CN116942095A - 嗜睡检测方法、装置、电子设备及计算机可读存储介质 - Google Patents
嗜睡检测方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116942095A CN116942095A CN202310905866.6A CN202310905866A CN116942095A CN 116942095 A CN116942095 A CN 116942095A CN 202310905866 A CN202310905866 A CN 202310905866A CN 116942095 A CN116942095 A CN 116942095A
- Authority
- CN
- China
- Prior art keywords
- parasympathetic
- user
- parameter
- somnolence
- current
- 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
- 206010041349 Somnolence Diseases 0.000 title claims abstract description 212
- 208000032140 Sleepiness Diseases 0.000 title claims abstract description 209
- 238000001514 detection method Methods 0.000 title claims abstract description 90
- 230000037321 sleepiness Effects 0.000 title claims abstract description 58
- 230000037081 physical activity Effects 0.000 claims abstract description 136
- 210000005037 parasympathetic nerve Anatomy 0.000 claims abstract description 61
- 230000004913 activation Effects 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000001734 parasympathetic effect Effects 0.000 claims description 157
- 238000012549 training Methods 0.000 claims description 85
- 230000007958 sleep Effects 0.000 claims description 40
- 230000008701 parasympathetic activation Effects 0.000 claims description 38
- 206010062519 Poor quality sleep Diseases 0.000 claims description 35
- 230000001133 acceleration Effects 0.000 claims description 23
- 238000001228 spectrum Methods 0.000 claims description 20
- 230000037007 arousal Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 description 11
- 230000002776 aggregation Effects 0.000 description 7
- 238000004220 aggregation Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 208000019914 Mental Fatigue Diseases 0.000 description 1
- 208000010340 Sleep Deprivation Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Anesthesiology (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Physiology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请提供一种嗜睡检测方法、装置、电子设备及计算机可读存储介质,该方法包括:获取用户生理数据;所述用户生理数据包括人体副交感神经激活参数及身体活动状态参数;基于所述人体副交感神经激活参数及身体活动状态参数判断所述用户是否处于觉醒状态;在所述用户处于觉醒状态的情况下,基于所述人体副交感神经激活参数,判断所述用户是否处于嗜睡状态。通过人体副交感神经激活参数及身体活动状态参数判断用户是否处于嗜睡状态,能够提高嗜睡检测的准确度。
Description
技术领域
本申请涉及计算机领域,尤其涉及一种嗜睡检测方法、装置、电子设备及计算机可读存储介质。
背景技术
嗜睡发生在夜晚睡眠不佳、长时间睡眠剥夺、长时间体力或脑力劳动之后。若嗜睡的时间不恰当,比如在驾驶、机器操作等过程中的嗜睡,将产生严重安全隐患。此外,嗜睡是精神疲劳的一种反映,分析嗜睡的频率和时间分布有助于睡眠管理和评估精神亚健康状态,而上述分析都以嗜睡的准确检测为前提。
现有技术通过眨眼频率、眼电信号、心电信号、脑电信号等检测嗜睡状态,在上述生理信号中,最容易在日常生活任意场景中通过可穿戴设备获取得到心电信号。现有基于心电信号的嗜睡检测还处于实验阶段,实际应用中的嗜睡检测准确率较低。
发明内容
为了提高嗜睡检测的准确度,本申请提供一种嗜睡检测方法,装置、电子设备及计算机可读存储介质。
第一方面,本申请提供一种嗜睡检测方法,包括:获取用户当前生理数据;所述用户当前生理数据包括当前人体副交感神经激活参数及当前身体活动状态参数;基于所述当前人体副交感神经激活参数及所述当前身体活动状态参数判断所述用户当前是否处于觉醒状态;在所述用户处于觉醒状态的情况下,基于所述当前人体副交感神经激活参数,判断所述用户是否处于嗜睡状态。
由于人体副交感神经激活参数在人体睡眠时非常活跃,而在人体清醒时表现较为平缓,因此通过人体副交感神经激活参数并辅以身体活动状态参数能够较为准确地判断用户的觉醒或睡眠状态,基于同样的原因,在用户处于觉醒状态下,通过副交感神经激活参数能够较为准确的判断用户是否处于嗜睡状态。
