CN118121156A - 活动指导方法、设备及存储介质 - Google Patents
活动指导方法、设备及存储介质 Download PDFInfo
- Publication number
- CN118121156A CN118121156A CN202211537998.XA CN202211537998A CN118121156A CN 118121156 A CN118121156 A CN 118121156A CN 202211537998 A CN202211537998 A CN 202211537998A CN 118121156 A CN118121156 A CN 118121156A
- Authority
- CN
- China
- Prior art keywords
- user activity
- user
- time period
- parameters
- sleep quality
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 353
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000003860 sleep quality Effects 0.000 claims abstract description 159
- 238000005457 optimization Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 48
- 230000007958 sleep Effects 0.000 claims abstract description 31
- 230000033001 locomotion Effects 0.000 claims abstract description 28
- 230000015654 memory Effects 0.000 claims description 32
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000002441 reversible effect Effects 0.000 claims description 8
- 230000036578 sleeping time Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 5
- 208000019116 sleep disease Diseases 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 41
- 238000004891 communication Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 11
- 230000005291 magnetic effect Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 7
- 238000012804 iterative process Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 230000036772 blood pressure Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000000638 stimulation Effects 0.000 description 3
- 206010062519 Poor quality sleep Diseases 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 206010014557 Emotional poverty Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000003403 autonomic nervous system Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035485 pulse pressure Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000004617 sleep duration Effects 0.000 description 1
- 230000004620 sleep latency Effects 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开提供一种活动指导方法、电子设备及计算机可读存储介质。所述方法包括:获取第一时间段的用户活动参数,所述用户活动参数包括运动参数和睡眠条件参数中的至少一种;对所述第一时间段的用户活动参数进行处理,获得用户在第二时间段的睡眠质量预测结果,所述第二时间段在所述第一时间段之后;响应于所述睡眠质量预测结果满足优化触发条件,对所述用户活动参数进行优化处理,获得优化处理后的用户活动参数;利用所述优化处理后的用户活动参数,提供活动指导信息。本公开从改变用户的运动习惯和/或睡眠条件层面实现解决用户的睡眠问题。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种活动指导方法、电子设备及计算机可读存储介质。
背景技术
现代生活中,睡眠质量成为人们的关注重点。好的睡眠质量能够促进精神力、体力的恢复和记忆的巩固,促进人体精神状态、注意力、情绪控制力和判断力的恢复。相反,睡眠质量较差可导致记忆减退,注意力降低、机体疲乏、甚至情绪消沉及出现心理障碍。
相关技术中,可以通过可穿戴设备等终端设备监测用户的睡眠数据,进而通过睡眠数据评估用户的睡眠质量;或者通过用户填写睡眠质量调查问卷的方式,通过调查问卷数据评估用户的睡眠质量。在睡眠质量不佳的情况下,可以进行外部的刺激或干预,来达到改善睡眠质量的目的。
但是,外部的刺激或干预方案属于通过实验得到的经验,不一定适用于所有的个体,并且这种外部的刺激或干预方案只是从外在层面短暂改善睡眠质量,用户的睡眠问题实质上并没有得到解决。
发明内容
为克服相关技术中存在的问题,本公开提供了一种活动指导方法、电子设备及计算机可读存储介质。
根据本公开实施例的第一方面,提供一种活动指导方法,包括:
获取第一时间段的用户活动参数,所述用户活动参数包括运动参数和睡眠条件参数中的至少一种;
对所述第一时间段的用户活动参数进行处理,获得用户在第二时间段的睡眠质量预测结果,所述第二时间段在所述第一时间段之后;
响应于所述睡眠质量预测结果满足优化触发条件,对所述用户活动参数进行优化处理,获得优化处理后的用户活动参数;
利用所述优化处理后的用户活动参数,提供活动指导信息。
可选的,所述获取第一时间段的用户活动参数,包括:
通过可穿戴设备的至少一个传感器采集第一时间段的用户活动信号;
基于所述用户活动信号,确定所述用户活动参数。
可选的,所述获取第一时间段的用户活动参数,包括:
