用于改进睡眠的用户行为推荐的制作方法

circadian misalignment impairs human cognitive performance task-dependently,”sci.rep.,vol.8,no.1,pp.1
–
11,2018年12月，还参见k.p.wright,c.a.lowry,和m.k.lebourgeois,“circadian and wakefulness-sleep modulation of cognition in humans,”front.mol.neurosci.,vol.5,no.april,pp.1
–
12,2012)。
17.可以基于用户的预期(例如，平均或基线)昼夜节律模式或曲线与实际昼夜节律模式或曲线之间的偏差来测量昼夜节律不一致性。
18.本发明的实施例提出评估昼夜节律的不一致性，并且基于昼夜节律的不一致性来修改行为变化推荐的内容或递送，以改善用户的坚持性并更好地使推荐个性化。这在改善睡眠方面改善了用户的结果。
19.作为一个示例，一些实施例可以定制提供推荐的定时，和/或定制用户制定推荐行为的推荐时间。找到与用户交往的理想时间并建议制定推荐行为的理想时间，不仅提高了依从性，而且增加了积极结果的可能性。
20.用户在日子d的预期昼夜节律模式可以是基于历史用户昼夜节律模式数据和/或基于历史监测数据(例如活动和/或睡眠监测数据)确定的用户的平均昼夜节律模式。
21.预期昼夜节律模式可以表示从与昼夜节律模式相关的历史信息导出的用户的基线昼夜节律模式。这可以包括在日子d前的一天或多天用户的昼夜节律模式的记录，和/或基于在日子d前的一天或多天多个24小时数据块上的历史患者传感器数据。
22.实际昼夜节律模式可以基于实时传感器数据实时确定。昼夜节律模式可以是具有作为时间函数变化的值的曲线，并且可以实时确定在每个时刻的昼夜节律模式的值。昼夜节律不一致性的测量可以基于实时确定的针对日子d的昼夜节律模式和基于预期的针对日子d的昼夜节律模式实时确定。例如，可以通过对可用传感器数据的连续分析(例如积分)来确定实际昼夜节律曲线。例如，可以以最小可用时间分辨率分析输入传感器数据，并且将每个计算的昼夜节律曲线值与来自一个或多个先前日子的预期(基线)昼夜节律曲线上的值实时比较。
23.确定实际昼夜节律模式的日子d可以是连续移动的(例如24小时)时间窗口，使得在每个瞬时时间点，相关日子d对应于紧接在前的24小时。这样做的好处是对于日子d的完整的24小时昼夜节律模式(预期模式和实际模式)总是可用的。然而，这不是必需的，在一些示例中，实际的昼夜节律模式和昼夜节律不一致性可以通过给定日子d的过程实时导出。在另外的示例中，日子d可以对应于直到预定的先前时间(例如用户的醒来时间)的完成的24小时时段。
24.该方法可以包括确定消息递送或提供时间，该时间对应于通过感官输出装置将语言消息传达给用户的时间，并且其中至少部分地基于昼夜节律不一致性的量度来确定消息递送时间。
25.作为示例，该方法可以被配置为避免在用户的昼夜节律不一致性高的时间段期间递送推荐。证据表明，在这些时间内，依从性可能更低。
26.在一些示例中，昼夜节律不一致性的量度可以包括作为日子d中的时间的函数的预期和实际昼夜节律模式之间的所述偏差的量度。换句话说，它包括跨越日子d的两个昼夜节律模式之间的偏差值的时间序列，每个偏差值表示在日子d中的某个时间的预期和实际昼夜节律曲线之间的偏差。换句话说，它包括昼夜节律不一致性或偏差的模式或函数，作为
日子d中的时间的函数。
27.在另外的示例中，昼夜节律不一致性的量度可以包括在日子d的特定时间点的预期和实际昼夜节律模式之间的所述偏差的量度。当日子d是对应于紧接在前的24小时的移动时间窗口时，该特定时间点可以是在日子d的(终端)末尾的时间点。
28.在一些实例中，昼夜节律不一致性的测量可以如上所述实时确定，并且可以包括昼夜节律不一致性的连续或周期性变化的瞬时值，表示在瞬时时间点的预期和实际昼夜节律曲线之间的瞬时偏差。
29.消息递送时间可以被选择为在一天中的时间，在该时间针对日子d的昼夜节律不一致性低于定义的阈值。已经发现，在预期昼夜节律模式与实际昼夜节律模式之间存在高度不一致性或偏差时，受试者对推荐的反应较小，因此改善睡眠的效果较低。
30.该阈值可以是预定义的阈值，或者可以基于昼夜节律不一致性的测量值来设置。换句话说，它可以是绝对阈值或相对阈值，其被归一化为日子d的昼夜节律不一致性的值。
31.如上所述，实际昼夜节律模式可以基于实时传感器数据和与实时执行的预期昼夜节律模式的比较来实时确定。这样，可以实时地确定昼夜节律的不一致性，从而可以实时地识别高或低不一致性的时段。
32.在一些示例中，推荐行为可以包括该行为的用户的推荐开始时间，并且其中至少部分地基于所确定的昼夜节律不一致性的量度来确定推荐开始时间。
33.作为示例，可以建议用户在高昼夜节律不一致性时执行特定动作或行为，以便调整此时的昼夜节律模式以更好地符合预期(例如，平均)昼夜节律模式。
34.上述参考数据集(基于其确定预期昼夜节律模式)可以包括用户的历史睡眠和/或活动数据。其优选地包括在日子d之前的多天的历史睡眠和/或活动数据。该数据可以基于在多天获取的用户传感器数据来确定。该传感器数据可以包括生理参数数据和/或运动数据。
35.在(较不优选的)备选情况下，参考数据可以包括一般的昼夜节律模式数据(即，对于用户不是个性化的)。
36.可以基于预定的昼夜节律曲线方程的拟合参数来确定预期的昼夜节律模式，基于患者一天或多天的历史睡眠和/或活动数据来拟合参数。优选地基于多天的历史数据进行拟合。
37.可以基于多个日子的组合(例如，平均)数据来确定单个预期昼夜节律曲线，这表示用户的平均昼夜节律曲线，并且将该单个曲线用作日子d的预期昼夜节律模式。备选地，如果存在足够的历史数据，则可以为该周的每一天确定单独的昼夜节律曲线，并且将对应于该周的与日子d相同的那天的昼夜节律曲线用作日子d的预期昼夜节律模式。
