同时针对睡眠质量以及近视风险的评估方法及装置

1.本技术涉及睡眠质量和近视风险评估技术领域，尤其涉及同时针对睡眠质量以及近视风险的评估方法及装置。


背景技术：

2.一方面，我国青少年近视率不断上升趋势，近视已经成为影响青少年健康的主要因素。近视主要受近距离工作、电子产品使用、户外活动、室内采光照明、睡眠和饮食情况等因素影响。现有预测近视风险的技术通过使用者佩戴专用的穿戴设备，收集平时眼球工作距离和眼睛受光照强度数据，通过空间数据挖掘，实现对近视环境风险因素的量化，评估使用者未来的近视风险。
3.另一方面，睡眠质量监测是人体智能健康监测的一个重要组成部分，随着智能传感和通信技术的迅速发展，现在已经出现了许多可商用的便携式睡眠监测系统。现有的睡眠质量监测主要依靠智能手环实现，手环内的体动记录仪利用三轴加速度传感器记录用户睡眠期间的手腕运动情况，同时利用光电传感器监测心率变化情况，基于手腕运动信息和心率变化信息以对睡眠质量的评估。
4.由于现有的近视风险预测技术以及睡眠质量的评估均并未考虑身体内的褪黑素、多巴胺、脉搏血氧饱和度等造成的影响，因此一方面导致针对近视风险的预测以及睡眠质量的评估精度较差，另一方面，还未出现能够同时监测睡眠和近视风险的技术。


技术实现要素：

5.有鉴于此，本技术实施例提供了同时针对睡眠质量以及近视风险的评估方法及装置，以解决现有技术中近视风险预测技术以及睡眠质量的评估均并未考虑身体内的褪黑素、多巴胺、脉搏血氧饱和度等造成的影响，因此一方面导致针对近视风险的预测以及睡眠质量的评估精度较差，另一方面，还未出现能够同时监测睡眠和近视风险的技术的问题。
6.本技术实施例的第一方面，提供了一种同时针对睡眠质量以及近视风险的评估方法，包括：获取当前时间的手腕运动数据、脉搏血氧饱和度数据、褪黑素数据和多巴胺数据，其中，所述手腕运动数据包括至少两种运动子数据；基于所述至少两种运动子数据和脉搏血氧饱和度数据生成交叉比值数据；将所述手腕运动数据、脉搏血氧饱和度数据、褪黑素数据、多巴胺数据和所述交叉比值数据输入预先训练的综合评估模型，生成当前时间的近视风险评估结果和睡眠状态信息，并保存所述睡眠状态信息；获取目标睡眠周期中各时间对应的多个睡眠状态信息，并基于所述多个睡眠状态信息生成所述目标睡眠周期的睡眠质量评估结果，其中，所述睡眠周期为完整睡眠周期或不完整睡眠周期。
7.本技术实施例的第二方面，提供了一种同时针对睡眠质量以及近视风险的评估装
置，包括：获取模块，用于获取当前时间的手腕运动数据、脉搏血氧饱和度数据、褪黑素数据和多巴胺数据，其中，所述手腕运动数据包括至少两种运动子数据；第一生成模块，用于基于所述至少两种运动子数据和脉搏血氧饱和度数据生成交叉比值数据；第二生成模块，用于将所述手腕运动数据、脉搏血氧饱和度数据、褪黑素数据、多巴胺数据和所述交叉比值数据输入预先训练的综合评估模型，生成当前时间的近视风险评估结果和睡眠状态信息，并保存所述睡眠状态信息；第三生成模块，用于获取目标睡眠周期对应的多个睡眠状态信息，并基于所述多个睡眠状态信息生成所述目标睡眠周期的睡眠质量评估结果，其中，所述睡眠周期为完整睡眠周期或不完整睡眠周期。
8.本技术实施例的第三方面，提供了一种穿戴设备，包括手腕运动检测装置、脉搏血氧饱和度检测装置、与皮肤接触的褪黑素检测装置和多巴胺检测装置，以及中央处理设备，其中，所述手腕运动检测装置用于检测手腕的手腕运动相关信号，并将所述手腕运动相关信号发送至所述中央处理设备；所述脉搏血氧饱和度检测装置用于检测脉搏血氧饱和度信号，并将所述脉搏血氧饱和度信号发送至所述中央处理设备；所述褪黑素检测装置用于通过与汗液中的褪黑素发生电氧化反应，检测电氧化反应生成的第一氧化还原电流，并对所述第一氧化还原电流进行处理得到褪黑素数据，以及将所述褪黑素数据发送至所述中央处理设备；所述多巴胺检测装置用于通过与汗液中的多巴胺发生电氧化反应，检测电氧化反应生成的第二氧化还原电流，并对所述第二氧化还原电流进行处理得到多巴胺数据，以及将所述多巴胺数据发送至所述中央处理设备；所述中央处理设备用于执行上述方法的步骤。
9.本技术实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
10.有益效果本技术实施例与现有技术相比存在的有益效果至少包括：通过对手腕运动数据、脉搏血氧饱和度、褪黑素、脉搏血氧饱和度和多巴胺的综合使用来预测睡眠状态信息以及近视风险，并结合睡眠过程或睡眠周期对应的睡眠状态信息来进行睡眠质量评估，一方面大大增加了对睡眠质量评估和近视风险预测的精准度，另一方面，通过将上述数据导入预设的综合模型进行机器学习，可以同时对睡眠质量和近视风险进行评估及预测。
附图说明
11.为了更清楚地说明本技术实施例中的技术方案，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技术的一些实施例，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它的附图。