通过可穿戴设备的至少一个传感器采集第三时间段的用户活动信号,所述第三时间段在所述第一时间段之前;
根据所述第三时间段的用户活动信号进行活动参数预测,得到所述第一时间段的用户活动参数。
可选的,所述第三时间段的用户活动信号包括多天的用户活动信号,所述根据所述第三时间段的用户活动信号进行活动参数预测,得到所述第一时间段的用户活动参数,包括:
对所述多天的用户活动信号进行预处理,并利用活动参数预测模型对所述预处理的结果进行处理,获得所述第一时间段的用户活动参数;其中,所述预处理包括下列中的至少一种:特征提取、数据填充。
可选的,所述对所述用户活动参数进行优化处理,获得优化处理后的用户活动参数,包括:
利用睡眠质量预测模型对所述用户活动参数进行优化处理,得到优化处理后的用户活动参数。
可选的,所述对所述用户活动参数进行优化处理,获得优化处理后的用户活动参数,包括:
以提高得到的睡眠质量预测结果为目标,利用睡眠质量预测模型反向迭代优化所述用户活动参数,获得优化处理后的用户活动参数。
可选的,所述对所述用户活动参数进行优化处理,获得优化处理后的用户活动参数,包括:
利用预设的学习率和睡眠质量预测模型,对所述用户活动参数进行梯度迭代,直到满足迭代截止条件,得到优化处理后的用户活动参数。
可选的,所述运动参数包括以下至少一项:运动类型、运动量、运动强度、运动时间、运动时长、运动消耗能量、运动心率参数;和/或所述睡眠条件参数包括以下至少一种:上床睡觉时间、睡眠环境参数。
可选的,所述活动指导信息用于指导用户在所述第一时间段的活动;或者所述活动指导信息用于指导用户在所述第一时间段之后的第四时间段的活动,所述第四时间段与所述第一时间段之间的间隔小于预设数值。
根据本公开实施例的第二方面,提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器执行所述可执行指令时,用于实现第一方面任一项所述的方法。
根据本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面任一项所述方法。
本公开实施例中,能够根据用户在第一时间段内的用户活动参数对用户的睡眠质量进行预测,得到用户在第一时间段之后的第二时间段内的睡眠质量预测结果,实现提前感知用户可能存在的睡眠问题,从而可以在睡眠质量预测结果满足优化触发条件的情况下,对所述用户活动参数进行优化处理,获得优化处理后的用户活动参数,进一步可以利用优化处理后的用户活动参数,提供活动指导信息,从而有利于改善用户的睡眠质量。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是本公开根据一示例性实施例示出的一种可穿戴设备的通讯系统的结构示意图。
图2是本公开根据一示例性实施例示出的一种活动指导方法的流程示意图。
图3是本公开根据一示例性实施例示出的获得活动指导信息的一个示例的示意图。
图4是本公开根据一示例性实施例示出的获得活动指导信息的另一示例的流程示意图。
图5是本公开根据一示例性实施例示出的用户活动参数的优化迭代过程的一个示例的示意图。
图6是本公开根据一示例性实施例示出的用户活动参数的优化迭代过程的另一示例的示意图。
图7是本公开根据一示例性实施例示出的一种活动指导方法的另一个示例的示意图。
图8是本公开根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本公开实施例提供了一种活动指导方法,能够根据用户在第一时间段内的用户活动参数对用户的睡眠质量进行预测,得到用户在第一时间段之后的第二时间段内的睡眠质量预测结果,实现提前感知用户可能存在的睡眠问题,从而可以在睡眠质量预测结果满足优化触发条件的情况下,对所述用户活动参数进行优化处理,获得优化处理后的用户活动参数;进一步可以利用优化处理后的用户活动参数,提供活动指导信息,从而有利于改善用户的睡眠质量。
本公开实施例提供的活动指导方法可以由可穿戴设备等终端设备来执行,或者也可以由与可穿戴设备等终端设备通信连接的其他计算设备来执行,本公开实施例对此不做任何限制。
在一示例性的实施例中,请参阅图1,图1示出了有关于可穿戴设备的通讯系统的结构示意图。所述系统包括可穿戴设备102、服务器104和中间设备106。
可穿戴设备102是一种计算设备,被配置为在操作期间由人类用户佩戴。可穿戴设备102可以实现为手表、手环、手镯、支架、腕带、臂带、腿带、戒指、头带、项链、耳机、腿环或者马甲等,或者以另一可穿戴设备的形式实现。可穿戴设备102包括一个或多个传感器108,用于检测指示可穿戴设备102的用户的生理参数。传感器108可包括光容积图(PPG)传感器、心电图(ECG)传感器、电极、脉压传感器、血管特性传感器、温度传感器,另一传感器或其组合中的一个或多个。生理参数表示与可穿戴设备102的用户的身体的一个或多个重要系统(例如,心血管系统、呼吸系统、自主神经系统、体温系统或另一系统)相关的可测量的生理参数。例如,生理参数可以是可穿戴设备102的用户的心率、心率变异性、血氧水平、血压、体温或另一生理参数中的一个或多个。传感器108可以连续地或以其他方式频繁地周期性地采集可穿戴设备102的用户的生理信号数据。
可穿戴设备102还包括有处理器110和存储器111。所述存储器111存储应用程序或者其他可执行指令;所述处理器110用于运行应用程序或者其他可执行指令,以处理基于传感器108采集的生理参数而产生的生理信号数据。
服务器104上运行服务器程序112以处理生理信号数据的计算设备。服务器104可以包括硬件服务器(例如,服务器)、软件服务器(例如,web服务器和/或虚拟服务器)和/或虚拟服务器。
服务器程序112是用于检测可穿戴设备102的用户的健康状况、运动状况、睡眠状况或其组合中的一个或多个的软件,以使用生理信号数据检测可穿戴设备102的用户的健康状况、运动状况、睡眠状况或其组合中的一个或多个。例如,服务器程序112可以使用生理信号数据来确定用户生理状态的变化,然后基于所确定的变化来检测可穿戴设备102的用户的健康状况、运动状况、睡眠状况或其组合中的一个或多个。
服务器程序112可以访问服务器104上的数据库114,以执行服务器程序112的至少一些功能。数据库114是用于存储、管理或以其他方式提供用于交付服务器程序112的功能的数据的数据库或其他数据存储。例如,数据库114可以存储服务器104接收的生理信号数据,通过生理信号数据而产生或以其他方式确定的信息。例如,数据库114可以是关系数据库管理系统、对象数据库、XML数据库、配置管理数据库、管理信息库、一个或多个平面文件、其他合适的非瞬态存储机制或其组合。
中间设备106是用于促进可穿戴设备102和服务器104之间的通信的设备。中间设备106可以是计算设备,例如移动设备(例如,智能手机、平板电脑、笔记本电脑或其他移动设备)或其他计算机(例如,台式计算机或其他非移动计算机)。或者,中间设备106可以是或包括网络硬件,例如路由器、交换机、负载平衡器、另一网络设备或其组合。作为另一备选方案,中间设备106可以是另一个网络连接设备。例如,中间设备106可以是可穿戴设备102的联网电源充电器。
