【技术实现步骤摘要】
一种基于数据分析的睡眠按摩方法及系统
本专利技术涉及用户智能睡眠按摩领域,具体涉及一种基于数据分析的睡眠按摩方法及系统。
技术介绍
随着国民经济的快速发展,年龄在20-45岁的成年人由于生活、工作的压力,成为失眠、颈椎病等问题的高发人群。如何才能睡得好、保护颈椎?成为成年人睡眠质量最关切的问题。人有三分之一的时间是在睡眠中度过,睡眠质量、颈椎睡眠舒适度与睡眠舒适度息息相关。但如果仅仅使用缺乏科学依据的个人经验对睡眠按摩,其不合理的按摩方案,可能会使,颈椎、肌肉得不到很好的放松,都达不到我们预想的目标,间接造成大量的精力损失和金钱浪费。目前,亟需解决的问题是建立一套全面的用户睡眠按摩模型,并将用户入睡快慢,深度睡眠情况反馈给用户,让用户能及时对按摩方案做出调整。影响按摩舒适度的各个因素之间往往体现出高度的复杂性和非线性,采用常规预测,分析方法存在一定难度。
技术实现思路
本专利技术的目的在于克服现有技术的不足,提供一种基于物联网大数据分析的睡眠按摩方法及系统,以解决现在过度劳累过程中因缺乏肌肉放松、休息,无法掌控最优的睡眠方案而导致用户睡眠质量差或者一觉醒来身体酸痛的问题,让用户随时随地都能了解自己的睡眠状况,为用户营造了更好的生活环境。本专利技术的目的是这样实现的:一种基于数据分析的睡眠按摩方法,包括如下步骤:S1:采集用户的身体指标、按摩模式、按摩力度以及用户的当前图像构成影响因素矩阵X,并上传到服务器;其中,按摩模式、按摩力度构成决策变量;S2:在服务器内,利用Elman神经网络建立影响因素矩阵X与用户睡眠舒适度指数之间的复杂非线性关系,获得用户睡眠按摩模 ...
【技术保护点】
1.一种基于数据分析的睡眠按摩方法,其特征在于,包括如下步骤:S1:采集用户的身体指标、按摩模式、按摩力度以及用户的当前图像构成影响因素矩阵X,并上传到服务器;其中,按摩模式、按摩力度构成决策变量;S2:在服务器内,利用Elman神经网络建立影响因素矩阵X与用户睡眠舒适度指数之间的复杂非线性关系,获得用户睡眠按摩模型;S3:利用MOEA/D算法对所述用户睡眠按摩模型进行优化,获得所述决策变量的一组最优解;S4:将所述决策变量的一组最优解作为用户的推荐决策X’,并通过服务器下发至用户的终端设备进行显示;S5:终端设备根据显示的推荐决策X’为用户提供按摩。
【技术特征摘要】
1.一种基于数据分析的睡眠按摩方法,其特征在于,包括如下步骤:S1:采集用户的身体指标、按摩模式、按摩力度以及用户的当前图像构成影响因素矩阵X,并上传到服务器;其中,按摩模式、按摩力度构成决策变量;S2:在服务器内,利用Elman神经网络建立影响因素矩阵X与用户睡眠舒适度指数之间的复杂非线性关系,获得用户睡眠按摩模型;S3:利用MOEA/D算法对所述用户睡眠按摩模型进行优化,获得所述决策变量的一组最优解;S4:将所述决策变量的一组最优解作为用户的推荐决策X’,并通过服务器下发至用户的终端设备进行显示;S5:终端设备根据显示的推荐决策X’为用户提供按摩。2.根据权利要求1所述的基于数据分析的睡眠按摩方法,其特征在于,步骤S1中,所述用户的身体指标包括性别、年龄、心跳频率、血压、体温、活动量、当前体重。3.根据权利要求2所述的基于数据分析的睡眠按摩方法,其特征在于,步骤S1中,利用温度传感器采集用户的体温;利用心率传感器采集用户的心跳频率;利用血压传感器采集用户的血压;利用计步器采集用户的活动量;利用摄像头采集用户的当前图像,并将当前图像转换成数字信号上传到服务器;用户的性别、年龄、当前体重由用户输入;利用采样电路分别与所述温度传感器、所述心率传感器、所述血压传感器、所述计步器连接,并将所述温度传感器、所述心率传感器、所述血压传感器、所述计步器分别采集到的用户的体温、心跳频率、血压、活动量转换成数字信号上传到服务器。4.根据权利要求书1所述的基于数据分析的睡眠按摩方法,其特征在于,步骤S2中,设Xk=[xk1,xk2,L,xkM](k=1,2,L,S)为用户睡眠按摩模型的输入矢量,S为训练样本的个数,WMI(g)为第g次迭代时输入层M与隐层I之间的权值矢量,WJP(g)为第g次迭代时隐层J与输入层P之间的权值矢量,WJC(g)为第g次迭代时隐层J与输入层C之间的权值矢量,YK(g)=[yk1(g),yk2(g),L,ykP(g)](k=1,2,L,S)为第g次迭代时实际输出,dK=[dk1,dk2,L,dkP](k=1,2,L,S)为期望输出:以及,建立睡眠按摩模型的步骤包括:步骤S21:初始化,设迭代次数g初始值为0,分别赋WMI(0)、WJP(0)、WJC(0)一个(0,1)区间的随机值;步骤S22:随机输入样本XK;步骤S23:对输入样本XK,向前计算所述Elman神将网络每层神经元的实际输出YK(g);步骤S24:根据期望输出dK和实际输出YK(g),计算误差E(g);步骤S25:判断误差E(g)是否小于预设误差值,如果大于或者等于,进入步骤S26,如果小于,则进入步骤S29;步骤S26:判断迭代次数g+1是否大于最大迭代次数,如果大于进入步骤S29,否则,进入步骤S27;步骤S27:对输入样本XK反向计算所述Elman神经网络每层神经元的局部梯度δ;步骤S28:计算权值修正ΔW,并修正权值;令g=...
【专利技术属性】
技术研发人员:彭团结,李太福,唐波,张昆涛,
申请(专利权)人:重庆科技学院,
类型:发明
国别省市:重庆,50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。