睡眠状态的监测方法及装置与流程

本发明实施例涉及语音识别
技术领域：
，尤其涉及一种睡眠状态的监测方法及装置。
背景技术：
随着技术的不断发展，智能设备的性能得到了极大的改善，其中智能可穿戴设备由于与人体贴合的特性,相比手机等更能反映当前使用者的活动状态和复杂行为特征。因此通过智能可穿戴设备，对用户的行为特征进行监测，能够提供可靠和宝贵的数据，以便于完成更加复杂的任务，如行为分析，督促陋习改正等。目前，在通过智能设备对用户睡眠情况进行监测时，需要用户佩戴相应的智能设备并对用户的行为数据进行采集，进而实现对用户睡眠状态的监测，因此当用户脱掉智能可穿戴设备时便无法对睡眠状态进行监测。技术实现要素：鉴于上述问题，本发明实施例提供一种睡眠状态的监测方法及装置，主要目的在于通过采集待监测对象在睡眠过程中的声音信号以对其睡眠状态进行监测，提升用户体验。为解决上述技术问题，第一方面，本发明实施例提供了一种睡眠状态的监测方法，该方法包括：获取待监测对象的声音信号；从所述声音信号中提取与所述待监测对象对应的特征信息；根据所述特征信息利用预置神经网络模型计算与所述待监测对象对应的睡眠分值；根据所述睡眠分值确定与所述待监测对象对应的睡眠状态。可选的，在生成所述预置神经网络模型时执行如下步骤：获取样本数据和实验声音信号，所述样本数据用于标识实验对象在睡眠期间的所述睡眠分值，而所述实验声音信号为当所述实验对象在所述睡眠期间内采集的；从所述实验声音信号中提取与所述实验对象对应的所述特征信息；利用标注过的所述样本数据和所述与所述实验对象对应的所述特征信息进行训练，得到所述预置神经网络模型。可选的，所述预置神经网络模型存储在智能设备或云端中。可选的，所述方法还包括：将所述待监测对象的睡眠分值和所述样本数据进行拟合；根据所述拟合的结果对所述睡眠分值进行修正。可选的，所述根据所述睡眠分值确定与所述待监测对象对应的睡眠状态包括：获取睡眠分析数据表，所述睡眠分析数据表中保存有不同睡眠状态下分别对应的所述睡眠分值；根据所述睡眠分值在所述睡眠分析数据表中查询，得到与所述待监测对象对应的睡眠状态。可选的，所述获取睡眠分析数据表包括：获取所述待监测对象的年龄参数；根据所述年龄参数提取与所述待监测对象对应的所述睡眠数据分析数据表。第二方面，本发明实施例还提供了一种睡眠状态的监测装置，该装置包括：获取单元，用于获取待监测对象的声音信号；提取单元，用于从所述声音信号中提取与所述待监测对象对应的特征信息；计算单元，用于根据所述特征信息利用预置神经网络模型计算与所述待监测对象对应的睡眠分值；确定单元，用于根据所述睡眠分值确定与所述待监测对象对应的睡眠状态。可选的，所述装置还包括：训练单元，所述获取单元，还用于获取样本数据和实验声音信号，所述样本数据用于标识实验对象在睡眠期间的所述睡眠分值，而所述实验声音信号为当所述实验对象在所述睡眠期间内采集的；所述提取单元，还用于从所述实验声音信号中提取与所述实验对象对应的所述特征信息；所述训练单元，用于利用标注过的所述样本数据和所述与所述实验对象对应的所述特征信息进行训练，得到所述预置神经网络模型。可选的，所述预置神经网络模型存储在智能设备或云端中。可选的，所述装置还包括：拟合单元，用于将所述待监测对象的睡眠分值和所述样本数据进行拟合；修正单元，用于根据所述拟合的结果对所述睡眠分值进行修正。可选的，所述确定单元包括：获取模块，用于获取睡眠分析数据表，所述睡眠分析数据表中保存有不同睡眠状态下分别对应的所述睡眠分值；查询模块，用于根据所述睡眠分值在所述睡眠分析数据表中查询，得到与所述待监测对象对应的睡眠状态。可选的，所述获取模块包括；获取子模块，用于获取所述待监测对象的年龄参数；提取子模块，用于根据所述年龄参数提取与所述待监测对象对应的所述睡眠数据分析数据表。为了实现上述目的，根据本发明实施例的第三方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述所述的睡眠状态的监测方法。为了实现上述目的，根据本发明实施例的第四方面，提供了一种电子设备，所述电子设备包括一个或多个处理器及存储器，其中存储器用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个实现如上述所述的睡眠状态的监测方法。借由上述技术方案，本发明实施例提供的睡眠状态的监测方法及装置，对于现有技术中需要通过用户佩戴可穿戴设备并采集用户行为数据进行睡眠状态监测，而当用户脱掉设备时便无法对睡眠状态进行监测的问题，本发明实施例通过采集待监测对象在睡眠过程中的声音信号，并从声音信号中提取相应的特征信息，将特征信息输入到预先存储的神经网络模型中，以计算得到待监测对象的睡眠分值，并根据待监测对象的睡眠分值确定其睡眠状态，无需用户佩戴相应的设备即可实现对睡眠状态的监测，提升了用户使用感受。上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明实施例的具体实施方式。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明实施例的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1示出了本发明实施例提供的一种睡眠状态的监测方法流程图；图2示出了本发明实施例提供的另一种睡眠状态的监测方法流程图；图3示出了本发明实施例提供的一种睡眠状态的监测装置的组成框图；图4示出了本发明实施例提供的另一种睡眠状态的监测装置的组成框图；图5示出了本发明实施例提供的一种监测睡眠状态的电子设备的组成框图。具体实施方式下面将参照附图更详细地描述本发明实施例的示例性实施例。虽然附图中显示了本发明实施例的示例性实施例，然而应当理解，可以以各种形式实现本发明实施例而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明实施例，并且能够将本发明实施例的范围完整的传达给本领域的技术人员。为了提高睡眠状态监测的性能，本发明实施例提供了一种语音信息的采集方法，如图1所示，该方法包括：101、获取待监测对象的声音信号。其中，所述声音信号可以为待监测对象在睡眠过程中的呼吸声、鼾声等，本发明实施例对此不做具体限定。具体地，本步骤的实现方式可以为将智能设备放置在卧室内，如枕头旁或者床头柜上，并通过配置在智能设备中的麦克风等装置，采集待监测对象的声音信号，以便于之后利用该声音信号进行睡眠状态监测，从而使得无需用户佩戴相应的设备即可进行监测。102、从所述声音信号中提取与所述待监测对象对应的特征信息。本步骤的具体实现方式可以为现有技术中如mfcc(melfrequencycepstralcoefficents，梅尔频率倒谱系数)或lpc(linearpredictivecoding，线性预测编码)等的特征信息提取方式，本发明实施例对此不做过多赘述。此外，在上述步骤101中采集到相应的声音信号之后，可以对声音信号进行去噪处理，并对去噪后的声音信号进行增强放大，进而再进行分帧和频域处理等，以得到清晰的声音信号后再提取相应的特征信息，从而确保了特征信息提取准确性。103、根据所述特征信息利用预置神经网络模型计算与所述待监测对象对应的睡眠分值。其中，所述预置神经网络模型可以为根据医学数据或者样本数据进行标注，并且结合大量的在实验过程中采集的声音信号进行训练而得到的。此外，预置神经网络模型可以保存在智能终端设备中，还可以保存在云端，具体可以根据不同的应用场景进行设定，例如对于内存较大的智能设备，如智能音响，则可以将预置神经网络模型直接保存在智能设备中，而对于内存较小的智能设备，如智能手表，则可以将预置神经网络模型保存在云端，本发明实施例对此不做具体限定。此外，所述睡眠得分用于标识所述待监测对象的睡眠状态，而所述睡眠状态可以为清醒状态、浅睡眠状态、由浅睡眠向深度睡眠的过渡状态或者深睡眠等，可以根据不同的应用场景进行设定，本发明实施例对此不做具体限定。进一步的，本步骤中所述的睡眠分值可以为标识不同睡眠状态的等级标识，如a-、a、a+、b-、b可以分别用于标识待监测对象处于清醒状态、渐睡状态、浅度睡眠状态、由浅睡进入深睡的过渡状态、深睡眠状态等，当然还可以为确定待监测对象的睡眠分值为58分、92分等，本发明实施例对此不做具体限定。104、根据所述睡眠分值确定与所述待监测对象对应的睡眠状态。具体地，本步骤可以为将一段时间内的监测结果按照时间顺序进行统计并统一输出，还可以为在智能设备内实时输出各个时刻的睡眠状态，本发明实施例对此不做具体限定。本发明实施例提供的睡眠状态的监测方法，对于现有技术中需要通过用户佩戴可穿戴设备并采集用户行为数据进行睡眠状态监测，而当用户脱掉设备时便无法对睡眠状态进行监测的问题，本发明实施例通过采集待监测对象在睡眠过程中的声音信号，并从声音信号中提取相应的特征信息，将特征信息输入到预先存储的神经网络模型中，以计算得到待监测对象的睡眠分值，并根据待监测对象的睡眠分值确定其睡眠状态，无需用户佩戴相应的设备即可实现对睡眠状态的监测，提升了用户使用感受。进一步的，作为对图1所示实施例的细化及扩展，本发明实施例还提供了另一种睡眠状态的监测方法，如图2所示，其具体步骤包括：201、获取样本数据和实验声音信号。其中，所述样本数据用于标识实验对象在睡眠期间的所述睡眠分值，而所述实验声音信号为当所述实验对象在所述睡眠期间内采集的。具体地，样本数据可以为根据基于传感器算法等得到的标识用户在睡眠过程中各个阶段的睡眠分值，但不限于此。而实验声音信号可以通过智能设备中配置的麦克风装置等进行获取。此外，本步骤在获取到声音信号之后可以对声音信号进行去噪处理，并对去噪后的声音信号进行增强放大，进而再进行分帧和频域处理等，以得到清晰干净的声音信号，以便于利用该信号进行特征提取和计算等。202、从所述实验声音信号中提取与所述实验对象对应的所述特征信息。对于本发明实施例，从实验声音信号中提取特征信息的方式与从待监测对象的声音信号中提取特征信息的方式相同，因此本步骤的具体实施方式可以参考所述步骤102中相应描述，在此不再赘述。203、利用标注过的所述样本数据和所述与所述实验对象对应的所述特征信息进行训练。进一步地，得到所述预置神经网络模型。而所述预置神经网络模型存储在智能设备或云端中。需要说明的是，当神经网络模型保存在智能设备内时，此时睡眠状态监测装置也应用于终端设备内，并且在通过设备内置麦克风等装置采集到声音信号并提取到相应的特征信息之后，直接输入保存在设备内的神经网络模型以进行计算。而当神经网络模型保存在云端时，此时睡眠监测装置可以为应用在云端内，并且在终端采集到声音信号之后将声音信号直接发送给云端服务器，以使得云端接收声音进行并进行提取特征信息等处理，利用预先保存的神经网络模型计算睡眠分值并确定待监测对象的睡眠状态，而后将监测结果返回给智能设备，以便于进行展示等。对于本发明实施例，通过根据样本数据和采集的大量实验声音信号进行训练得到相应的神经网络模型，能够确保在之后利用预先存储的该神经网络模型进行计算的准确性，从而提高了睡眠分值计算的准确性，进而提高了睡眠状态监测的准确性。204、获取待监测对象的声音信号。其中，所述声音信号的概念解释以及本步骤的具体实施方式均可以参考所述步骤101中相应描述，在此不再赘述。205、从所述声音信号中提取与所述待监测对象对应的特征信息。其中，本步骤中相应的概念解释和具体实施方式均可以参考所述步骤102中的相应描述，在此不再赘述。206、根据所述特征信息利用预置神经网络模型计算与所述待监测对象对应的睡眠分值。需要说明的是，在上述步骤中时按照样本数据中的睡眠分值和实验对象在睡眠过程的声音信号进行训练神经网络模型的，从而使得在本步骤中将获取到的声音信号直接输入到模型中即可计算得到相应的睡眠分值。为了提高睡眠分值计算的准确性，本发明实施例还可以包括：将所述待监测对象的睡眠分值和所述样本数据进行拟合；根据所述拟合的结果对所述睡眠分值进行修正。而具体的声音信号和样本数据拟合方式可以为现有技术中的数据拟合方式，本发明实施例对此不做过多赘述。对于本发明实施例，通过对神经网络模型计算得到的睡眠分值，结合标注的样本数据或者医学数据等再进行拟合，以对睡眠分值进行修正，能够得到更加精准的睡眠分值，进一步确保了睡眠分值计算的精确性，从而提高了睡眠状态监测的精确性。207、根据所述当前睡眠分值确定与所述待监测对象对应的睡眠状态。其中，所述睡眠状态可以为某一时刻的睡眠状态，当然也可以为某一时间段内的睡眠状态，本发明实施例对此不做限定。具体地，所述步骤207可以包括：获取睡眠分析数据表，所述睡眠分析数据表中保存有不同睡眠状态下分别对应的睡眠分值；根据所述当前睡眠分值在所述睡眠分析数据表中查询，得到与所述待监测对象对应的睡眠状态。其中，所述睡眠分析数据表可以为预先计算得到并保存的，而具体的可以为借助医学中对睡眠状态监测的数据，来确定睡眠状态与睡眠分值之间的关系。例如，获取到的睡眠分析数据表可以如下表1所示：表1睡眠状态睡眠分值清醒0～6.0浅度睡眠6.1～7.3由浅度睡眠向深度睡眠的过渡状态7.4～8.2深度睡眠8.3～10此外，在获取到睡眠分析数据表之后，可以通过爬虫技术或者利用查询函数等，根据上述步骤计算得到的当前睡眠分值，查询监测该睡眠分值所属的分值区间，进而确定当前的睡眠状态。进一步的，对于本发明实施例，上述获取睡眠分析数据表具体可以为：获取所述待监测对象的年龄参数；根据所述年龄参数提取与所述待监测对象对应的所述睡眠数据分析数据表。其中，待监测对象的年龄参数可以通过当用户启用智能设备或者注册睡眠状态监测程序时输入的。需要说明的是，由于不同年龄阶段的人在各种睡眠状态下的睡眠程度不同，因此通过分别制定与不同年龄阶段分别对应的睡眠分析数据表，能够使得睡眠分值区间检测结果更加精确，从而提高了睡眠状态监测的精确性。进一步的，作为对上述图1所示方法的实现，本发明实施例还提供了一种睡眠状态的监测装置，用于对上述图1所示的方法进行实现。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。如图3所示，该装置包括：获取单元31、提取单元32、计算单元33以及确定单元34，其中获取单元31，可以用于获取待监测对象的声音信号。提取单元32，可以用于从所述获取单元31获取到的所述声音信号中提取与所述待监测对象对应的特征信息。计算单元33，可以用于根据所述提取单元32提取到的所述特征信息利用预置神经网络模型计算与所述待监测对象对应的睡眠分值。确定单元34，可以用于根据所述计算单元33计算得到的所述睡眠分值确定与所述待监测对象对应的睡眠状态。进一步的，作为对上述图2所示方法的实现，本发明实施例还提供了一种睡眠状态的监测装置，用于对上述图2所示的方法进行实现。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。如图4所示，该装置包括：获取单元41、提取单元42、计算单元43以及确定单元44，其中获取单元41，可以用于获取待监测对象的声音信号。提取单元42，可以用于从所述获取单元41获取到的所述声音信号中提取与所述待监测对象对应的特征信息。计算单元43，可以用于根据所述提取单元42提取到的所述特征信息利用预置神经网络模型计算与所述待监测对象对应的睡眠分值。确定单元44，可以用于根据所述计算单元43计算得到的所述睡眠分值确定与所述待监测对象对应的睡眠状态。进一步的，所述装置还包括：训练单元45。所述获取单元41，还可以用于获取样本数据和实验声音信号。所述提取单元42，还可以用于从所述实验声音信号中提取与所述实验对象对应的所述特征信息。所述训练单元45，可以用于利用标注过的所述样本数据和所述与所述实验对象对应的所述特征信息进行训练，得到所述预置神经网络模型。进一步的，所述装置还包括：拟合单元46，可以用于将所述待监测对象的睡眠分值和所述样本数据进行拟合。修正单元47，可以用于根据所述拟合的结果对所述睡眠分值进行修正。进一步的，所述确定单元44包括：获取模块4401，可以用于获取睡眠分析数据表，所述睡眠分析数据表中保存有不同睡眠状态下分别对应的睡眠分值；查询模块4402，可以用于根据所述当前睡眠分值在所述睡眠分析数据表中查询，得到与所述待监测对象对应的睡眠状态。进一步的，所述获取模块4401包括：获取子模块44011，可以用于获取所述待监测对象的年龄参数。提取子模块44012，可以用于根据所述年龄参数提取与所述待监测对象对应的所述睡眠数据分析数据表。借由上述技术方案，本发明实施例提供一种睡眠状态的监测方法及装置。对于现有技术中需要通过用户佩戴可穿戴设备并采集用户行为数据进行睡眠状态监测，而当用户脱掉设备时便无法对睡眠状态进行监测的问题，本发明实施例通过采集待监测对象在睡眠过程中的声音信号，并从声音信号中提取相应的特征信息，将特征信息输入到预先存储的神经网络模型中，以计算得到待监测对象的睡眠分值，并根据待监测对象的睡眠分值确定其睡眠状态，无需用户佩戴相应的设备即可实现对睡眠状态的监测，提升了用户使用感受。此外，利用样本数据进行标注，并通过采集大量的实验声音信号，以根据样本数据和实验声音信号进行训练得到相应的神经网络模型并进行保存，能够确保该神经网络模型完全适用于睡眠分值的计算，从而确保了睡眠分值计算的准确性，进而提高了睡眠状态监测的准确性。另外，可以根据设备内部存储空间大小选择，将预先存储的神经网络模型保存在智能设备内或者存储在云端内，提高了睡眠状态监测应用的便捷性和广泛性。此外，通过获取待监测对象的年龄参数，并根据不同年龄参数分别获取相应的睡眠数据分析表，避免了全部年龄阶段的待监测对象均采用同一个睡眠分析数据表造成的睡眠状态监测不够精确的问题，从而提高了睡眠状态监测的精确度。进一步的，本发明实施例还提供了一种电子设备的结构框图，用于执行上述任一实施例所述的睡眠状态的监测方法，如图5所示，其中，所述电子设备包括处理器及存储器，上述检测单元、以及存储单元等作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。具体的，本发明实施例所述的电子设备中包括：至少一个处理器(processor)501；以及与所述处理器501连接的至少一个存储器(memory)502、总线503；其中，所述处理器501、存储器502通过所述总线503完成相互间的通信；所述处理器501用于调用所述存储器502中的程序指令，以执行上述各方法实施例所提供的方法。其中，处理器501中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提高睡眠状态监测的性能。所述存储器502，可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)，存储器502中包括至少一个存储芯片。进一步的，本发明实施例提还供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述睡眠状态的监测方法。本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。存储器是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。当前第1页12