CN117898683B - 儿童睡眠质量检测方法及装置 - Google Patents
儿童睡眠质量检测方法及装置 Download PDFInfo
- Publication number
- CN117898683B CN117898683B CN202410310430.7A CN202410310430A CN117898683B CN 117898683 B CN117898683 B CN 117898683B CN 202410310430 A CN202410310430 A CN 202410310430A CN 117898683 B CN117898683 B CN 117898683B
- Authority
- CN
- China
- Prior art keywords
- weight coefficient
- normal range
- heart rate
- sleep quality
- body movement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000003860 sleep quality Effects 0.000 title claims abstract description 126
- 238000001514 detection method Methods 0.000 title claims abstract description 79
- 230000009471 action Effects 0.000 claims abstract description 100
- 238000000034 method Methods 0.000 claims abstract description 53
- 230000007958 sleep Effects 0.000 claims abstract description 49
- 230000000241 respiratory effect Effects 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000036387 respiratory rate Effects 0.000 claims description 38
- 230000003247 decreasing effect Effects 0.000 claims description 27
- 230000007613 environmental effect Effects 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 230000035565 breathing frequency Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000036391 respiratory frequency Effects 0.000 claims description 6
- 238000002922 simulated annealing Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 210000000707 wrist Anatomy 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 2
- 229910052739 hydrogen Inorganic materials 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 47
- 238000004891 communication Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 206010062519 Poor quality sleep Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 206010006334 Breathing abnormalities Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- 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
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4815—Sleep quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6892—Mats
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/092—Reinforcement learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/06—Children, e.g. for attention deficit diagnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0247—Pressure sensors
-
- 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
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- 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
- A61B5/1118—Determining activity level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- General Engineering & Computer Science (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Pulmonology (AREA)
- Anesthesiology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种儿童睡眠质量检测方法及装置,涉及儿童睡眠数据处理技术领域,包括获取儿童历史睡眠和实时睡眠的心率信号、呼吸信号和体动次数并构建状态空间;根据影响儿童睡眠环境的关键动作构建动作空间;根据状态空间和动作空间,基于线性加权和法构建奖励函数;根据状态空间、动作空间和奖励函数,基于深度确定性策略梯度算法训练预设的Actor‑Critic网络模型,得到睡眠质量检测模型;将实时睡眠的心率信号、呼吸信号和体动次数输入睡眠质量检测模型,得到睡眠质量检测结果。本发明通构建了灵活性、适应性强、泛化能力好的儿童睡眠质量检测模型,睡眠检测结果更加接近实际儿童睡眠质量。
Description
技术领域
本发明涉及儿童睡眠数据处理技术领域,具体而言,涉及儿童睡眠质量检测方法及装置。
背景技术
目前的睡眠质量检测方法大多用于实验目的,在进行睡眠质量检测时依赖领域专家手动提取特征,导致检测过程较为复杂,并且采用的睡眠检测模型泛化能力较低,无法针对不同儿童进行个性化睡眠检测,除此之外,目前的睡眠检测方法需要通过硬件采集系统采集人体生理信号,这个过程需要将硬件采集系统中的多种接触式传感器与人体进行接触,之后通过采集到的信号对睡眠质量进行综合评估。然而对于儿童来说,在睡眠过程中将传感器与身体进行接触会大大影响儿童的睡眠质量,还存在安全风险,并且在睡眠过程中由于儿童自身的翻身移动,容易造成传感器脱落。以上问题都会造成检测结果与实际儿童睡眠质量情况不符,无法获取儿童的真实睡眠质量。
