CN117460450A - 使用机器学习技术确定实时睡眠状态 - Google Patents
使用机器学习技术确定实时睡眠状态 Download PDFInfo
- Publication number
- CN117460450A CN117460450A CN202280041406.7A CN202280041406A CN117460450A CN 117460450 A CN117460450 A CN 117460450A CN 202280041406 A CN202280041406 A CN 202280041406A CN 117460450 A CN117460450 A CN 117460450A
- Authority
- CN
- China
- Prior art keywords
- data
- bed
- user
- sleep
- sleep state
- 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
- 230000007958 sleep Effects 0.000 title claims abstract description 308
- 238000000034 method Methods 0.000 title description 82
- 238000010801 machine learning Methods 0.000 title description 22
- 238000012549 training Methods 0.000 claims abstract description 82
- 230000000747 cardiac effect Effects 0.000 claims abstract description 81
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 32
- 239000003550 marker Substances 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 230000000306 recurrent effect Effects 0.000 claims abstract description 16
- 230000015654 memory Effects 0.000 claims description 53
- 230000009471 action Effects 0.000 claims description 26
- 241001669679 Eleotris Species 0.000 claims description 16
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 72
- 230000006854 communication Effects 0.000 description 72
- 230000004044 response Effects 0.000 description 52
- 238000012545 processing Methods 0.000 description 49
- 230000033001 locomotion Effects 0.000 description 43
- 230000008569 process Effects 0.000 description 40
- 238000010586 diagram Methods 0.000 description 33
- 230000006399 behavior Effects 0.000 description 27
- 230000002093 peripheral effect Effects 0.000 description 27
- 230000029058 respiratory gaseous exchange Effects 0.000 description 26
- 230000006870 function Effects 0.000 description 25
- 230000008667 sleep stage Effects 0.000 description 24
- 238000003860 storage Methods 0.000 description 22
- 238000004458 analytical method Methods 0.000 description 21
- 230000003993 interaction Effects 0.000 description 21
- 239000013598 vector Substances 0.000 description 21
- 230000008859 change Effects 0.000 description 18
- 238000004590 computer program Methods 0.000 description 16
- 230000007613 environmental effect Effects 0.000 description 14
- 230000036387 respiratory rate Effects 0.000 description 14
- 239000000047 product Substances 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 11
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 11
- 239000012530 fluid Substances 0.000 description 10
- 238000010438 heat treatment Methods 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 10
- 206010062519 Poor quality sleep Diseases 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 239000000872 buffer Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 230000002612 cardiopulmonary effect Effects 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 230000004622 sleep time Effects 0.000 description 4
- 230000036578 sleeping time Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 230000003340 mental effect Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000008452 non REM sleep Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000003860 sleep quality Effects 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 230000003139 buffering effect Effects 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000006260 foam Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000005056 memory consolidation Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000013577 regulation of ventricular cardiomyocyte membrane repolarization Effects 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 230000001020 rhythmical effect Effects 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002618 waking effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 206010038743 Restlessness Diseases 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 208000008784 apnea Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000004213 regulation of atrial cardiomyocyte membrane depolarization Effects 0.000 description 1
- 230000030074 regulation of atrial cardiomyocyte membrane repolarization Effects 0.000 description 1
- 230000006903 response to temperature Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- A61B5/4812—Detecting sleep stages or cycles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1102—Ballistocardiography
-
- 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
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Air Conditioning Control Device (AREA)
Abstract
接收定义至少心跳间间隔(IBI)序列的心脏数据。接收定义用于IBI序列的睡眠状态的标记的标记数据。使用心脏数据和标记数据生成睡眠状态分类器,该生成可以包括:从心脏数据中提取IBI序列;使用心脏数据和标记数据作为输入来训练卷积神经网络(CNN)以生成中间数据;以及迭代地训练被配置成产生状态数据作为输出的循环神经网络(RNN),对RNN进行的迭代训练使用:i)中间数据作为初始输入,和ii)中间数据和先前状态数据作为后续输入。
Description
本文件涉及使用机器学习技术确定用户在床上的睡眠状态。
相关申请的交叉引用
本申请要求于2021年6月8日提交的美国临时申请序列号63/208,227的权益。在先申请的公开内容被认为是本申请的公开内容的一部分(并且通过引用并入本申请的公开内容)。
背景
一般来说,床是一件用作睡觉或放松的地方的家具。许多现代的床包括在床架上的柔软的床垫。床垫可以包括弹簧、泡沫材料和/或气室,以支撑一个或更多个占用者的重量。
概述
该文件涉及使用机器学习技术确定用户在床上的睡眠状态。在睡眠期间,用户可以体验包括醒来、非快速眼动睡眠(NREM)和快速眼动睡眠(REM)在内的意识的状态。REM可以基于睡眠深度进一步细分,包括N3(最深睡眠)、N2和N1(最浅睡眠)。环境干预,诸如温度和/或感官刺激的变化,在这些干预针对特定睡眠状态的发生而被定时时,可以增强用户的睡眠质量或睡眠后醒来期的各个方面。
公开的技术可以提供非侵入性、无接触、实时睡眠状态检测,以便应用可以改善用户的睡眠质量,而不会在用户的睡眠会话期间干扰用户的环境干预。可以训练一个或更多个机器学习模型,并使用这些机器学习模型以基于来自用户的心冲击描记术(BCG)信号来确定用户的睡眠分期(sleep staging)。在一些实施方式中,床系统的传感器可以被用于检测BCG信号和可以被用于确定用户睡眠状态的一个或更多个其他信号。机器学习模型可以使用包括用不同睡眠状态标记的BCG信号的鲁棒训练数据集来训练。训练BCG信号可以从任何各种源接收,这些源包括但不限于数据储存器(store)、云服务、数据库和/或床(例如,智能床或具有传感器的其他床系统)。
具有一个或更多个计算机的系统可以被配置为通过在系统上安装软件、固件、硬件或它们的组合来执行特定的操作或动作,在操作中软件、固件、硬件或它们的组合导致系统执行动作。一个或更多个计算机程序可以被配置为通过包括在由数据处理装置执行时导致该装置执行动作的指令来执行特定的操作或动作。一个总体方面包括可以被用于生成睡眠状态分类器的系统。该系统可以包括:一个或更多个处理器;和存储器,该存储器存储指令,当这些指令由一个或更多个处理器执行时,使得一个或更多个处理器执行操作。这些操作可以包括接收定义至少心跳间间隔(IBI)序列的心脏数据;接收定义用于IBI序列的睡眠状态的标记的标记数据;使用心脏数据和标记数据生成睡眠状态分类器,该生成可以包括:从心脏数据中提取IBI序列;使用心脏数据和标记数据作为输入来训练卷积神经网络(CNN)以生成中间数据;以及迭代地训练被配置成产生状态数据作为输出的循环神经网络(RNN),对RNN进行的迭代训练使用i):中间数据作为初始输入和ii)中间数据和先前状态数据作为后续输入。该方面的其他实施例包括均被配置为执行方法的动作的相对应的计算机系统、装置和被记录在一个或更多个计算机存储设备上的计算机程序。
实施方式可以包括以下特征中的一个或更多个特征。RNN是长短期记忆(LSTM)网络,可以包括至少一个反馈连接,该反馈连接将循环神经网络的输出节点连接到同一循环神经网络的输入节点。RNN还可以包括用于中间数据的至少一个其它输入节点。心脏数据是由心电图(ECG)数据和心冲击描记术(BCG)数据组成的组中的一个;并且其中从心脏数据中提取IBI序列可以包括:检测心脏数据中的间隔时间;去除大于阈值持续时间的缺失数据段;去除大于阈值偏差的离群(outlier)数据段;对心脏数据内插以替换被去除的缺失数据段和被去除的离群数据段;以及标准化心脏数据,使得心脏数据的平均值和标准偏差与给定睡眠会话内的目标平均值和目标标准偏差相匹配。该生成还可以包括:识别IBI序列中时间的时期(epochs);以及将IBS序列中时间的每个时期与标记数据的对应的标记相关联;其中,使用心脏数据和标记数据作为输入来训练CNN可以包括使用时间的时期和对应的标记来训练CNN。除了反映心脏动作(cardiac action)的数据之外,该生成不使用任何感测的生物特征数据。从床的一个或更多个床控制器接收心脏数据;该操作可以包括:将睡眠状态分类器分配给床控制器,用于确定床上睡眠者的睡眠状态。从一个或更多个床控制器接收心脏数据;该操作可以包括:将睡眠状态分类器分配给其它床的其它床控制器,用于确定其它床上的睡眠者的睡眠状态。心脏数据从床控制器以外的数据源接收。睡眠状态分类器被配置成通过在某些条件下选择具有比第一候选分类低的概率的第二候选分类作为确定的分类来考虑数学偏倚(bias)。睡眠状态分类器还被配置成:确定第一候选分类与第二候选分类的概率比;并将概率比与阈值进行比较。睡眠状态分类器还被配置成:确定第一候选分类与第二候选分类的概率比;并将概率比与阈值进行比较。心脏数据从床控制器以外的数据源接收。所描述的技术的实施方式可以包括硬件、方法或过程、或计算机可访问介质上的计算机软件。
一个总体方面包括用于使用睡眠状态分类器来确定睡眠者的睡眠状态的系统。该系统可以包括:传感器和控制器,其可以包括一个或更多个处理器和存储器。控制器可以被配置成使用睡眠状态分类器来确定睡眠者的睡眠状态,其中睡眠状态分类器通过以下方式生成:接收定义至少心跳间间隔(IBI)序列的心脏数据;接收定义用于IBI序列的睡眠状态的标记的标记数据;使用心脏数据和标记数据生成睡眠状态分类器,该生成可以包括:从心脏数据中提取IBI序列;使用心脏数据和标记数据作为输入来训练卷积神经网络(CNN)以生成中间数据;以及迭代地训练被配置成产生状态数据作为输出的循环神经网络(RNN),对RNN进行的迭代训练使用:i)中间数据作为初始输入和ii)中间数据和先前状态数据作为后续输入。该方面的其他实施例包括均被配置为执行方法的动作的相对应的计算机系统、装置和被记录在一个或更多个计算机存储设备上的计算机程序。
实施方式可以包括以下特征中的一个或更多个特征。RNN是长短期记忆(LSTM)网络,可以包括至少一个反馈连接,该反馈连接将循环神经网络的输出节点连接到同一循环神经网络的输入节点。RNN还可以包括用于中间数据的至少一个其它输入节点。心脏数据是心电图(ECG)数据;并且其中从心脏数据中提取IBI序列可以包括:检测心脏数据中的间隔时间;去除大于阈值持续时间的缺失数据段;去除大于阈值偏差的离群数据段;对心脏数据内插以替换被去除的缺失数据段和被去除的离群数据段;以及标准化心脏数据,使得心脏数据的平均值和标准偏差与用于给定睡眠会话的目标平均值和目标标准偏差相匹配。该生成还可以包括:识别IBI序列中时间的时期;以及将IBS序列中时间的每个时期与标记数据的对应的标记相关联;其中,使用心脏数据和标记数据作为输入来训练CNN可以包括使用时间的时期和对应的标记来训练CNN。除了反映心脏动作的数据之外,该生成不使用任何感测的生物特征数据。从床的一个或更多个床控制器接收心脏数据;该操作可以包括:将睡眠状态分类器分配给床控制器,用于确定床上睡眠者的睡眠状态。从一个或更多个床控制器接收心脏数据;该操作可以包括:将睡眠状态分类器分配给其它床的其它床控制器,用于确定其它床上的睡眠者的睡眠状态。睡眠状态分类器被配置成通过在某些条件下选择具有比第一候选分类低的概率的第二候选分类作为确定的分类来考虑数学偏倚。所描述的技术的实施方式可以包括硬件、方法或过程、或计算机可访问介质上的计算机软件。
一个总体方面包括一种系统,该系统被配置成:接收心脏数据;并且使用该心脏数据生成睡眠状态分类器。该方面的其他实施例包括均被配置为执行方法的动作的相对应的计算机系统、装置和被记录在一个或更多个计算机存储设备上的计算机程序。
一个总体方面包括一种系统,该系统被配置成:使用睡眠状态分类器对睡眠者的睡眠状态进行分类,该睡眠状态分类器通过使用心脏数据生成。该方面的其他实施例包括均被配置为执行方法的动作的相对应的计算机系统、装置和被记录在一个或更多个计算机存储设备上的计算机程序。
所公开的技术可以提供一个或更多个优点。例如,所公开的技术可以提供计算机或计算系统操作的整体改进。所公开的技术可以利用较少的处理能力和计算资源。与其他模型相比,实时机器学习建模可以相对较轻,从而在硬件的内存需求和低计算延迟方面获得优势。因此,可以更快、更实时、更准确地确定睡眠状态。另一方面,替代方法可能需要更多的处理能力,在进行这种睡眠状态确定时可能滞后,因此在实时确定用户的当前睡眠状态时可能不准确。
作为另一个示例,所公开的技术可以在用户睡眠时提供对用户的精确、非接触式监控。用户可能不需要佩戴任何传感器,诸如可穿戴设备、带子、面罩或其他传感器信号。用户可以仅仅上床睡觉,并且可以基于BCG信号或由床的部件(例如,一个或更多个传感器、传感器垫、传感器条、传感器阵列等)感测的其他信号来监控和跟踪他们的睡眠状态。
