、相-幅耦合分析和幅-幅耦合分析，得到跨频率耦合特征；
对所述脑中枢生理频带实时数据进行动态功能连接分析，量化信号间振荡交互过程和作用，得到动态功能连接特征；
对所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征进行特征选择，得到所述脑中枢记忆信息编码实时特征；
所述睡眠记忆活跃水平实时指数和所述睡眠记忆活跃水平实时曲线的计算生成方法如下：
1) 采集分析并计算获取不同年龄层的、规模数量的健康用户群体的清醒期静息态、清醒期记忆任务态下的所述交叉时频特征、所述跨频率耦合特征和所述动态功能连接特征，通过预设权重计算得到每一个特征的静息基线值和任务基线值，建立脑中枢记忆信息编码时帧特征基线指标集；
2) 获取当前用户的所述脑中枢记忆信息编码实时特征，计算与同年龄层健康人群的所述脑中枢记忆信息编码时帧特征基线指标集中的静息基线值和任务基线值的基线变化量值，即基线变化分析，得到脑中枢记忆信息编码实时特征变化量集；
3) 对所述脑中枢记忆信息编码实时特征变化量集中的全部指标进行时均峰偏分析，得到时均峰偏值，即所述睡眠记忆活跃水平实时指数；
4) 按照时序，获取每一个时帧的所述睡眠记忆活跃水平实时指数，生成或更新所述睡眠记忆活跃水平实时曲线；
所述基线变化分析的具体计算方式为：
对于实值变量
和其基线序列/>
来说，其基线变化量值为
其中，
分别为实值变量/>
的基线变化量值、第i个基线值以及对应的权重，N为正整数；
所述时均峰偏分析是一种以数值数组的均值、峰度、偏度、绝对值均值、绝对值峰度、绝对值偏度至少一项为观察基点基础，以数值数组的方差、变异系数、最大值、最小值、中位数、分位数、绝对值方差、绝对值变异系数、绝对值最大值、绝对值最小值、绝对值中位数、绝对值分位数至少一项为主要分析调和项，来观察分析数值数组的数据分布波动状态和总体趋势变化的数据分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310321799.3A CN116058805B (zh) | 2023-03-29 | 2023-03-29 | 一种睡眠记忆活跃水平动态调节的方法、系统和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310321799.3A CN116058805B (zh) | 2023-03-29 | 2023-03-29 | 一种睡眠记忆活跃水平动态调节的方法、系统和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116058805A CN116058805A (zh) | 2023-05-05 |
| CN116058805B true CN116058805B (zh) | 2023-06-20 |
Family
ID=86175303
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310321799.3A Active CN116058805B (zh) | 2023-03-29 | 2023-03-29 | 一种睡眠记忆活跃水平动态调节的方法、系统和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116058805B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116392085B (zh) * | 2023-06-06 | 2023-09-12 | 安徽星辰智跃科技有限责任公司 | 基于趋势分析的睡眠趋稳性量化及调节方法、系统和装置 |
| CN116392088B (zh) * | 2023-06-08 | 2023-08-29 | 安徽星辰智跃科技有限责任公司 | 基于时频分析的睡眠趋稳性量化及调节方法、系统和装置 |
| CN116509337B (zh) * | 2023-06-27 | 2024-07-26 | 安徽星辰智跃科技有限责任公司 | 基于局部分解的睡眠周期性检测及调节方法、系统和装置 |
| CN116525063B (zh) * | 2023-06-28 | 2024-03-22 | 安徽星辰智跃科技有限责任公司 | 基于时频分析的睡眠周期性检测及调节方法、系统和装置 |
| CN116509338B (zh) * | 2023-06-29 | 2024-04-30 | 安徽星辰智跃科技有限责任公司 | 基于模态分析的睡眠周期性检测及调节方法、系统和装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140103560A (ko) * | 2013-02-18 | 2014-08-27 | 주식회사 올비트앤 | 수면 뇌파 학습 메모리 강화 분석 기능을 제공하는 헤어밴드 타입 뇌파 측정 장치와 단말기를 포함하는 시스템 |
| US10660569B2 (en) * | 2016-10-03 | 2020-05-26 | Teledyne Scientific & Imaging, Llc | Apparatus, system, and methods for targeted memory enhancement during sleep |
| CN110327040A (zh) * | 2019-04-24 | 2019-10-15 | 武汉理工大学 | 基于云平台的睡眠分期方法及系统 |
| CN111921062A (zh) * | 2020-09-02 | 2020-11-13 | 北京脑陆科技有限公司 | 一种基于便捷式eeg设备的声波干预记忆力增强系统 |
| CN111870813A (zh) * | 2020-09-02 | 2020-11-03 | 北京脑陆科技有限公司 | 一种基于便捷式eeg设备的脑电刺激记忆力增强系统 |
-
2023
- 2023-03-29 CN CN202310321799.3A patent/CN116058805B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN116058805A (zh) | 2023-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116058805B (zh) | 一种睡眠记忆活跃水平动态调节的方法、系统和装置 | |
| CN116058804B (zh) | 一种睡眠情绪活跃水平动态调节的方法、系统和装置 | |
| CN116509337B (zh) | 基于局部分解的睡眠周期性检测及调节方法、系统和装置 | |
| CN116013470B (zh) | 一种睡眠行为活跃水平动态调节的方法、系统和装置 | |
| CN115862877B (zh) | 睡眠可持续性检测量化及辅助干预的方法、系统和装置 | |
| CN116509338B (zh) | 基于模态分析的睡眠周期性检测及调节方法、系统和装置 | |
| CN115910351B (zh) | 一种睡眠周期性检测量化及辅助干预的方法、系统和装置 | |
| CN115804573A (zh) | 一种睡眠深度量化及干预的方法、系统和装置 | |
| CN116392085B (zh) | 基于趋势分析的睡眠趋稳性量化及调节方法、系统和装置 | |
| CN116035536B (zh) | 一种睡眠行为活跃水平检测量化的方法、系统和装置 | |
| CN116392083B (zh) | 基于局部变换的睡眠趋稳性量化及调节方法、系统和装置 | |
| CN115969330A (zh) | 一种睡眠情绪活跃水平检测量化的方法、系统和装置 | |
| CN116369866B (zh) | 基于小波变换的睡眠趋稳性量化及调节方法、系统和装置 | |
| CN116313029B (zh) | 一种数字针灸动态控制优化的方法、系统和装置 | |
| CN116092641B (zh) | 一种睡眠感官应激水平动态调节的方法、系统和装置 | |
| CN116504357B (zh) | 基于小波分析的睡眠周期性检测及调节方法、系统和装置 | |
| CN115966308B (zh) | 一种睡眠记忆活跃水平检测量化的方法、系统和装置 | |
| CN116509336B (zh) | 基于波形分析的睡眠周期性检测及调节方法、系统和装置 | |
| CN116525063B (zh) | 基于时频分析的睡眠周期性检测及调节方法、系统和装置 | |
| CN116392087B (zh) | 基于模态分解的睡眠趋稳性量化及调节方法、系统和装置 | |
| CN116392088B (zh) | 基于时频分析的睡眠趋稳性量化及调节方法、系统和装置 | |
| CN116705247B (zh) | 基于局部分解的睡眠可持续性检测调节方法、系统和装置 | |
| CN116150591B (zh) | 一种睡眠感官应激水平检测量化的方法、系统和装置 | |
| CN116682535B (zh) | 基于数值拟合的睡眠可持续性检测调节方法、系统和装置 | |
| CN116312928B (zh) | 一种眼疲劳恢复进程的辅助调节方法、系统和装置 |
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 |