发明内容
本发明的目的在于提供一种儿童睡眠质量检测方法、装置、设备及可读存储介质,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
第一方面,本申请提供了一种儿童睡眠质量检测方法,包括:
分别获取儿童历史睡眠和实时睡眠的心率信号、呼吸信号和体动次数,对心率手环检测到的心率进行放大、滤波和去噪得到所述心率信号,对红外摄像机检测到的红外图像进行去除噪声和图像增强处理,基于运动检测算法在处理后的每帧所述红外图像上标记运动区域,根据所述运动区域的面积计算呼吸运动的运动幅度,所述呼吸信号为所述运动幅度构成的幅度序列,根据设置于床垫上的压力传感器检测到的压力信号计算所述体动次数;
对所述历史睡眠的心率信号和呼吸信号分别进行数据清洗、特征提取和归一化得到心率变异性和呼吸频率,将所述历史睡眠的体动次数离散化为离散区间,根据所述心率变异性、呼吸频率和离散区间构建状态空间;
根据影响儿童睡眠环境的关键动作构建动作空间,所述关键动作包括调节床铺硬度、光线亮度、环境温度、环境湿度和噪音水平;
根据所述状态空间和动作空间,基于线性加权和法构建奖励函数;
根据所述状态空间、动作空间和奖励函数,基于深度确定性策略梯度算法训练预设的Actor-Critic网络模型,得到睡眠质量检测模型;
将所述实时睡眠的心率信号、呼吸信号和体动次数输入所述睡眠质量检测模型,得到睡眠质量检测结果。
第二方面,本申请还提供了一种儿童睡眠质量检测装置,包括:
获取模块,所述获取模块用于分别获取儿童历史睡眠和实时睡眠的心率信号、呼吸信号和体动次数,对心率手环检测到的心率进行放大、滤波和去噪得到所述心率信号,对红外摄像机检测到的红外图像进行去除噪声和图像增强处理,基于运动检测算法在处理后的每帧所述红外图像上标记运动区域,根据所述运动区域的面积计算呼吸运动的运动幅度,所述呼吸信号为所述运动幅度构成的幅度序列,根据设置于床垫上的压力传感器检测到的压力信号计算所述体动次数;
第一构建模块,所述第一构建模块用于对所述历史睡眠的心率信号和呼吸信号分别进行数据清洗、特征提取和归一化得到心率变异性和呼吸频率,将所述历史睡眠的体动次数离散化为离散区间,根据所述心率变异性、呼吸频率和离散区间构建状态空间;
第二构建模块,所述第二构建模块用于根据影响儿童睡眠环境的关键动作构建动作空间,所述关键动作包括调节床铺硬度、光线亮度、环境温度、环境湿度和噪音水平;
第三构建模块,所述第三构建模块用于根据所述状态空间和动作空间,基于线性加权和法构建奖励函数;
训练模块,所述训练模块用于根据所述状态空间、动作空间和奖励函数,基于深度确定性策略梯度算法训练预设的Actor-Critic网络模型,得到睡眠质量检测模型;
检测模块,所述检测模块用于将所述实时睡眠的心率信号、呼吸信号和体动次数输入所述睡眠质量检测模型,得到睡眠质量检测结果。
第三方面,本申请还提供了一种儿童睡眠质量检测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述儿童睡眠质量检测方法的步骤。
第四方面,本申请还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于儿童睡眠质量检测方法的步骤。
本发明的有益效果为:本发明通过采集的特定数据以及深度确定性策略梯度算法训练的Actor-Critic网络模型,构建了灵活性、适应性强、泛化能力好的儿童睡眠质量检测模型,无需依赖领域专家手动提取特征,能够更好地捕捉数据之间的复杂关系,能够针对不同儿童进行个性化睡眠质量检测,通过非接触式传感器进行信号的采集,能够排除佩戴大量接触式传感器造成的睡眠质量干扰,使得睡眠检测结果更加接近实际儿童睡眠质量。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对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发明的某些实施例,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为本发明实施例中所述的儿童睡眠质量检测方法流程示意图;
图2为本发明实施例中所述的儿童睡眠质量检测方法逻辑示意图;
图3为本发明实施例中所述的儿童睡眠质量检测设备结构示意图。
图中标记:800、儿童睡眠质量检测设备;801、处理器;802、存储器;803、多媒体组件;804、I/O接口;805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
本实施例提供了一种儿童睡眠质量检测方法。
参见图1,图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400、步骤S500、步骤S600和步骤S700。
步骤S100:获取第一信息,所述第一信息包括儿童历史睡眠中的心率信号、呼吸信号和体动次数,所述第一信息通过非接触式传感器获取;
本申请人选择作为后续状态空间的构成的理由如下:
全面性:心率、呼吸和体动是反映睡眠状态的重要指标。心率可以反映心血管系统的活动情况,呼吸信号可以反映呼吸系统的活动情况,而体动可以反映儿童的睡眠状态和睡眠中的活动程度。综合考虑这些指标可以更全面地评估儿童的睡眠质量;
互补性:心率、呼吸和体动信号之间存在一定的互补性。比如,某些睡眠障碍可能会导致心率和呼吸异常,而这些异常可能会伴随着异常的体动模式。因此,综合考虑多个指标可以提高睡眠质量检测的准确性和可靠性;
稳定性:心率、呼吸和体动是相对稳定的生理信号,在睡眠过程中会有一定的变化,但总体上保持着一定的稳定性。因此,这些指标可以作为比较稳定的状态表示,有助于本申请后续构建的睡眠质量检测模型的稳定性和收敛性;
可获取性:心率、呼吸和体动信号相对容易获取,可以通过各种传感器或设备进行实时监测。这些数据的获取不需要过多的干预或侵入性操作,可以较为方便地集成到儿童睡眠监测系统中。
结合图1和图2所示:
步骤S100具体包括:
获取心率手环检测到的心率,对所述心率进行放大、滤波和去噪处理,得到所述心率信号;
获取红外摄像机检测到的红外图像,对所述红外图像进行去除噪声和图像增强处理,并对处理后的所述红外图像基于运动检测算法进行呼吸信号提取,得到呼吸信号;
获取设置于床垫上的压力传感器检测到的压力信号,根据所述压力信号计算得到所述体动次数。
床垫上的压力传感器可以用来检测体动次数。当儿童在床上移动时,他们的体重分布会发生变化,导致床垫上的压力分布发生变化。通过监测这些压力变化,可以推断出儿童的体动情况。
具体来说,在床垫上安装了一个二维压力传感器阵列,每个传感器都可以测量特定区域的压力,将这些压力传感器的输出组合成一个向量表示床垫上的整体压力分布。假设该向量为。
为了检测体动次数,可以利用两个连续时刻的压力分布向量 和/>,由此通过比较这两个向量之间的差异,可以判断是否发生了体动,记录体动次数。
一种简单的方法是计算两个压力向量之间的欧氏距离或曼哈顿距离,即:
距离=;
如果距离超过某个预先设定的阈值,则可以认为发生了体动。通过设定合适的阈值,可以平衡检测的灵敏度和准确性。以上为压力传感器可以通过检测床垫上的压力分布变化来实时监测儿童的体动次数的原理。
对处理后的所述红外图像基于运动检测算法进行呼吸信号提取,包括:
基于运动检测算法在处理后的所述红外图像中的每帧图像上标记运动区域;
根据所述运动区域的面积计算呼吸运动的运动幅度;
根据每帧所述图像对应的运动幅度构成幅度序列,所述幅度序列即为所述呼吸信号。
以下具体说明:
数据采集:使用红外摄像机拍摄儿童睡眠期间的视频数据,假设视频序列为,其中/>代表第/>帧图像。