例如,根据中间设备106的特定实现,中间设备106可以运行应用程序118。应用程序118将中间设备106配置为向可穿戴设备102发送数据或从可穿戴设备102接收数据,和/或,向服务器104发送数据或从服务器104接收数据。另外,应用程序118可以响应于中间设备106的用户的操作,从中间设备106接收命令。例如,在中间设备106是具有触摸屏显示器的计算设备的情况下,中间设备106的用户可以通过触摸与应用程序中的用户界面元素相对应的显示器的一部分来接收命令。
在一些实现中,客户端设备被赋予访问服务器程序112的权限。例如,客户端设备可以是移动设备,例如智能手机、平板电脑、笔记本电脑等。在另一示例中,客户端设备可以是台式计算机或另一非移动计算机。客户端设备可以运行客户端应用程序以与服务器程序112通信。例如,客户端应用程序可以是能够访问服务器程序112的部分或全部功能和/或数据的移动应用。例如,客户端设备可以通过网络116与服务器104通信。在一些这样的实现中,客户端设备可以是中间设备106。
在一些实现中,中间设备106使用短距离通信协议从可穿戴设备102接收数据。例如,短距离通信协议可以是低能、红外、Z波、ZigBee、其他协议或其组合。中间设备106通过网络116将从可穿戴设备102接收的数据发送到服务器104。例如,网络116可以是局域网、广域网、机器对机器网络、虚拟专用网络或另一公共或专用网络。网络116可以使用远程通信协议。例如,远程通信协议可以是以太网、TCP、IP、电力线通信、Wi-Fi、GPRS、GSM、CDMA、其他协议或其组合。
在一些实现中,可以省略中间设备106。例如,可穿戴设备102可以被配置为通过网络116直接与服务器104通信。例如,可穿戴设备102和服务器104之间通过网络116的直接通信可以包括使用远程、低功率系统或另一通信机制。在一些实现中,中间设备106和服务器104都可以省略。例如,可穿戴设备102可以被配置为执行如上所述的关于服务器104的功能。在这样的实现中,可穿戴设备102可以独立于其他计算设备来处理和存储数据。
本公开实施例提供的活动指导方法可以由可穿戴设备执行,也可以由中间设备或服务器来执行。作为一个例子,可穿戴设备可以采集第一时间段的用户活动参数并反馈给中间设备或者服务器,以便由中间设备或者服务器基于接收到的第一时间段用户活动参数执行所述活动指导方法,最后得到的活动指导信息可以在可穿戴设备或者作为中间设备的移动终端上显示。
作为另一个例子,活动指导方法可以在系统的两个或两个以上设备上执行,各个设备执行其中一部分。比如可穿戴设备可以采集第一时间段的用户活动参数,然后将其发送给中间设备或者服务器,以便由中间设备或者服务器基于第一时间段的用户活动数据执行睡眠质量预测过程,得到用户在第二时间段的睡眠质量预测结果,然后反馈给可穿戴设备,可穿戴设备响应于所述睡眠质量预测结果满足优化触发条件,对所述用户活动参数进行优化处理,最后利用优化处理后的用户活动参数,为所述用户提供活动指导信息。
请参阅图2,图2为本公开实施例提供的活动指导方法的流程示意图。所述方法可以由电子设备来执行,所述电子设备可以是可穿戴设备等终端设备、或者与可穿戴设备等终端设备通信连接的计算设备。
在S101中,获取第一时间段的用户活动参数,所述用户活动参数包括运动参数和睡眠条件参数中的至少一种。
在S102中,对所述第一时间段的用户活动参数进行处理,获得用户在第二时间段的睡眠质量预测结果,所述第二时间段在所述第一时间段之后。
在S103中,响应于所述睡眠质量预测结果满足优化触发条件,对所述用户活动参数进行优化处理,获得优化处理后的用户活动参数。
在S104中,利用所述优化处理后的用户活动参数,提供活动指导信息。
本公开实施例中,能够对所述第一时间段的用户活动参数进行处理,获得用户在第一时间段之后的第二时间段的睡眠质量预测结果,实现提前感知用户可能存在的睡眠问题,从而可以在睡眠质量预测结果满足优化触发条件的情况下,对所述用户活动参数进行优化处理,获得优化处理后的用户活动参数;进一步可以利用优化处理后的用户活动参数,为所述用户在未来的时间提供活动指导信息,从而有利于改善用户的睡眠质量。
在一些实施例中,所述用户活动参数包括运动参数和睡眠条件参数中的至少一种。
所述运动参数用于指示用户的运动情况。所述用户的运动参数可以基于通过可穿戴设备等终端设备的至少一个传感器采集到的数据得到,或者用户的运动参数可以通过第一预测模型基于第一时间段之前的用户活动数据的至少一部分进行预测得到。例如,至少部分地通过对至少一个传感器采集到的数据进行处理得到,再例如,至少部分地通过接收其它设备发送的数据得到,再例如,至少部分地从用户的输入信息中得到,等等。在一个例子中,所述运动参数包括以下至少一项:运动类型、运动量、运动强度、运动时间、运动时长、运动消耗能量、运动心率参数。其中,运动类型包括但不限于步行、跑步、游泳、跳绳、骑自行车、瑜伽、健身或者跳舞等。运动强度可以包括中等强度、低强度、高强度等,运动强度越大的运动项目,人体的运动负荷越大。运动时长是指进行一次或多次运动所花费的时间。运动量是指在一段时间内进行一项或多项运动项目的运动负荷。运动时间是指运动的开始时间和/或结束时间。运动消耗能量是指进行一项或多项运动项目所消耗的卡路里。在其他例子中,所述运动参数还可以包括其它参数类型,本公开实施例对此不做限定。
所述睡眠条件参数用于指示用户的睡眠条件。所述用户的睡眠条件参数可以基于通过可穿戴设备的至少一个传感器采集到的数据得到,或者,可以通过第二预测模型基于第一时间段之前的用户活动数据的至少一部分进行预测得到,其中,第一预测模型和第二预测模型可以相同或不同。例如,至少部分地通过对至少一个传感器采集到的数据进行处理得到。再例如,至少部分地通过接收其它设备发送的数据得到。再例如,至少部分地从用户的输入信息中得到。在一个例子中,所述睡眠条件参数包括以下至少一种:上床睡觉时间、睡眠环境参数。其中,睡眠环境参数包括但不限于睡眠环境的温度、湿度、环境噪声的声压级以及环境亮度中的至少一种,本公开实施例对此不做限定。
如将本公开实施例执行的时间确定为当前时间,在一些实施例中,所述第一时间段可以是当前时间以前的已经过去的时间,也可以是当前时间之后的未来的时间。第一时间段可以包括某一天或者某几天。例如,第一时间段包括明天,或者第一时间段包括下一周,等等。所述第二时间段为在所述第一时间段之后的时间。例如,第一时间段之后的某天晚上。
在一些实施例中,所述第一时间段包括某一天睡觉之前的时间,第二时间段包括用户在该天的夜间睡觉时间。在一个例子中,电子设备可以获取当天(即第一时间段)的用户活动参数;然后对当天的用户活动参数进行处理,获得用户在当天晚上(即第二时间段)的睡眠质量预测结果。
在另一个例子中,所述第一时间段包括未来的某一天的时间,第二时间段包括该天的夜间睡觉时间。比如,第一时间段包括明天的日间时间、某一时刻之前或睡觉之前的时间,第二时间段包括明天的夜间睡觉时间。再比如,第一时间段包括下周一的日间时间、某一时刻之前的时间或睡觉之前的时间,第二时间段包括下周一的夜晚时间或夜晚睡觉时间。
