睡眠预测模型训练方法、睡眠状况预测方法及相关装置与流程

1.本技术涉及信息处理技术领域，具体而言，涉及一种睡眠预测模型训练方法、睡眠状况预测方法及相关装置。


背景技术：

2.随着科学技术及现代社会的不断发展，人们生活节奏逐渐加快，现代人们在工作及生活等各方面的压力越来越大，现代人们睡眠状况也逐渐受到影响，同时也因睡眠能够对体力、精力的恢复、免疫功能以及记忆的巩固和再整合等生理功能产生重要促进效果，睡眠问题便成为当前社会日益关注的重要问题。而对睡眠问题来说，确定人们睡后的各种睡眠状态(例如，浅睡眠状态、深睡眠状态及快速眼球运动(rapid eyes movement，rem)睡眠状态)的具体分布状况通常是了解睡眠问题严重程度的先决条件。
3.目前，现有睡眠状态确认方案大多通过实时监测人体的身体移动和/或呼吸运动相关的数据信号(例如，实时监测设备与人体之间的检测距离、人体呼吸率、人体心率等)，利用预设的睡眠状态识别规则对监测到的数据信号进行识别判断，从而识别出各种睡眠状态的具体分布状况。值得注意的是，这种睡眠状态确认方案受限于人体数据实时监测操作、人体数据监测种类以及睡眠状态识别规则的规则完善程度和规则通用程度，通常不具有较强的实施普及性、实施便捷性以及确认准确度。


技术实现要素：

4.有鉴于此，本技术的目的在于提供一种睡眠预测模型训练方法及装置、睡眠状况预测方法及装置、计算机设备和可读存储介质，能够训练出可直接利用睡前人体磁场信号数据精准预测人体睡后特定睡眠状态的具体分布状况的睡眠状况预测模型，以通过训练出的睡眠状况预测模型有效提升睡眠状态确认操作的实施普及性、实施便捷性及确认准确度。
5.为了实现上述目的，本技术实施例采用的技术方案如下：
6.第一方面，本技术提供一种睡眠预测模型训练方法，所述训练方法包括：
7.获取多个睡眠检测样本，其中每个睡眠检测样本包括对应检测人员在睡前的人体微弱磁场信号数据及该检测人员在睡后的至少一种睡眠状态各自的睡眠指标数据，所述睡眠指标数据包括对应睡眠状态的进入时间点及持续时长；
8.对所述多个睡眠检测样本进行样本去噪处理，得到多个模型训练样本；
9.基于所述多个模型训练样本按照预存的预测结果发散约束条件进行回归神经网络模型训练，得到满足所述预测结果发散约束条件且最小化预测误差的目标睡眠状况预测模型。
10.在可选的实施方式中，所述对所述多个睡眠检测样本进行样本去噪处理，得到多个模型训练样本的步骤，包括：
11.针对每个睡眠检测样本，以该睡眠检测样本作为聚类核心进行样本聚类处理，得
到与该睡眠检测样本归属于同一类别的有效聚类样本；
12.检测所述有效聚类样本的样本数目是否超过预设的有效样本数目阈值；
13.在检测到所述有效聚类样本的样本数目超过所述有效样本数目阈值的情况下，将该睡眠检测样本作为一个模型训练样本；
14.在检测到所述有效聚类样本的样本数目不超过所述有效样本数目阈值的情况下，将该睡眠检测样本作为噪声样本进行剔除。
15.在可选的实施方式中，所述基于所述多个模型训练样本按照预存的预测结果发散约束条件进行回归神经网络模型训练，得到满足所述预测结果发散约束条件且最小化预测误差的目标睡眠状况预测模型的步骤，包括：
16.按照预设样本集数目对所述多个模型训练样本进行样本集划分处理，得到最小化所有样本集各自的睡眠指标数据差异值之和的样本集划分结果；
17.针对每个模型训练样本，根据所述样本集划分结果利用极端梯度提升算法执行预设迭代次数地预测模型迭代处理，得到与该模型训练样本匹配的满足所述预测结果发散约束条件且最小化预测误差的目标预测模型；
18.对所述多个模型训练样本各自的目标预测模型进行模型集成整理，得到所述目标睡眠状况预测模型。
19.在可选的实施方式中，所述按照预设样本集数目对所述多个模型训练样本进行样本集划分处理，得到最小化所有样本集各自的睡眠指标数据差异值之和的样本集划分结果的步骤，包括：
20.针对每种睡眠状态，按照所述预设样本集数目在所述多个模型训练样本中随机抽取所述预设样本集数目减一个样本集分隔节点；
21.按照抽取到的样本集分隔节点将所述多个模型训练样本划分为多个样本集，并计算每个样本集内所有模型训练样本的与该种睡眠状态对应的睡眠指标数据相对于睡眠指标均值数据的离差平方和，得到每个样本集的睡眠指标数据差异值；
22.检测所有样本集各自的睡眠指标数据差异值之和是否达到最小值状态；
23.若检测到所述睡眠指标数据差异值之和未达到最小值状态，则跳转到上述按照所述预设样本集数目在所述多个模型训练样本中随机抽取所述预设样本集数目减一个样本集分隔节点的步骤继续执行；
24.若检测到所述睡眠指标数据差异值之和达到最小值状态，则直接将当前划分出的多个样本集作为与该种睡眠状态对应的样本集划分结果。
25.在可选的实施方式中，所述针对每个模型训练样本，根据所述样本集划分结果利用极端梯度提升算法执行预设迭代次数地预测模型迭代处理，得到与该模型训练样本匹配的满足所述预测结果发散约束条件且最小化预测误差的目标预测模型的步骤，包括：
26.在针对所述多个模型训练样本执行的每次预测模型迭代过程中，分别针对每种睡眠状态单独构建与极端梯度提升算法对应的涉及各模型训练样本在上一次预测模型迭代得到的历史睡眠预测模型的目标预测误差函数；
27.以最小化所述目标预测误差函数为优化目的，按照所述预测结果发散约束条件所包括的一阶梯度约束条件及二阶梯度约束条件，利用该种睡眠状态的样本集划分结果针对各模型训练样本分别构建一个睡眠预测函数；
28.针对每个模型训练样本，将与该模型训练样本对应的睡眠预测函数和历史预测模型进行叠加处理，得到该模型训练样本在本次预测模型迭代得到的与该种睡眠状态对应的实际睡眠预测模型。
29.在可选的实施方式中，所述训练方法还包括：
30.在所述目标睡眠状况预测模型的模型训练过程中，基于不同模型训练样本的人体微弱磁场信号数据与对应至少一种睡眠状态各自的睡眠指标数据之间的映射关系，训练所述目标睡眠状况预测模型针对所述至少一种睡眠状态的磁场信号特征影响度识别功能；
31.获取多个睡眠校验样本，并调用所述目标睡眠状况预测模型对所述多个睡眠校验样本包括的睡前的人体微弱磁场信号数据进行睡眠状况预测，得到每个睡眠校验样本所对应的睡眠状况预测结果；
32.根据多个睡眠校验样本各自包括的睡后的至少一种睡眠状态的睡眠指标数据与对应睡眠状况预测结果，计算所述目标睡眠状况预测模型的预测准确率；
33.检测所述预测准确率是否超过预设准确率阈值，并在所述预测准确率未超过所述预设准确率阈值的情况下，调整所述目标睡眠状况预测模型的模型参数，而后返回上述获取多个睡眠校验样本的步骤继续执行。
34.第二方面，本技术提供一种睡眠状况预测方法，所述预测方法包括：
35.获取目标人员的睡前人体微弱磁场信号数据；
36.调用目标睡眠状况预测模型对所述睡前人体微弱磁场信号数据进行睡眠状况预测处理，得到所述目标人员的与该目标睡眠状况预测模型对应的至少一种睡眠状态的睡眠指标预测数据，其中所述目标睡眠状况预测模型利用前述实施方式中任意一项所述的睡眠预测模型训练方法训练得到。
37.在可选的实施方式中，所述预测方法还包括：
38.对所述目标睡眠状况预测模型识别出的所述睡前人体微弱磁场信号数据包括的各项磁场信号特征针对所述至少一种睡眠状态的特征影响度进行展示。
39.第三方面，本技术提供一种睡眠预测模型训练装置，所述训练装置包括：
40.样本获取模块，用于获取多个睡眠检测样本，其中每个睡眠检测样本包括对应检测人员在睡前的人体微弱磁场信号数据及该检测人员在睡后的至少一种睡眠状态各自的睡眠指标数据，所述睡眠指标数据包括对应睡眠状态的进入时间点及持续时长；
41.样本去噪模块，用于对所述多个睡眠检测样本进行样本去噪处理，得到多个模型训练样本；
42.模型训练模块，用于基于所述多个模型训练样本按照预存的预测结果发散约束条件进行回归神经网络模型训练，得到满足所述预测结果发散约束条件且最小化预测误差的目标睡眠状况预测模型。
43.在可选的实施方式中，所述训练装置还包括模型校验模块、预测评估模块及模型调参模块；
44.所述模型训练模块，还用于在所述目标睡眠状况预测模型的模型训练过程中，基于不同模型训练样本的人体微弱磁场信号数据与对应至少一种睡眠状态各自的睡眠指标数据之间的映射关系，训练所述目标睡眠状况预测模型针对所述至少一种睡眠状态的磁场信号特征影响度识别功能；
45.所述模型校验模块，用于获取多个睡眠校验样本，并调用所述目标睡眠状况预测模型对所述多个睡眠校验样本包括的睡前的人体微弱磁场信号数据进行睡眠状况预测，得到每个睡眠校验样本所对应的睡眠状况预测结果；
46.所述预测评估模块，用于根据多个睡眠校验样本各自包括的睡后的至少一种睡眠状态的睡眠指标数据与对应睡眠状况预测结果，计算所述目标睡眠状况预测模型的预测准确率；
47.所述模型调参模块，用于检测所述预测准确率是否超过预设准确率阈值，并在所述预测准确率未超过所述预设准确率阈值的情况下，调整所述目标睡眠状况预测模型的模型参数，而后驱动所述模型校验模块和所述预测评估模块分别继续运行。
48.第四方面，本技术提供一种睡眠状况预测装置，所述预测装置包括：
49.磁场获取模块，用于获取目标人员的睡前人体微弱磁场信号数据；
50.睡眠预测模块，用于调用目标睡眠状况预测模型对所述睡前人体微弱磁场信号数据进行睡眠状况预测处理，得到所述目标人员的与该目标睡眠状况预测模型对应的至少一种睡眠状态的睡眠指标预测数据，其中所述目标睡眠状况预测模型利用前述实施方式中任意一项所述的睡眠预测模型训练方法训练得到。
51.在可选的实施方式中，所述预测装置还包括：
52.影响展示模块，用于对所述目标睡眠状况预测模型识别出的所述睡前人体微弱磁场信号数据包括的各项磁场信号特征针对所述至少一种睡眠状态的特征影响度进行展示。
53.第五方面，本技术提供一种计算机设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机程序，所述处理器可执行所述计算机程序，以实现前述实施方式中任意一项所述的睡眠预测模型训练方法或者前述实施方式所述的睡眠状况预测方法。
54.第六方面，本技术提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现前述实施方式中任意一项所述的睡眠预测模型训练方法或者前述实施方式所述的睡眠状况预测方法。
55.在此情况下，本技术实施例的有益效果包括以下内容：
56.本技术通过获取多个由检测人员在睡前的人体微弱磁场信号数据及该检测人员在睡后的至少一种睡眠状态各自的睡眠指标数据组成的睡眠检测样本，并对这多个睡眠检测样本进行样本去噪处理，得到多个模型训练样本，而后基于多个模型训练样本按照预存的预测结果发散约束条件进行回归神经网络模型训练，得到满足预测结果发散约束条件且最小化预测误差的目标睡眠状况预测模型，使该目标睡眠状况预测模型能够直接利用睡前人体磁场信号数据精准预测人体睡后特定睡眠状态的具体分布状况，从而有效提升后续睡眠状态确认操作的实施普及性、实施便捷性及确认准确度。
57.为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
58.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对
范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
59.图1为本技术实施例提供的计算机设备的组成示意图；
60.图2为本技术实施例提供的睡眠预测模型训练方法的流程示意图之一；
61.图3为图2中的步骤s320包括的子步骤的流程示意图；
62.图4为图2中的步骤s330包括的子步骤的流程示意图；
63.图5为本技术实施例提供的睡眠预测模型训练方法的流程示意图之二；
64.图6为本技术实施例提供的睡眠状况预测方法的流程示意图；
65.图7为本技术实施例提供的睡眠预测模型训练装置的组成示意图；
66.图8为本技术实施例提供的睡眠状况预测装置的组成示意图。
67.图标：10-计算机设备；11-存储器；12-处理器；13-通信单元；100-睡眠预测模型训练装置；110-样本获取模块；120-样本去噪模块；130-模型训练模块；140-模型校验模块；150-预测评估模块；160-模型调参模块；200-睡眠状况预测装置；210-磁场获取模块；220-睡眠预测模块；230-影响展示模块。
具体实施方式
68.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
69.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
70.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
71.在本技术的描述中，需要理解的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
72.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互结合。
73.请参照图1，图1是本技术实施例提供的计算机设备10的组成示意图。在本技术实施例中，所述计算机设备10能够训练出可直接利用睡前人体磁场信号数据精准预测人体睡后特定睡眠状态的具体分布状况的睡眠状况预测模型，和/或利用训练出的睡眠状况预测
模型针对使用人员实现高精准度且高便捷的睡眠状态确认操作，避免现有睡眠状态确认方案存在的人体数据实时监测操作及睡眠状态识别规则限制问题，以有效提升睡眠状态确认操作的实施普及性、实施便捷性及确认准确度。其中，所述特定睡眠状态为浅睡眠状态、深睡眠状态及快速眼球运动睡眠状态等多种睡眠状态中的任意一种或多种组合；所述计算机设备可以是，但不限于，个人计算机、平板电脑、智能手机、服务器、笔记本电脑等。
74.在本技术实施例中，所述计算机设备10可以包括存储器11、处理器12及通信单元13。其中，所述存储器11、所述处理器12及所述通信单元13各个元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，所述存储器11、所述处理器12及所述通信单元13这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
75.在本技术实施例中，所述存储器11可以是，但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。其中，所述存储器11用于存储计算机程序，所述处理器12在接收到执行指令后，可相应地执行所述计算机程序。
76.在本实施例中，所述处理器12可以是一种具有信号的处理能力的集成电路芯片。所述处理器12可以是通用处理器，包括中央处理器(central processing unit，cpu)、图形处理器(graphics processing unit，gpu)及网络处理器(network processor，np)、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件中的至少一种。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。
77.在本实施例中，所述通信单元13用于通过网络建立所述计算机设备10与其他电子设备之间的通信连接，并通过所述网络收发数据，其中所述网络包括有线通信网络及无线通信网络。例如，所述计算机设备10可以通过所述通信单元13与服务器通信连接，以获取所述服务器存储的不同检测人员在特定环境(例如，实验室环境或实际居家环境)下睡着前的人体微弱磁场信号数据以及睡着后的人体睡眠检测数据，并基于获取到的相关数据进行模型训练。其中，所述人体微弱磁场信号数据包括对应人体在不同身体部位(例如，头部、腿部、手部、肾脏部位等)处的磁场信号特征，所述人体微弱磁场信号数据可基于人体体表微弱磁场信号采集仪采集得到；所述人体睡眠检测数据包括对应人体睡着后处于不同睡眠状态时的实际睡眠指标数据，所述人体睡眠检测数据可利用睡眠脑电图技术采集得到，所述实际睡眠指标数据包括对应睡眠状态的进入时间点及持续时长，所述进入时间点用于表示同一人体进入到对应睡眠状态的真实产生时刻与人体微弱磁场信号数据的采集时间点之间的相对时间点(例如，人体微弱磁场信号数据的采集时间点为晚上23:00，浅睡眠状态的真实产生时刻为第二天凌晨01：00，则浅睡眠状态所对应的进入时间点即为02:00)。在本实施例的一种实施方式中，所述人体微弱磁场信号数据所对应的各项磁场信号特征采用对应身体部位的人体微弱磁场信号强度进行表达。
78.可选地，在本技术实施例中，所述计算机设备10还可以包括睡眠预测模型训练装置100，所述睡眠预测模型训练装置100可以包括至少一个能够以软件或固件的形式存储于
所述存储器11中或者固化在所述计算机设备10的操作系统中的软件功能模块。所述处理器12可用于执行所述存储器11存储的可执行模块，例如所述睡眠预测模型训练装置100所包括的软件功能模块及计算机程序等。所述计算机设备10可以通过所述睡眠预测模型训练装置100训练出可直接利用睡前人体磁场信号数据精准预测人体睡后特定睡眠状态的具体分布状况的睡眠状况预测模型，以通过训练出的睡眠状况预测模型有效提升睡眠状态确认操作的实施普及性、实施便捷性及确认准确度。
79.可选地，在本技术实施例中，所述计算机设备10还可以包括睡眠状况预测装置200，所述睡眠状况预测装置200可以包括至少一个能够以软件或固件的形式存储于所述存储器11中或者固化在所述计算机设备10的操作系统中的软件功能模块。所述处理器12可用于执行所述存储器11存储的可执行模块，例如所述睡眠状况预测装置200所包括的软件功能模块及计算机程序等。所述计算机设备10可以通过所述睡眠状况预测装置200利用训练出的睡眠状况预测模型针对使用人员实现高精准度且高便捷的睡眠状态确认操作，避免现有睡眠状态确认方案存在的人体数据实时监测操作及睡眠状态识别规则限制问题，以有效提升睡眠状态确认操作的实施普及性、实施便捷性及确认准确度。
80.可以理解的是，图1所示的框图仅为所述计算机设备10的一种组成示意图，所述计算机设备10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
81.在本技术中，为确保所述计算机设备10能够训练出可直接利用睡前人体磁场信号数据精准预测人体睡后特定睡眠状态的具体分布状况的睡眠状况预测模型，本技术实施例提供一种睡眠预测模型训练方法实现前述目的。下面对本技术提供的睡眠预测模型训练方法进行详细描述。
82.请参照图2，图2是本技术实施例提供的睡眠预测模型训练方法的流程示意图之一。在本技术实施例中，所述睡眠预测模型训练方法可以包括步骤s310～步骤s330。
83.步骤s310，获取多个睡眠检测样本，其中每个睡眠检测样本包括对应检测人员在睡前的人体微弱磁场信号数据及该检测人员在睡后的至少一种睡眠状态各自的睡眠指标数据。
84.在本实施例中，所述计算机设备10可通过通信单元13从服务器处获取多组睡眠相关数据，其中每组睡眠相关数据包括对应检测人员在睡前的人体微弱磁场信号数据及该检测人员在睡后的人体睡眠检测数据，而后由所述计算机设备10针对每组睡眠相关数据提取至少一种睡眠状态各自的睡眠指标数据，而后基于提取出的睡眠指标数据配合对应检测人员在睡前的人体微弱磁场信号数据构建得到多个睡眠检测样本，使每个睡眠检测样本包括对应检测人员在睡前的人体微弱磁场信号数据及该检测人员在睡后的至少一种睡眠状态各自的睡眠指标数据，所述睡眠指标数据包括对应睡眠状态的进入时间点及持续时长。
85.值得注意的是，所述服务器处存储的至少部分睡眠相关数据可以涉及实验室环境，也可以涉及实际居家环境；所述计算机设备10处获取到的多个睡眠检测样本可以全部涉及实验室环境，也可以部分涉及实验室环境，也可以全部涉及实际居家环境。对单个睡眠检测样本来说，可对该睡眠检测样本内空缺数据内容进行零值填充，得到完整的睡眠检测样本。
86.其中，对涉及实验室环境的睡眠相关数据来说，可通过确保检测人员当日禁服影
响睡眠的药物和饮料，并使该检测人员在晚上19:00之前进入到实验室环境中，而后摘除身上佩戴的所有金属和能量物品(例如，眼镜、手机、首饰、钥匙、手镯、手环等接触皮肤的金属物品)，接着在该检测人员准备就绪后，开始利用人体体表微弱磁场信号采集仪采集该检测人员在睡前的人体微弱磁场信号，以及利用睡眠脑电图技术采集该检测人员在睡后的人体睡眠检测数据。
87.在本实施例的一种实施方式中，所述计算机设备10获取到的多个睡眠检测样本所对应的至少一种睡眠状态可以仅包括浅睡眠状态。
88.步骤s320，对多个睡眠检测样本进行样本去噪处理，得到多个模型训练样本。
89.在本实施例中，所述计算机设备10在得到多个睡眠检测样本后，为剔除睡眠指标数据和人体微弱磁场信号数据在采集过程中因采集环境所带来的干扰影响，所述计算机设备10将会对所述多个睡眠检测样本分别进行噪声样本识别，而后去除被识别为噪声样本的睡眠检测样本，以将未被去除的每个睡眠检测样本作为实际有效的模型训练样本。
90.可选地，请参照图3，图3是图2中的步骤s320包括的子步骤的流程示意图。在本技术实施例中，所述步骤s320可以包括子步骤s321～子步骤s324，以利用聚类算法精准识别出多个睡眠检测样本中的噪声样本，并基于识别出的噪声样本实现样本去噪效果。
91.子步骤s321，针对每个睡眠检测样本，以该睡眠检测样本作为聚类核心进行样本聚类处理，得到与该睡眠检测样本归属于同一类别的有效聚类样本。
92.在本实施例中，所述计算机设备10可利用dbscan(density-based spatial clustering of applications with noise，基于密度的带噪应用空间聚类)算法、k-means算法等聚类算法，分别针对每个睡眠检测样本，将该睡眠检测样本作为聚类核心地对当前所有睡眠检测样本进行样本聚类处理，以确定当前作为聚类核心的睡眠检测样本所在类别下的所有睡眠检测样本，此时当前聚类核心所对应的类别下的所有睡眠检测样本均可充当该类别的一个有效聚类样本。
93.在本实施例的一种实施方式中，为提升样本去噪操作的准确性，所述计算机设备10可采用dbscan算法计算当前聚类核心所对应的睡眠检测样本与其他每个睡眠检测样本之间的欧式距离，并按照预设距离阈值筛选出对应欧式距离不超过所述预设距离阈值的所有睡眠检测样本，而后将作为当前聚类核心的睡眠检测样本配合筛选出的所有睡眠检测样本，分别作为当前聚类核心所对应的类别下的一个有效聚类样本。
94.子步骤s322，检测有效聚类样本的样本数目是否超过预设的有效样本数目阈值。
95.在本实施例中，所述计算机设备10在确定当前聚类核心所对应的类别下的所有有效聚类样本后，可通过将该类别所涉及的有效聚类样本的样本数目与预设的有效样本数目阈值进行比较，以确定该类别是否属于噪声类别。其中，若该类别所涉及的有效聚类样本的样本数目不超过所述有效样本数目阈值，即表明该类别所对应的有效聚类样本与无噪声干扰且真实有效的睡眠检测样本在特征空间内存在明显分布差异，此时该类别可被视为噪声类别，所述计算机设备10将对应执行子步骤s324；若该类别所涉及的有效聚类样本的样本数目超过所述有效样本数目阈值，即表明该类别所对应的有效聚类样本与无噪声干扰且真实有效的睡眠检测样本在特征空间内极为接近，此时该类别可被视为无干扰睡眠检测类别，所述计算机设备10将对应执行子步骤s323。
96.子步骤s323，在检测到有效聚类样本的样本数目超过有效样本数目阈值的情况
下，将该睡眠检测样本作为一个模型训练样本。
97.子步骤s324，在检测到有效聚类样本的样本数目不超过有效样本数目阈值的情况下，将该睡眠检测样本作为噪声样本进行剔除。
98.在本实施例中，若当前聚类核心所对应的类别下的有效聚类样本的样本数目不超过所述有效样本数目阈值，即表明该类别被视为噪声类别，作为当前聚类核心的睡眠检测样本即可作为噪声样本被剔除掉；若当前聚类核心所对应的类别下的有效聚类样本的样本数目超过所述有效样本数目阈值，即表明该类别被视为无干扰睡眠检测类别，作为当前聚类核心的睡眠检测样本即可作为模型训练样本进行保留。
99.由此，本技术可通过执行上述子步骤s321～子步骤s324，利用聚类算法精准识别出多个睡眠检测样本中的噪声样本，并基于识别出的噪声样本实现样本去噪效果。
100.步骤s330，基于多个模型训练样本按照预存的预测结果发散约束条件进行回归神经网络模型训练，得到满足预测结果发散约束条件且最小化预测误差的目标睡眠状况预测模型。
101.在本实施例中，所述预测结果发散约束条件用于表示目标睡眠状况预测模型利用睡前人体微弱磁场信号数据预测对应人员睡后的至少一种睡眠状态各自的睡眠指标数据时的具体预测结果在值域范围内发散的具体约束规则，以避免出现具体预测结果在值域范围内发散过度问题，提高所述目标睡眠状况预测模型的预测准确率。所述预测误差可以包括预测结果与真实结果之间的预测结果误差以及睡眠指标预测过程的预测拟合误差，所述计算机设备10可基于xgboost(extreme gradient boosting，极端梯度提升)算法、随机森林算法等回归算法进行回归神经网络模型训练操作，以训练得到能够利用睡前人体磁场信号数据精准预测人体睡后特定睡眠状态的具体分布状况的目标睡眠状况预测模型。
102.可选地，请参照图4，图4是图2中的步骤s330包括的子步骤的流程示意图。在本技术实施例中，为提高所述目标睡眠状况预测模型的预测精准性，所述步骤s330可以包括子步骤s331～子步骤s333，以利用极端梯度提升(xgboost)算法训练出具有高预测精准性的目标睡眠状况预测模型。
103.子步骤s331，按照预设样本集数目对多个模型训练样本进行样本集划分处理，得到最小化所有样本集各自的睡眠指标数据差异值之和的样本集划分结果。
104.在本实施例中，所述计算机设备10在进行样本集划分处理时会针对每种睡眠状态单独构建一个样本集划分结果，使对应睡眠状态的样本集划分结果能够确保划分出的所有样本集各自的与该睡眠状态对应的睡眠指标数据差异值之和达到最小值状态，确保该睡眠状态所对应的每个样本集下的所有模型训练样本各自的与该睡眠状态对应的睡眠指标数据之间的特征差异性状况(即睡眠指标数据差异值)不大，此时该睡眠状态所对应的每个样本集均代表该睡眠状态的一种常规分布状况。
105.其中，可以理解的是，若单个模型训练样本涉及多种睡眠状态，则该模型训练样本可以分别被划分到不同睡眠状态各自对应的某个样本集中，以在对应样本集中仅有效表现所属睡眠状态的具体睡眠指标数据。
106.在本实施例的一种实施方式中，所述按照预设样本集数目对多个模型训练样本进行样本集划分处理，得到最小化所有样本集各自的睡眠指标数据差异值之和的样本集划分结果的步骤，可以包括：
107.针对每种睡眠状态，按照预设样本集数目在多个模型训练样本中随机抽取预设样本集数目减一个样本集分隔节点；
108.按照抽取到的样本集分隔节点将多个模型训练样本划分为多个样本集，并计算每个样本集内所有模型训练样本的与该种睡眠状态对应的睡眠指标数据相对于睡眠指标均值数据的离差平方和，得到每个样本集的睡眠指标数据差异值；
109.检测所有样本集各自的睡眠指标数据差异值之和是否达到最小值状态；
110.若检测到睡眠指标数据差异值之和未达到最小值状态，则跳转到上述按照预设样本集数目在多个模型训练样本中随机抽取预设样本集数目减一个样本集分隔节点的步骤继续执行；
111.若检测到睡眠指标数据差异值之和达到最小值状态，则直接将当前划分出的多个样本集作为与该种睡眠状态对应的样本集划分结果。
112.在此过程中，所述预设样本集数目大于或等于2，所述样本集分隔节点的节点总数目与所述预设样本集数目之间的差值为1；对某种睡眠状态所对应的单个样本集而言，该样本集的与该种睡眠状态对应的睡眠指标均值数据即为该样本集内所有模型训练样本的与该种睡眠状态对应的睡眠指标数据之间的均值。
113.以针对浅睡眠状态的预设样本集数目为2的样本集划分操作为例进行举例说明：从多个模型训练样本中随机抽取一个模型训练样本作为样本集分隔节点，将所述多个模型训练样本划分为两个样本集，而后针对划分出的两个样本集分别计算与浅睡眠状态对应的睡眠指标均值数据，接着针对划分出的两个样本集分别计算与浅睡眠状态对应的睡眠指标数据差异值，并基于两个样本集各自的与浅睡眠状态对应的睡眠指标数据差异值之和，判断当前选取的样本集分隔节点是否确保与浅睡眠状态对应的睡眠指标数据差异值之和达到最小值状态，并在无法确保与浅睡眠状态对应的睡眠指标数据差异值之和达到最小值状态时，重复执行上述样本集分隔节点选取操作，直至最终选取到的样本集分隔节点能够确保与浅睡眠状态对应的睡眠指标数据差异值之和达到最小值状态，此时与所述最终选取到的样本集分隔节点对应的两个样本集即为浅睡眠状态的样本集划分结果，从而确保划分出的两个样本集均能代表浅睡眠状态的一种常规分布状况。
114.子步骤s332，针对每个模型训练样本，根据样本集划分结果利用极端梯度提升算法执行预设迭代次数地预测模型迭代处理，得到与该模型训练样本匹配的满足预测结果发散约束条件且最小化预测误差的目标预测模型。
115.在本实施例中，所述极端梯度提升(xgboost)算法在实际应用过程中针对多个模型训练样本构建的目标预测模型可采用如下式子进行表示：
[0116][0117]
其中，xi用于表示第i个模型训练样本中的人体微弱磁场信号数据，用于表示第i个模型训练样本的与第j种睡眠状态对应的第t次预测模型迭代得到的预测模型，用于表示第i个模型训练样本的与第j种睡眠状态对应的第t-1次预测模型迭代得到的预测模型，用于表示第t次预测模型迭代得到的针对第i个模型训练样本的与第j种睡眠状
态对应的睡眠预测函数。
[0118]
所述极端梯度提升(xgboost)算法在每次预测模型迭代过程中针对单个模型训练样本的预测结果误差可采用如下式子进行表示：
[0119][0120]
其中，y
ij
用于表示第i个模型训练样本中的与j种睡眠状态对应的睡眠指标数据，用于表示第i个模型训练样本的与第j种睡眠状态对应的第t次预测模型迭代得到的预测模型所对应的睡眠指标预测结果，用于表示第i个模型训练样本的与第j种睡眠状态对应的第t次预测模型迭代的预测结果误差。
[0121]
所述极端梯度提升(xgboost)算法在每次预测模型迭代过程中针对单个模型训练样本的预测拟合误差可采用正则项复杂度进行表达，其中用于表示第t次预测模型迭代得到的针对第i个模型训练样本的与第j种睡眠状态对应的睡眠预测函数的正则项复杂度。
[0122]
由此，所述极端梯度提升(xgboost)算法在每次预测模型迭代过程中针对所有模型训练样本在同一种睡眠状态下生成的原始预测误差函数即可采用如下式子进行表达：
[0123][0124]
其中，c为常数项：
[0125][0126]
其中，obj(t)j用于表示所有模型训练样本中的与j种睡眠状态对应的第t次预测模型迭代时的原始预测误差函数，n用于表示模型训练样本的样本总数目，t用于表示预设迭代次数。
[0127]
由此，本技术可利用上述各项公式针对每个模型训练样本，根据不同睡眠状态各自对应的样本集划分结果，利用极端梯度提升算法执行预设迭代次数地预测模型迭代处理，得到与该模型训练样本匹配的满足预测结果发散约束条件且最小化预测误差的多种目标预测模型，其中每种目标预测模型单独对应一种睡眠状态。
[0128]
可选地，在本技术实施例的一种实施方式中，所述子步骤s332的具体执行过程可以包括：
[0129]
在针对多个模型训练样本执行的每次预测模型迭代过程中，分别针对每种睡眠状态单独构建与极端梯度提升算法对应的涉及各模型训练样本在上一次预测模型迭代得到的历史睡眠预测模型的目标预测误差函数；
[0130]
以最小化目标预测误差函数为优化目的，按照预测结果发散约束条件所包括的一
阶梯度约束条件及二阶梯度约束条件，利用该种睡眠状态的样本集划分结果针对各模型训练样本分别构建一个睡眠预测函数；
[0131]
针对每个模型训练样本，将与该模型训练样本对应的睡眠预测函数和历史预测模型进行叠加处理，得到该模型训练样本在本次预测模型迭代得到的与该种睡眠状态对应的实际睡眠预测模型。
[0132]
其中，每种睡眠状态所对应的目标预测误差函数可由与该种睡眠状态对应的原始预测误差函数进行二阶泰勒展开处理操作及常数项去除操作得到，此时所述目标预测误差函数可采用如下式子进行表达：
[0133][0134]
其中，用于表示涉及所有模型训练样本的与第j种睡眠状态对应的在t次预测模型迭代过程中的目标预测误差函数，g
ij
用于表示第i个模型训练样本的与第j种睡眠状态对应的第t-1次预测模型迭代得到的历史睡眠预测模型的预测结果误差的一阶梯度导数，h
ij
用于表示第i个模型训练样本的与第j种睡眠状态对应的第t-1次预测模型迭代得到的历史睡眠预测模型的预测结果误差的二阶梯度导数。
[0135]
所述预测结果发散约束条件所包括的一阶梯度约束条件是针对上述一阶梯度导数g
ij
的数据分布约束条件内容，其可以通过判断第i个模型训练样本的与第j种睡眠状态对应的第t次预测模型迭代得到的预测模型的具体睡眠指标预测结果，和第i个模型训练样本的与第j种睡眠状态对应的睡眠指标数据y
ij
之间的差值是否为0或正数或负数，并根据不同的判断结果针对第i个模型训练样本的与第j种睡眠状态相关的一阶梯度导数输出不同的导数数值(例如，若差值为正数，则针对一阶梯度导数g
ij
输出导数数值1；若差值为0，则针对一阶梯度导数g
ij
输出导数数值0；若差值为负数，则针对一阶梯度导数g
ij
输出导数数值-1)，以有效约束对应预测模型的预测结果分布状况。其中，所述预测结果发散约束条件所包括的二阶梯度约束条件是针对上述二阶梯度导数h
ij
的数据分布约束条件内容，其可以是某个固定导数数值(例如，导数数值1)。
[0136]
所述计算机设备10在构建某个模型训练样本的与第j种睡眠状态对应的睡眠预测函数时，会计算该模型训练样本中的人体微弱磁场信号数据所包括的多项磁场信号之间的磁场信号综合特征，并将该磁场信号综合特征和第j种睡眠状态所对应的样本集划分结果(即与第j种睡眠状态对应的多个样本集)各自的睡眠指标均值数据进行特征比对，并根据特征比对结果确定大于该磁场信号综合特征的最小睡眠指标均值数据所对应的目标样本集，而后基于该目标样本集所包括的多个模型训练样本各自的与第j种睡眠状态对应的睡眠指标数据进行特定数学计算，并将得到的数学计算结果作为该模型训练样本的与第j种睡眠状态对应的睡眠预测函数的具体睡眠指标预测结果。其中，所述特定数学计算可以是加权求和运算，也可以是均值运算，具体的数学计算方式可根据需要进行不同的配置。
[0137]
由此，本技术可通过执行上述子步骤s332，针对每个模型训练样本，分别构建得到至少一种睡眠状态各自对应的满足预测结果发散约束条件且最小化预测误差的目标预测模型。
[0138]
子步骤s333，对多个模型训练样本各自的目标预测模型进行模型集成整理，得到目标睡眠状况预测模型。
[0139]
在本实施例中，所述计算机设备10在构建出多个模型训练样本针对每种睡眠状态的满足预测结果发散约束条件且最小化预测误差的目标预测模型后，可通过将同一种睡眠状态所对应的多个模型训练样本各自的目标预测模型进行模型集成，得到与该种睡眠状态对应的预测集成模型，而后将所述至少一种睡眠状态各自对应的预测集成模型进行模型集成，得到能够利用睡前人体人体微弱磁场信号数据针对所述至少一种睡眠状态进行分布状况预测的目标睡眠状况预测模型，从而得以通过该目标睡眠状况预测模型针对使用人员实现高精准度且高便捷的睡眠状态确认操作，避免现有睡眠状态确认方案存在的人体数据实时监测操作及睡眠状态识别规则限制问题，以有效提升睡眠状态确认操作的实施普及性、实施便捷性及确认准确度。
[0140]
由此，本技术可通过执行上述步骤s310～步骤s330，训练出可直接利用睡前人体磁场信号数据精准预测人体睡后特定睡眠状态的具体分布状况的睡眠状况预测模型，以通过训练出的睡眠状况预测模型有效提升睡眠状态确认操作的实施普及性、实施便捷性及确认准确度。
[0141]
可以理解的是，在本技术实施例中，上述睡眠预测模型训练方法还可以包括：在目标睡眠状况预测模型的模型训练过程中，基于不同模型训练样本的人体微弱磁场信号数据与对应至少一种睡眠状态各自的睡眠指标数据之间的映射关系，训练目标睡眠状况预测模型针对至少一种睡眠状态的磁场信号特征影响度识别功能。
[0142]
其中，所述计算机设备10在目标睡眠状况预测模型的模型训练过程中，可基于gbdt(gradient boosting decision tree，梯度提升决策树)算法中的特征重要性(feature importance)计算公式，计算睡前人体微弱磁场信号数据包括的各项磁场信号特征对每种睡眠状态的睡眠指标数据造成影响的具体影响不确定度，而后基于计算出的具体影响不确定度对每项磁场信号特征对至少一种睡眠状态各自的特征影响度进行标注，以便所述计算机设备10基于特征影响度标注结果在对所述目标睡眠状况预测模型进行训练后，使该目标睡眠状况预测模型具有对至少一种睡眠状态的磁场信号特征影响度识别功能。
[0143]
此外，当所述计算机设备10基于上述步骤s310～步骤s330利用与实验室环境相关的多个睡眠检测样本训练得到目标睡眠状况预测模型后，可相应获取与实际居家环境相关的多个睡眠检测样本，而后基于重新获取到的多个睡眠检测样本通过针对该目标睡眠状况预测模型执行上述步骤s310～步骤s330，以进一步提升最终训练出的目标睡眠状况预测模型的预测精准度及预测适用性。
[0144]
可选地，请参照图5，图5是本技术实施例提供的睡眠预测模型训练方法的流程示意图之二。在本技术实施例中，所述睡眠预测模型训练方法还包括步骤s340～步骤s360，以校验目标睡眠状况预测模型的预测精准度，并有效调整目标睡眠状况预测模型的模型参数，直至目标睡眠状况预测模型的预测精准度达到预期效果。
[0145]
步骤s340，获取多个睡眠校验样本，并调用目标睡眠状况预测模型对所述多个睡
眠校验样本包括的睡前的人体微弱磁场信号数据进行睡眠状况预测，得到每个睡眠校验样本所对应的睡眠状况预测结果。
[0146]
步骤s350，根据多个睡眠校验样本各自包括的睡后的至少一种睡眠状态的睡眠指标数据与对应睡眠状况预测结果，计算目标睡眠状况预测模型的预测准确率。
[0147]
其中，所述目标睡眠状况预测模型的预测准确率可采用如下式子进行表示：
[0148][0149]
其中，accuracy用于表示所述目标睡眠状况预测模型的预测准确率，ys用于表示第s个睡眠校验样本的睡后的至少一种睡眠状态的睡眠指标数据，用于表示第s个睡眠校验样本的睡后的至少一种睡眠状态的睡眠状况预测结果，m为睡眠校验样本的样本总数目。
[0150]
步骤s360，检测预测准确率是否超过预设准确率阈值，并在预测准确率未超过预设准确率阈值的情况下，调整目标睡眠状况预测模型的模型参数，而后返回上述获取多个睡眠校验样本的步骤s340继续执行。
[0151]
由此，本技术可通过执行上述步骤s340～步骤s360，以校验目标睡眠状况预测模型的预测精准度，并有效调整目标睡眠状况预测模型的模型参数，直至目标睡眠状况预测模型的预测精准度达到预期效果。
[0152]
在本技术中，为确保所述计算机设备10能够利用训练得到的睡眠状况预测模型针对使用人员实现高精准度且高便捷的睡眠状态确认操作，避免现有睡眠状态确认方案存在的人体数据实时监测操作及睡眠状态识别规则限制问题，以有效提升睡眠状态确认操作的实施普及性、实施便捷性及确认准确度，本技术实施例提供一种睡眠状况预测方法实现前述目的。下面对本技术提供的睡眠状况预测方法进行详细描述。
[0153]
请参照图6，图6是本技术实施例提供的睡眠状况预测方法的流程示意图。在本技术实施例中，所述睡眠状况预测方法可以包括步骤s410及步骤s420。
[0154]
步骤s410，获取目标人员的睡前人体微弱磁场信号数据。
[0155]
步骤s420，调用目标睡眠状况预测模型对睡前人体微弱磁场信号数据进行睡眠状况预测处理，得到目标人员的与该目标睡眠状况预测模型对应的至少一种睡眠状态的睡眠指标预测数据。
[0156]
其中，所述目标睡眠状况预测模型采用上述任意一种睡眠预测模型训练方法训练得到；目标人员的睡前人体微弱磁场信号数据可通过人体体表微弱磁场信号采集仪在该目标人员睡觉前采集得到，而后由所述计算机设备10从所述人体体表微弱磁场信号采集仪处获取该目标人员的睡前人体微弱磁场信号数据，其中所述睡前人体微弱磁场信号数据包括
目标人员在不同身体部位处的磁场信号特征，所述磁场信号特征可采用人体微弱磁场信号强度进行表征。
[0157]
由此，本技术可通过执行上述步骤s410及步骤s420，利用训练得到的睡眠状况预测模型针对使用人员实现高精准度且高便捷的睡眠状态确认操作，避免现有睡眠状态确认方案存在的人体数据实时监测操作及睡眠状态识别规则限制问题，以有效提升睡眠状态确认操作的实施普及性、实施便捷性及确认准确度。
[0158]
可选地，在本技术实施例中，所述睡眠状况预测方法还可以包括步骤s430，以有效展示睡前人体微弱磁场信号数据包括的各项磁场信号特征针对至少一种睡眠状态的特征影响度，便于医务人员针对睡眠问题提供解决方案。
[0159]
步骤s430，对目标睡眠状况预测模型识别出的睡前人体微弱磁场信号数据包括的各项磁场信号特征针对至少一种睡眠状态的特征影响度进行展示。
[0160]
由此，本技术可通过执行所述步骤s430，有效展示睡前人体微弱磁场信号数据包括的各项磁场信号特征针对至少一种睡眠状态的特征影响度，便于医务人员针对睡眠问题提供解决方案。
[0161]
在本技术中，为确保所述计算机设备10能够有效执行上述睡眠预测模型训练方法，本技术通过对存储在所述计算机设备10中的睡眠预测模型训练装置100进行功能模块划分的方式实现前述功能。下面对本技术提供的应用于上述计算机设备10的睡眠预测模型训练装置100的具体组成进行相应描述。
[0162]
请参照图7，图7是本技术实施例提供的睡眠预测模型训练装置100的组成示意图。在本技术实施例中，所述睡眠预测模型训练装置100可以包括样本获取模块110、样本去噪模块120及模型训练模块130。
[0163]
样本获取模块110，用于获取多个睡眠检测样本，其中每个睡眠检测样本包括对应检测人员在睡前的人体微弱磁场信号数据及该检测人员在睡后的至少一种睡眠状态各自的睡眠指标数据，所述睡眠指标数据包括对应睡眠状态的进入时间点及持续时长。
[0164]
样本去噪模块120，用于对多个睡眠检测样本进行样本去噪处理，得到多个模型训练样本。
[0165]
模型训练模块130，用于基于多个模型训练样本按照预存的预测结果发散约束条件进行回归神经网络模型训练，得到满足预测结果发散约束条件且最小化预测误差的目标睡眠状况预测模型。
[0166]
可选地，在本技术实施例中，所述睡眠预测模型训练装置100还可以包括模型校验模块140、预测评估模块150及模型调参模块160。
[0167]
所述模型训练模块130，还用于在目标睡眠状况预测模型的模型训练过程中，基于不同模型训练样本的人体微弱磁场信号数据与对应至少一种睡眠状态各自的睡眠指标数据之间的映射关系，训练目标睡眠状况预测模型针对至少一种睡眠状态的磁场信号特征影响度识别功能。
[0168]
模型校验模块140，用于获取多个睡眠校验样本，并调用目标睡眠状况预测模型对多个睡眠校验样本包括的睡前的人体微弱磁场信号数据进行睡眠状况预测，得到每个睡眠校验样本所对应的睡眠状况预测结果。
[0169]
预测评估模块150，用于根据多个睡眠校验样本各自包括的睡后的至少一种睡眠
状态的睡眠指标数据与对应睡眠状况预测结果，计算目标睡眠状况预测模型的预测准确率。
[0170]
模型调参模块160，用于检测预测准确率是否超过预设准确率阈值，并在预测准确率未超过预设准确率阈值的情况下，调整目标睡眠状况预测模型的模型参数，而后驱动模型校验模块140和预测评估模块150分别继续运行。
[0171]
需要说明的是，本技术实施例所提供的睡眠预测模型训练装置100，其基本原理及产生的技术效果与前述的睡眠预测模型训练方法相同。为简要描述，本实施例部分未提及之处，可参考上述的针对睡眠预测模型训练方法的描述内容。
[0172]
在本技术中，为确保所述计算机设备10能够有效执行上述睡眠状况预测方法，本技术通过对存储在所述计算机设备10中的睡眠状况预测装置200进行功能模块划分的方式实现前述功能。下面对本技术提供的应用于上述计算机设备10的睡眠状况预测装置200的具体组成进行相应描述。
[0173]
请参照图8，图8是本技术实施例提供的睡眠状况预测装置200的组成示意图。在本技术实施例中，所述睡眠状况预测装置200可以包括磁场获取模块210及睡眠预测模块220。
[0174]
磁场获取模块210，用于获取目标人员的睡前人体微弱磁场信号数据。
[0175]
睡眠预测模块220，用于调用目标睡眠状况预测模型对睡前人体微弱磁场信号数据进行睡眠状况预测处理，得到目标人员的与该目标睡眠状况预测模型对应的至少一种睡眠状态的睡眠指标预测数据，其中所述目标睡眠状况预测模型利用前述实施方式中任意一项所述的睡眠预测模型训练方法训练得到。
[0176]
可选地，在本技术实施例中，所述睡眠状况预测装置200还可以包括影响展示模块230。
[0177]
影响展示模块230，用于对目标睡眠状况预测模型识别出的睡前人体微弱磁场信号数据包括的各项磁场信号特征针对至少一种睡眠状态的特征影响度进行展示。
[0178]
需要说明的是，本技术实施例所提供的睡眠状况预测装置200，其基本原理及产生的技术效果与前述的睡眠状况预测方法相同。为简要描述，本实施例部分未提及之处，可参考上述的针对睡眠状况预测方法的描述内容。
[0179]
在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0180]
另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。本技术提供的各项功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可
以存储在一个存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例记载方法的全部或部分步骤。而前述的可读存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0181]
综上所述，在本技术实施例提供的一种睡眠预测模型训练方法及装置、睡眠状况预测方法及装置、计算机设备和可读存储介质中，本技术通过获取多个由检测人员在睡前的人体微弱磁场信号数据及该检测人员在睡后的至少一种睡眠状态各自的睡眠指标数据组成的睡眠检测样本，并对这多个睡眠检测样本进行样本去噪处理，得到多个模型训练样本，而后基于多个模型训练样本按照预存的预测结果发散约束条件进行回归神经网络模型训练，得到满足预测结果发散约束条件且最小化预测误差的目标睡眠状况预测模型，使该目标睡眠状况预测模型能够直接利用睡前人体磁场信号数据精准预测人体睡后特定睡眠状态的具体分布状况，从而有效提升后续睡眠状态确认操作的实施普及性、实施便捷性及确认准确度。
[0182]
以上所述，仅为本技术的各种实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应当以权利要求的保护范围为准。