12.图1是根据本技术实施例提供的同时针对睡眠质量以及近视风险的评估方法的一个应场景的示意图；图2是根据本技术实施例提供的一种同时针对睡眠质量以及近视风险的评估方法的一些实施例的流程图；图3是根据本技术实施例提供的另一种同时针对睡眠质量以及近视风险的评估方法的另一些实施例的流程图；图4是根据本技术实施例提供的一种同时针对睡眠质量以及近视风险的评估装置的简易结构示意图；图5是根据本技术实施例提供的中央处理设备的示意图；图6是根据本技术实施例提供的手环的示意图。
具体实施方式
13.下面将参照附图更详细地描述本技术的实施例。虽然附图中显示了本技术的某些实施例，然而应当理解的是，本技术可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本技术。应当理解的是，本技术的附图及实施例仅用于示例性作用，并非用于限制本技术的保护范围。
14.另外还需要说明的是，为了便于描述，附图中仅示出了与有关本技术相关的部分。在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
15.需要注意，本技术中提及的“第一”、“第二”等概念仅用于对不同的系统、装置、模块或单元进行区分，并非用于限定这些系统、装置、模块或单元所执行的功能的顺序或者相互依存关系。
16.需要注意，本技术中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
17.本技术实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
18.根据睡眠状态下人体活动的规律，人体整个入睡过程分为wake期（清醒状态期）、rem期（rapid eye movement，快速眼动期）和deep期（深度睡眠期），其中wake期的特征表现为整个人体活动频率、幅度较大，经常伴随着手腕的大幅度运动，rem期为浅入睡期，特征表现为较微弱的活动信号，手腕的活动次数低、幅度较小，而deep为深睡眠阶段，人体保持平静，基本无活动信息。一个标准的睡眠周期的标准时长可以为1.5个小时，在每个睡眠周期中，wake期、rem期和deep期的比值有标准比值。本技术可以预测睡眠过程中实时的睡眠状态（即属于睡眠周期中的wake期、rem期或deep期）并保存，并在睡眠结束或睡眠周期结束后，调取保存的数据，将睡眠周期或完整睡眠过程对应的多个数据，与标准睡眠周期进行对比，从而得到睡眠质量的评估结果。
19.需要指出的是，睡眠状态划分还包括其他种类的划分，如wake期（清醒状态期）、rem期（rapid eye movement ，快速眼动期）和nrem期（non-rapid eye movement ，非快速眼动期）等，均与跟公开类似，亦属本技术的保护范围。
20.下面将参考附图并结合实施例来详细说明本技术。
21.图1是根据本技术的一些实施例的同时针对睡眠质量以及近视风险的评估方法的
一个应用场景的示意图。
22.在图1的应用场景中，首先，计算设备101可以获取当前时间的手腕运动数据102、脉搏血氧饱和度数据103、褪黑素数据104和多巴胺数据105；其次，计算设备101可以基于所述手腕运动数据102和脉搏血氧饱和度数据103生成交叉比值数据106；再次，计算设备101可以将所述手腕运动数据102、脉搏血氧饱和度数据103、褪黑素数据104、多巴胺数据105和所述交叉比值数据106输入预先训练的综合评估模型107，生成当前时间的近视风险评估结果108和睡眠状态信息109，并保存所述睡眠状态信息109；最后，计算设备101可以获取目标睡眠周期中各时间对应的多个睡眠状态信息109，并基于所述多个睡眠状态信息109生成所述目标睡眠周期的睡眠质量评估结果110，其中，所述睡眠周期为完整睡眠周期或不完整睡眠周期。
23.需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
24.应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
25.继续参考图2，示出了根据本技术的同时针对睡眠质量以及近视风险的评估方法的一些实施例的流程200。该方法可以由图1中的计算设备101来执行。该同时针对睡眠质量以及近视风险的评估的方法，包括以下步骤：步骤201，获取当前时间的手腕运动数据、脉搏血氧饱和度数据、褪黑素数据和多巴胺数据，其中，所述手腕运动数据包括至少两种运动子数据。
26.在一些实施例中，同时针对睡眠质量以及近视风险的评估方法的执行主体（如图1所示的计算设备101）可以通过有线连接方式或无线连接方式连接目标设备，然后，获取当前时间的手腕运动数据、脉搏血氧饱和度数据、褪黑素数据和多巴胺数据，其中，所述手腕运动数据包括至少两种运动子数据。
27.需要指出的是，上述无线连接方式可以包括但不限于3g/4g/5g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb（ultra wideband）连接、以及其他现在已知或将来开发的无线连接方式。
28.手腕运动数据可以指检测到的人体睡眠过程中手腕的运动的相关信息。作为示例，手腕运动信息可以包括手腕运动的偏航角数据、滚动角数据、俯仰角数据、横轴加速度数据、纵轴加速度数据和竖轴加速度数据等。需要指出的是，手腕运动数据可以包括至少两种运动子数据。该运动子数据可以指手腕运动信息中的偏航角数据、滚动角数据、俯仰角数据、横轴加速度数据、纵轴加速度数据和竖轴加速度数据等数据中心的其中一种。脉搏血氧饱和度数据可以指检测到的人体睡眠过程中血液中血氧的浓度的变化的相关数据。脉搏血氧保护数据可以对肺的氧合和血红蛋白携氧能力进行估计。环境光强度数据可以指环境光的光照强度的相关数据。褪黑素数据可以指可以检测到的在人体内存在的褪黑素的相关数据。多巴胺数据可以指可以检测到的在人体内存在的多巴胺的相关数据。
29.步骤202，基于所述至少两种运动子数据和脉搏血氧饱和度数据生成交叉比值数据。
30.在一些实施例中，上述执行主体可以基于手腕运动数据中的至少两种运动子数据，以及所述脉搏血氧保护数据，生成交叉比值数据。需要指出的是，交叉比值数据可以指上述至少三种数据中任意两两组合并计算比值得到的数据。通过计算交叉比值数据，可以增加数据的特征维度，以使后续进行机器学习时可以预测到更为精准的结果。
31.步骤203，将所述手腕运动数据、脉搏血氧饱和度数据、褪黑素数据、多巴胺数据和所述交叉比值数据输入预先训练的综合评估模型，生成当前时间的近视风险评估结果和睡眠状态信息，并保存所述睡眠状态信息。
32.在一些实施例中，上述执行主体可以将所述手腕运动数据、脉搏血氧饱和度数据、褪黑素数据、多巴胺数据和所述交叉比值数据输入预先训练的综合评估模型，生成当前时间的睡眠状态信息并保存。该评估模型可以为各类机器学习模型，用于基于手腕运动数据、脉搏血氧饱和度数据、褪黑素数据、多巴胺数据和所述交叉比值数据，预测睡眠质量和近视风险的评估结果。作为示例，该评估模型可以为决策树模型、神经网络模型、支持向量机模型或聚类算法模型等基于不同算法的模型。该评估模型预测的结果可以为当前时间的睡眠状态和近视评估结果。该睡眠状态可以为符合预设范围的基于整数、百分比、实数等表现形式的数据，并基于预设的划分将睡眠状态划分为不同睡眠状态（wake期、rem期或deep期）。该结果还可以为基于文字表述，如英文、中文或特殊符号等可以表示睡眠状态（wake期、rem期或deep期）的标识。近视风险评估结果可以指该风险评估模型预测的结果。该结果可以为符合预设范围的基于整数、百分比、实数等表现形式的数据，该结果还可以为基于整数、百分比、实数等转换而成的文字表述，如英文、中文或特殊符号等。根据需要进行上述设置，在此不做具体限制。
33.需要指出的是，本步骤中的近视风险评估结果为目标评估结果，而睡眠状态信息还需要基于步骤204的操作进行继续处理，继而生成针对睡眠信息的评估结果。
34.另外，对所述睡眠状态信息保存时，可以将睡眠状态信息保存至本地存储结构、通过有线或无线连接方式连接的其他存储结构或云端存储结构等常用存储结构。
35.步骤204，获取目标睡眠周期中各时间对应的多个睡眠状态信息，并基于所述多个睡眠状态信息生成所述目标睡眠周期的睡眠质量评估结果，其中，所述睡眠周期为完整睡眠周期或不完整睡眠周期。
36.在一些实施例中，上述执行主体可以获取目标睡眠周期中各时间对应的多个睡眠状态信息，并基于所述多个睡眠状态信息生成所述目标睡眠周期的睡眠质量评估结果，其中，所述睡眠周期为完整睡眠周期或不完整睡眠周期。目标睡眠周期可以指被选择用于评估睡眠质量的睡眠周期。需要说明的是，由于人的睡眠由于半途惊醒或睡眠终止等原因，睡眠周期会发生中断产生不完整周期，因此，该目标睡眠周期可以为完整睡眠周期，也可以为不完整睡眠周期。
37.本技术的上述各个实施例中的其中一个实施例的有益效果至少包括：通过对手腕运动数据、脉搏血氧饱和度、褪黑素、脉搏血氧饱和度和多巴胺的综合使用来预测睡眠状态信息以及近视风险，并结合睡眠过程或睡眠周期对应的睡眠状态信息来进行睡眠质量评估，一方面大大增加了对睡眠质量评估和近视风险预测的精准度，另一方面，通过将上述数
据导入预设的综合模型进行机器学习，可以同时对睡眠质量和近视风险进行评估及预测。
38.在一些实施例中，所述手腕运动数据包括偏航角数据、滚动角数据、俯仰角数据、横轴加速度数据、纵轴加速度数据和竖轴加速度数据中的至少两种运动子数据；上述执行主体获取所述手腕运动数据和所述脉搏血氧饱和度数据的步骤，包括：第一步，上述执行主体可以获取脉搏血氧饱和度信号以及手腕运动信号，所述手腕运动信号包括偏航角信号、滚动角信号、俯仰角信号、横轴加速度信号、纵轴加速度信号、竖轴加速度信号中的至少两种运动子信号。偏航角信号、滚动角信号、俯仰角信号、横轴加速度信号、纵轴加速度信号、竖轴加速度信号可以为获取到的关于手腕活动信息的相关信号。偏航角信号、滚动角信号、俯仰角信号、横轴加速度信号、纵轴加速度信号、竖轴加速度信号均为计算相对运动信息的常用信号（数据），在次不做过多赘述。由于在进行模型计算时，有些运动子信号的权重较低，甚至可以省去，因此在一些情况下，可以只获取其中的部分愚弄子信号。
39.第二步，上述执行主体可以对所述脉搏血氧饱和度信号和所述至少两种运动子信号进行高斯滤波处理，得到滤波后的脉搏血氧饱和滤波后的至少两种运动子信号。
40.第三步，上述执行主体可以以当前时间为基点，向基点之前扩充第一预设时间长度，向基点之后扩充第二预设时间长度，生成第一采样窗口。
41.第四步，上述执行主体可以计算所述滤波后的脉搏血氧饱和度信号在所述第一采样窗口中的波形幅度的均方差数据、最大正值数据、最大负值数据，得到所述脉搏血氧饱和度数据。
42.第五步，上述执行主体可以分别计算所述滤波后的至少两种运动子信号在所述第一采样窗口中的波形幅度的均方差数据、最大正值数据、最大负值数据，得到所述手腕运动数据。
43.对脉搏血氧饱和度信号、偏航角信号、滚动角信号、俯仰角信号、横轴加速度信号、纵轴加速度信号和竖轴加速度信号中的至少两种信号的处理，需要结合一定时间窗口内的数据进行综合处理，以得到数据特征更优的数据。本实施例以当前时间点为基准，向前或向后延伸一定比例的时间区间，计算区间内的变化数据以得到当前时间的数据特征。均方差数据可以采样窗口中的波形幅度的方差值，最大正值数据、最大负值数据可以指该采样窗口中的最大正值数据和最大负值数据。通过设置固定的时间窗口进行计算，可以得到更优的数据特征，进而使得进行模型预测时得到更为精准的预测结果。
44.在一些实施例中，上述执行主体可以通过以下步骤基于所述至少两种运动子数据和脉搏血氧饱和度数据生成交叉比值数据：基于预设的数据对筛选指标，从所述脉搏血氧饱和度数据、至少两种运动子数据中，筛选出至少一个数据对，其中，每一所述数据对由两个不同种类的数据构成，且不同数据对中包括相同或不同的数据；计算每一数据对中两个数据的比值，得到所述交叉比值数据。
45.由于手腕运动数据加上脉搏血样饱和度数据共有至少三个（或者全部七个）数据，两两配对可以增加数据维度，但不需要任意两两配对的交叉比值数据，因为过多的数据维度会增加无意义的资源消耗。因此可以通过试验得到权重较大（影响程度较大）的一个或多个交叉比值数据，并以此设定数据对筛选指标，继而计算得到基于该筛选指标的交叉比值数据。通过筛选，可以在增加数据特征，保证预测精准度的前提下，尽量减少资源消耗，提升
本技术的运行效率。
46.在一些实施例中，上述执行主体获取所述褪黑素或多巴胺数据的步骤，包括：获取检测部件与汗液中的褪黑素或多巴胺反应生成的电流信号；对所述电流信号进行信号放大处理，得到放大后的电流信号；将所述放大后的电流信号进行模数转换处理，得到数字形式的褪黑素或多巴胺信号；将所述数字形式的褪黑素或多巴胺信号中当前时间的褪黑素或多巴胺数据，确定为所述褪黑素或多巴胺数据。
47.在一些实施例中，所述基于所述至少两种运动子数据和脉搏血氧饱和度数据生成交叉比值数据之后，还包括：基于预设的第一系数对褪黑素数据进行校准；基于预设的第二系数对多巴胺数据进行校准；手腕运动数据、脉搏血氧饱和度数据和所述交叉比值数据，以及校准后的褪黑素数据和多巴胺数据，进行针对周期干扰数据和高斯白噪声数据的耦合去噪处理，并将耦合去噪处理后的手腕运动数据、脉搏血氧饱和度数据、褪黑素数据、多巴胺数据和交叉比值数据，确定为所述预先训练的综合评估模型的输入数据。
48.由于数据处理过程涉及对信号的放大及其他处理，导致生成的褪黑素数据或多巴胺数据比例失真，因此需要对生成的褪黑素数据或多巴胺数据进行校正。第一系数或第二系数可以分别指针对褪黑素和多巴胺的校正系数。该第一系数或第二系数的校正系数的范围根据实际情况设定。该校正系数可以由试验确定，也可以由该领域的标准数据确定，在此不作限制。作为示例，该第一系数的范围可以为0.1-0.5。第二系数的范围可以为0.1-0.5。即将生成的褪黑素数据和/或多巴胺数据乘以第一系数或第二系数。需要指出的是，第一系数与第二系数可以相同，也可以不同。
49.在一些实施例中，所述预先训练的综合评估模型包括transformer（变换器）模型和回归模型，或者，所述预先训练的综合评估模型为在transformer模型的输出后新增一个具有分类功能的输出层的综合模型。
50.综合评估模型为transformer模型和回归模型的结合。数据可以首先导入所述transformer模型，并随后将输出的结果导入所述回归模型，得到最终的预测结果，即当前时间的睡眠状态信息。选择模型时，需要考虑模型的计算消耗以及精准度，经过多种模型（或模型组合）的测试，transformer模型加回归模型是针对本技术的较优模型组合，可以在达到需要的精准度的同时，减少计算消耗。
51.需要指出的是，回归模型可以为以下回归模型中的任意一种：线性回归模型、逐步回归模型、神经网络模型等常用回归模型。本技术较优的回归模型是神经网络模型。
52.在一些实施例中，上述执行主体针对所述综合评估模型的训练步骤包括：第一步，上述执行主体可以获取已知睡眠状态信息和近视风险评估结果的预设时间区间内的原始样本数据，其中，所述原始样本数据包括手腕运动数据、脉搏血氧饱和度数据、褪黑素数据、多巴胺数据和所述交叉比值数据；第一步，上述执行主体可以将预设顺序信息嵌入所述原始样本数据，得到嵌入样本数据。预设顺序信息可以指针对每个原始样本数据按照预设顺序信息添加的标识信息。由于transformer模型在对数据进行识别时会打乱顺序，因此需要预先对原始样本数据进行排序。由于本技术中的原始样本数据均包含时间标签，因此可以基于时间的顺序对上述原始样本数据进行排序。
53.第二步，上述执行主体可以基于预设的掩埋时间区间将所述嵌入样本数据划分为
掩埋数据和非掩埋数据。对样本数据进行处理时，可以将某一时间区间的数据掩埋掉，用其余部分的数据（即未被掩埋的数据）来预测该时间区间的数据（即掩埋的数据），并将预测得到的结果与被掩埋的数据进行比对，从而优化该transformer模型的参数。通过本方式进行优化，可以减少测试数据的获取，从而减少本技术的运行资源。
54.第三步，上述执行主体可以将所述非掩埋数据导入预设的原始transformer模型预测所述掩埋数据，得到预测掩埋数据。原始transformer模型可以指预先设立的与本技术对应的，参数未进行优化的模型。预测掩埋数据可以指针对掩埋时间区间预测的数据。
55.第四步，上述执行主体可以基于所述掩埋数据和所述预测掩埋数据对所述原始transformer模型进行优化。
56.第五步，上述执行主体可以基于获取的新的掩埋时间区间，并重新执行基于所述新的掩埋时间区间将所述嵌入样本数据划分为掩埋数据和非掩埋数据的步骤，直至所述原始transformer模型预测精度符合预设要求，得到训练后的transformer模型。
57.第六步，上述执行主体可以将所述原始样本数据导入所述训练后的transformer模型，得到预测数据。
58.第七步，上述执行主体可以将所述预测数据导入预设的原始回归模型或新增的具有分类功能的原始输出层，并基于预设的损失函数进行迭代训练，得到训练后的回归模型或具有分类功能的输出层。
59.第八步，上述执行主体可以基于所述训练后的transformer模型和所述训练后的回归模型，或者，基于所述训练后的transformer模型和所述训练后的新增的具有分类功能的原始输出层，得到所述训练后的综合评估模型。
60.在一些实施例中，所述获取目标睡眠周期中各时间对应的多个睡眠状态信息，并基于所述多个睡眠状态信息生成所述目标睡眠周期的睡眠质量评估结果，包括：获取目标睡眠周期各时间对应的多个睡眠状态信息，以及标准睡眠周期中wake期、rem期和deep期的标准比例系数；基于所述目标睡眠周期对应的多个睡眠状态信息，生成目标睡眠周期中wake期、rem期和deep期的目标比例系数；基于预设的比例计算式、所述目标比例系数和所述标准比例系数，计算得到所述目标睡眠周期的睡眠质量评估结果。应当理解的是，目标睡眠周期各时间对应的多个睡眠状态信息可以是不同时间下获得的当前时间的睡眠状态信息。
61.预设的比例计算式，可以为预先制定的用于计算目标睡眠周期中各睡眠状态的占比，与标准睡眠周期中各睡眠状态的占比，之间的比值的计算式。例如，假设标准比例为wake期、rem期和deep期的占比分别为33.33%、44.44%和22.22%。目标睡眠周期中各周期的比例分别为20%、50%和30%，则可以基于评估得分=（各阶段目标数据/各阶段标准数据）/3的计算式，可以计算得到（10/33.33+60/44.44+30/22.22）/3=（0.3+1.35+1.4）/3=1.02。可得知目标睡眠与标准睡眠的比值为1.02。另外，不同阶段还可以加上不同权重计算分数，还可以将计算得到的分数乘以预设的其他系数。或者，还可以将目标睡眠周期中各睡眠状态的占比导入预设的用于计算睡眠评估结果的机器学习模型等。根据需要设置，在此不作限制。
62.在一些实施例中，本技术还包括：获取完整睡眠过程中至少一个睡眠周期的睡眠质量评估结果，生成完整睡眠过程对应的睡眠质量评估结果。在计算目标睡眠周期之后，可以将完整睡眠过程中的每个睡眠周期的得分进行处理（如相加、相乘、根据不同时间段赋予
不同计算系数或其他计算方式进行处理），得到完整睡眠过程的综合评分。
63.继续参考图3，示出了根据本技术的同时针对睡眠质量以及近视风险的评估方法的另一些实施例的流程300，该方法可以由图1中的计算设备101来执行。该同时针对睡眠质量以及近视风险的评估方法包括：步骤301，获取当前时间的手腕运动数据、脉搏血氧饱和度数据、褪黑素数据和多巴胺数据，其中，所述手腕运动数据包括至少两种运动子数据。
64.步骤302，基于所述至少两种运动子数据和脉搏血氧饱和度数据生成交叉比值数据。
65.步骤303，将所述手腕运动数据、脉搏血氧饱和度数据、褪黑素数据、多巴胺数据和所述交叉比值数据输入预先训练的综合评估模型，生成当前时间的近视风险评估结果和睡眠状态信息，并保存所述睡眠状态信息，其中，所述综合评估模型包括transformer模型和神经网络回归模型。
66.步骤304，获取目标睡眠周期对应的多个睡眠状态信息，以及标准睡眠周期中wake期、rem期和deep期的标准比例系数。
67.步骤305，基于所述目标睡眠周期对应的多个睡眠状态信息，生成目标睡眠周期中wake期、rem期和deep期的目标比例系数。
68.步骤306，基于预设的比例计算式、所述目标比例系数和所述标准比例系数，计算得到所述目标睡眠周期的睡眠质量评估结果。
69.步骤307，获取完整睡眠过程中至少一个睡眠周期的睡眠质量评估结果，生成完整睡眠过程对应的睡眠质量评估结果。
70.在一些实施例中，步骤301-307的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤，在此不再赘述。
71.上述所有可选技术方案，可以采用任意结合形成本技术的可选实施例，在此不再一一赘述。
72.下述为本技术装置实施例，可以用于执行本技术方法实施例。对于本技术装置实施例中未披露的细节，请参照本技术方法实施例。
73.进一步参考图4，作为对上述各图上述方法的实现，本技术提供了同时针对睡眠质量以及近视风险的评估装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应。
74.如图4所示，一些实施例的同时针对睡眠质量以及近视风险的评估装置400包括：获取模块401，用于获取当前时间的手腕运动数据、脉搏血氧饱和度数据、褪黑素数据和多巴胺数据，其中，所述手腕运动数据包括至少两种运动子数据；第一生成模块402，用于基于所述至少两种运动子数据和脉搏血氧饱和度数据生成交叉比值数据；第二生成模块403，用于将所述手腕运动数据、脉搏血氧饱和度数据、褪黑素数据、多巴胺数据和所述交叉比值数据输入预先训练的综合评估模型，生成当前时间的近视风险评估结果和睡眠状态信息，并保存所述睡眠状态信息；第三生成模块404，用于获取目标睡眠周期对应的多个睡眠状态信息，并基于所述多个睡眠状态信息生成所述目标睡眠周期的睡眠质量评估结果，其中，所述睡眠周期为完
整睡眠周期或不完整睡眠周期。
75.在一些实施例的一些可选的实现方式中，所述手腕运动数据包括偏航角数据、滚动角数据、俯仰角数据、横轴加速度数据、纵轴加速度数据和竖轴加速度数据中的至少两种运动子数据；获取所述手腕运动数据和所述脉搏血氧饱和度数据的步骤，包括：获取脉搏血氧饱和度信号以及手腕运动信号，所述手腕运动信号包括偏航角信号、滚动角信号、俯仰角信号、横轴加速度信号、纵轴加速度信号、竖轴加速度信号中的至少两种运动子信号；对所述脉搏血氧饱和度信号和所述至少两种运动子信号进行高斯滤波处理，得到滤波后的脉搏血氧饱和滤波后的至少两种运动子信号；以当前时间为基点，向基点之前扩充第一预设时间长度，向基点之后扩充第二预设时间长度，生成第一采样窗口；计算所述滤波后的脉搏血氧饱和度信号在所述第一采样窗口中的波形幅度的均方差数据、最大正值数据、最大负值数据，得到所述脉搏血氧饱和度数据；分别计算所述滤波后的至少两种运动子信号在所述第一采样窗口中的波形幅度的均方差数据、最大正值数据、最大负值数据，得到所述手腕运动数据。
76.在一些实施例的一些可选的实现方式中，所述基于所述至少两种运动子数据和脉搏血氧饱和度数据生成交叉比值数据，包括：基于预设的数据对筛选指标，从所述脉搏血氧饱和度数据、至少两种运动子数据中，筛选出至少一个数据对，其中，每一所述数据对由两个不同种类的数据构成，且不同数据对中包括相同或不同的数据；计算每一数据对中两个数据的比值，得到所述交叉比值数据。
77.在一些实施例的一些可选的实现方式中，获取所述褪黑素数据或多巴胺数据的步骤，包括：获取检测部件与汗液中的褪黑素或多巴胺反应生成的电流信号；对所述电流信号进行信号放大处理，得到放大后的电流信号；将所述放大后的电流信号进行模数转换处理，得到数字形式的褪黑素信号或多巴胺信号；将所述数字形式的褪黑素信号或多巴胺信号中当前时间的褪黑素数据或多巴胺信号，确定为所述褪黑素数据或多巴胺数据。
78.在一些实施例的一些可选的实现方式中，所述基于所述至少两种运动子数据和脉搏血氧饱和度数据生成交叉比值数据之后，还包括：基于预设的第一系数对褪黑素数据进行校准；基于预设的第二系数对多巴胺数据进行校准；手腕运动数据、脉搏血氧饱和度数据和所述交叉比值数据，以及校准后的褪黑素数据和多巴胺数据，进行针对周期干扰数据和高斯白噪声数据的耦合去噪处理，并将耦合去噪处理后的手腕运动数据、脉搏血氧饱和度数据、褪黑素数据、多巴胺数据和交叉比值数据，确定为所述预先训练的综合评估模型的输入数据。
79.在一些实施例的一些可选的实现方式中，所述预先训练的综合评估模型包括transformer模型和回归模型，或者，所述预先训练的综合评估模型为在transformer模型的输出后新增一个具有分类功能的输出层的综合模型。
80.在一些实施例的一些可选的实现方式中，所述综合评估模型的训练步骤包括：获取已知睡眠状态信息和近视风险评估结果的预设时间区间内的原始样本数据，其中，所述原始样本数据包括手腕运动数据、脉搏血氧饱和度数据、褪黑素数据、多巴胺数据和所述交叉比值数据；将预设顺序信息嵌入所述原始样本数据，得到嵌入样本数据；基于预设的掩埋时间区间将所述嵌入样本数据划分为掩埋数据和非掩埋数据；将所述非掩埋数据导入预设的原始transformer模型预测所述掩埋数据，得到预测掩埋数据；基于所述掩埋数据和所述
预测掩埋数据对所述原始transformer模型进行优化；基于获取的新的掩埋时间区间，并重新执行基于所述新的掩埋时间区间将所述嵌入样本数据划分为掩埋数据和非掩埋数据的步骤，直至所述原始transformer模型预测精度符合预设要求，得到训练后的transformer模型；将所述原始样本数据导入所述训练后的transformer模型，得到预测数据；将所述预测数据导入预设的原始回归模型或新增的具有分类功能的原始输出层，并基于预设的损失函数进行迭代训练，得到训练后的回归模型或具有分类功能的输出层；基于所述训练后的transformer模型和所述训练后的回归模型，或者，基于所述训练后的transformer模型和所述训练后的新增的具有分类功能的原始输出层，得到所述训练后的综合评估模型。
81.在一些实施例的一些可选的实现方式中，所述获取目标睡眠周期中各时间对应的多个睡眠状态信息，并基于所述多个睡眠状态信息生成所述目标睡眠周期的睡眠质量评估结果，包括：获取目标睡眠周期对应的多个睡眠状态信息，以及标准睡眠周期中wake期、rem期和deep期的标准比例系数；基于所述目标睡眠周期对应的多个睡眠状态信息，生成目标睡眠周期中wake期、rem期和deep期的目标比例系数；基于预设的比例计算式、所述目标比例系数和所述标准比例系数，计算得到所述目标睡眠周期的睡眠质量评估结果。
82.在一些实施例的一些可选的实现方式中，同时针对睡眠质量以及近视风险的评估装置400还包括：第四生成模块，用于获取完整睡眠过程中至少一个睡眠周期的睡眠质量评估结果，生成完整睡眠过程对应的睡眠质量评估结果。
83.可以理解的是，该装置400中记载的诸模块与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的模块，在此不再赘述。
84.如图5所示，中央处理设备500可以包括处理装置（例如中央处理器、图形处理器等）501，其可以根据存储在只读存储器（rom）502中的程序或者从存储装置508加载到随机访问存储器（ram）503中的程序而执行各种适当的动作和处理。在ram 503中，还存储有中央处理设备500操作所需的各种程序和数据。处理装置501、rom 502以及ram 503通过总线504彼此相连。输入/输出（i/o）接口505也连接至总线504。
85.通常，以下装置可以连接至i/o接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器（lcd）、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许中央处理设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的中央处理设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
86.特别地，根据本技术的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本技术的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从rom 502被安装。在该计算机程序被处理装置501执行时，执行本技术的一些实施例的方法中限定的上述功能。
87.需要说明的是，本技术的一些实施例上述的计算机可读介质可以是计算机可读信
号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、光纤、便携式紧凑磁盘只读存储器（cd-rom）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf（射频）等等，或者上述的任意合适的组合。
88.在一些实施方式中，客户端、服务器可以利用诸如http（hypertext transfer protocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“lan”），广域网（“wan”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
89.上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该中央处理设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该中央处理设备执行时，使得该中央处理设备：获取当前时间的手腕运动数据、脉搏血氧饱和度数据、褪黑素数据和多巴胺数据，其中，所述手腕运动数据包括至少两种运动子数据；基于所述至少两种运动子数据和脉搏血氧饱和度数据生成交叉比值数据；将所述手腕运动数据、脉搏血氧饱和度数据、褪黑素数据、多巴胺数据和所述交叉比值数据输入预先训练的综合评估模型，生成当前时间的近视风险评估结果和睡眠状态信息，并保存所述睡眠状态信息；获取目标睡眠周期中各时间对应的多个睡眠状态信息，并基于所述多个睡眠状态信息生成所述目标睡眠周期的睡眠质量评估结果，其中，所述睡眠周期为完整睡眠周期或不完整睡眠周期。
90.可以以一种或多种程序设计语言或其组合来编写用于执行本技术的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（lan）或广域网（wan）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
91.附图中的流程图和框图，图示了按照本技术各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
92.描述于本技术的一些实施例中的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：获取模块、第一生成模块、第二生成模块和第三生成模块。例如，获取模块还可以被描述为“获取当前时间的手腕运动数据、脉搏血氧饱和度数据、褪黑素数据和多巴胺数据的模块”。
93.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（fpga）、专用集成电路（asic）、专用标准产品（assp）、片上系统（soc）、复杂可编程逻辑设备（cpld）等等。
94.本技术还提供了一种穿戴设备，其特征在于，包括手腕运动检测装置、脉搏血氧饱和度检测装置、与皮肤接触的褪黑素检测装置和多巴胺检测装置，以及中央处理设备，其中，所述手腕运动检测装置用于检测手腕的手腕运动相关信号，并将所述手腕运动相关信号发送至所述中央处理设备；所述脉搏血氧饱和度检测装置用于检测脉搏血氧饱和度信号，并将所述脉搏血氧饱和度信号发送至所述中央处理设备；所述褪黑素检测装置用于通过与汗液中的褪黑素发生电氧化反应，检测电氧化反应生成的第一氧化还原电流，并对所述第一氧化还原电流进行处理得到褪黑素数据，以及将所述褪黑素数据发送至所述中央处理设备；所述多巴胺检测装置用于通过与汗液中的多巴胺发生电氧化反应，检测电氧化反应生成的第二氧化还原电流，并对所述第二氧化还原电流进行处理得到多巴胺数据，以及将所述多巴胺数据发送至所述中央处理设备；所述中央处理设备用于执行图2对应的那些实施例中的步骤。
95.需要指出的是，中央处理设备可以设置于穿戴设备之中，也可以设置于可以与该穿戴设备有线或无线通信的其他服务器或处理设备。当中央处理设备设置于穿戴设备之中时，中央处理设备可以与上述手腕运动检测装置、脉搏血氧饱和度检测装置、褪黑素检测装置和多巴胺检测装置中的任一个或多个设置于该穿戴设备内的同一物理结构中，也可以单独设置于穿戴设备内的其中一个物理结构中。中央处理设备可以为集成设置或分布设置。中央处理设备的数量可以为1个或多个。根据需要进行上述设置，在此不做具体限制。
96.另外，该穿戴设备可以为手环、臂环、颈环、头环等可以紧贴皮肤的穿戴设备，也可
以为设置有对应紧贴皮肤的检测装置的服饰等，在此不做具体限制。
97.在一些实施例中，所述褪黑素检测装置包括第一感应贴片、第一数据放大单元和第一模数转换单元，所述第一感应贴片由feco双金属合金嵌入碳纳米纤维制造而成；所述第一感应贴片作为检测部件与皮肤接触，用于作为检测部件与汗液中的褪黑素发生电氧化反应，在所述第一感应贴片的正负极之间产生第一氧化还原电流；所述第一数据放大单元与所述第一感应贴片连接，用于将所述第一氧化还原电流进行放大，得到放大后的第一氧化还原电流；所述第一模数转换单元与所述第一数据放大单元连接，用于对所述放大后的第一氧化还原电流进行模数转换，得到数字形式的褪黑素信号，所述数字形式的褪黑素信号中当前时间的褪黑素数据为所述褪黑素数据。需要指出的是，feco双金属合金还可以替换为就有相同性质的，可以与汗液中的褪黑素发生反应的已有的或未来发现的其他两种金属或其他材质的混合物，均属于本技术的保护范围。
98.在一些实施例中，所述多巴胺检测装置包括第二感应贴片、第二数据放大单元和第二模数转换单元，所述第二感应贴片由ni-mof复合材料或aunps复合材料包裹在碳纳米管上制造而成；所述第二感应贴片作为检测部件与皮肤接触，用于作为检测部件与汗液中的多巴胺发生电氧化反应，在所述第二感应贴片的正负极之间产生第二氧化还原电流；所述第二数据放大单元与所述第二感应贴片连接，用于将所述第二氧化还原电流进行放大，得到放大后的第二氧化还原电流；所述第二模数转换单元与所述第二数据放大单元连接，用于对所述放大后的第二氧化还原电流进行模数转换，得到数字形式的多巴胺信号，所述数字形式的多巴胺信号中当前时间的多巴胺数据为所述多巴胺数据。需要指出的是，ni-mof复合材料或aunps复合材料还可以替换为就有相同性质的，可以与汗液中的多巴胺发生反应的已有的或未来发现的其他两种金属或其他材质的混合物，均属于本技术的保护范围。
99.请参考图6，在一些实施例中，所述穿戴设备为手环。所述手环贴近皮肤一侧可以设置有交替间隔设置的褪黑素检测装置阵列和多巴胺检测装置阵列，其中，所述褪黑素检测装置阵列包括至少两个褪黑素检测装置，所述多巴胺检测装置阵列包括至少两个多巴胺检测装置。相同检测装置可以为沿手环内侧径向设置，也可以基于手环内侧轴向设置，还可以通过符合预设规律的斜向设置或间隔设置等，根据需要选择，在此不做具体限制。通过设置检测装置阵列，可以增大检测的面积，从而提高检测的精准度和检测效率。
100.以上描述仅为本技术的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。