在一种实现方式中,第一时间段包括已经过去的时间,则电子设备可以获取通过可穿戴设备的至少一个传感器采集到的第一时间段的用户活动信号;然后基于所述用户活动信号,确定所述用户活动参数。其中,可穿戴设备的至少一个传感器包括但不限于运动传感器(比如加速度传感器、惯性测量单元或者陀螺仪等)、光容积图(PPG)传感器、心电图(ECG)传感器、脉搏波传感器、体脂传感器、血压传感器、温度传感器、湿度传感器以及声音传感器中的至少一种;所述用户活动信号包括但不限于加速度信号、脉搏波信号、心电信号、温度信号、压力信号、皮肤电信号、血氧信号、血压信号以及声音信号中的至少一种。
在一个例子中,电子设备可以响应于检测到用户上床准备睡觉,获取在上床准备睡觉之前的时间段内的用户活动参数,本公开实施例对此不做限定。
在一些实现方式中,可以利用睡眠质量预测模型对第一时间段的用户活动参数进行处理,得到第二时间段的睡眠质量预测结果。其中,该睡眠质量预测模型可以是基于深度学习的神经网络模型,也可以是随机森林、机器学习等模型,本公开实施例对此不做限定。
请参阅图3,按照①~⑤的顺序,第一时间段包括当天或过去的一天或几天,电子设备可以获取第一时间段的用户活动信号,并对所述用户活动信号进行处理,得到第一时间段的用户活动参数,然后,利用睡眠质量预测模型对所述第一时间段的用户活动参数进行处理,获得用户在第一时间段之后的第二时间段的睡眠质量预测结果,在睡眠质量预测结果满足优化触发条件的情况下,对所述用户活动参数进行优化处理,获得优化处理后的用户活动参数,进一步可以利用优化处理后的用户活动参数,为所述用户提供活动指导信息,从而有利于改善用户的睡眠质量。此时,示例性的,所述活动指导信息可以用于指导用户在当天之后的第四时间段的活动,所述第四时间段与所述当天之间的间隔小于预设数值,预设数值可依据实际应用场景进行具体设置。比如第四时间段为明天、后天或下一周。
在另一种实现方式中,若第一时间段包括未来的某一天或某几天,则电子设备可以获取通过可穿戴设备的至少一个传感器采集到的第三时间段的用户活动信号,所述第三时间段在所述第一时间段之前,所述第三时间段为当前之前的时间段;考虑到用户活动存在一定的规律性,因此电子设备可以根据所述第三时间段的用户活动信号进行活动参数预测,得到所述第一时间段的用户活动参数。例如,利用第三时间段的用户活动信号,得到第三时间段的用户活动参数,利用第三时间段的用户活动参数进行活动参数预测,得到第一时间段的用户活动参数,本公开实施例利用第三时间段的历史活动情况对未来的第一时间段内的活动走势进行预测,使得预测的第一时间段的用户活动参数符合用户的活动习惯,具有科学合理性,有利于提高预测准确性,为进一步的睡眠质量预测过程提供可靠基础。
请参阅图4,按照①~⑦的顺序,电子设备可以获取可穿戴设备的至少一个传感器的采集到的第三时间段的用户活动信号,并对所述第三时间段的用户活动信号进行处理,得到第三时间段的用户活动参数,并利用第三时间段的用户活动参数预测第一时间段的用户活动参数,所述第一时间段为未来的还未发生的时间;进而能够利用睡眠质量预测模型对所述第一时间段的用户活动参数进行处理,实现提前感知用户可能存在的睡眠问题,获得用户在第一时间段之后的第二时间段的睡眠质量预测结果;从而可以在睡眠质量预测结果满足优化触发条件的情况下,对第一时间段的用户活动参数进行优化处理,获得优化处理后的用户活动参数;进一步可以利用优化处理后的用户活动参数,为所述用户在未来的时间提供活动指导信息,从而有利于改善用户的睡眠质量。此时,示例性的,所述活动指导信息可以用于指导用户在所述第一时间段的活动,比如第一时间段为明天,活动指导信息可以指导用户明天的活动。或者,所述活动指导信息用于指导用户在所述第一时间段之后的第四时间段的活动,所述第四时间段与所述第一时间段之间的间隔小于预设数值,预设数值可依据实际应用场景进行具体设置;比如第一时间段为明天,预设数值为一周,则第四时间段为未来一周内的时间段。
在一些实施例中,可以利用活动参数预测模型对第三时间段的用户活动参数进行处理,得到第一时间段的用户活动参数,以通过该活动参数预测模型来对用户在未来的第一时间段内的活动走势进行预测。其中,活动参数预测模型的输入数据可以包括第三时间段的用户活动信号,或者第三时间段的用户活动参数,或者也可以进一步包括其它数据,例如用户的活动规律数据等。在一个例子中,所述活动参数预测模型可以是基于深度学习的神经网络模型,可以通过预先训练得到。例如,在训练过程中,所述活动参数预测模型的输入数据是所述用户在多个第三时间段的用户活动信号,监督标签是在各个所述第三时间段之后的第一时间段内的用户活动参数,可以理解的是,在活动参数预测模型训练阶段,第三时间段和第一时间段均为已经过去的历史时间。所述活动参数预测模型的训练数据来自于所述用户或用户所在的用户群组中的用户,实现得到适合于用户的个性化的活动参数预测模型。
在一些实现方式中,活动参数预测模型可以是LSTM(Long Short-Term Memory,长短期记忆网络)模型、或Transformer模型(基于自注意力机制的模型)等,但不限于此,可依据实际应用场景进行具体设置。所述活动参数预测模型的训练过程可以是由可穿戴设备执行;也可以由其他计算设备来执行,然后将训练好的活动参数预测模型移植到执行本公开实施例提供的活动指导方法的电子设备上,本公开实施例对此也不做任何限制。
而在活动参数预测模型应用过程中,电子设备可以获取第三时间段的用户活动信号,进而利用活动参数预测模型对第三时间段的用户活动信号进行处理,得到在未来的第一时间段的用户活动参数;可以理解的是,在活动参数预测模型应用过程中,第三时间段为已经过去的历史时间,第一时间段为未来的还未发生的时间。
其中,所述第三时间段的用户活动信号可以包括多天的用户活动信号,使得活动参数预测模型可以通过过去较长的观测结果进行未来的用户活动参数的预测。所述第一时间段可以包括在未来的一天或多天的用户活动参数。比如所述第三时间段的用户活动信号包括过去一周或两周中每天的用户活动信号,基于活动参数预测模型预测得到的所述第一时间段包括未来一周中每天的用户活动参数。
其中,为了提高模型预测的准确性,可以在将所述第三时间段的用户活动信号输入活动参数预测模型之前,对所述第三时间段所包括的多天的用户活动信号进行预处理。示例性的,所述预处理包括下列中的至少一种:特征提取、数据填充。在另一些例子中,所述预处理还可以包括信号过滤、去噪等一种或多种,本公开实施例对此不做限定。
在一个例子中,考虑到用户可能在某个时间段内没有穿戴可穿戴设备,从而存在某个时间段内没有采集到用户活动信号的情况;若所述多天的用户活动信号存在该种缺失数据的情况,可以对所述多天的用户活动信号进行数据填充。在一个例子中,可以使用相邻时间的用户活动信号对缺失数据进行填充,比如可以根据相邻时间的用户活动信号的统计值(比如平均值、中位数等)获得缺失数据。在另一个例子中,可以输出提示信息提示用户输入缺失时间的活动信息,并根据用户输入的活动信息或根据用户输入的活动信息以及相邻时间的用户活动信号得到缺失数据,等等。
在另一个例子中,为了提高模型预测的准确性,可以对所述多天的用户活动信号进行特征提取,提取出对于后续的活动参数预测过程有用的一个或多个特征,并将得到的特征数据输入到活动参数预测模型中,从而过滤掉无关特征,降低输入到活动参数预测模型中的数据的冗余度,提高后续活动参数预测模型的预测效率。
在对所述多天的用户活动信号进行预处理之后,电子设备可以利用活动参数预测模型对所述预处理的结果进行处理,获得所述第一时间段的用户活动参数。
