音乐辅助睡眠的方法、装置、计算机设备及存储介质与流程
本申请涉及数据处理技术领域，尤其涉及一种音乐辅助睡眠的方法、装置、计算机设备及存储介质。
背景技术：
多导睡眠监测仪是睡眠检测的金标准，但需要复杂的医疗仪器。因此，使用多导睡眠监测仪进行睡眠检测和睡眠干预的适用性不强，如多数情况下应用于临床上对疾病的诊断和检测等。目前很难找到一种一种适用性强、应用范围广的进行睡眠检测和睡眠干预的方法来进行睡眠干预，以提高用户的睡眠体验。
技术实现要素：
本申请实施例提供一种音乐辅助睡眠的方法、装置、计算机设备及存储介质，可根据不同的睡眠阶段来降低音乐的音量、关闭音乐、开启音乐，提高用户体验。
第一方面，本申请实施例提供了一种音乐辅助睡眠的方法，该方法包括：
若检测到当前环境满足第一预设条件，开始检测用户的呼吸信号和体动信号，并播放预设音乐；将检测得到的呼吸信号和体动信号进行预处理；将预处理后的呼吸信号和体动信号的特征输入到预设随机森林模型中，以得到预设随机森林模型的第一睡眠阶段预测结果；根据第一睡眠阶段预测结果确定是否要将预设音乐的播放音量调小或者是否要关闭预设音乐；若检测到当前时间满足第二预设条件，开始检测用户的呼吸信号和体动信号；将检测得到的呼吸信号和体动信号进行预处理；将预处理后的呼吸信号和体动信号的特征输入到预设随机森林模型中，以得到预设随机森林模型的第二睡眠阶段预测结果；根据第二睡眠阶段预测结果确定是否要开始播放预设音乐。
第二方面，本申请实施例提供了一种音乐辅助睡眠的装置，该音乐辅助睡眠的装置包括用于执行上述第一方面所述的方法对应的单元。
第三方面，本申请实施例提供了一种计算机设备，所述计算机设备包括存储器，以及与所述存储器相连的处理器；
所述存储器用于存储计算机程序，所述处理器用于运行所述存储器中存储的计算机程序，以执行上述第一方面所述的方法。
第四方面，本申请实施例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，实现上述第一方面所述的方法。
本申请实施例通过检测呼吸信号和体动信号，并利用预设随机森林模型来预测当前睡眠阶段处于哪个睡眠阶段，并根据不同的睡眠阶段来进行音乐催眠或者音乐唤醒。本申请实施例自动根据不同的睡眠阶段来降低音乐的音量、关闭音乐、开启音乐，无需用户参与，提高用户的体验。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例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是本申请实施例提供的音乐辅助睡眠的方法的流程示意图；
图2是本申请实施例提供的音乐辅助睡眠的方法的子流程示意图；
图3是本申请实施例提供的音乐辅助睡眠的方法的子流程示意图；
图4是本申请实施例提供的睡眠阶段的示意性框图；
图5是本申请实施例提供的音乐辅助睡眠的装置的示意性框图；
图6是本申请实施例提供的模型建立单元的示意性框图；
图7是本申请实施例提供的第一预处理单元的示意性框图；
图8是本申请实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1是本申请实施例提供的音乐辅助睡眠的方法的流程图。该方法运行于手机、可穿戴设备等终端。如图1所示，该方法包括以下步骤s101-s108。以下步骤s101-s108通过预设随机森林模型来对检测到的呼吸信号和体动信号来进行睡眠阶段预测，并根据不同的睡眠阶段预设结果，来确定音乐干预睡眠的不同方式。下面会对步骤s101-s108做详细的介绍。然而，在一些实施例中，在步骤s101之前，所述方法还包括s101a。
s101a，建立预设随机森林模型。
建立的该预设随机森林模型适用于睡眠阶段的预测。
在一实施例中，如图2所示，步骤s101a包括s1011a-s1016a。
s1011a，获取目标数据，所述目标数据包括呼吸信号、体动信号、脑电信号、眼电信号、肌电信号。
其中，目标数据包括多条数据，每条数据包括呼吸信号、体动信号、脑电信号、眼电信号、肌电信号等。即每条数据包括有多个特征，如呼吸信号、体动信号、脑电信号、眼电信号、肌电信号等。其中，体动信号包括体位翻动信号等。目标数据中的多个特征数据可以通过多导睡眠监测系统来检测获取，目标数据还可以直接从其他数据库中获取。
s1012a，根据所获取的脑电信号、眼电信号、肌电信号来确定睡眠阶段标签。
通常情况下，通过脑电信号、眼电信号、肌电信号等可以较为精确确定当前某个人处于睡眠的哪个阶段。其中，睡眠阶段包括清醒期、浅度睡眠期、深度睡眠期、快速动眼期。每个不同的睡眠阶段所对应的特征会有所不同。以下简单介绍不同睡眠阶段所对应的一部分特征。如，清醒期：大脑发出低频率的、微弱的脑电波，称之为α脑电波，一帧中50％以上都是α脑电波。浅度睡眠期：分为nrem-1和nrem-2，先出现的nrem-1的识别标准是脑电信号图像出现α脑电波，低压混合频率波一帧占50％以上。后出现的nrem-2的标识标准为脑电信号图像不出现α脑电波，慢速眼球运动且睡眠脑电频率在4-7hz，背景(基础脑电波)波频率比清醒期慢1hz或以上。深度睡眠阶段：脑电波频率降到最低，叫做δ脑电波，一帧数据50％以上包含δ脑电波(0.5-2hz)。快速动眼期，也称为rem期，第一次需要同时出现混合频率波、低电压脑电活动、低肌电水平、快速眼动出现；一次之后只要同时出现混合频率波、低电压脑电波、低肌电水平等。对所获取的脑电信号、眼电信号、肌电信号进行处理，根据处理后的脑电信号、眼电信号、肌电信号的特征，以及不同睡眠阶段所对应的脑电信号、眼电信号、肌电信号的特征来确定睡眠阶段标签。即确定每条脑电信号、眼电信号、肌电信号的数据所对应的是哪个睡眠阶段。
s1013a，对所获取的呼吸信号、体动信号进行预处理。
可以理解地，通过脑电信号、眼电信号、肌电信号等可以较为精确确定当前某个人处于睡眠的哪个阶段，而每个不同睡眠阶段所对应的呼吸信号、体动信号也存在差异。可以理解地，多导睡眠检测系统需要复杂的医疗仪器，适用性不强，而呼吸信号、体动信号等无需多导睡眠监测系统来检测获取，直接可通过手机、可穿戴设备等终端进行获取。如此，可提高该方法的适用性。
具体地，步骤s1013a包括：统计每个睡眠阶段所对应的呼吸信号中每分钟的呼吸次数；获取该睡眠阶段中的每分钟的呼吸次数出现最多的前预设个数的呼吸次数值，取该预设个数的呼吸次数值的平均值；根据该平均值计算该睡眠阶段中的每分钟的呼吸次数方差；根据该睡眠阶段每分钟的呼吸次数，计算第一呼吸信号特征参数rem；根据该睡眠阶段的体动信号以及计算出的平均值，计算第二呼吸信号特征参数deep。
其中，预设个数如3个。如睡眠阶段为清醒期，该睡眠阶段中每分钟的呼吸次数最低的有13次，呼吸次数最高的有19次，而出现次数最多的前三个值为15、16、17。可以理解为，较多时间里每分钟的呼吸次数为15、16、17次。那么将获取15、16、17，计算15、16、17的平均值，根据该平均值计算在清醒期每分钟的呼吸次数方差。其中，第一呼吸信号特征参数rem的计算公式如下：
s1014a，将预处理后的呼吸信号和体动信号的特征以及所确定的睡眠阶段标签作为原始训练集。
预处理后得到的呼吸信号和体动信号的特征包括：每个睡眠阶段每分钟的呼吸次数、每分钟的呼吸次数方差、第一呼吸信号特征参数rem、第二呼吸信号特征参数deep等。在其他实施例中，还可以包括其他的特征。
s1015a，从原始训练集中随机有放回的进行n次采样，每次采样选取m个样本，以得到n个训练集。
随机有放回的取样是为了保证样本的随机性。需要注意的是，原始训练集中每个睡眠阶段所对应的数据所对应的条数认为足够以用来进行训练。其中，n为大于3的正整数。
s1016a，对于n个训练集，分别训练形成n棵决策树，根据生成的n棵决策树建立预设随机森林模型。
其中，对于每棵决策树，假设训练样本特征的个数为w，那么每次分裂时根据信息增益/信息增益比/基尼指数选择最好的特征进行分裂。每棵决策树一直这样分裂下去，直到该节点的所有训练样例都属于同一类。
需要注意的是，在每棵决策树的分裂过程中不需要剪枝。
如训练出的n棵决策树，可以按照以下方式进行判断：若体动信号发生，呼吸次数方差大于第一预设阈值，则认为是清醒期；若呼吸次数大于等于第二预设阈值且小于等于第三预设阈值，则认为是浅度睡眠期；若呼吸次数方差小于第四预设阈值，第二呼吸信号特征参数deep为0，呼吸次数小于第五预设阈值，无体动信号发生，则认为是深度睡眠；若第一呼吸信号特征参数rem大于第六预设阈值且呼吸次数方差大于第七预设阈值，则认为是rem期。其中，各个预设阈值通过与标准psg对比产生。在其他实施例中，还可以通过其他的方式进行判断。
以上步骤s1011a-s1016a是预设随机森林建立的过程。
s101，若检测到当前环境满足第一预设条件，开始检测用户的呼吸信号和体动信号，并播放预设音乐。
其中，检测到当前环境满足第一预设条件，包括：检测当前环境光强度是否低于预设环境光强度、检测当前环境噪音是否低于预设分贝；若当前环境光强度低于预设环境光强度、当前环境噪音低于预设分贝，确定当前环境满足第一预设条件；否则，确定当前环境不满足第一预设条件。可以理解地，人在将要睡眠的时候，一般是在弱环境光或者关灯的场景下，同时周围环境噪音是较低的。
在其他一些实施例中，检测到当前环境满足第一预设条件，包括：检测当前时间是否到达用户预先设置的第一时间，其中，第一时间为开始检测用户的呼吸信号和体动信号的时间；若当前时间到达用户预先设置的第一时间，确定当前环境满足第一预设条件；否则，确定当前环境不满足第一预设条件。可以理解地，第一时间可以为用户预先设置的睡觉时间等。
在其他一些实施例中，检测到当前环境满足第一预设条件，包括：检测是否接收到用户开启检测的指令；若接收到用户开启检测的指令，确定当前环境满足第一预设条件；否则，确定当前环境不满足第一预设条件。可以理解地，在一些特殊情况下，用户可手动开启检测呼吸信号和体动信号。
其中，预设音乐是用户预先设定的音乐，如可以是用户预先设定的促进睡眠的音乐等。预设音乐可以是检测呼吸信号和体动信号所在的终端上的音乐，还可以是与检测呼吸信号和体动信号有相互通信的终端上的音乐。
s102，将检测得到的呼吸信号和体动信号进行预处理。
预处理的方法与建立预设随机森林模型的步骤一致。
在一实施例中，如图3所示，步骤s102包括以下步骤s1021-s1025。
s1021，统计检测得到的呼吸信号中每分钟的呼吸次数。
s1022，获取所述每分钟的呼吸次数出现最多的前预设个数的呼吸次数值，计算前预设个数的呼吸次数值的平均值。
如预设个数为3个，即获取每分钟的呼吸次数出现最多的前3个值，计算该前3个值的平均值。
s1023，根据所述平均值计算每分钟的呼吸次数方差。
先计算每分钟内每个呼吸次数的方差，再根据每个呼吸次数的方差计算每分钟的方差，如计算每个呼吸次数的方差的平均值，将该平均值作为每分钟的呼吸次数方差。
s1024，根据所述每分钟的呼吸次数，计算第一呼吸信号特征参数。
s1025，根据检测得到的体动信号以及所述平均值，计算第二呼吸信号特征参数。
其中，计算第一呼吸信号特征参数和第二呼吸信号特征参数的方法与步骤s1013a中的计算方法相同，再次不在赘述。
s103，将预处理后的呼吸信号和体动信号的特征输入到预设随机森林模型中，以得到预设随机森林模型的第一睡眠阶段预测结果。
其中，第一睡眠阶段预测结果包括清醒期、浅度睡眠期、深度睡眠期、快速动眼期等各个睡眠阶段。
图4是本申请实施例提供的睡眠阶段的示意性框图。该睡眠阶段的示意性框图展示的是一般情况下一个人睡眠期所对应的几个睡眠阶段。如图4所示，睡眠阶段包括清醒期、浅度睡眠期、深度睡眠期、快速动眼期，且在睡眠中，浅度浅度睡眠期、深度睡眠期、快速动眼期依次循环4-6次等。
需要注意的是，本申请实施例中的对音乐进行辅助睡眠的节点，对应的是图4中虚线的部分，包括：从最开始的清醒期到浅度睡眠期，从用户设置的时间(闹钟时间、起床时间)后的快速眼动期到清醒期。
s104，根据第一睡眠阶段预测结果确定是否要将预设音乐的播放音量调小或者是否要关闭预设音乐。
如若第一睡眠阶段预测结果为清醒期，则不进行任何操作；若第一睡眠阶段预测结果为浅度睡眠期，则将预设音乐的音量调小；若第一睡眠阶段预测结果为深度睡眠期，则将预设音乐关闭，并停止对用户的呼吸信号和体动信号的检测。将预设音乐的音量调小，可以逐渐调小、也可以经过预设次数的调整，以调小预设音乐的音量。
其中，在关闭预设音乐之前，检测用户的呼吸信号和体动信号一直都在持续，如此，步骤s102-s104是一个不断循环的过程，直到关闭预设音乐。
s105，若检测到当前时间满足第二预设条件，开始检测用户的呼吸信号和体动信号。
其中，检测到当前时间满足第二预设条件，包括：检测当前时间是否到达用户预先设置的第二时间，其中，第二时间为闹钟时间或者起床时间；若当前时间到达用户预先设置的第二时间，则确定当前时间满足第二预设条件；否则，确定当前时间不满足第二预设条件。
s106，将检测得到的呼吸信号和体动信号进行预处理。
其中，预处理的方法与步骤s102的方法相同。
s107，将预处理后的呼吸信号和体动信号的特征输入到预设随机森林模型中，以得到预设随机森林模型的第二睡眠阶段预测结果。
s108，根据第二睡眠阶段预测结果确定是否要开始播放预设音乐以及是否要将预设音乐的播放音量调高。
如若第二睡眠阶段预测结果为浅度睡眠期或深度睡眠期，则不进行任何操作；若第二睡眠阶段预测结果为快速眼动期，则开始播放预设音乐，其中，播放预设音乐的音量可以从当前的音量开始，也可以从最低音量开始，将音量慢慢提高，也可以按照某个预设音量开始播放；若第二睡眠阶段预测结果为清醒期，则将预设音乐的播放音量调高。需要注意的是，调整音量时当音量达到预设最高音量时即不再进行调整。
若检测到当前时间满足第二预设条件，开始检测用户的呼吸信号和体动信号后，检测用户的呼吸信号和体动信号一直都在持续，如此步骤s106-s108是一个不断循环的过程，直到将预设音乐的播放音量调整至预设最高音量。需要注意的是，步骤s105-s108的过程中，关闭预设音乐是检测到接收到关闭预设音乐的指令后再进行关闭。
以上步骤中的预设音乐可以指一首音乐，也可以指多首音乐。
步骤s101-s108是根据预设随机森林模型来对检测到的呼吸信号和体动信号来进行预测，并根据不同的预设结果，来确定音乐干预的方式。需要注意的是，步骤s101-s104与步骤s105-s108的执行顺序并不做具体限定，在其他实施例中，可以先执行步骤s105-s108，在执行步骤s101-s104。
本申请实施例可以通过检测用户的呼吸信号和体动信号来确定当前睡眠阶段处于哪个睡眠阶段，并根据不同的睡眠阶段来进行音乐催眠或者音乐唤醒。本申请自动根据不同的睡眠阶段来降低音乐的音量、关闭音乐、开启音乐，无需用户参与，提高用户的体验。另一方面，通过检测用户的呼吸信号和体动信号，无需复杂的仪器，只需要简单的仪器即可以实现，节约了成本。
图5是本申请实施例提供的音乐辅助睡眠的装置的示意性框图。该音乐辅助睡眠的装置运行于手机(手机需要与人体近距离接触)、可穿戴设备等终端中。如图5所示，音乐辅助睡眠的装置100包括检测播放单元101、第一预处理单元102、第一结果预测单元103、第一音乐调整单元104、信号检测单元105、第二结果预测单元106以及第二音乐调整单元107。
检测播放单元101，用于若检测到当前环境满足第一预设条件，开始检测用户的呼吸信号和体动信号，并播放预设音乐。
第一预处理单元102，用于将检测得到的呼吸信号和体动信号进行预处理。
第一结果预测单元103，用于将预处理后的呼吸信号和体动信号的特征输入到预设随机森林模型中，以得到预设随机森林模型的第一睡眠阶段预测结果。
第一音乐调整单元104，用于根据第一睡眠阶段预测结果确定是否要将预设音乐的播放音量调小或者是否要关闭预设音乐。
信号检测单元105，用于若检测到当前时间满足第二预设条件，开始检测用户的呼吸信号和体动信号。
第一预处理单元102，还用于将检测得到的呼吸信号和体动信号进行预处理。
第二结果预测单元106，用于将预处理后的呼吸信号和体动信号的特征输入到预设随机森林模型中，以得到预设随机森林模型的第二睡眠阶段预测结果。
第二音乐调整单元107，用于根据第二睡眠阶段预测结果确定是否要开始播放预设音乐以及是否要将预设音乐的播放音量调高。
在一实施例中，所述音乐辅助睡眠的装置100还包括模型建立单元101a，其中，模型建立单元101a，用于建立预设随机森林模型。
在一实施例中，如图6所示，模型建立单元101a包括数据获取单元1011a、睡眠阶段确定单元1012a、第二预处理单元1013a、训练集确定单元1014a、训练集采样单元1015a以及模型生成单元1016a。其中，数据获取单元1011a，用于获取目标数据，所述目标数据包括呼吸信号、体动信号、脑电信号、眼电信号、肌电信号。睡眠阶段确定单元1012a，用于根据所获取的脑电信号、眼电信号、肌电信号来确定睡眠阶段标签。第二预处理单元1013a，用于对所获取的呼吸信号、体动信号进行预处理。训练集确定单元1014a，用于将预处理后的呼吸信号和体动信号的特征以及所确定的睡眠阶段标签作为原始训练集。训练集采样单元1015a，用于从原始训练集中随机有放回的进行n次采样，每次采样选取m个样本，以得到n个训练集。模型生成单元1016a，用于对于n个训练集，分别训练形成n棵决策树，根据生成的n棵决策树建立预设随机森林模型。
在一实施例中，如图7所示，第一预处理单元102包括第一统计单元1021、第一均值计算单元1022、第一方差计算单元1023以及第一参数计算单元1024。其中，第一统计单元1021，用于统计检测得到的呼吸信号中每分钟的呼吸次数。第一均值计算单元1022，用于获取所述每分钟的呼吸次数出现最多的前预设个数的呼吸次数值，计算前预设个数的呼吸次数值的平均值。第一方差计算单元1023，用于根据所述平均值计算每分钟的呼吸次数方差。第一参数计算单元1024，用于根据所述每分钟的呼吸次数，计算第一呼吸信号特征参数。第一参数计算单元1024，还用于根据检测得到的体动信号以及所述平均值，计算第二呼吸信号特征参数。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述装置可以实现为一种计算机程序的形式，计算机程序可以在如图8所示的计算机设备上运行。
图8为本申请实施例提供的一种计算机设备的示意性框图。该计算机设备包括如手机、可穿戴设备等终端设备。该设备200包括通过系统总线201连接的处理器202、存储器和网络接口203，其中，存储器可以包括非易失性存储介质204和内存储器205。
该非易失性存储介质204可存储操作系统2041和计算机程序2042。该非易失性存储介质中所存储的计算机程序2042被处理器202执行时，可实现上述所述的音乐辅助睡眠的方法。该处理器202用于提供计算和控制能力，支撑整个设备200的运行。该内存储器205为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器202执行时，可使得处理器202执行上述所述的音乐辅助睡眠的方法。该网络接口203用于进行网络通信。本领域技术人员可以理解，图中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的设备的限定，具体的设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器202用于运行存储在存储器中的计算机程序，以实现以下步骤：
若检测到当前环境满足第一预设条件，开始检测用户的呼吸信号和体动信号，并播放预设音乐；将检测得到的呼吸信号和体动信号进行预处理；将预处理后的呼吸信号和体动信号的特征输入到预设随机森林模型中，以得到预设随机森林模型的第一睡眠阶段预测结果；根据第一睡眠阶段预测结果确定是否要将预设音乐的播放音量调小或者是否要关闭预设音乐；若检测到当前时间满足第二预设条件，开始检测用户的呼吸信号和体动信号；将检测得到的呼吸信号和体动信号进行预处理；将预处理后的呼吸信号和体动信号的特征输入到预设随机森林模型中，以得到预设随机森林模型的第二睡眠阶段预测结果；根据第二睡眠阶段预测结果确定是否要开始播放预设音乐以及是否要将预设音乐的播放音量调高。
在一实施例中，所述处理器202在检测当前环境满足第一预设条件之前，所述处理器202还执行步骤：建立预设随机森林模型。所述处理器202在执行所述建立预设随机森林模型的步骤时，具体实现如下步骤：
获取目标数据，所述目标数据包括呼吸信号、体动信号、脑电信号、眼电信号、肌电信号；根据所获取的脑电信号、眼电信号、肌电信号来确定睡眠阶段标签；对所获取的呼吸信号、体动信号进行预处理；将预处理后的呼吸信号和体动信号的特征以及所确定的睡眠阶段标签作为原始训练集；从原始训练集中随机有放回的进行n次采样，每次采样选取m个样本，以得到n个训练集；对于n个训练集，分别训练形成n棵决策树，根据生成的n棵决策树建立预设随机森林模型。
在一实施例中，所述处理器202在执行所述将检测得到的呼吸信号和体动信号进行预处理的步骤时，具体实现如下步骤：
统计检测得到的呼吸信号中每分钟的呼吸次数；获取所述每分钟的呼吸次数出现最多的前预设个数的呼吸次数值，计算前预设个数的呼吸次数值的平均值；根据所述平均值计算每分钟的呼吸次数方差；根据所述每分钟的呼吸次数，计算第一呼吸信号特征参数；根据检测得到的体动信号以及所述平均值，计算第二呼吸信号特征参数。
在一实施例中，所述处理器202在执行所述若检测到当前环境满足第一预设条件的步骤时，具体执行如下步骤：
检测当前环境光强度是否低于预设环境光强度、检测当前环境噪音是否低于预设分贝；若当前环境光强度低于预设环境光强度、当前环境噪音低于预设分贝，确定当前环境满足第一预设条件；否则，确定当前环境不满足第一预设条件；或者
检测当前时间是否到达用户预先设置的第一时间，其中，第一时间为睡觉时间；若当前时间到达用户预先设置的第一时间，确定当前环境满足第一预设条件；否则，确定当前环境不满足第一预设条件。
在一实施例中，所述处理器202在执行所述若检测到当前时间满足第二预设条件的步骤时，具体执行如下步骤：
检测当前时间是否到达用户预先设置的第二时间，其中，第二时间为闹钟时间或者起床时间；若当前时间到达用户预先设置的第二时间，则确定当前时间满足第二预设条件；否则，确定当前时间不满足第二预设条件。
在一实施例中，所述睡眠阶段包括清醒期、浅度睡眠期、深度睡眠期，所述处理器202在执行所述根据第一睡眠阶段预测结果确定是否要将预设音乐的播放音量调小或者是否要关闭预设音乐的步骤时，具体执行如下步骤：
若第一睡眠阶段预测结果为清醒期，则不进行任何操作；若第一睡眠阶段预测结果为浅度睡眠期，则将预设音乐的音量调小；若第一睡眠阶段预测结果为深度睡眠期，则将预设音乐关闭，并停止对用户的呼吸信号和体动信号的检测。
在一实施例中，所述所述睡眠阶段包括清醒期、快速眼动期、浅度睡眠期、深度睡眠期，所述处理器202在执行所述根据第二睡眠阶段预测结果确定是否要开始播放预设音乐以及是否要将预设音乐的播放音量调高的步骤时，具体执行如下步骤：
若第二睡眠阶段预测结果为浅度睡眠期或深度睡眠期，则不进行任何操作；若第二睡眠阶段预测结果为快速眼动期，则开始播放预设音乐；若第二睡眠阶段预测结果为清醒期，则将预设音乐的播放音量调高。
应当理解，在本申请实施例中，所称处理器202可以是中央处理单元(centralprocessingunit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(应用程序licationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，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。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序可存储于一存储介质中，该存储介质可以为计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本申请还提供了一种存储介质。该存储介质可以为计算机可读存储介质，该计算机可读存储介质包括非易失性计算机可读存储介质。该存储介质存储有计算机程序，该计算机程序当被处理器执行时，实现如下步骤：
若检测到当前环境满足第一预设条件，开始检测用户的呼吸信号和体动信号，并播放预设音乐；将检测得到的呼吸信号和体动信号进行预处理；将预处理后的呼吸信号和体动信号的特征输入到预设随机森林模型中，以得到预设随机森林模型的第一睡眠阶段预测结果；根据第一睡眠阶段预测结果确定是否要将预设音乐的播放音量调小或者是否要关闭预设音乐；若检测到当前时间满足第二预设条件，开始检测用户的呼吸信号和体动信号；将检测得到的呼吸信号和体动信号进行预处理；将预处理后的呼吸信号和体动信号的特征输入到预设随机森林模型中，以得到预设随机森林模型的第二睡眠阶段预测结果；根据第二睡眠阶段预测结果确定是否要开始播放预设音乐以及是否要将预设音乐的播放音量调高。
在一实施例中，所述处理器在执行所述检测当前环境满足第一预设条件之前，所述处理器还实现如下步骤：建立预设随机森林模型。所述处理器在执行所述建立预设随机森林模型的步骤时，具体实现如下步骤：
获取目标数据，所述目标数据包括呼吸信号、体动信号、脑电信号、眼电信号、肌电信号；根据所获取的脑电信号、眼电信号、肌电信号来确定睡眠阶段标签；对所获取的呼吸信号、体动信号进行预处理；将预处理后的呼吸信号和体动信号的特征以及所确定的睡眠阶段标签作为原始训练集；从原始训练集中随机有放回的进行n次采样，每次采样选取m个样本，以得到n个训练集；对于n个训练集，分别训练形成n棵决策树，根据生成的n棵决策树建立预设随机森林模型。
在一实施例中，所述所述处理器在执行所述将检测得到的呼吸信号和体动信号进行预处理的步骤时，具体实现如下步骤：
统计检测得到的呼吸信号中每分钟的呼吸次数；获取所述每分钟的呼吸次数出现最多的前预设个数的呼吸次数值，计算前预设个数的呼吸次数值的平均值；根据所述平均值计算每分钟的呼吸次数方差；根据所述每分钟的呼吸次数，计算第一呼吸信号特征参数；根据检测得到的体动信号以及所述平均值，计算第二呼吸信号特征参数。
在一实施例中，所述处理器在执行所述若检测到当前环境满足第一预设条件的步骤时，具体执行如下步骤：
检测当前环境光强度是否低于预设环境光强度、检测当前环境噪音是否低于预设分贝；若当前环境光强度低于预设环境光强度、当前环境噪音低于预设分贝，确定当前环境满足第一预设条件；否则，确定当前环境不满足第一预设条件；或者
检测当前时间是否到达用户预先设置的第一时间，其中，第一时间为睡觉时间；若当前时间到达用户预先设置的第一时间，确定当前环境满足第一预设条件；否则，确定当前环境不满足第一预设条件。
在一实施例中，所述处理器在执行所述若检测到当前时间满足第二预设条件的步骤时，具体执行如下步骤：
检测当前时间是否到达用户预先设置的第二时间，其中，第二时间为闹钟时间或者起床时间；若当前时间到达用户预先设置的第二时间，则确定当前时间满足第二预设条件；否则，确定当前时间不满足第二预设条件。
在一实施例中，所述睡眠阶段包括清醒期、浅度睡眠期、深度睡眠期，所述处理器在执行所述根据第一睡眠阶段预测结果确定是否要将预设音乐的播放音量调小或者是否要关闭预设音乐的步骤时，具体执行如下步骤：
若第一睡眠阶段预测结果为清醒期，则不进行任何操作；若第一睡眠阶段预测结果为浅度睡眠期，则将预设音乐的音量调小；若第一睡眠阶段预测结果为深度睡眠期，则将预设音乐关闭，并停止对用户的呼吸信号和体动信号的检测。
在一实施例中，所述所述睡眠阶段包括清醒期、快速眼动期、浅度睡眠期、深度睡眠期，所述处理器在执行所述根据第二睡眠阶段预测结果确定是否要开始播放预设音乐以及是否要将预设音乐的播放音量调高的步骤时，具体执行如下步骤：
若第二睡眠阶段预测结果为浅度睡眠期或深度睡眠期，则不进行任何操作；若第二睡眠阶段预测结果为快速眼动期，则开始播放预设音乐；若第二睡眠阶段预测结果为清醒期，则将预设音乐的播放音量调高。
所述存储介质可以是u盘、移动硬盘、只读存储器(read-onlymemory，rom)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置、设备和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，所述单元的划分，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。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，上述描述的装置、设备和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
- 还没有人留言评论。精彩留言会获得点赞！