一种基于机器学习的睡眠质量量化方法、装置和设备与流程

本发明涉及睡眠管理领域，尤其是一种基于机器学习的睡眠质量量化方法、装置和设备。

背景技术：

近年来，随着大家对睡眠问题的重视程度逐渐提高，人们想了解自己的睡眠状况越来越多的电子设备(尤其是可穿戴设备)均开始配备睡眠状态提示的功能，其中最主要的就是睡眠质量这一指标，现有主观和客观两类对睡眠质量评估的方法，主观的睡眠质量评估，一般通过填写一些调查问卷来实现，比如匹兹堡睡眠质量指数(psqi)、epworth嗜睡量表(ess量表)、berlin量表等，客观睡眠质量评估，主要是通过测量睡眠期间人体一些相关的生理信号，进而得出睡眠时间、效率、结构等指标，通过这些指标对睡眠质量进行评估，而随着可穿戴产品以及手机的兴起，人体睡眠期间的相关生理信号也可通过一些可穿戴产品来进行测量，比如手表、手环、心率带等等。

而睡眠质量评估由于主观睡眠质量评估的主观性强，每个人感受可能不一样，所以准确性不是很高，而客观睡眠质量的评估方法，只是将睡眠质量分为好和差两种，并没有就程度进行进一步的量化。因此，为了更客观准确地评估睡眠质量，应该采用一种更为准确的客观的睡眠质量量化方法。

技术实现要素：

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的是提供一种准确度高的客观的基于机器学习的睡眠质量量化方法、装置和设备。

本发明所采用的技术方案是：

一种基于机器学习的睡眠质量量化方法，包括步骤：

s1：获取参与训练的睡眠特征值，得到训练样本集；

s2：利用所述训练样本集对睡眠质量量化模型进行训练，得到训练后的睡眠质量量化模型；

s3：获取当前睡眠特征值，根据所述训练后的睡眠质量量化模型，得到睡眠质量的量化值。

进一步地，步骤s1中所述睡眠特征值包括睡眠规律特征值和/或入睡延迟时间特征值和/或深度睡眠时间比特征值和/或rem睡眠时间比特征值和/或睡眠觉醒特征值。

进一步地，所述睡眠规律特征值的表达式为：

其中x1为睡眠规律特征值，ts表示开始入睡时间点，ts_avg表示第一预设时间内入睡时间点的平均值，δs表示入睡时间点阈值，tw表示清醒时间点，tw_avg表示第一预设时间内清醒的时间点的平均值，δw表示清醒时间点阈值。

进一步地，所述入睡延迟时间特征值的表达式为：

其中x2为入睡延迟时间特征值，tsl入睡延迟时间，tsl_l表示入睡延迟时间的下限，tsl_u表示入睡延迟时间的上限，其中：

tsl_l＝tsl_avg+σsl

tsl_u＝min{tsl_l+30,60}

上式中tsl_avg表示第一预设时间内入睡延迟时间的平均值，σsl表示第一预设时间内入睡延迟时间的标准差。

进一步地，所述深度睡眠时间比特征值的表达式为：

其中x3为深度睡眠时间比特征值，rd表示深度睡眠时间比，rd_iu表示深度睡眠时间比的内上限，rd_il表示深度睡眠时间比的内下限，rd_eu表示深度睡眠时间比的外上限，rd_el表示深度睡眠时间比的外下限。

进一步地，所述rem睡眠时间比特征值的表达式为：

其中x4为rem睡眠时间比特征值，rrem表示rem睡眠时间比，rrem_iu表示rem睡眠时间比的内上限，rrem_il表示rem睡眠时间比的内下限，rrem_eu表示rem睡眠时间比的外上限，rrem_el表示rem睡眠时间比的外下限。

进一步地，所述睡眠觉醒特征包括睡眠觉醒次数和总的睡眠觉醒时长，所述睡眠觉醒次数指睡眠期间觉醒大于5分钟的觉醒次数，所述睡眠觉醒特征值的表达式为：

其中x5睡眠觉醒特征值，tw表示总的睡眠觉醒时长，nw表示睡眠觉醒次数，tw_u表示睡眠觉醒总时长上限，tw_l表示睡眠觉醒总时长下限，nw_th表示睡眠觉醒次数阈值。

