睡眠预测方法、装置、存储介质及电子设备制造方法及图纸

一种睡眠预测方法，使得电子设备能够在当前满足预设的睡眠预测条件，且当日为用户的非工作日时，进一步获取到预先训练的对应非工作日睡眠预测模型，以及获取用户在当日和历史非工作日的行为数据，最终利用获取到的行为数据和睡眠预测模型对用户进行睡眠预测，能够提高对用户进行睡眠预测的准确度。

【技术实现步骤摘要】
【国外来华专利技术】睡眠预测方法、装置、存储介质及电子设备
本申请属于计算机
，尤其涉及一种睡眠预测方法、装置、存储介质及电子设备。
技术介绍
目前，如平板电脑、手机等电子设备经过配置，可以在用户睡眠时进行系统更新等影响用户使用或者耗时较长的操作，以此来避免对用户的使用造成影响。为此，相关技术通过对用户进行睡眠预测，比如预测用户的睡眠区间等来达到前述目的，然而相关技术中对用户进行睡眠预测的准确度较低。
技术实现思路
本申请实施例提供一种睡眠预测方法、装置、存储介质及电子设备，可以使得电子设备能够准确的对用户进行睡眠预测。第一方面，本申请实施例提供一种睡眠预测方法，应用于电子设备，包括：若当前满足预设的睡眠预测条件，则识别当日是否为用户的非工作日；若是，则获取预先训练的对应非工作日的睡眠预测模型；获取所述用户在当日以及历史非工作日的行为数据，所述历史非工作日为当日之前相同类型的非工作日；根据所述行为数据以及所述睡眠预测模型对所述用户进行睡眠预测，得到预测结果。第二方面，本申请实施例提供一种睡眠预测装置，应用于电子设备，包括：日期识别模块，用于在当前满足预设的睡眠预测条件时，识别当日是否为用户的非工作日；模型获取模块，用于在识别模块的识别结果为是时，获取预先训练的对应非工作日的睡眠预测模型；数据获取模块，用于获取所述用户在当日以及历史非工作日的行为数据，所述历史非工作日为当日之前相同类型的非工作日；睡眠预测模块，用于根据所述行为数据以及所述睡眠预测模型对所述用户进行睡眠预测，得到预测结果。第三方面，本申请实施例提供一种存储介质，其上存储有计算机程序，其中，当所述计算机程序在计算机上执行时，使得所述计算机执行本申请实施例提供的睡眠预测方法中的步骤。第四方面，本申请实施例提供一种电子设备，包括存储器，处理器，所述处理器通过调用所述存储器中存储的计算机程序，用于执行：若当前满足预设的睡眠预测条件，则识别当日是否为用户的非工作日；若是，则获取预先训练的对应非工作日的睡眠预测模型；获取所述用户在当日以及历史非工作日的行为数据，所述历史非工作日为当日之前相同类型的非工作日；根据所述行为数据以及所述睡眠预测模型对所述用户进行睡眠预测，得到预测结果。申请实施例中，电子设备可以在当前满足预设的睡眠预测条件时，识别当日是否为用户的非工作日，若是，则进一步获取到预先训练的对应非工作日睡眠预测模型，以及获取用户在当日和历史非工作日的行为数据，最终利用获取到的行为数据以及对应非工作日的睡眠预测模型对用户进行睡眠预测，能够提高对用户进行睡眠预测的准确度。附图说明下面结合附图，通过对本申请的具体实施方式详细描述，将使本申请的技术方案及其有益效果显而易见。图1是本申请实施例提供的睡眠预测方法的一流程示意图。图2是本申请实施例中获取用于对用户进行睡眠预测的睡眠预测模型的示意图。图3是本申请实施例提供的睡眠预测方法的另一流程示意图。图4是本申请实施例中提供的预设操作配置界面的示意图。图5是本申请实施例提供的睡眠预测装置的结构示意图。图6是本申请实施例提供的电子设备的一结构示意图。图7是本申请实施例提供的电子设备的另一结构示意图。具体实施方式请参照图示，其中相同的组件符号代表相同的组件，本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本申请具体实施例，其不应被视为限制本申请未在此详述的其它具体实施例。请参照图1，图1是本申请实施例提供的睡眠预测方法的一流程示意图。该睡眠预测方法可以应用于电子设备。该睡眠预测方法的流程可以包括：在101中，若当前满足预设的睡眠预测条件，则识别当日是否为用户的非工作日。应当说明的是，本申请实施例中对于睡眠预测条件的设置不做具体限制，可由本领域普通技术人员根据实际需要进行设置。比如，可以设置睡眠预测条件为电子设备当前所处环境的环境光亮度低于预设亮度，这样，电子设备可以实时对其所处环境的环境光亮度进行侦测(比如通过设置的环境光传感器对所处环境的环境光亮度进行侦测)，当其所处环境的环境光亮度低于预设亮度时，判定当前满足睡眠预测条件。又比如，可以设置睡眠预测条件为电子设备的系统时刻到达预设时刻，等等。本申请实施例中，电子设备在判定当前满足预设的睡眠预测条件时，触发对用户的睡眠预测。首先，电子设备识别当日是否为用户的非工作日。比如，电子设备可以判断当日是否为周末或节假日，是则判定当日为用户的非工作日，否则判定当日为用户的工作日。在102中，若是，则获取预先训练的对应非工作日的睡眠预测模型。需要说明的是，本申请实施例在电子设备存储有预先训练的多个睡眠预测模型集合，其中，至少包括对应非工作日的睡眠预测模型(或者说，剩余在非工作日对用户进行睡眠预测的睡眠预测模型)以及对应工作日的睡眠预测模型(或者说，适于在工作日对用户进行睡眠预测的睡眠预测模型)。这样，电子设备在识别到当日为用户的非工作日时，获取到预先训练的对应非工作日的睡眠预测模型。比如，请参照图2，电子设备存储有两个睡眠预测模型，分别为对应非工作日的A睡眠预测模型和对应工作日的B睡眠预测模型，这样，电子设备在判定当日为用户的非工作日时，将获取A睡眠预测模型用于后续对用户的睡眠预测，而在判定当日为用户的工作日时，将获取B睡眠预测模型用于后续对用户的睡眠预测。应当说明的是，睡眠预测模型预先通过机器学习算法训练得到，机器学习算法可以通过不断的特征学习来实现各种功能，比如，可以对用户的进行睡眠预测。其中，机器学习算法可以包括：决策树模型、逻辑回归模型、贝叶斯模型、神经网络模型、聚类模型等等。机器学习算法的算法类型可以根据各种情况划分，比如，可以基于学习方式可以将机器学习算法划分成：监督式学习算法、非监控式学习算法、半监督式学习算法、强化学习算法等等。在监督式学习下，输入数据被称为“训练数据”，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”，对手写数字识别中的“1、2、3、4”等。在建立模型的时候，监督式学习建立一个学习过程，将场景类型信息与“训练数据”的实际结果进行比较，不断的调整模型，直到模型的场景类型信息达到一个预期的准确率。监督式学习的常见应用场景如分类问题和回归问题。常见算法有逻辑回归(LogisticRegression)和反向传递神经网络(BackPropagationNeuralNetwork)。在非监督式学习中，数据并不被特别标识，模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括Apriori算法以及k-Means算法等。半监督式学习算法，在此学习方式下，输入数据被部分标识，这种学习模型可以用来进行类型识别，但是模型首先需要学习数据的内在结构以便合理的组织数据来进行预测。应用场景包括分类和回归，算法包括本文档来自技高网...