运动检测算法:对每一帧图像应用运动检测算法,将运动区域标记出来。假设对于第/>帧图像,运动区域的坐标为/>。面积为/>。
计算呼吸运动幅度:基于运动区域的面积,可以计算呼吸运动的幅度。假设为运动区域面积的最大值,/>为最小值,则呼吸运动的幅度/>可以通过如下公式计算:
;
其中,的取值范围在0到1之间,表示呼吸运动的相对强度。
呼吸频率估计:根据呼吸运动的幅度序列,可以估计儿童的呼吸频率,通过呼吸运动的周期来计算呼吸频率。假设相邻两次呼吸运动的时间间隔为 />,则呼吸频率/>可以通过以下公式估计:
;
步骤S200:获取第二信息,所述第二信息包括儿童实时睡眠的心率信号、呼吸信号和体动次数,所述第二信息通过非接触式传感器获取;第二信息的获取方式和第一信息的获取方式一样,只是第二信息为实时获取的数据。
步骤S300:根据所述第一信息构建状态空间;
所述步骤S300具体包括:
将所述心率信号和呼吸信号转化为数值型数据,所述数值型数据包括心率变异性和呼吸频率,将心率信号和呼吸信号转化为数值型数据可以使它们更容易与其他数据统一处理,并提取更多有用的信息,有助于更准确地评估儿童的睡眠质量。
将所述体动次数离散化为离散区间;
在构建状态空间时,将体动次数离散化为离散区间的主要原因是为了简化问题,减少状态空间的复杂度。体动次数通常是一个连续的变量,其取值范围可能很广,而且在不同时间点可能有很大的变化。如果直接将体动次数作为状态空间的一个维度,可能会导致状态空间非常庞大,从而增加了问题的复杂度和计算量。将体动次数离散化为离散区间可以有效地减少状态空间的大小,使得问题更容易处理。通过将体动次数分为若干个离散区间,可以将连续的变量转化为离散的状态值,从而将问题转化为一个离散的控制问题。这样做的好处是可以更方便地设计和实现状态空间的表示和搜索算法,同时也可以减少计算量和内存消耗。另外,将体动次数离散化为离散区间还可以增加模型的鲁棒性,减少对数据噪声的敏感度。离散化后使得状态空间更容易进行学习和泛化,使得模型更适用于不同的场景和数据集。
根据所述数值型数据和所述离散区间构成所述状态空间。
对心率信号和呼吸信号进行数据清洗;
对清洗后的所述心率信号进行特征提取以及归一化处理,得到心率变异性;
对清洗后的所述呼吸信号进行特征提取以及归一化处理,得到呼吸频率。
特征提取可以计算心率的平均值、呼吸频率的变化范围等,从而更好地反映儿童的睡眠状态,这些特征可以作为状态表示的一部分,进一步提高睡眠质量评估的精度。
步骤S400:根据影响儿童睡眠环境的关键动作构建动作空间,所述关键动作包括调节床铺硬度、调整光线亮度、调节环境温度、调节环境湿度和调节噪音水平;
通过调节床铺硬度、光线亮度、环境温度、湿度和噪音水平构建动作空间,可以实现对睡眠环境的个性化调整和优化,通过动作空间。
步骤S400具体包括:
将调节不同级别床铺硬度的动作映射为对应的硬度调节指令;
将调节不同级别灯光亮度的动作映射为对应的光线调节指令;
将调节不同级别环境温度的动作映射为对应的温度调节指令;
将调节不同级别环境湿度的动作映射为对应的湿度调节指令。
将动作映射成指令是为了使智能体能够与实际环境进行有效的交互和操作,以实现所选择的动作,并获取环境的反馈信息。
例如,选择的动作需要被应用于环境中,以模拟真实世界的行为。这可能涉及到与外部设备或模拟环境的通信,以执行实际的动作。例如,如果动作是调节环境温度,则需要向温度控制系统发送命令,其他动作同理。一旦动作被应用于环境,环境将产生相应的响应,响应包括两个方面:一是环境的状态变化,即会进入一个新的状态;二是环境会返回一个奖励值,用于评估动作的效果。
步骤S500:根据所述状态空间和动作空间,基于线性加权和法构建奖励函数;
所述步骤S500具体包括:
基于模拟退火算法计算所述心率变异性的权重系数、呼吸频率的权重系数、体动次数的权重系数、光线亮度的权重系数、环境温度的权重系数、环境湿度的权重系数、床铺硬度的权重系数和噪音水平的权重系数,包括:
随机初始化所述心率变异性的权重系数、呼吸频率的权重系数、体动次数的权重系数、光线亮度的权重系数、环境温度的权重系数、环境湿度的权重系数、床铺硬度的权重系数和噪音水平的权重系数;
将最大化所述奖励函数设为目标函数;
在每次迭代中,基于预设的状态转移规则和能量函数,在当前解的附近随机生成一个新解,并计算所述新解的奖励函数值,若所述新解的奖励函数值较高,则接受该解,否则,以预设的接受概率接受该解,随着迭代的进行,逐渐降低所述接受概率,直到接受概率趋近于零,所述能量函数为所述奖励函数;
当达到指定的迭代次数时,停止迭代,并输出最优的权重系数。
根据所述心率变异性和预设的心率变异性正常范围计算心率变异性奖励;
根据所述呼吸频率和预设的呼吸频率正常范围计算呼吸频率奖励;
根据所述体动次数和预设的体动次数正常范围计算体动次数奖励;
根据所述光线亮度和预设的光线亮度正常范围计算光线亮度奖励;
根据所述环境温度和预设的环境温度正常范围计算环境温度奖励;
根据所述环境湿度和预设的环境湿度正常范围计算环境湿度奖励;
根据所述噪音水平和预设的噪音水平正常范围计算噪音水平奖励;
根据所述床铺硬度和预设的床铺硬度正常范围计算床铺硬度奖励;
根据所述心率变异性的权重系数、呼吸频率的权重系数、体动次数的权重系数、光线亮度的权重系数、环境温度的权重系数、环境湿度的权重系数、床铺硬度的权重系数以及心率变异性奖励、呼吸频率奖励、体动次数奖励、光线亮度奖励、环境温度奖励、环境湿度奖励、噪音水平奖励和床铺硬度奖励构建所述奖励函数。
所述奖励函数的公式为:
;
上式中,若在正常范围内,则/>,若/>超出正常范围,则/>,其中/>为递减函数,表示/>超出预设的心率变异性正常范围的程度,
,/>为控制/>递减速度的调节因子,
;
上式中,若在正常范围内,则/>,若/>超出正常范围,则/>,其中为递减函数,表示/>超出呼吸频率正常范围的程度,/>,/>为控制递减速度的调节因子,
;
上式中,若在正常范围内,则/>,若/>超出正常范围,则/>,其中为递减函数,表示/>超出体动次数正常范围的程度,/>,/>为控制/>递减速度的调节因子,
;
上式中,若在正常范围内,则/>,若/>超出正常范围,则/>,其中为递减函数,表示/>超出光线亮度正常范围的程度,/>,/>为控制/>递减速度的调节因子,
;
上式中,若在正常范围内,则/>,若/>超出正常范围,则/>,其中/>为递减函数,表示/>超出环境温度正常范围的程度,/>,/>为控制/>递减速度的调节因子,
;
上式中,若在正常范围内,则/>,若/>超出正常范围,则/>,其中/>为递减函数,表示/>超出环境湿度正常范围的程度, />,/>为控制/>递减速度的调节因子,
;
上式中,若在正常范围内,则/>,若/>超出正常范围,则/>,其中/>为递减函数,表示/>超出噪音水平正常范围的程度,/>,/>为控制/>递减速度的调节因子,
;
上式中,若在正常范围内,则/>,若/>超出正常范围,则/>,其中为递减函数,表示/>超出床铺硬度正常范围的程度,/>,/>为控制/>递减速度的调节因子,
;
上述所有控制递减函数递减速度的调节因子具体均根据递减速度需求确定。较大值的递减速度的调节因子将使得速度递减得更快,而较小值的递减速度的调节因子将使得速度递减得更慢。具体取值可以在[0,1]之间。
式中,、/>、/>、/>、/>、/>、/>和/>分别表示心率变异性、呼吸频率、体动次数、光线亮度、环境温度、环境湿度、噪音水平和床铺硬度,R表示综合奖励值,/>是心率变异性奖励,/>是呼吸频率奖励,/>是体动次数奖励,/>是光线亮度奖励,/>是环境温度奖励,/>是环境湿度奖励,/>是噪音水平奖励,/>是床铺硬度奖励,/>、/>、/>、/>、/>、/>、/>和/>分别对应心率变异性的权重系数、所述呼吸频率的权重系数、所述体动次数的权重系数、所述光线亮度的权重系数、所述环境温度的权重系数、所述环境湿度的权重系数、所述噪音水平的权重系数和所述床铺硬度的权重系数。
步骤S600:根据所述状态空间、所述动作空间和所述奖励函数,基于深度确定性策略梯度算法训练预设的Actor-Critic网络模型,得到睡眠质量检测模型;
所述步骤S600具体包括:
初始化预设的所述Actor-Critic网络模型的参数,在所述Actor-Critic网络模型中Actor网络的输入为所述状态空间的状态、输出为所述动作空间的动作,Critic网络的输入为所述状态和所述动作、输出为状态-动作对的Q值;
从所述状态空间中选择一个状态作为当前状态,并将所述当前状态输入所述Actor网络,输出当前动作;
获取环境响应当前动作后反馈的所述光线亮度、环境温度、环境湿度、床铺硬度和噪音水平;
根据所述当前状态和环境响应当前动作后反馈的所述光线亮度、环境温度、环境湿度、床铺硬度和噪音水平,基于所述奖励函数计算综合奖励值;
根据所述奖励值和环境响应当前动作后反馈的下一个状态计算目标Q值;
将所述当前Q值与所述目标Q值的均方差计算函数作为所述Critic网络的损失函数,并基于所述Critic网络的损失函数和梯度下降法更新所述Critic网络的参数;
将所述当前Q值的负值作为所述Actor网络的损失函数,并基于所述Actor网络的损失函数和梯度上升法更新所述Actor网络的参数。
具体为:
初始化Actor网络参数和Critic网络参数/>:
在Actor-Critic网络模型中,Actor网络的输入为状态空间的状态s,输出为动作空间的动作a,表示为a= Actor(s|);
Critic网络的输入为状态s和动作a,输出为状态-动作对的Q值Q(s,a|);
选择一个状态s作为当前状态,并将当前状态输入Actor网络,得到当前动作a;
获取环境响应当前动作后反馈的光线亮度、环境温度、环境湿度、床铺硬度和噪音水平;
根据当前状态s和环境响应当前动作后反馈的光线亮度、环境温度、环境湿度、床铺硬度和噪音水平,基于奖励函数计算综合奖励值R:
根据综合奖励值R和环境响应当前动作后反馈的下一个状态s'计算目标Q值,其中γ是折扣因子:
将当前Q值Q(s,a|)与目标Q值Qtarget的均方差作为Critic网络的损失函数Lcritie,并使用梯度下降法更新Critic网络的参数/>:
将当前Q值的负值-Q(s,a|)作为Actor网络的损失函数LActor,并使用梯度上升法更新Actor网络的参数/>。
步骤S700:将所述第二信息输入所述睡眠质量检测模型,得到睡眠质量检测结果。
所述检测方法还包括:
将所述第二信息输入所述睡眠质量检测模型,预测得到下一步动作;
基于预设的决策函数将所述下一步动作转化为决策意见;
根据所述决策意见调节所述床铺硬度、调整光线亮度、调节环境温度、调节环境湿度和调节噪音水平中的一个或几个。
决策函数中考虑儿童的睡眠状态、环境参数和健康指标,可以使用模糊逻辑来设计这个决策函数,以便更好地处理输入和输出之间的关系。首先,定义一些模糊集合和它们之间的关系:
睡眠质量:差、一般、良好、优秀
床铺硬度:软、适中、硬
光线亮度:低、中等、高
温度:低、舒适、高
湿度:低、适中、高
噪音水平:低、中等、高
定义模糊规则,以根据输入条件推断输出动作,最后,可以使用这些模糊规则和输入条件来计算输出动作。这可以通过模糊推理来实现,可以使用模糊逻辑控制器来模拟人类决策过程。
模糊规则是根据专家经验预先设置的模糊规则库,所述模糊规则库例如:
如果睡眠质量为差且所述下一步动作为调节床铺硬度为软,则建议将床铺硬度调节为软。
如果睡眠质量为一般或良好,并且所述下一步动作为保持床铺硬度为适中,则建议保持床铺硬度不变。
如果睡眠质量为优秀且所述下一步动作为调节床铺硬度为硬,则建议将床铺硬度调节为适中。
如果睡眠质量为差且所述下一步动作为增加光线亮度为高,则建议将光线亮度调节为高。
如果睡眠质量为一般或良好,并且所述下一步动作为保持光线亮度为中等,则建议保持光线亮度不变。
如果睡眠质量为优秀且所述下一步动作为降低光线亮度为低,则建议将光线亮度调节为中等。
如果睡眠质量为差且所述下一步动作为增加环境温度为高,则建议将环境温度调节为高。
如果睡眠质量为一般或良好,所述下一步动作为保持环境温度为舒适,则建议保持环境温度不变。
如果睡眠质量为优秀且所述下一步动作为降低环境温度为低,则建议将环境温度调节为舒适。
如果睡眠质量为差且所述下一步动作为增加环境湿度为高,则建议将环境湿度调节为高。
如果睡眠质量为一般或良好,所述下一步动作为保持环境湿度为适中,则建议保持环境湿度不变。
如果睡眠质量为优秀且强化学习模型建议减少环境湿度为低,则建议将环境湿度调节为适中。
如果睡眠质量为差且所述下一步动作为降低噪音水平为低,则建议将噪音水平调节为低。
如果睡眠质量为一般或良好,并且所述下一步动作为保持噪音水平为适中,则建议保持噪音水平不变。
如果睡眠质量为优秀且所述下一步动作为增加噪音水平为中等,则建议将噪音水平调节为适中。
接下来,我们可以使用模糊推理来确定最终的决策建议。
模糊化:
在模糊化过程中,隶属度表示了一个输入值对于模糊集合的归属程度,通常采用隶属函数来描述。隶属函数可以是三角形、梯形、高斯函数等形式,它们描述了输入值在模糊集合中的隶属度。
预设的儿童睡眠质量评分标准分为睡眠质量差(0-60)、睡眠质量一般(61-80)、睡眠质量良好(81-90)和睡眠质量优秀(91-100),在这个场景下,我们的输入为睡眠质量和所述下一步动作,每个睡眠质量和所述下一步动作均对应一个隶属函数。隶属度的计算是通过将输入值代入隶属函数中,得到对应的隶属度值。
本实施例中采用三角形隶属函数来描述睡眠质量,其隶属函数如下所示:
睡眠质量差:
睡眠质量一般:
睡眠质量良好:
睡眠质量优秀:
其中,是睡眠质量评分的实际值。
类似地,我们可以为所述下一步动每个值根据隶属度函数定义方法定义相应的隶属函数。
模糊推理的结果是一系列模糊集合的隶属度,表示了各个动作的可能程度。接下来,我们需要对这些模糊集合进行去模糊化,将其转化为具体的动作或决策。可以使用加权平均法,也称为重心法。该方法将每个模糊集合的隶属度与其对应的取值进行加权,然后将加权后的值相加,最终得到一个加权平均值,表示模糊集合的中心或期望值。我们将对每个模糊集合进行去模糊化,计算加权平均值。
在重心法中,我们将每个动作的隶属度加权平均值乘以该动作的中心值,然后将所有结果相加,最终得到一个加权平均的中心位置。这个中心位置代表了模糊集合的中心点,也就是确定的决策。
以调节床铺硬度为例,床铺硬度的具体值可以通过各种传感器或设备来获取,比如压力传感器、加速度传感器等。这些传感器可以测量床铺表面的压力或变形,并将其转化为数字信号,以表示床铺的硬度。例如,一个压力传感器可以安装在床垫下方,测量用户体重对床垫的压力,然后将测得的压力值转化为一个数字,表示床垫的硬度。例如预设床铺硬度的取值范围为1到10,若床铺硬度的隶属度加权平均值为0.6,床铺硬度的模糊集合的中心点为5。那么根据重心法,我们可以计算出去模糊化后的决策值为:
去模糊化值=0.6×5=3
因此,根据重心法,我们将床铺硬度调整到3,作为最终的决策。
以下通过具体的实验数据对本申请进行进一步说明:
首先获取10名儿童的历史睡眠数据和实时睡眠数据,每名儿童的睡眠数据包括心率变异性、呼吸频率和体动次数,并根据专家经验预设儿童睡眠质量评分标准,预设的儿童睡眠质量评分标准分为睡眠质量差(0-60)、睡眠质量一般(61-80)、睡眠质量良好(81-90)和睡眠质量优秀(91-100)。
状态空间构建:将心率变异性和呼吸频率分别归一化到0到1之间作为数值型数据,将体动次数离散化为3个离散区间(低、中、高)作为离散型数据。