此外,非侵入式、非接触和实时睡眠分期可以为闭环温度控制、舒适度调节和智能报警等应用提供及时的信息,这可以有助于提高睡眠质量和睡眠效率。另一方面,其他方法可能需要用户佩戴传感器或其他基于接触的监控设备,以确保睡眠状态检测的某种程度的准确性。这种基于接触的监控可能会干扰睡眠舒适度,从而破坏改善睡眠舒适度的目的。此外,基于接触的监控设备可能需要比所公开的技术更多的处理能力。处理能力越多,其他方法在确定睡眠状态时可能越慢。因此,其他方法可能无法生成准确、实时的睡眠状态确定。另一方面,所公开的技术可以提供准确、实时的睡眠状态确定,同时确保用户可以继续体验高质量的睡眠,而不受监控设备的干扰。
如贯穿本文所述,在检测睡眠状态方面,所公开的技术可以比其他方法更准确。其他方法可能需要用户佩戴传感设备,诸如可穿戴手表和胸带。这种设备可能需要充电,并且当用户在睡眠期间佩戴时也可能移位或在其他方面不舒服。如果用户忘记给设备充电,那么设备将无法有效监控用户和检测用户的睡眠状态。如果设备在睡眠期间移位,则设备可能无法充分捕获可以被用于检测用户睡眠状态的传感器信号。此外,如果在用户睡眠期间佩戴该设备不舒服,则用户可能不会体验到高质量的睡眠,这与监控和检测用户睡眠状态的目的背道而驰。监控设备还可能在处理时间上滞后,从而妨碍设备实时准确检测用户当前睡眠状态的能力。另一方面,所公开的技术可以使用用鲁棒训练数据集训练的一个或更多个机器学习模型来精确地将不同的BCG信号和其他感测到的用户信号映射到睡眠状态。结果,当用户在床上睡觉时,可以捕获由床感测到的BCG信号,并与一个或更多个机器学习模型一起使用,以实时准确地确定用户的睡眠状态。
从所附描述和附图中,其他特征、方面和潜在优点将变得明显。
附图说明
图1示出了示例气垫床系统。
图2是气垫床系统的各种组件的示例的框图。
图3示出了包括与位于家中的和家周围的设备通信的床的示例环境。
图4A和图4B是可以与床相关联的示例数据处理系统的框图。
图5和图6是可以在可与床相关联的数据处理系统中使用的主板的示例的框图。
图7是可以在可与床相关联的数据处理系统中使用的子板的示例的框图。
图8是可以在可与床相关联的数据处理系统中使用的没有子板的主板的示例的框图。
图9是可以在可与床相关联的数据处理系统中使用的传感阵列的示例的框图。
图10是可以在可与床相关联的数据处理系统中使用的控制阵列的示例的框图。
图11是可以在可与床相关联的数据处理系统中使用的计算设备的示例的框图。
图12-图16是可以在可与床相关联的数据处理系统中使用的示例云服务的框图。
图17是使用可与床相关联的数据处理系统来自动化床周围的外围设备的示例的框图。
图18是示出计算设备和移动计算设备的示例的示意图。
图19是用于训练和使用机器学习分类器来确定用户睡眠状态(其可以包括睡眠阶段)的示例过程的泳道图。
图20是可以被用于训练睡眠阶段分类器的示例过程的流程图。
图21是利用在确定睡眠者的睡眠阶段时可以使用的示例数据的示例过程的图。
图22是可以被用于从数学偏倚的睡眠状态概率中选择睡眠状态的示例过程的流程图。
在各个绘图中的相似参考符号表示相似的元素。
详细描述
本文件涉及监控和检测用户的睡眠状态(例如,睡眠阶段)。一个或更多个机器学习模型可以被用于检测用户的睡眠状态。基于对用户睡眠状态的检测,可以对用户的睡眠环境进行一个或更多个调整,以便在睡眠会话期间改善用户的整体质量和舒适度。可以使用标记有不同睡眠状态的心冲击描记术(BCG)信号的鲁棒训练数据集来训练机器学习模型。训练数据可以从各种源接收,包括但不限于数据储存器、数据库、云服务和智能床,诸如在整个本公开中所描述的床。
在运行时(run-time)期间,例如,床可以包括一个或更多个床传感器,诸如压力传感器。传感器可以被配置成测量床的顶表面上的压力信号,诸如用户的运动、用户的呼吸和/或用户的心跳和心跳间间隔。这些信号可以从床传输到云计算服务。所描述的一个或更多个机器学习模型可以被应用于这些信号,以确定用户的实时睡眠状态。基于确定的用户睡眠状态,当用户从一种睡眠状态转换到另一种睡眠状态时,可以对周围环境进行一个或更多个调整,以便改善用户睡眠会话的质量。例如,可以调整房间内的温度。作为另一示例,当用户从睡眠状态转换到醒来状态时,可以打开一个或更多个灯。可以基于用户当前处于什么睡眠状态以及用户正在转换或将要转换到什么睡眠状态来进行一个或更多个其他环境改变。
示例气垫床硬件
图1示出了包括床112的示例气垫床系统100。床112包括至少一个气室114,该气室114被弹性边框116包围并由褥套118包裹。弹性边框116可以包括任何合适的材料,诸如泡沫。
如图1所示,床112可以是具有第一流体室和第二流体室的两室设计,例如第一气室114A和第二气室114B。在替代实施例中,床112可以包括用于除空气之外的适合应用的流体的室。在一些实施例(诸如单人床或儿童床)中,床112可以包括单个气室114A或114B,或更多个气室114A和114B。第一气室114A和第二气室114B可以与泵120流体连通。泵120可以经由控制箱124与遥控器122电连通。控制箱124可以包括有线或无线通信接口,用于与包括遥控器122的一个或更多个设备通信。控制箱124可以被配置成基于用户使用遥控器122输入的命令来操作泵120,以引起第一气室114A和第二气室114B的流体压力的增加和减少。在一些实施方式中,控制箱124集成到泵120的壳体内。
遥控器122可以包括显示器126、输出选择机构128、压力增加按钮129和压力减少按钮130。输出选择机构128可以允许用户在第一气室114A和第二气室114B之间切换由泵120生成的空气流,从而能够用单个遥控器122和单个泵120控制多个气室。例如,输出选择机构128可以通过物理控件(例如,开关或按钮)或在显示器126上显示的输入控件。可替代地,可以为每个气室提供单独的遥控单元,并且每个遥控单元可以包括控制多个气室的能力。压力增加按钮129和压力减少按钮130分别可以允许用户增加或减少用输出选择机构128选择的气室中的压力。调整所选择的气室内的压力可以导致对相应气室的硬度(firmness)的对应调整。在一些实施例中,遥控器122可以针对应用而酌情被省略或修改。例如,在一些实施例中,床112可以由计算机、平板电脑、智能电话或与床112有线或无线通信的其他设备来控制。
图2是气垫床系统的各种组件的示例的框图。例如,这些组件可以用在示例气垫床系统100中。如图2所示,控制箱124可以包括电源134、处理器136、存储器137、切换机构138和模数(A/D)转换器140。切换机构138可以是例如继电器或固态开关。在一些实施方式中,切换机构138可以位于泵120中,而不是控制箱124中。
泵120和遥控器122与控制箱124双向通信。泵120包括马达142、泵歧管143、安全阀144、第一控制阀145A、第二控制阀145B和压力变送器146。泵120分别经由第一管148A和第二管148B与第一气室114A和第二气室114B流体连接。第一控制阀145A和第二控制阀145B可由切换机构138控制,并且可操作以分别调节泵120与第一气室114A和第二气室114B之间的流体流动。
在一些实施方式中,泵120和控制箱124可以被设置和包装为单个单元。在一些替代实施方式中,泵120和控制箱124可被设置为物理上分离的单元。在一些实施方式中,控制箱124、泵120或两者集成在床架或支撑床112的床支撑结构内或以其他方式被包含在其中。在一些实施方式中,控制箱124、泵120或两者都位于床架或床支撑结构的外部(如图1中的示例所示)。
图2中描述的示例气垫床系统100包括两个气室114A和114B以及单个泵120。然而,其他实施方式可以包括具有两个或更多个气室以及一个或更多个泵的气垫床系统,该泵结合到气垫床系统中以控制气室。例如,单独的泵可以与气垫床系统的每个气室相关联,或者泵可以与气垫床系统的多个室相关联。单独的泵可以允许每个气室独立地且同时地充气或放气。此外,额外的压力变送器也可以结合到气垫床系统中,使得例如单独的压力变送器可以与每个气室相关联。
在使用中,处理器136可以例如向气室114A或114B中的一个发送减少压力命令,并且切换机构138可以用于将由处理器136发送的低电压命令信号转换成足以操作泵120的安全阀144并打开控制阀145A或145B的较高操作电压。打开安全阀144可以允许空气通过相应的空气管148A或148B从气室114A或114B中逸出。在放气期间,压力变送器146可以经由A/D转换器140向处理器136发送压力读数。A/D转换器140可以从压力变送器146接收模拟信息,并且可以将模拟信息转换成处理器136可用的数字信息。处理器136可以向遥控器122发送数字信号,以更新显示器126,以便向用户传达压力信息。
作为另一个示例,处理器136可以发送增加压力命令。泵的马达142可以响应于增加压力命令而被激励,并且经由电子操作对应的阀145A或145B,通过空气管148A或148B将空气发送到气室114A或114B中指定的一个。当空气被输送到指定的气室114A或114B以便增加气室的硬度时,压力变送器146可以感测泵歧管143内的压力。同样,压力变送器146可以经由A/D转换器140向处理器136发送压力读数。处理器136可以使用从A/D转换器140接收的信息来确定气室114A或114B中的实际压力和期望压力之间的差。处理器136可以向遥控器122发送数字信号,以更新显示器126,以便向用户传达压力信息。
一般来说,在充气或放气过程中,泵歧管143内感测到的压力可以提供与泵歧管143流体连通的相应气室内的压力的近似值。获得基本上等于气室内实际压力的泵歧管压力读数的示例方法包括关闭泵120,从而允许气室114A或114B和泵歧管143内的压力平衡,然后用压力变送器146感测泵歧管143内的压力。因此,提供足够量的时间以允许泵歧管143和室114A或114B内的压力平衡,可以导致压力读数是气室114A或114B内的实际压力的准确近似值。在一些实施方式中,气室114A和/或114B的压力可以使用多个压力传感器(未示出)连续监测。
在一些实施方式中,压力变送器146收集的信息可以被分析以确定躺在床112上的人的各种状态。例如,处理器136可以使用由压力变送器146收集的信息来确定躺在床112中的人的心率或呼吸率。例如,用户可以躺在包括室114A的床112的一侧。压力变送器146可以监测室114A的压力波动,并且该信息可以用于确定用户的心率和/或呼吸率。作为另一个示例,可以使用所收集的数据来执行额外的处理,以确定人的睡眠状态(例如,清醒、轻度睡眠、深度睡眠)。例如,处理器136可以确定人何时入睡,以及在睡着时人的各种睡眠状态。
可以使用由压力变送器146收集的信息来确定的、与气垫床系统100的用户相关联的附加信息包括用户的运动、用户在床112的表面上的存在、用户的体重、用户的心律不齐和呼吸暂停。以用户存在检测为例,压力变送器146可用于例如经由总压力变化确定和/或经由在呼吸率信号、心率信号和/或其他生物特征信号中的一个或更多个来检测用户在床112上的存在。例如,简单的压力检测过程可以将压力的增加识别为用户在床112上的指示。作为另一个示例,如果检测到的压力增加到高于指定阈值(以便指示高于某个重量的人或其他物体位于床112上),则处理器136可以确定用户在床112上。作为又一个示例,处理器136可以将结合有检测到的轻微的、有节律的压力波动的压力的增加识别为对应于用户在床112上。有节律的波动的存在可被识别为由用户的呼吸或心律(或两者)引起。呼吸或心跳的检测可以区分用户在床上和另一个物体(例如,手提箱)放在床上。
在一些实施方式中,可以在泵120处测量压力波动。例如,一个或更多个压力传感器可以位于泵120的一个或更多个内腔中,以检测泵120内的压力波动。在泵120处检测到的压力波动可以指示室114A和114B中的一个或两个中的压力波动。位于泵120处的一个或更多个传感器可与室114A和114B中的一个或两个流体连通,并且传感器可操作以确定室114A和114B内的压力。控制箱124可被配置成基于室114A或室114B内的压力来确定至少一个生命体征(例如,心率、呼吸率)。
在一些实施方式中,控制箱124可以分析由一个或更多个压力传感器检测到的压力信号,以确定躺在或坐在室114A或室114B上的用户的心率、呼吸率和/或其他生命体征。更具体地,当用户躺在床112上、位于室114A上方的时候,用户的心跳、呼吸和其他运动中的每一种都可以在床112上创建力,该力被传输到室114A。作为由用户的运动对室114A输入的力的结果,波可以通过室114A传播并进入泵120。位于泵120处的压力传感器可以检测该波,因此由传感器输出的压力信号可以指示心率、呼吸率或关于用户的其他信息。
关于睡眠状态,气垫床系统100可以通过使用各种生物特征信号(诸如心率、呼吸和/或用户运动)来确定用户的睡眠状态。当用户睡眠时,处理器136可以接收用户的生物特征信号(例如,心率、呼吸和运动)中的一个或更多个,并基于接收到的生物特征信号来确定用户当前的睡眠状态。在一些实施方式中,指示室114A和114B中的一个或两个中的压力波动的信号可以被放大和/或滤波,以允许更精确地检测心率和呼吸率。
控制箱124可以基于放大和滤波的压力信号来执行模式识别算法或其他计算,以确定用户的心率和呼吸率。例如,该算法或计算可以基于这样的假设,即信号的心率部分具有0.5-4.0Hz范围内的频率,并且信号的呼吸率部分具有小于1Hz范围内的频率。控制箱124还可以被配置成基于接收到的压力信号来确定用户的其他特性,诸如血压、辗转反侧运动、滚动运动、肢体运动、体重、用户的存在或不存在和/或用户的身份。在Steven J.Young等人的标题为“APPARATUS FOR MONITORING VITAL SIGNS”、公开号为20100170043的美国专利申请中公开了使用心率信息、呼吸率信息和其他用户信息来监测用户睡眠的技术,其全部内容通过引用并入本文。
例如,压力变送器146可用于监测床112的室114A和114B中的气压。如果在床112上的用户没有移动,气室114A或114B中的气压变化可以相对最小,并且可以归因于呼吸和/或心跳。然而,当在床112上的用户移动时,床垫中的气压会波动大得多的量。因此,由压力变送器146生成并由处理器136接收的压力信号可以被滤波并指示为对应于运动、心跳或呼吸。
在一些实施方式中,并非在控制箱124中用处理器136执行数据分析,而是可以设置数字信号处理器(DSP)来分析由压力变送器146收集的数据。可替代地,由压力变送器146收集的数据可以被发送到基于云的计算系统,以用于远程分析。
在一些实施方式中,示例气垫床系统100还包括温度控制器,该温度控制器被配置成例如为了用户的舒适而增加、降低或保持床的温度。例如,垫子可以放置在床112的顶部或作为床112的一部分,或者可以放置在室114A和114B中的一个或两个的顶部或作为其一部分。空气可以被推动穿过垫子并排出,以使床的用户降温。与此相对,该垫子可以包括加热元件,该加热元件可以为用户保暖。在一些实施方式中,温度控制器可以接收来自垫子的温度读数。在一些实施方式中,单独的垫子用于床112的不同侧(例如,对应于室114A和114B的位置),以提供床的不同侧的不同温度控制。
在一些实施方式中,气垫床系统100的用户可以使用输入设备(诸如遥控器122)来输入对于床112的表面(或对于床112的表面的一部分)的期望温度。期望温度可以被封装在命令数据结构中,该命令数据结构包括期望温度以及将温度控制器识别为待控制的期望组件。命令数据结构随后可以经由蓝牙或另一种合适的通信协议传输到处理器136。在各种示例中,命令数据结构在传输之前被加密。温度控制器随后可以根据用户输入到遥控器122中的温度来配置其元件以增加或降低垫子的温度。
在一些实施方式中,数据可以从组件传输回到处理器136或一个或更多个显示设备,诸如显示器126。例如,由温度控制器的传感器元件确定的当前温度、床的压力、底座的当前位置或其他信息可以被传输到控制箱124。然后,控制箱124可以将接收到的信息传输到遥控器122,在遥控器122中,该信息可以显示给用户(例如,在显示器126上)。
在一些实施方式中,示例气垫床系统100还包括可调整底座和铰接控制器,该铰接控制器被配置成通过调整支撑床的可调整底座来调整床(例如床112)的位置。例如,铰接控制器可以将床112从平坦位置调整到床的床垫的头部部分向上倾斜的位置(例如,便于用户在床上坐起和/或看电视)。在一些实施方式中,床112包括多个单独可铰接的部段。例如,床的对应于室114A和114B的位置的部分可以彼此独立地铰接,以允许位于床112表面上的一个人位于第一位置(例如,平坦位置),而第二个人位于第二位置(例如,头部从腰部以一定角度抬起的斜倚位置)休息。在一些实施方式中,可以为两个不同的床设置单独的位置(例如,两个相邻放置的单人床)。床112的底座可以包括可以独立调整的一个以上的区域。铰接控制器还可以被配置成向床112上的一个或更多个用户提供不同级别的按摩。
卧室环境中的床的示例
图3示出了示例环境300,其包括与位于家中和家周围的设备通信的床302。在所示的示例中,床302包括用于控制两个气室306a和306b(如上文关于气室114A-114B所述)内的气压的泵304。泵304另外包括用于控制由泵304执行的充气和放气功能的电路。该电路还被编程以检测气室306a-b的气压波动,并使用检测到的气压波动来识别用户308在床上、用户308的睡眠状态、用户308的运动以及用户308的生物特征信号(诸如心率和呼吸率)。在所示的示例中,泵304位于床302的支撑结构内,并且用于控制泵304的控制电路334与泵304集成在一起。在一些实施方式中,控制电路334在物理上与泵304分离,并且与泵304无线或有线通信。在一些实施方式中,泵304和/或控制电路334位于床302的外部。在一些实施方式中,位于不同物理位置的系统可以执行各种控制功能。例如,用于控制泵304的动作的电路可以位于泵304的泵壳内,而用于执行与床302相关联的其他功能的控制电路334可以位于床302的另一部分中,或者位于床302的外部。作为另一个示例,位于泵304内的控制电路334可以通过LAN或WAN(例如,互联网)与处于遥远位置的控制电路334通信。作为又一个示例,可以在图1和图2的控制箱124中包括控制电路334。
在一些实施方式中,不同于泵304和控制电路334的、或者除了泵304和控制电路334之外的一个或更多个设备可以用于识别用户存在于床、睡眠状态、运动和生物特征信号。例如,除了泵304之外,床302还可以包括第二泵,并且两个泵中的每一个都连接到气室306a-b中相应的一个。例如,泵304可以与气室306b流体连通,以控制气室306b的充气和放气,以及检测位于气室306b上方的用户的用户信号(诸如存在于床、睡眠状态、运动和生物特征信号),而第二泵与气室306a流体连通,以控制气室306a的充气和放气,以及检测位于气室306a上方的用户的用户信号。
作为另一个示例,床302可以包括一个或更多个压敏垫或可操作以检测运动(包括用户存在、用户运动、呼吸和心率)的表面部分。例如,第一压敏垫可以被结合到床302的左侧部分(第一用户通常会在睡眠期间位于该处)上的床302的表面中,而第二压敏垫可以被结合到床302的右侧部分(第二用户通常会在睡眠期间位于该处)上的床302的表面中。由一个或更多个压敏垫或表面部分检测到的运动可以被控制电路334用来识别用户睡眠状态、存在于床或生物特征信号。
在一些实施方式中,由床检测到的信息(例如,运动信息)由控制电路334(例如,与泵304集成的控制电路334)处理,并被提供给一个或更多个用户设备(诸如用户设备310),以呈现给用户308或其他用户。在图3描绘的示例中,用户设备310是平板设备;然而,在一些实施方式中,用户设备310可以是个人计算机、智能电话、智能电视(例如,电视312)或能够与控制电路334有线或无线通信的其他用户设备。用户设备310可以通过网络或通过直接点对点通信与床302的控制电路334通信。例如,控制电路334可以连接到LAN(例如,通过Wi-Fi路由器),并通过LAN与用户设备310通信。作为另一个示例,控制电路334和用户设备310都可以连接到互联网并通过互联网进行通信。例如,控制电路334可以通过WiFi路由器连接到互联网,并且用户设备310可以通过与蜂窝通信系统的通信连接到互联网。作为另一个示例,控制电路334可以通过无线通信协议(诸如蓝牙)直接与用户设备310通信。作为又一个示例,控制电路334可以通过无线通信协议(诸如,ZigBee、Z-Wave、红外线或适合于该应用的另一种无线通信协议)与用户设备310通信。作为另一个示例,控制电路334可以通过有线连接(诸如例如,USB连接器、串行/RS232或适合于该应用的另一个有线连接)与用户设备310通信。