可选地,所述基于所述当前人体副交感神经激活参数及所述当前身体活动状态参数判断所述用户当前是否处于觉醒状态,包括:基于所述当前人体副交感神经激活参数及所述当前身体活动状态参数及所述用户的历史生理数据判断所述用户当前是否处于觉醒状态,所述历史生理数据包括历史时间范围内人体副交感神经激活参数及身体活动状态参数的多个样本,每个样本的观察时窗的长度一致。
由于每个用户个体的生理数据具有个体差异,不同用户在嗜睡时的参数表现可能具有一定偏差,因此,通过单个用户自身的历史生理数据判断用户当前是否处于嗜睡状态,能够更加准确的判断用户是否处于嗜睡状态。
可选地,所述人体副交感神经激活参数,包括第一副交感参数分量与第二副交感参数分量;所述第一副交感参数分量是指观察时窗内的心跳间隔时间序列的功率谱密度中0.2Hz-0.25Hz频率范围内的分量中,大于中值的所有分量的均值,所述第二副交感参数分量是指所述观察时窗内所述心跳间隔时间序列的功率谱密度中0.25Hz-0.35Hz频率范围内分量中,大于中值的所有分量的均值;所述身体活动状态参数包括第一身体活动状态参数及第二身体活动状态参数;所述第一身体活动状态参数是指所述观察时窗内人体三维加速度去趋势高频涨落时间序列的绝对值的均值;所述第二身体活动状态参数是指所述观察时窗内所述人体三维加速度去趋势高频涨落时间序列的绝对值的标准差;所述基于所述当前人体副交感神经激活参数及所述当前身体活动状态参数及所述用户的历史生理数据判断所述用户当前是否处于觉醒状态,包括:对当前观察时窗内的第一副交感参数分量、所述第二副交感参数分量、所述第一身体活动状态参数及所述第二身体活动状态参数及所述用户的多个历史观察时窗内第一副交感参数分量、第二副交感参数分量、第一身体活动状态参数及第二身体活动状态参数进行聚类,得到用户当前生理数据的聚类标签;在确定用户当前生理数据的聚类标签后,根据第一副交感参数分量及第二副交感参数分量在人体睡眠和觉醒状态下的取值规律,将所述聚类标签标记为睡眠状态或觉醒状态。
由于第一副交感参数分量与第二副交感参数分量的取值受嗜睡程度影响,且相比于觉醒时,人体在睡眠时的第一副交感参数分量与第二副交感参数分量取值较大,第一身体活动状态参数与第二身体活动状态参数在睡眠时取值较小,因此,通过对第一副交感参数分量、第二副交感参数分量、第一身体活动状态参数与第二身体活动状态参数进行聚类,能够较为准确的划分不同类别,再通过第一副交感参数分量及第二副交感参数分量在人体睡眠和觉醒状态下的取值规律的辅助判断,将聚类结果划分为睡眠状态或觉醒状态,能够较为准确地识别睡眠状态与觉醒状态。
可选地,所述在所述用户处于觉醒状态的情况下,基于所述当前人体副交感神经激活参数,判断所述用户是否处于嗜睡状态,包括:根据所述觉醒状态下所述用户的多个历史观察时窗内的第一副交感参数分量确定第一嗜睡边界值,基于所述用户的多个历史观察时窗内的第二副交感参数分量确定第二嗜睡边界值,当所述用户当前观察时窗内的第一副交感参数分量大于或等于所述第一嗜睡边界值或第二副交感参数分量大于或等于所述第二嗜睡边界值时,判定所述用户处于嗜睡状态;当所述用户当前观察时窗内的第一副交感参数分量小于所述第一嗜睡边界值以及第二副交感参数分量小于所述第二嗜睡边界值时,判定所述用户处于清醒状态。
通过用户自身多个历史观察时窗内的第一副交感参数分量及第二副交感参数分量确定嗜睡边界值,能够避免不同用户在觉醒状态下的参数取值的偏差,能够更加准确的确定嗜睡边界值,从而更加准确的判断用户是否处于嗜睡状态。
可选地,判断所述用户当前是否处于觉醒状态,包括:基于所述用户当前观察时窗内所述人体副交感神经激活参数、身体活动状态参数、已训练的觉醒检测模型判断所述用户当前是否处于觉醒状态。
由于已训练的觉醒检测模型是根据多个已知用户的样本数据训练得到的,因此,能够快速准确的对输入数据进行分类,在无法获取当前用户历史生理数据的情况下,通过已训练的模型及当前用户当前观察时窗内的人体副交感神经激活参数、身体活动状态参数,能够较为快速准确地判断出当前用户当前观察时窗是否处于觉醒状态。
可选地,所述觉醒检测模型的训练样本通过如下步骤获取:获取多个已知用户至少各一天时间内的多个观察时窗的原始训练样本;所述原始训练样本包括人体副交感神经激活参数、身体活动状态参数及已知用户主观分类标签;所述人体副交感神经激活参数包括第一副交感参数分量与第二副交感参数分量;所述第一副交感参数分量是指观察时窗内的心跳间隔时间序列的功率谱密度中0.2Hz-0.25Hz频率范围内的分量中,大于中值的所有分量的均值,所述第二副交感参数分量是指所述观察时窗内所述心跳间隔时间序列的功率谱密度中0.25Hz-0.35Hz频率范围内分量中,大于中值的所有分量的均值;所述身体活动状态参数包括第一身体活动状态参数及第二身体活动状态参数;所述第一身体活动状态参数是指所述观察时窗内人体三维加速度去趋势高频涨落时间序列的绝对值的均值;所述第二身体活动状态参数是指所述观察时窗内所述人体三维加速度去趋势高频涨落时间序列的绝对值的标准差;所述已知用户主观分类标签是指已知用户对自己的当天每个观察时窗内的觉醒和睡眠状态的主观判断标签;对所述原始训练样本聚类,筛选出聚类标签与所述已知用户主观分类标签一致的原始训练样本,作为所述觉醒检测模型的训练样本。
由于第一副交感参数分量与第二副交感参数分量的取值受嗜睡程度影响,且相比于觉醒时,人体在睡眠时的第一副交感参数分量与第二副交感参数分量取值较大,第一身体活动状态参数与第二身体活动状态参数在睡眠时取值较小,通过第一副交感参数分量、第二副交感参数分量、第一身体活动状态参数与第二身体活动状态参数进行聚类,聚类结果具有较好区分度,并且通过将聚类标签与用户分类标签一致的原始训练样本筛选作为觉醒检测模型的训练样本,能够进一步剔除错误的原始训练样本,使得训练的觉醒检测模型的检测结果更加准确。
可选地,所述基于所述当前人体副交感神经激活参数,判断所述用户是否处于嗜睡状态,包括:基于所述用户当前观察时窗内人体副交感神经激活参数及已训练的嗜睡检测模型,判断所述用户当前是否处于嗜睡状态。
由于已训练的嗜睡检测模型是根据多个已知用户至少各一天时间内的多个观察时窗的样本数据训练得到的,因此,能够快速准确的对输入数据进行分类,在无法获取当前用户历史生理数据的情况下,通过已训练的嗜睡检测模型及当前用户当前观察时窗内的人体副交感神经激活参数,能够较为快速准确地判断出当前用户在当前观察时窗内是否处于嗜睡状态。
可选地,所述人体副交感神经激活参数包括第一副交感参数分量与第二副交感参数分量;所述第一副交感参数分量是指观察时窗内的心跳间隔时间序列的功率谱密度中0.2Hz-0.25Hz频率范围内的分量中,大于中值的所有分量的均值,所述第二副交感参数分量是指所述观察时窗内所述心跳间隔时间序列的功率谱密度中0.25Hz-0.35Hz频率范围内分量中,大于中值的所有分量的均值;所述嗜睡检测模型的训练样本的类标签通过如下步骤标记:获取多个已知用户至少各一天时间内的多个观察时窗的原始训练样本;所述原始训练样本的类标签为觉醒状态;对每个已知用户,根据所述觉醒状态下的原始训练样本的第一副交感参数分量确定第一嗜睡边界值、根据原始训练样本的第二副交感参数分量确定第二嗜睡边界值;根据每个已知用户的第一嗜睡边界值及第二嗜睡边界值,将每个已知用户的第一副交感参数分量大于或等于对应第一嗜睡边界值或第二副交感参数分量大于或等于对应第二嗜睡边界值的训练样本的类标签确定为嗜睡状态;将每个已知用户的第一副交感参数和第二副交感参数均小于对应第一嗜睡边界值和对应第二嗜睡边界值的训练样本的类标签确定为清醒状态。
