网络训练方法、睡眠状态评估方法及相关设备与流程

本技术涉及人工智能（artificial intelligence, ai）领域，特别涉及一种网络训练方法、睡眠状态评估方法及相关设备。

背景技术：

1、相关技术中，智能终端可基于用户的行为数据学习出用户的偏好、位置等信息，例如，可以基于用户的行为数据学习出用户的当前位置是在家或是在公司，进而可基于用户在家或者在公司推荐相应的应用服务。

2、为了实现分析用户在家和在公司，相关技术对用户的停留点进行聚类，得到多个停留点簇，遍历智能终端的灭屏时段，将时间最长的灭屏时段作为睡眠时段，计算各个停留点簇与睡眠时段的重叠时长，重叠时长最长的停留点簇，标记为家，再在剩余停留点簇中，取停留持续时长最长且持续时长达到一定阈值的簇，标记为公司。

3、然而，对于某些在工作时间不使用或无法使用智能终端的用户而言，可能会出现在公司工作期间的灭屏时段具有最长的时长，因此会将该灭屏时段错误地认为是睡眠时段，从而出现将在公司误学习为在家的情形，导致推荐的应用服务出错，例如将本该在家推荐的应用服务，在公司进行推荐。

技术实现思路

1、鉴于以上内容，有必要提供一种网络训练方法、睡眠状态评估方法及相关设备，可以解决依靠灭屏时段的时长进行睡眠时段的识别，而频繁出现用户真实的睡眠时段识别错误的问题。

2、第一方面，本技术提供一种网络训练方法，应用于网络训练设备，方法包括：获取终端设备采集的多个灭屏时段的训练数据，训练数据包括终端设备通过传感器采集的环境数据及与用户活动状态关联的数据；基于训练数据及预设的机器学习算法，训练得到基于终端设备的灭屏时段进行睡眠状态评分的睡眠评估网络。采用上述技术方案，基于灭屏时段采集的环境数据（例如，环境声音、环境光线等）及表征用户活动状态的数据（例如，三轴加速度、红外能量数据等）训练得到用于基于灭屏时段进行睡眠状态评分的睡眠评估网络，从而可以基于睡眠评估网络对灭屏时段进行睡眠状态评分，实现基于评分分数准确地识别出用户睡眠时段对应的灭屏时段，便于后续可基于用户睡眠时段与用户停留点簇进行家与公司的标记，进而可以基于家与公司进行相应的应用服务的推荐，例如，打卡、取快递、锻炼等推荐。

3、在一种可能的实现方式中，传感器包括加速度传感器、声音传感器、光敏传感器以及红外人体传感器，睡眠评估网络包括第一睡眠评估网络、第二睡眠评估网络、第三睡眠评估网络及第四睡眠评估网络，其中：第一睡眠评估网络基于所述加速度传感器采集的加速度数据训练得到；第二睡眠评估网络基于声音传感器采集的声音数据训练得到；第三睡眠评估网络基于光敏传感器采集的光线数据训练得到；第四睡眠评估网络基于红外人体传感器采集的红外能量数据训练得到。采用上述技术方案，用户在睡觉时，环境一般较安静且光线较暗，身体一般不会发生较大幅度的运动，通过加速度传感器、声音传感器、光敏传感器以及红外人体传感器可以实现上述睡眠特征的检测，将睡眠评估网络设计为包括四个网络：第一睡眠评估网络、第二睡眠评估网络、第三睡眠评估网络及第四睡眠评估网络，并分别采用加速度传感器、声音传感器、光敏传感器以及红外人体传感器采集的数据进行训练，后续的睡眠状态评分分数综合四个网络的评分分数得到，可以实现准确地识别出用户睡眠时段对应的灭屏时段。

4、在一种可能的实现方式中，基于训练数据及预设的机器学习算法，训练得到基于终端设备的灭屏时段进行睡眠状态评分的睡眠评估网络，包括：基于每个灭屏时段的加速度数据，计算每个灭屏时段的加速度数据的标准差；基于每个灭屏时段的加速度数据的标准差及每个灭屏时段对应的标签，设定第一睡眠评估网络中的第一预设阈值，标签用于表征灭屏时段是否是睡眠时段；对每个灭屏时段的加速度数据进行特征向量提取；基于每个灭屏时段的加速度数据的特征向量及每个灭屏时段对应的标签，对第一睡眠评估网络进行灭屏时段的睡眠状态评分的训练，在待评分的灭屏时段的加速度数据的标准差大于或等于第一预设阈值的情形下，第一睡眠评估网络进行睡眠状态评分的分数表征待评分的灭屏时段不是睡眠时段；在待评分的灭屏时段的加速度数据的标准差小于第一预设阈值的情形下，第一睡眠评估网络基于待评分的灭屏时段的加速度数据的特征向量为待评分的灭屏时段进行睡眠状态评分。采用上述技术方案，训练得到的第一睡眠评估网络包含两种睡眠状态评分的评估方式，一种为基于灭屏时段的加速度数据的标准差与阈值比对的结果进行评分，另一种为将灭屏时段的加速度数据的特征向量输入至网络进行评分，阈值比对的评估方式可以实现初步筛选出不是用户的睡眠时段的灭屏时段（标准差大于或等于阈值的灭屏时段），基于特征向量的评估方式可以对各个标准差小于阈值的灭屏时段进行评分，以实现准确地识别出用户睡眠时段对应的灭屏时段。

5、在一种可能的实现方式中，基于训练数据及预设的机器学习算法，训练得到基于终端设备的灭屏时段进行睡眠状态评分的睡眠评估网络，包括：基于每个灭屏时段的声音数据，计算每个灭屏时段的声音强度的标准差；基于每个灭屏时段的声音强度的标准差及每个灭屏时段对应的标签，设定第二睡眠评估网络中的第二预设阈值，标签用于表征灭屏时段是否是睡眠时段；对每个灭屏时段的声音数据进行特征向量提取；基于每个灭屏时段的声音数据的特征向量及每个灭屏时段对应的标签，对第二睡眠评估网络进行灭屏时段的睡眠状态评分的训练，在待评分的灭屏时段的声音强度的标准差大于或等于第二预设阈值的情形下，第二睡眠评估网络为待评分的灭屏时段进行睡眠状态评分的分数表征待评分的灭屏时段不是睡眠时段；在待评分的灭屏时段的声音强度的标准差小于第二预设阈值的情形下，第二睡眠评估网络基于待评分的灭屏时段的声音数据的特征向量为待评分的灭屏时段进行睡眠状态评分。采用上述技术方案，训练得到的第二睡眠评估网络包含两种睡眠状态评分的评估方式，一种为基于灭屏时段的声音数据的声音强度的标准差与阈值比对的结果进行评分，另一种为将灭屏时段的声音数据的特征向量输入至网络进行评分，阈值比对的评估方式可以实现初步筛选出不是用户的睡眠时段的灭屏时段（标准差大于或等于阈值的灭屏时段），基于特征向量的评估方式可以对各个标准差小于阈值的灭屏时段进行评分，以实现准确地识别出用户睡眠时段对应的灭屏时段。

6、在一种可能的实现方式中，在待评分的灭屏时段的声音数据的特征向量中包含打呼声的音频特征向量的情形下，第二睡眠评估网络为待评分的灭屏时段进行睡眠状态评分的分数表征待评分的灭屏时段是睡眠时段。采用上述技术方案，对于睡觉会打呼噜的终端设备用户而言，打呼噜是下呼吸道和软腭振动产生的，呼噜声一般为低频的震动声，与其他的环境声音的频率存在差异，呼噜声的频谱图会包含较多的低频分量，并且频率大多集中在特定频段内，在第二睡眠评估网络的训练过程中，通过呼噜声在频域的音频特征来进行睡眠状态评分训练，若声音数据在频域的音频特征包含呼噜声的音频特征，可以给予该灭屏时段一个较高的睡眠状态评分，例如，分数表征待评分的灭屏时段是睡眠时段，实现准确地识别出用户睡眠时段对应的灭屏时段。