38.在一些示例中，传感器数据(基于其确定实际昼夜节律模式)可以包括患者的生理参数数据和/或运动数据。
39.在一些示例中，生理参数传感器信号或运动传感器信号可以被用作代理信号，其中在日子d的该代理信号被用作实际昼夜节律模式(实际昼夜节律曲线)。换句话说，使用代理信号来确定日子d的实际昼夜节律模式，其中代理信号基于传感器数据。
40.在一些示例中，昼夜节律不一致性的量度可以包括日子d的昼夜节律不一致性的指数。这可以基于导出预期和实际昼夜节律模式之间的相关性(例如相关系数)来确定。指
数包括例如单个值。该指数可以被赋予值1-r，其中r对应于在例如24小时时间段上的预期和实际昼夜节律模式之间的相关系数。
41.该方法可以包括监测多天的昼夜节律不一致性指数，并且基于昼夜节律不一致性指数的变化确定依从性的量度。
42.可以假设坚持与昼夜节律不一致性的减少相关，即，当昼夜节律不一致性下降时，用户更可能坚持推荐的行为变化。在一些示例中，可以基于依从性的量度来配置消息的推荐行为和/或特性。
43.在一些示例中，可以基于昼夜节律的不一致性以及基于查找表的使用来确定推荐的行为变化(即，消息的内容)。该查找表可以包含与不同的昼夜节律不一致性水平和/或不同的昼夜节律不一致性模式相关联的预定的推荐行为，作为给定日子内的时间的函数。可以基于所确定的昼夜节律不一致性的量度来查询该表。
44.在一些示例中，所述方法可以包括基于所述昼夜节律不一致性来配置所述语言消息的一个或多个特性，并且其中所述特性包括所述语言消息的措辞。该措辞与所传送的行为变化分开地(即与消息的内容分开地)是可变的。
45.例如，推荐消息的最佳音调、情绪和复杂度可以例如根据昼夜节律不一致性的水平来调整。
46.在一些情况下，可以通过从查找表中选择递送所述行为变化的多个预定语言消息中的一个来执行用于传送特定行为变化的消息的措辞的配置，并且每个语言消息具有不同的措辞。
47.换言之，查找表包含多个已整理消息，每个已整理消息对应于昼夜节律不一致性的值(范围)。
48.在另外的示例中，可以使用机器学习算法来执行消息的措辞的配置。这可以是自然语言生成领域中的机器学习算法。
49.根据本发明的另一方面的示例提供了一种包括计算机程序代码的计算机程序产品，所述计算机程序代码被配置为当在处理器上执行时使所述处理器执行根据以上概述或以下描述的任何示例或实施例，或者根据本技术的任何权利要求的方法。
50.根据本发明的另一个方面的示例提供了一种处理装置，该处理安排包括：
51.输入/输出；以及
52.一个或多个处理器，适于：
53.基于使用所述输入/输出访问的用户的参考数据集，确定用户的预测或预期昼夜节律模式；
54.基于收集的针对日子d的用户传感器数据，来确定针对给定日子d的实际或经验昼夜节律模式，传感器数据在输入/输出处被接收；
55.基于针对日子d的预期昼夜节律模式与实际昼夜节律模式之间的偏差确定针对日子d的昼夜节律不一致性的量度；
56.使用感官输出装置确定用于递送给用户的语言消息，所述消息包括推荐用户行为，并且其中所述推荐行为和/或所述消息的一个或多个特性基于所述昼夜节律不一致性来被配置；以及
57.生成用于控制感官输出装置的控制信号，以生成表示语言消息的感官输出。
58.根据本发明的另一个方面的示例提供了一种系统，该系统包括：感官输出装置，用于生成感官输出，感官输出用于向用户传达语言消息；以及根据以上概述或以下描述的任何示例或实施例或根据本技术的任何权利要求的处理装置。
59.参考下面描述的实施例，本发明的这些和其它方面将变得显而易见。
附图说明
60.为了更好地理解本发明，并且为了更清楚地示出如何实现本发明，现在将仅通过示例的方式参考附图，其中：
61.图1概述了根据一个或多个实施例的示例方法的步骤；
62.图2示出了根据一个或多个实施例的处理工作流程；
63.图3示出了使用模型昼夜节律曲线方程导出的预期昼夜节律模式的示例；
64.图4示出了使用用户传感器信号作为昼夜节律模式的代理信号导出的经验昼夜节律曲线的示例；
65.图5示出了一组示例经验昼夜节律曲线；
66.图6示出了导出昼夜节律不一致性指数的一个示例性装置；
67.图7示出了确定昼夜节律不一致性的示例时段；以及
68.图8示出了示例性昼夜节律弹性水平。
具体实施方式
69.将参照附图描述本发明。
70.应当理解，详细描述和特定示例虽然指示了装置、系统和方法的示例性实施例，但是仅用于说明的目的，而不旨在限制本发明的范围。本发明的装置、系统和方法的这些和其它特征、方面和优点将从以下描述、所附权利要求和附图中变得更好理解。应当理解，附图仅仅是示意性的并且没有按比例绘制。还应当理解，在所有附图中使用相同的附图标记来表示相同或相似的部件。
71.本发明提供了一种为用户生成行为推荐并通过语言消息将这些行为推荐传达给用户的方法，并且其中基于用户的昼夜节律不一致性的量度来配置语言消息的推荐行为变化或特性。通过将用户的预期昼夜节律曲线(例如，从用户的历史或先前数据导出的平均曲线)与给定日子的经验昼夜节律曲线进行比较来导出昼夜节律不一致性的量度。二者之间的偏差提供了给定日子的昼夜节律不一致性的指示，并且这用于通知行为推荐的内容、定时、措辞或其它特性。
72.昼夜节律确定睡眠模式，因此旨在改善睡眠的行为变化推荐可以从考虑用户的昼夜节律中获益。
73.本发明的实施例具体基于基于用户的昼夜节律不一致性来调整(内容、措辞和/或定时)行为变化推荐。低昼夜节律一致性(即低昼夜节律一致性)可影响对健康睡眠行为的坚持。
74.在一些示例中，昼夜节律不一致性可以基于实时传感器数据和用户的参考昼夜节律模式数据连续地或循环地实时导出，并且语言消息也被实时确定。
75.图1概述了根据一个或多个实施例的示例计算机实现的方法10的步骤。该方法包
