基于穿戴式设备的睡眠状态识别方法、装置、终端及介质与流程

1.本发明属于智能设备技术领域，尤其涉及一种基于穿戴式设备的睡眠状态识别方法、装置、终端及介质。


背景技术：

2.科学睡眠有助于维持精神状态、提供对机体氧化损伤的修复、有助于认知和记忆巩固等等好处。但是目前市面上的睡眠监测方法通常需要特殊的装置（如、心电、近红外光等）才能实现睡眠监测，因此，难以最大化地实现睡眠监测的普及，而部分基于重力传感器的睡眠监测方法需要通过监测用户身体的活动频率、幅度等才能实现睡眠监测，然而，该方法考虑不够全面（如，用户躺在沙发上面看书也可以被误认为是处于睡眠状态），导致睡眠监测不够精确。


技术实现要素：

3.本发明的目的在于提供一种基于穿戴式设备的睡眠状态识别方法、装置、终端及介质，旨在解决由于现有技术对用户睡眠状态进行识别的准确率不高的问题。
4.一方面，本发明提供了一种基于穿戴式设备的睡眠状态识别方法，所述方法包括下述步骤：通过穿戴式设备中的多轴动作传感器获取预设时长内各时间点对应的用户身体动作数据；将所述用户身体动作数据划分为多个动作数据分组，所述划分得到的每个动作数据分组至多包括一个用户动作波动；对划分得到的所有动作数据分组进行特征提取，得到每个动作数据分组对应的特征值；将所有特征值输入到预先训练好的睡眠识别模型中，得到用户的睡眠状态。
5.另一方面，本发明提供了一种基于穿戴式设备的睡眠状态识别装置，所述装置包括：数据获取单元，用于通过穿戴式设备中的多轴动作传感器获取预设时长内各时间点对应的用户身体动作数据；分组划分单元，用于将所述用户身体动作数据划分为多个动作数据分组，所述划分得到的每个动作数据分组至多包括一个用户动作波动；特征提取单元，用于对划分得到的所有动作数据分组进行特征提取，得到每个动作数据分组对应的特征值；以及状态获取单元，用于将所有特征值输入到预先训练好的睡眠识别模型中，得到用户的睡眠状态。
6.另一方面，本发明还提供了一种穿戴式设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现
如上所述方法的步骤。
7.另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。
8.本发明通过穿戴式设备中的多轴动作传感器获取预设时长内各时间点对应的用户身体动作数据，将用户身体动作数据划分为多个动作数据分组，划分得到的每个动作数据分组至多包括一个用户动作波动，对划分得到的所有动作数据分组进行特征提取，得到每个动作数据分组对应的特征值，将所有特征值输入到预先训练好的睡眠识别模型中，得到用户的睡眠状态，从而提高了穿戴式设备用户的睡眠状态识别准确度。
附图说明
9.图1是本发明实施例一提供的基于穿戴式设备的睡眠状态识别方法的实现流程图；图2是本发明实施例二提供的基于穿戴式设备的睡眠状态识别方法的实现流程图；图3是本发明实施例二提供的一动作数据分组中用户身体动作数据形成的曲线示意图；图4是本发明实施例三提供的基于穿戴式设备的睡眠状态识别装置的结构示意图；以及图5是本发明实施例四提供的穿戴式设备的结构示意图。
具体实施方式
10.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
11.以下结合具体实施例对本发明的具体实现进行详细描述：实施例一：图1示出了本发明实施例一提供的基于穿戴式设备的睡眠状态识别的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：在步骤s101中，通过穿戴式设备中的多轴动作传感器获取预设时长内各时间点对应的用户身体动作数据；本发明实施例适用于具备多轴动作传感器的睡眠检测设备，优选地，适用于穿戴式设备，以便捷地对用户的睡眠状态进行检测。其中，穿戴式设备可以为智能手表、智能手环、智能衣物等，穿戴式设备中设置有多轴动作传感器，以对用户的身体动作进行检测，从而获取对应的身份动作数据。多轴动作传感器优选为重力传感器或陀螺仪，也可以是两者的结合，从而提高获取的用户身体动作数据的准确性。预设时长可以是20分钟或30分钟等预先设置的时长，即持续地获取预设时长内各个时间点对应的用户身体动作数据，当达到20分钟或30分钟时长时，即可得到该预设时长的用户身体动作数据。
12.在通过穿戴式设备中的多轴动作传感器获取预设时长内各时间点对应的用户身体动作数据时，可先获取多轴动作传感器在各个轴上的身体动作分支数据，再根据各个轴
上的身体动作分支数据，计算各时间点对应的用户身体动作数据，从而减少后续数据的处理量，简化后续的睡眠状态识别过程。
13.在步骤s102中，将用户身体动作数据划分为多个动作数据分组，划分得到的每个动作数据分组至多包括一个用户动作波动；在本发明实施例中，按照时间点依次将用户身体动作数据划分为多个动作数据分组，每个动作数据分组可以包括用户动作波动也可以不包括，包括时每个动作数据分组至多包括一个用户动作波动，以便于后续对每个动作数据分组进行特征提取，使得提取的特征值更准确。其中，用户动作波动是指在某一时间点用户出现了突然大幅度的动作，即对应的用户身体动作数据大于预设的幅度阈值。
14.在步骤s103中，对划分得到的所有动作数据分组进行特征提取，得到每个动作数据分组对应的特征值；在本发明实施例中，在将用户身体动作数据划分为多个动作数据分组后，对划分得到的所有动作数据分组进行特征提取，得到每个动作数据分组对应的特征值，以使用特征值准确地表示每个动作数据分组对应用户动作特征，以在降低输入数据的同时，提高睡眠状态的识别准确度。
15.在步骤s104中，将所有特征值输入到预先训练好的睡眠识别模型中，得到用户的睡眠状态。
16.在本发明实施例中，通过穿戴式设备中的多轴动作传感器获取预设时长内各时间点对应的用户身体动作数据，将用户身体动作数据划分为多个动作数据分组，划分得到的每个动作数据分组至多包括一个用户动作波动，对划分得到的所有动作数据分组进行特征提取，得到每个动作数据分组对应的特征值，将所有特征值输入到预先训练好的睡眠识别模型中，得到用户的睡眠状态，从而提高了穿戴式设备用户的睡眠状态识别准确度。
17.实施例二：图2示出了本发明实施例二提供的基于穿戴式设备的睡眠状态识别的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：在步骤s201中，通过穿戴式设备中的多轴动作传感器获取预设时长内各时间点对应的用户身体动作数据；本发明实施例适用于具备多轴动作传感器的睡眠检测设备，优选地，适用于穿戴式设备，以便捷地对用户的睡眠状态进行检测。其中，穿戴式设备可以为智能手表、智能手环、智能衣物等，穿戴式设备中设置有多轴动作传感器，以对用户的身体动作进行检测，从而获取对应的身份动作数据。多轴动作传感器优选为重力传感器或陀螺仪，也可以是两者的结合，从而提高获取的用户身体动作数据的准确性。预设时长可以是20分钟或30分钟等预先设置的时长，即持续地获取预设时长内各个时间点对应的用户身体动作数据，当达到20分钟或30分钟等预设时长时，即可得到该预设时长的用户身体动作数据。
18.在通过穿戴式设备中的多轴动作传感器获取预设时长内各时间点对应的用户身体动作数据时，可先获取多轴动作传感器在各个轴上的身体动作分支数据，再根据各个轴上的身体动作分支数据，计算各时间点对应的用户身体动作数据，从而简化后续的睡眠状态识别过程。
19.在步骤s202中，按照预设的划分规则对用户身体动作数据进行第一次划分，对得
