本發(fā)明涉及計算機技術(shù)領(lǐng)域，尤其涉及一種睡眠狀態(tài)檢測方法和裝置。

背景技術(shù)：

人的睡眠狀態(tài)可以分為覺醒期、非快速眼動睡眠期(又分為1、2、3、4期)、快速眼動睡眠期。以醫(yī)療助眠領(lǐng)域為例，通過檢測人的睡眠狀態(tài)，并根據(jù)檢測到的當(dāng)前的睡眠狀態(tài)向其推薦相應(yīng)的助眠音樂，從而改善或者促進(jìn)人的睡眠質(zhì)量?，F(xiàn)有的檢測人的睡眠狀態(tài)的方法大多通過檢測腦電信號來實現(xiàn)的。現(xiàn)有的基于腦電信號的睡眠狀態(tài)檢測的方法是通過采用時頻域分析與非線性動力學(xué)分析方法提取腦電信號中具有代表性的特征參數(shù)，并根據(jù)這些具有代表性的特征參數(shù)獲得睡眠深度模型，從而根據(jù)該睡眠深度模型對睡眠狀態(tài)進(jìn)行檢測來實現(xiàn)的。由于該睡眠深度模型是一種簡單的二次多項式模型，因此與現(xiàn)實情況的擬合度低，容易出現(xiàn)監(jiān)測結(jié)果不準(zhǔn)確的問題。

技術(shù)實現(xiàn)要素：

本發(fā)明提出一種睡眠狀態(tài)檢測方法和裝置，能夠提高對睡眠狀態(tài)進(jìn)行檢測的精確度。

本發(fā)明提供的一種睡眠狀態(tài)檢測方法，具體包括：

獲取用戶在睡眠時的在預(yù)設(shè)時間段內(nèi)的生物電信號；

從所述生物電信號中提取至少一個信號特征；

根據(jù)所述至少一個信號特征和為各個睡眠狀態(tài)預(yù)先配置的深度神經(jīng)網(wǎng)絡(luò)模型，獲得所述深度神經(jīng)網(wǎng)絡(luò)模型所對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層中的各個結(jié)點的結(jié)點值，并根據(jù)所有所述結(jié)點值，獲得所述用戶在所述預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)分別為所述各個睡眠狀態(tài)的概率；

獲得所述概率中的最大概率，并將所述用戶在所述預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)確定為所述各個睡眠狀態(tài)中的與所述最大概率所對應(yīng)的睡眠狀態(tài)。

進(jìn)一步地，所述信號特征的數(shù)量為一個；所述信號特征由至少一個特征數(shù)據(jù)組成；

則所述根據(jù)所述至少一個信號特征和為各個睡眠狀態(tài)預(yù)先配置的深度神經(jīng)網(wǎng)絡(luò)模型，獲得所述深度神經(jīng)網(wǎng)絡(luò)模型所對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層中的各個結(jié)點的結(jié)點值，并根據(jù)所有所述結(jié)點值，獲得所述用戶在所述預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)分別為所述各個睡眠狀態(tài)的概率，具體包括：

將所述信號特征x中的各個所述特征數(shù)據(jù)代入預(yù)先配置的深度神經(jīng)網(wǎng)絡(luò)模型中，獲得最終的即為所述用戶在所述預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)分別為各個睡眠狀態(tài)S_i的概率；其中，為與所述深度神經(jīng)網(wǎng)絡(luò)模型相對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的一個層級中的一個結(jié)點的結(jié)點值；L為所述深度神經(jīng)網(wǎng)絡(luò)中的一個層級的層級標(biāo)識；f(·)為非線性函數(shù)；為與結(jié)點值相對應(yīng)的結(jié)點權(quán)重；為與結(jié)點值相對應(yīng)的結(jié)點偏置項。

進(jìn)一步地，所述信號特征的數(shù)量為兩個或者兩個以上；每個所述信號特征由至少一個特征數(shù)據(jù)組成；

則所述根據(jù)所述至少一個信號特征和為各個睡眠狀態(tài)預(yù)先配置的深度神經(jīng)網(wǎng)絡(luò)模型，獲得所述深度神經(jīng)網(wǎng)絡(luò)模型所對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層中的各個結(jié)點的結(jié)點值，并根據(jù)所有所述結(jié)點值，獲得所述用戶在所述預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)分別為所述各個睡眠狀態(tài)的概率，具體包括：

將所述信號特征x_m中的各個所述特征數(shù)據(jù)代入預(yù)先配置的深度神經(jīng)網(wǎng)絡(luò)模型中，獲得最終的即為所述信號特征x_m相對于各個睡眠狀態(tài)S_i的后驗概率p(S_i/x_m)；其中，為與所述深度神經(jīng)網(wǎng)絡(luò)模型相對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的一個層級中的一個結(jié)點的結(jié)點值；L為所述深度神經(jīng)網(wǎng)絡(luò)中的一個層級的層級標(biāo)識；f(·)為非線性函數(shù)；為與結(jié)點值相對應(yīng)的結(jié)點權(quán)重；為與結(jié)點值相對應(yīng)的結(jié)點偏置項；

將所有后驗概率p(S_i/x_m)以各個睡眠狀態(tài)S_i為單位進(jìn)行合成，獲得所述用戶在所述預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)為所述各個睡眠狀態(tài)的概率。