括基于参考数据集确定12用户的预期昼夜节律模式。该方法还包括基于针对日子d收集的用户传感器数据来确定14针对给定日子d的实际昼夜节律模式。该方法还包括基于日子d的预期昼夜节律模式与实际昼夜节律模式之间的偏差来确定16日子d的昼夜节律不一致性的量度。该方法还包括使用感官输出装置确定18用于递送给用户的语言消息，该语言消息包括用于改善睡眠的推荐的用户行为。基于昼夜节律的不一致性来配置推荐的用户行为20和/或语言消息22的特性中的一者或两者。该方法还包括产生24用于控制感官输出装置的控制信号，以产生表示语言消息的感官输出。
76.该方法可以通过处理装置来实现，该处理装置包括适于执行上述步骤的一个或多个处理器，以及用于访问参考数据和接收患者监测数据的输入/输出。本发明的另一方面提供了这种处理装置。本发明的另一个方面可以提供一种系统，该系统包括处理装置和感官输出设备，该感官输出设备适于产生用于将所产生的语言消息递送给用户的感官输出。这可以例如包括用于生成语言消息的视觉呈现的显示单元，或者用于提供语言消息的听觉声音呈现的声音输出设备，例如扬声器。
77.图2呈现了根据一个或多个实施例的示例处理工作流的示意性表示，其元素将在下面讨论。这些处理步骤可以由单个处理部件执行，或者由多个处理部件共同执行，本发明提供的系统可以包括一个或多个处理部件。
78.为了便于确定实际(经验)昼夜节律循环，可以获取与用户的活动和/或睡眠有关的传感器数据42。当用户在其日常生活中走动时，用户可以在其身体上携带一个或多个传感器，并且这些传感器在多天内收集作为时间的函数的数据。可以连续地或以每天24小时的规则间隔收集数据。所述一个或多个传感器可以包括一个或多个生理参数传感器，例如ppg传感器(其可以测量例如心率和血氧饱和度)、温度传感器、呼吸传感器、ecg传感器、血压传感器。一个或多个传感器可以附加地或备选地包括活动传感器，例如加速计和/或陀螺仪。传感器可以被可操作地耦合到本地控制器，例如由用户携带的控制器，该控制器协调数据收集和传感器设置。本地控制器可以由诸如智能电话的移动计算设备来辅助。实时获取的传感器数据可以被本地高速缓存或存储在本地存储器中，例如本地控制器的存储器。备选地，它可以被直接递送到远程数据存储，例如基于云的数据存储。
79.使用针对给定日子d收集的传感器数据，可以通过根据本发明实施例的处理装置来确定实际的经验昼夜节律循环48。在一些特定示例中，日期d可以是移动的24小时时间窗口。它可以是连续移动的24时间窗口，使得它总是对应于紧接在当前时间之前的24时间窗口。下面将对此进行更详细的描述。
80.还可进一步处理所获取的传感器数据以导出用户的睡眠和/或活动数据44。睡眠数据可以从在夜间(或者在用户的睡眠周期期间)获取的传感器数据导出并且活动活动数据从在白天(或者在用户的觉醒周期期间)获取的传感器数据导出。例如，夜间的运动数据模式和/或心率可以用于跟踪睡眠阶段，例如深度睡眠和rem睡眠阶段。例如，白天的运动数据和心率数据可用于跟踪用户的锻炼模式。所导出的活动和/或睡眠数据可以存储在用户特定数据集46中，该数据集随着时间的推移而建立以形成用户的历史睡眠和/或活动数据的数据集。该历史数据集可以存储在作为本发明的系统的一部分而构成的数据存储中，或者可以被远程地存储在例如基于云的数据存储中。
81.在一些实施例中，历史活动和/或睡眠数据46可用于导出用户的预期昼夜节律模
式50。这将在下面更详细地描述。
82.基于比较预期和实际昼夜节律模式，可以确定昼夜节律不一致性52。然后，这可以被馈送到行为推荐模块54，该行为推荐模块54包括一个或多个算法，该算法被配置成基于昼夜节律不一致性并且备选地还基于一个或多个附加输入来为用户生成推荐的行为变化56，所述附加输入诸如实际昼夜节律周期本身的特性或针对日子d的用户的传感器数据。行为推荐模块还至少部分地基于昼夜节律不一致性52来配置用于传达推荐的语言消息的特性。
83.现在将概述确定预期昼夜节律模式的示例方法。
84.在该示例中，预期昼夜节律模式包括作为时间的函数的昼夜节律阶段(昼夜节律曲线)，并且基于用户的历史传感器数据42的使用或基于用户的历史睡眠和/或活动数据46被确定。历史数据可以对应于在至少一天，更优选地在多天，例如至少五天为用户获取的数据。历史传感器数据可用于拟合标准昼夜节律曲线方程，并且所得的昼夜节律曲线方程可用作用户的预期昼夜节律曲线。它基于用户在历史数据周期上的历史活动、睡眠和/或其它传感器参数数据有效地表示用户的基线或平均昼夜节律曲线。
85.更详细地，用户的预期(基线)昼夜节律模式可以使用所谓的用于睡眠/觉醒调节的双进程模型来导出。该模型的细节可以在例如以下论文中找到：p.ackermann和a.a.borb
é
ly,“mathematical models of sleep regulation.,”front.biosci.a j.virtual libr.,vol.8,no.13,pp.s683
–
s693,2003。
86.根据该模型，睡眠和觉醒周期在24小时周期内交替，并由两个主要因素调节，这两个主要因素可由稳态s函数和昼夜节律c函数表示。稳态s功能有效地表示“睡眠需求”，并且因此在睡眠期间下降，在觉醒期间上升。昼夜节律c函数表示变化的昼夜节律阶段，并且可以表示遵循具有大约24小时的循环周期的循环振荡模式的各种生物过程中的任何一种。
87.稳态过程s(t)可以对于每个时间t由两个指数函数定义：一个用于觉醒(等式1)而一个用于睡眠(等式2)：
[0088][0089][0090]
其中u表示上渐近线，l表示下渐近线，τw表示在觉醒期间增加的饱和指数函数的时间常数，并且τs表示在睡眠期间减少的指数函数的时间常数。在经典的双进程模型中，u和l对于所有t都是常数。时间t处的昼夜节律过程c(t)可以通过五谐波正弦方程来建模：
[0091][0092]
其中ci，i＝1，...，5表示昼夜节律振荡器的五个谐波的振幅，并且表示昼夜节律相位。从患者的历史数据集确定振幅ci。通过一个非限制性的说明性示例，在昼夜节律过程c(t)的一次计算中，幅度值被计算为c1＝0.97，c2＝0.22，c3＝0.07，c4＝0.03以及c5＝0.001。
[0093]
