睡眠阶段预测以及基于此的干预准备的制作方法

本公开涉及一种用于促进与睡眠阶段有关的预测和/或在所述睡眠阶段的发生之前的干预准备的系统和方法。

背景技术：

睡眠监测和睡眠阶段检测系统经常被用于识别睡眠干扰或者与睡眠疗法有关。典型的系统可以通过在睡眠期间向对象提供对对象的外围(例如，感官、电或磁)模拟来为对象提供睡眠治疗。然而，这样的系统常常在睡眠期间在不考虑对象的当前睡眠阶段的情况下和/或以与对象的睡眠状态不对应的间隔连续地向对象施加感官刺激。本公开克服了现有技术系统中的缺陷。

技术实现要素：

因此，本公开的一个或多个方面涉及一种被配置为促进对睡眠阶段的预测和在所述睡眠阶段的发生之前的干预准备的系统。所述系统包括：一个或多个传感器，其被配置为被放置在对象上，并且生成传达与所述对象的脑活动有关的信息的输出信号。所述系统包括一个或多个物理处理器，其被计算机可读指令配置为：确定表示关于睡眠期(session)的第一时间段的输出信号的样本；在睡眠期期间，在睡眠期的第一时间将样本提供给预测模型，以预测在睡眠期的第二时间附近发生的对象的睡眠阶段；在第二时间之前，基于对睡眠阶段的预测来确定干预信息，所述干预信息指示与外围刺激有关的一个或多个刺激器参数；并且基于干预信息，使一个或多个刺激器在睡眠期的第二时间附近向对象提供干预。

本公开的另一方面涉及一种促进对睡眠阶段的预测以及在睡眠阶段的发生之前的干预准备的方法，所述方法包括：利用一个或多个传感器生成传达与对象的脑活动有关的信息的输出信号；利用一个或多个物理处理器确定表示关于睡眠期的第一时间段的输出信号的样本；利用一个或多个物理处理器在睡眠期期间，在所述睡眠期的第一时间将样本提供给预测模型，以预测在睡眠期的第二时间附近发生的对象的睡眠阶段；利用一个或多个物理处理器在第二时间之前，基于对睡眠阶段的预测来确定干预信息，所述干预信息指示与外围刺激有关的一个或多个刺激器参数；以及利用一个或多个物理处理器基于干预信息使一个或多个刺激器在睡眠期的第二时间附近向对象提供干预。

本公开的又一方面涉及一种被配置为促进对睡眠阶段的预测以及在所述睡眠阶段的发生之前的干预准备的系统。所述系统包括：用于生成传达与对象的脑活动有关的信息的输出信号的单元；以及用于确定表示关于睡眠期的第一时间段的输出信号的样本的单元；用于在睡眠期期间在睡眠期的第一时间将样本提供给预测模型以预测在睡眠期的第二时间附近发生的对象的睡眠阶段的单元；用于在第二时间之前基于对睡眠阶段的预测来确定干预信息的单元，所述干预信息指示与外围刺激有关的一个或多个刺激器参数；以及用于基于干预信息使一个或多个刺激器在睡眠期的第二时间附近向对象提供干预的单元。

本公开的这些和其他目的、特征和特性，以及操作方法和结构的相关元件的功能以及零件和制造经济性的结合，将在考虑以下因素和参考附图的所附权利要求后变得更加明显，所有这些形成了本说明书的一部分，其中相似的附图标记在各个附图中表示对应的部分。然而，应当明确地理解，附图仅出于说明和描述的目的，而并不旨在作为对本公开的限制的定义。

附图说明

图1是根据一个或多个实施例的被配置为促进与睡眠状态有关的预测和/或在所述睡眠阶段的发生之前的干预准备的系统的示意性图示；

图2图示了根据一个或多个实施例的由被配置为检测睡眠状态的系统执行的示例性操作；

图3图示了根据一个或多个实施例的由被配置为预测睡眠状态的系统执行的示例性操作；

图4图示了根据一个或多个实施例的预测模型的示例；

图5图示了根据一个或多个实施例的采样输出信号的示例；

图6图示了根据一个或多个实施例的预测模型以及去往和来自所述预测模型的输入/输出的示例。

图7图示了根据一个或多个实施例的预测模型的示例；并且

图8图示了根据一个或多个实施例的用于对睡眠阶段的预测以及在所述睡眠阶段的发生之前的干预准备的方法。

具体实施方式

如在本文中所使用的，单数形式的“一”、“一个”和“该”包括复数引用，除非上下文另外明确指出。如在本文中所使用的，除非上下文另外明确指出，否则术语“或”意指“和/或”。如在本文中所使用的，两个或更多个零件或部件被“耦合”的陈述应当意指：只要发生链接，这些零件就可以直接或间接地(即，通过一个或多个中间零件或部件)接合或一起操作。如在本文中所使用的，“直接耦合”意指两个元件彼此直接接触。如在本文中所使用的，“固定耦合”或“固定”意指两个部件被耦合以便在保持相对于彼此恒定取向的同时进行移动。

如在本文中所使用的，词语“单体”意指部件被创建为单件或单元。亦即，包括单独创建并且然后作为单元耦合在一起的零件的部件不是“单体”部件或对象。如在本文中所采用的，两个或更多个零件或部件彼此“接合”的陈述应当意指零件直接或通过一个或多个中间零件或部件彼此施加力。如在本文中所采用的，术语“数量”应当意指一或大于一的整数(即，多个)。

在本文中所使用的方向性短语，诸如，例如但不限于：顶部、底部、左侧、右侧、上部、下部、正面、背面以及其派生词，与附图中所示元件的取向有关，并且除非本文中明确陈述，否则不限制权利要求。

在睡眠期间的干预(例如，外围刺激)可能具有若干认知和治疗益处：增强睡眠质量、增加睡眠的恢复价值以及增强的认知功能。通常，在睡眠期间的刺激试图修改睡眠脑活动(例如，经由外围刺激)，而不改变整体睡眠架构或引起睡眠干扰。为此，采用了闭环反应策略，该策略响应于睡眠状态的改变来修改干预的性质。干预的优化和效果的增强需要主动策略，这些策略实时地预测未来的睡眠状态转换。