由于本申请实施例中,采用类标签对嗜睡检测模型进行训练,因此,训练样本类标签的准确性对于分类模型训练结果的准确度有直接影响,因此,通过根据每个已知用户的第一副交感参数分量、第二副交感参数分量与嗜睡边界值的比较,确定训练样本的嗜睡或清醒类标签,能够使得嗜睡模型的训练结果更加准确。
可选地,在所述清醒状态下,根据所述用户当前观察时窗内的第一副交感参数分量、第一嗜睡边界值、第二副交感参数分量及第二嗜睡边界值,确定清醒指数,所述清醒指数用于表征所述用户当前的相对清醒程度。
通过将清醒程度定量指数化描述,能够更加准确地确定用户当前的清醒程度。
第二方面,本申请提供一种嗜睡检测装置,包括:
获取模块,用于获取用户当前生理数据;所述用户当前生理数据包括当前人体副交感神经激活参数及当前身体活动状态参数;判断模块,用于基于所述当前人体副交感神经激活参数及所述当前身体活动状态参数判断所述用户当前是否处于觉醒状态;检测模块,用于在所述用户处于觉醒状态的情况下,基于所述当前人体副交感神经激活参数,判断所述用户是否处于嗜睡状态。
第三方面,本申请提供一种电子设备,包括:处理器及存储器;所述处理器用于执行所述存储器中存储的程序,以实现如第一方面中任一项所述的方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如第一方面中任一项所述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例一提供的嗜睡检测方法的流程示意图;
图2为本申请实施例一提供的另一嗜睡检测方法的流程示意图;
图3为本申请实施例一提供的又一嗜睡检测方法的流程示意图;
图4为本申请实施例一提供的再一嗜睡检测方法的流程示意图;
图5为本申请实施例一提供的再一嗜睡检测方法的流程示意图;
图6为本申请实施例二提供的嗜睡检测装置的结构示意图;
图7为本申请实施例二提供的电子设备的结构示意图;
图8为本申请实施例一提供的嗜睡检测方法效果示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
为了更好的了解本申请提供的嗜睡检测方法,下面对现有技术进行介绍。目前的基于心电信号的嗜睡检测方法,由于数据采集仅限于实验场景,而非日常生活的真实场景,检测方法无法适应各种真实场景,因此,检测准确率较低。基于此,本申请提供一种嗜睡检测方法,通过身体活动状态参数及副交感神经激活状态参数判断人体处于睡眠或觉醒状态,当人体处于觉醒状态的情况下,基于副交感神经激活状态的取值,判断人体是否处于嗜睡状态。由于本申请采用的副交感神经激活参数的取值受人体嗜睡程度的影响,因此,通过该参数的取值检测人体嗜睡状态,可以提高嗜睡状态检测的准确度。
为了更好的了解本申请提供的嗜睡检测方法,下面对应用场景做一简要介绍。
本申请提供的嗜睡检测方法,可以应用于各种日常生活场景中。示例性地,在司机驾驶过程中进行嗜睡检测,判断司机的精神状态,以保证安全行车。这种场景下,就可以通过获取司机的副交感神经激活参数及身体活动状态参数,并通过上述参数判断司机的觉醒或睡眠状态,在司机处于觉醒状态下,再通过副交感神经激活参数判断司机是否处于嗜睡状态。
示例性地,医生对嗜睡病人做检查,以诊断病情。这种场景下,就可以通过获取病人的副交感神经激活参数及身体活动状态参数,并通过上述参数判断病人的觉醒或睡眠状态,在病人处于觉醒状态下,再通过副交感神经激活参数判断病人是否处于嗜睡状态。
下面通过具体实施例来进一步阐述本申请提供的嗜睡检测方法。
实施例一
为了提高嗜睡检测的准确度,本申请提供一种嗜睡检测方法,如图1所示,该方法包括:
S101:获取用户当前生理数据;用户当前生理数据包括当前人体副交感神经激活参数及当前身体活动状态参数。
其中,人体副交感神经激活参数表征副交感神经激活程度,人体副交感神经激活参数可以从心电信息或脉搏信息中提取。身体活动状态参数表征身体是静止状态还是活动状态,身体活动状态参数可以从人体三维加速度信息中提取。人体副交感神经激活参数可以具体获取心跳间隔序列功率谱密度的0.15Hz-0.4Hz频率范围内的总功率。也可以是脉搏间期序列功率谱密度的0.2Hz-0.25Hz、0.25Hz-0.35Hz频率范围内的分量指标。身体活动状态参数也可以通过压力传感器捕捉的压力传感矩阵的数值是否变化或视频流中检测的目标位置是否变化来表达。
示例性地,在床垫或坐垫内置点阵压力传感器,通过点阵压力传感器数据变化获取身体活动模式。以[a1 a2 a3;b1 b2 b3;c1 c2 c3]所示3行3列坐垫压力传感矩阵为例,每个压力传感器的信号数字化为0或1两种状态,0代表压力低于传感器感受阈值;1代表压力高于传感器感受阈值。当一个用户坐下时,传感矩阵值为[0 1 1;1 1 1;0 0 0],当用户坐姿变化时,传感矩阵值变为[0 1 0;1 1 1;0 1 0]。类似上述实例,可通过检测床垫传感矩阵值的变化获得用户身体活动状态信息。视频运动轨迹分析是检测视频图像中的目标对象,在视频流中,目标对象的空间位置发生变化,则判断目标对象的身体出现了活动,即随着观察时间推移,用户的空间坐标变化是身体活动状态参数。
在一种可行的实施方式中,采集用户的心跳间隔时间序列,计算观察时窗内的功率谱密度,提取特定频段的分量作为副交感神经激活参数。采集用户的人体三维加速度去趋势高频涨落时间序列,计算观察时窗内采样数据绝对值的均值及标准差,将该均值和标准差作为身体活动状态参数。其中,观察时窗是指参数取值的时间范围,观察时窗长度不做具体限定。
示例性地,采集连续几天的用户心跳间隔数据及人体三维加速度数据,将每5分钟作为一个观察时窗长度,将采集的心跳间隔数据按照观察时窗不重叠地分割为不同的采样区间,通过快速傅里叶变换将采样区间内的心跳间隔的时域数据转换为频域数据,再与其共轭复数相乘,并除以频域采样点数目,得到功率谱密度,提取0.2Hz-0.25Hz、0.25Hz-0.35Hz频率范围内大于中值的分量的均值作为副交感神经激活参数。将每5分钟作为一个观察时窗长度,将采集的人体三维加速度数据按照观察时窗不重叠地分割为不同的采用区间,对每个采样区间使用高通滤波去除其趋势,仅保留高频涨落,对采样区间内时间序列上的每个采样点,对采样点三维加速度的每个维度分别取绝对值,然后求出每个采样点三个维度数值的平均值,然后对采样区间内时间序列上的每个采样点的平均值求序列均值与序列标准差,将序列均值及序列标准差作为身体活动状态参数。