动作空间构建:设定3个床铺硬度级别(软、适中、硬)、3个光线亮度级别(暗、适中、亮)、3个环境温度级别(低、中、高)、3个环境湿度级别(低、中、高)、3个噪音水平级别(低、中、高)以及5个关键动作:调节床铺硬度、调整光线亮度、调节环境温度、调节环境湿度和调节噪音水平。
使用模拟退火算法计算各项因素的权重系数,心率变异性、呼吸频率、体动次数、光线亮度、环境温度、环境湿度、床铺硬度和噪音水平的权重系数分别为0.2、0.3、0.1、0.1、0.1、0.1、0.05、0.05。
根据所述奖励函数计算综合奖励值R。
根据各项因素的奖励值和对应的权重系数,计算综合奖励值,根据综合奖励值将睡眠质量评分线性映射到0到100之间的分数范围,得到儿童的睡眠质量评分,即若综合奖励值为,则睡眠质量评分的计算公式为:
;
最低奖励值表示睡眠质量的最差情况对应的奖励值,最高奖励值表示睡眠质量的最佳情况对应的奖励值,这样的设置可以使得睡眠质量评分具有统一的标尺,便于理解和比较不同儿童的睡眠质量。
儿童睡眠检测结果如下表1:
表1:
实验结果:由此可见,编号为2、6、10的儿童睡眠质量为一般,编号为1、4、5、7和9的儿童睡眠质量为良好,编号为3和8的儿童睡眠质量为优秀,各调节建议如表1所示。
实施例2:
本实施例提供了一种儿童睡眠质量检测装置,所述装置包括:
获取模块,所述获取模块用于分别获取儿童历史睡眠和实时睡眠的心率信号、呼吸信号和体动次数,对心率手环检测到的心率进行放大、滤波和去噪得到所述心率信号,对红外摄像机检测到的红外图像进行去除噪声和图像增强处理,基于运动检测算法在处理后的每帧所述红外图像上标记运动区域,根据所述运动区域的面积计算呼吸运动的运动幅度,所述呼吸信号为所述运动幅度构成的幅度序列,根据设置于床垫上的压力传感器检测到的压力信号计算所述体动次数;
第一构建模块,所述第一构建模块用于对所述历史睡眠的心率信号和呼吸信号分别进行数据清洗、特征提取和归一化得到心率变异性和呼吸频率,将所述历史睡眠的体动次数离散化为离散区间,根据所述心率变异性、呼吸频率和离散区间构建状态空间;
第二构建模块,所述第二构建模块用于根据影响儿童睡眠环境的关键动作构建动作空间,所述关键动作包括调节床铺硬度、光线亮度、环境温度、环境湿度和噪音水平;
第三构建模块,所述第三构建模块用于根据所述状态空间和动作空间,基于线性加权和法构建奖励函数;
训练模块,所述训练模块用于根据所述状态空间、动作空间和奖励函数,基于深度确定性策略梯度算法训练预设的Actor-Critic网络模型,得到睡眠质量检测模型;
检测模块,所述检测模块用于将所述实时睡眠的心率信号、呼吸信号和体动次数输入所述睡眠质量检测模型,得到睡眠质量检测结果。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3:
相应于上面的方法实施例,本实施例中还提供了一种儿童睡眠质量检测设备,下文描述的一种儿童睡眠质量检测设备与上文描述的一种儿童睡眠质量检测方法可相互对应参照。
图3是根据示例性实施例示出的一种儿童睡眠质量检测设备800的框图。如图3所示,该儿童睡眠质量检测设备800可以包括:处理器801,存储器802。该儿童睡眠质量检测设备800还可以包括多媒体组件803, I/O接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该儿童睡眠质量检测设备800的整体操作,以完成上述的儿童睡眠质量检测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该儿童睡眠质量检测设备800的操作,这些数据例如可以包括用于在该儿童睡眠质量检测设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random AccessMemory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable ProgrammableRead-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。
音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该儿童睡眠质量检测设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,儿童睡眠质量检测设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的儿童睡眠质量检测方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的儿童睡眠质量检测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由儿童睡眠质量检测设备800的处理器801执行以完成上述的儿童睡眠质量检测方法。
实施例4:
相应于上面的方法实施例,本实施例中还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种儿童睡眠质量检测方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的儿童睡眠质量检测方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种儿童睡眠质量检测方法,其特征在于,包括:
分别获取儿童历史睡眠和实时睡眠的心率信号、呼吸信号和体动次数,对心率手环检测到的心率进行放大、滤波和去噪得到所述心率信号,对红外摄像机检测到的红外图像进行去除噪声和图像增强处理,基于运动检测算法在处理后的每帧所述红外图像上标记运动区域,根据所述运动区域的面积计算呼吸运动的运动幅度,所述呼吸信号为所述运动幅度构成的幅度序列,根据设置于床垫上的压力传感器检测到的压力信号计算所述体动次数;
对所述历史睡眠的心率信号和呼吸信号分别进行数据清洗、特征提取和归一化得到心率变异性和呼吸频率,将所述历史睡眠的体动次数离散化为离散区间,根据所述心率变异性、呼吸频率和离散区间构建状态空间;
根据影响儿童睡眠环境的关键动作构建动作空间,所述关键动作包括调节床铺硬度、光线亮度、环境温度、环境湿度和噪音水平;
根据所述状态空间和动作空间,基于线性加权和法构建奖励函数;
根据所述状态空间、动作空间和奖励函数,基于深度确定性策略梯度算法训练预设的Actor-Critic网络模型,得到睡眠质量检测模型;
将所述实时睡眠的心率信号、呼吸信号和体动次数输入所述睡眠质量检测模型,得到睡眠质量检测结果;
所述奖励函数的公式为:
R=wHRV·RHRV+wRR·RRR+wAM·RAM+wBL·RBL
+wT·RT+wH·RH+wN·RN+wBD·RBD
上式中,若HRV在正常范围内,则RHRV=1,若HRV超出正常范围,则RHRV=f(HRV),其中f(HRV)为递减函数,表示HRV超出预设的心率变异性正常范围的程度;
上式中,若RR在正常范围内,则RRR=1,若RR超出正常范围,则RRR=f(RR),其中f(RR)为递减函数,表示RR超出正常范围的程度;
上式中,若AM在正常范围内,则RAM=1,若AM超出正常范围,则RAM=f(AM),其中f(AM)为递减函数,表示AM超出正常范围的程度;
上式中,若BL在正常范围内,则RBL=1,若BL超出正常范围,则RBL=f(BL),其中f(BL)为递减函数,表示BL超出正常范围的程度;
上式中,若T在正常范围内,则RT=1,若T超出正常范围,则RT=f(T),其中f(T)为递减函数,表示T超出正常范围的程度;
上式中,若H在正常范围内,则RH=1,若H超出正常范围,则RH=f(H),其中f(H)为递减函数,表示H超出正常范围的程度;
上式中,若N在正常范围内,则RN=1,若N超出正常范围,则RN=f(N),其中f(N)为递减函数,表示N超出正常范围的程度;
上式中,若BD在正常范围内,则RBD=1,若BD超出正常范围,则RBD=f(BD),其中f(BD)为递减函数,表示BD超出正常范围的程度;
式中,HRV、RR、AM、BL、T、H、N和BD分别表示心率变异性、呼吸频率、体动次数、光线亮度、环境温度、环境湿度、噪音水平和床铺硬度,R表示综合奖励值,RHRV是心率变异性奖励,RRR是呼吸频率奖励,RAM是体动次数奖励,RBL是光线亮度奖励,RT是环境温度奖励,RH是环境湿度奖励,RN是噪音水平奖励,RBD是床铺硬度奖励,wHRV、wRR、wAM、wBL、wT、wH、wN和wBD分别对应心率变异性的权重系数、所述呼吸频率的权重系数、所述体动次数的权重系数、所述光线亮度的权重系数、所述环境温度的权重系数、所述环境湿度的权重系数、所述噪音水平的权重系数和所述床铺硬度的权重系数;
所述f(HRV)=e-k1×心率变异性偏离程度,k1为控制所述f(HRV)递减速度的调节因子,其中:
所述f(RR)=e-k2×呼吸频率偏离程度,k2为控制所述f(RR)递减速度的调节因子,
所述f(AM)=e-k3×体动次数偏离程度,k3为控制所述f(AM)递减速度的调节因子,
所述f(BL)=e-k4×光线亮度偏离程度,k4为控制所述f(BL)递减速度的调节因子,
所述f(T)=e-k5×环境温度偏离程度,k5为控制所述f(T)递减速度的调节因子,
所述f(H)=e-k6×环境湿度偏离程度,k6为控制所述f(H)递减速度的调节因子,
所述f(N)=e-k7×噪音水平偏离程度,k7为控制所述f(N)递减速度的调节因子,
所述f(BD)=e-k8×床铺硬度偏离程度,k8为控制所述f(BD)递减速度的调节因子,
所述k1、k2、k3、k4、k5、k6、k7、k8取值在[0,1]之间;
根据心率变异性奖励、呼吸频率奖励、体动次数奖励、光线亮度奖励、环境温度奖励、环境湿度奖励、噪音水平奖励和对应的所述心率变异性的权重系数、呼吸频率的权重系数、体动次数的权重系数、光线亮度的权重系数、环境温度的权重系数、环境湿度的权重系数、床铺硬度的权重系数计算综合奖励值;
根据综合奖励值将睡眠质量评分线性映射到0到100之间的分数范围,得到儿童的睡眠质量评分,即若综合奖励值为R,则睡眠质量评分的计算公式为:
根据预设的睡眠质量评分标准和所述睡眠质量评分判断儿童的睡眠质量;
基于模拟退火算法计算所述心率变异性的权重系数、呼吸频率的权重系数、体动次数的权重系数、光线亮度的权重系数、环境温度的权重系数、环境湿度的权重系数、床铺硬度的权重系数和噪音水平的权重系数,包括:
随机初始化所述心率变异性的权重系数、呼吸频率的权重系数、体动次数的权重系数、光线亮度的权重系数、环境温度的权重系数、环境湿度的权重系数、床铺硬度的权重系数和噪音水平的权重系数;
将最大化所述奖励函数设为目标函数;
在每次迭代中,基于预设的状态转移规则和能量函数,在当前解的附近随机生成一个新解,并计算所述新解的奖励函数值,若所述新解的奖励函数值较高,则接受该解,否则,以预设的接受概率接受该解,随着迭代的进行,逐渐降低所述接受概率,直到接受概率趋近于零,所述能量函数为所述奖励函数;
当达到指定的迭代次数时,停止迭代,并输出最优的权重系数。
2.根据权利要求1所述的儿童睡眠质量检测方法,其特征在于,根据影响儿童睡眠环境的关键动作构建动作空间,包括:
将调节不同级别床铺硬度的动作映射为对应的硬度调节指令;
将调节不同级别灯光亮度的动作映射为对应的光线调节指令;
将调节不同级别环境温度的动作映射为对应的温度调节指令;
将调节不同级别环境湿度的动作映射为对应的湿度调节指令。
3.根据权利要求2所述的儿童睡眠质量检测方法,其特征在于,根据所述状态空间和动作空间,基于线性加权和法构建奖励函数,包括:
基于模拟退火算法计算所述心率变异性的权重系数、呼吸频率的权重系数、体动次数的权重系数、光线亮度的权重系数、环境温度的权重系数、环境湿度的权重系数、床铺硬度的权重系数和噪音水平的权重系数;
根据所述心率变异性和预设的心率变异性正常范围计算心率变异性奖励;
根据所述呼吸频率和预设的呼吸频率正常范围计算呼吸频率奖励;
根据所述体动次数和预设的体动次数正常范围计算体动次数奖励;
根据所述光线亮度和预设的光线亮度正常范围计算光线亮度奖励;
根据所述环境温度和预设的环境温度正常范围计算环境温度奖励;
根据所述环境湿度和预设的环境湿度正常范围计算环境湿度奖励;
根据所述噪音水平和预设的噪音水平正常范围计算噪音水平奖励;
根据所述床铺硬度和预设的床铺硬度正常范围计算床铺硬度奖励;
根据所述心率变异性的权重系数、呼吸频率的权重系数、体动次数的权重系数、光线亮度的权重系数、环境温度的权重系数、环境湿度的权重系数、床铺硬度的权重系数和噪音水平的权重系数以及心率变异性奖励、呼吸频率奖励、体动次数奖励、光线亮度奖励、环境温度奖励、环境湿度奖励、噪音水平奖励和床铺硬度奖励构建所述奖励函数。
4.根据权利要求3所述的儿童睡眠质量检测方法,其特征在于,根据所述状态空间、所述动作空间和所述奖励函数,基于深度确定性策略梯度算法训练预设的Actor-Critic网络模型,包括:
初始化预设的所述Actor-Critic网络模型的参数,在所述Actor-Critic网络模型中Actor网络的输入为所述状态空间的状态、输出为所述动作空间的动作,Critic网络的输入为所述状态和所述动作、输出为状态-动作对的Q值;
从所述状态空间中选择一个状态作为当前状态,并将所述当前状态输入所述Actor网络,输出当前动作;
获取环境响应当前动作后反馈的所述光线亮度、环境温度、环境湿度、床铺硬度和噪音水平;
根据所述当前状态和环境响应当前动作后反馈的所述光线亮度、环境温度、环境湿度、床铺硬度和噪音水平,基于所述奖励函数计算综合奖励值;
根据所述奖励值和环境响应当前动作后反馈的下一个状态计算目标Q值;
将当前所述Q值与所述目标Q值的均方差计算函数作为所述Critic网络的损失函数,并基于所述Critic网络的损失函数和梯度下降法更新所述Critic网络的参数;
将当前所述Q值的负值作为所述Actor网络的损失函数,并基于所述Actor网络的损失函数和梯度上升法更新所述Actor网络的参数。
5.根据权利要求1所述的儿童睡眠质量检测方法,其特征在于,对红外摄像机检测到的红外图像进行去除噪声和图像增强处理,基于运动检测算法在处理后的每帧所述红外图像上标记运动区域,根据所述运动区域的面积计算呼吸运动的运动幅度,所述呼吸信号为所述运动幅度构成的幅度序列,包括:
使用红外摄像机拍摄儿童睡眠期间的视频数据,视频序列为V={I1,I2,...,In},其中Ii代表第i帧图像;
对每一帧图像Ii应用运动检测算法,将所述运动区域标记出来,对于第i帧图像,运动区域的坐标为(x,yi),面积为Ai;
AMAX为运动区域面积的最大值,AMIN为最小值,则呼吸运动的幅度Ri通过如下公式计算:
其中,Ri的取值范围在0到1之间,表示呼吸运动的相对强度,所述幅度序列为R′={R′1,R′2,...,R′n}。
6.根据权利要求1所述的儿童睡眠质量检测方法,其特征在于,根据设置于床垫上的压力传感器检测到的压力信号计算所述体动次数,包括:
获取安装在床垫上的二维压力传感器阵列检测到的压力信号;
将这些压力传感器输出的压力信号组合成一个向量,该所述向量表示床垫上的整体压力分布;
利用两个连续时刻的压力分布向量Pt和Pt+1,计算两个压力分布向量之间的欧氏距离或曼哈顿距离,即:
距离=‖Pt+1-Pt‖
如果所述距离超过了预先设定的阈值,则判断发生了体动,记录体动次数。
7.一种儿童睡眠质量检测装置,其特征在于,包括:
获取模块,所述获取模块用于分别获取儿童历史睡眠和实时睡眠的心率信号、呼吸信号和体动次数,对心率手环检测到的心率进行放大、滤波和去噪得到所述心率信号,对红外摄像机检测到的红外图像进行去除噪声和图像增强处理,基于运动检测算法在处理后的每帧所述红外图像上标记运动区域,根据所述运动区域的面积计算呼吸运动的运动幅度,所述呼吸信号为所述运动幅度构成的幅度序列,根据设置于床垫上的压力传感器检测到的压力信号计算所述体动次数;
第一构建模块,所述第一构建模块用于对所述历史睡眠的心率信号和呼吸信号分别进行数据清洗、特征提取和归一化得到心率变异性和呼吸频率,将所述历史睡眠的体动次数离散化为离散区间,根据所述心率变异性、呼吸频率和离散区间构建状态空间;
第二构建模块,所述第二构建模块用于根据影响儿童睡眠环境的关键动作构建动作空间,所述关键动作包括调节床铺硬度、光线亮度、环境温度、环境湿度和噪音水平;
第三构建模块,所述第三构建模块用于根据所述状态空间和动作空间,基于线性加权和法构建奖励函数;
训练模块,所述训练模块用于根据所述状态空间、动作空间和奖励函数,基于深度确定性策略梯度算法训练预设的Actor-Critic网络模型,得到睡眠质量检测模型;
检测模块,所述检测模块用于将所述实时睡眠的心率信号、呼吸信号和体动次数输入所述睡眠质量检测模型,得到睡眠质量检测结果,其中:
所述奖励函数的公式为:
R=wHRV·RHRV+wRR·RRR+wAM·RAM+wBL·RBL
+wT·RT+wH·RH+wN·RN+wBD·RBD
上式中,若HRV在正常范围内,则RHRV=1,若HRV超出正常范围,则RHRV=f(HRV),其中f(HRV)为递减函数,表示HRV超出预设的心率变异性正常范围的程度;
上式中,若RR在正常范围内,则RRR=1,若RR超出正常范围,则RRR=f(RR),其中f(RR)为递减函数,表示RR超出正常范围的程度;
上式中,若AM在正常范围内,则RAM=1,若AM超出正常范围,则RAM=f(AM),其中f(AM)为递减函数,表示AM超出正常范围的程度;
上式中,若BL在正常范围内,则RBL=1,若BL超出正常范围,则RBL=f(BL),其中f(BL)为递减函数,表示BL超出正常范围的程度;
上式中,若T在正常范围内,则RT=1,若T超出正常范围,则RT=f(T),其中f(T)为递减函数,表示T超出正常范围的程度;
上式中,若H在正常范围内,则RH=1,若H超出正常范围,则RH=f(H),其中f(H)为递减函数,表示H超出正常范围的程度;
上式中,若N在正常范围内,则RN=1,若N超出正常范围,则RN=f(N),其中f(N)为递减函数,表示N超出正常范围的程度;
上式中,若BD在正常范围内,则RBD=1,若BD超出正常范围,则RBD=f(BD),其中f(BD)为递减函数,表示BD超出正常范围的程度;
式中,HRV、RR、AM、BL、T、H、N和BD分别表示心率变异性、呼吸频率、体动次数、光线亮度、环境温度、环境湿度、噪音水平和床铺硬度,R表示综合奖励值,RHRV是心率变异性奖励,RRR是呼吸频率奖励,RAM是体动次数奖励,RBL是光线亮度奖励,RT是环境温度奖励,RH是环境湿度奖励,RN是噪音水平奖励,RBD是床铺硬度奖励,wHRV、wRR、wAM、wBL、wT、wH、wN和wBD分别对应心率变异性的权重系数、所述呼吸频率的权重系数、所述体动次数的权重系数、所述光线亮度的权重系数、所述环境温度的权重系数、所述环境湿度的权重系数、所述噪音水平的权重系数和所述床铺硬度的权重系数;
所述f(HRV)=e-k1×心率变异性偏离程度,k1为控制所述f(HRV)递减速度的调节因子,其中:
所述f(RR)=e-k2×呼吸频率偏离程度,k2为控制所述f(RR)递减速度的调节因子,
所述f(AM)=e-k3×体动次数偏离程度,k3为控制所述f(AM)递减速度的调节因子,
所述f(BL)=e-k4×光线亮度偏离程度,k4为控制所述f(BL)递减速度的调节因子,
所述f(T)=e-k5×环境温度偏离程度,k5为控制所述f(T)递减速度的调节因子,
所述f(H)=e-k6×环境湿度偏离程度,k6为控制所述f(H)递减速度的调节因子,
所述f(N)=e-k7×噪音水平偏离程度,k7为控制所述f(N)递减速度的调节因子,
所述f(BD)=e-k8×床铺硬度偏离程度,k8为控制所述f(BD)递减速度的调节因子,
所述k1、k2、k3、k4、k5、k6、k7、k8取值在[0,1]之间;
根据心率变异性奖励、呼吸频率奖励、体动次数奖励、光线亮度奖励、环境温度奖励、环境湿度奖励、噪音水平奖励和对应的所述心率变异性的权重系数、呼吸频率的权重系数、体动次数的权重系数、光线亮度的权重系数、环境温度的权重系数、环境湿度的权重系数、床铺硬度的权重系数计算综合奖励值;
根据综合奖励值将睡眠质量评分线性映射到0到100之间的分数范围,得到儿童的睡眠质量评分,即若综合奖励值为R,则睡眠质量评分的计算公式为:
根据预设的睡眠质量评分标准和所述睡眠质量评分判断儿童的睡眠质量;
基于模拟退火算法计算所述心率变异性的权重系数、呼吸频率的权重系数、体动次数的权重系数、光线亮度的权重系数、环境温度的权重系数、环境湿度的权重系数、床铺硬度的权重系数和噪音水平的权重系数,包括:
随机初始化所述心率变异性的权重系数、呼吸频率的权重系数、体动次数的权重系数、光线亮度的权重系数、环境温度的权重系数、环境湿度的权重系数、床铺硬度的权重系数和噪音水平的权重系数;
将最大化所述奖励函数设为目标函数;
在每次迭代中,基于预设的状态转移规则和能量函数,在当前解的附近随机生成一个新解,并计算所述新解的奖励函数值,若所述新解的奖励函数值较高,则接受该解,否则,以预设的接受概率接受该解,随着迭代的进行,逐渐降低所述接受概率,直到接受概率趋近于零,所述能量函数为所述奖励函数;
当达到指定的迭代次数时,停止迭代,并输出最优的权重系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410310430.7A CN117898683B (zh) | 2024-03-19 | 2024-03-19 | 儿童睡眠质量检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410310430.7A CN117898683B (zh) | 2024-03-19 | 2024-03-19 | 儿童睡眠质量检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117898683A CN117898683A (zh) | 2024-04-19 |
CN117898683B true CN117898683B (zh) | 2024-06-07 |
Family
ID=90692522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410310430.7A Active CN117898683B (zh) | 2024-03-19 | 2024-03-19 | 儿童睡眠质量检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117898683B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112996431A (zh) * | 2018-10-05 | 2021-06-18 | 皇家飞利浦有限公司 | 用于影响呼吸参数的呼吸适配系统和方法 |
CN114118434A (zh) * | 2020-08-27 | 2022-03-01 | 朱宝 | 智能机器人及其学习方法 |