用户设备310可以显示与睡眠或用户308与床302的交互相关的各种信息和统计数据。例如,由用户设备310显示的用户界面可以呈现这样的信息:包括用户308在一段时间内(例如,一个晚上、一周、一个月等)的睡眠量、深度睡眠的量、深度睡眠与不安睡眠的比率、用户308上床睡觉和用户308入睡之间的时间间隔、在给定一段时间内在床302上花费的总时间量、用户308在一段时间内的心率、用户308在一段时间内的呼吸率、或与用户308或床302的一个或更多个其他用户与床302的用户交互相关的其他信息。在一些实施方式中,可以在用户设备310上呈现多个用户的信息,例如,可以呈现位于气室306a上方的第一用户的信息以及位于气室306b上方的第二用户的信息。在一些实施方式中,在用户设备310上呈现的信息可以根据用户308的年龄而变化。例如,在用户设备310上呈现的信息可以随着用户308的年龄增长而演变,使得当用户308年龄为儿童或成人时,在用户设备310上呈现不同的信息。
用户设备310还可以用作床302的控制电路334的接口,以允许用户308输入信息。由用户308输入的信息可以被控制电路334用来向用户或者向各种控制信号提供更好的信息,以控制床302或其他设备的功能。例如,用户可以输入诸如体重、身高和年龄的信息,并且控制电路334可以使用该信息向用户308提供用户的跟踪睡眠信息与具有与用户308相似的体重、身高和/或年龄的其他人的睡眠信息的比较。作为另一个示例,用户308可以使用用户设备310作为接口,用于控制气室306a和306b的气压,用于控制床302的各种斜倚或倾斜位置,用于控制床302的一个或更多个表面温度控制设备的温度,或者用于允许控制电路334生成用于其他设备的控制信号(如下面更详细描述的)。
在一些实施方式中,床302的控制电路334(例如,集成到泵304中的控制电路334)可以与除用户设备310之外的或代替用户设备310的其他第一、第二或第三方设备或系统通信。例如,控制电路334可以与电视312、照明系统314、恒温器316、安防系统318或其他家用设备(诸如烤箱322、咖啡机324、灯326和夜灯328)通信。控制电路334可以与之通信的设备和/或系统的其他示例包括用于控制百叶窗330的系统、用于检测或控制一个或更多个门332的状态(诸如检测门是否打开、检测门是否被锁住或自动锁门)的一个或更多个设备,以及用于控制车库门320的系统(例如,与车库门开启器集成的控制电路334,用于识别车库门320的打开或关闭状态,并使车库门开启器打开或关闭车库门320)。床302的控制电路334和其他设备之间的通信可以通过网络(例如,LAN或互联网)或点对点通信(例如,使用蓝牙、无线电通信或有线连接)进行。在一些实施方式中,不同床302的控制电路334可以与不同组的设备通信。例如,儿童床可以不如同成人床那样与相同设备通信和/或控制相同的设备。在一些实施例中,床302可以随着用户的年龄增加而演变,使得床302的控制电路334根据用户的年龄与不同的设备通信。
控制电路334可以接收来自其他设备/系统的信息和输入,并使用接收的信息和输入来控制床302或其他设备的动作。例如,控制电路334可以接收来自恒温器316的、指示床302所在的房子或房间的当前环境温度的信息。控制电路334可以使用接收的信息(连同其他信息)来确定床302的全部或部分表面的温度是否应该升高或降低。控制电路334随后可以使床302的加热或冷却机构升高或降低床302表面的温度。例如,用户308可以指示期望睡眠温度是74度,而床302的第二用户指示期望睡眠温度是72度。恒温器316可以向控制电路334指示卧室的当前温度是72度。控制电路334可以识别用户308已经指示了期望睡眠温度是74度,并且向位于床的用户308的一侧上的加热垫发送控制信号,以升高用户308所在的床302的表面部分的温度,从而将用户308的睡眠表面的温度升高到期望温度。
控制电路334还可以生成控制其他设备的控制信号,并将控制信号传播到其他设备。在一些实施方式中,控制信号是基于控制电路334收集的信息(包括与用户308和/或一个或更多个其他用户与床302的用户交互相关的信息)生成的。在一些实施方式中,当生成控制信号时,使用从除床302之外的一个或更多个其他设备收集的信息。例如,当生成与床302的控制电路334通信的各种设备的控制信号时,可以使用与环境事件(例如,环境温度、环境噪声水平和环境光线水平)、一天中的时间、一年中的时间、一周中的日子或其他信息相关的信息。例如,关于一天中的时间的信息可以与关于用户308的运动和存在于床的信息相结合,以生成用于照明系统314的控制信号。在一些实施方式中,代替为一个或更多个其他设备提供控制信号或除了为一个或更多个其他设备提供控制信号以外,控制电路334可以向一个或更多个其他设备提供收集的信息(例如,与用户运动、存在于床、睡眠状态或用户308的生物特征信号相关的信息),以允许一个或更多个其他设备在生成控制信号时利用收集的信息。例如,床302的控制电路334可以向中央控制器(未示出)提供与用户308和床302的用户交互相关的信息,中央控制器可以使用所提供的信息来生成用于各种设备(包括床302)的控制信号。
仍然参考图3,床302的控制电路334可以生成用于控制其他设备的动作的控制信号,并且响应于由控制电路334收集的信息(包括用户308存在于床、用户308的睡眠状态和其他因素),将控制信号传输到其他设备。例如,与泵304集成的控制电路334可以检测床302的床垫的特征(诸如气室306b中的压力增加),并且使用这个检测到的气压增加来确定用户308在床302上。在一些实施方式中,控制电路334可以识别用户308的心率或呼吸率,以识别由于人坐在、躺在或以其他方式在床302上休息,而不是无生命的物体(诸如手提箱)被放置在床302上所导致的压力增加。在一些实施方式中,指示用户存在于床的信息与其他信息相结合,以识别用户308的当前或未来可能状态。例如,在上午11:00检测到的用户存在于床可以指示用户正坐在床上(例如,系她的鞋,或者读书),并且不打算睡觉,而在晚上10:00检测到的用户存在于床可以指示用户308晚上在床上并且打算很快入睡。作为另一个示例,如果控制电路334检测到用户308在早上6:30已经离开床302(例如,指示用户308当天已醒来),并且随后在早上7:30检测到用户308的用户存在于床,则控制电路334可以使用该信息,即新检测到的用户存在于床可能是暂时的(例如,当用户308在前往工作之前系她的鞋),而不是用户308打算待在床302上较长时段的指示。
在一些实施方式中,控制电路334能够使用收集的信息(包括与用户308和床302的用户交互相关的信息,以及环境信息、时间信息和从用户接收的输入)来识别用户308的使用模式。例如,控制电路334可以使用在一段时间内收集的指示用户308的存在于床和睡眠状态的信息来识别用户的睡眠模式。例如,控制电路334可以基于在一周内收集的指示用户存在和用户308的生物特征的信息来识别用户308一般在晚上9:30到10:00之间上床睡觉,一般在晚上10:00到11:00之间入睡,并且一般在早上6:30到6:45之间醒来。控制电路334可以使用识别出的用户模式来更好地处理和识别用户308与床302的用户交互。
例如,给定用户308的以上示例用户存在于床、睡眠和醒来模式,如果检测到用户308在下午3:00在床上,则控制电路334可以确定用户在床上的存在只是暂时的,并且使用该确定来生成与在控制电路334确定用户308晚上在床上的情况下将会生成的控制信号不同的控制信号。作为另一个示例,如果控制电路334检测到用户308已经在凌晨3:00离开床,则控制电路334可以使用识别出的用户308的模式来确定用户只是暂时起床(例如,使用洗手间,或者拿一杯水),并且并不是当天的起床。相反,如果控制电路334识别出用户308在早上6:40已经离开床302,则控制电路334可以确定这是用户当天的起床,并且生成与在确定用户308只是暂时离开床的情况下(当用户308在凌晨3:00离开床302时的情况)所生成的控制信号不同的控制信号集合。对于其他用户308,凌晨3:00离开床302可以是正常的醒来时间,控制电路334可以学习并对应地做出响应。
如上所述,床302的控制电路334可以生成控制信号,以用于控制各种其他设备的功能。可以至少部分地基于检测到的用户308与床302的交互以及包括时间、日期、温度等的其他信息来生成控制信号。例如,控制电路334可以与电视312通信,从电视312接收信息,并生成用于控制电视312的功能的控制信号。例如,控制电路334可以从电视312接收电视312当前开机的指示。如果电视312位于与床302不同的房间,则控制电路334可以在做出用户308晚上已经上床睡觉的确定时生成控制信号来关闭电视312。例如,如果在特定时间区域(time range)内(例如,晚上8:00到早上7:00之间)检测到用户308在床302上的存在于床,并且持续时间超过阈值时间段(例如,10分钟),则控制电路334可以使用该信息来确定用户308晚上在床上。如果电视312开机(如床302的控制电路334从电视312接收的通信所指示的),则控制电路334可以生成控制信号来关闭电视312。控制信号然后可以被传输到电视(例如,通过电视312和控制电路334之间的定向通信链路或者通过网络)。作为另一个示例,并非响应于检测到用户存在于床而关闭电视312,而是控制电路334可以生成控制信号,该控制信号使得电视312的音量降低预先指定的量。
作为另一个示例,在检测到用户308在指定时间区域内(例如,在早上6:00至8:00之间)离开床302时,控制电路334可以生成控制信号,以使电视312开启并调到预先指定的频道(例如,用户308已经指示对于在早上起床时观看早间新闻的偏好)。控制电路334可以生成控制信号并将该信号传输到电视312,以使电视312开启并调到期望的台(其可以存储在控制电路334、电视312或另一个位置处)。作为另一个示例,在检测到用户308当天已经起床的时候,控制电路334可以生成并且传输控制信号,以使电视312开启并开始播放来自与电视312通信的数字视频录像机(DVR)的先前记录的节目。
作为另一个示例,如果电视312与床302在同一房间,则控制电路334不会响应于检测到用户存在于床而使电视312关闭。相反,控制电路334可以响应于确定用户308睡着了,而生成并且传输控制信号,以使电视312关闭。例如,控制电路334可以监测用户308的生物特征信号(例如,运动、心率、呼吸率),以确定用户308已经入睡。当检测到用户308正在睡觉时,控制电路334生成并且传输控制信号,以关闭电视312。作为另一个示例,控制电路334可以生成控制信号,以在用户308已经入睡之后的阈值时间段之后(例如,在用户已经入睡之后10分钟)关闭电视312。作为另一个示例,在确定用户308睡着之后,控制电路334生成控制信号,以降低电视312的音量。作为又一个示例,控制电路334生成并且传输控制信号,以使电视在一段时间内逐渐降低音量,然后响应于确定用户308睡着了而关闭。在一些实施方式中,控制电路334可以类似地与其他媒体设备(例如计算机、平板电脑、智能电话、立体声系统等)交互。例如,在检测到用户308处于睡眠状态时,控制电路334可以生成控制信号并向用户设备310传输该控制信号,以使得用户设备310关闭或调低用户设备310正在播放的视频或音频文件的音量。
控制电路334可以另外与照明系统314通信,从照明系统314接收信息,并生成用于控制照明系统314的功能的控制信号。例如,在某个时间范围期间(例如,晚上8:00到早上7:00之间)检测到用户在床302上的存在于床持续了超过阈值时间段(例如,10分钟)时,床302的控制电路334可以确定用户308晚上在床上。响应于该确定,控制电路334可以生成控制信号,以使除了床302所在的房间之外的一个或更多个房间中的灯关断。然后,控制信号可以被传输到照明系统314,并由照明系统314执行,以使指示的房间中的灯关掉。例如,控制电路334可以生成和传输控制信号,以关闭所有公共房间中的灯,但不关闭其他卧室中的灯。作为另一个示例,响应于确定用户308晚上在床上,由控制电路334生成的控制信号可以指示除了床302所在的房间之外的所有房间中的灯将被关闭,而位于包含床302的房子外部的一个或更多个灯将被开启。另外,控制电路334可以响应于确定用户308的存在于床或用户308是否睡着而生成并且传输控制信号,以使夜灯328开启。作为另一个示例,控制电路334可以响应于检测到用户存在于床而生成用于关闭第一组灯(例如,公共房间中的灯)的第一控制信号,并且响应于检测到用户308睡着了而生成用于关闭第二组灯(例如,床302所在的房间中的灯)的第二控制信号。
在一些实施方式中,响应于确定用户308晚上在床上,床302的控制电路334可以生成控制信号,以使照明系统314在床302所在的房间中实施日落照明方案。日落照明方案可以包括,例如,与改变卧室环境中灯光的颜色(诸如,给卧室中的照明添加琥珀色)相结合的调暗灯光(随着时间的推移逐渐调暗,或者一次完全调暗)。当控制电路334已经确定用户308晚上在床上时,日落照明方案可以有助于使用户308入睡。
控制电路334还可以被配置成当用户308在早上醒来时实施日出照明方案。控制电路334可以例如通过检测到用户308在指定的时间范围期间(例如,在早上6:00和早上8:00之间)离开床302(即,不再存在于床302上),来确定用户308当天是醒着的。作为另一个示例,控制电路334可以监控用户308的运动、心率、呼吸率或其他生物特征信号,即使用户308没有离开床,也确定用户308是醒着的。如果控制电路334检测到用户在指定的时间范围期间是醒着的,则控制电路334可以确定用户308当天是醒着的。指定的时间范围可以例如基于在一段时间(例如,两周)内收集的先前记录的用户存在于床信息,该信息指示用户308通常在一天早上6:30到7:30之间醒来。响应于控制电路334确定用户308醒来,控制电路334可以生成控制信号,以使照明系统314在床302所在的卧室中实施日出照明方案。日出照明方案可以包括例如打开灯(例如灯326或卧室中的其他灯)。日出照明方案还可以包括逐渐增加床302所在的房间中(或一个或更多个其他房间中)的光水平。日出照明方案也可以只包括打开指定颜色的灯。例如,日出照明方案可以包括用蓝灯照亮卧室,以温和地帮助用户308醒来并变得活跃。
在一些实施方式中,控制电路334可以根据检测到与床302的用户交互的一天中的时间而生成用于控制一个或更多个组件(诸如照明系统314)的动作的不同控制信号。例如,控制电路334可以使用用户308与床302之间的交互的历史用户交互信息来确定用户308在工作日通常在晚上10:00到11:00之间入睡,并且通常在早上6:30到7:30之间醒来。控制电路334可以使用该信息,以在检测到用户308在凌晨3:00离开床时生成用于控制照明系统314的第一组控制信号,并且在检测到用户308在早上6:30之后离开床时生成用于控制照明系统314的第二组控制信号。例如,如果用户308在早上6:30之前离开床,则控制电路334可以开启引导用户308去洗手间的路线的灯。作为另一个示例,如果用户308在早上6:30之前离开床,则控制电路334可以开启引导用户308去厨房的路线的灯(这可以包括例如打开夜灯328、打开床下照明或打开灯326)。
作为另一个示例,如果用户308在早上6:30之后离开床,则控制电路334可以生成控制信号,以使照明系统314启动日出照明方案,或者开启卧室和/或其他房间中的一个或更多个灯。在一些实施方式中,如果检测到用户308在对用户308的指定早晨起床时间之前离开床,则控制电路334使照明系统314开启比在检测到用户308在指定天亮时间之后离开床的情况下由照明系统314开启的灯更暗的灯。使照明系统314仅在用户308在夜间离开床时(即,在对用户308正常起床时间之前)才开启昏暗的灯可以防止房子的其他占用者被灯弄醒,同时仍然允许用户308看得到,以便到达洗手间、厨房或房子内的另一个目的地。
用户308和床302之间的交互的历史用户交互信息可用于识别用户睡眠和清醒时间范围。例如,用户存在于床时间和睡眠时间可以在设定的时间段(例如,两周、一个月等)内确定。控制电路334随后可以识别用户308上床睡觉的典型时间区域或时间范围、用户308入睡的典型时间范围以及用户308醒来的典型时间范围(并且在一些情况下,用户308醒来的时间范围和用户308实际离开床的时间范围不同)。在一些实施方式中,可以将缓冲时间添加到这些时间范围中。例如,如果将用户识别为通常在晚上10:00到10:30之间上床睡觉,则可以将每个方向上半小时的缓冲添加到时间范围,使得对用户在晚上9:30到11:00之间上床睡觉的任何检测被解释为用户308晚上上床睡觉。作为另一个示例,从用户308上床睡觉的最早典型时间之前的半小时开始延长到用户的典型醒来时间(例如,早上6:30)的用户308的存在于床的检测可以被解释为用户晚上上床睡觉。例如,如果用户通常在晚上10:00到10:30之间上床睡觉,如果在一天晚上12:30感测到用户的存在于床,即使这超出了用户上床睡觉的典型时间范围,这也可以解释为用户晚上上床睡觉,因为这发生在用户正常醒来时间之前。在一些实施方式中,针对一年中的不同时间(例如,冬季相对于夏季,上床睡觉时间更早)或者在一周的不同时间(例如,用户在工作日比在周末醒来得更早),识别不同的时间范围。
控制电路334可以通过感测用户308存在的持续时间来区分用户308较长时间(诸如过夜)上床睡觉与在床302上存在较短时间(诸如小睡)之间的区别。在一些示例中,控制电路334可以通过感测用户308睡眠的持续时间来区分用户308较长时间(诸如过夜)上床睡觉与上床睡觉较短时间(诸如小睡)之间的区别。例如,控制电路334可以设置时间阈值,由此,如果感测到用户308在床302上的时间长于阈值,则认为用户308已经上床过夜了。在一些示例中,阈值可以是大约2小时,由此,如果感测到用户308在床302上超过2小时,则控制电路334将其登记为长睡眠事件。在其他示例中,阈值可以大于或小于两个小时。
控制电路334可以检测重复的长睡眠事件,以自动确定用户308的典型上床睡觉时间区域,而不需要用户308输入上床睡觉时间区域。这可以允许控制电路334准确地估计用户308何时可能为了长睡眠事件而上床睡觉,而不管用户308通常是使用传统睡眠时间表还是非传统睡眠时间表上床睡觉。控制电路334随后可以使用用户308的上床睡觉时间区域的知识来基于在上床睡觉时间区域期间或上床睡觉时间区域之外感测存在于床来不同地控制一个或更多个组件(包括床302的组件和/或非床的外围设备)。
在一些示例中,控制电路334可以自动确定用户308的上床睡觉时间区域,而不需要用户输入。在一些示例中,控制电路334可以自动地并且结合用户输入来确定用户308的上床睡觉时间区域。在一些示例中,控制电路334可以根据用户输入,直接设置上床睡觉时间区域。在一些示例中,控制电路334可以将不同的上床睡觉时间与一周中的不同日子相关联。在这些示例中的每一个中,控制电路334可以基于感测到的存在于床和上床睡觉时间区域,控制一个或更多个组件(诸如照明系统314、恒温器316、安防系统318、烤箱322、咖啡机324、灯326和夜灯328)。
