一种睡眠状态分析方法及装置与流程

1.本申请涉及智能家居领域，尤其涉及一种睡眠状态分析方法及装置。


背景技术：

2.随着人工智能和物联网的快速发展，带动了智能家居的广泛应用。与此同时，越来越多的人因为生活和工作节奏加快而存在睡眠障碍的问题。因此，如何利用智能化技术提升睡眠质量成为当前广受关注的研究点。
3.相关技术中的一些睡眠监测设备需要用户贴身佩戴来监测睡眠状态，其带来的身体不适感可能更加影响睡眠。此外，还存在一些智能化的睡眠状态检测系统，可以通过采集用户虹膜特征或者呼吸声音分析睡眠状态，虽然智能且不会影响用户睡眠质量，却因为会收集用户的体征信息，导致存在隐私泄露的风险。
4.针对相关技术中存在的诸多技术问题，目前尚未提供有效的解决方案。


技术实现要素：

5.为了解决通过检测用户体征信息进行睡眠状态检测，导致的隐私泄露的技术问题，本申请提供了一种睡眠状态分析方法及装置。
6.第一方面，本申请实施例提供了一种睡眠状态分析方法，包括：
7.获取通过对目标物体的状态进行检测，得到的检测信号；所述目标物体与待分析用户相互接触；
8.将所述检测信号输入预设的体征分析模型，得到与所述检测信号对应的预测体征信号；
9.将所述预测体征信号输入至预设的睡眠状态分析模型分析得到所述待分析用户的睡眠状态。
10.可选的，如前述的方法，通过对平均教师模型进行训练得到所述体征分析模型；所述平均教师模型包括：学生模型、教师模型及群组归一化编码模块，所述群组归一化编码模块分别与学生模型以及教师模型连接；
11.所述通过对平均教师模型进行训练得到所述体征分析模型，包括：
12.获取所述待分析用户的至少一组信号集合；所述信号集合中包括相同时间段检测得到的历史体征信号片段以及历史检测信号片段；
13.确定所述历史体征信号片段对应的睡眠状态；
14.将所述历史体征信号片段以及所述睡眠状态输入预设的学生模型中，得到分类损失；
15.将所述历史检测信号片段输入所述学生模型中得到第一预测结果，将所述第一预测结果输入群组归一化编码模块，通过所述群组归一化编码模块进行归一化操作后得到第一归一化特征，将所述第一归一化特征输入所述睡眠状态分析模型，得到第一睡眠状态标签；
16.将所述历史检测信号片段输入教师模型中得到第二预测结果，将所述第二预测结果输入群组归一化编码模块，通过所述群组归一化编码模块进行归一化操作后得到第二归一化特征，将所述第二归一化特征输入所述睡眠状态分析模型，得到第二睡眠状态标签；所述教师模型的网络结构与所述学生模型的网络结构一致；
17.通过将所述第一睡眠状态标签拟合第二睡眠状态标签，得到一致性损失；
18.根据所述分类损失与所述一致性损失之和对所述学生模型的权重进行更新，确定所述权重的滑动平均值；
19.通过所述权重的滑动平均值对所述教师模型进行更新，得到训练后教师模型。
20.可选的，如前述的方法，所述群组归一化编码模块包括：依次连接的卷积层、群组归一化层、激活层以及池化层；所述通过所述群组归一化编码模块进行归一化操作，包括：
21.将所述预测结果输入卷积层中，并进行特征融合后，得到第一信号特征；所述预测结果为所述第一预测结果或第二预测结果；
22.将所述第一信号特征输入群组归一化层中进行归一化，得到第二信号特征；
23.将所述第二信号特征输入激活层中进行非线性映射，得到第三信号特征；
24.将所述第三信号特征输入池化层中进行特征筛选，得到归一化特征。
25.可选的，如前述的方法，所述获取所述待分析用户的至少一组信号集合，包括：
26.将所述历史体征信号按照预设周期进行划分，得到至少两个子历史体征信号；
27.将所述历史检测信号按照所述预设周期进行划分，得到至少两个子历史检测信号；
28.对所述子历史体征信号进行傅里叶变换，并得到作为所述历史体征信号片段的第一频域信号；
29.对所述子历史检测信号进行傅里叶变换，并得到作为所述历史检测信号片段的第二频域信号；
30.得到由所述历史体征信号片段以及所述历史检测信号片段构成的所述信号集合。