在最简单的方法中，使用用户的历史睡眠和活动数据来估计五个参数u，l，τw，τs和换句话说，基于用户的历史睡眠和活动数据来拟合定义模型的方程组的这些参数。由于
有5个参数，应使用至少5天的睡眠和活动数据。在实践中，更优选地使用来自至少10天的数据，从而求解超定方程组以估计u，l，τw，τs和
[0094]
在另外的实施例中，睡眠eeg数据可以用于根据以下模型方程估计稳态过程s(t)：
[0095][0096]
其中swa(t)(0.5hz至4hz的eeg功率)是nrem睡眠期间的慢波活动。稳态睡眠耗散的速度与慢波活动成正比。在该论文中描述了参数γ的估计：garcia-molina等人，“automatic characterization of sleep need dissipation using a single hidden layer neural network,”于2017 25th european signal processing conference(eusipco),2017,pp.1305
–
1308。
[0097]
昼夜节律模式本身可以仅由参数c(t)定义。如上所述，c表示昼夜节律曲线模型，ci(i＝1,...,5)对应于昼夜节律幅度，对应于昼夜节律相。可以基于将模型方程拟合到来自用户的多个24小时数据块的数据，例如多个24小时数据块的平均值，来构建预期(即基线)昼夜节律曲线。
[0098]
所得到的拟合方程组可用于导出用户在24小时时间段的平均昼夜节律相和幅度。将该平均值作为参考，并可用作基线或一天的预期昼夜节律
[0099]
图3中示出了用户的平均昼夜节律曲线的示例，该曲线将被用作日子d的预期昼夜节律模式。
[0100]
作为上述内容的备选，可以从存储在数据存储中的一般昼夜节律曲线导出对于针对日子d的预期或预测昼夜节律曲线。
[0101]
该方法还包括确定受试者的实际(经验)昼夜节律模式。这可以使用在日子d针对受试者采集的传感器数据42来导出，或者基于在日子d针对受试者的活动和/或睡眠数据，使用传感器数据导出的活动和/或睡眠数据来导出。
[0102]
估计经验昼夜节律模式的过程取决于用于导出经验信号的经验信号模式(例如生理或行为)。
[0103]
不失一般性，在一个优选实施例中，记录一个或多个心脏信号。心脏信号可以由一个或多个光电容积描记(ppg)传感器信号来促进。使用ppg传感器信号，可以获得心率变异性(hrv)的相关性。
[0104]
hrv是在预定义时间窗口内相邻心跳之间的时间间隔(rr间隔)中的变化量的量度。窗口持续时间例如可以是至少一分钟。典型地，在nn间隔上执行hrv计算，这意味着从其去除了伪像的rr间隔。rr和nn间隔的识别是本领域的常规程序，并且技术人员将立即认识到如何执行它。
[0105]
估计hrv的流行时域度量是nn间隔持续时间的标准偏差，称为sdnn。关于sdnn的推导和使用的更多细节可以在以下论文中找到：f.shaffer和j.p.ginsberg,“an overview of heart rate variability metrics and norms,”front.public heal.,vol.5,no.september,pp.1
–
17,2017。
[0106]
可以估计24小时时间段的sdnn值以估计所述24小时时间段的实际(经验)昼夜节律曲线。这在图4中示意性地示出，其中将四个不同日子的sdnn值(相对于日平均值归一化)
绘制为日子的时间的函数(以24小时格式)。绘制的昼夜节律曲线对应于两对连续的日子，第一个62和第二个64工作日以及第一个66和第二个68周末日。在具体示出的示例中，周末期间的第二天68的昼夜节律曲线与其他日子的昼夜节律曲线相比显示出轻微的未对准(不一致)。这种与平均值的偏差可以使用本公开中概述的方法来检测。
[0107]
在一些实施例中，可以使用其它类型的信号来导出实际或经验昼夜节律曲线。例如，图5示出了作为24小时时间段内的日时间的函数的示例患者传感器信号。从上到下，所示信号依次对应于曝光、皮肤温度和活动(使用加速度计跟踪)。在一些示例中，这些传感器信号中的至少一个可以直接作为用户的实际昼夜节律模式。换句话说，传感器信号可以用作用户的昼夜节律曲线的代理信号。在一些实施例中，多个这样的传感器信号可以被组合，例如被平均，并且该组合或平均被用作给定日子的实际(经验)昼夜节律曲线。
[0108]
如上所述，在一些示例中，导出实际昼夜节律模式的日期d可以对应于紧接在当前时间点之前的24小时时段。换句话说，它可以是连续移动的24小时时间窗口，使得它总是对应于紧接在当前时间之前的24时间窗口。然而，这仅代表一种选择。在另外的示例中，日子d可以是在当前日之前的最后一整天(午夜到午夜)。
[0109]
基于所导出的日子d的基线或预期昼夜节律模式和基于给定的日子d的实际昼夜节律模式，导出昼夜节律不一致性的量度。昼夜节律不一致性的量度是基于日子d的预期和实际昼夜节律模式之间的偏差。预期和实际昼夜节律模式之间的偏差可以表示作为时间函数的预期和实际昼夜节律曲线之间的差异(即，一条昼夜节律曲线或从另一条昼夜节律曲线或信号中减去的信号)，或者在日子d的特定的一个或多个时间点的曲线之间的差异。
[0110]
在一些示例中，昼夜节律不一致性的量度包括作为日子d中的时间的函数的预期和实际昼夜节律模式之间的所述偏差的量度。因此，它是作为时间函数的不一致性曲线或函数或信号。
[0111]
根据一个或多个另外的实施例，该方法可以包括导出昼夜节律不一致性的单值指数。这可以基于导出预期和实际昼夜节律模式之间的相关系数来确定。它可以对应于特定时间点的预期曲线和实际曲线之间的差。在任一情况下，该指数在一些示例中可用作昼夜节律不一致性的量度。
[0112]
在一个简单的示例中，昼夜节律不一致性指数ic可以确定为ic＝1-r，其中r是预期和实际昼夜节律曲线之间的相关系数。
[0113]
在另一个简单的示例中，昼夜节律不一致性指数ic可以被确定为对于日子d的预期昼夜节律曲线和实际昼夜节律曲线之间的差的rms，即其中是预期昼夜节律曲线和cd(t)是对于日子d的实际昼夜节律曲线。