進(jìn)一步地，所述生物電信號根據(jù)信號的生成時間的先后順序劃分為至少兩段子生物電信號，且相鄰的兩段子生物電信號的生成時間部分重疊；所述信號特征與每段所述子生物電信號一一對應(yīng)。

進(jìn)一步地，在所述根據(jù)所述至少一個信號特征和為各個睡眠狀態(tài)預(yù)先配置的深度神經(jīng)網(wǎng)絡(luò)模型，獲得所述深度神經(jīng)網(wǎng)絡(luò)模型所對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層中的各個結(jié)點的結(jié)點值，并根據(jù)所有所述結(jié)點值，獲得所述用戶在所述預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)分別為所述各個睡眠狀態(tài)的概率之前，還包括：

獲取與各個睡眠狀態(tài)S_i分別相對應(yīng)的訓(xùn)練生物電信號；

從每個所述睡眠狀態(tài)S_i所對應(yīng)的所述訓(xùn)練生物電信號中提取至少一個訓(xùn)練信號特征；其中，所述訓(xùn)練信號特征與所述信號特征相同；每個所述訓(xùn)練信號特征由至少一個特征數(shù)據(jù)組成；

將所有所述訓(xùn)練信號特征代入深度神經(jīng)網(wǎng)絡(luò)模型中，并通過對所述深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反向計算，獲得所述深度神經(jīng)網(wǎng)絡(luò)中的第0層級至第4層級中的各個結(jié)點的結(jié)點值所對應(yīng)的結(jié)點權(quán)重和第1層級至第5層級中的各個結(jié)點的結(jié)點值所對應(yīng)的結(jié)點偏置項。

相應(yīng)地，本發(fā)明還提供了一種睡眠狀態(tài)檢測裝置，具體包括：

生物電信號獲取模塊，用于獲取用戶在睡眠時的在預(yù)設(shè)時間段內(nèi)的生物電信號；

信號特征提取模塊，用于從所述生物電信號中提取至少一個信號特征；

概率獲得模塊，用于根據(jù)所述至少一個信號特征和為各個睡眠狀態(tài)預(yù)先配置的深度神經(jīng)網(wǎng)絡(luò)模型，獲得所述深度神經(jīng)網(wǎng)絡(luò)模型所對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層中的各個結(jié)點的結(jié)點值，并根據(jù)所有所述結(jié)點值，獲得所述用戶在所述預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)分別為所述各個睡眠狀態(tài)的概率；以及，

睡眠狀態(tài)確定模塊，用于獲得所述概率中的最大概率，并將所述用戶在所述預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)確定為所述各個睡眠狀態(tài)中的與所述最大概率所對應(yīng)的睡眠狀態(tài)。

進(jìn)一步地，所述信號特征的數(shù)量為一個；所述信號特征由至少一個特征數(shù)據(jù)組成；

則所述概率獲得模塊，具體包括：

第一概率獲得單元，用于將所述信號特征x中的各個所述特征數(shù)據(jù)代入預(yù)先配置的深度神經(jīng)網(wǎng)絡(luò)模型中，獲得最終的即為所述用戶在所述預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)分別為各個睡眠狀態(tài)S_i的概率；其中，為與所述深度神經(jīng)網(wǎng)絡(luò)模型相對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的一個層級中的一個結(jié)點的結(jié)點值；L為所述深度神經(jīng)網(wǎng)絡(luò)中的一個層級的層級標(biāo)識；f(·)為非線性函數(shù)；為與結(jié)點值相對應(yīng)的結(jié)點權(quán)重；為與結(jié)點值相對應(yīng)的結(jié)點偏置項。

進(jìn)一步地，所述信號特征的數(shù)量為兩個或者兩個以上；每個所述信號特征由至少一個特征數(shù)據(jù)組成；

則所述概率獲得模塊，具體包括：

后驗概率獲得單元，用于將所述信號特征x_m中的各個所述特征數(shù)據(jù)代入預(yù)先配置的深度神經(jīng)網(wǎng)絡(luò)模型中，獲得最終的即為所述信號特征x_m相對于各個睡眠狀態(tài)S_i的后驗概率p(S_i/x_m)；其中，為與所述深度神經(jīng)網(wǎng)絡(luò)模型相對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的一個層級中的一個結(jié)點的結(jié)點值；L為所述深度神經(jīng)網(wǎng)絡(luò)中的一個層級的層級標(biāo)識；f(·)為非線性函數(shù)；為與結(jié)點值相對應(yīng)的結(jié)點權(quán)重；為與結(jié)點值相對應(yīng)的結(jié)點偏置項；以及，

第二概率獲得單元，用于將所有后驗概率p(S_i/x_m)以各個睡眠狀態(tài)S_i為單位進(jìn)行合成，獲得所述用戶在所述預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)為所述各個睡眠狀態(tài)的概率。

進(jìn)一步地，所述生物電信號根據(jù)信號的生成時間的先后順序劃分為至少兩段子生物電信號，且相鄰的兩段子生物電信號的生成時間部分重疊；所述信號特征與每段所述子生物電信號一一對應(yīng)。

進(jìn)一步地，所述睡眠狀態(tài)檢測裝置，還包括：

訓(xùn)練生物電信號獲得模塊，用于獲取與各個睡眠狀態(tài)S_i分別相對應(yīng)的訓(xùn)練生物電信號；

訓(xùn)練信號特征獲得模塊，用于從每個所述睡眠狀態(tài)S_i所對應(yīng)的所述訓(xùn)練生物電信號中提取至少一個訓(xùn)練信號特征；其中，所述訓(xùn)練信號特征與所述信號特征相同；每個所述訓(xùn)練信號特征由至少一個特征數(shù)據(jù)組成；以及，

模型參數(shù)獲得模塊，用于將所有所述訓(xùn)練信號特征代入深度神經(jīng)網(wǎng)絡(luò)模型中，并通過對所述深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反向計算，獲得所述深度神經(jīng)網(wǎng)絡(luò)中的第0層級至第4層級中的各個結(jié)點的結(jié)點值所對應(yīng)的結(jié)點權(quán)重和第1層級至第5層級中的各個結(jié)點的結(jié)點值所對應(yīng)的結(jié)點偏置項。

實施本發(fā)明，具有如下有益效果：

本發(fā)明提供的睡眠狀態(tài)檢測方法及裝置，通過采用深度神經(jīng)網(wǎng)絡(luò)模型表征各個睡眠狀態(tài)，即采用深度神經(jīng)網(wǎng)絡(luò)模型擬合現(xiàn)實中的較為復(fù)雜的數(shù)據(jù)分布情況，因此與現(xiàn)實情況的擬合度高，能夠提高對睡眠狀態(tài)進(jìn)行檢測的精確度。

附圖說明

圖1是本發(fā)明提供的睡眠狀態(tài)檢測方法的一個實施例的流程示意圖；

圖2是本發(fā)明提供的睡眠狀態(tài)檢測方法中的傳感器獲取的一段腦電信號的信號示意圖；

圖3是本發(fā)明提供的睡眠狀態(tài)檢測裝置的一個實施例的結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

參見圖1，是本發(fā)明提供的睡眠狀態(tài)檢測方法的一個實施例的流程示意圖，包括步驟S11至S14，具體如下：

S11：獲取用戶在睡眠時的在預(yù)設(shè)時間段內(nèi)的生物電信號；

S12：從所述生物電信號中提取至少一個信號特征；

S13：根據(jù)所述至少一個信號特征和為各個睡眠狀態(tài)預(yù)先配置的深度神經(jīng)網(wǎng)絡(luò)模型，獲得所述深度神經(jīng)網(wǎng)絡(luò)模型所對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層中的各個結(jié)點的結(jié)點值，并根據(jù)所有所述結(jié)點值，獲得所述用戶在所述預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)分別為所述各個睡眠狀態(tài)的概率；

S14：獲得所述概率中的最大概率，并將所述用戶在所述預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)確定為所述各個睡眠狀態(tài)中的與所述最大概率所對應(yīng)的睡眠狀態(tài)。

需要說明的是，本發(fā)明實施例所采用的對睡眠狀態(tài)進(jìn)行檢測的方法主要分為兩個階段：模型訓(xùn)練階段和狀態(tài)檢測階段。在采用深度神經(jīng)網(wǎng)絡(luò)模型對用戶的睡眠狀態(tài)進(jìn)行檢測之前，即在模型訓(xùn)練階段，預(yù)先為表征各個睡眠狀態(tài)而根據(jù)用于訓(xùn)練模型的訓(xùn)練生物電信號訓(xùn)練出深度神經(jīng)網(wǎng)絡(luò)模型。該深度神經(jīng)網(wǎng)絡(luò)模型具有多個輸出結(jié)果，分別與各個睡眠狀態(tài)一一相對應(yīng)。在對用戶的睡眠狀態(tài)進(jìn)行檢測時，即在狀態(tài)檢測階段，在利用傳感器獲取生物電信號之后，將從該生物電信號中提取出來的信號特征代入訓(xùn)練獲得的深度神經(jīng)網(wǎng)絡(luò)模型中，從而獲得用戶當(dāng)前的睡眠狀態(tài)為各個睡眠狀態(tài)的概率，若概率越大，則說明用戶當(dāng)前的睡眠狀態(tài)為該概率所對應(yīng)的睡眠狀態(tài)的可能性越大，因此將用戶當(dāng)前的睡眠狀態(tài)確定為所獲得的概率中的最大概率所對應(yīng)的睡眠狀態(tài)。需要進(jìn)一步說明的是，生物電信號可以為腦電信號、心電信號或者肌電信號等。信號特征為矢量數(shù)據(jù)，該矢量數(shù)據(jù)中的元素可以為一個或者多個諸如短時能量，過零率，頻譜系數(shù)等的表征信號的數(shù)據(jù)特征的數(shù)據(jù)。

