本发明涉及到婴儿监控的应用领域，特别是涉及到监测婴儿睡眠状态的方法及装置。
背景技术：
生物特征是生物固有的生理特征(指纹、虹膜、声音、面相、dna等)或行为特征(步态、行为姿态等)。例如人发出的声音、声音的大小、声音的内容均是这个人的生物特征；人走路时的姿态、睡觉时的姿态也是这个人的生物特征。虽然每个人的生物特征不一样，但是相同的生物特征会有一些共性比较接近，比如多个人人走路时每个人抬腿的高度、步幅的大小、手臂的摆动幅度等都是不一样的，但是姿态都是一样要两条腿交叉迈步、伴随着手臂摆动，比较近似。
婴儿经常处于睡眠状态，而父母还要进行工作或忙家里的家务活等，不可能一直陪伴在婴儿身边。
目前父母对婴儿睡觉时的远程监控是父母通过在婴儿的房间设置摄像头，将该摄像头连接父母的手机来监控婴儿的睡眠状态。父母或监护人通过看手机来监控婴儿的睡眠状态。
技术实现要素：
本发明的主要目的为提供一种自动识别婴儿睡眠状态的方法及装置，使用户在使用手机时在在各个应用程序使用时都有比较好的亮度。
本发明提出一种监测婴儿睡眠状态的方法，包括步骤：
获取婴儿的生物特征，生成特征值；
判断所述特征值是否超过婴儿睡眠状态下的特征值预设范围；
若是，判定婴儿是未睡眠状态。
进一步地，所述判定婴儿是未睡眠状态的步骤之后，包括：
发送信息至指定终端；和/或
控制扬声器播放指定音频文件。
进一步地，所述生物特征为声音，所述特征值为声音音量值，所述判断所述特征值是否超过婴儿睡眠状态下的特征值预设范围的步骤，包括：
判断所述声音音量值是否超过预设的音量阈值。
进一步地，所述判定婴儿是未睡眠状态的步骤，包括：
若所述声音音量值超过预设的音量阈值，获取所述声音的来源位置；
判断所述来源位置是否是安置婴儿的预设位置；
若是，判定婴儿是未睡眠状态。
进一步地，所述生物特征为婴儿的身体姿态，所述特征值为身体姿态对应的特征向量值，所述获取婴儿的生物特征，生成特征值的步骤，包括：
采集当前婴儿身体姿态对应的图片；
将所述图片输入基于神经网络训练后的模型进行计算，得到所述特征向量值；
所述判断所述特征值是否超过睡眠状态下的特征值预设范围的步骤包括：
判断所述特征向量值是否超过预设的特征向量阈值。
本发明还提出一种监测婴儿睡眠状态的装置，包括：
获取模块，用于获取婴儿的生物特征，生成特征值；
判断模块，用于判断所述特征值是否超过婴儿睡眠状态下的特征值预设范围；
判定模块，用于若所述特征值超过婴儿睡眠状态下的特征值预设范围，则判定婴儿是未睡眠状态。
进一步地，所述监测婴儿睡眠状态的装置还包括：
发送模块，用于发送信息至指定终端；
和/或
播放模块，用于控制扬声器播放指定音频文件。
进一步地，所述生物特征为声音，所述特征值为声音音量值，所述判断模块包括：
第一判断单元，用于判断所述声音音量值是否超过预设的音量阈值。
进一步地，所述判定模块包括：
位置单元，用于若所述声音音量值超过预设的音量阈值，获取所述声音的来源位置；
第二判断单元，用于判断所述来源位置是否是安置婴儿的预设位置；
判定单元，用于若所述来源位置是安置婴儿的预设位置，则判定婴儿是未睡眠状态。
进一步地，所述生物特征为婴儿的身体姿态，所述特征值为身体姿态对应的特征向量值，所述获取模块包括：
采集单元，用于采集当前婴儿身体姿态对应的图片；
计算单元，用于将所述图片输入基于神经网络训练后的模型进行计算，得到所述特征向量值；
所述判断模块包括：
第三判断单元，用于判断所述特征向量值是否超过预设的特征向量阈值。
与现有技术相比，本发明的有益效果是：根据婴儿的生物特征来判断婴儿是否处于睡眠状态，不用人为去监控婴儿的睡眠状态，节省父母或监控人的精力。发现婴儿未睡眠后，发送消息给预设的手机提醒父母或监护人进行安抚，或者自动播放预设的音频文件安抚婴儿，减小父母或监护人的压力。
附图说明
图1是本发明一实施例的监测婴儿睡眠状态的方法的流程示意图；
图2是本发明一实施例的监测婴儿睡眠状态的方法的流程示意图；
图3是本发明另一实施例的监测婴儿睡眠状态的方法的流程示意图；
图4是本发明一实施例的监测婴儿睡眠状态的方法的流程示意图；
图5是本发明一实施例的监测婴儿睡眠状态的方法的流程示意图；
图6是本发明一实施例的监测婴儿睡眠状态的方法的流程示意图；
图7是本发明一实施例的监测婴儿睡眠状态的装置的结构示意图；
图8是本发明一实施例的监测婴儿睡眠状态的装置的结构示意图；
图9是本发明另一实施例的监测婴儿睡眠状态的装置的结构示意图；
图10是本发明一实施例的监测婴儿睡眠状态的装置的结构示意图；
图11是本发明一实施例的监测婴儿睡眠状态的装置的结构示意图；
图12是本发明一实施例的监测婴儿睡眠状态的装置的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，提出本发明一实施例的监测婴儿睡眠状态的方法，包括步骤：
s1、获取婴儿的生物特征，生成特征值；
s2、判断所述特征值是否超过睡眠状态下的特征值预设范围；
s3、若是，判定婴儿是未睡眠状态。
本实施例中，如上述s1所述，生物特征是指婴儿的生理特征或行为特征。婴儿分别在醒着的状态与睡眠的状态时，表现出不一样的生物特征。比如婴儿在醒着着眼睛睁开，睡觉时眼睛闭着；或者婴儿一个人从睡眠中醒来，为引起父母的注意会哭闹发出声音，而处于睡眠状态中时会比较安静。监控系统通过摄像头采集婴儿的脸部表情这一生物特征，然后通过相关的模型计算出脸部表情对应的特征值，各特征值表示婴儿的不同的器官的动态，比如61表示眼睛睁开，62表示眼睛闭合，81表示嘴巴张开，82表示嘴巴闭合等。睡眠状态下的特征值预设范围是用户预先设置的关于判定婴儿是睡眠状态的临界值；也可以是一个临界范围，其中该临界范围是一个或多个值的集合。具体的，临界范围用集合表示{61，81}。如果生成特征值62，不在该集合内，判定婴儿是睡眠的状态，如果生成81，在该集合范围内，判定婴儿是未睡眠状态。
参照图2，进一步地，上述判定婴儿是未睡眠状态的步骤之后包括：
s4、发送信息至指定终端。
本实施例中，监控系统确定婴儿是未睡眠状态，发送婴儿未睡眠的信息至指定终端。指定终端是用户预先设置好的，可以是父母或监护人的手机，也可以是监控系统对应的app服务器，父母或监护人通过app来接收婴儿未睡眠的信息。发送信息还可以是包括有婴儿未睡眠的状态的照片。监控系统安装有sim卡，可以发短信、打电话、发邮件等形式发送消息至指定的手机。或者，监控系统通过sim卡或者wifi连接网络发送消息到服务器，该服务器再发送推送消息至指定的手机。
参照图3，在另一实施例中，上述判定婴儿是未睡眠状态的步骤之后包括：
s5、控制扬声器播放指定音频文件。
在另一实施例中，扬声器是执行该方法主体监控系统中的一个发出声音的硬件。监控系统中还有存储器存储上述指定音频文件。当婴儿是未睡眠状态，可能是大哭，需要寻找父母或其他装置再次进入睡眠状态。监控系统调用存储装置里的音频文件，通过扬声器输出，使婴儿听到该音频文件，再次进入睡眠。音频文件的内容可以是一些助于婴儿睡眠的音乐，也可以是预先设置好的父母语音，帮助婴儿进入睡眠状态。
在一具体实施例中，当判定婴儿是未睡眠状态，同时执行s4步骤与s5步骤，发送通知到父母手机上的客户端，同时播放预先设置好的父母语音或者音乐，及时安抚哭闹婴儿。
参照图4，进一步地，上述生物特征为声音，上述特征值为声音音量值，上述判断所述特征值是否超过婴儿睡眠状态下的特征值预设范围的步骤包括：
s21、判断所述声音音量值是否超过预设的音量阈值。
本实施例中，婴儿从睡眠状态中醒来，而周围也没有婴儿熟悉的人，一般都会发出哭的声音吸引他人注意。因此，监控系统获取婴儿的声音，婴儿在睡眠状态时，发出呼吸的声音，非常小；婴儿醒来后大哭，发出的声音比较大。监控系统获取到婴儿的声音，检测声音音量值的大小，根据声音的大小生成声音音量值，音量值的单位是分贝。通过判断声音音量值的大小来判断婴儿是否是在大哭，从而判断婴儿是否是处于睡眠状态。
参照图5，进一步地，上述判定婴儿是未睡眠状态的步骤包括：
s31、若所述声音音量值超过预设的音量阈值，获取所述声音的来源位置；
s32、判断所述来源位置是否是安置婴儿的预设位置；
s33、若是，判定婴儿是未睡眠状态。
本实施例中，婴儿一般是睡在一个安静的环境内。但是如果该环境中出现其他物体发出较大声音，或者是其他位置发出较大的声音传过来使监控系统获取的音量值超过预设的音量阈值，这样会引起一些误判。因而，监控系统上增加了多个麦克风，形成麦克风阵列，获取声音的来源位置。在婴儿睡觉的环境中，父母安置婴儿睡觉的床是固定的，监控系统的麦克风阵列安装的位置也是固定的，因而，婴儿与麦克风阵列的相对位置是固定的，在一具体实施例中，预设位置是指，婴儿的床位于麦克风阵列的正东方向2米处。监控系统的多个麦克风阵列获取到声音的音量值超过音量阈值后，计算出声音来源的位置，如果声音来源位置是正东方向2米处，就判定婴儿是发出的声音，进而判定婴儿是未睡眠状态。
参照图6，进一步地，上述生物特征为婴儿的身体姿态，所述特征值为身体姿态对应的特征向量值，所述获取婴儿的生物特征，生成特征值的步骤，包括：
s11、采集当前婴儿的身体姿态对应的图片；
s12、将所述图片输入基于神经网络训练后的模型进行计算，得到所述特征向量值；
所述判断所述特征值是否超过婴儿睡眠状态下的特征值预设范围的步骤，包括：
s22、判断所述特征向量值是否超过预设的特征向量阈值。
本实施例中，婴儿的身体姿态，是婴儿全身的姿态，包括四肢、驱干、头部(包括面部器官)等全身各部位的动作。对婴儿进行拍照，将婴儿的全身均拍进去图片里，即获取婴儿的姿态这一生物特征。然后将图片输入经神经网络训练好的模型进行计算，输出特征值，即得到婴儿的身体姿态对应的特征向量值。特征向量阈值是将婴儿睡眠的图片输入经训练好的模型后输出的向量特征值。
基于神经网络训练模型的步骤如下：
采集大量婴儿醒来和睡眠的样本图片作为训练样本；
初始化神经元连接的权重和偏置；
输入前向传递：样本输入经过cnn的各层前向传递，计算出每一个神经元的输出；
输出层输出该组训练数据的类别：将此类别和训练数据的期望输出比较，如果误差不符合预设的阈值，则启动后向传播算法过程；如果误差符合预设的阈值，则cnn的算法终止；
如果启动后向传播算法(bptt)，则使用输出层的误差计算前一层神经元的误差，并以这种方式从后向前递进式地计算所有隐藏层、输入层的神经元上的误差；
根据上面计算的误差，采用梯度下降算法从输入层到输出层，逐层更新连接的权重和神经元的偏置；
直到误差符合预设的阈值，终止循环计算。从而得到训练的参数。
将上述步骤s11中拍摄生成的包含有身体姿态的图片输入到cnn识别系统(采用上面训练得到的参数)，经过层层计算，输出层输出特征向量值。
综上所述，本发明的监测婴儿睡眠状态的方法，根据婴儿的生物特征来判断婴儿是否处于睡眠状态，不用人为去监控婴儿的睡眠状态，节省父母或监护人的精力。发现婴儿未睡眠后，发送消息给预设的手机提醒父母或监护人进行安抚，或者自动播放预设的音频文件安抚婴儿，减小父母或监护人的压力。
参照图7，本发明还提出一种监测婴儿睡眠状态的装置，包括：
获取模块1，用于获取婴儿的生物特征，生成特征值；
判断模块2，用于判断所述特征值是否超过婴儿睡眠状态下的特征值预设范围；
判定模块3，用于若所述特征值超过婴儿睡眠状态下的特征值预设范围，则判定婴儿是未睡眠状态。
本实施例中，生物特征是指婴儿的生理特征或行为特征。婴儿分别在醒着的状态与睡眠的状态时，表现出不一样的生物特征。比如婴儿在醒着着眼睛睁开，睡觉时眼睛闭着；或者婴儿一个人从睡眠中醒来，为引起父母的注意会哭闹发出声音，而处于睡眠状态中时会比较安静。获取模块1通过摄像头采集婴儿的脸部表情这一生物特征，然后通过相关的模型计算出脸部表情对应的特征值，各特征值表示婴儿的不同的器官的动态，比如61表示眼睛睁开，62表示眼睛闭合，81表示嘴巴张开，82表示嘴巴闭合等。睡眠状态下的特征值预设范围是用户预先设置的关于判定婴儿是睡眠状态的临界值；也可以是一个临界范围，其中该临界范围是一个或多个值的集合。具体的，临界范围用集合表示{61，81}。如果生成特征值62，判断模块2判断该特征值不在该集合内，判定模块3判定婴儿是睡眠的状态，如果生成81，判断模块3判断该特征值在该集合范围内，判定模块3判定婴儿是未睡眠状态。
参照图8，进一步地，上述监测婴儿睡眠状态的装置，包括：
发送模块4，用于发送信息至指定终端。
本实施例中，判定模块3确定婴儿是未睡眠状态，然后发送模块4发送婴儿未睡眠的信息至指定终端。指定终端是用户预先设置好的，可以是父母或监护人的手机，也可以是监控系统对应的app服务器，父母或监护人通过app来接收婴儿未睡眠的信息。发送信息还可以是包括有婴儿未睡眠的状态的照片。监控系统安装有sim卡，可以发短信、打电话、发邮件等形式发送消息至指定的手机。或者发送模块4通过sim卡或者wifi连接网络发送消息到服务器，该服务器再发送推送消息至指定的手机。
参照图9，在另一实施例中，上述监测婴儿睡眠状态的装置，包括：
播放模块5，用于控制扬声器播放指定音频文件。
在另一实施例中，播放模块5中还有存储器存储上述指定音频文件。当婴儿是未睡眠状态，可能是大哭，需要寻找父母或其他装置再次进入睡眠状态。播放模块5调用存储装置里的音频文件，通过扬声器输出，使婴儿听到该音频文件，再次进入睡眠。音频文件的内容可以是一些助于婴儿睡眠的音乐，播放模块5也可以是播放预先设置好的父母语音，帮助婴儿进入睡眠状态。
在一具体实施例中，当判定模块3判定婴儿是未睡眠状态，发送模块4和播放模块5同时工作，发送模块4发送通知到父母手机上的客户端，同时播放模块5播放预先设置好的父母语音或者音乐，及时安抚哭闹婴儿。
参照图10，进一步地，上述生物特征为声音，上述特征值为声音音量值，上述判断模块2包括：
第一判断单元21，用于判断所述声音音量值是否超过预设的音量阈值。
本实施例中，婴儿从睡眠状态中醒来，而周围也没有婴儿熟悉的人，一般都会发出哭的声音吸引他人注意。因此，获取模块1获取婴儿的声音，婴儿在睡眠状态时，发出呼吸的声音，非常小；婴儿醒来后大哭，发出的声音比较大。获取到婴儿的声音，第一判断单元21检测声音音量值的大小，根据声音的大小生成声音音量值，音量值的单位是分贝。第一判断单元21通过判断声音音量值的大小来判断婴儿是否是在大哭，从而判断婴儿是否是处于睡眠状态。