S102:基于当前人体副交感神经激活参数及当前身体活动状态参数判断用户当前是否处于觉醒状态。
具体地,由于人体在睡眠时人体副交感神经处于激活状态,而身体一般处于静止状态,因此,基于人体副交感神经激活参数及身体活动状态参数能够判断出用户是否处于觉醒状态。具体方法不做限定,示例性地,可以判断人体副交感神经激活参数的取值是否小于一个第一预设门限值,且身体活动状态参数是否大于一个第二预设门限值,得到用户当前是否处于觉醒状态。也可以获取用户的历史生理数据,基于用户当前的副交感神经激活参数、身体活动状态参数与用户的历史生理数据,得到用户当前是否处于觉醒状态。也可以通过已有的分类模型来判断用户当前是否处于觉醒状态。
如图2所示,在一种可行的实施方式中,步骤S102基于当前人体副交感神经激活参数及当前身体活动状态参数判断用户当前是否处于觉醒状态,包括:
步骤S102A:基于当前人体副交感神经激活参数及当前身体活动状态参数及用户的历史生理数据判断用户当前是否处于觉醒状态,历史生理数据包括历史时间范围内人体副交感神经激活参数及身体活动状态参数的多个样本,每个样本的观察时窗的长度一致。
其中,人体副交感神经激活参数不做具体限定。身体活动状态参数也不做具体限定。由于人体副交感神经激活参数在人体处于睡眠状态时非常活跃,而身体活动在睡眠状态时一般处于相对静止状态,因此,可以根据人体当前观察时窗内副交感神经激活参数及身体活动状态参数及用户的多个历史观察时窗内的人体副交感神经激活参数及身体活动状态参数的类内一致性及类间差异的量化计算结果,将用户的当前及历史的生理数据划分为睡眠状态及觉醒状态,那么用户当前的生理数据处于哪个类别,则用户当前就处于所属类别对应的状态。
其中,类间差异是指不同状态下副交感神经激活参数及身体活动状态参数的取值具有差异性,表现在他们在取值空间中的分布距离较远,而类内一致性是指同为觉醒状态或同为睡眠状态下的副交感神经激活参数及身体活动状态参数的取值具有一致性,表现在他们在取值空间的分布距离较为靠近。
如图3所示,在一种可行的实施方式中,人体副交感神经激活参数,包括第一副交感参数分量与第二副交感参数分量。第一副交感参数分量是指观察时窗内的心跳间隔时间序列的功率谱密度中0.2Hz-0.25Hz频率范围内的分量指标中,大于中值的所有分量的均值,第二副交感参数分量是指观察时窗内心跳间隔时间序列的功率谱密度中0.25Hz-0.35Hz频率范围内分量指标中,大于中值的所有分量的均值。身体活动状态参数包括第一身体活动状态参数及第二身体活动状态参数。第一身体活动状态参数是指观察时窗内人体三维加速度去趋势高频涨落时间序列的绝对值的均值。第二身体活动状态参数是指观察时窗内人体三维加速度去趋势高频涨落时间序列的绝对值的标准差。基于当前人体副交感神经激活参数及当前身体活动状态参数及用户的历史生理数据判断用户当前是否处于觉醒状态,包括:
S102A1:对当前观察时窗内的第一副交感参数分量、所述第二副交感参数分量、所述第一身体活动状态参数及所述第二身体活动状态参数及所述用户的多个历史观察时窗内第一副交感参数分量、第二副交感参数分量、第一身体活动状态参数及第二身体活动状态参数进行聚类,得到用户当前生理数据的聚类标签。
其中,聚类方法不做具体限定,根据生理数据在取值空间内的分布特点,可以采用不同的聚类算法进行聚类。例如,生理数据的聚集呈现球形聚集,则可以采用K-means聚类算法,若生理数据的聚集不是球形聚集,而是长条形聚集,则可以采用密度聚类算法。
可选地,本申请实施例中,由于副交感神经激活参数及身体活动状态参数的聚集特点为球形聚集,因此,采用K-means聚类算法对用户当前及历史的生理数据进行聚类。
S102A2:在确定用户当前生理数据的聚类标签后,根据第一副交感参数分量及第二副交感参数分量在人体睡眠和觉醒状态下的取值规律,将所述聚类标签标记为睡眠状态或觉醒状态。
其中,该取值规律为睡眠期间身体相对静止,则第一身体活动状态参数及第二身体活动状态参数取值较小,睡眠期间副交感神经激活度高,则第一副交感参数分量及第二副交感参数分量的取值较大,因此,聚类后的区分度较大,可以根据聚类后两个类别中心点参数的取值大小关系判断出每个类别各自属于哪种状态。若某个类别中心点的第一副交感参数分量及第二副交感参数分量比另一类别中心点的第一副交感参数分量及第二副交感参数分量取值更小,则参数取值较小的类别为觉醒状态。
在另一种可行的实施方式中,步骤S102基于当前人体副交感神经激活参数及当前身体活动状态参数判断用户当前是否处于觉醒状态,包括:
S102B:基于用户当前观察时窗内人体副交感神经激活参数、身体活动状态参数、已训练的觉醒检测模型判断用户当前是否处于觉醒状态。
具体地,当本实施例的方法应用于检测一个新用户当前是否嗜睡且无法获取该新用户的历史数据时,只能根据多个已知用户历史数据训练觉醒检测模型,根据该已训练的觉醒检测模型判断该新用户是否处于觉醒状态。
其中,觉醒检测模型是一种分类模型,具体分类器类型不做限定。示例性地,可以用支持向量机模型,也可以用KNN模型。
本申请实施例采用支持向量机模型进行分类,觉醒检测模型通过输入的训练样本进行分类训练,直到找到合适的分类超平面及支持向量。
如图4所示,在一种可行的实施方式中,步骤S102B中觉醒检测模型的训练样本通过如下步骤获取:
S102B1:获取多个已知用户至少各一天时间内的多个观察时窗的原始训练样本;所述原始训练样本包括人体副交感神经激活参数、身体活动状态参数及已知用户主观分类标签;所述人体副交感神经激活参数包括第一副交感参数分量与第二副交感参数分量。所述第一副交感参数分量是指观察时窗内的心跳间隔时间序列的功率谱密度中0.2Hz-0.25Hz频率范围内的分量指标中,大于中值的所有分量的均值,所述第二副交感参数分量是指所述观察时窗内所述心跳间隔时间序列的功率谱密度中0.25Hz-0.35Hz频率范围内分量指标中,大于中值的所有分量的均值。所述身体活动状态参数包括第一身体活动状态参数及第二身体活动状态参数。所述第一身体活动状态参数是指所述观察时窗内人体三维加速度去趋势高频涨落时间序列的绝对值的均值;所述第二身体活动状态参数是指所述观察时窗内所述人体三维加速度去趋势高频涨落时间序列的绝对值的标准差。所述已知用户主观分类标签是指已知用户对自己的当天每个观察时窗内的觉醒和睡眠状态的主观判断标签。
具体地,原始训练样本的第一副交感参数分量、第二副交感参数分量从心跳间隔数据中获取,原始训练样本的第一身体活动状态参数、第二身体活动状态参数从人体三维加速度数据中获取,具体获取方法如前,在此不做一一赘述。原始训练样本的已知用户主观分类标签根据用户自评数据得到。示例性地,在采集用户生理数据的同时,让用户对目前的状态进行自评价,当用户自评为觉醒时,已知用户主观分类标签为觉醒状态。当用户自评为上床睡觉时,已知用户主观分类标签为睡眠状态。