[0114]
这在图6中示意性地示出，图6示出了示例预期昼夜节律模式(曲线)74和示例实际(经验)昼夜节律模式72。预期曲线74可以例如从上述的双过程模型获得，对于所示的情况，该模型导致相参数φ＝6小时。经验昼夜节律曲线74在这种情况下从针对日子d的用户的活动传感器信号(用加速度计测量的)中导出。
[0115]
得出两者之间的相关系数r(76)。为了说明实际曲线72和预期曲线74之间的单位差异，前者可以被归一化为日平均值的分数。换句话说，用于针对日子d的经验昼夜节律曲线的传感器信号的所有值除以针对日子d的平均信号值。在所示的示例中，确定相关系数为-0.86。
[0116]
在一个简单的实施例中，昼夜节律不一致性的指数ic可以被推导为等于1减去相关的绝对值，即ic＝1-|r|.。在图6所示的示例中，昼夜节律不一致性低，值为0.14。
[0117]
一旦确定了昼夜节律不一致性的量度，该方法包括使用感官输出装置来确定用于递送给用户的语言消息，该语言消息包括用于改善睡眠的推荐的用户行为，并且其中基于昼夜节律不一致性来配置推荐的用户行为和/或语言消息的一个或多个特性。
[0118]
因此，建议修改的行为推荐的两个主要维度是：所推荐的活动或行为变化；和/或睡眠习惯推荐的递送的特性，即消息的特性及其向用户的递送
[0119]
行为变化推荐的修改可以基于昼夜节律不一致性的两个方面中的一者或两者：昼夜节律不一致性指数的值和/或高于或低于特定阈值的昼夜节律不一致性时段的定时。
[0120]
现在将概述用于配置消息的推荐行为变化和/或特性的多个选项。
[0121]
首先概述用于配置推荐行为变化的多个选项。
[0122]
在最简单的示例中，基于检测到的昼夜节律不一致性和可选的一个或多个其他参数，从查找表中选择推荐的行为变化。
[0123]
查找表可以由相关的临床专家预先填充。不同的推荐可以在表中与不同的相关因素相关联。这些因素可包括但不限于用户所经历的睡眠异常、与用户的睡眠卫生有关的特性，以及可使用由用户填写的问卷来确定的其它因素。因此，可以基于用户的反馈(例如对问卷的响应)和/或基于用户的传感器数据来选择特定推荐。因此，推荐可以不单独基于测量或昼夜节律不一致性。
[0124]
作为说明，如果用户正经历入睡困难，则可以生成的一些示例性行为推荐如下：
[0125]
每天上床并同时醒来。这有助于将昼夜节律转变为与用户的就寝时间同步。
[0126]
避免在就寝前使用咖啡因、尼古丁等兴奋剂、剧烈运动等。这使得更容易平静下来和入睡。
[0127]
在就寝前限制曝光和屏幕时间。这使得更容易平静下来和入睡。
[0128]
醒来时增加曝光-使用户感觉更新鲜并将昼夜节律转换到期望的定时。
[0129]
进行诸如冥想、起搏呼吸、记日志等能平静下来的活动。如果在接近用户的就寝时间存在昼夜节律的不一致性，这意味着用户将难以入睡，则可以执行这些操作。
[0130]
除了要采用的动作或行为之外，推荐还可以包括由行为的用户推荐的开始时间，并且其中推荐的开始时间至少部分地基于所确定的昼夜节律不一致性的量度来确定。
[0131]
执行推荐动作的最佳时间根据推荐而变化。例如，如果推荐是进行冥想(以平静下来和放松)，则推荐的开始时间可以是较高的昼夜节律不一致性的时间，并且更接近用户期望的就寝时间(如用户预先配置的)，从而冥想将帮助用户平静下来睡觉。
[0132]
作为另一个示例，如果推荐是在就寝时间之前4-6小时锻炼(以调节体温)，由于这对于用户来说是更积极的活动，所以推荐的开始时间可以是较低的计算的昼夜节律不一致性的时间，同时保持在用户期望的就寝时间之前4-6小时的范围内。4-6小时的时间段是锻炼后体温降低所需的时间，因此该定时具有用户在期望的就寝时间附近感到困倦的效果。
[0133]
如上所述，至少在一些实施例中，可以实时确定昼夜节律的不一致性。因此，在任何给定时刻，可以确定该时间点的昼夜节律不一致性。结果，也可以基于实时昼夜节律不一致性来实时确定行为的推荐开始时间。例如，采用上述的示例，其中推荐的开始时间是较低的计算的昼夜节律不一致性的时间，同时保持在用户期望的就寝时间之前的4-6小时的范
围内，昼夜节律不一致性可以在就寝时间之前的4-6小时的时间窗口内被实时监测，并且当昼夜节律不一致性降到阈值以下时，行为在那时开始被推荐。
[0134]
更一般地，确定行为的推荐开始时间可以基于由临床医生预先填充的查找表的使用。查找表可以列出不同的推荐行为的不同的可能开始时间，每个推荐行为与在特定时间的不同的测量的昼夜节律不一致性水平或不同的昼夜节律不一致性模式相关联。通过查询具有测量的昼夜节律不一致性和推荐行为的表，可以获得开始的推荐时间。
[0135]
因此，昼夜节律的不一致性可以被认为是上述查找表的一个字段。例如，如果有足够的历史数据可用于患者，则系统可以确定用户在特定时间段(例如，针对日子d的时间段)内的平均昼夜节律不一致性，并且推荐的开始时间可以被设置为实际昼夜节律不一致性在平均值的预定阈值内的时间(只要它也在期望的推荐窗口内)。在另外的示例中，推荐的开始时间可以被设置为当测量的昼夜节律不一致性小于预定阈值时的时间。通过推荐在正确的时间执行该动作，可以增加用户执行该动作以及在昼夜节律周期需要调整的时间最直接地将其作为目标的可能性。
[0136]
除了配置语言消息的内容(即推荐行为)外或作为备选，该方法可以包括配置语言消息的特性，即消息递送的特性。
[0137]
根据一个或多个实施例，该方法包括至少部分地基于所确定的昼夜节律不一致性来配置语言消息的措辞。例如，传达给用户的推荐可以被修改为具有最佳的语音、情绪和复杂度。
[0138]
在一个简单的实施例中，这可以基于查找表的使用来完成。
[0139]
例如，可以通过从查找表中选择递送所述行为变化的多个预定语言消息中的一个来执行用于传达特定行为变化的语言消息的措辞的配置，并且每个语言消息具有不同的措辞。查找表中的消息措辞可以预先生成，例如手动生成(即人工生成)。