在一些实施例中,在获取第一时间段的用户活动参数之后,电子设备可以利用睡眠质量预测模型对所述第一时间段的用户活动参数进行处理,获得用户在第二时间段的睡眠质量预测结果。
示例性的,第一时间段为当天的已经过去的时间段,电子设备可以将过去的第一时间段的用户活动参数输入睡眠质量预测模型,得到第二时间段的睡眠质量预测结果。其中,第一时间段和第二时间段之间的间隔较短,比如小于24小时。比如第一时间段和第二时间段之间的间隔为2个小时,第一时间段为当天的8:00~21:30;第二时间段为当天的23:00~次日的7:00。
示例性的,第一时间段为未来的时间段,电子设备可以基于历史的第三时间段的用户活动信号预测未来的第一时间段内的用户活动参数,再利用第一时间段的用户活动参数预测未来第二时间段的睡眠质量预测结果。其中,第三时间段和第二时间段之间的间隔较长,比如2天或者一周等;比如当天为周日,第三时间段包括本周过去的周一、周二以及周三,第一时间段包括下一周的周二日间时间或睡觉之前的时间,第二时间段为下一周的周二夜间睡觉时间。针对于时间间隔较长的情况,可以先预测得到与第二时间段间隔较短的第一时间段内的用户活动参数,然后再进行睡眠质量预测,有利于提高预测结果的准确性,并且也提高了睡眠质量预测模型和上述的活动参数预测模型的可解释性,方便后续模型优化过程中可以快速找到待优化的因素。其中,第三时间段和第二时间段之间的间隔大于第一时间段和第二时间段之间的间隔。
示例性的,睡眠质量可以以睡眠质量评分(比如0~100分)或者睡眠质量等级(比如差、中等、良好以及优秀)等睡眠评估方式呈现。相应地,所述睡眠质量预测结果包括睡眠质量预测评分、睡眠质量预测等级、深睡比例、睡眠潜伏期、睡眠时长等一种或多种睡眠评估数据,本公开实施例对睡眠质量预测结果的实现不做限定。
示例性的,通过睡眠预测模型对用户活动参数进行处理,其中,睡眠质量预测模型可以是通过训练得到的深度学习模型。在一个例子中,在睡眠质量预测模型训练过程中,所述睡眠质量预测模型的输入数据为分别基于可穿戴设备在多个时间段内采集到的用户活动信号得到的所述用户的用户活动参数,监督标签为所述用户在接下来的时间段内的睡眠质量数据,睡眠质量预测模型的训练数据来自于所述用户或所述用户所在用户群组的用户,实现得到适合于用户的个性化的睡眠质量预测模型。
示例性的,为了提高睡眠质量预测模型的准确性,可以进行样本均衡处理,即保证不同睡眠质量的样本条目(用户活动参数-睡眠质量数据)尽可能接近。
在一些实现方式中,睡眠质量预测模型可以是全连接神经网络、卷积神经网络(CNN)、递归神经网络(RNN)、深信度网络(DBN)、深度自动编码器(AutoEncoder)或者生成对抗网络(GAN)等等,但不限于此,可依据实际应用场景进行具体设置。所述睡眠质量预测模型的训练过程可以是由可穿戴设备执行,也可以由其他计算设备来执行,本公开实施例对此也不做任何限制。
在睡眠质量预测模型的应用过程中,第一时间段为已经过去的时间或者未来的时间,第二时间段为在第一时间段之后的未来的时间。电子设备可以利用睡眠质量预测模型对所述第一时间段的用户活动参数进行处理,获得用户在第二时间段的睡眠质量预测结果。
在一些实施例中,在获得用户在第二时间段的睡眠质量预测结果,电子设备可以检测所述睡眠质量预测结果是否满足优化触发条件,进而响应于所述睡眠质量预测结果满足优化触发条件,对所述用户活动参数进行优化处理,获得优化处理后的用户活动参数。
示例性的,所述优化触发条件可以是所述睡眠质量预测结果无法达到预设睡眠质量要求,该预设睡眠质量要求可以是用户指定的,或者是根据用户输入的期望信息确定的,或者是根据用户的历史睡眠情况确定的,或者是根据用户所在用户群组的睡眠情况确定的,本公开实施例对该预设睡眠质量要求的具体实现不做限定。
在一个例子中,所述睡眠质量预测结果包括睡眠质量预测评分或睡眠质量预测等级,相应地,预设睡眠质量要求可以是睡眠质量预测评分高于预设分数(比如高于80分)、或者睡眠质量预测等级高于预设等级(比如等级为中等或优)。
在另一个例子中,预设睡眠质量要求可以包括:睡眠质量预测结果所指示的睡眠质量不低于该用户过去或在过去的特定时间段的睡眠质量,例如,睡眠质量预测评分不低于用户过去一段时间内的最高睡眠质量评分;或者,睡眠质量预测结果所指示的睡眠质量高于该用户过去或在过去的特定时间段的睡眠质量,例如,睡眠质量预测等级高于用户过去一段时间内的最低睡眠质量等级,以实现渐进式地改善用户睡眠质量。比如睡眠质量被划分为4个等级:差、中等、良好以及优秀,用户过去一段时间内的最低睡眠质量等级为中等,则可以设置睡眠要求为睡眠质量预测等级高于或等于中等。又比如睡眠质量以分数0~100的形式呈现,数值越大,表示睡眠质量越高,所述用户过去一段时间内的最高睡眠质量评分为65分,则可以设置睡眠要求为睡眠质量预测评分高于或等于65分,或者与最高评分65之间的差距小于或等于预设阈值。
在一种实现方式中,在对所述用户活动参数进行优化处理时,电子设备可以利用所述睡眠质量预测模型对所述用户活动参数进行优化处理,得到优化处理后的用户活动参数。例如,在对所述用户活动参数进行优化处理时,电子设备可以以提高得到的睡眠质量预测结果为目标,获得优化处理后的用户活动参数。
作为一个例子,可以利用所述睡眠质量预测模型反向优化所述用户活动参数,其中,该反向优化可以一次性进行。或者,通过迭代进行,直到满足迭代停止条件。其中,迭代停止条件可以包括迭代次数达到预设次数、迭代得到的睡眠质量预测结果满足预设睡眠质量要求等等。例如,所述睡眠质量预测模型输出的睡眠质量预测结果可以作为优化处理后的用户活动参数是否符合要求的参考,具体来说,在对所述用户活动参数进行优化处理之后,可以利用睡眠质量预测模型对优化处理后的用户活动参数进行处理,获得用户的睡眠质量预测结果,若所述用户的睡眠质量预测结果无法达到预设睡眠质量要求,则表次本次得到的优化处理后的用户活动参数不符合要求,需要重新进行优化处理。
示例性的,请参阅图5,图5示出了用户活动参数的优化迭代过程的一个例子的示意图。其中,在该例子中,以提高得到的睡眠质量预测结果为目标,设置用户活动参数的优化迭代过程的迭代停止条件为最后一轮迭代过程得到的睡眠质量预测结果与上一轮迭代过程得到的睡眠质量预测结果相比,其提升幅度小于预设幅度,即表示睡眠质量预测结果已无法再继续提高了。
在S201中,在每轮迭代中,电子设备可以确定所述睡眠质量预测模型关于当前用户活动参数的梯度,然后基于得到的梯度对当前用户活动参数进行优化处理,得到优化处理后的用户活动参数。
在S202中,电子设备将优化处理后的用户活动参数输入到睡眠质量预测模型进行处理,得到本轮迭代的睡眠质量预测结果。
在S203中,判断本轮迭代得到的睡眠质量预测结果与上一轮迭代得到的睡眠质量预测结果相比较,以确定睡眠质量的提升幅度是否达到预设幅度值。其中,若本轮为首轮迭代,则上一轮迭代过程得到的睡眠质量预测结果为所述用户在第二时间段的睡眠质量预测结果。若否,重复执行S201,本轮迭代过程得到的优化处理后的用户活动参数作为下一轮迭代过程的当前用户活动参数。若是,停止迭代,执行S204。
在S204中,输出最后一轮迭代过程得到的优化处理后的用户活动参数。