参照图11，进一步地，上述判定模块3包括：
位置单元31，用于若所述声音音量值超过预设的音量阈值，获取所述声音的来源位置；
第二判断单元32，用于判断所述来源位置是否是安置婴儿的预设位置；
判定单元33，用于若所述来源位置是安置婴儿的预设位置，则判定婴儿是未睡眠状态。
本实施例中，婴儿一般是睡在一个安静的环境内。但是如果该环境中出现其他物体发出较大声音，或者是其他位置发出较大的声音传过来使监控系统获取的音量值超过预设的音量阈值，这样会引起一些误判。因而，位置单元31具有多个麦克风，多个麦克风形成麦克风阵列，位置单元31获取声音的来源位置。在婴儿睡觉的环境中，父母安置婴儿睡觉的床是固定的，麦克风阵列安装的位置也是固定的，因而，婴儿与麦克风阵列的相对位置是固定的，在一具体实施例中，预设位置是指，婴儿的床位于麦克风阵列的正东方向2米处。位置单元31的多个麦克风阵列获取到声音的音量值超过音量阈值后，计算出声音来源的位置，第二判断单元32判断如果声音来源位置是正东方向2米处，判定单元33就判定婴儿是发出的声音，进而判定婴儿是未睡眠状态。
参照图12，进一步地，上述生物特征为婴儿的身体姿态，上述特征值为身体姿态对应的特征向量值，上述获取模块1包括：
采集单元11，用于采集当前婴儿身体姿态对应的图片；
计算单元12，用于将所述图片输入基于神经网络训练后的模型进行计算，得到所述特征向量值；
上述判断模块2包括：
第三判断单元22，用于判断所述特征向量值是否超过预设的特征向量阈值。
本实施例中，婴儿的身体姿态，是婴儿全身的姿态，包括四肢、驱干、头部(包括面部器官)等全身各部位的动作。采集单元11对婴儿进行拍照，将婴儿的全身均拍进去图片里，即获取婴儿的姿态这一生物特征。然后计算单元12将图片输入经神经网络训练好的模型进行计算，输出特征值，即得到婴儿的身体姿态对应的特征向量值。特征向量阈值是将婴儿睡眠的图片输入经训练好的模型后输出的向量特征值。第三判断单元22判断特征向量值是否超过预设的特征向量阈值。
基于神经网络训练模型的步骤如下：
采集大量婴儿醒来和睡眠的样本图片作为训练样本；
初始化神经元连接的权重和偏置；
输入前向传递：样本输入经过cnn的各层前向传递，计算出每一个神经元的输出；
输出层输出该组训练数据的类别：将此类别和训练数据的期望输出比较，如果误差不符合预设的阈值，则启动后向传播算法过程；如果误差符合预设的阈值，则cnn的算法终止；
如果启动后向传播算法(bptt)，则使用输出层的误差计算前一层神经元的误差，并以这种方式从后向前递进式地计算所有隐藏层、输入层的神经元上的误差；
根据上面计算的误差，采用梯度下降算法从输入层到输出层，逐层更新连接的权重和神经元的偏置；
直到误差符合预设的阈值，终止循环计算。从而得到训练的参数。
将上述采集单元11拍摄生成的包含有身体姿态的图片输入到cnn识别系统(采用上面训练得到的参数)，经过层层计算，输出层输出特征向量值。
综上所述，本发明的监测婴儿睡眠状态的装置，根据婴儿的生物特征来判断婴儿是否处于睡眠状态，不用人为去监控婴儿的睡眠状态，节省父母或监控人的精力。发现婴儿未睡眠后，发送消息给预设的手机提醒父母或监护人进行安抚，或者自动播放预设的音频文件安抚婴儿，减小父母或监护人的压力。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。