[0140]
基于昼夜节律不一致性的值，从已整理消息表中选择推荐文本的所选版本。
[0141]
根据一组备选示例，可以使用机器学习算法并基于所确定的昼夜节律不一致性来执行对消息的措辞的配置。换句话说，使用基于机器学习的自然语言生成来自动配置消息的措辞。
[0142]
该优选实施例旨在基于所计算的昼夜节律不一致性来修改为改变行为而提供的推荐的措辞。
[0143]
自然语言生成领域中的机器学习体系结构在本领域中是已知的，并且可以用于基于预先确定的各种因素来解释推荐的措辞。作为示例，根据昼夜节律的不一致性，可以将传达给用户的推荐的措辞修改为具有语音、情绪和复杂度的最佳音调。
[0144]
例如，参考以下论文：l.logeswaran,h.lee,和s.bengio,“content preserving text generation with attribute controls,”于32nd conference on neural information processing systems,2018,pp.2
–
11。这概述了一种基于诸如情绪的各种特性来修改句子的文本特性的方法。可以为不同范围的昼夜节律不一致性值设置推荐消息的最佳音调、情绪和复杂度。
[0145]
作为简要总结，用于根据昼夜节律的不一致性来修改语言消息的措辞的机器学习模型的构建和应用可以如下执行。
[0146]
预先建立机器学习模型。计算机实现的方法可以包括建立模型的附加初步阶段，
或者本发明的方法可以利用已经建立的模型。
[0147]
基于训练数据集来训练所述模型，所述训练数据集包括先前给予不同用户的消息的记录，并且所述消息具有已定义的语言特性或属性集，并且每个先前消息标记有对其给予的用户的昼夜节律不一致性的量度，以及用户对消息的依从性的量度(即，消息在改变用户行为中的成功)。坚持的量度可以是二元的，即用户遵循推荐或不遵循推荐。可以基于指示昼夜节律不一致性的量度的输入，并且优选地基于用户的一个或多个另外的特征，并且优选地基于被推荐的行为变化，训练机器学习算法，以输出使预测的坚持最大化的消息的语言特性集。
[0148]
例如，消息特性集可以包括{音调，情绪，复杂度}的向量，并且其中向量的每个元素被分配特定值(例如{软，中性，简单})。可以为训练数据集中的每个数据元素手动确定这些值，并相应地标记数据元素。
[0149]
一旦已经建立了机器学习算法，在计算机实现的方法10的执行期间，该模型可以用于基于以下项的提供(作为对模型的输入)来确定消息的语言特性：至少昼夜节律不一致性以及优选地用户的一个或多个其他特征，以及优选地推荐的行为变化。该模型可以利用根据所识别的语言特性集配置的措辞来生成要递送的语言消息。备选地，可以使用不同的模型或查找表来基于所推荐的行为变化和所确定的语言特性集来确定消息的特定措辞。
[0150]
在本发明中采用的合适的机器学习算法对于本领域技术人员来说是显而易见的。合适的机器学习算法的示例包括决策树算法和人工神经网络。诸如逻辑回归、支持向量机或自然贝叶斯模型的其它机器学习算法是合适的替换。
[0151]
人工神经网络(或简单地，神经网络)的结构受到人脑的启发。神经网络包括多个层，每个层包括多个神经元。每个神经元包括数学运算。特别地，每个神经元可以包括单一类型的变换的不同加权组合(例如，具有不同加权的相同类型的变换，s形变换等)。在处理输入数据的过程中，对输入数据执行每个神经元的数学运算以产生数字输出，并且将神经网络中的每层的输出顺序地馈送到下一层。最后一层提供输出。
[0152]
训练机器学习算法的方法是公知的。通常，这样的方法包括获得训练数据集，该训练数据集包括训练输入数据条目和对应的训练输出数据条目。将初始化的机器学习算法应用于每个输入数据条目以生成预测的输出数据条目。预测输出数据条目和对应的训练输出数据条目之间的误差用于修改机器学习算法。可以重复该过程直到误差收敛，并且预测输出数据条目与训练输出数据条目足够相似(例如
±
1％)。这通常被称为监督学习技术。
[0153]
例如，在机器学习算法由神经网络形成的情况下，可以修改每个神经元的数学运算(的权重)直到误差收敛。修改神经网络的已知方法包括梯度下降、反向传播算法等。
[0154]
为了使机器学习算法在为给定用户提供最佳消息措辞方面更准确，可以根据每个数据元素所对应的用户的各种特性或特征对用于训练模型的先前数据集进行聚类。
[0155]
作为解释，现在将概述一种使用聚类导出机器学习算法的方法。在该示例中，利用了用户群的用户数据的先前数据集。
[0156]
在至少一个实施例中，根据用户特性对数据进行聚类。在这种情况下，第一步是创建用户聚类。在优选实施例中，可以执行两级聚类。在第一级，可以基于一组不可修改的特性将k-medians聚类算法应用于作为s1，s2，...，sn基聚类的聚类用户，其中si是第i个聚类，n是预定数目的聚类。可以通过用户群的先验知识来确定n。不可修改的特性可以包括诸
如年龄、性别、种族和遗传学之类的特性。在一些实施例中，可以从数据集中自动检测不可修改特性的至少一个子集。例如，一些个性特质可以从感觉数据确定，例如指示眼睛运动模式的数据(其可以使用相机或正面电极测量)。参见例如论文：shlomo berkovsky等人.2019.detecting personality traits using eye-tracking data.in proceedings of the 2019 chi conference on human factors in computing systems(chi'19).。个性特质可以根据big-five框架沿五个维度映射(外向性、契合性、认真性、情绪稳定性和对体验的开放性)。
[0157]
对于第二级聚类，基于群体用户的一组可修改特性，高斯混合模型(gmm)可应用于每个基本聚类中的进一步聚类。所得到的聚类可以表示为c
i1
，c
i2
，...，c
im
，其中i是第i个基本级聚类，m是第i个基本级聚类内的可修改聚类的数目。
