一种基于心理干预的助眠方法及系统与流程

本发明涉及辅助睡眠，特别涉及一种基于心理干预的助眠方法及系统。

背景技术：

1、在现代社会中，失眠问题逐渐成为影响健康和生活质量的普遍困扰，尤其是在高压、快节奏的生活环境下。失眠不仅影响了个人的身体健康，还可能导致情绪问题如焦虑、抑郁等的产生，情绪问题往往会进一步加重失眠症状，从而形成恶性循环。因此，寻找有效的助眠方法成为一些失眠患者迫切的需求。

2、助眠方法主要包括传统方法和现代技术应用。传统方法如药物治疗，并非适用于所有人，且长期使用药物可能会带来副作用。心理干预作为一种较为综合的方法，强调通过调整个体的心理状态、放松患者的精神压力来解决睡眠问题，具有一定的治疗潜力。已有的技术方案在解决失眠问题方面取得了一些进展，包括根据患者的心理状态帮助患者放松心情、精神减压从而改善睡眠。

3、然而，失眠并不是一个单一的问题，而是受多种因素影响的综合性障碍，其中不同失眠类型的患者在不同睡眠阶段所需的助眠策略不同，需要在治疗中得到更充分的考虑，已有的技术方法在针对失眠类型和不同睡眠阶段的治疗策略精细化方面存在一定的局限性，难以满足患者的个体差异。

技术实现思路

1、本发明提供了一种基于心理干预的助眠方法及系统，用于解决传统的助眠方法中，针对失眠类型和不同睡眠阶段的治疗策略精细化方面存在一定的局限，难以满足患者的个体差异的问题，本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

2、鉴于上述问题，本发明的一个目的在于提出一种基于心理干预的助眠方法及系统。

3、本发明的一个方面提供了一种基于心理干预的助眠方法，包括以下步骤：

4、步骤s100：收集患者的历史入睡时长序列和情绪文本数据；

5、所述历史入睡时长序列由以时间为顺序的多个历史入睡时长组成，所述历史入睡时长是指患者从开始入睡到进入睡眠所需的时长；

6、所述历史入睡时长的收集方法为：通过可穿戴设备或传感器床垫收集患者的历史入睡时长；

7、所述情绪文本数据包括患者的日记、聊天记录，由患者进行提供；

8、所述情绪文本数据的收集方法为：由患者记录每天的情感、想法和体验，收集患者当前的日记和聊天记录。

9、步骤s200：利用患者的历史入睡时长序列，训练获得睡眠反馈模型，预测患者的未来失眠等级nr；优选地，所述睡眠反馈模型选择神经网络模型中的循环神经网络rnn；

10、所述训练获得睡眠反馈模型的具体方法为：

11、设置预测时间步长、滑动步长以及滑动窗口长度；

12、将历史入睡时长序列使用滑动窗口方法将其转化为a个历史入睡时长训练样本，将历史入睡时长训练样本作为睡眠反馈模型的输入，睡眠反馈模型以未来预测时间步长内的未来入睡时长，根据未来入睡时长判定未来失眠等级作为输出，以预测每个历史入睡时长训练样本未来预测时间步长内的未来失眠等级作为预测目标，训练得到睡眠反馈模型；

13、所述未来失眠等级nr通过由睡眠反馈模型预测未来入睡时长，根据未来入睡时长进行判定，r＝0，1，2，3，判定标准为：

14、所述未来失眠等级nr分为正常睡眠n0、轻度失眠n1、中度失眠n2、重度失眠n3：

15、正常睡眠n0的未来入睡时长在15～29分钟；

16、轻度失眠n1的未来入睡时长在30～44分钟；

17、中度失眠n2的未来入睡时长在45～59分钟；

18、重度失眠n3的未来入睡时长超过60分钟。

19、步骤s300：利用患者的情绪文本数据训练生成情感分析模型，判断情绪文本数据的情绪类别ξ；优选地，所述情感分析模型为基于情感分析算法的神经网络模型，所述神经网络模型选用卷积神经网络cnn；

20、所述情绪类别ξ包括：抑郁y、焦虑j、亢奋k、平和p；

21、所述情感分析模型的基础模型为基于情感分析算法的神经网络模型，所述情感分析模型的训练过程为：将患者的情绪文本数据作为情感分析模型的输入数据，对于患者的情绪文本数据，判断其情绪类别ξ作为情感分析模型的输出数据；

22、将每个输入的患者的情绪文本数据的编号记为i，情绪类别的编号记为j，共有n个输入的情绪文本数据，共有m个情绪类别，yij表示第i个输入的情绪文本数据真正的情绪类别为j，pij表示情感分析模型输出的第i个情绪文本数据的情绪类别为j的概率，将准确判断情绪文本数据的情绪类别作为情感分析模型的训练目标，将收敛预测情绪类别和真实情绪类别之间的损失函数作为预测目标进行训练；

23、所述情感分析算法为：一种计算机技术，通常基于自然语言处理技术，所述自然语言处理技术通过将情绪文本数据划分为单个的词汇，将每个词汇标注其对应的情绪类别，自然语言处理技术将这些词汇和对应的情绪类别处理成计算机能够识别理解的自然语言，自动分析文本中包含的情感，识别情绪类别；所述自然语言处理技术为本领域常规技术手段，在此不做原理性赘述；

24、所述基于情感分析算法的神经网络模型是指利用已标注的情感词汇数据，将情绪文本数据输入神经网络模型，模型捕捉词汇之间的语义关系和上下文信息，计算情绪文本中各个情绪类别的情感得分，用来表示该情绪文本数据属于不同情绪类别的可能性，根据情感得分的大小，神经网络模型最终判断并输出情绪文本数据的情绪类别。

25、步骤s400：通过情绪类别和未来失眠等级确定患者的失眠类型[ξ，nr]；

26、所述失眠类型[ξ，nr]中的ξ表示情绪类别，所述情绪类别ξ包括抑郁y、焦虑j、亢奋k、平和p；nr表示未来失眠等级，所述未来失眠等级包括正常睡眠n0、轻度失眠n1、中度失眠n2、重度失眠n3。

27、步骤s500：判断患者的睡眠阶段，通过患者的失眠类型和睡眠阶段确定第一脑波音频[ξs，tx]；

28、所述判断患者的睡眠阶段的方法为：

29、收集患者大脑的睡眠特征数据，所述睡眠特征数据包括α波频率、β波频率、θ波频率，通过eeg设备进行收集；

30、当收集到β波时，患者处于第一睡眠阶段，大脑在清醒期，所述β波频率≥13hz；

31、当收集到α波时，患者处于第二睡眠阶段，大脑在平静期，所述8hz≤α波频率<13hz；

32、当收集到θ波时，患者处于第三睡眠阶段，大脑在入睡期，所述4hz≤θ波频率<8hz；

33、所述第一脑波音频[ξs，tx]包含在第一脑波音频集，ξ表示第一脑波音频集中的情绪类别，ξ＝y，j，k，p；s表示睡眠阶段，ξs表示在第s睡眠阶段为患者播放ξ型脑波音频集中的ξs脑波音频，s＝1，2，3；tx为脑波音频时长，表示为患者播放第一脑波音频的时长，可变量x＝1，2，3，所述第一脑波音频集包括：

34、y型脑波音频集，用于治疗抑郁型失眠，包括：y1脑波音频，y2脑波音频，y3脑波音频；

35、j型脑波音频集，用于治疗焦虑型失眠，包括：j1脑波音频，j2脑波音频，j3脑波音频；

36、k型脑波音频集，用于治疗亢奋型失眠，包括：k1，用于在患者第三睡眠阶段播放；

37、p型脑波音频集，用于治疗平和型失眠，包括：p1脑波音频，p2脑波音频，p3脑波音频；

38、所述通过患者的失眠类型和睡眠阶段确定第一脑波音频[ξs，tx]的方法为：

39、步骤s510：通过患者的失眠类型[ξ，nr]中的情绪类别ξ为患者确定ξ型脑波音频集；

40、步骤s520：通过失眠等级nr为患者匹配脑波音频时长tx；

41、所述通过失眠等级nr为患者匹配脑波音频时长tx的方法为：

42、脑波音频时长为t1，用于治疗轻度失眠n1；

43、脑波音频时长为t2，用于治疗中度失眠n2；

44、脑波音频时长为t3，用于治疗重度失眠n3；

45、步骤s530：通过对患者的不同睡眠阶段进行判断，根据患者的不同睡眠阶段为患者匹配ξ型脑波音频集中所述睡眠阶段s的ξs脑波音频；

46、步骤s540：结合脑波音频时长tx和ξs脑波音频得到患者的第一脑波音频[ξs，tx]。

47、本发明的另一方面提供了一种基于心理干预的助眠系统，包括：

48、数据收集模块，用于收集患者的历史入睡时长序列和情绪文本数据；

49、睡眠反馈模型模块，用于利用患者的历史入睡时长序列，训练获得睡眠反馈模型，预测患者的未来失眠等级nr；

50、情感分析模型模块，用于利用患者的情绪文本数据训练生成情感分析模型，判断情绪文本数据的情绪类别ξ；

51、失眠类型判定模块，用于通过情绪类别和未来失眠等级确定患者的失眠类型[ξ，nr]；

52、第一脑波音频模块，用于判断患者的睡眠阶段，通过失眠类型和睡眠阶段确定第一脑波音频[ξs，tx]。

53、本发明中提供的一个或多个技术方案，至少具有以下技术效果或优点：

54、本发明提供的一种基于心理干预的助眠方法，涉及辅助睡眠技术领域，通过收集患者的历史入睡时长序列和情绪文本数据，利用患者的历史入睡时长序列，训练获得睡眠反馈模型，预测患者的未来失眠等级，利用患者的情绪文本数据训练生成情感分析模型，判断情绪文本数据的情绪类别，通过情绪类别和未来失眠等级确定患者的失眠类型，判断患者的睡眠阶段，通过患者的失眠类型和睡眠阶段确定第一脑波音频，解决了传统的助眠方法中，针对失眠类型和不同睡眠阶段的精细化治疗的局限，对不同失眠类型的患者的不同睡眠阶段制定更具有针对性的助眠策略。