一种提高智能穿戴设备睡眠算法中出入睡检测准确性的方法与流程

：
1.本发明涉及智能穿戴设备技术领域，特指一种提高智能穿戴设备睡眠算法中出入睡检测准确性的方法。


背景技术：

2.随着智能穿戴设备的发展，智能手表、智能手环得到快速的发展。这些智能穿戴设备集成了很多的传感器，可以用来记录用户日常生活中的锻炼、睡眠等相关数据，并且还可以检测用户的身体机能信息。
3.目前用于智能穿戴设备中用于检测用户睡眠信息的方式主要是通过检测用户的心率等身体指标参数，以及用户的身体活动参数，判断用户的出入睡状态。见专利申请号为：201810721118.1中国发明专利申请，其公开了“一种用于检测用户睡眠状态的检测系统及检测方法”，其采用的技术方案为：一种用于检测用户睡眠状态的检测系统及检测方法，包括可穿戴智能监测设备，用于监测用户的心率、血氧和体动数据；服务器，所述服务器与可穿戴智能监测设备通信连接，用于接收并储存可穿戴智能监测设备监测到的心率、血氧和体动数据，服务器包括分析模块，所述分析模块用于实现用户的睡眠状态分析。该发明专利申请利用可穿戴智能监测设备在睡眠过程中实时采集心率、血氧和体动参数，采集数据实时传输到服务器端进行分析判断睡眠状态，其分析判断方法是基于体动数据基础上结合心率和血氧数据进行分析，判断用户真实睡眠状态。
4.通过上述发明专利申请所述，目前对于智能穿戴设备而言，其睡眠算法中，用于判断用户出入睡状态的方法，就是采集多种不同的参数(如上述发明专利，其为了提高睡眠检测的准确性应用了心率、血氧和体动数据作为判断依据)，根据用户在睡眠状态下参数的变化，确定相应的判断阈值，当参数处于判断阈值中，则智能穿戴设备就会判断用户为睡眠状态，反之智能穿戴设备就会判断用户为非睡眠状态。
5.通过心率、血氧和体动数据等多种参数作为判断依据，虽然有助于提高判断睡眠状态的准确性，但是仍存在一定不足。主要体现在以下方面：
6.大多数人在睡觉前通常会在床上长时间的进行较小的活动，例如躺着看书、看手机等；在醒来后也会在床上进行长时间的进行较小的活动，例如躺着看书、看手机等。此时，人体的活动动作非常小，心率等参数变化并不显著，这就容易导致智能手环、手表等穿戴设备在检测用户睡眠状态时出错，例如，通过其现有的算法，错误的认为用户已经入睡(实质仍在床上看手机)，或者通过其现有的算法，错误的认为用户仍然在睡眠中(实质已经醒来看手机)。
7.另一方面，随着智能手机的发展，各种智能设备在使用时均和手机实现了互联，通过app可以实现智能设备与手机的互联。
8.综上所述，本发明人针对目前智能手表、手环等智能穿戴设备睡眠算法中存在的不足，提出以下技术方案。


技术实现要素：

9.本发明所要解决的技术问题就在于克服现有技术的不足，提供一种提高智能穿戴设备睡眠算法中出入睡检测准确性的方法。
10.为了解决上述技术问题，本发明采用了下述技术方案：一种提高智能穿戴设备睡眠算法中出入睡检测准确性的方法，该方法为：通过集成在智能穿戴设备的加速度传感器和心率传感器，获取相应的初始加速度信号和初始心率信号，经过对信号处理后获取加速度信号s1和心率信号s2，通过对加速度信号s1和心率信号s2的分析处理得到对应的信号特征，并根据智能设备睡眠算法，初步判断用户的状态为入睡状态或出睡状态，该方法中引入手机状态作为参数，当初步判断用户为进入入睡状态，用户手机状态为未在玩手机，则判断为：用户进入入睡状态，下一步进入出入睡检测输出状态；当初步判断用户进入入睡状态，而用户玩手机状态为在玩手机，则判断为：用户未进入入睡状态，下一步进入出入睡检测更新状态；当初步判断用户进入出睡状态，而用户玩手机状态为在玩手机，则判断为：用户进入出睡状态，下一步进入出入睡检测输出状态；当初步判断用户未进入出睡状态，而用户玩手机状态为在玩手机，则判断为：用户进入出睡状态，下一步进入出入睡检测输出状态和出入睡检测更新状态；通过上述判断结果，当进入出入睡检测输出状态，直接输出判断的结果；当进入出入睡检测更新状态，将对应状态下加速度信号s1和心率信号s2的信号特征，更新据智能设备睡眠算法的模型参数，经过模型参数不断的更新，不断提高出入睡检测的准确度。
11.进一步而言，上述技术方案中，所述的加速度信号s1的获取方法为：采集加速度传感器的三轴的加速度数据xacc、yacc、zacc，然后对三轴加速度信号进行矢量合成操作，得到合成加速度信号，对合成加速度信号经过滤波去噪处理，得到加速度信号s1，再计算设定时间窗口内信号的波动信号特征。
12.进一步而言，上述技术方案中，所述的加速度信号s1获取方法中，对三轴加速度信号进行矢量合成操作为：将三轴加速度信号的平方和再开方，对应计算公式为：合成加速度信号经过滤波去噪处理后，找到设定窗口内的最大值和最小值，根据最大值和最小值之差计算合成加速度信号的波动信号特征。
13.进一步而言，上述技术方案中，所述心率信号s2的获取方法为：采集心率传感器的心率波信号，然后对采集到的心率波信号进行滤波去噪处理，得到心率信号s2，再提取心率、心率变异性的波形信号特征。
14.进一步而言，上述技术方案中，所述的心率、心率变异性的波形信号特征获取方法为：对滤波去噪处理后的心率波信号s2利用谷/峰值检测算法，检测有效的谷/峰值点，根据设定时间窗口内检测到的谷/峰位置，结合采样率,计算得到心率、心率变异性的波形信号特征。
15.进一步而言，上述技术方案中，所述的智能穿戴设备为具有睡眠监测的智能手表、智能手环。
16.本发明是利用现有智能穿戴设备与手机之间的互联系统，在睡眠算法中，对用户出入睡状态检测时，引入手机使用状态的参数，从而提高智能设备对出入睡时间检测的准确度，例如，当检测到用户正在玩手机，此时智能设备就会认定用户处于清醒状态，根据手
机状态的反馈调整睡眠算法中出入睡时间，同时将当前状态下加速度信号s1和心率信号s2的信号特征，更新睡眠算法中的模型参数，在用户不断使用过程中，算法经过不断的更新学习，令算法中模型参数越来越精确，最终实现对于出入睡检测准确度越来越高的目的。
附图说明：
17.图1是本发明中睡眠算法的流程图；
18.图2a-2d是本发明中睡眠算法中出入睡状态判断原理图；
19.图3是本发明一具体实施范式中加速度信号s1的信号图。
具体实施方式：
20.下面结合具体实施例和附图对本发明进一步说明。
21.本发明为一种提高智能穿戴设备睡眠算法中出入睡检测准确性的方法，所述的智能穿戴设备可以是智能手表、智能手环等电子设备。这些电子设备中通常提供睡眠监测模块，其睡眠监测模块采用的睡眠算法与目前通常的算法基本相同，通过集成在智能穿戴设备的加速度传感器和心率传感器，获取相应的原始加速度信号和原始心率信号，经过对信号处理后获取加速度信号s1和心率信号s2，通过对加速度信号s1和心率信号s2的分析得到对应的信号特征，并根据设定的模型参数，初步判断用户的状态为入睡状态或出睡状态。
22.本发明针对该睡眠算法进行了进一步的优化，从而令算法中出入睡检测的准确性可以进一步的提高。简单来说，本发明是在现有的睡眠算法中引入手机状态作为参数，通过对手机状态的识别就可以进一步确认用户是否是入睡或出睡状态。具体而而言，对于用户入睡、出睡的检测包括以下四种情形。
23.1、当初步判断用户为进入入睡状态，用户手机状态为未在玩手机，则判断为：用户进入入睡状态；
24.2、当初步判断用户进入入睡状态，而用户玩手机状态为在玩手机，则判断为：用户未进入入睡状态；
25.3、当初步判断用户进入出睡状态，而用户玩手机状态为在玩手机，则判断为：用户进入出睡状态；
26.4、当初步判断用户未进入出睡状态，而用户玩手机状态为在玩手机，则判断为：用户进入出睡状态；
27.对于第1、3种情况而言，最终判断出用户进入入睡和出睡状态，则下一步直接进入出入睡检测输出状态，输出用户的入睡或出睡状态至智能设备处理单元，由智能设备记录用户的睡眠数据。即，通过上述检测判断，当进入出入睡检测输出状态，直接输出判断的结果。
28.对于第2种的情况而言，虽然根据睡眠算法初步判断用户进入入睡状态，但是通过对用户手机状态的校正，判断出用户实际并未进入入睡状态；对于第4种情况而言，虽然根据睡眠算法初步未判断出用户进入出睡状态，但是通过对用户手机状态的校正，判断出用户实际已经进入出睡状态。
29.当进入出入睡检测更新状态，即将对应状态下加速度信号s1和心率信号s2的信号特征，更新睡眠算法中设定的模型参数，这样经过模型参数不断的更新，不断提高出入睡检
测的准确度。
30.由于本发明引入了手机状态参数，通过手机状态参数可以校正睡眠算法中的误判，并将不断更新算中对应的加速度信号s1和心率信号s2的信号特征，经过不断算法模型的不断更新学习，睡眠算法得到的结果可以越来越精准。最后不再引入手机状态参数后，算法也可以根据不断更新学习，得到更加精确的结果。
31.结合图1所示，本发明的睡眠算法中加速度信号s1的获取方法为：
32.首先，采集原始的加速度(gsensor)信号。原始的加速度传感器包括x/y/z三个轴的加速度数据xacc、yacc、zacc。
33.然后，对三轴加速度信号进行矢量合成操作，得到合成加速度信号。对三轴加速度信号进行矢量合成操作为：将三轴加速度信号的平方和再开方，对应计算公式为：
34.接着，对合成加速度信号进行信号处理，并进行特征提取。该步骤中，对于信号的处理主要为：该经过滤波去噪处理，得到加速度信号s1。通常进行3hz(可根据实际情况调整)的低通滤波得到处理加速度信号s1。所述的特征提取是计算设定窗长内信号的波动信号特征，并提取该波动信号特征。采用的方法为：合成加速度信号经过滤波去噪处理后，找到设定窗口内的最大值和最小值，根据最大值和最小值之差计算合成加速度信号波动信号特征。这种合成加速度信号波动信号特征是作为睡眠算法中的一个参数，通常当该信号特征位于某一阈值范围内可判断为入睡状态，当该信号特征位于另外一阈值范围内可判断为出睡状态。为了增加准确性，当连续的合成加速度信号波动信号特征均位于设定阈值范围内时，则做出相应的判断。
35.结合图1所示，本发明的睡眠算法中所述心率信号s2的获取方法为：
36.首先，采集心率传感器的原始心率波(ppg)信号，现有的心率传感器多采用光电容积脉搏波传感器，其是通过光信号检测人体脉搏信号,从而获取用户心率信号。
37.然后对采集到的心率波信号进行滤波去噪处理，通常进行3hz(可根据实际情况调整)的低通滤波，去除杂波，并突出信号中的脉搏波信号部分，得到心率信号s2，
38.接着，再提取心率、心率变异性的波形信号特征。本步骤中，所述的心率、心率变异性的波形信号特征获取方法为：对滤波去噪处理后的心率波信号s2利用谷(峰)值检测算法，检测有效的谷(峰)值点，根据设定窗宽内检测到的谷(峰)位置，结合采样率,计算心率、心率变异性的波形信号特征。例如，在单位时间t内检测信号的有效波峰位置，根据采样的频率分别于t1、t2
……
时间点检测到对应有效波峰，则根据检测频率就可以得到用户的心率，以及心率变化的波形信号特征。心率、心率变异性的波形信号特征作为睡眠算法中的另外一个参数，当其处于某一阈值范围内，可判断为入睡状态。当该信号特征位于另外一阈值范围内可判断为出睡状态。为了增加准确性，当连续的信号特征均位于设定阈值范围内时，则做出相应的判断。
39.见图1所示，通过上述算法中得到合成加速度信号波动信号特征和心率、心率变异性的波形信号特征，输入到算法出入睡检测模块中，初步判断用户的睡眠状态，当两种信号特征均做出相同的判断，则得到初步的睡眠状态判断结果。初步判断结果将与手机检测玩手机状态的参数一起输入综合出入睡检测模块中，进行最终的睡眠状态判断。
40.见图2a-2d所示，结合前面所述，出入睡检测模块对于用户入睡、出睡的检测最终
包括以下四种情形。
41.1、算法出入睡检测模块检测为入睡状态，用户手机状态为未在玩手机，则综合出入睡检测模块最终判断为：入睡。
42.2、算法出入睡检测模块检测为入睡状态，用户手机状态为在玩手机，则综合出入睡检测模块最终判断为：未入睡，下一步进入算法出入睡检测参数更新模块，缓存当前数据。
43.3、算法出入睡检测模块检测为出睡状态，用户手机状态为在玩手机，则综合出入睡检测模块最终判断为：出睡。
44.4、算法出入睡检测模块未检测为出睡状态，用户手机状态为在玩手机，则综合出入睡检测模块最终判断为：出睡，缓冲当前数据。
45.当最终判断出用户进入入睡和出睡状态，则下一步直接进入睡眠出入睡检测输出状态，输出用户的入睡或出睡状态至智能设备处理单元，由智能设备记录用户的睡眠数据。即，通过上述检测判断，当进入出入睡检测输出状态，直接输出判断的结果。
46.当进入算法出入睡检测参数更新状态，即将对应状态下加速度信号s1和心率信号s2的信号特征，更新睡眠算法中设定的模型参数。即，对于缓冲数据提取到合成加速度信号波动特征和心率、心率变异性的波形信号特征，结合缓存的标签数据，将该数据进行在线重新训练模型，更新模型参数。
47.见图3所示，这是本发明一具体实施范式中加速度信号s1的信号图。其中，t1为躺在床上开始玩手机的时间；t2为真实入睡时间；t3为睡眠算法出入睡检测模块更新参数后的模型检测到的入睡时间；t4为睡眠算法出入睡检测模块更新参数前检测到的初步入睡时间。
48.由此可见，采用一般的睡眠算法，其初步判断的入睡时间t4，其距离真实的入睡时间t2提前了较长的时间，经过不断更新参数后的睡眠算法后，最终判断检测的入睡时间为t3,其距离真实的入睡时间t2相对于t4准确性大大提高。
49.当然，以上所述仅为本发明的具体实施例而已，并非来限制本发明实施范围，凡依本发明申请专利范围所述构造、特征及原理所做的等效变化或修饰，均应包括于本发明申请专利范围内。