控制电路334可以另外与恒温器316通信,接收来自恒温器316的信息,并且生成用于控制恒温器316的功能的控制信号。例如,根据用户308的睡眠状态或存在于床,用户308可以在不同时间指示对于不同温度的用户偏好。例如,用户308可能偏好离开床时是72度、在床上但醒着时是70度,并且睡眠时是68度的环境温度。床302的控制电路334可以检测用户308在晚上的存在于床,并且确定用户308在床上过夜。响应于该确定,控制电路334可以生成控制信号,以使恒温器将温度改变到70度。控制电路334随后可以将控制信号传输到恒温器316。当检测到用户308在上床睡觉时间区域期间在床上或睡着时,控制电路334可以生成并且传输控制信号,以使恒温器316将温度改变为68。第二天早上,在确定用户在白天醒着(例如,用户308在早上6:30之后离开床)之后,控制电路334可以生成并且传输控制电路334,以使恒温器将温度改变为72度。
在一些实施方式中,或者响应于与床302的用户交互,或者在不同的预编程时间处,控制电路334可以类似地生成控制信号,以使床302的表面上的一个或更多个加热或冷却元件在不同时间改变温度。例如,当检测到用户308已经入睡时,控制电路334可以激活加热元件,以将床302的表面的一侧的温度升高到73度。作为另一个示例,在确定用户308在白天起床后,控制电路334可以关闭加热或冷却元件。作为又一个示例,用户308可以预编程床表面处的温度应该升高或降低时的各种时间。例如,用户可以对床302进行编程,以在晚上10:00将表面温度升高到76度,并在晚上11:30将表面温度降低到68度。
在一些实施方式中,响应于检测到用户308的用户存在于床和/或用户308睡着了,控制电路334可以使恒温器316将不同房间中的温度改变为不同的值。例如,响应于确定用户308在床上过夜,控制电路334可以生成并且传输控制信号,以使恒温器316将房子的一个或更多个卧室的温度设置为72度,并将其他房间的温度设置为67度。
控制电路334还可以接收来自恒温器316的温度信息,并使用该温度信息来控制床302或其他设备的功能。例如,如上所述,控制电路334可以响应于从恒温器316接收的温度信息来调整床302中所包括的加热元件的温度。
在一些实施方式中,控制电路334可以生成和传输控制信号,用于控制其他温度控制系统。例如,响应于确定用户308在白天是醒着的,控制电路334可以生成并且传输控制信号,以使地板加热元件激活。例如,控制电路334可以响应于确定用户308白天是醒着的,而使主卧室的地板加热系统开启。
控制电路334另外可以与安防系统318通信,接收来自安防系统318的信息,并生成用于控制安防系统318的功能的控制信号。例如,响应于检测到用户308在床上过夜,控制电路334可以生成控制信号以使安防系统启用或停用安防功能。控制电路334随后可以将控制信号传输到安防系统318,以使安防系统318启用。作为另一个示例,控制电路334可以响应于确定用户308在白天是醒着的(例如,用户308在早上6:00之后不再在床302上),生成并且传输控制信号,以使安防系统318禁用。在一些实施方式中,控制电路334可以响应于检测到用户308的用户存在于床,生成并且传输第一组控制信号以使安防系统318启用第一组安防特征,并且可以响应于检测到用户308已经入睡,生成并且传输第二组控制信号以使安防系统318启用第二组安防特征。
在一些实施方式中,控制电路334可以接收来自安防系统318(和/或与安防系统318相关联的云服务)的警报,并向用户308指示该警报。例如,控制电路334可以检测到用户308在床上过夜,并且作为响应生成并且传输控制信号以使安防系统318启用或停用。安防系统随后可以检测破坏安全事件(例如,有人在没有输入安全代码的情况下打开了门332,或者有人在安防系统318启用时打开了窗户)。安防系统318可以将破坏安全事件传送给床302的控制电路334。响应于接收到来自安防系统318的通信,控制电路334可以生成控制信号,向用户308警告破坏安全事件。例如,控制电路334可以使床302振动。作为另一个示例,控制电路334可以使床302的多个部分铰接式运动(例如,使头部升高或降低),以便使用户308醒来并警告用户破坏安全事件。作为另一个示例,控制电路334可以生成并且传输控制信号,以使灯326以规则间隔闪烁,以向用户308警告破坏安全事件。作为另一个示例,控制电路334可以向一张床302的用户308警告关于另一张床的卧室中的破坏安全事件,诸如儿童卧室中的打开的窗户。作为另一个示例,控制电路334可以向车库门控制器发送警报(例如,关闭并锁住门)。作为另一个示例,控制电路334可以发送安防被停用的警报。
控制电路334可以另外生成并且传输用于控制车库门320的控制信号,并且接收指示车库门320的状态(即,打开或关闭)的信息。例如,响应于确定用户308在床上过夜,控制电路334可以生成请求并将其传输到车库门开启器或能够感测车库门320是否打开的另一设备。控制电路334可以请求关于车库门320的当前状态的信息。如果控制电路334(例如,从车库门开启器)接收到指示车库门320已打开的响应,则控制电路334可以通知用户308车库门打开,或者生成控制信号以使车库门开启器关闭车库门320。例如,控制电路334可以向用户设备310发送指示车库门已打开的消息。作为另一个示例,控制电路334可以使床302振动。作为又一个示例,控制电路334可以生成并且传输控制信号,以使照明系统314使卧室中的一个或更多个灯闪烁,以警告用户308检查用户设备310是否有警报(在该示例中,是关于车库门320已打开的警报)。可替代地或附加地,响应于识别出用户308在床上过夜并且车库门320已打开,控制电路334可以生成并且传输控制信号,以使车库门开启器关闭车库门320。在一些实施方式中,控制信号可以根据用户308的年龄而变化。
控制电路334可以类似地发送和接收通信,用于控制或接收与门332或烤箱322相关联的状态信息。例如,在检测到用户308在床上过夜时,控制电路334可以生成请求并将其传输到用于检测门332的状态的设备或系统。响应于该请求而返回的信息可以指示门332的各种状态,诸如打开、关闭但未锁住、或关闭并锁住。如果门332打开或关闭但未锁住,则控制电路334可以诸如以上面参考车库门320描述的方式向用户308警告门的状态。可替代地,或者除了警告用户308之外,控制电路334可以生成并且传输控制信号,以使门332锁住,或者使门332关闭并且锁住。如果门332关闭并锁住,则控制电路334可以确定不需要进一步的动作。
类似地,在检测到用户308在床上过夜时,控制电路334可以生成请求并将其传输到烤箱322,以请求烤箱322的状态(例如,开或关)。如果烤箱322打开,则控制电路334可以警告用户308和/或生成并且传输控制信号以使烤箱322关闭。如果烤箱已经关闭,则控制电路334可以确定不需要进一步的动作。在一些实施方式中,可以为不同的事件生成不同的警报。例如,如果安防系统318已检测到破坏安全事件,则控制电路334可以使灯326(或一个或更多个其他灯,经由照明系统314)以第一模式闪烁,如果车库门320打开则以第二模式闪烁,如果门332打开则以第三模式闪烁,如果烤箱322打开则以第四模式闪烁,并且如果另一张床已经检测到该床的用户已经起床(例如,用户308的孩子已经在半夜离开床,如由孩子的床302中的传感器感测到的那样),则以第五模式闪烁。可由床302的控制电路334处理并且传送给用户的警报的其他示例包括烟雾检测器检测到烟雾(并将该烟雾检测传送给控制电路334)、一氧化碳测试仪检测到一氧化碳、加热器失灵、或来自能够与控制电路334通信并检测应引起用户308注意的事件的任何其他设备的警报。
控制电路334还可以与用于控制百叶窗330的状态的系统或设备通信。例如,响应于确定用户308在床上过夜,控制电路334可以生成并且传输控制信号,以使百叶窗330关闭。作为另一个示例,响应于确定用户308白天起床(例如,用户在早上6:30之后离开床),控制电路334可以生成并且传输控制信号,以使百叶窗330打开。与此相反,如果用户308在用户308的正常起床时间之前离开床,则控制电路334可以确定用户308白天没有醒来,并且不生成用于使百叶窗330打开的控制信号。作为又一个示例,控制电路334可以生成并且传输控制信号,该控制信号响应于检测到用户308的用户存在于床使第一组百叶窗关闭,并且响应于检测到用户308睡着使第二组百叶窗关闭。
响应于检测到与床302的用户交互,控制电路334可以生成并且传输控制信号,以用于控制其他家用设备的功能。例如,响应于确定用户308白天是醒着的,控制电路334可以生成控制信号并将其传输到咖啡机324,以使咖啡机324开始冲泡咖啡。作为另一个示例,控制电路334可以生成控制信号并将其传输到烤箱322,以使烤箱开始预热(针对喜欢早上新鲜烤面包的用户)。作为另一个示例,控制电路334可以使用指示用户308白天是醒着的信息以及指示一年中的当前时间是冬天和/或外部温度低于阈值的信息来生成并且传输控制信号,以使汽车发动机缸体加热器开启。
作为另一个示例,控制电路334可以响应于检测到用户308的用户存在于床,或者响应于检测到用户308睡着,生成并且传输控制信号,以使一个或更多个设备进入睡眠模式。例如,控制电路334可以生成控制信号,以使用户308的移动电话切换到睡眠模式。控制电路334随后可以将控制信号传输到移动电话。稍后,在确定用户308白天起床时,控制电路334可以生成并且传输控制信号,以使移动电话切换离开睡眠模式。
在一些实施方式中,控制电路334可以与一个或更多个噪声控制设备通信。例如,在确定用户308在床上过夜时,或者在确定用户308睡着时,控制电路334可以生成并且传输控制信号,以使一个或更多个噪声消除设备激活。噪声消除设备可以例如作为床302的一部分而被包括,或者与床302一起位于卧室中。作为另一个示例,在确定用户308在床上过夜或者确定用户308睡着时,控制电路334可以生成并且传输控制信号,以打开、关闭、调高或调低一个或更多个声音生成设备(诸如立体声系统收音机、计算机、平板电脑等)的音量。
另外,床302的功能由控制电路334响应于与床302的用户交互来控制。例如,床302可以包括可调整底座和铰接控制器,铰接控制器被配置成通过调整支撑床的可调整底座来调整床302的一个或更多个部分的位置。例如,铰接控制器可以将床302从平坦位置调整到床302的床垫的头部部分向上前倾的位置(例如,便于用户在床上坐起和/或看电视)。在一些实施方式中,床302包括多个单独可铰接的部段。例如,床的对应于气室306a和306b的位置的部分可以彼此独立地铰接,以允许位于床302表面上的一个人在第一位置(例如,平坦位置)休息,而第二个人在第二位置(例如,头部与腰部以一定角度抬起的斜倚位置)休息。在一些实施方式中,可以为两个不同的床设置单独的位置(例如,两个相邻放置的单人床)。床302的底座可以包括可以独立调整的一个以上的区域。如上所述,铰接控制器还可以被配置成向床302上的一个或更多个用户提供不同级别的按摩,或者使床振动,以向用户308传送警报。
控制电路334可以响应于与床302的用户交互来调整位置(例如,用户308和/或床302的额外用户的斜升和下降位置)。例如,响应于感测到用户308的用户存在于床,控制电路334可以使铰接控制器将床302调整到用户308的第一斜倚位置。响应于确定用户308睡着了,控制电路334可以使铰接控制器将床302调整到第二斜倚位置(例如,较少斜倚的或平坦的位置)。作为另一个示例,控制电路334可以接收来自电视312的指示用户308已经关闭电视312的通信,并且作为响应,控制电路334可以使铰接控制器将床302的位置调整到优选的用户睡眠位置(例如,由于用户308在床上时关闭电视312,这指示用户308想要去睡觉)。
在一些实施方式中,控制电路334可以控制铰接控制器,以便使床302的一个用户醒来,而不使床302的另一个用户醒来。例如,用户308和床302的第二用户可以各自设置不同的醒来时间(例如,分别为早上6:30和早上7:15)。当到达用户308的醒来时间时,控制电路334可以使铰接控制器振动或仅改变用户308所在的床的一侧的位置,以使用户308醒来,而不打扰第二用户。当到达第二用户的醒来时间时,控制电路334可以使铰接控制器振动或者仅改变第二用户所在的床的一侧的位置。可替代地,当到了第二醒来时间时,控制电路334可以利用其他方法(诸如音频报警或开启灯)来使第二用户醒来,因为用户308已经醒来,因此当控制电路334试图使第二用户醒来时,用户308不会被打扰。
仍然参考图3,床302的控制电路334可以利用多个用户与床302交互的信息,以生成用于控制各种其他设备的功能的控制信号。例如,控制电路334可以等待生成控制信号,该控制信号例如用于启用安防系统318或者命令照明系统314关闭各个房间中的灯,直到检测到用户308和第二用户都在床302上为止。作为另一个示例,控制电路334可以生成第一组控制信号,以在检测到用户308的存在于床上时使得照明系统314关闭第一组灯,并且响应于检测到第二用户的存在于床上,生成用于关闭第二组灯的第二组控制信号。作为另一个示例,控制电路334可以等待,直到确定在生成用于打开百叶窗330的控制信号之前用户308和第二用户都是在白天醒着的为止。作为又一个示例,响应于确定用户308已经离开床并且白天是醒着的,但是第二用户仍在睡眠,控制电路334可以生成并且传输第一组控制信号,以使咖啡机324开始冲泡咖啡,使安防系统318无效,开启灯326,关闭夜灯328,以使恒温器316将一个或更多个房间中的温度升高到72度,并打开除了床302所在的卧室之外的房间中的百叶窗(例如,百叶窗330)。稍后,响应于检测到第二用户不再在床上(或者第二用户醒着),控制电路334可以生成并且传输第二组控制信号,以例如使得照明系统314打开卧室中的一个或更多个灯,使得卧室中的百叶窗打开,并且将电视312打开到预先指定的频道。
与床相关联的数据处理系统的示例
在此描述的是可以用于数据处理任务的、例如与床相关联的系统和组件的示例。在一些情况下,呈现特定组件或组件组的多个示例。这些示例中的一些是冗余的和/或互斥的选择。组件之间的连接作为示例示出,以说明允许组件之间的通信的可能网络配置。根据技术需要或期望,可以使用不同格式的连接。一般来说,连接指示可以用任何技术上可行的格式创建的逻辑连接。例如,主板上的网络可以采用印刷电路板、无线数据连接和/或其他类型的网络连接来创建。为了清楚起见,没有显示一些逻辑连接。例如,为了清楚起见,可能没有示出与电源和/或计算机可读存储器的连接,因为特定组件的许多或所有元件可能需要连接到电源和/或计算机可读存储器。
图4A是可以与床系统相关联的数据处理系统400的示例的框图,该床系统包括上面关于图1-图3描述的那些。该系统400包括泵主板402和泵子板404。系统400包括传感器阵列406,传感器阵列406可以包括一个或更多个传感器,该传感器被配置成感测环境和/或床的物理现象,并将这种感测报告回泵主板402,以用于例如分析。系统400还包括控制器阵列408,控制器阵列408可以包括一个或更多个控制器,该控制器被配置成控制床和/或环境的逻辑控制设备。泵主板400可以通过本地网络、互联网412或技术上适当的其他方式与一个或更多个计算设备414以及一个或更多个云服务410通信。下面将更详细地描述这些组件中的每一个,其中一些具有多个示例配置。
在该示例中,泵主板402和泵子板404可通信地耦合。它们可以在概念上被描述为系统400的中心或中枢,并且其他组件在概念上被描述为系统400的轮辐。在一些配置中,这可能意味着每个轮辐组件主要或专门与泵主板402通信。例如,传感器阵列的传感器可以不被配置成或者可能不能够直接与对应的控制器通信。相反,每个轮辐组件可以与主板402通信。传感器阵列406的传感器可以向主板402报告传感器读数,并且作为响应,主板402可以确定控制器阵列408的控制器应该调整逻辑控制设备的一些参数或者以其他方式修改一个或更多个外围设备的状态。在一种情况下,如果床的温度被确定为太热,则泵主板402可以确定温度控制器应该冷却床。
轮毂-轮辐网络配置(有时也被称为星型网络)的一个优点在于,与例如具有动态路由的网状网络相比,网络流量降低。如果特定的传感器生成大的、连续的流量流,则该流量可能仅通过网络的一个轮辐传输到主板402。主板402可以例如整理该数据,并将其压缩成更小的数据格式,用于重传以存储在云服务410中。附加地或可替代地,主板402可以生成单个、小的命令消息,以响应于大的流而被向下发送到网络的不同轮辐。例如,如果大的数据流是从传感器阵列406每秒传输几次的压力读数,则主板402可以用单个命令消息响应控制器阵列,以增加气室中的压力。在这种情况下,单个命令消息可以比压力读数流小几个数量级。
作为另一个优点,轮毂-轮辐网络配置可以允许可扩展网络,该可扩展网络可以容纳添加、移除、出现故障等的组件。这可以允许例如传感器阵列406中的更多、更少或不同的传感器、控制器阵列408中的控制器、计算设备414和/或云服务410。例如,如果特定的传感器出现故障或者被传感器的较新版本取代,则系统400可以被配置成使得只有主板402需要就更换传感器进行更新。这可以允许例如产品差异,其中同一主板402可以支持具有较少传感器和控制器的入门级产品、具有较多传感器和控制器的高价值产品、以及客户可以将他们自己选择的组件添加到系统400的客户个性化。
另外,气垫床产品线可以使用具有不同组件的系统400。在该产品线中的每个气垫床都包括中央逻辑单元和泵的应用中,主板402(以及可选的子板404)可以被设计成安装在单个通用的壳体内。然后,对于产品线中产品的每次升级,都可以添加额外的传感器、控制器、云服务等。与每个产品都有定制逻辑控制系统的产品线相比,根据这个基础设计产品线中的所有产品可以降低设计、制造和测试时间。
上面讨论的每个组件都可以用多种技术和配置来实现。下面,将进一步讨论每个组件的一些示例。在一些替代方案中,系统400的两个或更多个组件可以以单个替代组件实现;一些组件可以以多个单独的组件实现;和/或一些功能可以由不同的组件提供。
图4B是示出数据处理系统400的一些通信路径的框图。如前所述,主板402和泵子板404可以充当系统400的外围设备和云服务的中枢。在泵子板404与云服务或其他组件通信的情况下,来自泵子板404的通信可以通过泵主板402路由。这可以允许例如床仅具有与互联网412的单一连接。计算设备414也可以可能通过床使用的同一网关和/或可能通过不同的网关(例如,蜂窝服务提供商)而具有与互联网412的连接。
先前,描述了多个云服务410。如图4B所示,一些云服务(诸如云服务410d和410e)可以被配置成使得泵主板402可以与云服务直接通信,也就是说,主板402可以与云服务410通信,而不必使用另一云服务410作为中介。附加地或可替代地,一些云服务410(例如云服务410f)可能只能通过中间云服务(例如云服务410e)由泵主板402可获得。虽然在此没有示出,但是一些云服务410可以由泵主板402直接或间接地获得。
另外,一些或所有云服务410可以被配置成与其他云服务通信。这种通信可以包括根据任何技术上适当的格式的数据传输和/或远程函数调用。例如,一个云服务410可以请求另一个云服务410的数据的副本,例如,出于备份、协调、迁移的目的,或者用于执行计算或数据挖掘。在另一个示例中,许多云服务410可以包含根据由用户账户云410c和/或床数据云410a跟踪的特定用户来索引的数据。当访问对特定用户或床特定的数据时,这些云服务410可以与用户账户云410c和/或床数据云410a通信。
图5是主板402的示例的框图,该主板402可以用于可与床系统(包括上面关于图1-图3描述的那些)相关联的数据处理系统。在该示例中,与下面描述的其他示例相比,该主板402由相对较少的零部件组成,并且可以被限制为提供相对有限的特征集。