S102B2:对原始训练样本聚类,筛选出聚类标签与已知用户主观分类标签一致的原始训练样本,作为觉醒检测模型的训练样本。
具体地,由于用户自评为上床睡觉时,用户还处于清醒或半清醒状态,距离真正的睡眠状态还有一定的时间间隔,如果直接采用原始训练样本的已知用户主观分类标签来进行分类训练,会导致觉醒检测模型分类不准确的问题。因此,在分类训练之前,还需要将原始训练样本进行聚类,然后根据副交感神经激活参数在睡眠状态下较为活跃这一生理规律,将第一副交感参数分量与第二副交感参数分量较大的类别判定为睡眠状态,另一类别判定为觉醒状态。然后,筛选出已知用户主观分类标签与聚类类别一致的原始训练样本,作为觉醒检测模型的训练样本,将已知用户主观分类标签与聚类类别不一致的原始训练样本剔除。
在基于S102判断得到用户处于觉醒状态或睡眠状态,接下来为了判断用户在觉醒状态下是否处于嗜睡状态,进一步执行S103。
S103:在用户处于觉醒状态的情况下,基于当前人体副交感神经激活参数,判断用户是否处于嗜睡状态。
在一种可行的实施方式中,步骤S103在用户处于觉醒状态的情况下,基于当前人体副交感神经激活参数,判断用户是否处于嗜睡状态,包括:
根据所述觉醒状态下所述用户的多个历史观察时窗内的第一副交感参数分量确定第一嗜睡边界值,基于所述用户的多个历史观察时窗内的第二副交感参数分量确定第二嗜睡边界值,当所述用户当前观察时窗内的第一副交感参数分量大于或等于所述第一嗜睡边界值或第二副交感参数分量大于或等于所述第二嗜睡边界值时,判定所述用户处于嗜睡状态;当所述用户当前观察时窗内的第一副交感参数分量小于所述第一嗜睡边界值以及第二副交感参数分量小于所述第二嗜睡边界值时,判定所述用户处于清醒状态。
其中,第一嗜睡边界值或第二嗜睡边界值是指清醒状态与嗜睡状态的临界值。大于第一嗜睡边界值或第二嗜睡边界值的生理数据为嗜睡状态。第一嗜睡边界值及第二嗜睡边界值不做具体限定。由于存在个体差异,一般根据每个用户个体实际情况确定取值。
具体地,由于数据的均值能够反映数据的平均信息,数据的标准差能够反映数据的总体涨落信息,因此,在本申请实施例中,根据用户的多个历史观察时窗内的第一副交感参数分量确定均值,并求出标准差。基于先验经验,均值加上1.5个标准差作为第一嗜睡边界值时,嗜睡检测准确率最高,因此,本申请实施例中将均值加上1.5个标准差作为第一嗜睡边界值。第二嗜睡边界值也是采用同样的方法根据多个历史观察时窗内的第二副交感参数分量确定的。第一嗜睡边界值及第二嗜睡边界值的取值不做限定。
确定出第一嗜睡边界值与第二嗜睡边界值后,将用户的当前观察时窗内第一副交感参数分量与第一嗜睡边界值做比较,将用户的当前观察时窗内第二副交感参数分量与第二嗜睡边界值做比较,若其中一个参数达到或超出了对应的嗜睡边界值,则判定用户处于嗜睡状态。否则,当用户当前观察时窗内的第一副交感参数分量小于第一嗜睡边界值以及第二副交感参数分量小于第二嗜睡边界值时,则判定用户处于清醒状态。
在一种可行的实施方式中,步骤S103在用户处于觉醒状态的情况下,基于当前人体副交感神经激活参数,判断用户是否处于嗜睡状态,包括:
基于用户当前观察时窗内人体副交感神经激活参数及已训练的嗜睡检测模型,判断用户当前是否处于嗜睡状态。
具体地,当本实施例的方法无法获取一个觉醒状态的新用户的历史生理数据时,只根据采用多个已知用户历史生理数据训练的嗜睡检测模型,判断该新用户是否嗜睡。其中,嗜睡检测模型是一种分类模型,具体分类器类型不做限定。示例性地,可以用支持向量机模型,也可以用KNN模型。
本申请实施例采用支持向量机模型进行分类,嗜睡检测模型通过输入的训练样本进行分类训练,直到找到合适的分类超平面及支持向量。
其中,训练样本中应包括觉醒状态下的清醒状态和嗜睡状态的样本。由于嗜睡检测模型的训练样本是从觉醒检测模型中获取的,因此,训练样本包括第一副交感参数分量、第二副交感参数分量及分类标签。可以理解的,训练样本还可以包括第一身体活动状态参数、第二身体活动状态参数。
如图5所示,在一种可行的实施方式中,嗜睡检测模型训练样本的分类标签通过如下步骤标记:
S1031:获取多个已知用户至少各一天时间内的多个观察时窗的原始训练样本;原始训练样本的类标签为觉醒状态。
由于嗜睡检测模型的训练样本是从觉醒检测模型中获取的觉醒状态的原始训练样本,因此,原始训练样本的类标签均为觉醒状态。
S1032:对每个已知用户,根据觉醒状态下的原始训练样本的第一副交感参数分量确定第一嗜睡边界值、根据原始训练样本的第二副交感参数分量确定第二嗜睡边界值;根据每个已知用户的第一嗜睡边界值及第二嗜睡边界值,将每个已知用户的第一副交感参数分量大于或等于对应第一嗜睡边界值或第二副交感参数分量大于或等于对应第二嗜睡边界值的训练样本的类标签确定为嗜睡状态;将每个已知用户的第一副交感参数和第二副交感参数均小于对应第一嗜睡边界值和对应第二嗜睡边界值的训练样本的类标签确定为清醒状态。
具体地,根据每个已知用户原始训练样本的第一副交感参数分量求均值及标准差,基于先验经验,均值加上1.5个标准差作为第一嗜睡边界值时,嗜睡检测准确率最高,因此,将均值加上1.5个标准差作为第一嗜睡边界值。同样地,根据每个已知用户原始训练样本的第二副交感参数分量及同样的方法确定第二嗜睡边界值。其中,第一嗜睡边界值及第二嗜睡边界值的取值不做限定。将每个已知用户第一副交感参数分量大于或等于第一嗜睡边界值或第二副交感参数分量大于或等于第二嗜睡边界值的原始训练样本的类标签确定为嗜睡状态;将每个已知用户的第一副交感参数分量和第二副交感参数分量小于该已知用户第一嗜睡边界值和第二嗜睡边界值的训练样本的类标签确定为清醒状态。
在一种可行的实施方式中,嗜睡检测方法还包括:在所述清醒状态下,根据用户当前观察时窗内的第一副交感参数分量、第一嗜睡边界值、第二副交感参数分量及第二嗜睡边界值,确定清醒指数,所述清醒指数用于表征所述用户当前的相对清醒程度。
具体地,将用户当前观察时窗内的第一副交感参数分量与第一嗜睡边界值求比值,得到第一清醒指数,将用户当前观察时窗内的第二副交感参数分量与第一嗜睡边界值求比值,得到第二清醒指数。将第一清醒指数与第二清醒指数中的较大值,作为清醒指数。清醒指数越小,表征用户当前越清醒;清醒指数越大,表征用户当前越趋近嗜睡。
对嗜睡检测模型中的已知用户,可采用同样的方法计算其清醒指数。
上述实施例的总体效果如图8所示。本实施例方法的应用效果可能出现图8中清醒指数处于颜色渐变条的睡眠状态、嗜睡临界及嗜睡临界之下的任意位置。
实施例二
基于同一发明构思,本申请提供一种嗜睡检测装置200,如图6所示,该装置200包括:获取模块201、判断模块202、检测模块203。
获取模块201,用于获取用户当前生理数据;用户当前生理数据包括当前人体副交感神经激活参数及当前身体活动状态参数。
判断模块202,用于基于当前人体副交感神经激活参数及当前身体活动状态参数判断用户当前是否处于觉醒状态。