[0158]
可修改的用户特性可以包括例如以下项中的一项或多项：动机、社会支持、情绪状况和健康素养。可以基于用户对问卷问题的响应为每个用户预先确定这些特性。例如，在评估昼夜节律不一致性之前，可以向用户提供问卷，并收集他们的答案。然后可以将答案转换成对应于不同用户特性的一个或多个量化度量内的一组数据值。例如，在动机的情况下，动机可以由包括三个定量维度的度量来表示：价(其量化用户在从1到3的标度中的正面或负面态度)，期望(其量化用户可能遵循推荐的频率)和手段(其量化行为是否取决于用户、用户和其他人，或唯一地取决于其他人)。参考例如以下论文：l.mihailescu等人,“the quantification of the motivational level of the performance athletes”,procedia-social and behavioral sciences,84卷,2013,29-33页。
[0159]
gmm模型提供了优于k-median算法的许多优点，例如具有相关概率的混合隶属关系和非圆形聚类(即椭圆形)。因此，它为第二级聚类提供了更大的灵活性，并且很好地适用于在可修改的因素上用户聚类的先验知识较少的情况。利用gmm模型，将存在与每个c
ij
相关联的概率p
ij
，其中i是从1到n，j是从1到m。因此，si聚类中的用户具有属于聚类c
ij
的p
ij
概率。还可以将相同的用户分配给具有对应概率的其它第二级聚类。如果决定将用户分配给具有最大概率的第二级聚类，则该用户将仅具有一个特定的第二级聚类隶属关系。
[0160]
根据以上变化，对于第二级聚类(即可修改的特性)，可以使用分级聚集聚类(hac)算法来聚类用户。该算法通过在当算法沿分级结构向上移动时合并聚类对之前为每个聚类分配一个用户而开始。根据从基本级聚类结果导出的聚类数目的先验知识来选择聚类停止条件。该算法的优点在于不需要指定起始点处的聚类的数目，并且该算法对距离度量的选择不敏感。
[0161]
聚类可以被定义为将不可修改的用户特性的空间分割为不相交的聚类。在每个聚类中，定义了分割可修改因子空间的子聚类。该进一步的子聚类可以基于从上述用户传感器(监测)数据导出的因素。这些另外的因素可以是预定的因素或参数，其可以各自基于预定的等式或算法从用户传感器数据中提取。在本发明的上下文中，提取的有用参数是与睡眠/觉醒调节相关的参数。这些可以包括上述的昼夜节律曲线c(t)和稳态曲线s(t)。这些可以使用已知的模型如上面讨论的两过程模型导出。
[0162]
下一步包括用户偏好预测。从当前用户所属的特定聚类(或子聚类)中提取历史依从性数据。特别地，识别先前提供给相关聚类中的用户的语言消息的特性，这些特性与用户的高依从性相关联。高依从性意味着用户遵循推荐的行为变化。例如，识别语言消息的特
性，诸如音调、情绪和复杂性，其导致用户成功执行推荐行为。相关数据聚类内的不同语言消息可以根据用户在被给予消息时的昼夜节律不一致性的级别被进一步分层。这允许在以与当前用户所检测到的昼夜节律不一致性的类似水平来管理时识别具有高依从性的消息特性。由于所分析的数据是位于与当前用户相同的聚类内的用户的数据，这使得相同的语言消息特性在改变当前用户的行为方面很可能是成功的。
[0163]
以此方式，基于昼夜节律的不一致性来识别最佳语言消息特性，例如音调、情绪和复杂性。
[0164]
一旦在数据聚类中识别出具有高依从性的先前消息，就可以执行用于提取消息的相关语言特性并将它们应用于行为推荐消息以便递送给当前用户的过程。
[0165]
这样做的一种方法是使用所谓的“风格转移技术”，其在论文中描述：l.logeswaran,h.lee,和s.bengio,“content preserving text generation with attribute controls,”于32nd conference on neural information processing systems。该技术的步骤可简要总结如下：
[0166]
如上所述，识别成功改变用户行为的消息。检测消息的一个或多个语言特性(即情感或风格)。可以用这些特性预先注释消息，或者可以例如使用机器学习算法自动确定特性。
[0167]
在l.logeswaran,h.lee,和s.bengio,“content preserving text generation with attribute controls,”于32nd conference on neural information processing systems中具体详细描述的风格转移技术然后被应用于修改要被传达给当前用户的消息的语言特性(情感/风格)。
[0168]
通过进一步说明，现在将概述基于昼夜节律的不一致性来修改语言消息的语言特性的一些示例。
[0169]
基于昼夜节律不一致性指数改变推荐消息的措辞的一般示例在下表1中给出：
[0170][0171]
表1
[0172]
可以使用应用于先前收集的数据的机器学习模型来确定对应于不同昼夜节律不一致性范围或值的特定特性集，如上面详细描述的。利用所选择的特定特性集，系统可以以对应的语言风格生成期望的推荐。
[0173]
例如，在下面的表2中列出了以不同风格呈现的推荐消息的一个示例。
[0174][0175]
表2
[0176]
根据一个或多个实施例，该方法可以包括确定消息递送时间，该消息递送时间对应于消息通过感官输出装置被传达给用户的时间，并且其中消息递送时间至少部分地基于昼夜节律不一致性的量度来确定。
[0177]
作为示例，该方法可以被配置为避免在用户的昼夜节律不一致性高的时间段期间递送推荐消息。
[0178]