主板包括电源500、处理器502和计算机存储器512。一般来说,电源包括用于从外部源接收电能并将其提供给主板402的组件的硬件。电源可以包括例如电池组和/或墙壁插座适配器、AC到DC转换器、DC到AC转换器、功率调节器、电容器组和/或用于提供主板402的其他组件需要的电流类型的、电压等的功率的一个或更多个接口。
一般来说,处理器502是用于接收输入、执行逻辑确定和提供输出的设备。处理器502可以是中央处理单元、微处理器、通用逻辑电路、专用集成电路、这些的组合和/或用于执行所需功能的其他硬件。
一般来说,存储器512是用于存储数据的一个或更多个设备。存储器512可以包括长期稳定的数据存储装置(例如,在硬盘上)、短期不稳定的数据存储装置(例如,在随机存取存储器上)或任何其他技术上适当的配置。
主板402包括泵控制器504和泵马达506。泵控制器504可以接收来自处理器502的命令,并且作为响应,控制泵马达506的功能。例如,泵控制器504可以接收来自处理器502的将气室压力增加0.3磅/平方英寸(PSI)的命令。作为响应,泵控制器504启用阀,使得泵马达506被配置成将空气泵送入选定的气室,并且能够将泵马达506启用对应于0.3PSI的时间长度,或者直到传感器指示压力已经增加了0.3PSI为止。在替代配置中,该消息可以指定室应该充气到目标PSI,并且泵控制器504可以启用泵马达506,直到达到目标PSI为止。
阀螺线管508可以控制泵连接到哪个气室。在一些情况下,螺线管508可以由处理器502直接控制。在一些情况下,螺线管508可以由泵控制器504控制。
主板402的远程接口510可以允许主板402与数据处理系统的其他组件通信。例如,主板402能够通过远程接口510与一个或更多个子板、与外围传感器和/或与外围控制器通信。远程接口510可以提供任何技术上适当的通信接口,包括但不限于多个通信接口,诸如WiFi、蓝牙和铜线网络。
图6是主板402的示例的框图,该主板402可以用于可与床系统(包括上面关于图1-图3描述的那些)相关联的数据处理系统。与参照图5描述的主板402相比,图6中的主板可以包含更多的组件,并在某些应用中提供更多的功能。
除了电源500、处理器502、泵控制器504、泵马达506和阀螺线管508之外,该主板402被示出具有阀控制器600、压力传感器602、通用串行总线(USB)堆栈604、WiFi广播设备606、蓝牙低能耗(BLE)广播设备608、ZigBee广播设备610、蓝牙广播设备612和计算机存储器512。
类似于泵控制器504将来自处理器502的命令转换成用于泵马达506的控制信号的方式,阀控制器600可以将来自处理器502的命令转换成用于阀螺线管508的控制信号。在一个示例中,处理器502可以向阀控制器600发出命令,以将泵连接到气垫床中的一组气室中的特定气室。阀控制器600可以控制阀螺线管508的位置,使得泵连接到指示的气室。
压力传感器602可以读取来自气垫床的一个或更多个气室的压力读数。压力传感器602也可以进行数字传感器调节。
主板402可以包括一套网络接口,包括但不限于在此所示的那些。这些网络接口可以允许主板通过有线或无线网络与任意数量的设备(包括但不限于外围传感器、外围控制器、计算设备以及连接到互联网412的设备和服务)通信。
图7是子板404的示例的框图,该子板404可以用于可与床系统(包括上面关于图1-图3描述的那些)相关联的数据处理系统。在一些配置中,一个或更多个子板404可以连接到主板402。一些子板404可以被设计成卸载来自主板402的特定的和/或划分的任务。这可能是有利的,例如,如果特定任务是计算密集型的、专有的、或者受制于未来的修订。例如,子板404可以用于计算特定的睡眠数据度量。该度量可以是计算密集型的,并且在计算度量时在子板404上计算睡眠度量可以释放主板402的资源。附加地和/或可替代地,睡眠度量可以受制于未来的修订。为了用新的睡眠度量来更新系统400,可能仅需要替换计算该度量的子板404。在这种情况下,可以使用同一主板402和其他组件,而不需要对附加组件执行单元测试,相反地仅仅对子板404执行单元测试。
子板404被示出为具有电源700、处理器702、计算机可读存储器704、压力传感器706和WiFi广播设备708。处理器可以使用压力传感器706来收集关于气垫床的一个气室或更多个气室的压力的信息。根据该数据,处理器702可以执行算法来计算睡眠度量。在一些示例中,睡眠度量可以仅根据气室的压力来计算。在其他示例中,可以根据一个或更多个其他传感器计算睡眠度量。在需要不同数据的示例中,处理器702可以接收来自一个适当的传感器或更多个适当的传感器的数据。这些传感器可以在子板404的内部,经由WiFi广播设备708可访问,或者以其他方式与处理器702通信。一旦计算出睡眠度量,处理器702就可以将该睡眠度量报告给例如主板402。
图8是没有子板的主板800的示例的框图,该主板800可以用于可与床系统(包括上面关于图1-图3描述的那些)相关联的数据处理系统。在该示例中,主板800可以执行参照图6中的主板402和图7中的子板404描述的大多数、全部或更多特征。
图9是传感阵列406的示例的框图,该传感阵列406可以用于可与床系统(包括上面关于图1-图3描述的那些)相关联的数据处理系统。一般来说,传感器阵列406是与主板402通信但并非主板402固有的一些或所有外围传感器的概念分组。
传感器阵列406中的外围传感器可以通过主板的一个或更多个网络接口(包括但不限于USB堆栈1112、WiFi广播设备606、蓝牙低能耗(BLE)广播设备608、ZigBee广播设备610和蓝牙广播设备612,视特定传感器的配置而定)与主板402进行通信。例如,通过USB电缆输出读数的传感器可以通过USB堆栈1112进行通信。
传感器阵列406中的一些外围传感器900可以是安装在床上的900。例如,这些传感器可以嵌入到床的结构中并且与床一起销售,或者随后固定到床的结构上。其他外围传感器902和904可以与主板402通信,但是可选地不安装到床上。在一些情况下,安装在床上的传感器900中的一些或所有和/或外围传感器902和904可以共享联网硬件,包括其包含来自每个传感器的导线的导管、多线电缆或插头,当其固定到主板402时,将所有相关联的传感器与主板402连接。在一些实施例中,传感器902、904、906、908和910中的一个、一些或全部可以感测床垫的一个或更多个特征,诸如压力、温度、光、声音和/或床垫的一个或更多个其他特征。在一些实施例中,传感器902、904、906、908和910中的一个、一些或全部可以感测床垫外部的一个或更多个特征。在一些实施例中,压力传感器902可以感测床垫的压力,而传感器902、904、906、908和910中的一些或全部可以感测床垫的和/或床垫外部的一个或更多个特征。
图10是控制器阵列408的示例的框图,该控制器阵列408可以用于可与床系统(包括上面关于图1-图3描述的那些)相关联的数据处理系统。一般来说,控制器阵列408是与主板402通信但并非主板402固有的一些或所有外围控制器的概念分组。
控制器阵列408中的外围控制器可以通过主板的一个或更多个网络接口(包括但不限于USB堆栈1112、WiFi广播设备1114、蓝牙低能耗(BLE)广播设备1116、ZigBee广播设备610和蓝牙广播设备612,视特定传感器的配置而定)与主板402进行通信。例如,通过USB电缆接收命令的控制器可以通过USB堆栈1112进行通信。
控制器阵列408中的一些控制器可以是安装在床上的1000,包括但不限于温度控制器1006、光控制器1008和/或扬声器控制器1010。例如,这些控制器可以嵌入到床的结构中并且与床一起销售,或者随后固定到床的结构上。其他外围控制器1002和1004可以与主板402通信,但是可选地不安装到床上。在一些情况下,安装在床上的控制器1000中的一些或所有和/或外围控制器1002和1004可以共享联网硬件,包括其包含对于每个控制器的导线的导管、多线电缆或插头,当其固定到主板402时,将所有相关联的控制器与主板402连接。
图11是计算设备414的示例的框图,该计算设备414可以用于可与床系统(包括上面关于图1-图3描述的那些)相关联的数据处理系统。计算设备414可以包括例如床的用户使用的计算设备。示例计算设备414包括但不限于移动计算设备(例如,移动电话、平板计算机、膝上型电脑)和台式计算机。
计算设备414包括电源1100、处理器1102和计算机可读存储器1104。用户输入和输出可以通过例如扬声器1106、触摸屏1108或其他未示出的组件(诸如定点设备或键盘)来传输。计算设备414可以运行一个或更多个应用1110。这些应用可以包括例如允许用户与系统400交互的应用。这些应用可以允许用户查看关于床的信息(例如,传感器读数、睡眠度量),或者配置系统400的行为(例如,设置床的期望硬度,设置对于外围设备的期望行为)。在一些情况下,计算设备414可以被用于补充或代替先前描述的遥控器122。
图12是示例床数据云服务410a的框图,其可以用于可与床系统(包括上面关于图1-图3描述的那些)相关联的数据处理系统。在该示例中,床数据云服务410a被配置成收集来自特定的床的传感器数据和睡眠数据,并且在生成传感器数据和睡眠数据时将传感器数据和睡眠数据与使用床的一个或更多个用户进行匹配。
床数据云服务410a被示出为具有网络接口1200、通信管理器1202、服务器硬件1204和服务器系统软件1206。另外,床数据云服务410a被示出为具有用户识别模块1208、设备管理模块1210、传感器数据模块1212和高级睡眠数据模块1214。
一般来说,网络接口1200包括用于允许一个或更多个硬件设备通过网络通信的硬件和低级软件。例如,网络接口1200可以包括网卡、路由器、调制解调器和允许床数据云服务410a的组件通过例如互联网412相互通信以及与其他目的地通信所需的其他硬件。一般来说,通信管理器1202包括在网络接口1200之上操作的硬件和软件。这包括启动、维护和拆除床数据云服务410a使用的网络通信的软件。这包括例如TCP/IP、SSL或TLS、Torrent和局域网或广域网上的其他通信会话。通信管理器1202还可以向床数据云服务410a的其他元件提供负载平衡和其他服务。
服务器硬件1204通常包括用于实例化和维护床数据云服务410a的物理处理设备。该硬件包括但不限于处理器(例如,中央处理单元、ASIC、图形处理器)和计算机可读存储器(例如,随机存取存储器、稳定硬盘、磁带备份)。一个或更多个服务器可以配置成集群、多计算机或数据中心,它们在地理上可以是分开的或是连接的。
一般来说,服务器系统软件1206包括在服务器硬件1204上运行以向应用和服务提供操作环境的软件。服务器系统软件1206可以包括在真实服务器上运行的操作系统、在真实服务器上实例化以创建许多虚拟服务器的虚拟机、服务器级操作(诸如数据迁移、冗余和备份)。
用户识别1208可以包括或引用与数据处理系统相关联的床的用户相关的数据。例如,用户可以包括客户、所有者或者向床数据云服务410a或另一服务注册的其他用户。每个用户可以具有例如唯一的标识符、用户证书、联系人信息、账单信息、人口统计信息或任何其他技术上适当的信息。
设备管理器1210可以包括或引用与数据处理系统相关联的床或其他产品相关的数据。例如,床可以包括在与床数据云服务410a相关联的系统中销售或注册的产品。每张床可以具有例如唯一标识符、型号和/或序列号、销售信息、地理信息、配送信息、相关联的传感器和控制外围设备的列表等。此外,由床数据云服务410a存储的一个索引或多个索引可以识别与床相关联的用户。例如,这个索引可以记录将一张床销售给用户、睡在床上的用户等。
传感器数据1212可以记录由与数据处理系统相关联的床记录的原始或压缩的传感器数据。例如,床的数据处理系统可以具有温度传感器、压力传感器和光传感器。来自这些传感器的读数(无论是采用原始形式的还是采用从传感器的原始数据(例如睡眠度量)生成的格式的)可以由床的数据处理系统传送到床数据云服务410a,以存储在传感器数据1212中。另外,床数据云服务410a存储的一个索引或更多个索引可以识别与传感器数据1212相关联的用户和/或床。
床数据云服务410a可以使用任何其可用的数据来生成高级睡眠数据1214。一般来说,高级睡眠数据1214包括睡眠度量和从传感器读数生成的其他数据。这些计算中的一些可以在床数据云服务410a中执行,而不是在床的数据处理系统本地执行,例如,因为这些计算在计算上是复杂的,或者需要大量的存储器空间或处理器能力,而这些在床的数据处理系统上是不可得的。这可以有助于允许床系统采用相对简单的控制器进行操作,并且仍然作为执行相对复杂的任务和计算的系统的一部分。
图13是示例睡眠数据云服务410b的框图,该睡眠数据云服务410b可以用于可与床系统(包括上面关于图1-图3描述的那些)相关联的数据处理系统。在该示例中,睡眠数据云服务410b被配置成记录与用户的睡眠体验相关的数据。
睡眠数据云服务410b被示出为具有网络接口1300、通信管理器1302、服务器硬件1304和服务器系统软件1306。另外,睡眠数据云服务410b被示出为具有用户识别模块1308、压力传感器管理器1310、基于压力的睡眠数据模块1312、原始压力传感器数据模块1314和非压力睡眠数据模块1316。
压力传感器管理器1310可以包括或引用与床中的压力传感器的配置和操作相关的数据。例如,该数据可以包括特定床中传感器类型的标识符、它们的设置和校准数据等。
基于压力的睡眠数据1312可以使用原始压力传感器数据1314来计算与压力传感器数据特别相关的睡眠度量。例如,用户的存在、运动、体重变化、心率和呼吸率都可以根据原始压力传感器数据1314来确定。另外,由睡眠数据云服务410b存储的一个索引或更多个索引可以识别与压力传感器、原始压力传感器数据和/或基于压力的睡眠数据相关联的用户。
非压力睡眠数据1316可以使用其他数据源来计算睡眠度量。例如,用户输入的偏好、光传感器读数和声音传感器读数都可以用来跟踪睡眠数据。另外,由睡眠数据云服务410b存储的一个索引或更多个索引可以识别与其他传感器和/或非压力睡眠数据1316相关联的用户。
图14是示例用户账户云服务410c的框图,该用户账户云服务410c可以用于可与床系统(包括上面关于图1-图3描述的那些)相关联的数据处理系统。在该示例中,用户账户云服务410c被配置成记录用户列表并识别与这些用户相关的其他数据。
用户账户云服务410c被示出为具有网络接口1400、通信管理器1402、服务器硬件1404和服务器系统软件1406。另外,用户账户云服务410c被示出为具有用户识别模块1408、购买历史模块1410、参与模块1412和应用使用历史模块1414。
用户识别模块1408可以包括或引用与数据处理系统相关联的床的用户相关的数据。例如,用户可以包括客户、所有者或者向用户账户云服务410a或另一服务注册的其他用户。每个用户可以具有例如唯一的标识符、以及用户证书、人口统计信息或任何其他技术上适当的信息。
购买历史模块1410可以包括或引用与用户购买相关的数据。例如,购买数据可以包括销售的联系人信息、账单信息和销售人员信息。另外,由用户账户云服务410c存储的一个索引或更多个索引可以识别与购买相关联的用户。
参与1412可以跟踪用户与床和/或云服务的制造商、供应商和/或管理者的交互。该参与数据可以包括通信(例如,电子邮件、服务呼叫)、销售数据(例如,销售收据、配置日志)和社交网络交互。
使用历史模块1414可以包含关于与一个或更多个应用和/或床的遥控器的用户交互的数据。例如,监测和配置应用可以被分发,以在例如计算设备412上运行。该应用可以记录和报告用户交互,以存储在应用使用历史模块1414中。另外,由用户账户云服务410c存储的一个索引或更多个索引可以识别与每个日志条目相关联的用户。
图15是示例销售点云服务1500的框图,该销售点云服务1500可以用于可与床系统(包括上面关于图1-图3描述的那些)相关联的数据处理系统。在该示例中,销售点云服务1500被配置成记录与用户购买相关的数据。
销售点云服务1500被示出为具有网络接口1502、通信管理器1504、服务器硬件1506和服务器系统软件1508。另外,销售点云服务1500被示出为具有用户识别模块1510、购买历史模块1512和设置模块1514。
购买历史模块1512可以包括或引用与用户识别模块1510中识别出的用户进行的购买相关的数据。购买信息可以包括例如销售数据、价格以及销售地点、交货地址以及用户在销售时选择的配置选项。这些配置选项可以包括由用户做出的关于他们希望如何设置他们新购买的床的选择,并且可以包括例如预期的睡眠时间表、他们已经或将要安装的外围传感器和控制器的列表等。
床设置模块1514可以包括或引用与用户购买的床的安装相关的数据。床设置数据可以包括例如床交货的日期和地址、接受交货的人、交货时应用于床的配置、将睡在床上的一个人或更多个人的名字、每个人将使用床的哪一侧等。
在销售点云服务1500中记录的数据可以被用户的床系统在晚些时候引用,以根据在销售点云服务1500中记录的数据,控制床系统的功能和/或向外围组件发送控制信号。这可以允许销售人员在销售点收集来自用户的信息,这有助于床系统稍后的自动化。在一些示例中,床系统的一些或所有方面可以自动化,在销售点之后很少需要或不需要用户输入的数据。在其他示例中,在销售点云服务1500中记录的数据可以结合从用户输入的数据中收集的各种附加数据来使用。
图16是示例环境云服务1600的框图,该环境云服务1600可以用于可与床系统(包括上面关于图1-图3描述的那些)相关联的数据处理系统。在该示例中,环境云服务1600被配置成记录与用户的家居环境相关的数据。
环境云服务1600被示出为具有网络接口1602、通信管理器1604、服务器硬件1606和服务器系统软件1608。另外,环境云服务1600被示为具有用户识别模块1610、环境传感器模块1612和环境因素模块1614。
环境传感器模块1612可以包括在用户识别模块1610中的用户已经安装在他们床中的传感器的列表。这些传感器包括可以检测环境变量的任何传感器——光传感器、噪声传感器、振动传感器、恒温器等。此外,环境传感器模块1612可以存储来自那些传感器的历史读数或报告。
环境因素模块1614可以包括基于环境传感器模块1612中的数据生成的报告。例如,对于用户,利用光传感器与在环境传感器模块1612中的数据,环境因素模块1614可以保存这样的报告:该报告指示当用户睡着时增加照明的实例的频率和持续时间。
在此讨论的示例中,每个云服务410被示出为具有一些相同的组件。在各种配置中,这些相同的组件可以是在服务之间部分或全部共享的,或者它们也可以是单独的。在一些配置中,每个服务可以有在一些方面相同或不同的一些或所有组件的单独的副本。此外,这些部件仅作为说明性示例被提供。在其他示例中,每个云服务可以具有在技术上可行的不同数量、类型和风格的部件。
图17是使用可与床(诸如所述的床系统的床)相关联的数据处理系统来自动化床周围的外围设备的示例的框图。在此示出了在泵主板402上运行的行为分析模块1700。例如,行为分析模块1700可以是在计算机存储器512上存储的并由处理器502执行的一个或更多个软件组件。一般来说,行为分析模块1700可以收集来自各种源(例如,传感器、非传感器本地源、云数据服务)的数据,并使用行为算法1702来生成将要采取的一个或更多个动作(例如,将命令发送到外围控制器、将数据发送到云服务)。例如,这在跟踪用户行为以及使设备与用户的床的通信自动化方面是有用的。
行为分析模块1700可以收集来自任何技术上适当的源的数据,例如,收集关于床的特征、床的环境和/或床的用户的数据。一些这样的源包括传感器阵列406中的任何传感器。例如,该数据可以向行为分析模块1700提供关于床周围环境的当前状态的信息。例如,行为分析模块1700可以访问来自压力传感器902的读数,以确定床中气室的压力。根据该读数以及潜在的其他数据,可以确定用户在床上的存在。在另一个示例中,行为分析模块可以访问光传感器908来检测床的环境中的光量。