检测模块203,用于在用户处于觉醒状态的情况下,基于当前人体副交感神经激活参数,判断用户是否处于嗜睡状态。
可选地,判断模块202,具体用于基于当前人体副交感神经激活参数及当前身体活动状态参数及用户的历史生理数据判断用户当前是否处于觉醒状态,历史生理数据包括历史时间范围内人体副交感神经激活参数及身体活动状态参数的多个样本,每个样本的观察时窗的长度一致。
可选地,判断模块202,具体用于对当前观察时窗内的第一副交感参数分量、第二副交感参数分量、第一身体活动状态参数及第二身体活动状态参数及用户的多个历史观察时窗内第一副交感参数分量、第二副交感参数分量、第一身体活动状态参数及第二身体活动状态参数进行聚类,得到用户当前生理数据的聚类标签;在确定用户当前生理数据的聚类标签后,根据第一副交感参数分量及第二副交感参数分量在人体睡眠和觉醒状态下的取值规律,将所述聚类标签标记为睡眠状态或觉醒状态。其中,人体副交感神经激活参数,包括第一副交感参数分量与第二副交感参数分量。第一副交感参数分量是指观察时窗内的心跳间隔时间序列的功率谱密度中0.2Hz-0.25Hz频率范围内的分量中,大于中值的所有分量的均值,第二副交感参数分量是指观察时窗内心跳间隔时间序列的功率谱密度中0.25Hz-0.35Hz频率范围内分量中,大于中值的所有分量的均值。身体活动状态参数包括第一身体活动状态参数及第二身体活动状态参数。第一身体活动状态参数是指观察时窗内人体三维加速度去趋势高频涨落时间序列的绝对值的均值。第二身体活动状态参数是指观察时窗内人体三维加速度去趋势高频涨落时间序列的绝对值的标准差。
可选地,检测模块203,具体用于根据觉醒状态下用户的多个历史观察时窗内的第一副交感参数分量确定第一嗜睡边界值,基于用户的多个历史观察时窗内的第二副交感参数分量确定第二嗜睡边界值,当用户当前观察时窗内的第一副交感参数分量大于或等于所述第一嗜睡边界值或第二副交感参数分量大于或等于第二嗜睡边界值时,判定用户处于嗜睡状态。
可选地,检测模块203,具体用于基于所述用户当前观察时窗内所述人体副交感神经激活参数、身体活动状态参数、已训练的觉醒检测模型判断所述用户当前是否处于觉醒状态。
可选地,嗜睡检测装置200,还包括觉醒模型样本获取模块204,具体用于获取多个已知用户至少各一天时间内的多个观察时窗的原始训练样本;所述原始训练样本包括人体副交感神经激活参数、身体活动状态参数及已知用户主观分类标签;所述人体副交感神经激活参数包括第一副交感参数分量与第二副交感参数分量;所述第一副交感参数分量是指观察时窗内的心跳间隔时间序列的功率谱密度中0.2Hz-0.25Hz频率范围内的分量中,大于中值的所有分量的均值,所述第二副交感参数分量是指所述观察时窗内所述心跳间隔时间序列的功率谱密度中0.25Hz-0.35Hz频率范围内分量中,大于中值的所有分量的均值;所述身体活动状态参数包括第一身体活动状态参数及第二身体活动状态参数;所述第一身体活动状态参数是指所述观察时窗内人体三维加速度去趋势高频涨落时间序列的绝对值的均值;所述第二身体活动状态参数是指所述观察时窗内所述人体三维加速度去趋势高频涨落时间序列的绝对值的标准差;所述已知用户主观分类标签是指已知用户对自己的当天每个观察时窗内的觉醒和睡眠状态的主观判断标签;对所述原始训练样本聚类,筛选出聚类标签与所述已知用户主观分类标签一致的原始训练样本,作为所述觉醒检测模型的训练样本。
可选地,检测模块203,具体用于基于所述用户当前观察时窗内人体副交感神经激活参数及已训练的嗜睡检测模型,判断所述用户当前是否处于嗜睡状态。
可选地,嗜睡检测装置200,还包括:嗜睡模型的类标签标记模块,具体用于获取多个已知用户至少各一天时间内的多个观察时窗的原始训练样本;所述原始训练样本的类标签为觉醒状态;对每个已知用户,根据所述觉醒状态下的原始训练样本的第一副交感参数分量确定第一嗜睡边界值、根据原始训练样本的第二副交感参数分量确定第二嗜睡边界值;根据每个已知用户的第一嗜睡边界值及第二嗜睡边界值,将每个已知用户的第一副交感参数分量大于或等于对应第一嗜睡边界值或第二副交感参数分量大于或等于对应第二嗜睡边界值的训练样本的类标签确定为嗜睡状态;将每个已知用户的第一副交感参数和第二副交感参数均小于对应第一嗜睡边界值和对应第二嗜睡边界值的训练样本的类标签确定为清醒状态。
可选地,嗜睡检测装置200,还包括:清醒指数确定模块,用于在所述清醒状态下,根据用户当前观察时窗内的第一副交感参数分量、第一嗜睡边界值、第二副交感参数分量及第二嗜睡边界值,确定清醒指数,所述清醒指数用于表征所述用户当前的相对清醒程度。
实施例三
本申请提供一种电子设备300,如图7所示,电子设备300包括处理器301和存储器302。其中:处理器301用于执行存储器302中存储的一个或多个程序,以实现上述实施例一所描述的嗜睡检测方法。
可以理解,图7所示的结构仅为示意,电子设备还可包括比图7中所示更多或者更少的组件,或者具有与图7所示不同的配置。
例如,处理器301和存储器302之间可以是通过通信总线的方式进行的连接。又例如,电子设备还可包括诸如显示器、鼠标、键盘等部件。
在本申请实施例中,处理器301可以为中央处理器、微处理器、单片机等,但不作为限制。存储器302可以为随机存取存储器,只读存储器,可编程只读存储器,可擦除只读存储器,电可擦除只读存储器等,但不作为限制。
在本申请实施例中,电子设备可以是,但不限于台式机、笔记本电脑、智能手机、智能穿戴设备、车载设备等实体设备,还可以是虚拟机等虚拟设备。另外,电子设备也不一定是单台设备,还可以是多台设备的组合,例如服务器集群,等等。
本实施例还提供了一种计算机可读存储介质,如软盘、光盘、硬盘、闪存、U盘、SD(Secure Digital Memory Card,安全数码卡)卡、MMC(Multimedia Card,多媒体卡)卡等,在该计算机可读存储介质中存储有实现上述各个步骤的一个或者多个程序,这一个或者多个程序可被一个或者多个处理器执行,以实现上述实施例一的嗜睡检测方法。在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
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。
在本文中,多个是指两个或两个以上。
以上仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种嗜睡检测方法,其特征在于,包括:
获取用户当前生理数据;所述用户当前生理数据包括当前人体副交感神经激活参数及当前身体活动状态参数;
基于所述当前人体副交感神经激活参数及所述当前身体活动状态参数判断所述用户当前是否处于觉醒状态;
在所述用户处于觉醒状态的情况下,基于所述当前人体副交感神经激活参数,判断所述用户是否处于嗜睡状态。