进一步地，所述睡眠质量量化模型为线性回归模型，表示为：

其中sq为睡眠质量量化数值，a表示睡眠质量量化数值的最高分，xi表示第i个睡眠特征值，ωi表示第i个睡眠特征值对应的权值，n表示睡眠特征值个数。

另一方面，本发明还提供一种基于机器学习的睡眠质量量化装置，包括：

睡眠特征值获取模块，用于获取参与训练的睡眠特征值，得到训练样本集；

睡眠质量量化模型训练模块，用于利用所述训练样本集对睡眠质量量化模型进行训练，得到训练后的睡眠质量量化模型；

睡眠质量量化数值获取模块，用于获取当前睡眠特征值，根据所述训练后的睡眠质量量化模型，得到睡眠质量的量化值。

另一方面，本发明还提供一种基于机器学习的睡眠质量量化设备，包括：可穿戴设备、智能终端和云服务器；

所述可穿戴设备，用于采集参与训练的睡眠特征值；

所述智能终端，用于收集可穿戴设备采集的参与训练的睡眠特征值发送给云服务器和/或完成相关的计算和/或对最终计算出的睡眠质量的量化值进行显示；

所述云服务器，用于接收智能终端和/或可穿戴设备发送的用于训练的睡眠特征值或中间数值，执行上述任一项所述的一种基于机器学习的睡眠质量量化方法进行睡眠质量量化模型训练，并根据睡眠质量量化模型进行睡眠质量量化值的计算或将训练好的睡眠质量量化模型发送给智能终端进行睡眠质量量化值的计算。

本发明的有益效果是：

本发明通过获取参与训练的睡眠特征值，得到训练样本集，并利用训练样本集对睡眠质量量化模型进行训练，得到训练后的睡眠质量量化模型，从而得到睡眠质量的量化值，通过分析提取影响睡眠质量的最本质的几个特征，并将其量化为特征值，建立线性回归的睡眠质量量化模型，采用机器学习的方法，基于大量数据的训练睡眠质量量化模型，实现过程运算量低，简单易理解。

本发明可广泛应用于睡眠管理领域和可穿戴设备领域。

附图说明

图1是本发明一种实施方式的基于机器学习的睡眠质量量化方法基本流程图；

图2是本发明一种实施方式的获取睡眠质量的量化值的具体流程；

图3是本发明一种实施方式的基于机器学习的睡眠质量量化装置结构框图；

图4是本发明一种实施方式的基于机器学习的睡眠质量量化设备结构框图。

具体实施方式

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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。

实施例一：

如图1所示为本实施例的基于机器学习的睡眠质量量化方法基本流程，具体包括步骤s1：获取参与训练的睡眠特征值，得到训练样本集；s2：利用训练样本集对睡眠质量量化模型进行训练，得到训练后的睡眠质量量化模型；s3：获取当前睡眠特征值，根据所述训练后的睡眠质量量化模型，得到睡眠质量的量化值。

睡眠特征值包括睡眠规律特征值、入睡延迟时间特征值、深度睡眠时间比特征值、rem睡眠时间比特征值和睡眠觉醒特征值。

其中睡眠特征值量化公式如下所示：

1)睡眠规律特征值：指生物钟特征，即入睡时间点和清醒时间点。第一预设时间可以为设定的任意用于统计睡眠规律的时间，例如前几个月等，计算得到第一预设时间内入睡时间点的平均值ts_avg和第一预设时间内清醒的时间点的平均值tw_avg，单位为小时。

在开始没有数据用于计算平均值的时候，可以采用多数人的一般化的标准时间，例如一般认为成年人在晚上11点睡，早上7点醒，因此ts_avg就取晚上11点，tw_avg就取早上7点，可以认为在ts_avg±δs时间段内入睡，并且在tw_avg±δw时间段内醒来的情况下，不影响睡眠质量，而任何一个超出范围，则认为会降低睡眠质量，其中，δs和δw的单位是小时，默认取值为1，则睡眠规律特征表达式为：

其中x1为睡眠规律特征值，ts表示开始入睡时间点，ts_avg表示第一预设时间内入睡时间点的平均值，δs表示入睡时间点阈值，tw表示清醒时间点，tw_avg表示第一预设时间内清醒的时间点的平均值，δw表示清醒时间点阈值。

2)入睡延迟特征值：包括准备睡觉的时间点到真正入睡的时间点之间的时长，单位是分钟。由于入睡延迟时间，没有一个统一标准，因此可以计算第一预设时间内的入睡延迟的平均值和标准差tsl_avg和σsl，将tsl_avg+σsl作为入睡延迟时间的下限tsl_l，而一般认为入睡延迟时间超过60min时，会严重影响睡眠质量，但如果某个用户平均的入睡延迟时间为10分钟，则当入睡延迟时间超过40分钟，就会严重影响睡眠质量，因此将入睡延迟时间的上限设为tsl_u＝min{tsl_l+30,60}，则入睡延迟特征表达式为：

