1.一种睡眠状态检测方法,其特征在于,包括:
获取用户在睡眠时的在预设时间段内的生物电信号;
从所述生物电信号中提取至少一个信号特征;
根据所述至少一个信号特征和为各个睡眠状态分别预先配置的Ki个高斯函数分量,分别计算获得各个高斯函数分量值,并根据所有所述高斯函数分量值,计算获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率;其中,Ki为大于零的整数;
获得所述概率中的最大概率,并将所述用户在所述预设时间段内的睡眠状态确定为所述各个睡眠状态中的与所述最大概率所对应的睡眠状态。
2.如权利要求1所述的睡眠状态检测方法,其特征在于,所述信号特征的数量为一个;所述信号特征由至少一个特征数据组成;
则所述根据所述至少一个信号特征和为各个睡眠状态分别预先配置的Ki个高斯函数分量,分别计算获得各个高斯函数分量值,并根据所有所述高斯函数分量值,计算获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率,具体包括:
将所述信号特征f依次代入为各个睡眠状态Si预先配置的高斯混合模型中,获得所述信号特征f相对于各个睡眠状态Si的后验概率p(Si/f),即为所述用户在所述预设时间段内的睡眠状态分别为各个睡眠状态Si的概率;其中,p(Si)为睡眠状态Si的先验概率;Ki为与睡眠状态Si相对应的高斯函数分量的个数;ωi,k为与睡眠状态Si相对应的各个高斯函数分量的分量权重;σi,k为与睡眠状态Si相对应的各个高斯函数分量的协方差;μi,k为与睡眠状态Si相对应的各个高斯函数分量的数学期望;d为所述信号特征f中的特征数据的个数。
3.如权利要求1所述的睡眠状态检测方法,其特征在于,所述信号特征的数量为两个或者两个以上;所述信号特征由至少一个特征数据组成;
则所述根据所述至少一个信号特征和为各个睡眠状态分别预先配置的Ki个高斯函数分量,分别计算获得各个高斯函数分量值,并根据所有所述高斯函数分量值,计算获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率,具体包括:
将每个所述信号特征fj依次代入为各个睡眠状态Si预先配置的高斯混合模型中,获得每个所述信号特征fj相对于各个睡眠状态Si的后验概率p(Si/fj);其中,p(Si)为睡眠状态Si的先验概率;Ki为与睡眠状态Si相对应的高斯函数分量的个数;ωi,k为与睡眠状态Si相对应的各个高斯函数分量的分量权重;σi,k为与睡眠状态Si相对应的各个高斯函数分量的协方差;μi,k为与睡眠状态Si相对应的各个高斯函数分量的数学期望;d为所述信号特征fj中的特征数据的个数;
将所有后验概率p(Si/fj)以各个睡眠状态Si为单位进行合成,获得所述用户在所述预设时间段内的睡眠状态为所述各个睡眠状态的概率。
4.如权利要求3所述的睡眠状态检测方法,其特征在于,所述生物电信号根据信号的生成时间的先后顺序划分为至少两段子生物电信号,且相邻的两段子生物电信号的生成时间部分重叠;所述信号特征与每段所述子生物电信号一一对应。
5.如权利要求2或3所述的睡眠状态检测方法,其特征在于,在所述根据所述至少一个信号特征和为各个睡眠状态分别预先配置的Ki个高斯函数分量,分别计算获得各个高斯函数分量值,并根据所有所述高斯函数分量值,计算获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率之前,还包括:
根据预先设置的分解算法对每个睡眠状态Si所对应的训练生物电信号所对应的至少一个训练信号特征分别进行聚类分解获得所述与睡眠状态Si相对应的高斯函数分量的个数Ki;
所述根据预先设置的分解算法对每个睡眠状态Si所对应的训练生物电信号所对应的至少一个训练信号特征分别进行聚类分解获得所述与睡眠状态Si相对应的高斯函数分量的个数Ki,具体包括:
将与睡眠状态Si相对应的所述训练信号特征作为与睡眠状态Si相对应的数据结构中的父节点;
根据聚类算法对所述父节点进行聚类分解,获得第一子节点和第二子节点;所述第一子节点中包括所述训练信号特征中的第一训练信号特征;所述第二子节点中包括所述训练信号特征中的第二训练信号特征;
分别计算所述第一子节点和所述第二子节点的特征平均值,并计算获得所述第一子节点的特征平均值与所述第二子节点的特征平均值之间的差值;所述特征平均值为节点中的所有训练信号特征的平均值;
比较所述差值与预设的阈值之间的大小,若所述差值小于所述阈值,则删除所述第一子节点和所述第二子节点并保留所述父节点,若所述差值大于或者等于所述阈值,则将所述第一子节点和所述第二父节点分别作为父节点并根据所述聚类算法进一步地进行所述聚类分解,直至对所述数据结构中没有子节点的节点根据所述聚类算法进行所述聚类分解之后所得的第一子节点和第二子节点之间的差值均小于所述阈值;
将所述数据结构中没有子节点的节点的个数作为所述与睡眠状态Si相对应的高斯函数分量的个数Ki。
6.一种睡眠状态检测装置,其特征在于,包括:
生物电信号获取模块,用于获取用户在睡眠时的在预设时间段内的生物电信号;
信号特征提取模块,用于从所述生物电信号中提取至少一个信号特征;
概率获得模块,根据所述至少一个信号特征和为各个睡眠状态分别预先配置的Ki个高斯函数分量,分别计算获得各个高斯函数分量值,并根据所有所述高斯函数分量值,计算获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率;其中,Ki为大于零的整数;以及,
睡眠状态确定模块,用于获得所述概率中的最大概率,并将所述用户在所述预设时间段内的睡眠状态确定为所述各个睡眠状态中的与所述最大概率所对应的睡眠状态。
7.如权利要求6所述的睡眠状态检测装置,其特征在于,所述信号特征的数量为一个;所述信号特征由至少一个特征数据组成;
则所述概率获得模块,具体包括:
第一概率获得单元,用于将所述信号特征f依次代入为各个睡眠状态Si预先配置的高斯混合模型中,获得所述信号特征f相对于各个睡眠状态Si的后验概率p(Si/f),即为所述用户在所述预设时间段内的睡眠状态分别为各个睡眠状态Si的概率;其中,p(Si)为睡眠状态Si的先验概率;Ki为与睡眠状态Si相对应的高斯函数分量的个数;ωi,k为与睡眠状态Si相对应的各个高斯函数分量的分量权重;σi,k为与睡眠状态Si相对应的各个高斯函数分量的协方差;μi,k为与睡眠状态Si相对应的各个高斯函数分量的数学期望;d为所述信号特征f中的特征数据的个数。
8.如权利要求6所述的睡眠状态检测装置,其特征在于,所述信号特征的数量为两个或者两个以上;所述信号特征由至少一个特征数据组成;
则所述概率获得模块,具体包括:
后验概率获得单元,用于将每个所述信号特征fj依次代入为各个睡眠状态Si预先配置的高斯混合模型中,获得每个所述信号特征fj相对于各个睡眠状态Si的后验概率p(Si/fj);其中,p(Si)为睡眠状态Si的先验概率;Ki为与睡眠状态Si相对应的高斯函数分量的个数;ωi,k为与睡眠状态Si相对应的各个高斯函数分量的分量权重;σi,k为与睡眠状态Si相对应的各个高斯函数分量的协方差;μi,k为与睡眠状态Si相对应的各个高斯函数分量的数学期望;d为所述信号特征fj中的特征数据的个数;以及,
第二概率获得单元,用于将所有后验概率p(Si/fj)以各个睡眠状态Si为单位进行合成,获得所述用户在所述预设时间段内的睡眠状态为所述各个睡眠状态的概率。
9.如权利要求8所述的睡眠状态检测装置,其特征在于,所述生物电信号根据信号的生成时间的先后顺序划分为至少两段子生物电信号,且相邻的两段子生物电信号的生成时间部分重叠;所述信号特征与每段所述子生物电信号一一对应。
10.如权利要求7或8所述的睡眠状态检测装置,其特征在于,所述睡眠状态检测装置,还包括:
高斯函数分量个数获得模块,用于根据预先设置的分解算法对每个睡眠状态Si所对应的训练生物电信号所对应的至少一个训练信号特征分别进行聚类分解获得所述与睡眠状态Si相对应的高斯函数分量的个数Ki;
所述高斯函数分量个数获得模块,具体包括:
父节点设置单元,用于将与睡眠状态Si相对应的所述训练信号特征作为与睡眠状态Si相对应的数据结构中的父节点;
聚类分解单元,用于根据聚类算法对所述父节点进行聚类分解,获得第一子节点和第二子节点;所述第一子节点中包括所述训练信号特征中的第一训练信号特征;所述第二子节点中包括所述训练信号特征中的第二训练信号特征;
子节点差值获得单元,用于分别计算所述第一子节点和所述第二子节点的特征平均值,并计算获得所述第一子节点的特征平均值与所述第二子节点的特征平均值之间的差值;所述特征平均值为节点中的所有训练信号特征的平均值;
判断循环单元,用于比较所述差值与预设的阈值之间的大小,若所述差值小于所述阈值,则删除所述第一子节点和所述第二子节点并保留所述父节点,若所述差值大于或者等于所述阈值,则将所述第一子节点和所述第二父节点分别作为父节点并根据所述聚类算法进一步地进行所述聚类分解,直至对所述数据结构中没有子节点的节点根据所述聚类算法进行所述聚类分解之后所得的第一子节点和第二子节点之间的差值均小于所述阈值;以及,
高斯函数分量个数设置单元,用于将所述数据结构中没有子节点的节点的个数作为所述与睡眠状态Si相对应的高斯函数分量的个数Ki。