CN115153463A - 睡眠状态识别模型的训练方法、睡眠状态识别方法和装置 - Google Patents
睡眠状态识别模型的训练方法、睡眠状态识别方法和装置 Download PDFInfo
- Publication number
- CN115153463A CN115153463A CN202210681000.7A CN202210681000A CN115153463A CN 115153463 A CN115153463 A CN 115153463A CN 202210681000 A CN202210681000 A CN 202210681000A CN 115153463 A CN115153463 A CN 115153463A
- Authority
- CN
- China
- Prior art keywords
- sleep state
- data
- physiological data
- physiological
- state recognition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 238000002372 labelling Methods 0.000 claims abstract description 18
- 210000004556 brain Anatomy 0.000 claims description 39
- 238000004590 computer program Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 15
- 238000012806 monitoring device Methods 0.000 description 13
- 238000000605 extraction Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 7
- 230000005611 electricity Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 230000036961 partial effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000000090 biomarker Substances 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 206010062519 Poor quality sleep Diseases 0.000 description 2
- 210000000133 brain stem Anatomy 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002565 electrocardiography Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 208000032140 Sleepiness Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000036982 action potential Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004413 cardiac myocyte Anatomy 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003722 extracellular fluid Anatomy 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 235000014655 lactic acid Nutrition 0.000 description 1
- 239000004310 lactic acid Substances 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000037321 sleepiness Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Cardiology (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pulmonology (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请实施例公开了一种睡眠状态识别模型的训练方法及装置、睡眠状态识别方法、计算机及计算机可读存储介质，该方法包括：在同一时间段针对同一目标对象获取穿戴设备采集的生理数据，并获取脑电监测设备采集的脑电数据；使用脑电数据的第一睡眠状态识别结果对生理数据进行睡眠状态类别标注，获得标注后的生理数据；使用标注后的生理数据，或从生理数据提取的第一生理参数特征和标注后的生理数据训练待训练睡眠状态识别模型，获得训练完成的睡眠状态识别模型。本申请实施例使用脑电数据的睡眠状态识别结果，对不是脑电数据的生理数据进行睡眠状态类别标注，使得生理数据的睡眠状态类别标签更准确，提高了穿戴设备的生理数据的睡眠状态识别精度。
Description
技术领域
本申请属于睡眠监测技术领域，尤其涉及一种睡眠状态识别模型的训练方法及装置、睡眠状态识别方法、计算机及计算机可读存储介质。
背景技术
目前，用户可以通过智能手环和智能手表等穿戴设备监测睡眠状态，也可以通过脑电监测设备监测睡眠状态。
其中，智能手环和智能手部等穿戴设备是根据用户的生理数据以及动作(例如翻身次数)进行睡眠状态识别的，生理数据例如包括心跳、心电和皮电等。脑电监测设备是根据用户的脑电数据进行睡眠状态识别。
睡眠受到脑干尾端的中枢控制，因此用脑电波监测睡眠比用生理数据监测睡眠更准确。也就是说，目前通过穿戴设备采集的生理数据监测睡眠状态的方式，精度较低。
发明内容
本申请实施例提供一种睡眠状态识别模型的训练方法及装置、睡眠状态识别方法、计算机及计算机可读存储介质，可以解决现有通过穿戴设备采集的生理数据监测睡眠状态的精度低下的问题。
第一方面，本申请实施例提供一种睡眠状态识别模型的训练方法，包括：
获取穿戴设备采集的生理数据，生理数据是非脑电数据；
获取脑电监测设备采集的脑电数据，脑电数据和生理数据是在同一时间段对同一目标对象采集的数据；
对脑电数据进行睡眠状态识别，获得第一睡眠状态识别结果；
使用第一睡眠状态识别结果对生理数据进行睡眠状态类别标注，获得标注后的生理数据，标注后的生理数据包括睡眠状态类别标签；
使用标注后的生理数据，或第一生理参数特征和标注后的生理数据，对待训练睡眠状态识别模型进行训练，获得训练完成的睡眠状态识别模型，第一生理参数特征为从生理数据中提取的特征。
由上可见，本申请实施例使用基于脑电数据的睡眠状态识别结果，对不是脑电数据的生理数据进行睡眠状态类别标注，使得生理数据的睡眠状态类别标签更准确，进而使得基于标注后的生理数据训练得到的睡眠状态识别模型，对穿戴设备采集的生理数据的睡眠状态识别精度更高。
在第一方面的一些可能的实现方式中，使用标注后的生理数据，或第一生理参数特征和标注后的生理数据，对待训练睡眠状态识别模型进行训练，获得训练完成的睡眠状态识别模型，包括：
将从标注后的生理数据提取的第二生理参数特征，或者第一生理参数特征和标注后的生理数据输入至待训练睡眠状态识别模型，获得待训练睡眠状态识别模型输出的第二睡眠状态识别结果；
根据第二睡眠状态识别结果和睡眠状态类别标签，对待训练睡眠状态识别模型进行网络参数调整；
迭代训练多次后，获得训练完成的睡眠状态识别模型。
在第一方面的一些可能的实现方式中，使用标注后的生理数据，或者生理参数特征和标注后的生理数据，对待训练睡眠状态识别模型进行训练，获得训练完成的睡眠状态识别模型，包括：
从第一生理参数特征中选取第一目标特征，或从第二生理参数特征中选取第二目标特征，第二生理参数特征为从标注后的生理数据中提取的特征；
将第二目标特征，或第一目标特征和标注后的生理数据输入至待训练睡眠状态识别模型，获得待训练睡眠状态识别模型输出的第三睡眠状态识别结果；
根据第三睡眠状态识别结果和睡眠状态类别标签，对待训练睡眠状态识别模型进行网络参数调整，并在迭代训练多次后获得目标睡眠状态识别模型；
使用测试数据集测试目标睡眠状态识别模型的睡眠状态分类准确率；
若睡眠状态分类准确率满足预设指标要求，则将目标睡眠状态识别模型确定为训练完成的睡眠状态识别模型；
若睡眠状态分类准确率不满足预设指标要求，则返回从第一生理参数特征中选取第一目标特征，或从第二生理参数特征中选取第二目标特征的步骤，直到睡眠状态分类准确率满足预设指标要求。
在该实现方式中，通过睡眠状态分类准确率进行特征选取和参数优化，在保持模型分类精度的同时，通过减少特征数量以减少计算开销。
在第一方面的一些可能的实现方式中，从第一生理参数特征中选取第一目标特征，或从第二生理参数特征中选取第二目标特征，包括：
使用多目标遗传算法从第一生理参数特征中选取第一目标特征，或使用多目标遗传算法从第二生理参数特征中随机选取第二目标特征。
在第一方面的一些可能的实现方式中，对脑电数据进行睡眠状态识别，获得第一睡眠状态识别结果，包括：
对脑电数据进行特征提取，获得脑电特征；
根据脑电特征，确定脑电数据中占据主导的脑电波类型；
根据占据主导的脑电波类型，获得第一睡眠状态识别结果。
在该实现方式中，通过占据主导的脑电波类型获得睡眠状态识别结果，睡眠状态识别更准确，进而进一步提高了生理数据的标签准确性。
第二方面，本申请实施例提供一种睡眠状态识别方法，包括：
获取穿戴设备采集的生理数据，生理数据为非脑电数据；
从生理数据中提取目标特征；
将目标特征输入至训练完成的睡眠状态识别模型，获得睡眠状态识别模型输出的睡眠状态识别结果；
其中，睡眠状态识别模型是使用上述第一方面的任一项训练方法训练获得的模型。
第三方面，本申请实施例提供一种睡眠状态识别模型的训练装置，包括：
生理数据获取模块，用于获取穿戴设备采集的生理数据，生理数据是非脑电数据；
脑电数据获取模块，用于获取脑电监测设备采集的脑电数据，脑电数据和生理数据是在同一时间段对同一目标对象采集的数据；
识别模块，用于对脑电数据进行睡眠状态识别，获得第一睡眠状态识别结果；
标注模块，用于使用第一睡眠状态识别结果对生理数据进行睡眠状态类别标注，获得标注后的生理数据，标注后的生理数据包括睡眠状态类别标签；
训练模块，用于使用标注后的生理数据，或第一生理参数特征和标注后的生理数据，对待训练睡眠状态识别模型进行训练，获得训练完成的睡眠状态识别模型，第一生理参数特征为从生理数据中提取的特征。
在第三方面的一些可能的实现方式中，训练模块具体用于：
从第一生理参数特征中选取第一目标特征，或从第二生理参数特征中选取第二目标特征，第二生理参数特征为从标注后的生理数据中提取的特征；
将第二目标特征，或第一目标特征和标注后的生理数据输入至待训练睡眠状态识别模型，获得待训练睡眠状态识别模型输出的第三睡眠状态识别结果；
根据第三睡眠状态识别结果和睡眠状态类别标签，对待训练睡眠状态识别模型进行网络参数调整，并在迭代训练多次后获得目标睡眠状态识别模型；
使用测试数据集测试目标睡眠状态识别模型的睡眠状态分类准确率；
若睡眠状态分类准确率满足预设指标要求，则将目标睡眠状态识别模型确定为训练完成的睡眠状态识别模型；
若睡眠状态分类准确率不满足预设指标要求，则返回从第一生理参数特征中选取第一目标特征，或从第二生理参数特征中选取第二目标特征的步骤，直到睡眠状态分类准确率满足预设指标要求。
第四方面，本申请实施例提供一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述第一方面或第二方面任一项的方法。
第五方面，本申请实施例一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述第一方面或第二方面任一项的方法。
第六方面，本申请实施例提供一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面或第二方面中任一项所述的方法。
可以理解的是，上述第二方面至第六方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。
图1为本申请实施例提供的睡眠状态识别模型的训练方法的一种流程示意框图；
图2为本申请实施例提供的睡眠状态识别模型训练过程的一种示意框图；
图3为本申请实施例提供的睡眠状态识别模型训练过程的另一种示意框图；
图4为本申请实施例提供的睡眠状态识别模型训练过程的又一种示意框图；
图5为本申请实施例提供的睡眠状态识别模型训练过程的又一种示意框图；
图6为本申请实施例提供的睡眠状态识别方法的一种流程示意框图；
图7为本申请实施例提供的睡眠状态识别模型的训练装置的结构框图；
图8为本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
在介绍本申请实施例提供的技术方案之前，下面对本申请实施例可能涉及的相关内容进行介绍说明。
脑电波是指人脑内的神经细胞活动时所产生的电气性摆动。因这种摆动呈现在科学仪器上，看起来就像波动一样，故称之为脑电波。
脑电波依频率可分为四大类：β波(显意识)、α波(桥梁意识)、θ波(潜意识)及δ波(无意识)。这些意识的组合，形成了一个人的内外在的行为、情绪及学习上的表现。
通常情况下，当人处于紧张状态下时，大脑产生的主要是β波；当人的身体比较放松，大脑产生的主要是α波；当人感到睡意朦胧时，大脑产生的主要是θ波；当人进入深睡时，大脑产生的主要是δ波。
脑电数据是透过脑电采集设备，将人体脑部自身产生的微弱生物电于头皮处收集，并放大记录而得到的信号数据。
下面将对本申请实施例提供的技术方案进行详细介绍说明。
目前，智能手环、智能手部和智能眼镜等穿戴设备，可以采集除了脑电数据之外的生理数据，并基于这些生理数据进行睡眠状态监测，以获得睡眠状态监测结果。
但是，智能手环和智能手部等穿戴设备，是通过是否翻身，或者心跳血压是否平稳来判断是否睡眠的，这样都不太准确。因为人的心跳血压平稳或者没有频繁翻身都并不一定进入了熟睡。此外，这些外部指标也不能把睡着状态精细分类成浅度睡眠和深度睡眠。
换句话说，现有通过穿戴设备采集的非脑电的生理数据，监测睡眠状态的精度低下。
而本申请实施例中，通过使用脑电数据的睡眠状态识别结果，对穿戴设备采集的非脑电的生理数据进行睡眠状态类别标注，并使用标注后的生理数据训练睡眠状态模型。这样，由于使用了脑电数据的睡眠状态识别结果，标注生理数据的睡眠状态类别，使得生理数据的睡眠状态类别标签更准确，进而使得所训练的睡眠状态识别模型的识别精度更高。
可以理解的是，人体的睡眠其实是受到中枢控制的，且睡眠中枢就在脑干尾端，因此脑电波可以准确地表征人体睡眠状态。也即，相较于现有通过是否翻身、心跳血压是否平稳等外部指标判断睡眠状态，本申请实施例基于脑电数据的睡眠状态识别结果标注了生理数据的睡眠状态类别，可以使得模型更准确地识别睡眠状态。
请参见图1，为本申请实施例提供的睡眠状态识别模型的训练方法的一种流程示意框图，该方法可以应用于电脑、工作站、服务器等电子设备，在此不作限定。该方法包括以下步骤：
步骤S101、获取穿戴设备采集的生理数据，生理数据是非脑电数据。
需要说明的是，上述穿戴设备是指可穿戴的智能设备，可以包括但不限于：智能手表、智能手环、智能眼镜和智能耳机等。
穿戴设备可以通过传感器采集上述生理数据。该生理数据是指除了脑电之外的生理数据，可以包括但不限于：心率、心电、皮电以及人体表皮组织液中的各种生物标志物。
其中，心率是指正常人安静状态下每分钟心跳的次数，也叫安静心率，一般为60-100次/分；心电(electrocardiogram，ECG)是指人体心脏脉搏时，由心肌细胞产生的动作电位综合而成；皮电是一项情绪生理指标，代表机体受到刺激时皮肤电传导的变化。
人体表皮组织液中的各种生物标志物可以包括但不限于：葡萄糖、乳酸、酸碱度、胆固醇等。
可选地，可以获取用户的心率、心电和皮电三种生理数据。当然，也可以获取其他类型的生理数据。
步骤S102、获取脑电监测设备采集的脑电数据，脑电数据和生理数据是在同一时间段对同一目标对象采集的数据。
具体应用中，用户在进入睡眠状态之后，同时使用穿戴设备和脑电监测设备，对同一用户进行监测，以采集获得上述脑电数据和非脑电的生理数据。例如，让用户同时佩戴头环(即脑电监测设备)和智能手环进行睡眠，并持续一段时间(例如一小时)，以采集得到这段时间内的脑电数据和非脑电的生理数据。
脑电监测设备是指用于监测用户脑电的设备，其可以是可穿戴设备，例如，用于采集脑电波数据的智能头环或头箍；当然，脑电监测设备也可以是医用监测脑电的设备。当脑电监测设备为可穿戴设备时，上述步骤S101中的穿戴设备是指用于采集非脑电的生理数据的可穿戴设备，而脑电监测设备是指用于采集脑电数据的可穿戴设备。
步骤S103、对脑电数据进行睡眠状态识别，获得第一睡眠状态识别结果。
具体应用中，获得脑电数据后，可以通过对脑电数据进行预处理和特征提取，以从脑电数据中提取脑电特征，并根据脑电特征获得第一睡眠状态识别结果。
对脑电预处理可以包括但不限于以下步骤：去除工频(例如50Hz或60Hz)干扰、通过独立成分分析((Independent component analysis，ICA)以去除眼电干扰、带通滤波器滤波、极端值处理以及小波滤噪等。
对脑电数据进行预处理步骤后，从预处理后的脑电数据中提取脑电特征。例如，针对脑电数据，每隔8s则计算一次特征，并提取脑电数据过去8s五个波段信号：alpha、beta、gamma、theta、sigma；计算每个波段信号的最大值、最小值、均值、方差、变化率、一阶差分平均值、二阶差分平均值、归一化一阶差分平均值、归一化二阶差分平均值、变化范围、以及序列差值的平方和等。其中，针对上述变化率，上升时变化率为正，下降时变化率为负数。
在一些实施例中，可以根据提取的脑电特征，确定占据主导的脑电波类型，并基于占据主导的脑电波类型，获得上述第一睡眠状态识别结果。该第一睡眠状态识别结果用于表征睡眠状态，其可以表现为如下表1所示的描述性的状态分类，也可以表现为用于描述睡眠程度的数字，在此不作限定。
表1
| 占据主导的脑电波类型 | 第一睡眠状态识别结果 |
| β波 | 清醒 |
| α波 | 浅睡 |
| θ波 | 中睡 |
| δ波 | 熟睡 |
其中，占据主导的脑电波类型的定义可以是指某一段时间段(例如2分钟)中，功率统计平均值最高，或者经过归一化的功率统计平均值最高的脑电波。当然，占据主导的脑电波类型的定义可以根据实际经验或者具体情况确定，在此不作限定。
在另一些实施例中，也可以通过现有的睡眠监测方法或睡眠状态监测模型，获得脑电监测设备的脑电数据的睡眠状态识别结果，在此不作限定。
步骤S104、使用第一睡眠状态识别结果对生理数据进行睡眠状态类别标注，获得标注后的生理数据，标注后的生理数据包括睡眠状态类别标签。
根据脑电数据的睡眠状态识别结果，为同一时间段下的同一用户的非脑电的生理数据打上睡眠状态类别标签，该睡眠状态类别标签用于表征睡眠状态。例如，在时间段A内，通过脑电数据的第一睡眠状态识别结果，得知用户处于浅睡状态，则为该用户在时间段A的生理数据打上浅睡状态标签；在时间段B内，通过脑电数据的第一睡眠状态识别结果，得知用户处于熟睡状态，则为该用户在时间段B的生理数据打上熟睡状态标签。经过上述标注过程后，可以得到包括睡眠状态类别标签的生理数据。
具体应用中，标注过程可以是自动标注，即自动根据脑电特征，为相应的生理数据打上睡眠状态类别标签；也可以是人工标注，即人为根据上述第一睡眠状态识别结果，为相应的生理数据打上睡眠状态类别标签。
步骤S105、使用标注后的生理数据，或第一生理参数特征和标注后的生理数据，对待训练睡眠状态识别模型进行训练，获得训练完成的睡眠状态识别模型，第一生理参数特征为从生理数据中提取的特征。
具体应用中，在对生理数据，或者标注后的生理数据进行特征提取之前，可以先进行预处理步骤，再进行特征提取。
预处理步骤可以包括但不限于信号放大和去噪处理。通过预处理步骤可以获得相对纯净的生理数据。
生理数据的类别不同，从生理数据或标注后的生理数据提取的生理参数特征可能也会相应地不同。
例如，针对心电数据，生理参数特征可以包括心电数据的线性、非线性、时域和频域四个层面的生理参数特征，该生理参数特征可以包括以下特征量：
SDNN：全部窦性心博RR间期的标准差；
NN50：相邻NN之差>50ms的个数；
PNN50：相邻NN之差>50ms的个数占总窦性心搏个数的百分比；
SDSD：相邻RR间期差值的标准差；
RR_MEAN：RR间隙的平均值；
ECG：分析基线漂移之后Min、Max、Mean、Var；
Wavelets：使用db6小波，3层分解处理，分别统计3层高频细节和1层低频近似的最大值、最小值、中位数、标准差；
VLF(超低频)、LF(低频)、以及HF(高频)的能量。
针对心率数据、皮电数据、以及生物标志物，主要是基于统计特征进行特征提取。此时，生理参数特征可以包括最大值、最小值、均值、方差、变化率(若上升时变化率为正，下降时变化率为负数)、一阶差分平均值、二阶差分平均值、归一化一阶差分平均值、归一化二阶差分平均值、变化范围、以及序列差值的平方和等。
在具体的特征提取过程中，在脑电数据提取的同一段时间内，把生理数据的时间切成更小的单位(例如，2分钟一段)，所有的平均过程均在该更小的时间单位中进行。
需要说明的是，上述睡眠状态识别模型是机器学习模型，其可以为但不限于：k近邻模型、感知机、朴素贝叶斯模型、决策树、逻辑回归模型、支持向量机、adaBoost、贝叶斯网络或神经网络模型。
由上可见，本申请实施例使用基于脑电数据的睡眠状态识别结果，对不是脑电数据的生理数据进行睡眠状态类别标注，使得生理数据的睡眠状态类别标签更准确，进而使得基于标注后的生理数据训练得到的睡眠状态识别模型，对穿戴设备采集的生理数据的睡眠状态识别精度更高。
基于上述实施例，在模型训练过程中，可以将从标注后的生理数据中提取的第二生理参数特征作为模型输入，也可以将标注后的生理数据和从未标注的生理数据中提取的第一生理参数特征作为模型输入。下面将分别对这两种情况进行介绍说明。
在一些实施例中，从标注后的生理数据提取第二生理参数特征后，将第二生理参数特征输入至待训练睡眠状态识别模型，获得待训练睡眠状态识别模型输出的第二睡眠状态识别结果；再根据第二睡眠状态识别结果和睡眠状态类别标签，计算损失值，并根据损失值进行反向传播，以对待训练睡眠状态识别模型进行网络参数调整；然后再将第二生理参数特征输入至网络参数调整之后的待训练睡眠状态识别模型，并获得该模型输出的睡眠状态识别结果，计算损失值后再进行反向传播；依此迭代训练多次后，直到损失值趋于稳定后，即可获得训练完成的睡眠状态识别模型。
示例性地，参见图2示出的睡眠状态识别模型训练过程的一种示意框图，如图2所示，获取穿戴设备采集的生理数据，并获取同一时间段内脑电监测设备采集的脑电数据；根据脑电数据，获得睡眠状态识别结果，并使用脑电数据的睡眠状态识别结果，标注生理数据的睡眠状态类别标签，得到标注后的生理数据；对标注后的生理数据进行特征提取，并将提取出的生理参数特征作用于机器学习模型的训练；在训练完成时，获得训练完成的模型和输出的特征。
其中，机器学习模型是指睡眠状态识别模型。在该过程中，将提取出的全部生理参数特征均用于模型训练，则在训练完成后，则会输出所有的生理参数特征。
在另一些实施例中，从未标注的生理数据中提取第一生理参数特征；将第一生理参数特征和标注后的生理数据输入至待训练睡眠状态识别模型，获得待训练睡眠状态识别模型输出的第二睡眠状态识别结果；再根据第二睡眠状态识别结果和睡眠状态类别标签，计算损失值，并根据损失值进行反向传播，以对待训练睡眠状态识别模型进行网络参数调整；依此迭代训练多次后，直到损失值趋于稳定后，即可获得训练完成的睡眠状态识别模型。
示例性地，参见图3示出的睡眠状态识别模型训练过程的另一种示意框图，如图3所示，获取穿戴设备采集的生理数据，并获取同一时间段内脑电监测设备采集的脑电数据；根据脑电数据，获得睡眠状态识别结果，并使用脑电数据的睡眠状态识别结果，标注生理数据的睡眠状态类别标签，得到标注后的生理数据；对未标注的生理数据进行特征提取，并将提取出的生理参数特征和标注后的生理数据作用于机器学习模型的训练；在训练完成时，获得训练完成的模型和输出的特征。
在图2和图3对应的实施例中，将提取出的全部生理参数特征均输入至睡眠状态识别模型，作用于模型训练过程。但是，将提取的全部生理参数特征均作用于模型训练，特征数量较大，计算开销较大。
为了在保持模型精度的同时，减少特征数量以减少计算开销，本申请实施例可以通过睡眠状态分类准确率进行特征选择和参数优化，以提高睡眠状态分类准确率和减少特征数量。
在一些实施例中，如果将从标注后的生理数据中提取的第二生理参数特征作为模型输入，则从第二生理参数特征中选取第二目标特征，第二目标特征是指从第二生理参数特征中选取的部分特征集合，该部分特征集合作为模型的输入，而不是将提取出的全部第二生理参数特征作为模型输入。
具体应用中，特征选取方式可以是随机选取，也可以使用二代非支配排序遗传算法(Non dominated sorting genetic algorithm-II，NSGA-II)进行特征选取。NSGA-II的步骤可以包括：先对M个生理参数特征求Pareto解；然后得到F1，F2…Fk等这些Pareto的集合；把F1的所有生理参数特征全部放入N，若N未满，继续放F2，直到有Fk不能全部放入已经放入F1、F2、…、F(k-1)的N(空间)，此时对Fk进行求解；对于Fk中的Pareto解，求出Fk中的每个Pareto的拥挤距离Lk[i](crowding distance)，在Fk中按照Lk[i]递减排序，放入N中，直到N占满，最终得到生理参数特征集合。该生理参数特征集合即为所选取的特征参数。
选取出第二目标特征后，将第二目标特征输入至待训练睡眠状态识别模型，获得待训练睡眠状态识别模型输出的第三睡眠状态识别结果，并根据第三睡眠状态识别结果和睡眠状态类别标签，计算损失值，根据损失值进行反向传播，以对待训练睡眠状态识别模型进行网络参数调整；依此迭代训练多次，直到损失值趋于稳定后，获得目标睡眠状态识别模型。
在获得目标睡眠状态识别模型后，使用测试数据集测试目标睡眠状态识别模型的睡眠状态分类准确率。该测试数据集是预先构建，其包括生理数据和对应的睡眠状态类别标签。
如果睡眠状态分类准确率满足预设指标要求，则将目标睡眠状态识别模型确定为训练完成的睡眠状态识别模型，并输出所选取的第二目标特征。预设指标要求可以表现阈值，即睡眠状态分类准确率如果大于某个阈值，则认为满足预设指标要求，反之，如果小于该阈值，则认为不满足预设指标要求。
而如果睡眠状态分类准确率不满足预设指标要求，则返回从第二生理参数特征中选取第二目标特征的步骤，即返回到特征选取的步骤，继续选取出部分特征集合，再将选取的部分特征集合输入至睡眠状态识别模型。依此循环，直到睡眠状态分类准确率满足预设指标要求。
示例性地，参见图4示出的睡眠状态识别模型训练过程的又一种示意框图，如图4所示，获取穿戴设备采集的生理数据，并获取同一时间段内脑电监测设备采集的脑电数据；根据脑电数据，获得睡眠状态识别结果，并使用脑电数据的睡眠状态识别结果，标注生理数据的睡眠状态类别标签，得到标注后的生理数据；对标注后的生理数据进行特征提取，并将提取出的生理参数特征作用于机器学习模型的训练；确定睡眠状态分类准确率是否满足指标要求，如果是，则输出模型和特征，即将当前的睡眠状态识别模型作为训练完成的模型，将当前模型输入的生理参数特征集合作为模型的输入；如果不满足，则返回特征选择的步骤，继续随机选取或使用多目标遗传算法进行特征选取，并将选取出的生理参数特征集合作用于模型训练。依此循环，直到睡眠状态分类准确率满足指标要求。
在另一些实施例中，如果将标注后的生理数据和从未标注的生理数据中提取的第一生理参数特征作为模型输入，则从第一生理参数特征中选取第一目标特征。该第一目标特征是第一生理参数特征的部分特征集合。
特征选取的方式可以是随机选取，也可以是使用多目标遗传算法进行特征选取，在此不再赘述。
选取出第一目标特征后，将将第一目标特征和标注后的生理数据输入至待训练睡眠状态识别模型，获得待训练睡眠状态识别模型输出的第三睡眠状态识别结果，并根据第三睡眠状态识别结果和睡眠状态类别标签，计算损失值，根据损失值进行反向传播，以对待训练睡眠状态识别模型进行网络参数调整。依此迭代训练多次，当损失值趋于稳定时，获得目标睡眠状态识别模型；
在获得目标睡眠状态识别模型后，使用测试数据集测试目标睡眠状态识别模型的睡眠状态分类准确率。
如果睡眠状态分类准确率满足预设指标要求，则将目标睡眠状态识别模型确定为训练完成的睡眠状态识别模型，并输出所选取的第一目标特征。
而如果睡眠状态分类准确率不满足预设指标要求，则返回从第一生理参数特征中选取第一目标特征的步骤，即返回到特征选取的步骤，继续选取出部分特征集合，再将选取的部分特征集合输入至睡眠状态识别模型。依此循环，直到睡眠状态分类准确率满足预设指标要求。
示例性地，参见图5示出的睡眠状态识别模型训练过程的又一种示意框图，如图5所示，获取穿戴设备采集的生理数据，并获取同一时间段内脑电监测设备采集的脑电数据；根据脑电数据，获得睡眠状态识别结果，并使用脑电数据的睡眠状态识别结果，标注生理数据的睡眠状态类别标签，得到标注后的生理数据；对未标注的生理数据进行特征提取，并将提取出的生理参数特征和标注后的生理数据作用于机器学习模型的训练；确定睡眠状态分类准确率是否满足指标要求，如果是，则输出模型和特征，即将当前的睡眠状态识别模型作为训练完成的模型，将当前模型输入的生理参数特征集合作为模型的输入；如果不满足，则返回特征选择的步骤，继续随机选取或使用多目标遗传算法进行特征选取，并将选取出的生理参数特征集合和标注后的生理数据作用于模型训练。依此循环，直到睡眠状态分类准确率满足指标要求。
需要说明的是，如果特征选取方式是随机选取，则可以将各种特征参数组合测试后，选取一个准确率最高或者超过阈值的特征参数组合作为最终的模型输入。
通过上文提及的模型训练方法，得到训练完成的睡眠状态识别模型后，则可以使用睡眠状态识别模型进行睡眠状态识别。
请参见图6，为本申请实施例提供的睡眠状态识别方法的一种流程示意框图，该方法可以应用于穿戴设备，例如，智能手环和智能手表；也可以应用于非穿戴设备，例如手机、电脑等终端，在此不作限定。该方法可以包括以下步骤：
步骤S601、获取穿戴设备采集的生理数据，生理数据为非脑电数据。
可以理解的是，用户佩戴穿戴设备进行睡眠，穿戴设备则采集除了脑电之外的生理数据。
步骤S602、从生理数据中提取目标特征。
需要说明的是，上述目标特征可以是指上文提及的从生理数据中提取的所有特征，也可以是指上文提及的通过特征选取步骤从提取的全部特征中，选取的部分特征。也就是说，模型的输入可以根据模型训练阶段决定，如果模型训练阶段，模型输入是从生理数据中提取的全部特征，则该目标特征则是指全部特征，如果模型训练阶段的模型输入是通过特征选取步骤，选取的部分特征集合，则该目标特征则是部分特征集合。
当然，该目标特征也可以是指上文训练阶段提及的全部生理参数特征，在提取全部生理参数特征后，从中选取部分生理参数特征作为目标特征。
步骤S603、将目标特征输入至训练完成的睡眠状态识别模型，获得睡眠状态识别模型输出的睡眠状态识别结果。
其中，睡眠状态识别模型是使用上文提及的任一项训练方法训练获得的模型，在此不再赘述。
可以看出，本申请实施例使用脑电数据的睡眠状态识别结果，对非脑电的生理数据进行标注，使得训练得到的模型的睡眠状态识别精度更高。
应当理解的是，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的睡眠状态识别模型的训练方法，图7示出了本申请实施例提供的睡眠状态识别模型的训练装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图7，该装置包括：
生理数据获取模块71，用于获取穿戴设备采集的生理数据，生理数据是非脑电数据；
脑电数据获取模块72，用于获取脑电监测设备采集的脑电数据，脑电数据和生理数据是在同一时间段对同一目标对象采集的数据；
识别模块73，用于对脑电数据进行睡眠状态识别，获得第一睡眠状态识别结果；
标注模块74，用于使用第一睡眠状态识别结果对生理数据进行睡眠状态类别标注，获得标注后的生理数据，标注后的生理数据包括睡眠状态类别标签；
训练模块75，用于使用标注后的生理数据，或第一生理参数特征和标注后的生理数据，对待训练睡眠状态识别模型进行训练，获得训练完成的睡眠状态识别模型，第一生理参数特征为从生理数据中提取的特征。
在一些可能的实现方式中，训练模块75具体用于：
从第一生理参数特征中选取第一目标特征，或从第二生理参数特征中选取第二目标特征，第二生理参数特征为从标注后的生理数据中提取的特征；
将第二目标特征，或第一目标特征和标注后的生理数据输入至待训练睡眠状态识别模型，获得待训练睡眠状态识别模型输出的第三睡眠状态识别结果；
根据第三睡眠状态识别结果和睡眠状态类别标签，对待训练睡眠状态识别模型进行网络参数调整，并在迭代训练多次后获得目标睡眠状态识别模型；
使用测试数据集测试目标睡眠状态识别模型的睡眠状态分类准确率；
若睡眠状态分类准确率满足预设指标要求，则将目标睡眠状态识别模型确定为训练完成的睡眠状态识别模型；
若睡眠状态分类准确率不满足预设指标要求，则返回从第一生理参数特征中选取第一目标特征，或从第二生理参数特征中选取第二目标特征的步骤，直到睡眠状态分类准确率满足预设指标要求。
在一些可能的实现方式中，训练模块75具体用于：
将从标注后的生理数据提取的第二生理参数特征，或者第一生理参数特征和标注后的生理数据输入至待训练睡眠状态识别模型，获得待训练睡眠状态识别模型输出的第二睡眠状态识别结果；
根据第二睡眠状态识别结果和睡眠状态类别标签，对待训练睡眠状态识别模型进行网络参数调整；
迭代训练多次后，获得训练完成的睡眠状态识别模型。
在一些可能的实现方式中，训练模块75具体用于：
使用多目标遗传算法从第一生理参数特征中选取第一目标特征，或使用多目标遗传算法从第二生理参数特征中随机选取第二目标特征。
在一些可能的实现方式中，识别模块73具体用于：
对脑电数据进行特征提取，获得脑电特征；
根据脑电特征，确定脑电数据中占据主导的脑电波类型；
根据占据主导的脑电波类型，获得第一睡眠状态识别结果。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请实施例方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图8为本申请实施例提供的电子设备的结构示意图。如图8所示，该实施例的电子设备8包括：至少一个处理器80(图8中仅示出一个)、存储器81，存储器81中存储有可在至少一个处理器80上运行的计算机程序82，处理器80执行计算机程序82时实现上述任意各个方法实施例中的步骤。
该电子设备可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是电子设备8的举例，并不构成对电子设备8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
在一实施例中，该电子设备可以集成有手势识别模块，该手势识别模块具体可以为红外手势识别模块。在一实施例中，电子设备集成有两个手势识别模块，两个手势识别模块均与处理器80通信连接。可以理解的是，挥手手势识别和红外手势识别等原理已被本领域技术人员所熟知，在此不再咋赘述。
所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，该处理器80还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
所述存储器81在一些实施例中可以是所述电子设备8的内部存储单元，例如电子设备8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述电子设备8的外部存储设备，例如所述电子设备8上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。在一实施例中，所述存储器81还可以既包括所述电子设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种电子设备，该电子设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个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上述任意各个方法实施例中的步骤。
本申请实施例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可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置、电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种睡眠状态识别模型的训练方法，其特征在于，包括：
获取穿戴设备采集的生理数据，所述生理数据是非脑电数据；
获取脑电监测设备采集的脑电数据，所述脑电数据和所述生理数据是在同一时间段对同一目标对象采集的数据；
对所述脑电数据进行睡眠状态识别，获得第一睡眠状态识别结果；
使用所述第一睡眠状态识别结果对所述生理数据进行睡眠状态类别标注，获得标注后的生理数据，所述标注后的生理数据包括睡眠状态类别标签；
使用所述标注后的生理数据，或第一生理参数特征和所述标注后的生理数据，对待训练睡眠状态识别模型进行训练，获得训练完成的睡眠状态识别模型，所述第一生理参数特征为从所述生理数据中提取的特征。
2.如权利要求1所述的方法，其特征在于，使用所述标注后的生理数据，或第一生理参数特征和所述标注后的生理数据，对待训练睡眠状态识别模型进行训练，获得训练完成的睡眠状态识别模型，包括：
将从所述标注后的生理数据提取的第二生理参数特征，或者所述第一生理参数特征和所述标注后的生理数据输入至所述待训练睡眠状态识别模型，获得所述待训练睡眠状态识别模型输出的第二睡眠状态识别结果；
根据所述第二睡眠状态识别结果和所述睡眠状态类别标签，对所述待训练睡眠状态识别模型进行网络参数调整；
迭代训练多次后，获得所述训练完成的睡眠状态识别模型。
3.如权利要求1所述的方法，其特征在于，使用所述标注后的生理数据，或者生理参数特征和所述标注后的生理数据，对待训练睡眠状态识别模型进行训练，获得训练完成的睡眠状态识别模型，包括：
从所述第一生理参数特征中选取第一目标特征，或从第二生理参数特征中选取第二目标特征，所述第二生理参数特征为从所述标注后的生理数据中提取的特征；
将所述第二目标特征，或所述第一目标特征和所述标注后的生理数据输入至所述待训练睡眠状态识别模型，获得所述待训练睡眠状态识别模型输出的第三睡眠状态识别结果；
根据所述第三睡眠状态识别结果和所述睡眠状态类别标签，对所述待训练睡眠状态识别模型进行网络参数调整，并在迭代训练多次后获得目标睡眠状态识别模型；
使用测试数据集测试所述目标睡眠状态识别模型的睡眠状态分类准确率；
若所述睡眠状态分类准确率满足预设指标要求，则将所述目标睡眠状态识别模型确定为所述训练完成的睡眠状态识别模型；
若所述睡眠状态分类准确率不满足所述预设指标要求，则返回所述从所述第一生理参数特征中选取第一目标特征，或从第二生理参数特征中选取第二目标特征的步骤，直到所述睡眠状态分类准确率满足所述预设指标要求。
4.如权利要求3所述的方法，其特征在于，从所述第一生理参数特征中选取第一目标特征，或从第二生理参数特征中选取第二目标特征，包括：
使用多目标遗传算法从所述第一生理参数特征中选取所述第一目标特征，或使用多目标遗传算法从所述第二生理参数特征中随机选取所述第二目标特征。
5.如权利要求1所述的方法，其特征在于，对所述脑电数据进行睡眠状态识别，获得第一睡眠状态识别结果，包括：
对所述脑电数据进行特征提取，获得脑电特征；
根据所述脑电特征，确定所述脑电数据中占据主导的脑电波类型；
根据所述占据主导的脑电波类型，获得所述第一睡眠状态识别结果。
6.一种睡眠状态识别方法，其特征在于，包括：
获取穿戴设备采集的生理数据，所述生理数据为非脑电数据；
从所述生理数据中提取目标特征；
将所述目标特征输入至训练完成的睡眠状态识别模型，获得所述睡眠状态识别模型输出的睡眠状态识别结果；
其中，所述睡眠状态识别模型是使用如权利要求1至5任一项所述的训练方法训练获得的模型。
7.一种睡眠状态识别模型的训练装置，其特征在于，包括：
生理数据获取模块，用于获取穿戴设备采集的生理数据，所述生理数据是非脑电数据；
脑电数据获取模块，用于获取脑电监测设备采集的脑电数据，所述脑电数据和所述生理数据是在同一时间段对同一目标对象采集的数据；
识别模块，用于对所述脑电数据进行睡眠状态识别，获得第一睡眠状态识别结果；
标注模块，用于使用所述第一睡眠状态识别结果对所述生理数据进行睡眠状态类别标注，获得标注后的生理数据，所述标注后的生理数据包括睡眠状态类别标签；
训练模块，用于使用所述标注后的生理数据，或第一生理参数特征和所述标注后的生理数据，对待训练睡眠状态识别模型进行训练，获得训练完成的睡眠状态识别模型，所述第一生理参数特征为从所述生理数据中提取的特征。
8.如权利要求7所述的装置，其特征在于，所述训练模块具体用于：
从所述第一生理参数特征中选取第一目标特征，或从第二生理参数特征中选取第二目标特征，所述第二生理参数特征为从所述标注后的生理数据中提取的特征；
将所述第二目标特征，或所述第一目标特征和所述标注后的生理数据输入至所述待训练睡眠状态识别模型，获得所述待训练睡眠状态识别模型输出的第三睡眠状态识别结果；
根据所述第三睡眠状态识别结果和所述睡眠状态类别标签，对所述待训练睡眠状态识别模型进行网络参数调整，并在迭代训练多次后获得目标睡眠状态识别模型；
使用测试数据集测试所述目标睡眠状态识别模型的睡眠状态分类准确率；
若所述睡眠状态分类准确率满足预设指标要求，则将所述目标睡眠状态识别模型确定为所述训练完成的睡眠状态识别模型；
若所述睡眠状态分类准确率不满足所述预设指标要求，则返回所述从所述第一生理参数特征中选取第一目标特征，或从第二生理参数特征中选取第二目标特征的步骤，直到所述睡眠状态分类准确率满足所述预设指标要求。
9.一种电子设备，包括存储器、处理器以及所述存储器存储的可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项或6所述的方法。
10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项或6所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210681000.7A CN115153463A (zh) | 2022-06-16 | 2022-06-16 | 睡眠状态识别模型的训练方法、睡眠状态识别方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210681000.7A CN115153463A (zh) | 2022-06-16 | 2022-06-16 | 睡眠状态识别模型的训练方法、睡眠状态识别方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115153463A true CN115153463A (zh) | 2022-10-11 |
Family
ID=83485743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210681000.7A Pending CN115153463A (zh) | 2022-06-16 | 2022-06-16 | 睡眠状态识别模型的训练方法、睡眠状态识别方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115153463A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115956884A (zh) * | 2023-02-14 | 2023-04-14 | 浙江强脑科技有限公司 | 一种睡眠状态和睡眠分期的监测方法、装置及终端设备 |
| CN116030534A (zh) * | 2023-02-22 | 2023-04-28 | 中国科学技术大学 | 睡眠姿态模型的训练方法和睡眠姿态识别方法 |
| CN116369941A (zh) * | 2023-04-20 | 2023-07-04 | 南方医科大学南方医院 | 基于脑电eeg生理信息的睡眠质量判断方法 |
| CN117061658A (zh) * | 2023-07-11 | 2023-11-14 | 荣耀终端有限公司 | 睡眠时间识别方法、电子设备及存储介质 |
-
2022
- 2022-06-16 CN CN202210681000.7A patent/CN115153463A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115956884A (zh) * | 2023-02-14 | 2023-04-14 | 浙江强脑科技有限公司 | 一种睡眠状态和睡眠分期的监测方法、装置及终端设备 |
| CN115956884B (zh) * | 2023-02-14 | 2023-06-06 | 浙江强脑科技有限公司 | 一种睡眠状态和睡眠分期的监测方法、装置及终端设备 |
| CN116030534A (zh) * | 2023-02-22 | 2023-04-28 | 中国科学技术大学 | 睡眠姿态模型的训练方法和睡眠姿态识别方法 |
| CN116030534B (zh) * | 2023-02-22 | 2023-07-18 | 中国科学技术大学 | 睡眠姿态模型的训练方法和睡眠姿态识别方法 |
| CN116369941A (zh) * | 2023-04-20 | 2023-07-04 | 南方医科大学南方医院 | 基于脑电eeg生理信息的睡眠质量判断方法 |
| CN117061658A (zh) * | 2023-07-11 | 2023-11-14 | 荣耀终端有限公司 | 睡眠时间识别方法、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107495962B (zh) | 一种单导联脑电的睡眠自动分期方法 | |
| CN115153463A (zh) | 睡眠状态识别模型的训练方法、睡眠状态识别方法和装置 | |
| Tzimourta et al. | EEG-based automatic sleep stage classification | |
| Ren et al. | Off-line and on-line stress detection through processing of the pupil diameter signal | |
| Ren et al. | Affective assessment by digital processing of the pupil diameter | |
| US20150245800A1 (en) | Method for Detection Of An Abnormal Sleep Pattern In A Person | |
| Alotaibi et al. | Ensemble Machine Learning Based Identification of Pediatric Epilepsy. | |
| CN114081439A (zh) | 一种应用前额叶单通道脑电信号对睡眠分期的类脑算法 | |
| CN112806994A (zh) | 一种基于生理信号预测个体压力应对方式的系统和方法 | |
| US20170347947A1 (en) | EOG-based Sleep Staging Method, Computer Program Product with Stored Programs, Computer Readable Medium with Stored Programs, and Electronic Apparatuses | |
| CN113723557A (zh) | 一种基于多频带时空卷积网络的抑郁脑电分类系统 | |
| Khosropanah et al. | A hybrid unsupervised approach toward EEG epileptic spikes detection | |
| Yue et al. | Heart rate and heart rate variability as classification features for mental fatigue using short-term PPG signals via smartphones instead of ECG recordings | |
| Gavas et al. | Multivariate variational mode decomposition based approach for blink removal from EEG signal | |
| Hasan et al. | Validation and interpretation of a multimodal drowsiness detection system using explainable machine learning | |
| Li et al. | Driver distraction from the EEG perspective: A review | |
| CN115089179A (zh) | 一种心理情绪洞察分析方法及系统 | |
| CN113729729A (zh) | 基于图神经网络和脑网络的精神分裂症早期检测系统 | |
| Radhakrishnan et al. | Investigating EEG Signals of Autistic Individuals Using Detrended Fluctuation Analysis. | |
| Vijean et al. | Objective investigation of vision impairments using single trial pattern reversal visually evoked potentials | |
| Asgari et al. | A robust approach toward recognizing valid arterial-blood-pressure pulses | |
| EP3769683B1 (en) | Stress level monitoring of users using a respiratory signal and alerting thereof | |
| Asha et al. | Automated seizure detection from multichannel EEG signals using support vector machine and artificial neural networks | |
| Prabhakararao et al. | Automatic quality estimation of 12-lead ECG for remote healthcare monitoring systems | |
| WO2021050972A1 (en) | Wearable system for automated, objective and continuous quantification of pain |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240902 Address after: Room 704-04, 7th Floor, No. 588 Jiahe Road, Torch Park, Torch High tech Zone, Xiamen City, Fujian Province, 361000 Applicant after: Xiamen Beiyang Ruiheng Intelligent Health Co.,Ltd. Country or region after: China Applicant after: Xiamen Beiyang Brain Computer Interface and Intelligent Health Innovation Research Institute Address before: 518000 No.2, area a, 3rd floor, building B2, digital technology park, 18 Gaoxin South 7th Road, Gaoxin community, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Applicant before: NEURAL FLEX TECHNOLOGY(SHENZHEN) Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right |