在一個優(yōu)選的實施方式中，在采用深度神經(jīng)網(wǎng)絡(luò)模型對用戶的睡眠狀態(tài)進(jìn)行檢測之前，預(yù)先根據(jù)用于訓(xùn)練模型的訓(xùn)練生物電信號訓(xùn)練出表征各個睡眠狀態(tài)的深度神經(jīng)網(wǎng)絡(luò)模型。該深度神經(jīng)網(wǎng)絡(luò)模型所對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)的輸出層(即第5層級)具有多個結(jié)點，即該深度神經(jīng)網(wǎng)絡(luò)模型具有多個輸出結(jié)果，分別與各個睡眠狀態(tài)一一相對應(yīng)，分別表示輸入到該深度神經(jīng)網(wǎng)絡(luò)模型中的信號特征所對應(yīng)的生物電信號所對應(yīng)的睡眠狀態(tài)為各個睡眠狀態(tài)的概率。在對某一預(yù)設(shè)時間段內(nèi)的用戶的睡眠狀態(tài)進(jìn)行檢測時，首先通過傳感器獲取用戶在該預(yù)設(shè)時間段內(nèi)的生物電信號。隨后，從所獲取的生物電信號中提取至少一個信號特征，并將所提取的信號特征代入訓(xùn)練獲得的深度神經(jīng)網(wǎng)絡(luò)模型中，通過對代入信號特征后的深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行計算，從而獲得該深度神經(jīng)網(wǎng)絡(luò)模型所對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層中的各個結(jié)點的結(jié)點值，并根據(jù)這些結(jié)點的結(jié)點值，獲得用戶在該預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)分別為各個睡眠狀態(tài)的概率。最后，將用戶在該預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)確定為所獲得的概率中的最大概率所對應(yīng)的睡眠狀態(tài)。

例如，人的睡眠狀態(tài)主要分為覺醒期、非快速眼動睡眠期和快速眼動睡眠期，將覺醒期標(biāo)記為S₀，非快速眼動睡眠期標(biāo)記為S₁，快速眼動睡眠期標(biāo)記為S₂。假設(shè)在本例中通過檢測用戶的腦電信號對用戶的睡眠狀態(tài)進(jìn)行檢測。在采用深度神經(jīng)網(wǎng)絡(luò)模型對用戶的睡眠狀態(tài)進(jìn)行檢測之前，預(yù)先根據(jù)訓(xùn)練腦電信號訓(xùn)練出表征各個睡眠狀態(tài)的深度神經(jīng)網(wǎng)絡(luò)模型。在對用戶在某一時間段內(nèi)的睡眠狀態(tài)進(jìn)行檢測時，通過傳感器采集用戶在該時間段內(nèi)的腦電信號，并提取其中的特征，從而獲得至少一個信號特征X。隨后，將信號特征X代入深度神經(jīng)網(wǎng)絡(luò)模型中，通過對代入信號特征X后的深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行計算，從而獲得該深度神經(jīng)網(wǎng)絡(luò)模型所對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層(即第5層級)中的各個結(jié)點的結(jié)點值和并根據(jù)和獲得概率p₀、p₁和p₂。最后，獲得p₀、p₁和p₂中的最大概率，若該最大概率為p₀，則將用戶在該時間段內(nèi)的睡眠狀態(tài)設(shè)置為S₀，若該最大概率為p₁，則將用戶在該時間段內(nèi)的睡眠狀態(tài)設(shè)置為S₁，若該最大概率為p₂，則將用戶在該時間段內(nèi)的睡眠狀態(tài)設(shè)置為S₂。

本實施例通過采用深度神經(jīng)網(wǎng)絡(luò)模型表征各個睡眠狀態(tài)，即采用深度神經(jīng)網(wǎng)絡(luò)模型擬合現(xiàn)實中的較為復(fù)雜的數(shù)據(jù)分布情況，因此與現(xiàn)實情況的擬合度高，能夠提高對睡眠狀態(tài)進(jìn)行檢測的精確度。

進(jìn)一步地，所述信號特征的數(shù)量為一個；所述信號特征由至少一個特征數(shù)據(jù)組成；

則所述根據(jù)所述至少一個信號特征和為各個睡眠狀態(tài)預(yù)先配置的深度神經(jīng)網(wǎng)絡(luò)模型，獲得所述深度神經(jīng)網(wǎng)絡(luò)模型所對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層中的各個結(jié)點的結(jié)點值，并根據(jù)所有所述結(jié)點值，獲得所述用戶在所述預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)分別為所述各個睡眠狀態(tài)的概率，具體包括：

將所述信號特征x中的各個所述特征數(shù)據(jù)代入預(yù)先配置的深度神經(jīng)網(wǎng)絡(luò)模型中，獲得最終的即為所述用戶在所述預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)分別為各個睡眠狀態(tài)S_i的概率；其中，為與所述深度神經(jīng)網(wǎng)絡(luò)模型相對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的一個層級中的一個結(jié)點的結(jié)點值；L為所述深度神經(jīng)網(wǎng)絡(luò)中的一個層級的層級標(biāo)識；f(·)為非線性函數(shù)；為與結(jié)點值相對應(yīng)的結(jié)點權(quán)重；為與結(jié)點值相對應(yīng)的結(jié)點偏置項。

需要說明的是，當(dāng)從生物電信號中提取的信號特征為一個時，則將該信號特征x代入訓(xùn)練獲得的表征各個睡眠狀態(tài)S_i的深度神經(jīng)網(wǎng)絡(luò)模型中，并通過對代入信號特征x后的深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行前向計算，獲得最終的從而獲得該信號特征x相對于各個睡眠狀態(tài)S_i的后驗概率p(S_i/x)，該后驗概率p(S_i/x)即為該用戶在當(dāng)前時間段內(nèi)的睡眠狀態(tài)分別為各個睡眠狀態(tài)S_i的概率。其中，為與深度神經(jīng)網(wǎng)絡(luò)模型相對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的一個層級中的一個結(jié)點的結(jié)點值，通過對該深度神經(jīng)網(wǎng)絡(luò)中的上一層級中的所有結(jié)點進(jìn)行加權(quán)求和并根據(jù)本層級所對應(yīng)的非線性函數(shù)計算獲得。該深度神經(jīng)網(wǎng)絡(luò)共有6個層級，其中，第0層級為輸入層，第1層級至第4層級為隱含層，第5層級為輸出層。的初始值設(shè)置為信號特征，即深度神經(jīng)網(wǎng)絡(luò)中的輸入層(第0層級)中的各個結(jié)點的結(jié)點值分別對應(yīng)設(shè)置為信號特征中的各個特征數(shù)據(jù)。L為深度神經(jīng)網(wǎng)絡(luò)中的一個層級的層級標(biāo)識。f(·)為非線性函數(shù)，當(dāng)0≤L≤3時，當(dāng)L＝4時，為與結(jié)點值相對應(yīng)的的結(jié)點權(quán)重，通過對深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反向計算獲得。為與結(jié)點值相對應(yīng)的結(jié)點偏置項，通過對深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反向計算獲得。

例如，人的睡眠狀態(tài)主要分為覺醒期、非快速眼動睡眠期和快速眼動睡眠期，將覺醒期標(biāo)記為S₀，非快速眼動睡眠期標(biāo)記為S₁，快速眼動睡眠期標(biāo)記為S₂。假設(shè)在本例中通過檢測用戶的腦電信號對用戶的睡眠狀態(tài)進(jìn)行檢測。在采用深度神經(jīng)網(wǎng)絡(luò)模型對用戶的睡眠狀態(tài)進(jìn)行檢測之前，預(yù)先根據(jù)訓(xùn)練腦電信號訓(xùn)練出表征各個睡眠狀態(tài)的深度神經(jīng)網(wǎng)絡(luò)模型。在對用戶在某一時間段內(nèi)的睡眠狀態(tài)進(jìn)行檢測時，通過傳感器采集用戶在該時間段內(nèi)的腦電信號，并提取其中的特征，若所提取的信號特征的數(shù)量為1個，則獲得信號特征x。隨后，將該信號特征x代入深度神經(jīng)網(wǎng)絡(luò)模型中，從而獲得概率p₀、p₁和p₂。最后，獲得p₀、p₁和p₂中的最大概率，若該最大概率為p₀，則將用戶在該時間段內(nèi)的睡眠狀態(tài)設(shè)置為S₀，若該最大概率為p₁，則將用戶在該時間段內(nèi)的睡眠狀態(tài)設(shè)置為S₁，若該最大概率為p₂，則將用戶在該時間段內(nèi)的睡眠狀態(tài)設(shè)置為S₂。

在另一個優(yōu)選地實施方式中，所述信號特征的數(shù)量為兩個或者兩個以上；每個所述信號特征由至少一個特征數(shù)據(jù)組成；

則所述根據(jù)所述至少一個信號特征和為各個睡眠狀態(tài)預(yù)先配置的深度神經(jīng)網(wǎng)絡(luò)模型，獲得所述深度神經(jīng)網(wǎng)絡(luò)模型所對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層中的各個結(jié)點的結(jié)點值，并根據(jù)所有所述結(jié)點值，獲得所述用戶在所述預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)分別為所述各個睡眠狀態(tài)的概率，具體包括：

將所述信號特征x_m中的各個所述特征數(shù)據(jù)代入預(yù)先配置的深度神經(jīng)網(wǎng)絡(luò)模型中，獲得最終的即為所述信號特征x_m相對于各個睡眠狀態(tài)S_i的后驗概率p(S_i/x_m)；其中，為與所述深度神經(jīng)網(wǎng)絡(luò)模型相對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的一個層級中的一個結(jié)點的結(jié)點值；L為所述深度神經(jīng)網(wǎng)絡(luò)中的一個層級的層級標(biāo)識；f(·)為非線性函數(shù)；為與結(jié)點值相對應(yīng)的結(jié)點權(quán)重；為與結(jié)點值相對應(yīng)的結(jié)點偏置項；

將所有后驗概率p(S_i/x_m)以各個睡眠狀態(tài)S_i為單位進(jìn)行合成，獲得所述用戶在所述預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)為所述各個睡眠狀態(tài)的概率。

需要說明的是，當(dāng)從生物電信號中提取的信號特征為兩個或者兩個以上時，則將每個信號特征x_m依次代入訓(xùn)練獲得的表征各個睡眠狀態(tài)S_i的深度神經(jīng)網(wǎng)絡(luò)模型中，并通過對代入信號特征x_m后的深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行前向計算，獲得最終的從而獲得每個信號特征x_m相對于各個睡眠狀態(tài)S_i的后驗概率p(S_i/x_m)。其中，為與深度神經(jīng)網(wǎng)絡(luò)模型相對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的一個層級中的一個結(jié)點的結(jié)點值，通過對該深度神經(jīng)網(wǎng)絡(luò)中的上一層級中的所有結(jié)點進(jìn)行加權(quán)求和并根據(jù)本層級所對應(yīng)的非線性函數(shù)計算獲得。該深度神經(jīng)網(wǎng)絡(luò)共有6個層級，其中，第0層級為輸入層，第1層級至第4層級為隱含層，第5層級為輸出層。的初始值設(shè)置為信號特征，即深度神經(jīng)網(wǎng)絡(luò)中的輸入層(第0層級)中的各個結(jié)點的結(jié)點值分別對應(yīng)設(shè)置為信號特征中的各個特征數(shù)據(jù)。L為深度神經(jīng)網(wǎng)絡(luò)中的一個層級的層級標(biāo)識。f(·)為非線性函數(shù)，當(dāng)0≤L≤3時，當(dāng)L＝4時，為與結(jié)點值相對應(yīng)的的結(jié)點權(quán)重，通過對深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反向計算獲得。為與結(jié)點值相對應(yīng)的結(jié)點偏置項，通過對深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反向計算獲得。