【技术保护点】
一种睡眠预测方法，应用于电子设备，其中，包括：/n若当前满足预设的睡眠预测条件，则识别当日是否为用户的非工作日；/n若是，则获取预先训练的对应非工作日的睡眠预测模型；/n获取所述用户在当日以及历史非工作日的行为数据，所述历史非工作日为当日之前相同类型的非工作日；/n根据所述行为数据以及所述睡眠预测模型对所述用户进行睡眠预测，得到预测结果。/n

【技术特征摘要】
【国外来华专利技术】一种睡眠预测方法，应用于电子设备，其中，包括：
若当前满足预设的睡眠预测条件，则识别当日是否为用户的非工作日；
若是，则获取预先训练的对应非工作日的睡眠预测模型；
获取所述用户在当日以及历史非工作日的行为数据，所述历史非工作日为当日之前相同类型的非工作日；
根据所述行为数据以及所述睡眠预测模型对所述用户进行睡眠预测，得到预测结果。


根据权利要求1所述的睡眠预测方法，其中，所述识别当日是否为用户的非工作日，包括：
获取所述用户在当日使用电子设备的第一使用信息；
获取预存的所述用户在其工作日使用电子设备的第二使用信息；
判断所述第一使用信息是否与所述第二使用信息匹配，是则判定当日为所述用户的工作日，否则判定当日为所述用户的非工作日。


根据权利要求2所述的睡眠预测方法，其中，所述判断所述第一使用信息是否与所述第二使用信息匹配，包括：
获取所述第一使用信息与所述第二使用信息的相似度；
判断所述相似度是否达到预设相似度，是则判定所述第一使用信息与所述第二使用信息匹配，否则不匹配。


根据权利要求1所述的睡眠预测方法，其中，所述睡眠预测条件包括：
处于熄屏状态的持续时长达到第一预设时长；
或者，处于静止状态的持续时长达到第二预设时长；
或者，在处于熄屏状态的持续时长达到第三预设时长时处于静止状态；
或者，在处于静止状态的持续时长达到第四预设时长时处于熄屏状态。


根据权利要求1所述的睡眠预测方法，其中，所述预测结果包括预测的睡眠区间，所述根据所述行...

【专利技术属性】
技术研发人员：戴堃，吴建文，陆天洋，帅朝春，张寅祥，
申请(专利权)人：深圳市欢太科技有限公司，OPPO广东移动通信有限公司，
类型：发明
国别省市：广东;44