在这些情况下，消息递送时间可以被选择为在一天中的时刻，在该时刻针对日子d的昼夜节律不一致性低于定义的阈值。已经发现，在预期昼夜节律模式与实际昼夜节律模式之间存在高度不一致性或偏差时，受试者对推荐的反应较小，因此改善睡眠的效果较低。例如，参考以下详细描述该现象的论文：s.l.chellappa,c.j.morris,和f.a.j.l.scheer,“daily circadian misalignment impairs human cognitive performance task-dependently,”sci.rep.,vol.8,no.1,pp.1
–
11,2018年12月。
[0179]
该阈值可以是预定义的阈值，或者可以基于昼夜节律不一致性的量度值来设置。换句话说，它可以是绝对阈值或相对阈值，其被归一化为日子d的昼夜节律不一致性的值。
[0180]
如上所述，可以实时确定昼夜节律不一致性的量度。因此，在这些示例中，可以实时识别昼夜节律不一致性低于定义阈值的时间点。
[0181]
例如，图7示出了先前在图4中示出的昼夜节律曲线的示例集合。图2示出了对于第二周末日期68，在大约12：00(在圆82内的时段)，可以观察到最高水平的昼夜节律不对准。因此，该方法可以被配置为避免在该时段期间传达行为推荐。
[0182]
根据一个或多个实施例，该方法可以进一步包括在多天监测昼夜节律不一致性指数并且基于昼夜节律不一致性指数的变化来确定依从性的量度。
[0183]
可以假设依从性与昼夜节律不一致性的减少相关，即，如果用户依从推荐的行为变化，则昼夜节律不一致性下降。在一些示例中，可以基于依从性的量度来配置消息的推荐行为和/或特性。
[0184]
备选地，可以根据昼夜节律的不一致性来表征用户的依从性，以导出昼夜节律弹性的量度。用户可以根据他们的昼夜节律弹性水平任选地分组为表型。这在图8中示意性说明，图8显示了三种不同的昼夜节律弹性表型，每种表型对应于昼夜节律不一致性和依从性之间的某种相关性。昼夜节律弹性的水平可以被量化为依从性和昼夜节律不一致性之间的相关性。
[0185]
根据一个或多个实施例，该方法可以包括估计对行为变化推荐的低依从性的原
因。这可以包括选择两个或更多个可能原因中最可能的原因。
[0186]
例如，通常可能有两类主要原因无法依从行为变化推荐：(a)外在：昼夜节律与预期睡眠惯例不一致(由建议用户执行该行为时的高昼夜节律不一致性表示)或(b)内在：用户缺乏对执行推荐行为的期望或有意识的抵抗(由推荐用户执行该行为时的低昼夜节律不一致性表示)。
[0187]
因此，该方法可以包括基于检测行为被推荐执行时的昼夜节律不一致性的水平，确定用户对行为的无法依从是否是由外在因素或内在因素引起的。
[0188]
在一些示例中，该确定可以用作通知确定推荐睡眠时间表的因素。
[0189]
例如：用户不遵循推荐或目标就寝时间的原因可能是因为(a)用户由于昼夜节律不对准而不能在推荐时间入睡-指示睡眠障碍，例如睡眠时相延迟综合症(dspd)，或者是因为(b)用户仅仅不希望在推荐时间入睡。
[0190]
基于缺乏依从性的原因，可以修改进行活动的推荐时间或推荐本身。
[0191]
可以基于预先准备的查找表或基于一个或多个算法来执行特定修改。所述一个或多个算法可以包括特定于未依从的推荐行为变化的算法，并且可以基于所导出的针对用户的昼夜节律不一致性的测量来确定行为推荐修改。
[0192]
例如，在dspd的情况下，如果检测到用户没有遵循行为推荐(例如，在规定的时间上床睡觉，例如下午10点)并且在失败时昼夜节律不一致性低，则可以改变推荐的就寝时间和/或醒来时间(例如，两小时后的就寝时间和/或两小时后的醒来时间)，或者可以推荐使用光疗来更改昼夜节律周期。
[0193]
在一组实施例中，一个或多个算法可以包括一个或多个机器学习算法，其可以基于特定用户或整个用户群的历史数据而被预先训练。算法的数据输入可以包括用户提供的对主观问题的回答，以及用户传感器数据。
[0194]
上述本发明的实施例采用处理装置。处理装置通常可以包括单个处理器或多个处理器。它可以位于单个包含设备、结构或单元中，或者它可以分布在多个不同的设备、结构或单元之间。因此，对适于或被配置为执行特定步骤或任务的处理装置的引用可以对应于由多个处理组件中的任何一个或多个单独地或组合地执行的步骤或任务。本领域技术人员将理解如何实现这种分布式处理装置。处理装置包括用于接收数据并将数据输出到其它组件的通信模块或输入/输出。
[0195]
处理装置的一个或多个处理器可以用软件和/或硬件以多种方式实现，以执行所需的各种功能。处理器通常采用可使用软件(例如，微代码)编程以执行所需功能的一个或多个微处理器。处理器可以被实现为执行某些功能的专用硬件和执行其它功能的一个或多个编程微处理器和相关电路的组合。
[0196]
可在本发明的各种实施例中采用的电路装置的示例包括(但不限于)常规微处理器、专用集成电路(asic)和现场可编程门阵列(fpga)。
[0197]
在各种实现中，处理器可以与诸如易失性和非易失性计算机存储器(诸如ram、prom、eprom和eeprom)之类的一个或多个存储介质相关联。存储介质可以编码有一个或多个程序，当在一个或多个处理器和/或控制器上执行时，该程序执行所需的功能。各种存储介质可以固定在处理器或控制器内，或者可以是可递送的，使得其上存储的一个或多个程序可以加载到处理器中。
[0198]
通过研究附图、公开内容和所附权利要求，本领域技术人员在实践所要求保护的本发明时可以理解和实现所公开实施例的变型。在权利要求中，词语“包括”不排除其他元件或步骤，并且不定冠词“一”或“一个”不排除多个。
[0199]
单个处理器或其它单元可以实现权利要求中所述的若干项的功能。
[0200]
在相互不同的从属权利要求中叙述某些措施的事实并不表示不能有利地使用这些措施的组合。
[0201]
计算机程序可以存储/分布在适当的介质上，例如与其他硬件一起提供或作为其他硬件的一部分提供的光存储介质或固态介质，但是也可以以其他形式分布，例如经由因特网或其他有线或无线电信系统。
[0202]
如果在权利要求或说明书中使用术语“适于”，则应注意，术语“适于”旨在等同于术语“被配置为”。
[0203]
权利要求中的任何附图标记不应解释为限制范围。