CN116327123B - 一种基于智能手表的睡眠监测系统及方法 - Google Patents

Abstract

本发明公开了一种基于智能手表的睡眠监测系统及方法，属于智能手表数据分析技术领域。本系统包括智能数据中台、特征参数处理模块、数据更新替换模块、实时睡眠监测模块和综合预警模块；所述智能数据中台的输出端与所述特征参数处理模块的输入端相连接；所述特征参数处理模块的输出端与所述数据更新替换模块的输入端相连接；所述数据更新替换模块的输出端、所述实时睡眠监测模块的输出端与所述综合预警模块的输入端相连接；本发明能够提高智能手表的监测水平，将智能手表使用阶段分为初始阶段与长期阶段，解决因初始阶段情绪与佩戴习惯带来的生理或心理影响，大幅提高初始阶段的监测精度，降低误报警形式的出现，填补智能手表相关领域的空白。

Description

一种基于智能手表的睡眠监测系统及方法

技术领域

本发明涉及智能手表数据分析技术领域，具体为一种基于智能手表的睡眠监测系统及方法。

背景技术

智能手表一般利用内置传感器、系统算法、大数据分析来检测睡眠，一般方式为首先用传感器监测心率、手腕运动的频率和幅度，去确定人在熟睡、浅睡还是没睡；当手腕运动频率较快、幅度较大、心率较高时，说明人的睡眠比较浅；当手腕运动很小特别轻微，且心率也较低时则是熟睡。其次传感器会每隔两分钟测量心率、运动参数，如果前一次和当前测量的结果相似说明一直是相同的睡眠模式，然后累计之后就是熟睡、浅睡等不同的阶段的时间，从而输出各个阶段的睡眠时间，最后利用手表中的系统的算法，以及AI技术和大数据缝隙睡眠的质量，做出综合的判断。

也正因为智能手表独特的工作方式和要求，其也存在致命的缺陷，目前的智能手表若要实现睡眠监测，需要全时候地开启蓝牙或其他连接装置，并且需要一直佩戴在手腕，而且需要适当的收紧，以提高监测精度。而对于正常人的习性而言，在初始使用阶段，佩戴智能手表睡觉时，会由于心理因素(例如初始时会出现担忧、兴奋等情绪影响)以及手腕异物佩戴不适感(主要体现在睡眠阶段由于手腕异物不适，影响手腕运动的监测)，而导致智能手表输出的睡眠质量较差，从而大幅影响初始阶段的监测精度，而目前，尚没有相关技术对于产品使用的初始阶段进行研究，如何避免初始阶段的监测误差以及误预警形式的出现，还处于未知阶段。

发明内容

本发明的目的在于提供一种基于智能手表的睡眠监测系统及方法，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：一种基于智能手表的睡眠监测方法，该方法包括以下步骤：

S1、获取智能手表用户历史数据，设置使用时间周期，将处于使用时间周期的历史数据记为初始数据，不处于使用时间周期的历史数据记为长期数据；

S2、获取历史数据中的各项特征参数值以及预警数据，分析任一智能手表用户的初始数据与长期数据的变化趋势；

S3、构建判断值函数模型，基于任一智能手表用户的初始数据与长期数据的变化趋势，输出使用时间周期内判断值的影响值；

S4、将输出的使用时间周期内判断值的影响值更新至预警数据判断值中，生成新的预警数据判断值，作为智能手表用户使用时间周期内的预警数据判断值，在使用时间周期内，若智能手表用户的判断数据超出新的预警数据判断值，则做出预警提示。