类似地,行为分析模块1700可以访问来自云服务的数据。例如,行为分析模块1700可以访问床云服务410a,以访问历史传感器数据1212和/或高级睡眠数据1214。行为分析模块1700可以访问其他云服务410,包括先前未描述的那些。例如,行为分析模块1700可以访问天气报告服务、第三方数据提供商(例如,交通和新闻数据、紧急广播数据、用户旅行数据)和/或时钟和日历服务。
类似地,行为分析模块1700可以访问来自非传感器源1704的数据。例如,行为分析模块1700可以访问本地时钟和日历服务(例如,主板402的或处理器502的组件)。
行为分析模块1700可以汇总并且准备该数据,以供一个或更多个行为算法1702使用。行为算法1702可以用于学习用户的行为和/或基于所访问的数据的状态和/或预测的用户行为来执行某个动作。例如,行为算法1702可以使用可得的数据(例如,压力传感器、非传感器数据、时钟和日历数据)来创建用户每晚何时上床睡觉的模型。稍后,可以使用相同或不同的行为算法1702来确定气室压力的增加是否可能指示用户将要上床睡觉,并且如果是,则向第三方云服务410发送一些数据和/或启用设备,举几个例子,诸如泵控制器504、底座致动器1706、温度控制器1008、床下照明1010、外围控制器1002或外围控制器1004。
在所示的示例中,行为分析模块1700和行为算法1702被示出为主板402的组件。然而,其他配置是可能的。例如,相同或类似的行为分析模块和/或行为算法可以在一个或更多个云服务中运行,并且最终输出可以被发送到主板402、控制器阵列408中的控制器或者任何其他技术上适当的接收方。
图18示出了可用于实现在此描述的技术的计算设备1800的示例和移动计算设备的示例。计算设备1800旨在表示各种形式的数字计算机,诸如膝上型计算机、台式计算机、工作站、个人数字助理、服务器、刀片服务器、大型机和其他适当的计算机。移动计算设备旨在表示各种形式的移动设备,诸如个人数字助理、蜂窝电话、智能电话和其他类似的计算设备。在此示出的组件、它们的连接和关系以及它们的功能仅仅意味着是示例性的,并且并不意味着限制本文件中描述和/或要求保护的发明的实施方式。
计算设备1800包括处理器1802、存储器1804、存储设备1806、连接到存储器1804和多个高速扩展端口1810的高速接口1808、以及连接到低速扩展端口1814和存储设备1806的低速接口1812。处理器1802、存储器1804、存储设备1806、高速接口1808、高速扩展端口1810和低速接口1812中的每一个都使用各种总线互连,并且可以安装在公共主板上或者以其他适当的方式安装。处理器1802可以处理用于在计算设备1800内执行的指令(包括在存储器1804中或在存储设备1806上存储的指令),以在外部输入/输出设备(诸如耦合到高速接口1808的显示器1816)上显示GUI的图形信息。在其他实施方式中,可以适当地使用多个处理器和/或多个总线,以及多个存储器和存储器类型。此外,可以连接多个计算设备,其中,每个设备提供部分的必要操作(例如,作为服务器库、一组刀片服务器、或多处理器系统)。
存储器1804存储计算设备1800内的信息。在一些实施方式中,存储器1804是一个易失性存储器单元或更多个易失性存储器单元。在一些实施方式中,存储器1804是一个非易失性存储器单元或更多个非易失性存储器单元。存储器1804也可以是另一种形式的计算机可读介质,诸如磁盘或光盘。
存储设备1806能够为计算设备1800提供大容量存储。在一些实施方式中,存储设备1806可以是或者可以包含计算机可读介质(诸如软盘设备、硬盘设备、光盘设备或磁带设备、闪存或其他类似的固态存储设备)或者设备阵列(包括存储区域网络或其他配置中的设备)。计算机程序产品可以被有形地体现在信息载体中。该计算机程序产品也可以包含指令,当被执行时,该指令执行一种或更多种诸如上文所述的方法。计算机程序产品也可以被有形地体现在计算机可读介质或机器可读介质(诸如存储器1804、存储设备1806或处理器1802上的存储器)中。
高速接口1808管理计算设备1800的带宽密集型操作,而低速接口1812管理较低带宽密集型操作。这种功能的分配仅仅是示例性的。在一些实施方式中,高速接口1808耦合到存储器1804、显示器1816(例如,通过图形处理器或加速器),并且耦合到可以接受各种扩展卡(未示出)的高速扩展端口1810。在该实施方式中,低速接口1812耦合到存储设备1806和低速扩展端口1814。低速扩展端口1814可以包括各种通信端口(例如,USB、蓝牙、以太网、无线以太网),可以例如通过网络适配器耦合到一个或更多个输入/输出设备(诸如键盘、定点设备、扫描仪)或联网设备(诸如交换机或路由器)。
如图所示,计算设备1800可以以多种不同的形式实现。例如,它可以被实现为标准服务器1820,或者在一组这样的服务器中多次实现。另外,它可以以个人计算机(诸如膝上型计算机1822)的方式实现。它也可以被实现为机架服务器系统1824的一部分。可替代地,计算设备1800中的组件可以与移动设备(诸如移动计算设备1850)中的其他组件(未示出)组合。每个这样的设备可以包含计算设备1800和移动计算设备1850中的一个或更多个,并且整个系统可以由彼此通信的多个计算设备组成。
移动计算设备1850包括处理器1852、存储器1864、输入/输出设备(诸如显示器1854)、通信接口1866和收发器1868等组件。移动计算设备1850也可以设置有存储设备(诸如微驱动器或其他设备),以提供额外的存储。处理器1852、存储器1864、显示器1854、通信接口1866和收发器1868中的每一个都使用各种总线互连,并且其中的几个组件可以安装在公共主板上或者以其他适当的方式安装。
处理器1852可以执行移动计算设备1850内的指令,包括在存储器1864中存储的指令。处理器1852可以被实现为芯片的芯片组,其包括单独且多个模拟处理器和数字处理器。处理器1852可以提供例如移动计算设备1850的其他组件的协调,诸如用户界面的控制、移动计算设备1850的应用运行以及移动计算设备1850的无线通信。
处理器1852可以通过耦合到显示器1854的显示接口1856和控制接口1858与用户通信。显示器1854可以是例如TFT(薄膜晶体管液晶显示器)显示器或OLED(有机发光二极管)显示器或其他适当的显示技术。显示接口1856可以包括用于驱动显示器1854向用户呈现图形和其他信息的适当的电路。控制接口1858可以接收来自用户的命令,并将其转换,以提交给处理器1852。另外,外部接口1862可以提供与处理器1852的通信,以便实现移动计算设备1850与其他设备的近区通信。外部接口1862可以例如在一些实施方式中提供有线通信,或者在其他实施方式中提供无线通信,并且也可以使用多个接口。
存储器1864存储移动计算设备1850内的信息。存储器1864可以被实现为在一个计算机可读介质或更多个计算机可读介质、一个易失性存储器单元或更多个易失性存储器单元、一个非易失性存储器单元或更多个非易失性存储器单元中的一个或更多个。扩展存储器1874也可被提供,并通过扩展接口1872被连接到移动计算设备1850,扩展接口1872可以包括例如SIMM(单列直插存储器模块)卡接口。扩展存储器1874可以为移动计算设备1850提供额外的存储空间,或者也可以存储移动计算设备1850的应用或其他信息。具体来说,扩展存储器1874可以包括执行或补充上述过程的指令,并且还可以包括安全信息。因此,例如,扩展存储器1874可以作为移动计算设备1850的安全模块来提供,并且可以用允许安全使用移动计算设备1850的指令来编程。另外,可以经由SIMM卡提供安全应用以及附加信息,诸如以不可破解的方式在SIMM卡上放置识别信息。
如下所述,存储器可以包括例如闪存和/或NVRAM存储器(非易失性随机存取存储器)。在一些实施方式中,计算机程序产品被有形地体现在信息载体中。该计算机程序产品包含指令,当被执行时,该指令执行一种或更多种诸如以上所述的方法。计算机程序产品可以是计算机可读介质或机器可读介质(诸如存储器1864、扩展存储器1874或处理器1852上的存储器)。在一些实施方式中,计算机程序产品可以例如通过收发器1868或外部接口1862以传播的信号的方式被接收。
移动计算设备1850可以通过通信接口1866进行无线通信,通信接口1866可以在必要时包括数字信号处理电路。通信接口1866可以提供各种模式或协议下的通信,诸如GSM语音呼叫(全球移动通信系统)、SMS(短消息服务)、EMS(增强型消息服务)、或MMS消息服务(多媒体消息服务)、CDMA(码分多址)、TDMA(时分多址)、PDC(个人数字蜂窝电话)、WCDMA(宽带码分多址)、CDMA2000或GPRS(通用分组无线业务)等。可以例如通过使用射频的收发器1868进行这种通信。另外,可以进行短距离通信,诸如使用蓝牙、WiFi或其他这种收发器(未示出)。另外,GPS(全球定位系统)接收器模块1870可以向移动计算设备1850提供额外的导航相关的以及位置相关的无线数据,其可以被运行在移动计算设备1850上的应用适当地使用。
移动计算设备1850还可以使用音频编解码器1860可听见地通信,音频编解码器1860可以接收来自用户的语音信息,并将其转换成可用的数字信息。音频编解码器1860同样可以生成用户诸如通过例如在移动计算设备1850的手机中的扬声器可听见的声音。这种声音可以包括来自语音电话呼叫的声音,可以包括录制的声音(例如,语音消息、音乐文件等)并且还可以包括由在移动计算设备1850上操作的应用生成的声音。
如图所示,移动计算设备1850可以以多种不同的形式实现。例如,它可以被实现为蜂窝电话1880。它也可以被实现为智能电话1882、个人数字助理或其他类似移动设备的一部分。
在此描述的系统和技术的各种实施方式可以以在数字电子电路、集成电路、专门设计的ASIC(专用集成电路)、计算机硬件、固件、软件和/或它们的组合的方式实现。这些各种实施方式可以包括以在可编程系统上可执行和/或可解释的一个或更多个计算机程序方式的实施方式,该可编程系统包括至少一个可编程处理器、至少一个输入设备和至少一个输出设备,该可编程处理器可以是专用的或者是通用的,被耦合以从存储系统接收数据和指令并且向存储系统传输数据和指令。
这些计算机程序(也被称为程序、软件、软件应用或代码)包括用于可编程处理器的机器指令,并可以用高级过程和/或面向对象编程语言和/或用汇编/机器语言来实现。如所使用的,术语机器可读介质和计算机可读介质指用于向可编程处理器提供机器指令和/或数据的任何计算机程序产品、装置和/设备(例如磁盘、光盘、存储器、可编程逻辑设备(PLD)),包括接收机器指令作为机器可读信号的机器可读介质。术语机器可读信号指用于向可编程处理器提供机器指令和/或数据的任何信号。
为了提供与用户的交互,在此描述的系统和技术可以在计算机上实现,该计算机具有用于向用户显示信息的显示设备(例如CRT(阴极射线管)或LCD(液晶显示器)监视器)以及键盘和定点设备(例如鼠标或轨迹球),用户可以通过该定点设备向计算机提供输入。也可以使用其他类型的设备来提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈或触觉反馈);并且来自用户的输入可以是以任何形式(包括声、语音或触觉输入)接收的。
可以在计算系统中实现在此描述的系统和技术,该计算系统包括后端组件(例如作为数据服务器)或包括中间件组件(例如应用服务器)或包括前端组件(例如具有图形用户界面或网络浏览器的客户端计算机,用户可以通过图形用户界面或网络浏览器与在此描述的系统和技术的实施方式交互)或这样的后端组件、中间件组件或前端组件的任意组合。系统的组件可由数字数据通信的任何形式或介质(例如通信网络)互连。通信网络的示例包括局域网(LAN)、广域网(WAN)和互联网。
计算系统可以包括客户端和服务器。一般来说,客户端和服务器远离彼此且通常通过通信网络进行交互。客户端和服务器的关系依靠在相应的计算机上运行并彼此具有客户端-服务器关系的计算机程序来产生。
图19是用于训练和使用机器学习分类器来确定用户睡眠状态(其可以包括睡眠阶段)的示例过程的泳道图。为了清楚起见,过程1900是参考特定的一组组件来描述的。然而,可以使用其他的一个系统或更多个系统来执行相同或相似的过程。
在过程1900中,床系统使用来自训练数据源1902的BCG信号来对用户的睡眠(或缺乏睡眠)进行分类。床系统能够将BCG信号用于决策引擎,该决策引擎将用户的睡眠分类为多个可能的睡眠状态之一。因此,决策引擎可以使用作为BCG信号的一部分的瞬时心率(IHR)时间序列作为输入来预测或以其他方式确定用户在整个用户睡眠会话期间的睡眠状态。决策引擎可以确定睡眠状态,该睡眠状态可以包括两种状态(例如,睡眠或清醒)、五种状态(例如,清醒、N1、N2、N3和REM)、三种状态(例如,清醒、浅睡眠、深睡眠)或任何其他状态的组合或集合。
在一些实施方式中,训练数据源1902可以是从用户身体(诸如身体运动、心率和呼吸频率)收集信号的心电图(ECG)源/设备。然而,可以使用其他类型的信号(例如,BCG信号),诸如可以从中提取IBI的信号。这种类型的ECG源/设备可以包括放置在用户身体上的电极。在一些实施方式中,训练数据源1902可以是跟踪用户的身体运动、心率和/或呼吸频率的其他可穿戴设备。可穿戴设备可以包括智能手表、心率监测器、其他带子、手环、戒指和/或移动设备。在另外一些实施方式中,训练数据源1902可以是床上的传感器,诸如压力传感器。如整个本公开所述,床传感器可以被配置成测量床的顶表面上的压力变化,这可以指示用户的运动(或其缺乏运动)。一个或更多个床传感器也可以被配置成测量一个或更多个气室中的压力变化,这也可以指示用户的运动。此外,一个或更多个床传感器可以被配置成测量用户的健康状况,诸如心率和呼吸频率。
在一些实施方式中,训练数据源1902可以是存储库,诸如数据库,或者已经收集的BCG信号和各种用户的其他信号。这些已经收集的信号可以用不同的睡眠状态进行注释和标记。
训练数据源1902可以收集关于各种不同的用户的传感器信号。这些传感器信号可以用不同的睡眠状态进行注释和标记,并被用于训练一个或更多个机器学习模型来检测用户的不同睡眠状态。然后可以将睡眠状态分类器传输到一个或更多个床以供运行时使用。接收分类器的一个或更多个床可以不同于训练数据源1902。在一些实施方式中,接收分类器的一个或更多个床可以与训练数据源1902相同。
在运行时使用期间,睡眠状态分类器可由一个或更多个床使用,以确定用户在其睡眠会话期间的当前睡眠状态。例如,在运行时使用期间,当用户在床上休息时,床系统可以收集指示用户的身体运动、心率和/或呼吸频率的压力信号。床系统可以将睡眠状态分类器应用于压力信号,以便确定用户的当前睡眠状态。
在一些实施方式中,可以从第一床收集传感器信号,用于训练一个或更多个机器学习模型来对用户睡眠状态进行分类,然后可以将得到的分类器传输回第一床,并在运行时期间使用。因此,过程1900可以被用于细化或以其他方式改善一个或更多个现有睡眠状态分类器。结果,第一床可以更准确地检测和确定使用第一床的特定用户的不同睡眠状态。
在一些实施方式中,可以从第一床收集传感器信号,用于训练一个或更多个机器学习模型来对用户睡眠状态进行分类,然后可以将得到的分类器传输到第二床。第二床可以不同于第一床。因此,在该示例中,过程1900可以被用于准备第二床以能够确定用户睡眠状态。换句话说,第二床可能刚刚由用户制造和购买。在第二床被运送到用户家中进行安装和使用之前,第二床可以被配置/校准以执行其打算执行的功能,诸如检测睡眠状态。因此,可以执行过程1900来配置第二床以检测睡眠状态。
在操作中,床可以确定用户的睡眠状态,并根据睡眠状态进行操作。例如,床可以确定要进行的一个或更多个环境变化,以便在用户睡眠会话期间促进用户的生理和精神恢复。床还可以确定用户的一个或更多个其他的下一个睡眠阶段。
据信,REM有助于程序性记忆巩固,深度睡眠有助于精神/生理恢复和陈述性记忆巩固。例如,如果睡眠者当前处于NREM,并且在过去一小时内没有处于REM,为了改善精神恢复,床控制器1904确定睡眠者的下一个状态将是REM。
在另一个示例中,如果睡眠者处于深度睡眠(例如,N3)中,但是在N3中还没有足够长的时间,则由床控制器1904确定的下一阶段仍然可以是N3,以使用户在N3中保持更长时间,从而改善生理恢复。
在另一个示例中,如果睡眠者处于较轻的睡眠阶段,但已不安,因此无法进入深度睡眠或REM,则下一个状态是脱离轻度睡眠,并且进入REM或深度睡眠。
为了促进用户保持处于当前睡眠阶段或进入不同的睡眠阶段,床或环境可以以所示的方式改变,以促进维持或改变睡眠阶段。例如,床压力和温度可以由床基于用户的确定的睡眠状态和用户的下一个睡眠状态来动态调整。
参考过程1900,训练数据源1902可以在1912中向云计算服务1906传输一个或更多个BCG信号。BCG信号可以包括多导睡眠描记(polysomnographic)睡眠记录和对应的睡眠阶段注释。BCG信号可以包括一个或更多个心跳(或IBI序列)、身体运动、呼吸频率和/或心率信号等。这种信号可以从各种用户中测量,并用对应的睡眠状态进行注释。在一些实施方式中,如上所述,BCG信号还可以包括从床系统接收的压力读数流。压力读数可以反映床系统内气囊内部的压力。压力读数还可以反映床系统的用户的健康状况,诸如用户的身体运动和/或心率。
云报告服务1906可以在1914中接收BCG信号。例如,训练数据源1902可以传输所有信号,或者确定某些信号而不是其他信号,应该被传输到云报告服务1906,云报告服务1906被配置成接收信号,并且在某些情况下,接收其他类型的数据。发送到云报告服务1906的信号可以由训练数据源1902保持不变、聚合(例如,平均值、最大值和最小值等),或者由训练数据源1902以其他方式改变。如上所述,例如,训练数据源1902可以通过用睡眠状态注释信号来修改信号。训练数据源1902可以修改信号的另一种方式可以是仅发送心率信号,而不是发送心率和呼吸频率信号的组合。因此,训练数据源1902可以从组合中提取心率信号,并且仅传输提取的心率信号。
在训练时间期间,分类器工厂1908在1916中从接收到的BCG信号生成分类器。分类器工厂1908可以通过首先获得预先分类的BCG信号变化模式的大的集合来训练分类器。例如,一张床或很多张床可以向云报告服务1906报告压力数据。该压力数据可以被标记、记录和存储,用于在创建压力分类器时进行分析,该压力分类器将要由床控制器1904和/或其他床控制器使用。该压力数据可以指示各种BCG信号模式。收集的数据越多,就越有可能使用更多数量的BCG信号模式进行训练。因此,训练数据集越鲁棒,分类器就越有可能准确识别运行时使用期间可能存在的各种类型的BCG信号模式。
分类器工厂1908可以从BCG信号生成特征。信号流可以被分成例如1秒、2.125秒、30秒或3秒的缓冲区,以生成时域或频域的特征。可以在这些缓冲区中的每一个中提取或以其他方式识别特征。作为说明性示例,特征可以包括检测到的心率和/或呼吸频率的峰值和下降。作为另一个示例,特征可以包括身体运动的检测(例如,用户的头、肩、臂、躯干、腿和/或脚的运动)。
在一些情况下,分类器工厂1908可以直接生成特征。在一些情况下(未示出),床控制器1904和/或训练数据源1902可以生成特征并将特征(与压力相反,如图所示)发送到云报告服务1906。
例如,这种特征可以包括最大值、最小值或随机的压力值。这些特征可以根据这些缓冲区中的压力读数得到。例如,这样的特征可以包括来自压力变化的平均压力、标准偏差、指示该缓冲区内随时间的推移而增加或减少的斜率值、用户运动、呼吸测量值、心脏测量值和心肺耦合测量值。例如,可以使用吸气的速率/幅度/持续时间、呼气的速率/幅度/持续时间、吸气-呼气循环的速率、呼吸的基频的幅度、宽度和位置、心率、心房除极的速率、心房复极的速率/幅度/持续时间、心室除极的速率/幅度/持续时间、心室复极的速率等。特征向量的值可以是二进制的或数字形式的。对于每个缓冲区,这些值可以以预定的顺序存储,从而创建由一系列字段组成的向量,其中,每个向量具有相同系列的字段和这些字段中的数据。可以从压力信号的变换域表示中(诸如从傅立叶或小波变换系数中)计算一些其他特征。