2.如权利要求1所述的嗜睡检测方法,其特征在于,所述基于所述当前人体副交感神经激活参数及所述当前身体活动状态参数判断所述用户当前是否处于觉醒状态,包括:
基于所述当前人体副交感神经激活参数及所述当前身体活动状态参数及所述用户的历史生理数据判断所述用户当前是否处于觉醒状态,所述历史生理数据包括历史时间范围内人体副交感神经激活参数及身体活动状态参数的多个样本,每个样本的观察时窗的长度一致。
3.如权利要求2所述的嗜睡检测方法,其特征在于,所述人体副交感神经激活参数,包括第一副交感参数分量与第二副交感参数分量;所述第一副交感参数分量是指观察时窗内的心跳间隔时间序列的功率谱密度中0.2Hz-0.25Hz频率范围内的分量中,大于中值的所有分量的均值,所述第二副交感参数分量是指所述观察时窗内所述心跳间隔时间序列的功率谱密度中0.25Hz-0.35Hz频率范围内分量中,大于中值的所有分量的均值;所述身体活动状态参数包括第一身体活动状态参数及第二身体活动状态参数;所述第一身体活动状态参数是指所述观察时窗内人体三维加速度去趋势高频涨落时间序列的绝对值的均值;所述第二身体活动状态参数是指所述观察时窗内所述人体三维加速度去趋势高频涨落时间序列的绝对值的标准差;
所述基于所述当前人体副交感神经激活参数及所述当前身体活动状态参数及所述用户的历史生理数据判断所述用户当前是否处于觉醒状态,包括:
对当前观察时窗内的第一副交感参数分量、所述第二副交感参数分量、所述第一身体活动状态参数及所述第二身体活动状态参数及所述用户的多个历史观察时窗内第一副交感参数分量、第二副交感参数分量、第一身体活动状态参数及第二身体活动状态参数进行聚类,得到用户当前生理数据的聚类标签;
在确定用户当前生理数据的聚类标签后,根据第一副交感参数分量及第二副交感参数分量在人体睡眠和觉醒状态下的取值规律,将所述聚类标签标记为睡眠状态或觉醒状态。
4.如权利要求3所述的嗜睡检测方法,其特征在于,所述在所述用户处于觉醒状态的情况下,基于所述当前人体副交感神经激活参数,判断所述用户是否处于嗜睡状态,包括:
根据所述觉醒状态下所述用户的多个历史观察时窗内的第一副交感参数分量确定第一嗜睡边界值,基于所述用户的多个历史观察时窗内的第二副交感参数分量确定第二嗜睡边界值,当所述用户当前观察时窗内的第一副交感参数分量大于或等于所述第一嗜睡边界值或第二副交感参数分量大于或等于所述第二嗜睡边界值时,判定所述用户处于嗜睡状态;当所述用户当前观察时窗内的第一副交感参数分量小于所述第一嗜睡边界值以及第二副交感参数分量小于所述第二嗜睡边界值时,判定所述用户处于清醒状态。
5.如权利要求1所述的嗜睡检测方法,其特征在于,所述基于所述当前人体副交感神经激活参数及所述当前身体活动状态参数判断所述用户当前是否处于觉醒状态,包括:
基于所述用户当前观察时窗内所述人体副交感神经激活参数、身体活动状态参数、已训练的觉醒检测模型判断所述用户当前是否处于觉醒状态。
6.如权利要求5所述的嗜睡检测方法,其特征在于,所述觉醒检测模型的训练样本通过如下步骤获取:
获取多个已知用户至少各一天时间内的多个观察时窗的原始训练样本;所述原始训练样本包括人体副交感神经激活参数、身体活动状态参数及已知用户主观分类标签;所述人体副交感神经激活参数包括第一副交感参数分量与第二副交感参数分量;所述第一副交感参数分量是指观察时窗内的心跳间隔时间序列的功率谱密度中0.2Hz-0.25Hz频率范围内的分量中,大于中值的所有分量的均值,所述第二副交感参数分量是指所述观察时窗内所述心跳间隔时间序列的功率谱密度中0.25Hz-0.35Hz频率范围内分量中,大于中值的所有分量的均值;所述身体活动状态参数包括第一身体活动状态参数及第二身体活动状态参数;所述第一身体活动状态参数是指所述观察时窗内人体三维加速度去趋势高频涨落时间序列的绝对值的均值;所述第二身体活动状态参数是指所述观察时窗内所述人体三维加速度去趋势高频涨落时间序列的绝对值的标准差;所述已知用户主观分类标签是指已知用户对自己的当天每个观察时窗内的觉醒和睡眠状态的主观判断标签;
对所述原始训练样本聚类,筛选出聚类标签与所述已知用户主观分类标签一致的原始训练样本,作为所述觉醒检测模型的训练样本。
7.如权利要求1所述的嗜睡检测方法,其特征在于,所述基于所述当前人体副交感神经激活参数,判断所述用户是否处于嗜睡状态,包括:
基于所述用户当前观察时窗内人体副交感神经激活参数及已训练的嗜睡检测模型,判断所述用户当前是否处于嗜睡状态。
8.如权利要求7所述的嗜睡检测方法,其特征在于,所述人体副交感神经激活参数包括第一副交感参数分量与第二副交感参数分量;所述第一副交感参数分量是指观察时窗内的心跳间隔时间序列的功率谱密度中0.2Hz-0.25Hz频率范围内的分量中,大于中值的所有分量的均值,所述第二副交感参数分量是指所述观察时窗内所述心跳间隔时间序列的功率谱密度中0.25Hz-0.35Hz频率范围内分量中,大于中值的所有分量的均值;所述嗜睡检测模型的训练样本的类标签通过如下步骤标记:
获取多个已知用户至少各一天时间内的多个观察时窗的原始训练样本;所述原始训练样本的类标签为觉醒状态;
对每个已知用户,根据所述觉醒状态下的原始训练样本的第一副交感参数分量确定第一嗜睡边界值、根据原始训练样本的第二副交感参数分量确定第二嗜睡边界值;根据每个已知用户的第一嗜睡边界值及第二嗜睡边界值,将每个已知用户的第一副交感参数分量大于或等于对应第一嗜睡边界值或第二副交感参数分量大于或等于对应第二嗜睡边界值的训练样本的类标签确定为嗜睡状态;将每个已知用户的第一副交感参数和第二副交感参数均小于对应第一嗜睡边界值和对应第二嗜睡边界值的训练样本的类标签确定为清醒状态。
9.如权利要求4或8所述的嗜睡检测方法,其特征在于,所述方法还包括:
在所述清醒状态下,根据所述用户当前观察时窗内的第一副交感参数分量、第一嗜睡边界值、第二副交感参数分量及第二嗜睡边界值,确定清醒指数,所述清醒指数用于表征所述用户当前的相对清醒程度。
10.一种嗜睡检测装置,其特征在于,包括:
获取模块,用于获取用户当前生理数据;所述用户当前生理数据包括当前人体副交感神经激活参数及当前身体活动状态参数;
判断模块,用于基于所述当前人体副交感神经激活参数及所述当前身体活动状态参数判断所述用户当前是否处于觉醒状态;
检测模块,用于在所述用户处于觉醒状态的情况下,基于所述当前人体副交感神经激活参数,判断所述用户是否处于嗜睡状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310905866.6A CN116942095A (zh) | 2023-07-21 | 2023-07-21 | 嗜睡检测方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310905866.6A CN116942095A (zh) | 2023-07-21 | 2023-07-21 | 嗜睡检测方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116942095A true CN116942095A (zh) | 2023-10-27 |