31.可选的，如前述的方法，所述检测信号为压力信号；所述预测体征信号为呼吸状态信息，所述呼吸状态信息包括呼吸频率和/或呼吸力度。
32.可选的，如前述的方法，在得到与所述检测信号对应的预测体征信号之后，还包括：
33.获取所述待分析用户的至少两个历史体征信号；所述历史体征信号包括至少一种体征类型，以及根据各个所述体征类型的检测值计算得到的体征状态值；
34.通过确定所述历史体征信号与睡眠状态之间的对应关系，确定体征状态值区间与所述睡眠状态类型之间的对应关系；
35.通过确定所述预测体征信号的目标体征状态值所处的体征状态值区间，确定所述待分析用户的睡眠状态。
36.可选的，如前述的方法，在所述目标物体为枕头和/或床垫时，所述获取通过对目标物体的状态进行检测，得到的检测信号，包括：
37.通过设于所述目标物体中的压电传感器，对所述目标物体受到所述待分析用户的压力进行检测，将得到的压力检测信号作为所述检测信号。
38.可选的，如前述的方法，在所述通过对平均教师模型进行训练得到所述体征分析
模型之前，还包括：
39.确定所述待分析用户的身体状况信息；
40.在预设的候选模型库中查询得到与所述身体状况信息匹配的所述平均教师模型；所述候选模型库中包括至少两个候选平均教师模型，每个所述候选平均教师模型对应于唯一的候选身体状况信息。
41.第二方面，本申请实施例提供了一种睡眠状态分析装置，包括：
42.获取模块，用于获取通过对目标物体的状态进行检测，得到的检测信号；所述目标物体与待分析用户相互接触；
43.体征状态转换模块，用于将所述检测信号输入预设的体征分析模型，得到与所述检测信号对应的预测体征信号；
44.睡眠状态确定模块，用于将所述预测体征信号输入至预设的睡眠状态分析模型分析得到所述待分析用户的睡眠状态。
45.第三方面，本申请实施例提供了一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，所述处理器、通信接口和存储器通过通信总线完成相互间的通信；
46.所述存储器，用于存放计算机程序；
47.所述处理器，用于执行所述计算机程序时，实现如前述任一项所述的方法。
48.第四方面，本申请实施例提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序运行时执行如前任一项所述的方法。
49.本申请实施例提供了一种睡眠状态分析方法及装置，其中方法包括：获取通过对目标物体的状态进行检测，得到的检测信号；所述目标物体与待分析用户相互接触；将所述检测信号输入预设的体征分析模型，得到与所述检测信号对应的预测体征信号；将所述预测体征信号输入至预设的睡眠状态分析模型分析得到所述待分析用户的睡眠状态。通过本实施例中的方法，可以通过对目标物体进行检测，通过先将目标物体的检测信号预测为预测体征信号，然后根据预测体征信号分析得到待分析用户的睡眠状态，即可在不获取待分析用户的体征状态信息的情况下，分析得到待分析用户的睡眠状态；因此可以有效保障待分析用户的体征状态等隐私信息的安全性，可以避免数据外泄。
附图说明
50.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
51.为了更清楚地说明本发明实施例或现有技术中的技术方案，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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
52.图1为本申请实施例提供的一种睡眠状态分析方法的流程图；
53.图2为本申请另一实施例提供的一种睡眠状态分析方法的流程图；
54.图3为本申请实施例提供的一种睡眠状态分析装置的框图；
55.图4为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