到的对应多个动作数据分组进行用户动作波动检测；在本发明实施例中，在对用户身体动作数据进行第一次划分时，划分规则可以按照平均时长划分，例如，将预设时长内各时间点对应的用户身体动作数据按每5分钟划分为一组，当然，也可以按照其他划分方式进行划分，以对应得到多个动作数据分组。在对得到的对应多个动作数据分组进行用户动作波动检测时，可通过判断每个分组中相邻两个时间点对应的用户身体动作数据变化幅度是否超过预设值，确定动作数据分组中是否存在用户动作波动。优选地，对动作数据分组中相邻两个时间点对应的用户身体动作数据进行比较，当相邻两个时间点对应的用户身体动作数据满足或时，确定动作数据分组存在用户动作波动，否则不存在，其中，表示相邻两个时间点中后一时间点n对应的用户身体动作数据，表示动作数据分组中前一用户动作波动时间点到相邻两个时间点中前一时间点n-1之间所有用户身体动作数据的均值，s表示前一用户动作波动时间点到当前用户动作波动时间点n之间所有用户身体动作数据的标准差。作为示例地，如图3所示，图中示出了一动作数据分组中用户身体动作数据形成的曲线，其中，表示时间点n对应的用户身体动作数据，表示用户动作波动时间点t之后的时间点（t+1）到时间点（n-1）之间对应的所有用户身体动作数据的均值，s表示时间点（t+1）到时间点n之间所有用户身体动作数据的标准差。
20.在步骤s203中，当检测到用户动作波动时，对存在用户动作波动的动作数据分组进行第二次划分，以使再次划分得到的每个动作数据分组至多包括一个用户动作波动；在本发明实施例中，为了提高后续动作数据分组特征提取的准确性，当检测到用户动作波动时，对存在用户动作波动的动作数据分组进行第二次划分，以使再次划分得到的每个动作数据分组至多包括一个用户动作波动。例如，在将预设时长内各时间点对应的用户身体动作数据按固定时长划分为组后，若检测到动作数据分组内存在一个或多个用户动作波动时需要，对存在用户动作波动的动作数据分组进行第二次划分，以使再次划分得到的每个动作数据分组至多包括一个用户动作波动。具体地，在第二次划分时，从每个动作数据分组的起始时间点开始，按照时间顺序对用户身体动作数据逐个进行用户动作波动检测，当检测到用户动作波动时，将该时间点和其前面时间点对应的用户身体动作数据划分为一组，以此类推，直至动作数据分组中所有用户动作波动都对应划分到一个分组中，以完成对存在用户动作波动的动作数据分组的第二次划分。
21.在本发明实施例中，通过步骤s202和步骤s203将用户身体动作数据划分为多个动作数据分组，使得分组后的每个动作数据分组至多包括一个用户动作波动，以便于后续对每个动作数据分组进行特征提取，使得提取的特征值更准确。
22.在步骤s204中，对划分得到的所有动作数据分组进行特征提取，得到每个动作数据分组对应的特征值；在本发明实施例中，在将用户身体动作数据划分为多个动作数据分组后，对划分得到的所有动作数据分组进行特征提取，得到每个动作数据分组对应的特征值，以使用特征值准确地表示每个动作数据分组对应的用户动作特征，以在降低输入数据的同时，提高睡眠状态的识别准确度。
23.优选地，在对划分得到的所有动作数据分组进行特征提取时，使用公式以及分别计算每个动作数据分组的均值和标准差，之后将计算得到的均值和标准差设置为该动作数据分组对应的特征值，从而准确得获取每个动作数据分组的特征。
24.在步骤s205中，将所有特征值输入到预先训练好的睡眠识别模型中，得到用户的睡眠状态。
25.在本发明实施例中，睡眠识别模型可以机器学习模型或深度学习模型，优选地，睡眠识别模型为随机森林模型，从而提高针对睡眠状态识别的识别准确率。
26.在本发明实施例中，通过穿戴式设备中的多轴动作传感器获取预设时长内各时间点对应的用户身体动作数据，将用户身体动作数据划分为多个动作数据分组，划分得到的每个动作数据分组至多包括一个用户动作波动，对划分得到的所有动作数据分组进行特征提取，得到每个动作数据分组对应的特征值，将所有特征值输入到预先训练好的睡眠识别模型中，得到用户的睡眠状态，从而提高了穿戴式设备用户的睡眠状态识别准确度。
27.进一步地，在将所有特征值输入到预先训练好的睡眠识别模型中，得到用户的睡眠状态之前，可对预先构建的睡眠识别模型进行训练，以得到预先训练好的睡眠识别模型。具体地，获取预设时长内各时间点对应的用户身体动作数据样本以及对应的睡眠状态标签，将用户身体动作数据样本划分为多个动作数据样本分组，划分得到的每个动作数据样本分组至多包括一个用户动作波动，对划分得到的所有动作数据样本分组进行特征提取，得到每个动作数据样本分组对应的样本特征值，使用所有样本特征值及睡眠状态标签对预先构建的睡眠识别模型进行训练，以得到预先训练好的睡眠识别模型。
28.实施例三：图4示出了本发明实施例三提供的基于穿戴式设备的睡眠状态识别装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：数据获取单元41，用于通过穿戴式设备中的多轴动作传感器获取预设时长内各时间点对应的用户身体动作数据；分组划分单元42，用于将所述用户身体动作数据划分为多个动作数据分组，所述划分得到的每个动作数据分组至多包括一个用户动作波动；特征提取单元43，用于对划分得到的所有动作数据分组进行特征提取，得到每个动作数据分组对应的特征值；以及状态获取单元44，用于将所有特征值输入到预先训练好的睡眠识别模型中，得到用户的睡眠状态。
29.在本发明实施例中，睡眠状态识别装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。各单元的具体实施方式可参考前述方法实施例的描述，在此不再赘述。
30.实施例四：图5示出了本发明实施例四提供的穿戴式设备的结构，为了便于说明，仅示出了与
本发明实施例相关的部分。
31.本发明实施例的穿戴式设备5包括处理器50、存储器51以及存储在存储器51中并可在处理器50上运行的计算机程序52。该处理器50执行计算机程序52时实现上述各个基于穿戴式设备的睡眠状态识别方法实施例中的步骤，例如图1所示的步骤s101至s104。或者，处理器50执行计算机程序52时实现上述各装置实施例中各单元的功能，例如图4所示单元41至44的功能。
32.在本发明实施例中，通过穿戴式设备中的多轴动作传感器获取预设时长内各时间点对应的用户身体动作数据，将用户身体动作数据划分为多个动作数据分组，划分得到的每个动作数据分组至多包括一个用户动作波动，对划分得到的所有动作数据分组进行特征提取，得到每个动作数据分组对应的特征值，将所有特征值输入到预先训练好的睡眠识别模型中，得到用户的睡眠状态，从而提高了穿戴式设备用户的睡眠状态识别准确度。
33.本发明实施例的穿戴式设备可以为智能手表、手环等。该穿戴式设备5中处理器50执行计算机程序52时实现基于穿戴式设备的睡眠状态识别方法时实现的步骤可参考前述方法实施例的描述，在此不再赘述。
34.实施例五：在本发明实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述基于穿戴式设备的睡眠状态识别方法实施例中的步骤，例如，图1所示的步骤s101至s104。或者，该计算机程序被处理器执行时实现上述装置实施例中各单元的功能，例如图4所示单元41至44的功能。
35.在本发明实施例中，通过穿戴式设备中的多轴动作传感器获取预设时长内各时间点对应的用户身体动作数据，将用户身体动作数据划分为多个动作数据分组，划分得到的每个动作数据分组至多包括一个用户动作波动，对划分得到的所有动作数据分组进行特征提取，得到每个动作数据分组对应的特征值，将所有特征值输入到预先训练好的睡眠识别模型中，得到用户的睡眠状态，从而提高了穿戴式设备用户的睡眠状态识别准确度。
36.本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质，例如，rom/ram、磁盘、光盘、闪存等存储器。
37.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。