7、在一种可能的实现方式中，基于训练数据及预设的机器学习算法，训练得到基于终端设备的灭屏时段进行睡眠状态评分的睡眠评估网络，包括：基于每个灭屏时段的光线数据，计算每个灭屏时段的光照强度的均值；基于每个灭屏时段的光照强度的均值及每个灭屏时段对应的标签，设定第三睡眠评估网络中的第三预设阈值，标签用于表征灭屏时段是否是睡眠时段；对每个灭屏时段的光线数据进行特征向量提取；基于每个灭屏时段的光线数据的特征向量及每个灭屏时段对应的标签，对第三睡眠评估网络进行灭屏时段的睡眠状态评分的训练，在待评分的灭屏时段的光照强度的均值大于或等于第三预设阈值的情形下，第三睡眠评估网络为待评分的灭屏时段进行睡眠状态评分的分数表征待评分的灭屏时段不是睡眠时段的分数；在待评分的灭屏时段的光照强度的均值小于第三预设阈值的情形下，第三睡眠评估网络基于待评分的灭屏时段的光线数据的特征向量为待评分的灭屏时段进行睡眠状态评分。采用上述技术方案，训练得到的第三睡眠评估网络包含两种睡眠状态评分的评估方式，一种为基于灭屏时段的光线数据的光照强度的均值与阈值比对的结果进行评分，另一种为将灭屏时段的光线数据的特征向量输入至网络进行评分，阈值比对的评估方式可以实现初步筛选出不是用户的睡眠时段的灭屏时段（均值大于或等于阈值的灭屏时段），基于特征向量的评估方式可以对各个均值小于阈值的灭屏时段进行评分，以实现准确地识别出用户睡眠时段对应的灭屏时段。

8、在一种可能的实现方式中，基于训练数据及预设的机器学习算法，训练得到基于终端设备的灭屏时段进行睡眠状态评分的睡眠评估网络，包括：基于每个灭屏时段的红外能量数据，计算每个灭屏时段的红外能量强度的标准差；基于每个灭屏时段的红外能量强度的标准差及每个灭屏时段对应的标签，设定第四睡眠评估网络中的第四预设阈值，标签用于表征灭屏时段是否是睡眠时段；对每个灭屏时段的红外能量数据进行特征向量提取；基于每个灭屏时段的红外能量数据的特征向量及每个灭屏时段对应的标签，对第四睡眠评估网络进行灭屏时段的睡眠状态评分的训练，在待评分的灭屏时段的红外能量强度的标准差大于或等于第四预设阈值的情形下，第四睡眠评估网络为待评分的灭屏时段进行睡眠状态评分的分数表征待评分的灭屏时段不是睡眠时段的分数；在待评分的灭屏时段的红外能量强度的标准差小于第四预设阈值的情形下，第四睡眠评估网络基于待评分的灭屏时段的红外能量数据的特征向量为待评分的灭屏时段进行睡眠状态评分。采用上述技术方案，训练得到的第四睡眠评估网络包含两种睡眠状态评分的评估方式，一种为基于灭屏时段的红外能量数据的红外能量强度的标准差与阈值比对的结果进行评分，另一种为将灭屏时段的红外能量数据的特征向量输入至网络进行评分，阈值比对的评估方式可以实现初步筛选出不是用户的睡眠时段的灭屏时段（标准差大于或等于阈值的灭屏时段），基于特征向量的评估方式可以对各个标准差小于阈值的灭屏时段进行评分，以实现准确地识别出用户睡眠时段对应的灭屏时段。

9、第二方面，本技术提供一种睡眠状态评估方法，应用于终端设备，终端设备包括传感器并部署有经上述网络训练方法训练得到的睡眠评估网络，睡眠状态评估方法包括：获取终端设备在预设时间内的多个待评分的灭屏时段；从多个待评分的灭屏时段中选取时长最长的第一灭屏时段；基于传感器在第一灭屏时段采集的数据，利用睡眠评估网络得到第一灭屏时段对应的睡眠状态评分分数；若第一灭屏时段对应的睡眠状态评分分数大于第一阈值，将第一灭屏时段确定为用户在预设时间内的睡眠时段。采用上述技术方案，用户的睡眠时段较大概率为最长的灭屏时段，且睡眠时间一般不会太短，多个待评分的灭屏时段可以是时长超过一定时长的灭屏时段，通过从预设时间内的多个待评分的灭屏时段中选择时长最长的第一灭屏时段，并基于睡眠评估网络对第一灭屏时段进行睡眠状态评分，若第一灭屏时段的睡眠状态评分分数大于阈值，表明第一灭屏时段具备睡眠特征，可将第一灭屏时段认定为是用户的睡眠时段，实现快速且准确地确定用户的睡眠时段，进而后续可基于用户的睡眠时段与用户停留点簇进行家与公司的标记，便于基于家与公司进行相应的应用服务的推荐，例如，打卡、取快递、锻炼等推荐。

10、在一种可能的实现方式中，利用睡眠评估网络得到第一灭屏时段对应的睡眠状态评分分数之后，还包括：若第一灭屏时段对应的睡眠状态评分分数小于或等于第一阈值，基于传感器在多个待评分的灭屏时段中的其余灭屏时段采集的数据，利用睡眠评估网络对其余灭屏时段分别进行睡眠状态评分，得到多个睡眠状态评分分数；基于多个睡眠状态评分分数，确定目标灭屏时段，及将目标灭屏时段确定为用户在所述预设时间内的睡眠时段。采用上述技术方案，若第一灭屏时段的睡眠状态评分分数小于阈值，表明第一灭屏时段不具备睡眠特征，可将第一灭屏时段认定为不是用户的睡眠时段，需要基于睡眠评估网络再对剩余的各个待评分灭屏时段分别进行睡眠状态评分，得到其余各个灭屏时段对应的睡眠状态评分分数，再基于各个灭屏时段对应的睡眠状态评分分数，从中选出目标灭屏时段，作为用户的睡眠时段。

11、在一种可能的实现方式中，基于多个睡眠状态评分分数，确定目标灭屏时段，包括：若多个睡眠状态评分分数中仅存在一个睡眠状态评分分数大于第一阈值，将大于第一阈值的睡眠状态评分分数对应的灭屏时段作为目标灭屏时段；若多个睡眠状态评分分数中存在两个或两个以上的睡眠状态评分分数大于第一阈值，从大于第一阈值的睡眠状态评分分数对应的灭屏时段中选择时长最长的灭屏时段作为目标灭屏时段；若多个睡眠状态评分分数均小于第一阈值，将第一灭屏时段作为目标灭屏时段。采用上述技术方案，若多个睡眠状态评分分数中仅存在一个评分分数大于第一阈值，可直接将评分分数大于第一阈值对应的灭屏时段作为用户的睡眠时段，若多个睡眠状态评分分数中存在多个评分分数大于第一阈值，基于用户睡眠时间一般相对较长的特性，可从多个评分分数大于第一阈值的灭屏时段中选择时长最长的灭屏时段作为用户的睡眠时段，若多个睡眠状态评分分数均小于第一阈值，表明基于睡眠评估网络无法识别出用户的睡眠时段，可在终端设备的显示界面输出预设的提示信息，或者直接将时长最长的灭屏时段（第一灭屏时段）作为用户的睡眠时段。

12、在一种可能的实现方式中，传感器包括加速度传感器、声音传感器、光敏传感器以及红外人体传感器。采用上述技术方案，用户在睡觉时，环境一般较安静且光线较暗，身体一般不会发生较大幅度的运动，通过加速度传感器、声音传感器、光敏传感器以及红外人体传感器可以实现上述睡眠特征的检测，便于后续可以基于传感器检测到的数据进行睡眠状态评分。

13、在一种可能的实现方式中，睡眠评估网络包括第一睡眠评估网络、第二睡眠状态评估网络、第三睡眠状态评估网络及第四睡眠状态评估网络，基于睡眠评估网络及传感器在第一灭屏时段采集的数据，得到第一灭屏时段的睡眠状态评分分数，包括：基于加速度传感器在第一灭屏时段采集的数据，利用第一睡眠评估网络得到第一灭屏时段的第一评分；基于声音传感器在第一灭屏时段采集的数据，利用第二睡眠评估网络得到第一灭屏时段的第二评分；基于光敏传感器在第一灭屏时段采集的数据，利用第三睡眠评估网络得到第一灭屏时段的第三评分；基于红外人体传感器在第一灭屏时段采集的数据，利用第四睡眠评估网络得到第一灭屏时段的第四评分；基于第一评分、第二评分、第三评分及第四评分，得到第一灭屏时段的睡眠状态评分分数。采用上述技术方案，将睡眠评估网络设计为包括四个网络：第一睡眠评估网络、第二睡眠评估网络、第三睡眠评估网络及第四睡眠评估网络，并分别采用加速度传感器、声音传感器、光敏传感器以及红外人体传感器采集的数据进行训练，后续的睡眠状态评分分数综合四个网络的评分分数得到，可以实现准确地识别出用户睡眠时段对应的灭屏时段。

14、在一种可能的实现方式中，睡眠状态评估方法还包括：获取传感器在目标预设时间内采集的数据，目标预设时间包括用户的睡眠时段，睡眠评估网络对目标预设时间的所有灭屏时段进行睡眠状态评分分数表征目标预设时间的所有灭屏时段均不是睡眠时段；基于传感器在目标预设时间内采集的数据对睡眠评估网络进行训练，对睡眠评估网络进行更新。采用上述技术方案，由于不同终端用户具有不同的睡眠习惯与睡眠环境，部署在终端设备的睡眠状态评估可能会由于不同的终端用户而具有不同的睡眠状态评估的准确性，通过获取睡眠评估网络在阈值比对阶段出现误识别的数据，例如目标预设时间实际上包括终端设备用户的睡眠时段，但是经过睡眠评估网络的阈值比对的评估方式，得到目标预设时间内的各个灭屏时段的数据的标准差或均值均是大于对应的比对阈值，导致睡眠状态评分的结果为表征目标预设时间的所有灭屏时段均不是睡眠时段的分数，而基于特征向量的评估方式是可以得到灭屏时段中存在一个或多个灭屏时段的评分是大于第一阈值的，基于传感器在目标预设时间内采集的数据对睡眠评估网络进行训练，可以实现更新睡眠评估网络中用于比对的阈值，提升睡眠评估网络的识别准确性，再例如，目标预设时间实际上包括终端设备用户的睡眠时段，但是经过睡眠评估网络的阈值比对的评估方式，得到目标预设时间内的各个灭屏时段的数据的标准差或均值均是大于对应的比对阈值，且基于特征向量的评估方式也无法得到灭屏时段中存在一个或多个灭屏时段的评分是大于第一阈值的，基于传感器在目标预设时间内采集的数据对睡眠评估网络进行训练，可以实现更新睡眠评估网络中的比对阈值以及网络参数（隐藏层的层数、神经元数量等），提升睡眠评估网络的识别准确性。

15、在一种可能的实现方式中，基于传感器在目标预设时间内采集的数据对睡眠评估网络进行训练，包括：在终端设备处于灭屏的情形下，获取终端设备上一次对睡眠评估网络进行训练的结束时间；若终端设备的当前系统时间与结束时间的时间间隔大于预设时间间隔，基于传感器在目标预设时间内采集的数据对睡眠评估网络进行训练。采用上述技术方案，通过在监听到灭屏事件的情形下，确定网络优化的时间点是否合适，可以使得网络优化尽可能在终端设备灭屏期间进行，可最大程度降低由于网络优化占用设备系统资源，而影响用户使用终端设备的体验，且设定网络训练的间隔时间，可以避免频繁进行网络的训练而加重终端设备的功耗。

16、第三方面，本技术实施例提供一种网络训练设备，包括存储器和处理器，其中，存储器用于存储计算机可读指令；处理器用于读取计算机可读指令并实现第一方面及其可选的实现方式提供的方法。

17、第四方面，本技术实施例提供一种终端设备，包括存储器和处理器，其中，存储器用于存储计算机可读指令；处理器用于读取计算机可读指令并实现第二方面及其可选的实现方式提供的方法。

18、第五方面，本技术实施例提供一种计算机存储介质，存储有计算机可读指令，且计算机可读指令在被处理器执行时实现第一方面及其可选的实现方式提供的方法，或者实现第二方面及其可选的实现方式提供的方法。

19、第六方面，本技术实施例提供一种计算机程序产品，计算机程序产品中包含计算机可读指令，当该计算机可读指令被处理器执行时实现第一方面及其可选的实现方式提供的方法，或者实现第二方面及其可选的实现方式提供的方法。

20、第七方面，本技术实施例提供一种神经网络部署系统，包括终端设备和网络训练设备，网络训练设备用于执行第一方面及其可选的实现方式提供的方法，终端设备用于执行第二方面及其可选的实现方式提供的方法。

21、上述第三方面、第四方面、第五方面、第六方面及第七方面所获得的技术效果与第一方面或第二方面中对应的技术手段获得的技术效果近似，在这里不再赘述。