Family
ID=88459864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310905866.6A Pending CN116942095A (zh) | 2023-07-21 | 2023-07-21 | 嗜睡检测方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116942095A (zh) |
-
2023
- 2023-07-21 CN CN202310905866.6A patent/CN116942095A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Murugan et al. | Detection and analysis: Driver state with electrocardiogram (ECG) | |
Boashash et al. | Automatic signal abnormality detection using time-frequency features and machine learning: A newborn EEG seizure case study | |
Khanmohammadi et al. | Adaptive seizure onset detection framework using a hybrid PCA–CSP approach | |
US20210022670A1 (en) | Systems and methods for diagnosing sleep | |
CN104720746A (zh) | 一种睡眠阶段确定方法和系统 | |
Cao et al. | EEG-based vigilance analysis by using fisher score and PCA algorithm | |
Zou et al. | Constructing multi-scale entropy based on the empirical mode decomposition (EMD) and its application in recognizing driving fatigue | |
Ni et al. | Automated recognition of hypertension through overnight continuous HRV monitoring | |
Hayawi et al. | Driver's drowsiness monitoring and alarming auto-system based on EOG signals | |
CN104720748A (zh) | 一种睡眠阶段确定方法和系统 | |
Silveira et al. | Drowsiness detection for single channel EEG by DWT best m-term approximation | |
Jiang et al. | Sleep stage classification using covariance features of multi-channel physiological signals on Riemannian manifolds | |
Aktaruzzaman et al. | The addition of entropy-based regularity parameters improves sleep stage classification based on heart rate variability | |
Shalash | Driver fatigue detection with single EEG channel using transfer learning | |
Memis et al. | Multimodal classification of obstructive sleep apnea using feature level fusion | |
Mohanavelu et al. | Machine learning-based approach for identifying mental workload of pilots | |
Amidei et al. | Driver drowsiness detection based on variation of skin conductance from wearable device | |
Gerla et al. | Multivariate analysis of full-term neonatal polysomnographic data | |
Yadav et al. | Variational mode decomposition-based seizure classification using Bayesian regularized shallow neural network | |
Thilagaraj et al. | Identification of drivers drowsiness based on features extracted from EEG signal using SVM classifier | |
JP5189893B2 (ja) | 瞬目種別識別装置、瞬目種別識別方法、及び瞬目種別識別プログラム | |
CN116942095A (zh) | 嗜睡检测方法、装置、电子设备及计算机可读存储介质 | |
JP2020155009A (ja) | ノイズ判定方法、ノイズ判定プログラムおよびノイズ判定装置 | |
Gavrishchaka et al. | Multi-complexity ensemble measures for gait time series analysis: Application to diagnostics, monitoring and biometrics | |
Raja et al. | Existing Methodologies, Evaluation Metrics, Research Gaps, and Future Research Trends: A Sleep Stage Classification Framework |
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 |