本公开实施例以提高得到的睡眠质量预测结果为目标,对用户活动参数进行反向迭代优化,实现更为全面地搜索到符合要求的优选的用户活动参数,为用户未来的活动提出更为科学地指导,从改变运动习惯层面促进睡眠质量,有利于实现真正解决用户的睡眠问题。
在一种实现方式中,在对所述用户活动参数进行优化处理时,电子设备可以利用预设的学习率和所述睡眠质量预测模型,对所述用户活动参数进行梯度迭代,直到满足迭代截止条件,得到优化处理后的用户活动参数。
示例性的,请参阅图6,图6示出了用户活动参数的优化迭代过程的另一示例的示意图。
S301,电子设备可以利用所述睡眠质量预测模型求取关于当前用户活动参数的梯度,然后基于预设的学习率和求取的梯度对当前用户活动参数进行优化处理,得到优化处理后的用户活动参数。
在S302中,判断迭代截止条件是否被满足。若否,执行S301,本轮迭代过程得到的优化处理后的用户活动参数作为下一轮迭代过程的当前用户活动参数。若是,停止迭代,执行S303。
在步骤303中,输出最后一轮迭代过程中得到的优化处理后的用户活动参数。
本实施例利用预设的学习率和所述睡眠质量预测模型对用户活动参数进行梯度迭代优化,实现更为全面地搜索到符合要求的优选的用户活动参数,为用户未来的活动提出更为科学地指导,从改变运动习惯层面促进睡眠质量,有利于实现真正解决用户的睡眠问题。
其中,所述迭代截止条件包括以下任一项:(1)最后一轮迭代过程得到的睡眠质量预测结果与上一轮迭代过程得到的睡眠质量预测结果相比,其提升幅度小于预设幅度;(2)达到预设迭代次数;或者(3)最后一轮迭代过程得到的优化处理后的用户活动参数对应的睡眠质量预测结果满足预设睡眠质量要求。
在一个例子中,设用户活动参数为x,预设的学习率为δ,以睡眠质量预测网络的第一层为不带激活函数的线性层为例,则睡眠质量预测结果是一个关于用户活动参数为x的表达式,设为F(x),则有其中,/>为F(x)关于x的梯度。即是说,在每一轮迭代过程中,利用睡眠质量预测模型求取关于当前用户活动参数的梯度,进而获得学习率与梯度的乘积,最后基于当前用户活动参数和上述乘积之和获得优化处理后的用户活动参数;如果不满足迭代停止条件,则进行下一轮迭代,当前轮迭代过程的优化处理后的用户活动参数作为下一轮的当前用户活动参数。
在一个例子中,比如用户活动参数为:运动时长10分钟,室内温度29℃。经过上述的优化处理之后,得到的优化处理后的用户活动参数为:运动时长30分钟,室内温度26℃,则可以输出如下活动指导信息:调节室温至26℃,未来控制30分钟左右的运动时长。
在一个例子中,用户活动参数包括用户的日活动量、日总步数、日跑步时间、日跑步距离、日健康评估参数(如PAI(Personal Activity Intelligence,个人运动机能指数)值等)、日上床时间、日睡前室内温度和湿度等一种或任意多种。
在一个例子中,请参阅图7中的(3)、(5)~(9),电子设备可以获取近两周的用户活动参数{RECORD_t、RECORD_t-1、……、RECORD_t-12、RECORD_t-13},利用活动参数预测模型对近两周的用户活动参数进行处理,得到未来第i天的用户活动参数RECORD_t+i,其中,i为大于0的整数,i的取值可以是1或大于1的数值,比如,将历史的过去两周的用户活动参数(RECORD_t-13,…,RECORD_t)输入活动参数预测模型进行处理,得到个体未来一周的用户活动参数(RECORD_t+1,…,RECORD_t+7);个体的运动健康情况和个体的生活习惯有关,基于历史的用户活动参数预测未来的用户活动参数具有科学合理性。进而将未来第i天的用户活动参数输入睡眠质量预测模型中进行处理,得到未来第i天的睡眠质量预测结果;在未来第i天的睡眠质量预测结果不满足预设睡眠质量要求的情况下,利用睡眠质量预测模型对未来第i天的用户活动参数进行反向迭代优化处理,获得第i天的优化处理后的用户活动参数,该优化处理后的用户活动参数可以用于指导用户在第i天的活动。
在另一个例子中,请参阅图7中的(1)~(4),在用户上床准备睡觉时,电子设备可以获取当天的用户活动参数RECORD_t;然后利用睡眠质量预测模型对当天的用户活动参数进行处理,获得用户在当天晚上的睡眠质量预测结果;进而在当天晚上的睡眠质量预测结果不满足预设睡眠质量要求的情况下,利用睡眠质量预测模型对当天的用户活动参数进行反向迭代优化处理,获得优化处理后的用户活动参数,该优化处理后的用户活动参数可以用于指导用户在明天、后天甚至未来一周的活动过程。其中,对当天的用户活动参数进行反向迭代优化处理的过程可参见上述描述,此处不再赘述。
以上实施方式中的各种技术特征可以任意进行组合,只要特征之间的组合不存在冲突或矛盾,但是限于篇幅,未进行一一描述,因此上述实施方式中的各种技术特征的任意进行组合也属于本说明书公开的范围。
相应地,本公开实施例还提供了一种电子设备,包括处理器;用于存储处理器可执行指令的存储器;其中,所述处理器执行所述可执行指令时,用于:
获取第一时间段的用户活动参数,所述用户活动参数包括运动参数和睡眠条件参数中的至少一种;
对所述第一时间段的用户活动参数进行处理,获得用户在第二时间段的睡眠质量预测结果,所述第二时间段在所述第一时间段之后;
响应于所述睡眠质量预测结果满足优化触发条件,对所述用户活动参数进行优化处理,获得优化处理后的用户活动参数;
利用所述优化处理后的用户活动参数,提供活动指导信息。
示例性的,所述处理器包括但不限于中央处理单元(Central Processing Unit,CPU)、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)或者现成可编程门阵列(Field-Programmable GateArray,FPGA)等。
示例性的,所述存储器可以包括至少一种类型的存储介质,存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等等。
在一些实施例中,所述处理器还用于通过可穿戴设备的至少一个传感器采集第一时间段的用户活动信号;基于所述用户活动信号,确定所述用户活动参数。
在一些实施例中,所述处理器还用于通过可穿戴设备的至少一个传感器采集第三时间段的用户活动信号,所述第三时间段在所述第一时间段之前;根据所述第三时间段的用户活动信号进行活动参数预测,得到所述第一时间段的用户活动参数。
在一些实施例中,所述第三时间段的用户活动信号包括多天的用户活动信号;所述处理器还用于对所述多天的用户活动信号进行预处理,并利用活动参数预测模型对所述预处理的结果进行处理,获得所述第一时间段的用户活动参数;其中,所述预处理包括下列中的至少一种:特征提取、数据填充。
在一些实施例中,所述处理器还用于利用睡眠质量预测模型对所述用户活动参数进行优化处理,得到优化处理后的用户活动参数。
在一些实施例中,所述处理器还用于以提高得到的睡眠质量预测结果为目标,利用睡眠质量预测模型反向迭代优化所述用户活动参数,获得优化处理后的用户活动参数。
在一些实施例中,所述处理器还用于利用预设的学习率和睡眠质量预测模型,对所述用户活动参数进行梯度迭代,直到满足迭代截止条件,得到优化处理后的用户活动参数。