隨后，將所獲得的后驗概率p(S_i/x_m)以各個睡眠狀態(tài)S_i為單位進(jìn)行合成，從而獲得用戶在當(dāng)前時間段內(nèi)的睡眠狀態(tài)分別為各個睡眠狀態(tài)S_i的概率。其中，合成的方法可以為加和或者乘積等。

例如，人的睡眠狀態(tài)主要分為覺醒期、非快速眼動睡眠期和快速眼動睡眠期，將覺醒期標(biāo)記為S₀，非快速眼動睡眠期標(biāo)記為S₁，快速眼動睡眠期標(biāo)記為S₂。假設(shè)在本例中通過檢測用戶的腦電信號對用戶的睡眠狀態(tài)進(jìn)行檢測。在采用深度神經(jīng)網(wǎng)絡(luò)模型對用戶的睡眠狀態(tài)進(jìn)行檢測之前，預(yù)先根據(jù)訓(xùn)練腦電信號訓(xùn)練出表征各個睡眠狀態(tài)的深度神經(jīng)網(wǎng)絡(luò)模型。在對用戶在某一時間段內(nèi)的睡眠狀態(tài)進(jìn)行檢測時，通過傳感器采集用戶在該時間段內(nèi)的腦電信號，并提取其中的特征，若所提取的信號特征的數(shù)量為4個，則獲得信號特征x₀、x₁、x₂和x₃。隨后，將信號特征x₀代入深度神經(jīng)網(wǎng)絡(luò)模型中，獲得概率p₀₀、p₀₁和p₀₂，將信號特征x₁代入深度神經(jīng)網(wǎng)絡(luò)模型中，獲得概率p₁₀、p₁₁和p₁₂，將信號特征x₂代入深度神經(jīng)網(wǎng)絡(luò)模型中，獲得概率p₂₀、p₂₁和p₂₂，并將信號特征x₃代入深度神經(jīng)網(wǎng)絡(luò)模型中，獲得概率p₃₀、p₃₁和p₃₂，最后，將p₀₀、p₁₀、p₂₀和p₃₀進(jìn)行連乘獲得概率p₀，將p₁₀、p₁₁、p₁₂和p₁₃進(jìn)行連乘獲得概率p₁，將p₂₀、p₂₁、p₂₂和p₂₃進(jìn)行連乘獲得概率p₂，并獲得p₀、p₁和p₂中的最大概率，若該最大概率為p₀，則將用戶在該時間段內(nèi)的睡眠狀態(tài)設(shè)置為S₀，若該最大概率為p₁，則將用戶在該時間段內(nèi)的睡眠狀態(tài)設(shè)置為S₁，若該最大概率為p₂，則將用戶在該時間段內(nèi)的睡眠狀態(tài)設(shè)置為S₂。

本實施例通過從同一生物電信號中提取多個信號特征進(jìn)行睡眠狀態(tài)的檢測，從而全面地對生物電信號的特征進(jìn)行分析，因此能夠進(jìn)一步提高對睡眠狀態(tài)進(jìn)行檢測的精確度。

進(jìn)一步地，所述生物電信號根據(jù)信號的生成時間的先后順序劃分為至少兩段子生物電信號，且相鄰的兩段子生物電信號的生成時間部分重疊；所述信號特征與每段所述子生物電信號一一對應(yīng)。

需要說明的是，在對生物電信號進(jìn)行特征提取之前還可以對生物電信號進(jìn)行細(xì)分化，即將生物電信號按生成時間的先后順序劃分為至少兩段子生物電信號。隨后，提取每段子生物電信號的特征，分別對應(yīng)生成一個信號特征。需要進(jìn)一步說明的是，子生物電信號與子生物電信號的生成時間之間有部分重疊。

例如，如圖2所示，為傳感器獲取的一段腦電信號的信號示意圖。將該腦電信號標(biāo)記為O＝[o₀,o₁,o₂,o₃,o₄,o₅,o₆]，其中，o₀、o₁、o₂、o₃、o₄、o₅和o₆為按生成時間的先后順序排列的每一時刻的腦電信號。在提取該腦電信號O的特征之前，將該腦電信號劃分為3個子腦電信號，分別為O₀＝[o₀,o₁,o₂]、O₁＝[o₂,o₃,o₄]和O₂＝[o₄,o₅,o₆]，隨后，分別提取子腦電信號O₀、O₁和O₂的特征，從而分別對應(yīng)生成信號特征x₀、x₁和x₂。

由于子生物電信號與子生物電信號的生成時間有部分重疊，能夠提高特征提取的準(zhǔn)確度，進(jìn)而進(jìn)一步提高對睡眠狀態(tài)進(jìn)行檢測的精確度。此外，需要說明的是，相鄰的子生物電信號的重疊時間可以相等，也可以不等，本發(fā)明不做具體限定。

進(jìn)一步地，在所述根據(jù)所述至少一個信號特征和為各個睡眠狀態(tài)預(yù)先配置的深度神經(jīng)網(wǎng)絡(luò)模型，獲得所述深度神經(jīng)網(wǎng)絡(luò)模型所對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層中的各個結(jié)點的結(jié)點值，并根據(jù)所有所述結(jié)點值，獲得所述用戶在所述預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)分別為所述各個睡眠狀態(tài)的概率之前，還包括：

獲取與各個睡眠狀態(tài)S_i分別相對應(yīng)的訓(xùn)練生物電信號；

從每個所述睡眠狀態(tài)S_i所對應(yīng)的所述訓(xùn)練生物電信號中提取至少一個訓(xùn)練信號特征；其中，所述訓(xùn)練信號特征與所述信號特征相同；每個所述訓(xùn)練信號特征由至少一個特征數(shù)據(jù)組成；

將所有所述訓(xùn)練信號特征代入深度神經(jīng)網(wǎng)絡(luò)模型中，并通過對所述深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反向計算，獲得所述深度神經(jīng)網(wǎng)絡(luò)中的第0層級至第4層級中的各個結(jié)點的結(jié)點值所對應(yīng)的結(jié)點權(quán)重和第1層級至第5層級中的各個結(jié)點的結(jié)點值所對應(yīng)的結(jié)點偏置項。

需要說明的是，在采用深度神經(jīng)網(wǎng)絡(luò)模型計算用戶在某一時間段內(nèi)的睡眠狀態(tài)分別為各個睡眠狀態(tài)的概率之前，需要訓(xùn)練出該深度神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)，即該深度神經(jīng)網(wǎng)絡(luò)模型所對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的第0層級至第4層級中的各個結(jié)點的結(jié)點值所對應(yīng)的結(jié)點權(quán)重和第1層級至第5層級中的各個結(jié)點的結(jié)點值所對應(yīng)的結(jié)點偏置項。在對深度神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)進(jìn)行訓(xùn)練時，首先通過傳感器采集與各個睡眠狀態(tài)S_i分別相對應(yīng)的訓(xùn)練生物電信號，并從每個睡眠狀態(tài)S_i所對應(yīng)的訓(xùn)練生物電信號中提取至少一個訓(xùn)練信號特征。每個訓(xùn)練信號特征由至少一個特征數(shù)據(jù)組成。隨后，將深度神經(jīng)網(wǎng)絡(luò)中的輸入層(第0層級)中的各個結(jié)點的結(jié)點值分別對應(yīng)設(shè)置為所有獲得的訓(xùn)練信號特征中的各個特征數(shù)據(jù)，即將所有訓(xùn)練信號特征代入到深度神經(jīng)網(wǎng)絡(luò)模型中。最后，通過對代入訓(xùn)練信號特征后的深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反向計算，獲得深度神經(jīng)網(wǎng)絡(luò)中的第0層級至第4層級中的各個結(jié)點的結(jié)點值所對應(yīng)的結(jié)點權(quán)重和第1層級至第5層級中的各個結(jié)點的結(jié)點值所對應(yīng)的結(jié)點偏置項。需要進(jìn)一步說明的是，在該模型訓(xùn)練階段中所提取的訓(xùn)練信號特征中的特征數(shù)據(jù)的類型必須與在狀態(tài)檢測階段中所提取的信號特征中的特征數(shù)據(jù)的類型相一致。對深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反向計算的過程可以通過采用反向誤差傳播技術(shù)實現(xiàn)。

本發(fā)明實施例提供的睡眠狀態(tài)檢測方法，通過采用深度神經(jīng)網(wǎng)絡(luò)模型表征各個睡眠狀態(tài)，即采用深度神經(jīng)網(wǎng)絡(luò)模型擬合現(xiàn)實中的較為復(fù)雜的數(shù)據(jù)分布情況，因此與現(xiàn)實情況的擬合度高，能夠提高對睡眠狀態(tài)進(jìn)行檢測的精確度。通過從同一生物電信號中提取多個信號特征進(jìn)行睡眠狀態(tài)的檢測，從而全面地對生物電信號的特征進(jìn)行分析，因此能夠進(jìn)一步提高對睡眠狀態(tài)進(jìn)行檢測的精確度。另外，由于子生物電信號與子生物電信號的生成時間有部分重疊，能夠提高特征提取的準(zhǔn)確度，進(jìn)而進(jìn)一步提高對睡眠狀態(tài)進(jìn)行檢測的精確度。

相應(yīng)地，本發(fā)明還提供一種睡眠狀態(tài)檢測裝置，能夠?qū)崿F(xiàn)上述實施例中的睡眠狀態(tài)檢測方法的所有流程。

參見圖3，是本發(fā)明提供的睡眠狀態(tài)檢測裝置的一個實施例的結(jié)構(gòu)示意圖，具體如下：

生物電信號獲取模塊31，用于獲取用戶在睡眠時的在預(yù)設(shè)時間段內(nèi)的生物電信號；

信號特征提取模塊32，用于從所述生物電信號中提取至少一個信號特征；

概率獲得模塊33，用于根據(jù)所述至少一個信號特征和為各個睡眠狀態(tài)預(yù)先配置的深度神經(jīng)網(wǎng)絡(luò)模型，獲得所述深度神經(jīng)網(wǎng)絡(luò)模型所對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層中的各個結(jié)點的結(jié)點值，并根據(jù)所有所述結(jié)點值，獲得所述用戶在所述預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)分別為所述各個睡眠狀態(tài)的概率；以及，

睡眠狀態(tài)確定模塊34，用于獲得所述概率中的最大概率，并將所述用戶在所述預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)確定為所述各個睡眠狀態(tài)中的與所述最大概率所對應(yīng)的睡眠狀態(tài)。

進(jìn)一步地，所述信號特征的數(shù)量為一個；所述信號特征由至少一個特征數(shù)據(jù)組成；

則所述概率獲得模塊33，具體包括：

第一概率獲得單元，用于將所述信號特征x中的各個所述特征數(shù)據(jù)代入預(yù)先配置的深度神經(jīng)網(wǎng)絡(luò)模型中，獲得最終的即為所述用戶在所述預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)分別為各個睡眠狀態(tài)S_i的概率；其中，為與所述深度神經(jīng)網(wǎng)絡(luò)模型相對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的一個層級中的一個結(jié)點的結(jié)點值；L為所述深度神經(jīng)網(wǎng)絡(luò)中的一個層級的層級標(biāo)識；f(·)為非線性函數(shù)；為與結(jié)點值相對應(yīng)的結(jié)點權(quán)重；為與結(jié)點值相對應(yīng)的結(jié)點偏置項。

在另一個優(yōu)選地實施方式中，所述信號特征的數(shù)量為兩個或者兩個以上；每個所述信號特征由至少一個特征數(shù)據(jù)組成；

則所述概率獲得模塊33，具體包括：

后驗概率獲得單元，用于將所述信號特征x_m中的各個所述特征數(shù)據(jù)代入預(yù)先配置的深度神經(jīng)網(wǎng)絡(luò)模型中，獲得最終的即為所述信號特征x_m相對于各個睡眠狀態(tài)S_i的后驗概率p(S_i/x_m)；其中，為與所述深度神經(jīng)網(wǎng)絡(luò)模型相對應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的一個層級中的一個結(jié)點的結(jié)點值；L為所述深度神經(jīng)網(wǎng)絡(luò)中的一個層級的層級標(biāo)識；f(·)為非線性函數(shù)；為與結(jié)點值相對應(yīng)的結(jié)點權(quán)重；為與結(jié)點值相對應(yīng)的結(jié)點偏置項；以及，

第二概率獲得單元，用于將所有后驗概率p(S_i/x_m)以各個睡眠狀態(tài)S_i為單位進(jìn)行合成，獲得所述用戶在所述預(yù)設(shè)時間段內(nèi)的睡眠狀態(tài)為所述各個睡眠狀態(tài)的概率。

進(jìn)一步地，所述生物電信號根據(jù)信號的生成時間的先后順序劃分為至少兩段子生物電信號，且相鄰的兩段子生物電信號的生成時間部分重疊；所述信號特征與每段所述子生物電信號一一對應(yīng)。

進(jìn)一步地，所述睡眠狀態(tài)檢測裝置，還包括：

訓(xùn)練生物電信號獲得模塊，用于獲取與各個睡眠狀態(tài)S_i分別相對應(yīng)的訓(xùn)練生物電信號；

訓(xùn)練信號特征獲得模塊，用于從每個所述睡眠狀態(tài)S_i所對應(yīng)的所述訓(xùn)練生物電信號中提取至少一個訓(xùn)練信號特征；其中，所述訓(xùn)練信號特征與所述信號特征相同；每個所述訓(xùn)練信號特征由至少一個特征數(shù)據(jù)組成；以及，

模型參數(shù)獲得模塊，用于將所有所述訓(xùn)練信號特征代入深度神經(jīng)網(wǎng)絡(luò)模型中，并通過對所述深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反向計算，獲得所述深度神經(jīng)網(wǎng)絡(luò)中的第0層級至第4層級中的各個結(jié)點的結(jié)點值所對應(yīng)的結(jié)點權(quán)重和第1層級至第5層級中的各個結(jié)點的結(jié)點值所對應(yīng)的結(jié)點偏置項。

本發(fā)明實施例提供的睡眠狀態(tài)檢測裝置，通過采用深度神經(jīng)網(wǎng)絡(luò)模型表征各個睡眠狀態(tài)，即采用深度神經(jīng)網(wǎng)絡(luò)模型擬合現(xiàn)實中的較為復(fù)雜的數(shù)據(jù)分布情況，因此與現(xiàn)實情況的擬合度高，能夠提高對睡眠狀態(tài)進(jìn)行檢測的精確度。通過從同一生物電信號中提取多個信號特征進(jìn)行睡眠狀態(tài)的檢測，從而全面地對生物電信號的特征進(jìn)行分析，因此能夠進(jìn)一步提高對睡眠狀態(tài)進(jìn)行檢測的精確度。另外，由于子生物電信號與子生物電信號的生成時間有部分重疊，能夠提高特征提取的準(zhǔn)確度，進(jìn)而進(jìn)一步提高對睡眠狀態(tài)進(jìn)行檢測的精確度。

以上所述是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以作出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也視為本發(fā)明的保護(hù)范圍。