CN115211644A (zh) * | 2022-07-11 | 2022-10-21 | 中国人民解放军西部战区总医院 | 一种佩戴舒适并且能够检测用户身体状态的智能手环 |
CN116504362A (zh) * | 2023-04-25 | 2023-07-28 | 平安科技(深圳)有限公司 | 睡眠调节方案生成方法、装置、设备及存储介质 |
CN116665847A (zh) * | 2023-08-02 | 2023-08-29 | 南京元域绿洲科技有限公司 | 基于vr的围绕精神障碍的情绪调节训练系统 |
CN117690585A (zh) * | 2024-02-02 | 2024-03-12 | 深圳市震有智联科技有限公司 | 一种基于生物反馈的睡眠障碍治疗系统及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11648373B2 (en) * | 2013-07-08 | 2023-05-16 | Resmed Sensor Technologies Limited | Methods and systems for sleep management |
US11147459B2 (en) * | 2018-01-05 | 2021-10-19 | CareBand Inc. | Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health |
US20200367811A1 (en) * | 2019-05-21 | 2020-11-26 | Firstbeat Analytics Oy | Method and apparatus for detecting a sleep state |
US20210391081A1 (en) * | 2020-06-03 | 2021-12-16 | Informed Data Systems Inc. D/B/A One Drop | Predictive guidance systems for personalized health and self-care, and associated methods |
-
2024
- 2024-03-19 CN CN202410310430.7A patent/CN117898683B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112996431A (zh) * | 2018-10-05 | 2021-06-18 | 皇家飞利浦有限公司 | 用于影响呼吸参数的呼吸适配系统和方法 |
CN114118434A (zh) * | 2020-08-27 | 2022-03-01 | 朱宝 | 智能机器人及其学习方法 |
WO2022042093A1 (zh) * | 2020-08-27 | 2022-03-03 | 朱宝 | 智能机器人及其学习方法 |
CN115211644A (zh) * | 2022-07-11 | 2022-10-21 | 中国人民解放军西部战区总医院 | 一种佩戴舒适并且能够检测用户身体状态的智能手环 |
CN116504362A (zh) * | 2023-04-25 | 2023-07-28 | 平安科技(深圳)有限公司 | 睡眠调节方案生成方法、装置、设备及存储介质 |
CN116665847A (zh) * | 2023-08-02 | 2023-08-29 | 南京元域绿洲科技有限公司 | 基于vr的围绕精神障碍的情绪调节训练系统 |
CN117690585A (zh) * | 2024-02-02 | 2024-03-12 | 深圳市震有智联科技有限公司 | 一种基于生物反馈的睡眠障碍治疗系统及方法 |
Non-Patent Citations (2)
Title |
---|
基于人体生理体征的睡眠环境反馈调节系统的硬件设计与实现;杨迪;《中国优秀硕士学位论文全文数据库》;20191231;第1-52页 * |
睡眠剥夺对情绪识别和阈下情绪启动的影响;丁丽洪;《中国优秀硕士学位论文全文数据库》;20231231;第1-56页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117898683A (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230342621A1 (en) | Method and apparatus for performing anomaly detection using neural network | |
JP6439729B2 (ja) | 睡眠状態推定装置 | |
JP5073371B2 (ja) | 睡眠評価装置 | |
JP7082444B2 (ja) | 機械学習装置および機械学習プログラム | |
KR102449905B1 (ko) | 전자 장치 및 이의 제어 방법 | |
CN111372507A (zh) | 异常通知装置、记录介质及异常通知方法 | |
JP7520123B2 (ja) | 人間-ロボット混在製造プロセスにおける自動異常検出のためのシステムおよび方法 | |
CN110706816A (zh) | 一种基于人工智能进行睡眠环境调控的方法及设备 | |
CN110989735A (zh) | 睡眠环境自适应调节方法、装置和电子设备 | |
CN109009145A (zh) | 一种基于穿戴设备的跌倒判断方法 | |
JPWO2020047750A5 (zh) | ||
CN117909908B (zh) | 一种共享按摩椅的运行状态智能监测方法 | |
CN117898683B (zh) | 儿童睡眠质量检测方法及装置 | |
JP6573416B1 (ja) | 血圧推定装置、血圧推定システム、および血圧推定プログラム | |
JP2019097829A (ja) | 異常報知装置及びプログラム | |
JP7211441B2 (ja) | 覚醒度推定装置、覚醒度推定方法、及びプログラム | |
US20230057740A1 (en) | Sensing | |
KR102233157B1 (ko) | 딥러닝 기반의 재실자 포즈 분류를 이용한 재실자 활동량 산출 방법 및 시스템 | |
Jatoba et al. | Development of a self-constructing neuro-fuzzy inference system for online classification of physical movements | |
KR101375673B1 (ko) | 간질 발작 경보 방법 및 이를 지원하는 단말기 | |
Olsen | Detecting Human Emotions Using Smartphone Accelerometer Data | |
CN114423335A (zh) | 睡眠阶段估计设备、睡眠阶段估计方法及程序 | |
US20240090827A1 (en) | Methods and Systems for Improving Measurement of Sleep Data by Classifying Users Based on Sleeper Type | |
CN118366225B (zh) | 基于图像处理的手部康复锻炼监控方法及系统 | |
JP7261913B2 (ja) | 異常報知装置、プログラム及び異常報知方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |