午睡监测方法、装置、可穿戴设备及存储介质制造方法及图纸

本申请实施例公开一种午睡监测方法、装置、可穿戴设备及存储介质，该方法包括：获取可穿戴设备在午睡时间段内的真实z轴梯度；真实z轴梯度是根据三轴方向上分别对应的真实加速度值计算得到的，所述三轴方向包括x轴、y轴和z轴；从真实z轴梯度中提取预测梯度特征；将预测梯度特征输入到训练好的回归模型中，根据回归模型的输出确定午睡时间段内各个时间点分别对应的活动状态；活动状态包括预测午睡状态或预测非午睡状态；回归模型是利用样本梯度特征、午睡状态标签以及非午睡状态标签进行训练得到的，样本梯度特征是从样本z轴梯度中提取出的。实施本申请实施例，能够通过可穿戴设备准确地监测午睡状态，同时降低了午睡监测的操作复杂度。作复杂度。作复杂度。

【技术实现步骤摘要】
午睡监测方法、装置、可穿戴设备及存储介质


[0001]本申请涉及可穿戴设备
，具体涉及一种午睡监测方法、装置、可穿戴设备及存储介质。

技术介绍

[0002]睡眠是影响人们身体健康的一个重要因素。随着社会的快速发展，学习和工作压力导致的失眠状况越来越多，睡眠监测的意义越来越重要。每天进行适当的午睡有利于增加人们的记忆力、免疫力，并提高学习和工作效率，因此午睡监测的意义也越来越重要。目前，利用多导睡眠图(Polysomnography,PSG)对人们进行午睡监测是常见的方法。尽管多导睡眠图测量准确，但是在测量时涉及到脑电、肌电等多种传感器，操作较为复杂，一般仅能在临床条件下进行，适应性差。