在一些实施例中,所述运动参数包括以下至少一项:运动类型、运动量、运动强度、运动时间、运动时长、运动消耗能量、运动心率参数;和/或所述睡眠条件参数包括以下至少一种:上床睡觉时间、睡眠环境参数。
在一些实施例中,所述活动指导信息用于指导用户在所述第一时间段的活动;或者所述活动指导信息用于指导用户在所述第一时间段之后的第四时间段的活动,所述第四时间段与所述第一时间段之间的间隔小于预设数值。
相应的,本申请实施例还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时用于实现上述方法。
相应的,本公开还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述方法的步骤。
本公开可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
如图8所示,图8是本公开根据一示例性实施例示出的一种电子设备的结构图。该设备400可以是智能电话/手机、平板计算机、个人数字助理(PDA)、膝上计算机、台式计算机、媒体内容播放器、视频游戏站/系统、虚拟现实系统、增强现实系统、可穿戴式设备(例如,手表、眼镜、手套、头饰(例如,帽子、头盔、虚拟现实头戴耳机、增强现实头戴耳机、头装式装置(HMD)、头带)、挂件、臂章、腿环、鞋子、马甲)、遥控器、或者任何其他类型的设备。
参照图8,设备400可以包括以下一个或多个组件:处理组件402,存储器404,电源组件406,多媒体组件408,音频组件410,输入/输出(I/O)的接口412,传感器组件414,以及通信组件416。
处理组件402通常控制设备400的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件402可以包括一个或多个处理器420来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件402可以包括一个或多个模块,便于处理组件402和其他组件之间的交互。例如,处理组件402可以包括多媒体模块,以方便多媒体组件408和处理组件402之间的交互。
存储器404被配置为存储各种类型的数据以支持在设备400的操作。这些数据的示例包括用于在设备400上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器404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,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件406为设备400的各种组件提供电力。电源组件406可以包括电源管理系统,一个或多个电源,及其他与为设备400生成、管理和分配电力相关联的组件。
多媒体组件408包括在所述设备400和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件408包括一个前置摄像头和/或后置摄像头。当设备400处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件410被配置为输出和/或输入音频信号。例如,音频组件410包括一个麦克风(MIC),当设备400处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器404或经由通信组件416发送。在一些实施例中,音频组件410还包括一个扬声器,用于输出音频信号。
I/O接口412为处理组件402和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件414包括一个或多个传感器,用于为设备400提供各个方面的状态评估。例如,传感器组件414可以检测到设备400的打开/关闭状态,组件的相对定位,例如所述组件为设备400的显示器和小键盘,传感器组件414还可以检测设备400或设备400中一个组件的位置改变,用户与设备400接触的存在或不存在,设备400方位或加速/减速和设备400的温度变化。传感器组件414可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件414还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件414还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件416被配置为便于设备400和其他设备之间有线或无线方式的通信。设备400可以接入基于通信标准的无线网络,如WiFi,2G、4G或4G,或它们的组合。在一个示例性实施例中,通信组件416经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件416还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,设备400可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器404,上述指令可由设备400的处理器420执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
以上所述仅为本公开的较佳实施例而已,并不用以限制本公开,凡在本公开的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本公开保护的范围之内。
Claims (11)
1.一种活动指导方法,其特征在于,包括:
获取第一时间段的用户活动参数,所述用户活动参数包括运动参数和睡眠条件参数中的至少一种;
对所述第一时间段的用户活动参数进行处理,获得用户在第二时间段的睡眠质量预测结果,所述第二时间段在所述第一时间段之后;
响应于所述睡眠质量预测结果满足优化触发条件,对所述用户活动参数进行优化处理,获得优化处理后的用户活动参数;
利用所述优化处理后的用户活动参数,提供活动指导信息。
2.根据权利要求1所述的方法,其特征在于,所述获取第一时间段的用户活动参数,包括:
通过可穿戴设备的至少一个传感器采集第一时间段的用户活动信号;
基于所述用户活动信号,确定所述用户活动参数。
3.根据权利要求1所述的方法,其特征在于,所述获取第一时间段的用户活动参数,包括:
通过可穿戴设备的至少一个传感器采集第三时间段的用户活动信号,所述第三时间段在所述第一时间段之前;
根据所述第三时间段的用户活动信号进行活动参数预测,得到所述第一时间段的用户活动参数。
4.根据权利要求3所述的方法,其特征在于,所述第三时间段的用户活动信号包括多天的用户活动信号,所述根据所述第三时间段的用户活动信号进行活动参数预测,得到所述第一时间段的用户活动参数,包括:
对所述多天的用户活动信号进行预处理,并利用活动参数预测模型对所述预处理的结果进行处理,获得所述第一时间段的用户活动参数;其中,所述预处理包括下列中的至少一种:特征提取、数据填充。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述对所述用户活动参数进行优化处理,获得优化处理后的用户活动参数,包括:
利用睡眠质量预测模型对所述用户活动参数进行优化处理,得到优化处理后的用户活动参数。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述对所述用户活动参数进行优化处理,获得优化处理后的用户活动参数,包括:
以提高得到的睡眠质量预测结果为目标,利用睡眠质量预测模型反向迭代优化所述用户活动参数,获得优化处理后的用户活动参数。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述对所述用户活动参数进行优化处理,获得优化处理后的用户活动参数,包括:
利用预设的学习率和睡眠质量预测模型,对所述用户活动参数进行梯度迭代,直到满足迭代截止条件,得到优化处理后的用户活动参数。
8.根据权利要求1至7任一项所述的方法,其特征在于,所述运动参数包括以下至少一项:运动类型、运动量、运动强度、运动时间、运动时长、运动消耗能量、运动心率参数;和/或
所述睡眠条件参数包括以下至少一种:上床睡觉时间、睡眠环境参数。
9.根据权利要求1至8任一项所述的方法,其特征在于,
所述活动指导信息用于指导用户在所述第一时间段的活动;或者所述活动指导信息用于指导用户在所述第一时间段之后的第四时间段的活动,所述第四时间段与所述第一时间段之间的间隔小于预设数值。
10.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器执行所述可执行指令时,用于实现如权利要求1至9任一项所述的方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至9任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211537998.XA CN118121156A (zh) | 2022-12-01 | 2022-12-01 | 活动指导方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211537998.XA CN118121156A (zh) | 2022-12-01 | 2022-12-01 | 活动指导方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118121156A true CN118121156A (zh) | 2024-06-04 |
Family
ID=91239533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211537998.XA Pending CN118121156A (zh) | 2022-12-01 | 2022-12-01 | 活动指导方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118121156A (zh) |
-
2022
- 2022-12-01 CN CN202211537998.XA patent/CN118121156A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11049147B2 (en) | System and method for providing recommendation on an electronic device based on emotional state detection | |
US20230140011A1 (en) | Learning mode for context identification | |
US20190336724A1 (en) | Method and Apparatus for Adjusting User Emotion | |
US20180060500A1 (en) | Smart health activity scheduling | |
US10960173B2 (en) | Recommendation based on dominant emotion using user-specific baseline emotion and emotion analysis | |
US20180107793A1 (en) | Health activity monitoring and work scheduling | |
KR102585230B1 (ko) | 통화 요청에 대한 알림 메시지를 제공하는 디바이스 및 방법 | |
US11504068B2 (en) | Methods, systems, and media for predicting sensor measurement quality | |
CN107784357A (zh) | 基于多模态深度神经网络的个性化智能唤醒系统及方法 | |
EP3274035A1 (en) | Wearable device for sleep assistance | |
WO2020058943A1 (en) | System and method for collecting, analyzing and sharing biorhythm data among users | |
KR20210099556A (ko) | 사용자의 감정 상태의 모니터링 및 목표 상태 보강을 통해 사용자 간의 상호 작용의 향상을 위한 시스템 및 방법 | |
EP2402839A2 (en) | System and method for indexing content viewed on an electronic device | |
CN113244565B (zh) | 跳绳手柄、跳绳、跳绳的计数确定方法 | |
CN112114653A (zh) | 终端设备的操控方法、装置、设备及存储介质 | |
CN118121156A (zh) | 活动指导方法、设备及存储介质 | |
CN112462997B (zh) | 内容展现方法及装置、电子设备、存储介质 | |
CN115153511A (zh) | 睡姿监测方法、装置、可穿戴设备及存储介质 | |
CN109101101B (zh) | 穿戴式设备的控制方法、装置、存储介质及穿戴式设备 | |
CN118352022A (zh) | 运动推荐方法、设备及存储介质 | |
CN118058707A (zh) | 睡眠评估方法、设备及存储介质 | |
US20210304870A1 (en) | Dynamic intelligence modular synthesis session generator for meditation | |
CN118340525A (zh) | 个体认知状态评估方法、设备及存储介质 | |
CN115599211A (zh) | 手势识别方法、可穿戴设备及存储介质 | |
Pei et al. | Cognitive phone for sensing human behavior |
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 |