根据上述技术方案，在步骤S1中，用户注册智能手表账户，并授权智能手表数据查询和预警推送，获取智能手表用户历史数据；

根据系统设置的使用时间周期，分别计算初始数据和长期数据中的判断值与预警值的差值，若判断值大于预警值，差值为正，反之为负；

对用户历史数据进行筛选，若存在使用时间周期内，为正的差值数据总量低于系统预设数量阈值A，删除该组数据，将剩余历史数据作为训练组。

根据上述技术方案，在步骤S2中，所述特征参数包括心率、血氧以及手腕运动幅度值；

所述判断值根据特征参数得出，构建判断值函数模型：

y＝a₁x₁+a₂x₂+a₃x₃+R

其中，y代表智能手表的睡眠监测判断值；a₁、a₂、a₃分别代表判断系数值；x₁、x₂、x₃分别代表心率、血氧以及手腕运动幅度值经归一化处理后的数据；R代表个人误差数据，一般由智能手表的使用规范决定，系统根据使用人群的年龄进行自动分配，例如设置相应的判断值，老年人与幼年儿童对于智能手表的使用能力一般低于成年人，因此在设置时，往往老年人与幼年儿童的使用误差会略微高于成年人；

在上述技术方案中，各智能手表均存在不同的判断值计算方式，本申请以回归方式进行拟合，综合主要特征因素心率、血氧以及手腕运动幅度值进行拟合值的计算，并将拟合值作为判断值，来设置数据预警形式；

获取训练组数据，对训练组数据中超出预警值的用户的初始数据与长期数据分别进行分析，对任一用户的初始数据中判断值与预警值的差值进行计算，并输出为集合B₁＝{m₁、m₂、……、m_k}；对同一用户的长期数据中与初始数据相邻的数据进行判断值与预警值的差值计算，并输出为集合B₂＝{n₁、n₂、……、n_k}；

分别取B₁与B₂集合内元素的平均值，若存在B₁内集合元素的平均值大于B₂内集合元素的平均值，记录该用户数据为数据样本；若存在B₁内集合元素的平均值小于或等于B₂内集合元素的平均值，记录该用户数据为异常预警数据；

在上述技术方案中，主要是对数据样本进一步的选取，若存在B₁内集合元素的平均值大于B₂内集合元素的平均值，则说明某一用户在使用智能手表的初期，判断值与预警值之间的差值较大；而在使用时间周期过了以后，相对的判断值与预警值之间的差值变小，则说明是由于初始佩戴以及初步使用带来的生理或者心理动作导致监测值偏差，因此记录为训练集；若存在B₁内集合元素的平均值小于或等于B₂内集合元素的平均值，则说明一用户在使用智能手表的初期，判断值与预警值之间的差值较大；而在使用时间周期过了以后，相对的判断值与预警值之间的差值依然较大，并大于使用时间周期内，则说明用户存在相应的睡眠问题，因此记录为异常预警数据，标记提醒。

获取所有的数据样本对应的B₁内集合元素的平均值与B₂内集合元素的平均值之间的差值，构建LSTM网络：

f_i＝(W_f×[h_i-1，v_i]+_f)

L_i＝(W_L×[h_i-1，v_i]+_L)

o_i＝(W_o×[h_i-1，v_i]+_o)

其中，f_i代表遗忘门的输出，决定了上一时刻单元状态C_i-1保留到当前时刻单元状态C_i的份额；L_i代表输入门的输出，决定当前时刻的输入v_i保留到单元状态C_i的份额；o_i代表输出门的输出，控制当前时刻单元状态C_i输出到LSTM的当前输出值K_j；

W_f是遗忘门的权重矩阵；b_f是遗忘门的偏置项；W_L代表输入门的权重矩阵；b_L代表输入门的偏置项；W_o代表输出门的权重矩阵；b_o代表输出门的偏置项；

[h_i-1，v_i]表示把h_i-1，v_i两个向量连接成一个更长的向量；σ代表sigmoid函数；

根据公式：

K_h＝_i×tanh(C_i)

其中，×代表点乘；

将数据样本输入到生成的LSTM网络中后，依次序持续输出K_j，直至数量到达U，U为系统设置常数，对U个K_j求取平均值K_avc作为使用时间周期内判断值的影响值。

根据上述技术方案，获取使用时间周期内判断值的影响值K_avc；

在使用时间周期内，实时采集用户的特征因素数据，利用判断值函数模型生成判断值，在判断值的基础上减掉影响值K_avc，若得出总和依然超出预警数据判断值，则做出预警提示。

一种基于智能手表的睡眠监测系统，该系统包括：智能数据中台、特征参数处理模块、数据更新替换模块、实时睡眠监测模块和综合预警模块；

所述智能数据中台用于连接用户端口，与用户建立数据授权关系，存储用户使用数据；所述特征参数处理模块用于调用智能手表用户历史数据，设置使用时间周期，对特征参数进一步处理分析，分析任一智能手表用户的初始数据与长期数据的变化趋势；所述数据更新替换模块用于构建判断值函数模型，基于任一智能手表用户的初始数据与长期数据的变化趋势，输出使用时间周期内判断值的影响值，更新预警数据判断值；所述实时睡眠监测模块用于获取用户的实时睡眠监测数据，传输至综合预警模块；所述综合预警模块用于设置分类预警，同时与用户端口建立数据交互，做出预警提示；

所述智能数据中台的输出端与所述特征参数处理模块的输入端相连接；所述特征参数处理模块的输出端与所述数据更新替换模块的输入端相连接；所述数据更新替换模块的输出端、所述实时睡眠监测模块的输出端与所述综合预警模块的输入端相连接。

根据上述技术方案，所述智能数据中台包括用户授权单元和数据存储单元；

所述用户授权单元用于连接用户端口，与用户建立数据授权关系，授权系统能够获取用户使用数据；所述数据存储单元用于对用户使用过程中产生的所有用户使用数据进行存储；

所述用户授权单元的输出端与所述数据存储单元的输入端相连接。

根据上述技术方案，所述特征参数处理模块包括数据分类处理单元和特征参数分析单元；

所述数据分类处理单元用于调用智能手表用户历史数据，设置使用时间周期，将处于使用时间周期的历史数据记为初始数据，不处于使用时间周期的历史数据记为长期数据；所述特征参数分析单元用于选取主要特征参数，所述主要特征参数包括：心率、血氧以及手腕运动幅度值；并对特征参数进一步处理分析，分析任一智能手表用户的初始数据与长期数据的变化趋势；

所述数据分类处理单元的输出端与所述特征参数分析单元的输入端相连接。

根据上述技术方案，所述数据更新替换模块包括模型构建单元和数据更新单元；

所述模型构建单元用于构建判断值函数模型，基于任一智能手表用户的初始数据与长期数据的变化趋势，提炼样本数据与异常预警数据，输出使用时间周期内判断值的影响值；所述数据更新单元根据使用时间周期内判断值的影响值，对使用时间周期内的预警数据判断值进行更新，并输出至综合预警模块；

所述模型构建单元的输出端与所述数据更新单元的输入端相连接。

根据上述技术方案，所述实时睡眠监测模块包括传感器监测单元和实时传输单元；

所述传感器监测单元用于通过智能手表上的各类传感器对用户睡眠的实时数据进行采集；所述实时传输单元用于将获取的用户实时睡眠监测数据，传输至综合预警模块；

所述传感器监测单元的输出端与所述实时传输单元的输入端相连接。

根据上述技术方案，所述综合预警模块包括标记预警单元和普通预警单元；

所述标记预警单元用于获取异常预警数据，对异常预警数据的用户进行标记预警；所述普通预警单元用于获取更新后的使用时间周期内预警数据判断值，在使用时间周期内的判断值超出预警数据判断值后，输出普通预警至用户端口；

所述标记预警单元和普通预警单元均连接至用户端口。

与现有技术相比，本发明所达到的有益效果是：本发明能够提高智能手表的监测水平，将智能手表使用阶段分为初始阶段与长期阶段，进一步提高智能手表在初始阶段测量的精准性，解决因初始阶段情绪与佩戴习惯带来的生理或心理影响，大幅提高初始阶段的监测精度，降低误报警形式的出现，缓解用户压力，填补智能手表相关领域的空白。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明一种基于智能手表的睡眠监测系统及方法的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，在本实施例一中：设置有一智能手表，对智能手表的睡眠监测进行判断，具体内容如下：

用户进入智能手表数据系统，授权数据使用，并选择是否为初次使用用户，智能手表系统获取所有智能手表用户历史数据，设置使用时间周期，将处于使用时间周期的历史数据记为初始数据，不处于使用时间周期的历史数据记为长期数据；

根据系统设置的使用时间周期，分别计算初始数据和长期数据中的判断值与预警值的差值，若判断值大于预警值，差值为正，反之为负；

对用户历史数据进行筛选，若存在使用时间周期内，为正的差值数据总量低于系统预设数量阈值A，删除该组数据，将剩余历史数据作为训练组。

获取历史数据中的各项特征参数值以及预警数据，所述特征参数包括心率、血氧以及手腕运动幅度值；

所述判断值根据特征参数得出，构建判断值函数模型：

y＝a₁x₁+a₂x₂+a₃x₃+R

其中，y代表智能手表的睡眠监测判断值；a₁、a₂、a₃分别代表判断系数值；x₁、x₂、x₃分别代表心率、血氧以及手腕运动幅度值经归一化处理后的数据；R代表个人误差数据；

获取训练组数据，对训练组数据中超出预警值的用户的初始数据与长期数据分别进行分析，对任一用户的初始数据中判断值与预警值的差值进行计算，并输出为集合B₁＝{m₁、m₂、……、m_k}；对同一用户的长期数据中与初始数据相邻的数据进行判断值与预警值的差值计算，并输出为集合B₂＝{n₁、n₂、……、n_k}；

分别取B₁与B₂集合内元素的平均值，若存在B₁内集合元素的平均值大于B₂内集合元素的平均值，记录该用户数据为数据样本；若存在B₁内集合元素的平均值小于或等于B₂内集合元素的平均值，记录该用户数据为异常预警数据；

获取所有的数据样本对应的B₁内集合元素的平均值与B₂内集合元素的平均值之间的差值，构建LSTM网络：

f_i＝(W_f×[h_i-1，v_i]+_f)

L_i＝(W_L×[h_i-1，v_i]+_L)

o_i＝(W_o×[h_i-1，v_i]+_o)

其中，f_i代表遗忘门的输出，决定了上一时刻单元状态C_i-1保留到当前时刻单元状态C_i的份额；L_i代表输入门的输出，决定当前时刻的输入v_i保留到单元状态C_i的份额；o_i代表输出门的输出，控制当前时刻单元状态C_i输出到LSTM的当前输出值K_j；

W_f是遗忘门的权重矩阵；b_f是遗忘门的偏置项；W_L代表输入门的权重矩阵；b_L代表输入门的偏置项；W_o代表输出门的权重矩阵；b_o代表输出门的偏置项；

[h_i-1，v_i]表示把h_i-1，v_i两个向量连接成一个更长的向量；σ代表sigmoid函数；

LSTM能够解决避免长期依赖性的问题，其包含大量重复神经网络模块的链式形式，可以利用数据样本中简要的线性判断值交互来贯穿整个链式结构，sigmoid层输出0到1之间的数字，点乘操作决定多少信息可以传送过去，当为0时，不传送；当为1时，全部传送。利用遗忘门和输入门，能够把初始状态C_i-1更新为C_i；最后，输出门用sigmoid层决定将要输出的cell内容，再用tanh层把cell状态值推到-1和1之间，并将其乘以sigmoid层的输出，以此做到只输出想要输出的部分，如下所示。

根据公式：

K_j＝_i×tanh(C_i)

其中，×代表点乘；

将数据样本输入到生成的LSTM网络中后，依次序持续输出K_j，直至数量到达U，U为系统设置常数，对U个K_j求取平均值K_avc作为使用时间周期内判断值的影响值。

获取使用时间周期内判断值的影响值K_avc；

在使用时间周期内，实时采集用户的特征因素数据，利用判断值函数模型生成判断值，在判断值的基础上减掉影响值K_avc，若得出总和依然超出预警数据判断值，则做出预警提示。

在本实施例二中，提供一种基于智能手表的睡眠监测系统，该系统包括：智能数据中台、特征参数处理模块、数据更新替换模块、实时睡眠监测模块和综合预警模块；

所述智能数据中台用于连接用户端口，与用户建立数据授权关系，存储用户使用数据；所述特征参数处理模块用于调用智能手表用户历史数据，设置使用时间周期，对特征参数进一步处理分析，分析任一智能手表用户的初始数据与长期数据的变化趋势；所述数据更新替换模块用于构建判断值函数模型，基于任一智能手表用户的初始数据与长期数据的变化趋势，输出使用时间周期内判断值的影响值，更新预警数据判断值；所述实时睡眠监测模块用于获取用户的实时睡眠监测数据，传输至综合预警模块；所述综合预警模块用于设置分类预警，同时与用户端口建立数据交互，做出预警提示；

所述智能数据中台的输出端与所述特征参数处理模块的输入端相连接；所述特征参数处理模块的输出端与所述数据更新替换模块的输入端相连接；所述数据更新替换模块的输出端、所述实时睡眠监测模块的输出端与所述综合预警模块的输入端相连接。

所述智能数据中台包括用户授权单元和数据存储单元；

所述用户授权单元用于连接用户端口，与用户建立数据授权关系，授权系统能够获取用户使用数据；所述数据存储单元用于对用户使用过程中产生的所有用户使用数据进行存储；

所述用户授权单元的输出端与所述数据存储单元的输入端相连接。

所述特征参数处理模块包括数据分类处理单元和特征参数分析单元；

所述数据分类处理单元用于调用智能手表用户历史数据，设置使用时间周期，将处于使用时间周期的历史数据记为初始数据，不处于使用时间周期的历史数据记为长期数据；所述特征参数分析单元用于选取主要特征参数，所述主要特征参数包括：心率、血氧以及手腕运动幅度值；并对特征参数进一步处理分析，分析任一智能手表用户的初始数据与长期数据的变化趋势；

所述数据分类处理单元的输出端与所述特征参数分析单元的输入端相连接。

所述数据更新替换模块包括模型构建单元和数据更新单元；

所述模型构建单元用于构建判断值函数模型，基于任一智能手表用户的初始数据与长期数据的变化趋势，提炼样本数据与异常预警数据，输出使用时间周期内判断值的影响值；所述数据更新单元根据使用时间周期内判断值的影响值，对使用时间周期内的预警数据判断值进行更新，并输出至综合预警模块；

所述模型构建单元的输出端与所述数据更新单元的输入端相连接。

所述实时睡眠监测模块包括传感器监测单元和实时传输单元；

所述传感器监测单元用于通过智能手表上的各类传感器对用户睡眠的实时数据进行采集；所述实时传输单元用于将获取的用户实时睡眠监测数据，传输至综合预警模块；

所述传感器监测单元的输出端与所述实时传输单元的输入端相连接。

所述综合预警模块包括标记预警单元和普通预警单元；

所述标记预警单元用于获取异常预警数据，对异常预警数据的用户进行标记预警；所述普通预警单元用于获取更新后的使用时间周期内预警数据判断值，在使用时间周期内的判断值超出预警数据判断值后，输出普通预警至用户端口；

所述标记预警单元和普通预警单元均连接至用户端口。

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、物品或者设备所固有的要素。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于智能手表的睡眠监测方法，其特征在于：该方法包括以下步骤：

S1、获取智能手表用户历史数据，设置使用时间周期，将处于使用时间周期的历史数据记为初始数据，不处于使用时间周期的历史数据记为长期数据；

S2、获取历史数据中的各项特征参数值以及预警数据，分析任一智能手表用户的初始数据与长期数据的变化趋势；

S3、构建判断值函数模型，基于任一智能手表用户的初始数据与长期数据的变化趋势，输出使用时间周期内判断值的影响值；

S4、将输出的使用时间周期内判断值的影响值更新至预警数据判断值中，生成新的预警数据判断值，作为智能手表用户使用时间周期内的预警数据判断值，在使用时间周期内，若智能手表用户的判断数据超出新的预警数据判断值，则做出预警提示；

在步骤S1中，用户注册智能手表账户，并授权智能手表数据查询和预警推送，获取智能手表用户历史数据；

根据系统设置的使用时间周期，分别计算初始数据和长期数据中的判断值与预警值的差值，若判断值大于预警值，差值为正，反之为负；

对用户历史数据进行筛选，若存在使用时间周期内，为正的差值数据总量低于系统预设数量阈值A，删除该组数据，将剩余历史数据作为训练组；

在步骤S2中，所述特征参数包括心率、血氧以及手腕运动幅度值；

所述判断值根据特征参数得出，构建判断值函数模型：

y＝a₁x₁+a₂x₂+a₃x₃+R

其中，y代表智能手表的睡眠监测判断值；a₁、a₂、a₃分别代表判断系数值；x₁、x₂、x₃分别代表心率、血氧以及手腕运动幅度值经归一化处理后的数据；R代表个人误差数据；

获取训练组数据，对训练组数据中超出预警值的用户的初始数据与长期数据分别进行分析，对任一用户的初始数据中判断值与预警值的差值进行计算，并输出为集合B₁={m₁、m₂、……、m_k}；对同一用户的长期数据中与初始数据相邻的数据进行判断值与预警值的差值计算，并输出为集合B₂={n₁、n₂、……、n_k}；

分别取B₁与B₂集合内元素的平均值，若存在B₁内集合元素的平均值大于B₂内集合元素的平均值，记录该用户数据为数据样本；若存在B₁内集合元素的平均值小于或等于B₂内集合元素的平均值，记录该用户数据为异常预警数据；

获取所有的数据样本对应的B₁内集合元素的平均值与B₂内集合元素的平均值之间的差值，构建LSTM网络：

f_i＝σ(W_f×[h_i-1，v_i]+b_f)

L_i＝σ(W_L×[h_i-1，v_i]+b_L)

o_i＝σ(W_o×[h_i-1，v_i]+b_o)

其中，f_i代表遗忘门的输出，决定了上一时刻单元状态C_i-1保留到当前时刻单元状态C_i的份额；L_i代表输入门的输出，决定当前时刻的输入v_i保留到单元状态C_i的份额；o_i代表输出门的输出，控制当前时刻单元状态C_i输出到LSTM的当前输出值K_j；

W_f是遗忘门的权重矩阵；b_f是遗忘门的偏置项；W_L代表输入门的权重矩阵；b_L代表输入门的偏置项；W_o代表输出门的权重矩阵；b_o代表输出门的偏置项；

[h_i-1，v_i]表示把h_i-1，v_i两个向量连接成一个更长的向量；σ代表sigmoid函数；

根据公式：

K_j＝o_i×tanh(C_i)

其中，×代表点乘；

将数据样本输入到生成的LSTM网络中后，依次序持续输出K_j，直至数量到达U，U为系统设置常数，对U个K_j求取平均值K_avc作为使用时间周期内判断值的影响值。

2.根据权利要求1所述的一种基于智能手表的睡眠监测方法，其特征在于：获取使用时间周期内判断值的影响值K_avc；

在使用时间周期内，实时采集用户的特征因素数据，利用判断值函数模型生成判断值，在判断值的基础上减掉影响值K_avc，若得出总和依然超出预警数据判断值，则做出预警提示。

3.应用如权利要求1所述的一种基于智能手表的睡眠监测方法的一种基于智能手表的睡眠监测系统，其特征在于：该系统包括：智能数据中台、特征参数处理模块、数据更新替换模块、实时睡眠监测模块和综合预警模块；

所述智能数据中台用于连接用户端口，与用户建立数据授权关系，存储用户使用数据；所述特征参数处理模块用于调用智能手表用户历史数据，设置使用时间周期，对特征参数进一步处理分析，分析任一智能手表用户的初始数据与长期数据的变化趋势；所述数据更新替换模块用于构建判断值函数模型，基于任一智能手表用户的初始数据与长期数据的变化趋势，输出使用时间周期内判断值的影响值，更新预警数据判断值；所述实时睡眠监测模块用于获取用户的实时睡眠监测数据，传输至综合预警模块；所述综合预警模块用于设置分类预警，同时与用户端口建立数据交互，做出预警提示；

所述智能数据中台的输出端与所述特征参数处理模块的输入端相连接；所述特征参数处理模块的输出端与所述数据更新替换模块的输入端相连接；所述数据更新替换模块的输出端、所述实时睡眠监测模块的输出端与所述综合预警模块的输入端相连接。

4.根据权利要求3所述的一种基于智能手表的睡眠监测系统，其特征在于：所述智能数据中台包括用户授权单元和数据存储单元；

所述用户授权单元用于连接用户端口，与用户建立数据授权关系，授权系统能够获取用户使用数据；所述数据存储单元用于对用户使用过程中产生的所有用户使用数据进行存储；

所述用户授权单元的输出端与所述数据存储单元的输入端相连接。

5.根据权利要求3所述的一种基于智能手表的睡眠监测系统，其特征在于：所述特征参数处理模块包括数据分类处理单元和特征参数分析单元；

所述数据分类处理单元用于调用智能手表用户历史数据，设置使用时间周期，将处于使用时间周期的历史数据记为初始数据，不处于使用时间周期的历史数据记为长期数据；所述特征参数分析单元用于选取主要特征参数，所述主要特征参数包括：心率、血氧以及手腕运动幅度值；并对特征参数进一步处理分析，分析任一智能手表用户的初始数据与长期数据的变化趋势；

所述数据分类处理单元的输出端与所述特征参数分析单元的输入端相连接。

6.根据权利要求3所述的一种基于智能手表的睡眠监测系统，其特征在于：所述数据更新替换模块包括模型构建单元和数据更新单元；

所述模型构建单元用于构建判断值函数模型，基于任一智能手表用户的初始数据与长期数据的变化趋势，提炼样本数据与异常预警数据，输出使用时间周期内判断值的影响值；所述数据更新单元根据使用时间周期内判断值的影响值，对使用时间周期内的预警数据判断值进行更新，并输出至综合预警模块；

所述模型构建单元的输出端与所述数据更新单元的输入端相连接。

7.根据权利要求3所述的一种基于智能手表的睡眠监测系统，其特征在于：所述实时睡眠监测模块包括传感器监测单元和实时传输单元；

所述传感器监测单元用于通过智能手表上的各类传感器对用户睡眠的实时数据进行采集；所述实时传输单元用于将获取的用户实时睡眠监测数据，传输至综合预警模块；

所述传感器监测单元的输出端与所述实时传输单元的输入端相连接。

8.根据权利要求3所述的一种基于智能手表的睡眠监测系统，其特征在于：所述综合预警模块包括标记预警单元和普通预警单元；

所述标记预警单元用于获取异常预警数据，对异常预警数据的用户进行标记预警；所述普通预警单元用于获取更新后的使用时间周期内预警数据判断值，在使用时间周期内的判断值超出预警数据判断值后，输出普通预警至用户端口；

所述标记预警单元和普通预警单元均连接至用户端口。