技术实现思路

[0003]本申请实施例公开了一种午睡监测方法、装置、可穿戴设备及存储介质，能够通过可穿戴设备准确地监测午睡状态，同时降低了午睡监测的操作复杂度。
[0004]本申请实施例公开一种午睡监测方法，其特征在于，所述方法包括：
[0005]获取可穿戴设备在午睡时间段内的真实z轴梯度；所述真实z轴梯度是根据三轴方向上分别对应的真实加速度值计算得到的，所述三轴方向包括x轴、y轴和z轴；
[0006]从所述真实z轴梯度中提取预测梯度特征；
[0007]将所述预测梯度特征输入到训练好的回归模型中，根据所述回归模型的输出确定所述午睡时间段内各个时间点分别对应的活动状态；所述活动状态包括预测午睡状态或预测非午睡状态；所述回归模型是利用样本梯度特征、午睡状态标签以及非午睡状态标签进行训练得到的，所述样本梯度特征是从样本z轴梯度中提取出的。
[0008]作为一种可选的实施方式，所述根据所述回归模型的输出确定所述午睡时间段内各个时间点分别对应的活动状态，包括：
[0009]获取所述回归模型输出的所述午睡时间段内各个时间点对应的第一活动状态；所述第一活动状态包括：预测午睡状态或预测非午睡状态；
[0010]对所述各个时间点对应的第一活动状态进行修正，得到各个时间点对应的第二活动状态；
[0011]所述对所述各个时间点对应的第一活动状态进行修正，得到各个时间点对应的第二活动状态，包括：
[0012]将在所述午睡时间段内持续时长小于第一时长阈值的所述第一活动状态从预测午睡状态更改为预测非午睡状态，以得到第二活动状态；和/或，
[0013]将在所述午睡时间段内持续时长小于第二时长阈值的所述第一活动状态从预测非午睡状态更改为预测午睡状态，以得到第二活动状态。
[0014]作为一种可选的实施方式，在所述对所述各个时间点对应的第一活动状态进行修
正，得到各个时间点对应的第二活动状态之后，所述方法还包括：
[0015]将所述第二活动状态从所述预测非午睡状态转变为所述预测午睡状态的时间点确定为入睡点；
[0016]将所述第二活动状态从所述预测午睡状态转变为所述预测非午睡状态的时间点确定为出睡点。
[0017]作为一种可选的实施方式，在所述从所述真实z轴梯度中提取预测梯度特征之前，所述方法还包括：
[0018]通过计算所述可穿戴设备在所述x轴、所述y轴、所述z轴方向上分别对应的样本加速度值的均值、最大值、最小值以及标准差，以及计算所述样本z轴梯度的均值、最大值、最小值以及标准差，得到多个原始特征；
[0019]从多个所述原始特征选取出所述样本z轴梯度的所述原始特征作为用于进行活动状态预测的样本梯度特征。
[0020]作为一种可选的实施方式，所述从多个所述原始特征选取出所述样本z轴梯度的所述原始特征作为用于进行活动状态预测的样本梯度特征，包括：
[0021]对多个所述原始特征进行基于最大相关最小冗余的特征选择，将所述样本z轴梯度的最大值和所述样本z轴梯度的最小值确定为用于进行活动状态预测的所述样本梯度特征。
[0022]作为一种可选的实施方式，在所述将所述预测梯度特征输入到训练好的回归模型中之前，所述方法还包括：
[0023]对所述样本梯度特征进行无监督聚类，得到第一数据集合和第二数据集合；
[0024]将第一数据集合包括的样本梯度特征对应的数据标签确定为午睡状态标签；
[0025]将第二数据集合包括的样本梯度特征对应的数据标签确定为非午睡状态标签；
[0026]利用所述第一数据集合、所述第一数据集合包括的样本梯度特征对应的午睡状态标签、所述第二数据集合以及所述第二数据集合包括的样本梯度特征对应的非午睡状态标签对待训练的回归模型进行训练。
[0027]作为一种可选的实施方式，所述利用所述第一数据集合、所述第一数据集合包括的样本梯度特征对应的午睡状态标签、所述第二数据集合以及所述第二数据集合包括的样本梯度特征对应的非午睡状态标签对待训练的回归模型进行训练，包括：
[0028]将所述第一数据集合包括的样本梯度特征输入到待训练的回归模型中，得到训练午睡状态；
[0029]将所述第二数据集合包括的样本梯度特征输入到待训练的回归模型中，得到训练非午睡状态；
[0030]根据所述训练午睡状态、所述训练非午睡状态、所述午睡状态标签以及所述非午睡状态标签计算训练损失，根据所述训练损失对所述待训练的回归模型的参数进行调整，以得到训练好的回归模型。
[0031]本申请实施例公开一种午睡监测装置，所述装置包括：
[0032]获取模块，用于获取可穿戴设备在午睡时间段内的真实z轴梯度；所述真实z轴梯度是根据三轴方向上分别对应的真实加速度值计算得到的，所述三轴方向包括x轴、y轴和z轴；
[0033]提取模块，用于从所述真实z轴梯度中提取预测梯度特征；
[0034]预测模块，用于将所述预测梯度特征输入到训练好的回归模型中，根据所述回归模型的输出确定所述午睡时间段内各个时间点分别对应的活动状态；所述活动状态包括预测午睡状态或预测非午睡状态；所述回归模型是利用样本梯度特征、午睡状态标签以及非午睡状态标签进行训练得到的，所述样本梯度特征是从样本z轴梯度中提取出的。
[0035]本申请实施例公开一种可穿戴设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现本申请实施例公开的任意一种午睡监测方法。
[0036]本申请实施例公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本申请实施例公开的任意一种午睡监测方法。
[0037]与相关技术相比，本申请实施例具有以下有益效果：
[0038]根据可穿戴设备在x轴、y轴、z轴方向上分别对应的真实加速度值计算得到真实z轴梯度；将从真实z轴梯度中提取出的预测梯度特征输入到训练好的回归模型中，以得到午睡时间段内各个时间点分别对应的活动状态，活动状态包括预测午睡状态和预测非午睡状态。本申请实施例利用加速度数据计算得到z轴梯度，并且从z轴梯度中提取了分类效果好的梯度特征，从而准确地监测午睡状态，同时降低了午睡监测的操作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种午睡监测方法，其特征在于，所述方法包括：获取可穿戴设备在午睡时间段内的真实z轴梯度；所述真实z轴梯度是根据三轴方向上分别对应的真实加速度值计算得到的，所述三轴方向包括x轴、y轴和z轴；从所述真实z轴梯度中提取预测梯度特征；将所述预测梯度特征输入到训练好的回归模型中，根据所述回归模型的输出确定所述午睡时间段内各个时间点分别对应的活动状态；所述活动状态包括预测午睡状态或预测非午睡状态；所述回归模型是利用样本梯度特征、午睡状态标签以及非午睡状态标签进行训练得到的，所述样本梯度特征是从样本z轴梯度中提取出的。2.根据权利要求1所述的方法，其特征在于，所述根据所述回归模型的输出确定所述午睡时间段内各个时间点分别对应的活动状态，包括：获取所述回归模型输出的所述午睡时间段内各个时间点对应的第一活动状态；所述第一活动状态包括：预测午睡状态或预测非午睡状态；对所述各个时间点对应的第一活动状态进行修正，得到各个时间点对应的第二活动状态；所述对所述各个时间点对应的第一活动状态进行修正，得到各个时间点对应的第二活动状态，包括：将在所述午睡时间段内持续时长小于第一时长阈值的所述第一活动状态从预测午睡状态更改为预测非午睡状态，以得到第二活动状态；和/或，将在所述午睡时间段内持续时长小于第二时长阈值的所述第一活动状态从预测非午睡状态更改为预测午睡状态，以得到第二活动状态。3.根据权利要求2所述的方法，其特征在于，在所述对所述各个时间点对应的第一活动状态进行修正，得到各个时间点对应的第二活动状态之后，所述方法还包括：将所述第二活动状态从所述预测非午睡状态转变为所述预测午睡状态的时间点确定为入睡点；将所述第二活动状态从所述预测午睡状态转变为所述预测非午睡状态的时间点确定为出睡点。4.根据权利要求1所述的方法，其特征在于，在所述从所述真实z轴梯度中提取预测梯度特征之前，所述方法还包括：通过计算所述可穿戴设备在所述x轴、所述y轴、所述z轴方向上分别对应的样本加速度值的均值、最大值、最小值以及标准差，以及计算所述样本z轴梯度的均值、最大值、最小值以及标准差，得到多个原始特征；从多个所述原始特征选取出所述样本z轴梯度的所述原始特征作为用于进行活动状态预测的样本梯度特征。5.根据权利要求4所述的方法，其特征在于，所述从多个所述原始特征选取出所述样本z轴梯度的所述原始特征作为用于进行活动状态预测的样本梯度特征，包括：对多个所述原始特征进行基于最大...

【专利技术属性】
技术研发人员：于松，
申请(专利权)人：广东小天才科技有限公司，
类型：发明
国别省市：