作为另一个示例,分类器工厂可以识别信号内信号匹配模式或模式规则的实例。在一个示例中,可以在运动信号或从BCG信号导出的至少一个生理信号(心跳、呼吸或心肺耦合)中识别恒定或波动模式。可以识别这样的模式,并且可以根据信号和/或其他外部信息(例如,实时时钟)合成关于该模式的对应合成信息(例如,时间戳、持续时间、变化率、变化频率、最大变化、变化斜率等)。
分类器工厂1908也可以组合或减少特征。例如,可以使用主成分分析来组合提取的特征。对于特征的主成分分析,分类器工厂1908可以确定所有特征中的作为用户睡眠状态的判别(discriminant)的子集。也就是说,分类器工厂1908可以将特征分类成对于确定状态有用的那些特征和不太有用的那些特征,并且可以保留更有用的特征。这个过程可以在试错的基础上完成,在试错的基础上,测试特征的随机组合。这个过程可以通过使用一个或更多个系统过程来完成。例如,可以使用线性判别分析或广义判别分析。
在一些情况下,可以从所有可用特征的集合中选择特征的适当子集。如果正在创建多个分类器,则可以对每个分类器进行这个选择。可替代地,如果正在创建多个分类器,则可以对多个或所有分类器进行这个选择。
例如,可以生成随机(或伪随机)数,并且可以移除该数量的特征。在一些情况下,多个特征可以汇总成单个汇总特征。例如,对于在BCG信号中识别出多个波动的生理模式的情况,可以汇总模式和/或与模式相关的合成数据。例如,连续的心率差异可以被汇总成平均值、标准偏差、最小和/或最大心率。
分类器工厂1908也可以处理特征。例如,剩余的特征随后可以被处理,以使它们的值合理化,使得每个特征都以对应于该特征的判别性如何的权重来处理。如果发现特征具有高度判别性,从而在对状态进行分类时非常有用,则该特征可以被赋予比其他特征更大的权重。如果发现第二特征比其他特征判别性更小,则可以赋予该第二特征较低的权重。
一旦映射到内核空间,这些特征就可以被标准化,以将数据点集中在预定的平均值上,并按比例缩放这些特征,使其具有单位标准偏差。这可以允许特征都具有例如平均值0和标准偏差1。提取的特征然后使用如上所述的相同向量格式转换成向量格式。
在一些情况下,可以通过应用内核函数将输入数据映射到内核空间来处理剩余的特征。内核空间允许对高维空间(例如,用特征数据的向量填充的向量空间)进行聚类,使得不同的聚类可以表示不同的状态。内核函数可以采用任何适当的格式,包括线性、二次、多项式、径向基、多层感知器或自定义。
在一些情况下,分类器工厂1908可以使用不创建特征的机器学习技术。例如,可以使用深度学习网络,诸如卷积网络、深度前馈网络或深度循环网络。分类器工厂1908可以用BCG信号训练扩张卷积神经网络(CNN),其中分类器工厂1908可以从BCG信号(例如,或ECG信号)检测心跳间间隔(IBI)时间序列,去除大于预定时间量(例如,4秒)的缺失数据段,去除超出范围的离群值(例如,超出标准偏差或生理考虑),线性内插和重采样IBI(例如,到2Hz),以及标准化对应于每个BCG信号的每个睡眠会话的局部平均值和标准偏差(例如,参考图20-图21)。生理考虑的示例可以包括但不限于去除预期不会在正常睡眠中发生的IBI(例如,对应于每分钟30次跳动的>2000毫秒的IBI,或对应于每分钟120次跳动的<500毫秒的IBI,或<500毫秒的IBI(对应于每分钟120次跳动))。
因此,分类器工厂1908可以使用卷积层来学习局部心脏特征。扩张卷积块也可以被用于学习长程特征,因为与时间心脏特征相关联的睡眠状态可以包含在长时间跨度内。
分类器工厂1908可以训练分类器。例如,模式识别器算法可以使用提取特征的向量和它们对应的睡眠状态标签作为数据集,以训练分类器,利用该分类器可以对新的BCG信号进行分类。在一些情况下,这可以包括将分类器与训练数据一起存储,以供稍后使用。
分类器工厂1908可以在1918中传输分类器,并且床控制器1904可以在1920中接收分类器。例如,由分类器工厂1908创建的一个分类器或更多个分类器可以被传输到床控制器1904和/或其他床控制器。在一些情况下,分类器可以在非暂态计算机可读介质(如压缩盘(CD)、通用串行总线(USB)驱动器或其他设备)上传输。分类器可以作为软件安装的一部分、作为软件更新的一部分或作为另一过程的一部分被加载到床控制器1904和/或其他床控制器上。在一些情况下,分类器工厂1908可以向床控制器1904和/或其他床控制器传输消息,并且该消息可以包含定义一个或更多个分类器的数据,该分类器使用压力读数流将床分类到多个睡眠状态中的一个。在一些配置中,分类器工厂1908可以同时(在时间上彼此接近的一个消息或一系列消息中)传输分类器。在一些配置中,分类器工厂1908可以发送在时间上分离的分类器。例如,分类器工厂1908可以生成和传输分类器。稍后,随着更多的BCG信号和训练数据可用,分类器工厂1908可以生成更新的分类器或不同于已经创建的分类器的新的分类器。
分类器工厂1908可以将分类器传输到不同于训练数据源1902的床的床控制器1904。例如,训练数据源1902可以是第一床,床控制器1904可以是第二床的一部分。第二床可以不同于第一床,因此第二床可以由不同于第一床的用户使用。在一些实施方式中,训练数据源1902可以是数据库,因此分类器工厂1908可以将分类器传输到多个不同的床,这些床原本可能与训练数据源1902不相关联。
分类器可以被定义在一个或更多个数据结构中。例如,分类器工厂1908可以在可执行或可解释文件(诸如软件库、可执行文件或目标文件)中记录分类器。分类器可以作为结构化数据对象(例如可扩展标记语言(XML)文档或JavaScript对象符号(JSON)对象)来存储、使用或传输。在一些示例中,分类器可以以床控制器1904可以运行(例如,执行或解释)的二进制或脚本格式创建。在一些示例中,分类器可以以不直接运行的格式创建,而是以具有允许床控制器1904根据数据构建分类器的数据的格式创建。
在一些实施方式中,床控制器1904还可以使用被用于训练的相同BCG信号,以便在1922中在运行时使用期间确定睡眠状态。在一些实施方式中,床控制器1904可以使用不同的BCG信号来确定运行时使用期间的睡眠状态。在一些实施方式中,床控制器1904可以从一个或更多个床传感器接收床上的用户的压力读数。床传感器可以包括压力传感器,这些压力传感器被配置成检测床的一个或更多个气室中的压力变化。床传感器还可以被配置成检测用户的身体运动、心率和/或呼吸频率,如整个本公开中所述。
例如,床控制器1904可以使用来自BCG信号流的数据和/或来自床的压力读数来运行一个或更多个分类器。分类器可以将该数据分类为多个状态(例如,清醒、N1、N2、N3、REM)中的一个。例如,分类器可以将数据流转换成上述向量格式。分类器随后可以检查该向量,以数学方式确定该向量是更像标记为一种状态的训练数据还是更像标记为另一种状态的训练数据。一旦计算出这种相似性,分类程序(categorizer)就可以返回指示该状态的响应。床控制器1904还可以使用分类器来确定用户的下一个睡眠状态。
床控制器1904可以使用一个以上的分类器。也就是说,床控制器1904可以访问多个分类器,每个分类器起到不同的作用和/或使用不同的训练数据来生成分类。在这种情况下,可将分类器决策视为投票,投票汇总可用于确定睡眠状态。如果仅使用一个分类器,则该分类器的投票是唯一的投票,并且该投票被用作睡眠状态。如果有多个分类器,则不同的分类器可以产生冲突的投票,并且床控制器可以选择赢得投票的睡眠状态。
各种计票方案是可能的。在一些情况下,床控制器1094可以为每种睡眠状态的投票计数,并且投票最多的睡眠状态是确定的睡眠状态。在一些情况下,床控制器1904可以使用其他计票方案。例如,可以基于分类器的历史准确性对来自不同分类器的投票进行加权。在这样的方案中,历史上被显示出为更准确的分类器可以被赋予较大的权重,而历史准确性较低的分类器可以被赋予较小的权重。这种准确性可以在群体级别上或在特定用户级别上进行跟踪。
在一些实例中,投票可以由除了机器学习系统之外的系统进行,并且这些投票可以被合并到投票总数中,以影响投票决定的结果。例如,非机器学习压力分类算法可以基于例如与阈值的比较来进行投票。
在一些情况下,系统可以具有不同的操作模式,并且可以根据模式来不同地计算投票。例如,当床处于调整过程中,或者当可调整的底座正在移动或者床的一部分被抬高时,可以使用不同的投票策略。在一些模式中,与一些其他模式相比,一些分类器可以被赋予更大的权重或者更小的权重或者不被赋予权重。这可能是有用的,例如,当分类器被示出为在一种模式下(例如,床是平的)相比于另一种模式(例如,床的头部由底座抬高)准确时。
在一些情况下,在确定睡眠状态之前,床控制器1904可以确保用户在床上。例如,床控制器可以最初确定用户是在床上还是床是空的。该确定可以基于从床上的压力传感器接收到的压力信号。如果压力信号指示没有压力被添加到床的顶表面,那么用户很可能目前不在床中。如果确定用户在床上(例如,压力信号指示床的顶表面上超过某个预定阈值的压力量),床控制器1904可以确定用户是否在床上睡眠,如果是,处于什么睡眠状态。
床控制器1904也在1924中选择设备操作。可以基于检测到的用户当前睡眠状态来选择设备操作。选择设备操作也可以基于用户的预测的下一个睡眠状态。例如,响应于确定用户处于特定的睡眠状态,或者响应于确定已经发生睡眠状态的改变,床控制器1904可以选择待处理的设备操作。例如本地或远程机器上在计算机可读存储装置中存储的规则集可以基于睡眠状态来识别用户或另一系统已经请求的动作。例如,用户可以通过图形用户界面记录他们希望他们的前门在他们从清醒状态改变到睡眠状态时锁上,并且他们希望他们的床促使他们改善睡眠状态,例如,改善深度睡眠、改善REM睡眠或改善尽可能最安稳的睡眠。也就是说,如果用户忘记手动锁门,那么当他们入睡时,门应该锁上,并且床应该尽可能促使最安稳的一晚睡眠。
在一些情况下,规则集可以被组织成促使用户停留或转变到另一个睡眠阶段。例如,可以基于增加或减少床的硬度、床的温度、供暖通风与空气调节(HVAC)温度等的规则,以促使用户转变到另一睡眠阶段,诸如下一最佳睡眠阶段,或保持处于当前睡眠阶段的方式来改变用户的环境。
基于规则集和睡眠阶段确定,床控制器1904可以向适当的设备控制器1910发送消息,以便启用所需的外围设备或床系统元件。例如,基于睡眠确定,床控制器1904可以向泵发送消息以调整床系统的硬度,向暖脚控制器发送消息以启用足部加热器,以及向光控制器发送消息以调整照明。
设备控制器1910可以在1926中控制外围设备。例如,光控制器可以启动房间中围绕床的照明的脚本,以开始调暗并将光的颜色变向可见光谱的红色端。
一般来说,过程1900可以被组织成训练时间和操作时间。训练时间可以包括一般用于创建睡眠阶段分类器的动作,而操作时间可以包括一般用于采用分类器确定睡眠状态的动作。根据床系统的配置,该时间之中的一者或两者的动作可以被启用或暂停。例如,当用户新购买一张床时,该床可能无法访问到用户在床上引起的压力读数。当用户开始在最初几个晚上使用床时,床系统可以收集那些压力读数,并且一旦已经收集了临界量的读数(例如,特定数量的读数、特定数量的夜晚、基于不同测试或启发法的特定数量的预期进入和离开事件),就将它们提供给云报告服务1906。
床系统可以在训练时间操作,以更新或扩展分类器。在接收到分类器之后,床控制器1904可以继续训练时间的动作。例如,当计算资源空闲时,训练数据源1902可以在用户的指导下等,定期向云报告服务1906传输BCG信号。分类器工厂1908可以生成并传输新的或更新的分类器,或者可以传输指示床控制器1904上的一个或更多个分类器应该被停用的消息。
床控制器1904可以接收定义连接到床系统的家庭自动化应该如何操作的规则和设置。利用分类器,床系统可以执行操作时间的动作,以便使家庭自动化根据规则和设置来执行。
床系统可以使用来自训练数据源1902的相同BCG信号,以在训练时间和操作时间内同时操作。例如,床系统可以使用压力读数流来确定睡眠状态,并基于当前使用的睡眠分类程序来控制环境。另外,床系统可以在训练时间动作中使用来自压力读数流的相同压力读数以改善分类程序。以这种方式,单一的压力读数流可以用于改善床系统的功能和驱动自动化事件。
在一些情况下,可以使用一组通用分类器来代替个性化分类器,或者与个性化分类器结合使用。例如,当新购买了床或将床重置为工厂设置时,床系统可以使用基于群体级别的、而非个体的压力读数来创建的通用或默认睡眠状态分类器来操作。也就是说,在床系统有机会了解与特定用户相关联的特定压力读数之前,可以创建通用分类器,以用于床系统。可以对群体级别训练数据使用机器学习技术(诸如本文中所述的这些)生成这些通用分类器。这些通用分类器可以附加地或可替代地使用非机器学习技术来生成。例如,分类器可以包括阈值(例如,压力、随时间推移的压力变化、随时间推移的心率变化、随时间推移的压力读数中的生理分量的变化),并且超过该阈值的压力测量值可以用于确定一种睡眠状态,而低于该阈值的压力读数和/或生理值可以用于确定另一种睡眠状态。
虽然在此描述了特定数量、顺序和布置的元件,但是其他替代方案也是可能的。例如,虽然在1916中分类器的生成被描述为在分类器工厂1908上执行,但是分类器可以替代地或额外地由床控制器1904和/或云报告服务1906生成,可能不向其他设备报告BCG信号。
在一些实施方式中,床系统可以适应两个用户。在这种情况下,过程1900可以以一种或更多种方式进行调整以适应两个用户。例如,对于每个用户,床系统可以使用两组分类器(在两组中同时使用或不同时使用一些分类器)。例如,一组可以在床的一侧被占用时使用,而一组可以在床的另一侧被占用时使用。例如,当第二用户的存在或不存在对床的第一用户侧的BCG信号有影响时,这可能是有用的。
在一些情况下,用户可能希望根据两个用户的睡眠状态来控制他们的家庭自动化环境。例如,规则可以指定仅当两个用户都在床上睡觉时(而不是当只有一个用户在床上睡觉时)才应该启用前门锁。在另一个示例中,可以基于两个用户的睡眠状态来控制照明。当一个用户在床上睡觉,而另一个被确定为清醒时,这可以指示一个用户可能正在阅读或者需要看其他东西。因此,床系统可以保持昏暗的照明。当两个用户都在床上并且都转变到睡觉时,可以控制照明关闭。
将会理解,参照图19描述的系统适用于更多的床和床控制器。例如,可以从许多训练数据源接收BCG信号,并且可以从这些许多源(可以包括也可以不包括床)合成训练数据,从而提供关于许多用户使用床的数据。然后,分类器可以被分配给一些、所有提供训练数据的训练数据源或床,或者不分配给这些训练数据源或床。例如,一些床可能会收到用新分类器更新的软件。或者作为另一个示例,可以只在新制造的床上包括新的分类器。或者作为另一个示例,每个床可以接收为该特定床的用户特别定制的分类器。
图20是可以被用于训练睡眠阶段分类器的示例过程2000的流程图。为了清楚起见,参照计算系统的一组特定组件来描述过程2000。然而,可以使用其他的一个系统或更多个系统来执行相同或相似的过程。例如,过程2000可以由具有一个或更多个处理器和存储器的计算系统来执行,该存储器存储使得一个或更多个处理器执行参考过程2000所描述的技术的指令。计算系统可以是云服务。在一些实施方式中,计算系统也可以是床控制器。计算系统可以是任何其他一个或更多个系统。
参照过程2000,计算系统可以在2002中接收输入。计算系统可以例如接收定义至少心跳间间隔(IBI)序列的心脏数据。该输入还可以包括其它BCG信号,包括但不限于呼吸频率和/或身体运动。该输入可以从训练数据源(例如,参考图19)接收。输入也可以从一个或更多个床系统的传感器接收。输入可以包括以其他方式定义用于IBI序列的睡眠状态的标记的标记数据。此外,PPG、ECG和/或BCG信号可以作为输入提供并被标记,因为这些信号可以在睡眠期间产生IBI的序列。IBI单位(秒,或更常见的毫秒)是时间,其在不同平台上可能是相同的,因此当从各种不同的设备和/或训练数据源中被接收作为输入时,不需要校准。
在2004中,计算系统可以使用输入训练卷积神经网络(CNN)。通过训练CNN,计算系统可以使用心脏数据和标记数据生成睡眠状态分类器。例如,计算系统可以从心脏数据中提取IBI序列。然后,计算系统可以使用心脏数据和标记数据作为输入来训练CNN。计算系统可以训练CNN,以将由标记数据定义的睡眠状态与IBI序列的不同段映射或以其他方式与其相关联。
该计算系统可以在2006中生成中间数据。中间数据可以由经过训练的CNN生成输出。计算系统还可以过滤该中间数据。
计算系统可以在2008中将经训练的长短期记忆(LSTM)网络应用于生成的中间数据。换句话说,计算系统可以迭代地训练被配置成产生状态数据作为输出的循环神经网络(RNN)。RNN的迭代训练可以使用i)中间数据作为初始输入,以及ii)中间数据和先前状态数据作为后续输入。RNN还可以包括用于中间数据的至少一个其它输入节点。
因此,对于用户的每个睡眠状态,计算系统可以在2008中迭代地将LSTM(例如,示例RNN)应用于中间数据。LSTM可以包括至少一个反馈连接,该反馈连接将循环神经网络的输出模式连接到同一循环神经网络的输入节点。这种配置可以有利于确保最近生成的数据可以用作输入,以便训练CNN以更准确地确定睡眠状态。
然后,计算系统可以在2010中生成输出。该输出可以包括映射到不同IBI序列和/或其他心脏数据上的睡眠状态。换句话说,输出可以包括一个或更多个分类器。每个分类器可以将睡眠状态与不同的IBI序列相关联。然后,一个或更多个床控制器和/或床系统可以使用该输出,以基于由床系统的传感器感测到的压力信号来确定用户的实时睡眠状态。
图21是利用在确定睡眠者的睡眠阶段时可以使用的示例数据的示例过程2100的图。为了清楚起见,参照计算系统的一组特定组件来描述过程2100。然而,可以使用其他的一个系统或更多个系统来执行相同或相似的过程。例如,过程2100可以由具有一个或更多个处理器和存储器的计算系统来执行,该存储器存储使得一个或更多个处理器执行参考过程2100所述描述的技术的指令。计算系统可以是云服务。在一些实施方式中,计算系统也可以是床控制器。计算系统可以是整个本公开描述的任何其他一个或更多个系统。
床系统2102可以产生BCG信号2104,从该BCG信号2104可以提取心肺和运动信息。心肺和运动信息可以包括IBI序列/间隔,如通篇所述。BCG信号2104也可以从除床控制器或床系统2102(例如,参考图19)之外的数据源接收。
信号处理块2106可以由计算系统使用接收到的BCG信号2104来执行。块2106可以由云计算服务、系统或其他类似的计算系统来执行。执行块2106可以包括预处理BCG信号2104(2108)。预处理2108可以被用于对BCG信号2104进行调节和带通滤波。执行块2106还可以包括特征提取(2110)。特征提取可以包括从BCG信号2104中提取相关度量,如参考图19所述。所提取的相关度量可以包括但不限于可以从中提取IBI序列的心跳的时间。执行块2106还可以包括后处理2112。后处理可以包括提取的特征序列的插值和带通滤波。
如前所述,BCG信号2104可以包括心脏数据,其可以是类似于由心电图(ECG)数据生成的那些的IBI。心脏数据可以包括由床系统2102的传感器检测到的压力波。压力波可以包括床系统2102中用户的粗大运动动作(gross motor movement)(例如,用户的手臂、腿、手、脚等的运动)、用户的心跳和用户的呼吸频率的测量。如上所述,通过执行信号处理块2106,计算系统可以从心脏数据中提取IBI序列。计算系统可以检测心脏数据中的间隔时间(例如,检测ECG信号中的R峰值并计算R-R间隔),并去除大于阈值持续时间的缺失数据段,以及去除大于阈值偏差和/或低于阈值偏差的离群数据段。接下来,计算系统可以对心脏数据内插以替换去除的缺失数据段和去除的离群数据段,并标准化心脏数据,使得心脏数据的平均值和标准偏差与给定睡眠会话的目标平均值和目标标准偏差相匹配。