图2图示了由被配置为实时地检测睡眠状态的系统200执行的示例性操作。在一些实施例中，系统200可以包括可穿戴设备201，其可以包括一个或多个传感器、处理器、刺激器或其他部件。在该示例中，系统200是基于脑电图(eeg)的系统，其实时地检测深度睡眠并递送听觉刺激以增强睡眠慢波而不会引起唤醒。可穿戴设备201包括感官刺激器203(其在这种情况下是听觉刺激器)。可以使用eeg信号202来检测对象12中的唤醒(例如，睡眠微唤醒)。唤醒是能够在eeg信号202中观察到的高频事件，其指示对象正在醒来。通过计算α(8-12hz)和β(15-30hz)频带中的eeg功率并且将其与预先建立的阈值进行比较，可以实现检测唤醒。唤醒的存在延迟了下一听觉刺激的发作。如果检测到唤醒，则停止进行中的刺激。如果未检测到唤醒，则系统通过计算0.5hz至4hz频带(慢波活动或swa)中的eeg功率并且量化慢波的密度来尝试检测n3(慢波)睡眠。如果检测到的n3睡眠的持续时间至少为1.5分钟，并且睡眠深度(在δ与β功率之间的比率)超过了预先建立的阈值，则递送听觉刺激。这能够在图2中看到，如果未检测到唤醒204，并且检测到慢波212，则感官刺激器203向对象12提供听觉刺激。听觉刺激包括50毫秒长的音调，各音调彼此间隔开固定的1秒长的音调间隔。每个音调的音量由睡眠深度来调制，使得在较深(较浅)睡眠期间播放响亮(柔和)的音调。调节听觉刺激的音量增强了慢波效果214。如果在刺激时间段206期间在对象12中检测到唤醒204，则刺激器203停止刺激208。如果在刺激时间段206之外检测到唤醒204，则感官刺激器将延迟听觉刺激210。在睡眠期间进行干预的这些方案(在图2中所描述的)本质上是反应性的，因为对干预的决定(例如，特定睡眠阶段的刺激)是在干预的若干秒(在100毫秒至5秒之间)内做出的。干预的一般方案是以不影响睡眠架构或睡眠持续时间的方式进行。这指示需要更积极主动的策略。

系统10(在图1中所描述的)可以允许利用当前监测的睡眠信号以及睡眠动力学的历史来利用长于数秒(例如，>10秒)的预测范围(horizon)来预测未来的睡眠阶段。这可以允许更准确的干预时间，并且可以允许在睡眠状态的发生之前的干预准备(刺激的类型、刺激之间的时间间隔、刺激的强度，刺激的量，频率和/或感官干预的其他参数)。由于干预不是连续的(仅当预测了适当的睡眠状态时才发生)，因此以更高的准确性预测睡眠状态可以允许更好的(例如，刺激器和/或系统的一个或多个部件的)能量管理和寿命延长。

在一些实施例中，系统10包括以下中的一项或多项：(一个或多个)刺激器16、(一个或多个)传感器18、处理器20、电子存储装置22、(一个或多个)客户端计算平台24、网络26和/或其他部件。在图1中，(一个或多个)刺激器16、(一个或多个)传感器18、处理器20、电子存储装置22和(一个或多个)客户端计算平台24被示为单独的实体。在一些实施例中，系统10的一些部件和/或所有部件和/或其他部件可以被分组为一个或多个单个设备(例如，可穿戴设备或其他用户设备)。在一些实施例中，可穿戴设备可以包括：壳体、一个或多个传感器(例如，传感器18)、处理器(例如，处理器20)、刺激器(例如，刺激器16)、或其他部件。在一些实施例中，可穿戴设备可以被配置为在壳体内包括一个或多个传感器、一个或多个处理器以及一个或多个传感器刺激器。在一些实施例中，所述可穿戴设备可以被配置为包括在壳体内的包括一个或多个传感器和一个或多个处理器以及在壳体外部的一个或多个传感器刺激器的一个或多个。在一些实施例中，所述可穿戴设备可以被配置为包括在壳体内的一个或多个处理器和一个或多个传感器刺激器，以及在壳体外部的一个或多个传感器。不管这样的传感器、处理器、刺激器和可穿戴设备的其他部件是容纳在壳体内部还是外部，都可以经由有线或无线连接彼此通信。应当注意，尽管在本文中关于执行某些操作的可穿戴设备描述了一些实施例，但是可以由一个或多个其他部件(例如，一个或多个服务器、客户端设备等)来执行一个或多个这样的操作。作为示例，这样的其他部件(例如，一个或多个服务器、客户端设备等)可以包括与子系统部件28-38相同或相似的一个或多个处理器部件。

可穿戴设备可以是被穿戴的任何设备，或者与对象的任何身体部分完全或部分接触的设备。图3(下文所描述的)示出了可以呈头带301形式的可穿戴设备的示例。在一些实施例中，头带可以包括感测电极、位于对象的耳朵后面的参考电极、与eeg相关联的一个或多个设备、无线音频设备、以及位于对象的耳朵中和/或附近和/或其他位置中的一个或多个音频扬声器。感测电极可以被配置为生成输出信号，所述输出信号传达与对象的脑部活动有关的信息。所述输出信号可以无线地和/或经由电线被传输到计算设备(在可穿戴设备内部或外部)。例如，在一些实施例中，图1的系统10可以相似于图3的可穿戴设备301，或者可以被包含在与图3可穿戴设备301相似的可穿戴设备。在一些实施例中，图1的系统10的一些或全部部件都可以被包含在图3的可穿戴设备301相似的可穿戴设备。

返回到图1，(一个或多个)刺激器16被配置为向对象12提供刺激。在一些实施例中，被提供给对象的刺激可以是外围刺激(例如，感官的、电的、磁的等)。在一些实施例中，可以考虑其他类型的刺激。(一个或多个)刺激器16可以被配置为在睡眠期之前、在当前睡眠期期间、在睡眠期之后和/或在其他时间向对象12提供刺激。在一些实施例中，刺激包括听觉刺激、光刺激、电刺激、触觉刺激、磁刺激、视觉刺激和/或嗅觉刺激。例如，(一个或多个)刺激器16可以被配置为在睡眠期的慢波睡眠期间向对象12提供刺激。(一个或多个)刺激器16可以被配置为在睡眠期期间向对象12提供刺激，以在对象12中诱发睡眠慢波和/或增强睡眠慢波。在一些实施例中，(一个或多个)刺激器16可以被配置为通过非侵入性脑刺激和/或其他方法来诱发和/或增强睡眠慢波。(一个或多个)刺激器16可以被配置为使用包括气味、声音、视觉刺激、触摸、味觉和/或其他刺激的刺激，通过非侵入性脑刺激来诱发和/或增强睡眠慢波。在一些实施例中，(一个或多个)刺激器16可以被配置为经由对象12的听觉刺激来诱发和/或增强睡眠慢波。(一个或多个)刺激器16的示例可以包括以下中的一项或多项：音乐播放器、音调生成器、对象12的头皮上的电极集合、递送振动刺激的单元(也被称为躯体感官刺激)、生成磁场以直接刺激大脑皮层的线圈、光生成器、香水分配器和/或其他刺激器。

在一些实施例中，可以使用经颅直流刺激(tdcs)和经颅交流刺激(tacs)，其中，设备跨头皮发送小电流以调制脑功能。这些类型的刺激器可能对睡眠产生有益的影响，并在刺激之后具有持续的后效应。缓慢振荡刺激可能诱发慢波睡眠的立即增加、内源性皮质的缓慢振荡以及额叶皮层的纺锤体活动减慢。在一些实施例中，在检测/预测睡眠阶段2之后在非rem中特异性地靶向tdcs和tac的递送以诱发慢波睡眠的立即增加。

在一些实施例中，在深度nrem睡眠期间递送的经颅磁刺激(tms)可以触发慢波并增强睡眠深度。在一些实施例中，刺激(例如，听觉、触觉、嗅觉或视觉)可以被用于在睡眠期间靶向记忆再激活。在一些实施例中，通过在学习执行特定任务的同时关联声音提示，可以在对象正在睡眠的同时重播所述提示以增强他们对该任务的记忆。如果在特定的睡眠周期(例如，慢波阶段)播放，所述提示可能更有效。

在一些实施例中，可以通过来自用户、对象、系统10的内部或外部的一个或多个组件的输入，来调节刺激的类型、刺激之间的时间间隔、刺激的强度、刺激的量、(一个或多个)刺激器的频率和/或其他参数。对(一个或多个)刺激器的一个或多个参数(例如，刺激的类型、时间间隔、强度、量、频率等)的调节可以基于来自个体对象的信息、来自个体用户(例如，健康护理专业人员、护理人员等)的信息、个体疗法、制造商设置和/或其他信息。例如，可以在上阈值与下阈值之间调节感官刺激的一个或多个特征(或参数)(例如，刺激的类型、时间间隔、强度、量、频率等)。可以基于先前的测试(或者可以基于对象之间的相似性)为每个对象确定针对特性的上阈值和下阈值。例如，为了设置针对给定对象的上阈值，可以向对象呈现逐渐增加的刺激，并且要求其估计对象认为能够唤醒他的刺激水平。在其他示例中，可以在一个或多个睡眠期期间在对象上测试刺激的特性，以确定将使睡眠干扰的风险最低的刺激的上阈值和下阈值。在一些实施例中，可以基于一个或多个其他对象对刺激的响应来设置刺激的特性(例如，上阈值和下阈值)。所述一个或多个对象可以与该对象具有一个或多个相似项(例如，脑活动、人口统计学信息、生命体征信息、医学/健康状况信息、处置历史信息、相似的期望结果和/或其他相似性)。

(一个或多个)传感器18被配置为生成输出信号，所述输出信号传达与对象12的脑活动有关的信息。对象12的脑活动可以对应于对象12的睡眠状态和/或其他特性。睡眠状态可以包括、对应于和/或指示睡眠阶段。对象12的脑活动可以与睡眠状态和/或睡眠阶段相关联，所述睡眠状态和/或睡眠阶段包括、对应于和/或指示快速眼动(rem)睡眠、非快速眼动(nrem)睡眠(例如，慢波睡眠)和/或其他睡眠状态。(一个或多个)传感器18可以包括直接测量这样的参数的一个或多个传感器。例如，(一个或多个)传感器18可以包括电极，所述电极被配置为检测由对象12的脑内的电流引起的沿着对象12的头皮的电活动。(一个或多个)传感器18可以包括生成传达与对象12的脑活动间接有关的信息的输出信号的一个或多个传感器。例如，一个或多个传感器18可以基于对象12的心率(例如，(一个或多个)传感器18可以是位于对象12的胸部的心率传感器，和/或被配置为在对象12的手腕上和/或位于对象12的另一肢体上的手链)，对象12的移动(例如，(一个或多个)传感器18可以包括被放置在对象身体上的移动检测器、在对象12的手腕和/或脚踝周围的手链以及加速度计使得可以使用笔迹信号、相机、光移动检测器和/或其他移动检测器分析睡眠)、对象12的呼吸和/或对象12的其他特征来生成输出。尽管(一个或多个)传感器18被图示在对象12附近的单个位置处，这并非旨在进行限制。(一个或多个)传感器18可以包括被设置在多个位置中的传感器，诸如，例如，(以可移除的方式)与对象12的衣服耦合、由对象12穿戴(例如，作为头带、腕带等)、被定位为在对象12睡眠时指向对象12(例如，传达与对象12的移动有关的输出信号的相机)和/或在其他位置中。

在一些实施例中，(一个或多个)传感器18可以包括正电子发射断层摄影(pet)设备、脑磁图描记(meg)设备、功能性mri设备、功能性近红外波谱设备、单光子发射计算机断层摄影设备和/或被配置为检测脑活动的其他设备/装备的一些或所有部分。

处理器20被配置为在系统10中提供信息处理能力。这样，处理器20可以包括以下中的一项或多项：数字处理器、模拟处理器和被设计为处理信息的数字电路、被设计为处理信息的模拟电路、状态机和/或用于电子地处理信息的其他机制。尽管处理器20在图1中被示为单个实体，但是这仅仅用于例示说明的目的。在一些实施例中，处理器20可以包括多个处理单元。这些处理单元可以在物理上位于同一设备(例如，服务器)内，或者处理器20可以表示协同操作的多个设备(例如，一个或多个服务器、与用户相关联的一个或多个计算设备24、医学设备、(一个或多个)刺激器16、(一个或多个)传感器18、一件医院设备、作为外部源14的一部分的设备，电子存储装置22和/或其他设备)的处理功能。

如在图1中所示的，处理器20被配置为执行一个或多个计算机程序部件。所述一个或多个计算机程序部件可以包括以下中的一项或多项：对象信息部件28、采样部件30、检测部件32、预测部件34、风险部件36、控制部件38和/或其他部件。处理器20可以被配置为通过软件；硬件；固件；软件、硬件和/或固件的某种组合；和/或用于配置处理器20上的处理能力的其他机制来执行部件28、30、32、34、36、38和/或其他部件。

应当意识到，尽管在图1中将部件28、30、32、34、36和38被图示为共同位于单个处理单元内，但是在处理器20包括多个处理单元的实施例中，部件28、30、32、34、36、38和/或其他部件中的一个或多个可以远离其他部件来定位。由以下描述的不同部件28、30、32、34、36、38和/或其他部件所提供的功能的描述是出于说明性目的，而并非旨在限制，因为部件28、30、32、34、36和/或38中的任意部件可以提供比所描述的更多或更少的功能。例如，可以消除部件28、30、32、34、36和/或38中的一个或多个，并且其功能中的一些或全部功能可以由其他部件28、30、32、34、36和/或38来提供。作为另一示例，处理器20可以被配置为执行一个或多个额外部件，所述一个或多个额外部件可以执行以下归因于部件28、30、32、34、36和/或38中的一个部件的功能中的一些或全部功能。

在一些实施例中，对象信息部件28可以被配置为确定(和/或获得)与对象12有关的信息。在一些实施例中，对象信息部件28可以被配置为，基于来自(一个或多个)传感器18的输出信号，来确定与对象的脑活动有关的信息。如上文所描述的，脑活动信息可以包括对象的睡眠状态信息。在一些实施例中，与对象12有关的信息可以包括生物信息。例如，生物信息可以包括人口统计学信息(例如，性别、种族、年龄等)、生命体征信息(例如，心率、温度、呼吸率、体重、bmi等)、医学/健康状况信息(例如，疾病类型、疾病严重性、疾病阶段、疾病类别、症状、行为、再入院、复发等)、处置历史信息(例如，处置类型、处置长度、当前和过去药物等)和/或其他信息。在一些实施例中，对象信息部件28可以包括与睡眠和/或脑活动信息有关的信息(例如，先前的睡眠研究、先前的脑活动信息、先前的睡眠状态信息和/或其他睡眠和脑活动相关信息)。

在一些实施例中，对象信息部件28可以被配置为确定(和/或获得)与其他对象相关的信息。例如，对象具有相似的脑活动信息、人口统计学信息、生命体征信息、医学/健康状况信息、处置历史信息、相似的期望结果(例如，来自感官模拟)、相似的睡眠信息和/或者与对象12的其他相似性。应当注意，上文所描述的对象信息并非旨在进行限制。根据一些实施例，可能存在与对象有关的大量信息，并且可以与系统10一起使用。例如，用户可以选择定制系统10并且包括他们认为相关的任何类型的对象数据。

在一些实施例中，对象信息部件28可以被配置为从一个或多个数据库(例如，被包含在电子存储装置22、外部源14、一个或多个医学设备、其他内部或外部数据库和/或其他信息源)获得/提取信息。在一些实施例中，不同的数据库可以包含关于对象12的不同信息。在一些实施例中，一些数据库可以与特定的对象信息相关联(例如，医学状况、人口统计学特性、处置、疗法、所使用的医学设备、生命体征信息等)或者与对象信息集合(例如，医学状况集合、人口统计学特性集合、处置集合、疗法集合、所使用的医学设备集合、生命体征信息集合等)相关联。在一些实施例中，对象信息部件28可以被配置为从外部源14(例如，被包含在外部源14中的一个或多个外部数据库)、被包含在系统10中的电子存储装置22、一个或多个医学设备和/或其他信息源来获得/提取对象信息。

采样部件30可以被配置为关于睡眠期的给定时间段来确定(和/或接收)表示输出信号的采样。例如，采样部件可以被配置为由系统10的一个或多个部件采样的输出信号的采样。在一些实施例中，采样部件30可以被配置为采样从传感器18接收到的输出信号。输出信号的采样可以对应于睡眠期期间的不同时间段。所述时间段可以是任何长度(例如，长度范围可以从毫秒到分钟)。在一些实施例中，采样部件30可以被配置为在部分(或整个)睡眠期期间连续地采样输出信号。在一些实施例中，输出信号的采样可以是连续的、可以重叠的、可以是周期性的、可以是随机的、或者可以是任何其他类型的采样。在一些实施例中，采样部件30可以被配置为以原始格式(例如，直接从(一个或多个)传感器接收到的)对输出信号进行采样。在一些实施例中，采样部件30可以被配置为在生成采样之前生成输出信号的表示。例如，采样部件30可以被配置为在生成采样之前在频域中生成输出信号的表示。在一些实施例中，所述输出信号的表示可以是2d或3d图像的形式，和/或输出信号的其他表示。

检测部件32可以被配置为检测对象12中的睡眠状态和/或睡眠阶段。在一些实施例中，检测部件32可以被配置为基于来自(一个或多个)传感器18的输出信号，和/或基于从系统10内部或外部的其他部件接收到的其他信息，来检测睡眠状态(和/或睡眠阶段)。在一些实施例中，对象12的睡眠状态可以对应于以下中的一项或多项：清醒、rem睡眠、阶段n1、阶段n2、和/或阶段n3睡眠、和/或其他睡眠状态。在一些实施例中，个体睡眠阶段包括深度睡眠阶段。在一些实施例中，深度睡眠、慢波睡眠和/或慢波活动可以对应于阶段n3睡眠。在一些实施例中，阶段n2和/或阶段n3睡眠可以是深度睡眠和/或慢波睡眠和/或者可以对应于深度睡眠和/或慢波活动。在一些实施例中，检测部件32被配置为使得检测个体睡眠阶段包括从潜在的睡眠阶段的集合(例如，清醒、rem、n1、n2、n3)中选择睡眠阶段，其中，该潜在的睡眠阶段的集合包括深度睡眠阶段。

在一些实施例中，检测部件模块32可以基于对(一个或多个)传感器18的输出信号传达的信息的分析来确定对象12的当前睡眠阶段。所述分析可以包括在部分或整个睡眠期期间生成和/或监测输出信号的表示。例如，分析可以包括在对象12的睡眠期期间生成和/或监测eeg。在一些实施例中，分析可以包括基于eeg的δ带中的功率和/或β带中的功率和/或其他信息来检测慢波睡眠。

在一些实施例中，预测部件34可以被配置为预测对象的睡眠状态。例如，在一些实施例中，预测部件34可以在睡眠期的给定睡眠时间段期间在第一时间从采样部件30接收样本。所述样本表示指示在所述第一时间期间对象的脑活动的输出信号。预测部件34可以被配置为预测在第二时间(在睡眠期的相同睡眠时间段或不同睡眠时间段期间)附近发生的对象的睡眠状态。在一些实施例中，所述第二时间可以是在第一时间之后的毫秒、一秒、两秒、五秒、十秒、一分钟、两分钟、五分钟或其他时间量级。在一些实施例中，所述第二时间可以在第一时间之后的1ms与几时之间。

在一些实施例中，预测部件34被配置为基于(例如，由检测模块30)先前检测到的睡眠状态来预测一个或多个(未来)睡眠状态。在一些实施例中，预测部件34可以被配置为预测睡眠状态内的深度睡眠和/或慢波发生。在一些实施例中，预测部件34可以被配置为基于先前的睡眠和/或脑活动信息来预测一个或多个睡眠状态。例如，预测部件34可以被配置为基于从在第一时间提供给预测模型的样本中检测到的睡眠状态来预测针对第二时间的一个或多个睡眠状态。在一些实施例中，预测部件34可以被配置为在睡眠期的至少部分期间连续地接收其他样本，以预测对象的睡眠阶段的发生在其他样本被分别提供给预测部件之后的其他时间周围。可以从采样部件30接收样本。

在一些实施例中，预测部件34可以被配置为基于来自与对象12具有一个或多个相似项的对象的信息(例如，相似的脑活动信息、人口统计学信息、生命体征信息、医学/健康状况信息、处置历史信息、相似的预期结果(例如，来自感官模拟)、相似的睡眠信息和/或者与对象12的其他相似项)来预测一个或多个睡眠状态。

在一些实施例中，预测部件34可以包括被配置为确定可能在第二时间附近发生的睡眠状态的概率的预测模型。在一些实施例中，所述预测模型可以被配置为提供在第二时间处或附近发生的睡眠状态中的个体睡眠状态的一个或多个概率(例如，清醒、rem睡眠、阶段n1、阶段n2和/或阶段n3睡眠)。在一些实施例中，预测模型(和/或预测部件34)可以被配置为基于在第二时间附近可能发生的睡眠状态中的个体睡眠状态的一个或多个概率来确定对象的(未来)睡眠状态。例如，在一些实施例中，预测部件34可以确定具有较高概率值的睡眠状态是可能在第二时间处发生的睡眠状态。所述预测模型可以包括一个或多个神经网络(例如，深度神经网络、人工神经网络或其他神经网络)、其他机器学习模型或其他预测模型。作为示例，神经网络可以基于神经单元(或人工神经元)的大的集合。神经网络可以宽松地模拟生物大脑工作的方式(例如，经由轴突连接的大簇的生物神经元)。神经网络的每个神经单元可以与神经网络的许多其他神经单元相连接。这样的连接在其对所连接的神经单元的激活状态的影响中可以是强制性的或抑制性的。与常规的计算机程序相比，这些神经网络系统可能是自学的和训练的，而不是明确编程的，并且在某些问题解决领域中的表现要好得多。在一些实施例中，神经网络可以包括多层(例如，其中，信号路径从前层遍历到后层)。在一些实施例中，神经网络可以利用反向传播技术，其中，使用正向刺激来重置“前”神经单元上的权重。在一些实施例中，针对神经网络的刺激和抑制可以更加自由流动，其中，连接以更加混乱和复杂的方式相互作用。

在一些实施例中，所述预测模型可以是深度神经网络。与其他基于特征的方案相比，深度神经网络形式的机器学习利用大量数据来自动推导特征并且构建具有显著更高准确性的高性能分类器。使用(例如，eeg睡眠数据或其他睡眠数据的)大型数据库，可以构建深度学习分类器以利用数分钟内的预测范围来预测睡眠状态。在一些实施例中，深度神经网络操作可以包括算法集合，这些算法集合试图通过使用具有多个处理层的深度图来对数据中的高级抽象进行建模，所述多个处理层包括多个线性和/或非线性变换。例如，深度神经网络可以包括由卷积层(例如，过滤器)组成的架构。在一些实施例中，所述预测模型可以包括递归层。在一些实施例中，可以将递归层实施为长期-短期存储器元件，所述存储器元件向网络提供存储器以使用过去的决策来细化预测准确度。在一些实施例中，使用神经网络可能是有利的，因为其能够根据与预先定义的睡眠阶段(例如，唤醒、rem、n1、n2、n3睡眠)相关联的概率来产生其预测。在一些实施例中，概率集合构成“软决策”向量，其能够通过将睡眠阶段预测与最高概率相关联而转换为“硬决策”。在一些实施例中，所述软决策使得能够考虑被映射到连续体中的睡眠状态，而不是在离散空间中的睡眠阶段。

图3图示了根据一个或多个实施例的由被配置为预测睡眠状态的系统10执行的示例性操作300。在一些实施例中，系统10可以是可穿戴的头带301的形式。在一些实施例中，系统10的一些或所有部件可以被包含在可穿戴的头带301中。在一些实施例中，系统10的一些或所有部件可以被包含在如上文所描述的任何类型的可穿戴设备中(在此处未示出)。使用脑电图(eeg)302来实时地监测睡眠期间的脑活动。在时间“t-τ”304处，具有“w”个样本的窗口306被馈送到预测模型308，预测模型308具有预测309时间“t”310处的睡眠状态的能力。所述预测模型可以包括卷积层311(其能够被认为是过滤器)和循环层312(在不失一般性的情况下能够被实施为长期-短期存储器元件)，从而允许具有状态存储器的网络使用过去的决策来改善预测准确性。在时间“t”310处，导致在睡眠期间进行干预的处理首先考虑该干预是否可能干扰睡眠314(这能够通过量化eeg中的高频内容来实现)。量化干扰睡眠的风险也可以受益于预测模型。如果干扰睡眠的风险足够低316，则下一步在于检测当前睡眠状态318。将当前睡眠状态318与在319处在时间“t-τ”(即τ个时间单位之前)处产生的预测模型的预测310组合，以决定是否应当进行干预320。可以考虑预测来决定设置(干预的参数)。可以将所述设置存储在数据存储装置322中。如果已经决定进行干预324，则将刺激递送324给对象12。

在一些实施例中，预测模型(例如，深度神经网络或其他机器学习模型)可以使用结构化和/或非结构化的数据进行学习。在一些实施例中，数据可以包括从(一个或多个)传感器18接收到的数据。例如，图像、符号、视频、音频、文本和/或其他结构化的数据中的一项或多项。在一些实施例中，学习能够是监督的或无监督的。

在一些实施例中，所述预测模型是卷积神经网络(cnn)和长短期存储器(lstm)。在一些实施例中，神经网络能够包括致密层、卷积层、递归层或者其组合。在一些实施例中，原始eeg信号(或者如上文所描述的其他输出信号)可以被窗口化(可能重叠)，并且被施加到神经网络的输入。网络的最终输出是针对每个应用窗口的每个睡眠阶段类的软概率值。在一些实施例中，这些概率值可以经由argmax运算符转换为针对每个窗口的硬决策睡眠阶段值。图4图示了根据一个或多个实施例的预测模型的示例。预测模型400是包括卷积层404的卷积神经网络(cnn)和包括lstm层406的长短期存储器(lstm)。预测模型400在时间上“展开”显示了三个连续窗口408。eeg信号410被窗口化并且被应用于神经网络402的输入。网络的最终输出是针对每个所应用的窗口的每个睡眠阶段类别的软概率值412。在一些实施例中，可以经由argmax运算符414将这些概率值转换成针对每个窗口的硬决策睡眠阶段值416。

图5图示了根据一个或多个实施例的样本输出信号的示例。图502表示针对每个阶段的软概率的详细视图(如上文关于图4所描述的)。不同的阶段利用不同的颜色(紫色、绿色、橙色、蓝色和红色)来表示。图504表示硬决策睡眠阶段。

图6图示了根据一个或多个实施例的预测模型600以及去往和来自预测模型600的输入/输出的示例。作为示例，预测模型600(例如，神经网络或其他机器学习模型)可以包括一个或多个卷积层、长短期存储器层或其他部件。在一个用例中，在对预测模型600的训练期间，利用前向移动来应用睡眠阶段目标。这预期为预测模型600提供更准确的预测行为。在一些实施例中，为了说明已经选择了τ(＝1)个窗口606的预测范围。更长的预测范围是可能的。类别交叉熵608被应用于软概率610，以确定在预测时间τ(＝1)的睡眠状态的值。

在一些实施例中，为了改善预测模型600的性能，可以在使用期间应用特定于对象的信息(例如，用户的年龄、性别、bmi或其他对象信息)。在一些实施例中，在神经网络训练期间，对象信息可以与每个eeg训练示例一起应用。在一些实施例中，训练数据集的对象信息分布应当大致匹配预期目标用户组的分布(例如，使用特定于对象的数据、来自与该对象具有一个或多个相似项的其他对象的数据、或者其他数据来训练预测模型600)。图7图示了根据一个或多个实施例的预测模型700的示例，其中，对象信息702被应用于神经网络704以改善预测模型的性能。

返回到图1，可以将风险部件36配置为确定在给定时间(或者在给定时间之前或附近)待递送给对象的刺激信息。在一些实施例中，风险部件36可以被配置为确定待递送给对象而不会引起睡眠干扰(例如，引起唤醒、或使对象感觉到刺激、或在他醒后记住刺激等)的刺激信息。在一些实施例中，刺激信息指示与刺激有关的一个或多个刺激器参数。例如，刺激的类型、持续时间、刺激之间的时间间隔、刺激的强度、刺激的量、频率和/或(一个或多个)刺激器的其他参数。在一些实施例中，可以从系统10内部或外部的一个或多个部件获得刺激信息。在一些实施例中，刺激信息可以由用户(健康护理提供者、护理者、护士等)、对象、制造商等来提供。在一些实施例中，可以在睡眠期期间动态地获得(或确定)刺激信息。例如，基于检测到的或预测出的睡眠状态(例如，刺激信息的一个或多个参数可以基于检测到的或预测出的睡眠状态而改变或动态地调节)。在一些实施例中，基于在第二时间处的睡眠阶段的预测，可以在第二时间之前获得(或确定)刺激信息。在一些实施例中，可以基于部分(或整个)睡眠期期间的睡眠状态的预测来连续地确定刺激信息。

在一些实施例中，风险部件36可以被配置为确定在给定时间(或者在给定时间之前或附近)提供刺激的睡眠干扰风险。例如，在一些实施例中，可以通过量化eeg中的高频内容来确定睡眠干扰风险。在一些实施例中，可以基于检测到的和/或预测出的睡眠状态来确定睡眠干扰风险。在一些实施例中，可以基于来自对象或其他对象的历史数据来确定睡眠干扰风险。例如，在过去检测到或预测出的睡眠状态已经导致针对对象的睡眠干扰的情况下，睡眠干扰风险可能更高。在一些实施例中，在过去检测到的或预测出的睡眠状态对该对象或其他对象没有或几乎没有引起睡眠干扰的情况下，睡眠干扰风险可能较低。例如，在检测到或预测出的睡眠状态是非rem睡眠阶段2的情况下，睡眠干扰风险可能较低。在一些实施例中，可以确定一个或多个风险标准。在一些实施例中，一个或多个风险标准可以包括一个或多个阈值。例如，风险上阈值和风险下阈值。在一些实施例中，风险上阈值指示当干扰风险达到、突破或在风险上阈值附近时，刺激将最可能引起睡眠干扰。在一些实施例中，风险下阈值指示当干扰风险达到、突破或在风险下阈值附近时，刺激将最可能不会引起睡眠干扰。风险标准可以由系统10内部或外部的风险部件36、预测部件34、用户、对象或其他部件来确定。

在一些实施例中，睡眠干扰风险可以由预测部件34(或者系统10的其他部件)来确定。在一些实施例中，可以以概率(或概率集合)的形式来确定睡眠干扰风险。例如，预测部件34可以被配置为预测针对给定时间(或者在给定时间之前或附近)的睡眠状态，以及确定待给予对象的刺激的一个或多个参数，以及刺激的一个或多个参数的睡眠干扰风险。在一些实施例中，可以通过机器学习模型来确定(或评估)睡眠干扰风险。

控制部件38被配置为控制(一个或多个)刺激器16以向对象12提供刺激。在一些实施例中，控制部件可以被配置为基于刺激信息、检测到的和/或预测出的睡眠状态、睡眠干扰风险和/或在睡眠期期间在给定时间处(或给定时间附近)的对象信息，来使(一个或多个)刺激器16提供刺激。控制部件38可以被配置为控制(一个或多个)刺激器16以在睡眠期之前、在当前睡眠期期间、在睡眠期之后和/或其他时间向对象12提供刺激。控制部件38可以被配置为控制刺激器16以在特定的睡眠状态和/或睡眠阶段期间提供刺激。例如，(一个或多个)刺激器16可以被配置为在睡眠期的慢波睡眠期间向对象12提供刺激。在一些实施例中，控制部件38可以被配置为基于检测到的或预测出的个体慢波来控制(一个或多个)刺激器16以在慢波的计时来提供刺激。

在一些实施例中，控制部件38可以被配置为基于确定睡眠干扰风险不满足预定风险标准(例如，上阈值)来使刺激器16在睡眠期的给定时间附近向对象提供刺激。在一些实施例中，控制部件38可以被配置为基于确定睡眠干扰风险满足预定风险标准(例如，上阈值)来停止(或减少刺激)刺激器16在睡眠期的给定时间附近向对象提供刺激。

在一些实施例中，控制部件38可以被配置为基于刺激信息、检测到的和/或预测出的睡眠状态、睡眠干扰风险和/或在睡眠期期间在给定时间(或给定时间附近)的对象信息，来控制(一个或多个)刺激器16来调节刺激。可以在上阈值与下阈值之间调节刺激。上阈值和下阈值可以基于对象12和/或基于用户(例如，健康护理专业人员、护理者等)确定出的其他参数和/或系统10的内部或外部的一个或多个部件来确定。在一些实施例中，系统10可以被配置为调节刺激的一个或多个参数(例如，刺激的类型、时间间隔、强度、量、频率等)。

在一些实施例中，如在图1中所示的，系统10可以包括以下中的一项或多项：外部源14、电子存储装置22、(一个或多个)客户端计算平台24、网络26和/或其他部件，其都经由网络26通信地耦合。

外部源14包括患者和/或其他信息的源。在一些实施例中，外部源14包括患者和/或其他信息的源，诸如数据库、网站等，参与系统10的外部实体(例如，健康护理提供者的医学记录系统，其存储患者人口的医学历史信息)，系统10外部的一个或多个服务器，网络(例如，互联网)，电子存储装置，与wi-fi技术相关的设备，与技术相关的设备，数据输入设备，传感器，扫描仪和/或其他源。在一些实施例中，在本文中归因于外部源14的功能中的一些或全部功能可以由在系统10中包含的源来提供。外部源14可以被配置为经由有线和/或无线连接、经由网络(例如，局域网和/或互联网)、经由蜂窝技术、经由wi-fi技术和/或经由其他源与处理器20、计算设备24、电子存储装置22和/或系统10的其他部件通信。

电子存储装置22包括电子地存储信息的电子存储介质。电子存储装置22的电子存储介质可以包括与系统10一体地提供的(即，基本上不可移动的)系统存储装置和/或经由例如端口(例如，usb端口、火线端口等)或驱动器(例如，磁盘驱动器等)可移动地连接到系统10的可移动存储装置中的一个或者这两者。电子存储装置22可以(全部或部分)是系统10内的单独部件，或者电子存储装置22可以(全部或部分)与系统10的一个或多个其他部件(例如，计算设备18、处理器20等)一体地提供。在一些实施例中，电子存储装置22可以与处理器20一起位于服务器中、在作为外部源14的一部分的服务器中、在计算设备24中、和/或在其他位置中。电子存储装置22可以包括以下中的一项或多项：光学可读存储介质(例如，光盘等)、磁性可读存储介质(例如，磁带、磁性硬盘驱动器、软盘驱动器等)、基于电荷的存储介质(例如，eprom、ram等)、固态存储介质(例如，闪存驱动器等)、和/或其他电子可读存储介质。电子存储装置22可以存储软件算法、由处理器20确定的信息、经由计算设备24和/或图形用户界面40和/或其他外部计算系统接收到的信息；从外部源14、刺激器16、传感器18接收到的信息；和/或使系统10能够按照在本文中所描述地运行的其他信息。

(一个或多个)客户端计算平台24被配置为在系统10与对象12和/或者可以向系统10提供信息并从系统10接收信息的其他用户之间提供接口。例如，(一个或多个)客户端计算平台24可以向用户显示来自传感器18的输出信号的表示(例如，eeg、2d/3d图像、视频、音频、文本等)。这使得数据、提示、结果、指令和/或任何其他可通信项目(统称为“信息”)在用户(例如，对象12、医生、护理者和/或其他用户)与(一个或多个)刺激器16、处理器20、电子存储装置22和/或系统10的其他部件中的一个或多个之间进行通信。

适用于包含在(一个或多个)客户端计算平台24中的接口设备的示例包括小键盘、按钮、开关、键盘、旋钮、操纵杆、显示屏、触摸屏、扬声器、麦克风、指示灯、声音警报、打印机、触觉反馈设备和/或其他接口设备。在一些实施例中，(一个或多个)客户端计算平台24包括多个单独的接口。在一些实施例中，(一个或多个)客户端计算平台24包括与处理器20、(一个或多个)刺激器16、(一个或多个)传感器18和/或系统10的其他部件一体地提供的至少一个接口。

计算设备24被配置为在护理者(例如，医生、护士、朋友、家庭成员等)、患者和/或其他用户与系统10之间提供接口。在一些实施例中，个体计算设备24是和/或被包含在台式计算机、膝上型计算机、平板计算机、智能电话和/或者与个体护理者、患者和/或其他用户相关联的其他计算设备中。在一些实施例中，个体计算设备24是和/或被包含于在医院、医生办公室和/或患者的其他医学设施中使用的设备；测试设备；用于处置患者的设备；数据输入设备；和/或其他设备中。计算设备24被配置为向护理者、患者和/或其他用户提供信息和/或从其接收信息。例如，计算设备24被配置为向护理者呈现图形用户界面40，以促进数据分析和/或其他信息的显示表示。在一些实施例中，图形用户界面40包括与计算设备24、处理器20和/或系统10的其他部件相关联的多个单独的界面；被配置为向护理者、患者和/或其他用户传达信息和/或从其接收信息的多个视图和/或字段；和/或其他接口。

在一些实施例中，计算设备24被配置为向系统10提供图形用户界面40、处理能力、数据库和/或电子存储。这样，计算设备24可以包括处理器20、电子存储装置22、外部源14和/或系统10的其他部件。在一些实施例中，计算设备24被连接到网络(例如，互联网)。在一些实施例中，计算设备24不包括处理器20、电子存储装置22、外部源14和/或系统10的其他部件，而是经由网络与这些部件通信。与网络的连接可以是无线的或有线的。例如，处理器20可以位于远程服务器中，并且可以无线地使图形用户界面40显示给计算设备24上的护理者。如上文所描述的，在一些实施例中，个体计算设备18是膝上型计算机、个人计算机、智能电话、平板计算机和/或其他计算设备。适于包含在个体计算设备18中的接口设备的示例包括触摸屏、小键盘、触敏和/或物理按钮、开关、键盘、旋钮、操纵杆、显示器、扬声器、麦克风、指示灯、声音警报、打印机和/或其他接口设备。本公开还设想到了个体计算设备18包括可移动存储接口。在该示例中，信息可以从可移动存储装置(例如，智能卡、闪存驱动器、可移动磁盘等)中加载到计算设备18中，从而使护理者、患者和/或其他用户能够自定义计算设备24的实施方式。适于与计算设备24一起使用的其他示例性输入设备和技术包括但不限于：rs-232端口、rf链接、ir链接、调制解调器(电话、电缆等)和/或其他设备。

网络26可以包括互联网和/或其他网络，诸如局域网、蜂窝网、内联网、近场通信、频率(rf)链接、蓝牙^tm、wi-fi^tm和/或(一种或多种)任何类型的(一个或多个)有线或无线网络。这样的示例并非旨在进行限制，并且本公开的范围包括其中外部源14、(一个或多个)刺激器16、(一个或多个)传感器18、(一个或多个)处理器20、电子存储装置22和/或(一个或多个)客户端计算平台24经由一些其他通信介质可操作地链接的实施例。

图8图示了用于促进对睡眠阶段的预测和在所述睡眠阶段的发生之前的干预准备的方法800。所述系统包括一个或多个传感器、一个或多个物理计算机处理器、和/或其他部件。所述一个或多个处理器被配置为执行一个或多个计算机程序部件。所述一个或多个计算机程序部件可以包括对象信息部件28、采样部件30、检测部件32、预测部件34、风险部件36、控制部件38和/或其他部件。下文呈现的方法800的操作旨在说明性的。在一些实施例中，方法800可以利用未描述的一个或多个额外操作和/或没有所讨论的一个或多个操作来实现。另外，在图8中图示的并且在下文所描述的方法800的操作的次序并不旨在是限制性的。

在一些实施例中，方法800可以在一个或多个处理设备(例如，数字处理器、模拟处理器、被设计为处理信息的数字电路、被设计为处理信息的模拟电路、状态机和/或用于电子处理信息的其他机制)中实施。所述一个或多个处理设备可以包括响应于电子地存储在电子存储介质上的指令而执行方法800的操作中的一些或全部操作的一个或多个设备。所述一个或多个处理设备可以包括通过硬件、固件和/或软件配置的一个或多个设备，这些设备被专门设计用于执行方法800的操作中的一个或多个操作。

在操作802处，生成传达在睡眠期期间与对象的脑活动有关的信息的输出信号。在一些实施例中，操作802由与(在图1中示出并且在本文中所描述的)传感器18相同或相似的一个或多个传感器来执行。

在操作804处，确定表示关于睡眠期的第一时间段的输出信号的样本。在一些实施例中，操作804由与(在图1中示出并且在本文中所描述的)采样部件30相同或相似的计算机处理器部件来执行。

在操作806处，在睡眠期期间，在睡眠期的第一时间处将样本提供给预测模型，以预测在睡眠期的第二时间附近发生的对象的睡眠阶段。在一些实施例中，操作806由与(在图1中示出并且在本文中所描述的)预测部件34相同或相似的计算机处理器部件来执行。

在操作808处，在第二时间之前，基于对睡眠阶段的预测来确定刺激信息，所述刺激信息指示与外围刺激有关的一个或多个刺激器参数。在一些实施例中，操作808由与(在图1中示出并且在本文中所描述的)风险部件36相同或相似的计算机处理器部件来执行。

在操作810处，基于刺激信息，使一个或多个刺激器(16)在睡眠期的第二时间附近向对象提供干预。在一些实施例中，操作810由与(在图1中示出并且在本文中所描述的)控制部件38相同或相似的计算机处理器部件执行。

在权利要求书中，放在括号之间的任何附图标记都不应当被解释为对权利要求的限制。词语“包括”或“包含”不排存在不同于除权利要求中列出的元件或步骤之外的元件或步骤。在列举若干单元的设备权利要求中，这些单元中的若干个单元可以由同一个硬件项来体现。在元件之前的词语“一”或“一个”不排除存在多个这样的元件。在列举若干单元的任何设备权利要求中，这些单元中的若干个单元可以由同一硬件项来体现。在互不相同的从属权利要求中记载某些元件的事实并不指示不能够组合地使用这些元件。

尽管以上提供的描述基于当前被认为是最实际和优选的实施例提供了用于说明目的的细节，但是应当理解，这种细节仅是出于该目的，并且本公开不限于明确公开的实施例，而是相反地，其旨在覆盖在所附权利要求的精神和范围内的修改和等同布置。例如，应当理解，本公开构思了在可能的范围内，任何实施例的一个或多个特征可以与任何其他实施例的一个或多个特征组合。