56.为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
57.在相关技术中，当睡眠监测设备需要用户贴身佩戴来监测睡眠状态，其带来的身体不适感可能更加影响睡眠。此外，还存在一些智能化的睡眠状态检测系统，可以通过采集用户虹膜特征或者呼吸声音分析睡眠状态，虽然智能且不会影响用户睡眠质量，却因为会收集用户的体征信息，导致存在隐私泄露的风险。
58.为了克服上述问题，如图1所示的本申请实施例，本申请提供一种无须佩戴即可监测睡眠状态，且不会导致用户的隐私泄露的睡眠状态分析方法，包括如下所述步骤s1至s3：
59.步骤s1，获取通过对目标物体的状态进行检测，得到的检测信号；目标物体与待分析用户相互接触。
60.具体的，待分析用户，是需要进行睡眠状态(例如：深睡、梦境、鼾动等)分析的用户；目标物体，可以是当待分析用户在睡眠状态时，与待分析用户之间存在接触的物体；并且，检测信号，可以是通过预设的传感器对目标物体的状态进行检测后得到的信号，可选的，该状态可以是受力状态，因此可以是由待分析用户对目标物体进行施力等之后，目标物体所呈现的状态。
61.举例的，当目标物体为枕头、床垫中的至少一个时，则目标物体与待分析用户之间的接触方式是，待分析用户身体的一个或多个部位压在目标物体上。特定的，当目标物体为枕头时，则是待分析用户的头部压在枕头上，检测信号则是枕头受到来自于头部的压力检测信号，当目标物体为床垫时，则是待分析用户的四肢以及身体压在床垫上，检测信号则是床垫受到的来自于四肢以及身体压力检测信号；当目标物体同时包括枕头和床垫时，则检测信号包括枕头受到来自于头部的压力检测信号，床垫受到的来自于四肢以及身体压力检测信号。
62.步骤s2，将检测信号输入预设的体征分析模型，得到与检测信号对应的预测体征信号。
63.具体的，预测体征信号，可以是能够用于预测待分析用户的睡眠状态，并且通过检测信号拟合得到的用于表征用户体征状态(例如：呼吸频率、呼吸力度等等)的信息。
64.体征分析模型，是用于将检测信号转换为待分析用户的体征状态信息的预先训练好的模型。
65.举例的，当检测信号为压力信号时，在将压力信号输入体征分析模型之后，体征分析模型可以对检测信号进行处理，将检测信号预测为能够表征呼吸频率以及呼吸力度的信号。
66.步骤s3，将预测体征信号输入至预设的睡眠状态分析模型分析得到待分析用户的睡眠状态。
67.具体的，睡眠状态分析模型，可以是能够基于预测体征信号预测得到对应的睡眠状态的模型，可选的，睡眠状态分析模型可以是睡眠分期模型，进一步的，可以采用hmm隐马尔可夫模型与反馈神经网络相结合的混合算法对预测体征信号进行分析，以得到待分析用
户的睡眠状态。
68.举例的，当预测体征信号为用于表征呼吸频率以及呼吸力度的频域信号时，可以将频域信号输入至睡眠状态分析模型中，然后由睡眠状态分析模型对频域信号进行预测，判断该频域信号对应的睡眠状态。进而基于上述步骤s1至s3可以基于检测信号预测得到待分析用户的睡眠状态。
69.通过本实施例中的方法，可以通过对目标物体进行检测，通过先将目标物体的检测信号预测为预测体征信号，然后根据预测体征信号分析得到待分析用户的睡眠状态，即可在不获取待分析用户的体征状态信息的情况下，分析得到待分析用户的睡眠状态；因此可以有效保障待分析用户的体征状态等隐私信息的安全性，可以避免数据外泄。
70.如图2所示，在一些实施例中，如前述的方法，还包括步骤p1，通过对平均教师模型进行训练得到体征分析模型；平均教师模型包括：学生模型、教师模型及群组归一化编码模块，群组归一化编码模块分别与学生模型以及教师模型连接；群组归一化编码模块可以包括：依次连接的卷积层、群组归一化层、激活层以及池化层；
71.所述步骤p1，通过对平均教师模型进行训练得到体征分析模型，包括如下所述步骤p11至p18：
72.步骤p11，获取待分析用户的至少一组信号集合；信号集合中包括相同时间段检测得到的历史体征信号片段以及历史检测信号片段。
73.具体的，此处所述的时间段，为在执行步骤s1至s3之前的一历史时间段。进一步的，为了避免一个时间段中同时存在多种睡眠状态，因此，时间段的长度可以根据分析的精度进行选择；并且，可以由待分析用户授权的通过app采集体征信号的时间段，然后分析出待分析用户的睡眠时期。
74.历史体征信号片段，可以是在时间段中，通过对待分析用户在睡眠状态下的呼吸情况进行检测得到的信号；其中一种可选的实现方式中，可以通过智能移动终端上用于采集呼吸信号的app进行采集得到。
75.历史检测信号片段，可以是在时间段中，通过设置于枕头和/或床垫中的压电传感器等前端传感器，对睡眠状态下的待分析用户进行采集得到的信号。
76.每组信号集合中，可以包括在同一时间段检测得到的历史体征信号以及历史检测信号。其中一种可选的实现方式中，可以先检测得到第一时间段(例如：22:00至22:35)中的历史体征信号，以及第二时间段(例如：21:50至22:20)中的历史检测信号；然后通过相同的时间段(例如：22:00至22:02)分别在第一时间段中的历史体征信号以及第二时间段中的历史检测信号中去进行信号截取，以得到对应于相同时间段(即：22:00至22:02)的历史体征信号以及历史检测信号。
77.步骤p12，确定历史体征信号片段对应的睡眠状态。
78.具体的，可以通过将历史体征信号输入睡眠分期模型中进行预测，得到历史体征信号对应的睡眠状态。
79.步骤p13，将历史体征信号片段以及睡眠状态输入预设的学生模型中，得到分类损失。
80.步骤p14，将历史检测信号片段输入学生模型中得到第一预测结果，将第一预测结果输入群组归一化编码模块，通过群组归一化编码模块进行归一化操作后得到第一归一化
特征，将所述第一归一化特征输入睡眠状态分析模型，得到第一睡眠状态标签；
81.步骤p15，将历史检测信号片段输入教师模型中得到第二预测结果，将第二预测结果输入群组归一化编码模块，通过群组归一化编码模块进行归一化操作后得到第二归一化特征，将第二归一化特征输入睡眠状态分析模型，得到第二睡眠状态标签；教师模型的网络结构与学生模型的网络结构一致；
82.步骤p16，通过将第一睡眠状态标签拟合第二睡眠状态标签，得到一致性损失；
83.步骤p17，根据分类损失与一致性损失之和对学生模型的权重进行更新，确定权重的滑动平均值；
84.步骤p18，通过权重的滑动平均值对教师模型进行更新，得到训练后教师模型。
85.具体的，所述步骤p13至p18的其中一种实现方式可以是：
86.先生成一个学生模型，然后将该学生模型进行复制，得到教师模型。
87.1、将有标签数据x1(即：历史体征信号)输入学生模型以及群组归一化编码模块以及睡眠状态分析模型依次相连的网络a，并通过有标签数据x1的对应标签y1(即：睡眠状态)作为监督信号来调整学生模型预测睡眠状态的参数，输出预测标签p1，得到分类损失loss1(y1，p1)。
88.2、将无标签数据x2(即：历史检测信号)输入网络a，输出预测标签p2_s；将无标签数据x2输入教师模型以及群组归一化编码模块以及睡眠状态分析模型相连的网络b，输出预测标签p2_t；由于需要使网络a和网络b的预测标签分布尽量一致，且群组归一化编码模块只是用于进行归一化操作以及睡眠状态分析模型只是用于基于都是因此通过一致性损失使传感器采集的模拟数据尽量去拟合真实数据，得到一致性损失loss2(p2_s，p2_t)。
89.3、根据总loss＝loss1 loss2更新学生网络的权重，再通过计算指数滑动平均值更新教师网络的权重。也就是说，学生模型的网络参数的更新通过损失梯度下降更新参数得到。其中损失函数包括两部分：第一部分是有监督损失函数，其主要是保证与有标签训练数据拟合；第二部分是无监督损失函数，其主要是保证教师模型的预测结果与学生模型的预测结果尽量相似。教师网络的权重更新，是基于学生模型的权重，通过计算指数滑动平均值更新得到。
90.在一些实施例中，如前述的方法，群组归一化编码模块包括：依次连接的卷积层、群组归一化层、激活层以及池化层；前述步骤通过群组归一化编码模块进行特征提取操作，包括如下所述步骤a1至a4：
91.步骤a1，将所述预测结果输入卷积层中，并进行特征融合后，得到第一信号特征；所述预测结果为所述第一预测结果或第二预测结果；
92.具体的，卷积层可以采用瓶颈层(即：1
×
1卷积层)对第一信号特征进行压缩及融合，以得到清除冗余特征的第二信号特征。
93.具体的，由于平均教师模型包括学生模型和教师模型，因此，可以是学生模型或教师模型中的任一个模型对预测结果进行特征提取，进而得到第一信号特征。
94.步骤a2，将所述第一信号特征输入群组归一化层中进行归一化，得到第二信号特征；
95.具体的，在得到第一信号特征之后接着使用群组归一化层(group normalization,gn)将具有相同分布的特征在通道上进行分组，在每个组内计算归一化的
均值和方差，有助于拟合历史检测信号与历史体征信号，进而找到检测信号与体征信号之间的对应关系。
96.步骤a3，将所述第二信号特征输入激活层中进行非线性映射，得到第三信号特征；
97.具体的，可以采用relu激活层，对第二信号特征进行非线性映射，得到第三信号特征。
98.步骤a4，将所述第三信号特征输入池化层中进行特征筛选，得到归一化特征。
99.也就是说，使用池化层对感受域内的第三信号特征进行筛选，提感受域内最具代表性的特征，作为归一化特征并用于分类。
100.在一些实施例中，如前述的方法，步骤p11获取待分析用户的至少一组信号集合，包括如下所述步骤p111至p115：
101.步骤p111，将历史体征信号按照预设周期进行划分，得到至少两个子历史体征信号。
102.具体的，在前述实施例的基础上，由于历史体征信号可以是app对待分析用户在睡眠状态下的呼吸情况进行检测得到的信号，因此，一般情况下是时域波形信号图，用于描述信号在时间轴上随时间的变化。
103.举例的，当历史体征信号的时间段为22:00至24:00，以睡眠分期规则为例，预设周期可以是30秒时，则划分得到的子历史体征信号可以包括240个。
104.步骤p112，将历史检测信号按照预设周期进行划分，得到至少两个子历史检测信号。
105.具体的，在前述实施例的基础上，由于历史检测信号可以是压力信号，由于一般情况下是按照时序进行压力采集的，因此，一般情况下压力信号也为时域波形信号图，用于描述压力在时间轴上随时间的变化。
106.举例的，当历史检测信号的时间段为22:00至24:00，且预设周期为10分钟，则得到的子历史检测信号可以包括12个。
107.进一步的，还可以对历史体征信号以及历史检测信号在相同的起始时间点按照预设周期进行划分，以使划分得到的每个子历史体征信号都有一个相同时间区间内的子历史检测信号。
108.步骤p113，对子历史体征信号进行傅里叶变换，并得到作为历史体征信号片段的第一频域信号。
109.具体的，由于子历史体征信号是时域波形信号，因此，在将其进行傅里叶变换之后，即可得到子历史体征信号的第一频域信号，并将第一频域信号作为历史体征信号片段。
110.步骤p114，对子历史检测信号进行傅里叶变换，并得到作为历史检测信号片段的第二频域信号。
111.具体的，由于子历史检测信号是时域波形信号，因此，在将其进行傅里叶变换之后，即可得到子历史检测信号的第二频域信号，并将第二频域信号作为历史检测信号片段。
112.步骤p115，得到由历史体征信号片段以及历史检测信号片段构成的信号集合。
113.具体的，在得到所有历史体征信号片段以及历史检测信号片段之后，即可确定在相同时间区间内的历史体征信号片段以及历史检测信号片段；进而，后期可以在确定历史体征信号片段以及历史检测信号片段(即：第一频域信号与第二频域信号)之间的映射关系
之后，通过对待分析用户检测得到的检测信号转换为第一频域信号之后，再输入至体征分析模型中，以得到与检测信号对应的预测体征信号。
114.在一些实施例中，如前述的方法，在所述步骤s2得到与检测信号对应的预测体征信号之后，还包括如下所述步骤s4至s6：
115.步骤s4，获取待分析用户的至少两个历史体征信号；历史体征信号包括至少一种体征类型，以及根据各个体征类型的检测值计算得到的体征状态值。
116.具体的，历史体征信号，可以包括多种体征类型(例如：呼吸频率以及呼吸力度)，其中，每个体征类型都有对应的检测值，例如呼吸频率为20次每分钟，呼吸力度由体征信号中的分贝值(即声音大小)和检测信号中的压力值体现。可以使用安静，轻声，大声，超大声来量化；比如鼾声超过60分贝称为鼾症；体征状态值，可以是根据各个体征类型的检测值加权得到，也可以是分别有各个体征类型的检测值构成的集合。
117.步骤s5，通过确定历史体征信号与睡眠状态之间的对应关系，确定体征状态值区间与睡眠状态类型之间的对应关系；
118.具体的，每个体征状态值区间都唯一对应有一个睡眠状态类型。
119.也就是说，通过确定历史体征信号对应的睡眠状态，可以得到体征状态值区间与睡眠状态类型之间的对应关系。
120.举例的，当体征状态值是根据呼吸频率以及呼吸力度进行等权重加权得到的数值(例如：当呼吸频率的数值为20，且呼吸力度对应的数值为60时，得到的体征状态值为20
×
0.5 60
×
0.5＝40)时，且当存在体征状态值分别为40、41、43、45和46的历史体征信息所对应的睡眠状态都为深睡时，可以得到[40,46]对应的体征状态值区间对应的睡眠状态类型为深睡。
[0121]
步骤s6，通过确定预测体征信号的目标体征状态值所处的体征状态值区间，确定待分析用户的睡眠状态。
[0122]
具体的，在得到预测体征信号之后，即可计算得到其对应的目标体征状态值，进而可以确定目标体征状态值所处的体征状态值区间，因而可以根据上述对应关系确定待分析用户的睡眠状态。
[0123]
通过本实施例中的方法，可以快速确定待分析用户所处睡眠状态，以提升使用体验。
[0124]
在一些实施例中，如前述的方法，在所述步骤通过对平均教师模型进行训练得到体征分析模型之前，还包括如下所述步骤b1和b2：
[0125]
步骤b1，确定待分析用户的身体状况信息。
[0126]
具体的，身体状况信息可以包括但不限于：体重、年龄、性别、身体健康状况等信息。
[0127]
并且，身体状态信息，可以是由用户主动上传至实现本实施例方法的装置后得到。
[0128]
步骤b2，在预设的候选模型库中查询得到与身体状况信息匹配的平均教师模型；候选模型库中包括至少两个候选平均教师模型，每个候选平均教师模型对应于唯一的候选身体状况信息。
[0129]
具体的，由于不同的身体状况信息下，检测信号与体征信号之间的对应关系会存在较大差异，举例的，当用户为女性时，一般情况下呼吸频率会高于男性，因此若都基于一
个模型进行训练，会导致需要大量的数据才能够训练得到适用于用户的模型，同时就会导致需要采集用户大量的历史体征信息，导致用户隐私外泄的可能性增高。
[0130]
基于此，可以预先训练得到多个候选平均教师模型，且每个候选平均教师模型都是采用身体状态信息相近的样本数据进行训练得到，因此在对待分析用户进行分析时，并且基于身体状态信息匹配到平均教师模型之后，只需要采用少量的待分析用户的体征数据即可训练得到适用于待分析用户，且具有较高精度的体征分析模型。
[0131]
基于本实施例中的方法，一方面可以快速训练得到具有较高精度的体征分析模型，另一方面可以减少对用户的历史体征信息的采集，进而可以降低用户隐私外泄的可能性。
[0132]
如图3所示，根据本申请另一方面的一个实施例，还提供了一种睡眠状态分析装置，包括：
[0133]
获取模块1，用于获取通过对目标物体的状态进行检测，得到的检测信号；目标物体与待分析用户相互接触；
[0134]
体征状态转换模块2，用于将检测信号输入预设的体征分析模型，得到与检测信号对应的预测体征信号；
[0135]
睡眠状态确定模块3，用于将预测体征信号输入至预设的睡眠状态分析模型分析得到待分析用户的睡眠状态。
[0136]
具体的，本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。
[0137]
根据本申请的另一个实施例，还提供一种电子设备，包括：如图4所示，电子设备可以包括：处理器1501、通信接口1502、存储器1503和通信总线1504，其中，处理器1501，通信接口1502，存储器1503通过通信总线1504完成相互间的通信。
[0138]
存储器1503，用于存放计算机程序；
[0139]
处理器1501，用于执行存储器1503上所存放的程序时，实现上述方法实施例的步骤。
[0140]
上述电子设备提到的总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0141]
通信接口用于上述电子设备与其他设备之间的通信。
[0142]
存储器可以包括随机存取存储器(random access memory，ram)，也可以包括非易失性存储器(non
‑
volatile memory，nvm)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0143]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital si群组归一化alprocessing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0144]
本申请实施例还提供一种存储介质，存储介质包括存储的程序，其中，程序运行时
执行上述方法实施例的方法步骤。
[0145]
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0146]
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种睡眠状态分析方法，其特征在于，包括：获取通过对目标物体的状态进行检测，得到的检测信号；所述目标物体与待分析用户相互接触；将所述检测信号输入预设的体征分析模型，得到与所述检测信号对应的预测体征信号；将所述预测体征信号输入至预设的睡眠状态分析模型分析得到所述待分析用户的睡眠状态。2.根据权利要求1所述的方法，其特征在于，通过对平均教师模型进行训练得到所述体征分析模型；所述平均教师模型包括：学生模型、教师模型及群组归一化编码模块，所述群组归一化编码模块分别与学生模型以及教师模型连接；所述通过对平均教师模型进行训练得到所述体征分析模型，包括：获取所述待分析用户的至少一组信号集合；所述信号集合中包括相同时间段检测得到的历史体征信号片段以及历史检测信号片段；确定所述历史体征信号片段对应的睡眠状态；将所述历史体征信号片段以及所述睡眠状态输入预设的学生模型中，得到分类损失；将所述历史检测信号片段输入所述学生模型中得到第一预测结果，将所述第一预测结果输入群组归一化编码模块，通过所述群组归一化编码模块进行归一化操作后得到第一归一化特征，将所述第一归一化特征输入所述睡眠状态分析模型，得到第一睡眠状态标签；将所述历史检测信号片段输入教师模型中得到第二预测结果，将所述第二预测结果输入群组归一化编码模块，通过所述群组归一化编码模块进行归一化操作后得到第二归一化特征，将所述第二归一化特征输入所述睡眠状态分析模型，得到第二睡眠状态标签；所述教师模型的网络结构与所述学生模型的网络结构一致；通过将所述第一睡眠状态标签拟合第二睡眠状态标签，得到一致性损失；根据所述分类损失与所述一致性损失之和对所述学生模型的权重进行更新，确定所述权重的滑动平均值；通过所述权重的滑动平均值对所述教师模型进行更新，得到训练后教师模型。3.根据权利要求2所述的方法，其特征在于，所述群组归一化编码模块包括：依次连接的卷积层、群组归一化层、激活层以及池化层；所述通过所述群组归一化编码模块进行归一化操作，包括：将预测结果输入卷积层中，并进行特征融合后，得到第一信号特征；所述预测结果为所述第一预测结果或第二预测结果；将所述第一信号特征输入群组归一化层中进行归一化，得到第二信号特征；将所述第二信号特征输入激活层中进行非线性映射，得到第三信号特征；将所述第三信号特征输入池化层中进行特征筛选，得到归一化特征。4.根据权利要求3所述的方法，其特征在于，所述获取所述待分析用户的至少一组信号集合，包括：将所述历史体征信号按照预设周期进行划分，得到至少两个子历史体征信号；将所述历史检测信号按照所述预设周期进行划分，得到至少两个子历史检测信号；对所述子历史体征信号进行傅里叶变换，并得到作为所述历史体征信号片段的第一频
域信号；对所述子历史检测信号进行傅里叶变换，并得到作为所述历史检测信号片段的第二频域信号；得到由所述历史体征信号片段以及所述历史检测信号片段构成的所述信号集合。5.根据权利要求1至4任一项所述的方法，其特征在于，所述检测信号为压力信号；所述预测体征信号为呼吸状态信息，所述呼吸状态信息包括呼吸频率和/或呼吸力度。6.根据权利要求1所述的方法，其特征在于，在得到与所述检测信号对应的预测体征信号之后，还包括：获取所述待分析用户的至少两个历史体征信号；所述历史体征信号包括至少一种体征类型，以及根据各个所述体征类型的检测值计算得到的体征状态值；通过确定所述历史体征信号与睡眠状态之间的对应关系，确定体征状态值区间与所述睡眠状态类型之间的对应关系；通过确定所述预测体征信号的目标体征状态值所处的体征状态值区间，确定所述待分析用户的睡眠状态。7.根据权利要求1所述的方法，其特征在于，在所述目标物体为枕头和/或床垫时，所述获取通过对目标物体的状态进行检测，得到的检测信号，包括：通过设于所述目标物体中的压电传感器，对所述目标物体受到所述待分析用户的压力进行检测，将得到的压力检测信号作为所述检测信号。8.根据权利要求2所述的方法，其特征在于，在所述通过对平均教师模型进行训练得到所述体征分析模型之前，还包括：确定所述待分析用户的身体状况信息；在预设的候选模型库中查询得到与所述身体状况信息匹配的所述平均教师模型；所述候选模型库中包括至少两个候选平均教师模型，每个所述候选平均教师模型对应于唯一的候选身体状况信息。9.一种睡眠状态分析装置，其特征在于，包括：获取模块，用于获取通过对目标物体的状态进行检测，得到的检测信号；所述目标物体与待分析用户相互接触；体征状态转换模块，用于将所述检测信号输入预设的体征分析模型，得到与所述检测信号对应的预测体征信号；睡眠状态确定模块，用于将所述预测体征信号输入至预设的睡眠状态分析模型分析得到所述待分析用户的睡眠状态。10.一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，所述处理器、通信接口和存储器通过通信总线完成相互间的通信；所述存储器，用于存放计算机程序；所述处理器，用于执行所述计算机程序时，实现权利要求1
‑
8任一项所述的方法。11.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时执行上述权利要求1
‑
8中任一项所述的方法。
技术总结
本申请涉及一种睡眠状态分析方法及装置，其中方法包括：获取通过对目标物体的状态进行检测，得到的检测信号；所述目标物体与待分析用户相互接触；将所述检测信号输入预设的体征分析模型，得到与所述检测信号对应的预测体征信号；将所述预测体征信号输入至预设的睡眠状态分析模型分析得到所述待分析用户的睡眠状态。通过本申请中的方法，可以通过对目标物体进行检测，通过先将目标物体的检测信号预测为预测体征信号，然后根据预测体征信号分析得到待分析用户的睡眠状态，即可在不获取待分析用户的体征状态信息的情况下，分析得到待分析用户的睡眠状态；因此可以有效保障待分析用户的体征状态等隐私信息的安全性，可以避免数据外泄。泄。泄。


技术研发人员：李聪 陈翀 林进华
受保护的技术使用者：珠海联云科技有限公司
技术研发日：2021.03.01
技术公布日：2021/6/29