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，使得电子设备可以在其当前满足预设的睡眠预测条件时，获取对用户进行睡眠预测所需的数据，以及获取预先训练的睡眠预测模型，从而根据获取到的对用户进行睡眠预测所需的数据以及睡眠预测模型，对用户进行睡眠预测，得到预测结果，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：判断当前是否满足预设的睡眠预测条件；若是，则获取电子设备的亮熄屏数据，以及获取用户的作息行为数据和作息计划数据；获取预先训练的睡眠预测模型；根据所述亮熄屏数据、所述作息行为数据、所述作息计划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：条件判断模块，用于判断当前是否满足预设的睡眠预测条件；数据获取模块，用于在条件判断模块的判断结果为是时，获取电子设备的亮熄屏数据，以及获取用户的作息行为数据和作息计划数据；模型获取模块，用于从睡眠预测模型集合中选取对应所述当前使用场景的目标睡眠预测模型；睡眠预测模块，用于根据所述亮熄屏数据、所述作息行为数据、所述作息计划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：判断当前是否满足预设的睡眠预测条件；若是，则获取电子设备的亮熄屏数据，以及获取用户的作息行为数据和作息计划数据；获取预先训练的睡眠预测模型；根据所述亮熄屏数据、所述作息行为数据、所述作息计划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，电子设备可以在其当前满足预设的睡眠预测条件时，获取电子设备的亮熄屏数据，以及获取用户的作息行为数据和作息计划数据，此外，还获取预先训练的睡眠预测模型，从而根据获取到的亮熄屏数据、作息行为数据、作息计划数据以及睡眠预测模型，对用户进行睡眠预测，得到预测结果，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是本申请实施例提供的睡眠预测方法的另一流程示意图。图3是本申请实施例中电子设备获取睡眠预测模型的示意图。图4是本申请实施例中提供的操作配置界面的示意图。图5是本申请实施例中根据获取到的亮熄屏数据、作息行为数据、作息计划数据以及睡眠预测模型进行睡眠预测的示意图。图6是本申请实施例提供的睡眠预测装置的结构示意图。图7是本申请实施例提供的电子设备的一结构示意图。图8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，判断当前是否满足预设的睡眠预测条件。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亮度进行侦测，当其所处环境的环境亮度低于预设亮度时，判定当前满足睡眠预测条件。在102中，若是，则获取电子设备的亮熄屏数据，以及获取用户的作息行为数据和作息计划数据。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，电子设备获取对用户进行睡眠预测所需的数据，其中，对用户进行睡眠预测所需的数据至少包括电子设备的亮熄屏数据以及用户的作息行为数据和作息计划数据。在103中，获取预先训练的睡眠预测模型。在本申请实施例中，还预先训练有用于对用户进行睡眠预测的睡眠预测模型，其中，该睡眠预测模型可以存储在电子设备本地，也可以存储在远端的服务器中。这样，电子设备在获取到对用户进行睡眠预测所需的数据之后，进一步从本地获取用于对用户进行睡眠预测的睡眠预测模型，或者，从远端的服务器获取用于对用户进行睡眠预测的睡眠预测模型。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，可以根据用户的作息行为数据、作息计划以及电子设备的亮熄屏数据对用户进行睡眠预测。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。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，算法包括一些对常用监督式学习算法的延伸，这些算法首先试图对未标识数据进行建模，在此基础上再对标识的数据进行预测。如图论推理算法(GraphInference)或者拉普拉斯支持向量机(LaplacianSVM)等。强化学习算法，在这种学习模式下，输入数据作为对模型的反馈，不像监督模型那样，输入数据仅仅是作为一个检查模型对错的方式，在强化学习下，输入数据直接反馈到模型，模型必须对此立本文档来自技高网...

【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判断当前是否满足预设的睡眠预测条件；/n若是，则获取电子设备的亮熄屏数据，以及获取用户的作息行为数据和作息计划数据；/n获取预先训练的睡眠预测模型；/n根据所述亮熄屏数据、所述作息行为数据、所述作息计划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：
判断当前是否满足预设的睡眠预测条件；
若是，则获取电子设备的亮熄屏数据，以及获取用户的作息行为数据和作息计划数据；
获取预先训练的睡眠预测模型；
根据所述亮熄屏数据、所述作息行为数据、所述作息计划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，所述获取用户的作息行为数据和作息计划数据，包括：
获取运动应用记录的对应所述用户的运动传感器数据，根据所述运动传感器数据生成所述作息行为数据；
获取所述用户在备忘录应用配置的事项安排数据，以及获取所述用户在闹钟应用配置的闹钟数据，并根据所述事项安排数据和所述闹钟数据生成所述作息计划数据。


根据权利要求1所述的睡眠预测方法，其中，所述根据所述亮熄屏数据、所述作息行为数据、所述作息计划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，包括：
对所述亮熄屏数据、所述作息行为数据以及所述作息计划数据进行预处理；
将完成预处理后的所述亮熄屏数据、所述作息行为数据以及所述作息计划数据输入所述睡眠预测模型，得到所述睡眠预测模型对所述用户进行睡眠预测所输出的预测结果。


根据权利要求3所述的睡眠预测方法，其中，所述对所述亮熄屏数据、所述作息行为数据以及所述作息计划数据进行预处理，包括：
对所述亮熄屏数据、所述作息行为数据以及所述作息计划数据进行数据清洗处理、数据集成处理、数据变换处理以及数据归约处理。


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：
处于静止状态的持续时长达到预设时长；
或者，到达预设的睡眠预测时刻。


根据权利要求1所述的睡眠预测方法，其中，所述获取预先训练的睡眠预测模型，包括：
确定所述电子设备的当前使用场景；
从预先训练的多个...

【专利技术属性】
技术研发人员：戴堃，张寅祥，陆天洋，帅朝春，吴建文，
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