在一些实施方式中,阈值持续时间可以是4秒。可以使用一个或更多个其他持续时间,诸如1秒、2秒、3.1335秒、5秒等。在BCG信号2104中的一些可能没有被充分捕获和/或可能太长的情况下,去除离群数据段可能是有利的。在一些实施方式中,阈值偏差可以是5个标准偏差。标准化心脏数据对于确保心脏数据被缩放以与整个本公开中描述的现有训练功能一起工作是有利的。
为了确定睡眠状态(例如,睡眠阶段),可以考虑时间窗口(2114)。睡眠状态可以基于30秒的窗口(时期)来分配,其中连续窗口之间没有重叠。在一些实施方式中,计算系统可以基于重叠2分钟的2.5分钟窗口来分配睡眠状态。
在将睡眠状态分配给当前(时间)窗口2116之前,计算系统的质量控制模块可以确定当前窗口2116是否具有足够的质量(2118)。例如,计算系统可以确定信噪比是否高于1dB阈值或某个其他预定阈值。如果信号质量低于阈值,则计算可以分配默认睡眠状态,诸如醒来或未知(2120)。换句话说,低于阈值的信号质量可以指示用户实际上不在床上和/或用户在床上但醒着。
如果信号质量高于阈值,则计算系统可以使用如整个本公开中所述的卷积神经网络(CNN)来确定一个或更多个睡眠状态(2122)。换句话说,当信号质量高于阈值时,用户可能处于某种睡眠状态,因此当前不是清醒的。计算系统可以识别IBI序列中的时间的时期,并将IBS序列中的每个时间时期与标记数据的对应的标记相关联。标记数据可以包括多个不同的睡眠状态。
使用心脏数据和标记数据作为输入来训练CNN可以进一步包括使用时间的时期和对应的标记来训练CNN。在一些实施方式中,使用CNN生成睡眠状态分类器可以不使用除反映心脏动作的数据之外的任何感测的生物特征数据。例如,分类器可能不是用诸如呼吸频率、体温、身体运动等数据生成的。相反,分类器可以仅用心率信息和从通篇描述的IBI序列来生成。然而,在一些实施方式中,一种或更多种其他类型的生物特征数据,诸如呼吸频率、体温和/或身体运动,可以被用于生成睡眠状态分类器。
计算系统还可以使用循环网络,诸如通篇描述的LSTM,来确定用户的睡眠状态(2124)。在更新用户的睡眠状态之前,计算系统可以在2128中确定循环网络是否具有足够的质量。如果有足够的质量,则循环网络可以更新用户的当前睡眠状态(2130)。如果没有足够的质量,则循环网络可以保持用户的现有或当前睡眠状态(2132)。
一旦确定了用户的睡眠状态,计算系统就可以输出睡眠状态分类器。例如,计算系统可以将睡眠状态分类器分配给床控制器,用于确定与这些控制器相关联的床上的睡眠者的睡眠状态。在一些实施方式中,计算系统可以将分类器分配给将心脏数据传输到计算系统用于训练和生成分类器的相同床控制器。计算系统还可以将分类器分配给不同于那些将心脏数据传输到计算系统用于训练和生成分类器的床控制器的床控制器。
然后可以使用睡眠状态来确定或以其他方式执行一个或更多个睡眠干预2126。睡眠干预可以由计算系统确定和/或执行。睡眠干预也可以由一个或更多个其他设备、系统和/或计算机(诸如床系统2102的床控制器和/或一个或更多个其他床系统的床控制器)来确定和/或执行。
图22是可以被用于从数学偏倚的睡眠状态概率中选择睡眠状态的示例过程2300的流程图。例如,在2010中创建的输出,或者由2122和2124创建的数据可能在睡眠状态的分类中表现出数学偏倚。因此,过程2300可以由计算机系统作为操作2010的一部分和/或由元素2122和2124使用。如将理解的,过程2300可以被用于有利地允许本文件中描述的技术用作传感器系统,其具有比其他情况更高的精度和更低的偏倚。在某些情况下,这些操作中的一些或全部可以在“边缘”处被执行,使得处理由像客户端计算机、床或智能手机这样的计算设备执行,而不是在集中的位置执行。在某些情况下,这些操作中的一些或全部可以在诸如联网服务器的集中位置执行。
当与基本事实数据集进行比较时,可以观察到这种偏倚,该生成数据可以比在基本事实中发现的更频繁地预测一种特定的睡眠状态(例如,浅睡眠)。如将理解的,这种类型的数学偏倚在本文件中描述的技术的各种实现中可以更大或更小,并且可以应用于更多或更少的分类。此外,将要理解,这种数学偏倚是预测准确性的量度,而不是人类情感或动机的量度。
在这里示出的示例中,使用了睡眠阶段概率的向量,其中一个睡眠阶段(即浅睡眠)被高估,并且人为地高于无偏倚的数据集中的值。因此,只有一个睡眠阶段预测被校正。然而,在其他示例中,可以校正超过一个的可能分类。
接收数学偏倚的睡眠状态概率的向量2302。例如,可以接收在索引位置序列中存储数据的向量,其存储标记的概率值。标签可以包括每个可能的睡眠状态(例如,浅睡眠、深睡眠),以及概率值(例如,包括0到1)。这些值可以已经由一个或更多个分类器生成,该分类器例如接收睡眠者的传感器数据并基于输入数据产生具有概率值的向量作为输出。如前所述,由于分类器的操作引入了数学偏倚,至少一个概率值被偏倚为高于基本事实。
对向量进行排序2304。例如,概率值及其相关联的标签可以被重新排序,使得概率按降序排序。如将理解的,标签也将被排序,使得每个标签保持与相同的概率值相关联。根据技术需要和用于执行过程2300的计算机系统的可用性,dis上的特定数据表示可以采取各种格式。
如果被排序的向量中的第一条目不是过表示(overrepresented)类2306,则第一条目被用作确定的睡眠状态2308。例如,计算机系统可以检查向量的第一条目(例如,索引位置0),并检查该条目的分类标记。如果在例如预期被高估的分类的列表上没有找到分类标记,计算机系统可以选择第一索引中的分类和概率作为睡眠者在给定时间的确定的睡眠状态。
如果被排序的向量中的第一条目是过表示类2306,则找到第一条目和第二条目的比率2310。例如,如果计算机系统检查分类标记并确定其在预期被高估的分类列表上,则计算机系统可以找到第一索引(例如,索引位置0)中的概率与第二索引(例如,索引位置1)中的概率的比率。一般来说,该比率可以被认为是指示高估的分类有多强烈。如果比率大,则这指示该分类强烈倾向于过表示分类。如果比率足够小,这指示该分类弱倾向于过表示分类。如将理解的,分类系统偏向的分类的弱指示可以被解释为更多地是偏倚的结果,而不是精确分类的结果。
如果该比率大于阈值2312,则被排序的向量的第一条目被用作确定的睡眠状态2308。例如,由于该比率大,因此可能是用户实际状态的良好指示,因此过表示值的标记可以被用作确定的睡眠状态。
如果该比率小于阈值2312,则被排序的向量的第二条目被用作确定的睡眠状态2314。例如,由于该比率小,因此不太可能是用户实际状态的良好指示,因此可以替代使用第二位置的标记。因此,可以有利地减少或消除机器语言分类器的分类中的偏倚。
仅为了理解清楚起见,给出了前述详细描述和一些实施例。不应由此理解为不必要的限制。将对于本领域的技术人员明显的是,在不脱离本发明的范围的情况下,在所描述的实施例中可以做出很多改变。例如,可以使用不同的操作顺序和类型来生成分类器。另外,床系统可以以不同的方式汇总来自分类器的输出。因此,本发明的范围不应限于本文描述的确切细节和结构,而是由权利要求的语言所描述的结构以及这些结构的等同物来限定。关于上述实施例中的任何实施例所描述的任何特征或特性可以单独地或与任何其他特征或特性组合地结合,并且以上述顺序和组合来呈现只是为了清楚起见。
Claims (22)
1.一种用于生成睡眠状态分类器的系统,所述系统包括:
一个或更多个处理器;和
存储器,所述存储器存储指令,所述指令在由所述一个或更多个处理器执行时,使所述一个或更多个处理器执行操作,所述操作包括:
接收定义至少心跳间间隔(IBI)序列的心脏数据;
接收定义用于所述IBI序列的睡眠状态的标记的标记数据;
使用所述心脏数据和所述标记数据生成睡眠状态分类器,所述生成包括:
从所述心脏数据中提取所述IBI序列;
使用所述心脏数据和所述标记数据作为输入来训练卷积神经网络(CNN)以生成中间数据;以及
迭代地训练被配置成产生状态数据作为输出的循环神经网络(RNN),对所述RNN进行的迭代训练使用:i)所述中间数据作为初始输入,和ii)所述中间数据和先前状态数据作为后续输入。
2.根据权利要求1所述的系统,其中,所述RNN是长短期记忆(LSTM)网络,所述长短期记忆(LSTM)网络包括至少一个反馈连接,所述至少一个反馈连接将所述循环神经网络的输出节点连接到同一循环神经网络的输入节点。
3.根据权利要求1所述的系统,其中,所述RNN还包括用于所述中间数据的至少一个其它输入节点。
4.根据权利要求1所述的系统,其中,所述心脏数据是由心电图(ECG)数据和心冲击描记术(BCG)数据组成的组中的一个;并且其中,从所述心脏数据提取所述IBI序列包括:
检测所述心脏数据中的间隔时间;
去除大于阈值持续时间的缺失数据段;
去除大于阈值偏差的离群数据段;
对所述心脏数据内插以替换被去除的缺失数据段和被去除的离群数据段;以及
标准化所述心脏数据,使得所述心脏数据的平均值和标准偏差与给定睡眠会话的目标平均值和目标标准偏差相匹配。
5.根据权利要求1所述的系统,其中,所述生成还包括:
识别所述IBI序列中的时间的时期;以及
将所述IBS序列中的时间的每个时期与所述标记数据的对应的标记相关联;并且
其中,使用所述心脏数据和所述标记数据作为输入来训练所述CNN包括使用所述时间的时期和所述对应的标记来训练所述CNN。
6.根据权利要求1所述的系统,其中,所述生成不使用除反映心脏动作的数据之外的任何感测到的生物特征数据。
7.根据权利要求1所述的系统,其中,从床的一个或更多个床控制器接收所述心脏数据;所述操作还包括:
将所述睡眠状态分类器分配给所述床控制器,以用于确定所述床上的睡眠者的睡眠状态。
8.根据权利要求1所述的系统,其中,从一个或更多个床控制器接收所述心脏数据;所述操作还包括:
将所述睡眠状态分类器分配给其它床的其它床控制器,以用于确定其它床上的睡眠者的睡眠状态。
9.根据权利要求1所述的系统,其中,从床控制器以外的数据源接收所述心脏数据。
10.根据权利要求1-9中任一项所述的系统,其中,所述睡眠状态分类器被配置成通过在某些条件下选择具有比第一候选分类低的概率的第二候选分类作为确定的分类来考虑数学偏倚。
11.根据权利要求10所述的系统,其中,所述睡眠状态分类器还被配置成:
确定所述第一候选分类与所述第二候选分类的概率比;以及
将所述概率比与阈值进行比较。
12.根据权利要求1-9中任一项所述的系统,其中,所述心脏数据是从包括临床生成的心脏数据的数据源接收的。
13.一种用于使用睡眠状态分类器来确定睡眠者的睡眠状态的系统,所述系统包括:
传感器;
控制器,所述控制器包括一个或更多个处理器和存储器,所述控制器被配置成使用睡眠状态分类器来确定睡眠者的睡眠状态,其中,所述睡眠状态分类器通过以下操作生成:
接收定义至少心跳间间隔(IBI)序列的心脏数据;
接收定义用于所述IBI序列的睡眠状态的标记的标记数据;
使用所述心脏数据和所述标记数据生成睡眠状态分类器,所述生成包括:
从所述心脏数据中提取所述IBI序列;
使用所述心脏数据和所述标记数据作为输入来训练卷积神经网络(CNN)以生成中间数据;以及
迭代地训练被配置成产生状态数据作为输出的循环神经网络(RNN),对所述RNN进行的迭代训练使用:i)所述中间数据作为初始输入,和ii)所述中间数据和先前状态数据作为后续输入。
14.根据权利要求13所述的系统,其中,所述RNN是长短期记忆(LSTM)网络,所述长短期记忆(LSTM)网络包括至少一个反馈连接,所述至少一个反馈连接将所述循环神经网络的输出节点连接到同一循环神经网络的输入节点。
15.根据权利要求13所述的系统,其中,所述RNN还包括用于所述中间数据的至少一个其它输入节点。
16.根据权利要求13所述的系统,其中,所述心脏数据是心电图(ECG)数据;并且其中,从所述心脏数据提取所述IBI序列包括:
检测所述心脏数据中的间隔时间;
去除大于阈值持续时间的缺失数据段;
去除大于阈值偏差的离群数据段;
对所述心脏数据内插以替换被去除的缺失数据段和被去除的离群数据段;以及
标准化所述心脏数据,使得所述心脏数据的平均值和标准偏差与用于给定睡眠会话的目标平均值和目标标准偏差相匹配。
17.根据权利要求13所述的系统,其中,所述生成还包括:
识别所述IBI序列中的时间的时期;以及
将所述IBS序列中的时间的每个时期与所述标记数据的对应的标记相关联;
其中,使用所述心脏数据和所述标记数据作为输入来训练所述CNN包括使用时间的所述时期和所述对应的标记来训练所述CNN。
18.根据权利要求13所述的系统,其中,所述生成不使用除反映心脏动作的数据之外的任何感测到的生物特征数据。
19.根据权利要求13所述的系统,其中,从床的一个或更多个床控制器接收所述心脏数据。
20.根据权利要求13所述的系统,其中,从一个或更多个床控制器接收所述心脏数据。
21.根据权利要求13-20中任一项所述的系统,其中,所述睡眠状态分类器被配置成通过在某些条件下选择具有比第一候选分类低的概率的第二候选分类作为确定的分类来考虑数学偏倚。
22.根据权利要求13-20中任一项所述的系统,其中,所述睡眠状态分类器还被配置成:
确定所述第一候选分类与所述第二候选分类的概率比;以及
将所述概率比与阈值进行比较。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163208227P | 2021-06-08 | 2021-06-08 | |
US63/208,227 | 2021-06-08 | ||
PCT/US2022/032508 WO2022261099A1 (en) | 2021-06-08 | 2022-06-07 | Determining real-time sleep states using machine learning techniques |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117460450A true CN117460450A (zh) | 2024-01-26 |
Family
ID=82693871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280041406.7A Pending CN117460450A (zh) | 2021-06-08 | 2022-06-07 | 使用机器学习技术确定实时睡眠状态 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20220386947A1 (zh) |
EP (1) | EP4351408A1 (zh) |
KR (1) | KR20240018572A (zh) |
CN (1) | CN117460450A (zh) |
AU (1) | AU2022289862A1 (zh) |
CA (1) | CA3221578A1 (zh) |
WO (1) | WO2022261099A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022527875A (ja) | 2019-04-08 | 2022-06-07 | スリープ ナンバー コーポレイション | ベッド環境を感知して制御するためのシステム |
CA3103452A1 (en) | 2019-04-16 | 2020-10-22 | Sleep Number Corporation | Pillow with wireless charging |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100170043A1 (en) | 2009-01-06 | 2010-07-08 | Bam Labs, Inc. | Apparatus for monitoring vital signs |
JP7465808B2 (ja) * | 2017-12-28 | 2024-04-11 | スリープ ナンバー コーポレイション | 睡眠段階検知特徴部を備えたベッド |
-
2022
- 2022-06-07 WO PCT/US2022/032508 patent/WO2022261099A1/en active Application Filing
- 2022-06-07 AU AU2022289862A patent/AU2022289862A1/en active Pending
- 2022-06-07 CN CN202280041406.7A patent/CN117460450A/zh active Pending
- 2022-06-07 CA CA3221578A patent/CA3221578A1/en active Pending
- 2022-06-07 EP EP22747158.8A patent/EP4351408A1/en active Pending
- 2022-06-07 KR KR1020247000113A patent/KR20240018572A/ko unknown
- 2022-06-07 US US17/834,493 patent/US20220386947A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022261099A1 (en) | 2022-12-15 |
AU2022289862A1 (en) | 2023-12-07 |
KR20240018572A (ko) | 2024-02-13 |
US20220386947A1 (en) | 2022-12-08 |
CA3221578A1 (en) | 2022-12-15 |
EP4351408A1 (en) | 2024-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111770707B (zh) | 具有睡眠阶段检测特征的床 | |
CN111770705B (zh) | 具有存在检测特征的床 | |
CN111770706B (zh) | 具有打鼾检测特征的床 | |
CN112312801B (zh) | 具有改善睡眠的特征的家庭自动化系统 | |
CN111712161B (zh) | 具有确定两个睡眠者的打鼾和呼吸参数的传感器特征的床 | |
US20190201267A1 (en) | Bed having sensor fusing features useful for determining snore and breathing parameters | |
US20190209405A1 (en) | Bed having physiological event detecting feature | |
CN117460450A (zh) | 使用机器学习技术确定实时睡眠状态 | |
CN116325020A (zh) | 具有用于跟踪睡眠者心率变异性的控制器的床 | |
CN117461092A (zh) | 具有用于确定呼吸疾病分类的特征的床 | |
CN117715584A (zh) | 具有感测睡眠者压力和生成疾病中使用的脑活动估计的特征的床 | |
CN116322488A (zh) | 具有用于自动感测疾病状态的特征的床 | |
US20230329583A1 (en) | Detecting and preventing sleepwalking events |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |