个较小的正数。在一实施例中，轴向特征值可W通过下述图2所示实施例得到，在此先不详 述。
[0048] 步骤103,根据每一个轴向的轴向特征值确定设定时间周期内的微活动特征值。
[0049] 在一实施例中，可W将多个轴向的每一个轴向的轴向特征值计算和值，得到设定 时间周期内的微活动特征值，例如，将上述图IB至图ID所示的=个轴向的轴向特征值相加， 从而得到=个轴向的微活动特征值。
[0050] 步骤104,根据微活动特征值确定用户在设定时间周期内所处的微活动状态。
[0051] 在一实施例中，通过上述步骤对加速度数据的处理，可W使微活动特征值在不同 微活动状态下具有不同的分布特征，如图化所示，标号21表示用户处于清醒状态下的微活 动特征值，标号22表示用户处于睡眠状态下的微活动特征值，标号23表示用户在不戴可穿 戴设备状态下的微活动特征值，通过图IE可知，本申请通过微活动特征值可W将上述=种 状态准确的进行区分。
[0052] 由上述描述可知，本发明实施例通过上述步骤101-步骤104可W准确地识别用户 所处的微活动状态，从而将用户在睡前进行的一些如看书、玩手机等微活动或醒后的微活 动与用户处于睡眠状态的微活动进行准确区分，通过实时监测用户的微活动状态可W更准 确地判断用户的睡眠状态，提高对用户睡眠质量的监测的可信度。
[0053] 图2示出了根据本发明的又一示例性实施例的如何得到轴向特征值的流程示意 图；如图2所示，包括如下步骤：
[0054] 步骤201，将每一个轴向的加速度数据分割为M段，其中，M为正整数。
[0055] 步骤202,计算M段的每一段内的加速度数据的中值，得到在设定时间周期内的长 度为M的中值向量。
[0056] 步骤203，对中值向量的差分向量进行权重加和，得到每一轴向的轴向特征值，其 中，差分向量的长度为M-1。
[0057] 例如，通过=轴加速度传感器采集到的在一分钟内各自对应的x、y、z轴的1500个 加速度数据，Wx轴为例进行示例性说明，Z轴的1500个加速度数据被分割为10段，每段有 150个加速度数据。
[0058] 计算X轴在一分钟之内的10段中的每一段的150个加速度数据的中值，得到中值向 量medianx= [xi,X2,…，xio]，其中，Xl，x2，x3,…，XlO分别表示每一段内的150个加速度数据 的中值，该中值可W通过对150个加速度数据进行求和后平均得到，同理可得y轴和Z轴上的 中值向量分别为mediany= [yi,y2,... ,yio]，medianz = [zi,Z2,... ,Z10]。
[0059] 计算上述中值向量的差分向量diffx= [X2-X1,X3-X2,…，Xl0-X9]，同理可得y轴和Z 轴上的中值向量分别为diffy = [y2-yi ,y3-y2,…，yio-ysil和diffz = [Z2-Z1 ,Z3-Z2,…，Zio-Z9]。
[0060] 对上述得到的差分向量进行累加，Wx轴的加速度数据为例，CWMiWW =t(.v,，k =I，2，…，M，本示例中M= 10，心WW'W%新可W包含10个不同的和值，同理可得y轴和Z轴上的 差分向量的累加和I
[0061] 对上述不同等级的累加和电跟分配不同的权重系数W，得到X轴、y轴W及Z轴 向的轴向特征值：
[0065] 在一实施例中，权重系数W可W通过统计用户在最初使用可穿戴设备的一段时间 内（例如，使用可穿戴设备1个月之内）的使用习惯得到。
[0066] 本实施例中，由于每一段内的加速度数据的中值可W较好的体现出用户在微活动 状态时的正常表现，中值向量的差分向量可W表示相邻两个采样点之间的差异，在差异足 够小的情形下，差分值接近0,通过本实施例对中值向量的差分向量进行权重加和后得到轴 向特征值，该轴向特征值可W准确地表示用户在该时间周期内的微活动状态，从而可W通 过轴向特征值更好地监测用户的微活动状态。
[0067] 图3A示出了根据本发明的另一示例性实施例的监测微活动状态的方法的流程示 意图，图3B示出了根据本发明的另一示例性实施例的如何确定第二预设阔值的流程示意 图；如图3A所示，包括如下步骤：
[0068] 步骤301，根据设定时间周期内采集的多个轴向的加速度数据确定用户的活动量。
[0069] 步骤302,如果活动量小于第一预设阔值，根据多个轴向的加速度数据确定每一个 轴向的轴向特征值，其中，第一预设阔值为大于0的正数。
[0070] 步骤301和步骤302的相关描述可W参见上述图IA或者图2所示实施例的相关描 述，在此不再详述。
[0071] 步骤303,计算每一个轴向的轴向特征值的和值，得到设定时间周期内的微活动特 征值。
[0072] 在一实施例中，可W对上述图2所示实施例得到的X轴、y轴W及Z轴向的轴向特征 值加和，得到微活动特征值顯!"蝴,叫:=S画W蝴"，+顯!"P刪如。
[0073] 步骤304,确定微活动特征值是否大于第二预设阔值并且小于第=预设阔值，第= 预设阔值大于第二预设阔值。
[0074] 在一实施例中，第二预设阔值和第=预设阔值可W通过可穿戴设备提供商通过海 量的用户实际使用数据统计得到，并存储到可穿戴设备中，在用户使用可穿戴设备的前设 定时间段内，可W通过下述图3B对第二预设阔值与第=预设阔值进行更新，从而可W使第 二预设阔值和第=预设阔值能够更好地区分微活动状态。
[0075] 步骤305,如果微活动特征值大于第二预设阔值并且小于第=预设阔值，确定用户 在设定时间周期内的微活动状态为睡眠状态下的微活动状态。
[0076] 如图IE所示，标号21表示用户处于清醒状态下的微活动特征值，标号22表示用户 处于睡眠状态下的微活动特征值，标号23表示用户在不戴可穿戴设备状态下的微活动特征 值，通过图化可知，通过图化所示的点画线可限定一个区间范围，其中，第二预设阔值对应 下方的点画线，第=预设阔值对应上方的点画线，当微活动特征值在第二预设阔值和第= 预设阔值所限定的范围内时，即可确定用户在设定时间周期内的微活动状态为睡眠状态下 的微活动状态。
[OOW]步骤306,如果微活动特征值小于第二预设阔值或者大于第=预设阔值，根据微活 动特征值确定用户是否处于清醒状态下的微活动或者可穿戴设备处于完全静止的静止状 态。
[0078] 通过图化可知，当微活动特征值小于第二预设阔值时，对应的标号21，表示用户处 于清醒状态下的微活动特征值，当微活动特征值大于第=预设阔值时，对应的标号23，表示 用户在不戴可穿戴设备状态下的微活动特征值。
[0079] 为了使第二预设阔值和第=预设阔值能够更好地表示用户的使用习惯，本申请还 可W对第二预设阔值和第=预设阔值根据用户习惯进行更新，如图3B所示，更新过程包括 如下步骤：
[0080] 步骤311，通过统计用户在设定时间段内佩戴可穿戴设备时并且处于睡眠状态时 的微活动特征值。
[0081] 步骤312,根据睡眠状态时的微活动特征值确定第二预设阔值和第=预设阔值。
[0082] 在一实施例中，W用户开始注册可穿戴设备对应的应用程序的时间点开始，在注 册时间点开始的设定时间段内（例如，一个月之内），对用户在清醒状态、不戴可穿戴设备状 态、睡眠状态下的微活动特征值进行统计，找到能够区分=者的阔值，并更新到可穿戴设备 上。
[0083] 本实施例中，由于不同状态的微活动特征值相差较大，因此本实施例通过第二预 设阔值和第=预设阔值可W对用户使用可穿戴设备的状态进行准确的区分，避免将清醒状 态的微活动W及不戴可穿戴设备状态被统计到用户的睡眠状态，从而提高了睡眠状态监测 的准确度;此外，通过统计用户的使用习惯统计得到第二预设阔值和第=预设阔值，可W使 每个用户的第二预设阔值和第=预设阔值互不相同，从而能够根据第二预设阔值和第=预 设阔值对不同用户使用可穿戴设备的状态进行很好的区分。
[0084] 图4A示出了根据本发明的再一示例性实施例的如何确定用户的活动量的流程示 意图，图4B示出了根据本发明的再一示例性实施例的活动量的示意图，图4C示出了根据本 发明的再一示例性实施例的步骤402的流程图；如图4A所示，包括如下步骤：
[0085] 步骤401，计算多个轴向上的加速度数据的欧式距离，得到设定时间周期内的距离 向量。
[0086] 在一实施例中，多个轴向上的加速度数据的欧氏距离可W通过=轴加速度传感器 采集到的x、y、z的在一分钟内各自对应的1500个加速度数据计算得到，例如，距离向量S = [Si，S2，…，SN]，其中，N为设定时间周期内的采样点的个数，本实施例Wn= 1500进行示例性 说明。
[0087] 步骤402,根据距离向量确定一个用于表示用户活动量的活动向量。
[0088] 在一实施例中，可W通过对距离向量进行平移等处理得到活动向量news = [newsi， news2，news3，news4]，