其中x2为入睡延迟时间特征值，tsl入睡延迟时间，tsl_l表示入睡延迟时间的下限，tsl_u表示入睡延迟时间的上限，其中：

tsl_l＝tsl_avg+σsl(3)

tsl_u＝min{tsl_l+30,60}(4)

上式中tsl_avg表示第一预设时间内入睡延迟时间的平均值，σsl表示第一预设时间内入睡延迟时间的标准差。

3)深度睡眠时间比特征值指：深度睡眠时间在整个睡眠期间的占比。由于深度睡眠过长时可能会影响rem睡眠的时间，因此，存在一个深度睡眠时间比的外上限rd_eu和外下限rd_el，超过这个范围，认为深度睡眠时间对睡眠质量的影响很大，还存在一个深度睡眠时间比的内上限rd_iu和内下限rd_il，在这个范围内，则认为深度睡眠时间对睡眠质量没有影响，如果超出这个范围但仍处于在外上下限内，则认为睡眠质量受到一定程度的影响，则深度睡眠时间比特征表达式为：

其中x3为深度睡眠时间比特征值，rd表示深度睡眠时间比，rd_iu表示深度睡眠时间比的内上限，rd_il表示深度睡眠时间比的内下限，rd_eu表示深度睡眠时间比的外上限，rd_el表示深度睡眠时间比的外下限。

4)rem睡眠也叫快相睡眠、异相睡眠或快波睡眠，rem睡眠时间比指：rem睡眠时间在整个睡眠期间的占比，rem睡眠有助于巩固非陈述性长时记忆，与深度睡眠时间比类似，同样存在外上限rrem_eu和外下限rrem_iu以及内上限rrem_iu和内下限rrem_il，则rem睡眠时间比特征值表达式为：

其中x4为rem睡眠时间比特征值，rrem表示rem睡眠时间比，rrem_iu表示rem睡眠时间比的内上限，rrem_il表示rem睡眠时间比的内下限，rrem_eu表示rem睡眠时间比的外上限，rrem_el表示rem睡眠时间比的外下限。

5)睡眠觉醒特征值包括整个睡眠期间觉醒时间大于5分钟的觉醒次数和总的觉醒时间。睡眠过程中的觉醒会影响睡眠的连续性，可能打断深度睡眠阶段或者rem睡眠阶段，也可能造成总的睡眠时间不够，而大于5分钟的觉醒次数过多或者总觉醒时间过长都会降低睡眠质量，觉醒次数的阈值为nw_th，小于这个阈值，认为睡眠质量不受影响，而总的睡眠觉醒时长的上下限分别为tw_u和tw_l，单位是分钟，如总的睡眠觉醒时长小于下限认为睡眠质量不受影响，大于上限认为睡眠质量下降严重，在这范围内则认为睡眠质量会受一定程度影响，则睡眠觉醒特征值的表达式为：

其中x5睡眠觉醒特征值，tw表示总的睡眠觉醒时长，nw表示睡眠觉醒次数，tw_u表示睡眠觉醒总时长上限，tw_l表示睡眠觉醒总时长下限，nw_th表示睡眠觉醒次数阈值。

本实施例中根据睡眠特征值要得到的睡眠质量量化模型，睡眠质量量化模型为线性回归模型，表示为：

其中sq为睡眠质量量化数值，a表示睡眠质量量化数值的最高分，xi表示第i个睡眠特征值，ωi表示第i个睡眠特征值对应的权值，n表示睡眠特征值个数。

首先假定一个睡眠质量的最高分a，一般可以假设a＝100，再确定每个特征值的权值ω1～ω5以及计算特征值x1～x5时需要的超参数，例如计算第一预设时间(月份数m)、入睡时间点阈值δs、清醒时间点阈值δw、深度睡眠时间比和rem睡眠时间比各自的四个门限值、睡眠觉醒次数阈值nw_th和睡眠觉醒总时长上下限等，确定这些参数之后，采集用户的入睡时间点、清醒时间点、入睡延迟时间、深度睡眠时间比、rem睡眠时间比、总的睡眠觉醒时长和睡眠觉醒次数，即可得到该用户的睡眠质量量化值。

如图2所示，为实施例一中获取睡眠质量的量化值的具体流程，包括训练阶段和输出阶段。

训练阶段包括步骤：

s11：采集睡眠期间的生理信号和环境信号。

s12：根据采集的信号提取出睡眠特征参数。

本实施例中具体为采用的可穿戴设备的传感器，包括陀螺仪传感器、加速度传感器、磁力传感器、体温传感器、光电心率传感器还有光传感器、温度传感器和gps等：根据不同的采集设备采集睡眠期间中的一些生理信号和环境信号，用于提取睡眠特征参数，例如包括脑电、心电、眼动、呼吸、肢体运动、脉搏、体温等生理信号和温度、光亮度等环境信号。睡眠特征值包括用户的入睡时间点、清醒时间点、入睡延迟时间、深度睡眠时间比、rem睡眠时间比、总的睡眠觉醒时长和睡眠觉醒次数等，例如，深度睡眠时间比、rem睡眠时间比、总的睡眠觉醒时长和睡眠觉醒次数可由陀螺仪传感器、加速度传感器、磁力传感器以及光电心率传感器的数据利用算法计算而来。

s13：根据睡眠特征参数得到训练样本集。

本实施例首先假设睡眠质量量化数值的最高分a＝100，再确定超参数的初始值，例如可设置第一预设时间m＝3、入睡时间点阈值δs＝1、清醒时间点阈值δw＝1、深度睡眠时间比的内上限rd_iu＝20％，深度睡眠时间比的内下限rd_il＝15％，深度睡眠时间比的外上限rd_eu＝30％，深度睡眠时间比的外下限rd_el＝5％、rem睡眠时间比的内上限rrem_iu＝30％，rem睡眠时间比的内下限rrem_il＝20％，rem睡眠时间比的外上限rrem_eu＝40％，rem睡眠时间比的外下限rrem_el＝10％、睡眠觉醒次数阈值nw_th＝4、睡眠觉醒总时长上限tw_u＝40和睡眠觉醒总时长下限tw_l＝20，利用这些超参数初始值和已提取的睡眠特征参数，可计算出睡眠质量量化模型中的5个睡眠特征值构成训练样本集。

由于不同的用户睡眠质量量化模型中特征值的权重各不相同，因此需要为每一个人训练一个个性化的睡眠质量量化模型，本实施例对30个用户进行数据采集，为每个用户训练出个性化模型，不同用户训练过程相同，只是训练样本集不同。

s14：利用训练样本集训练睡眠质量量化模型。

本实施例采用交叉验证的策略确定超参数，将训练样本集分成训练集和验证集，其中训练集用于训练模型得到参数，验证集用于验证参数，不断修改超参数的值，最终确定一组使评价指标最优的超参数，根据超参数获取训练后的睡眠质量量化模型，其中评价指标采用均方误差最小原则，mse为均方误差，具体为：

其中，num为训练样本集样本数量，truei为真实值，predi为预测值。

得到睡眠质量量化模型后，进入输出阶段，本实施例中输出阶段包括步骤：

s21：采集睡眠期间的生理信号和环境信号；

s22：根据采集的信号提取出睡眠特征参数；

s23：利用训练阶段训练得到的超参数计算睡眠特征值；

s24：根据训练后的睡眠质量量化模型，得到睡眠质量的量化值，最后输出睡眠质量量化值。

实施例二：

本发明还提供一种基于机器学习的睡眠质量量化装置，如图3所示，包括：睡眠特征值获取模块，用于获取参与训练的睡眠特征值，得到训练样本集；睡眠质量量化模型训练模块，用于利用训练样本集对睡眠质量量化模型进行训练，得到训练后的睡眠质量量化模型；睡眠质量量化数值获取模块，用于获取根据训练后的睡眠质量量化模型，得到睡眠质量的量化值。

实施例三：

本发明还提供一种基于机器学习的睡眠质量量化设备，如图4所示，包括：可穿戴设备、智能终端和云服务器；可穿戴设备，用于采集参与训练的睡眠特征值；智能终端，用于收集可穿戴设备采集的参与训练的睡眠特征值发送给云服务器和/或完成相关的计算和/或对最终计算出的睡眠质量的量化值进行显示；云服务器，用于接收智能终端和/或可穿戴设备发送的用于训练的睡眠特征值或中间数值，执行任一项所述的一种基于机器学习的睡眠质量量化方法进行睡眠质量量化模型训练，并根据睡眠质量量化模型进行睡眠质量量化值的计算或将训练好的睡眠质量量化模型发送给智能终端进行睡眠质量量化值的计算。

本发明通过获取参与训练的睡眠特征值，得到训练样本集，并利用训练样本集对睡眠质量量化模型进行训练，得到训练后的睡眠质量量化模型，从而得到睡眠质量的量化值，通过分析提取影响睡眠质量的最本质的几个特征，并将其量化为特征值，建立线性回归的睡眠质量量化模型，采用机器学习的方法，基于大量数据的训练睡眠质量量化模型，实现过程运算量低，简单易理解。可广泛应用于睡眠管理领域和可穿戴设备领域。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。