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

背景技術(shù)：

人的睡眠狀態(tài)可以分為覺(jué)醒期、非快速眼動(dòng)睡眠期(又分為1、2、3、4期)、快速眼動(dòng)睡眠期。以醫(yī)療助眠領(lǐng)域?yàn)槔?，通過(guò)檢測(cè)人的睡眠狀態(tài)，并根據(jù)檢測(cè)到的當(dāng)前的睡眠狀態(tài)向其推薦相應(yīng)的助眠音樂(lè)，從而改善或者促進(jìn)人的睡眠質(zhì)量。現(xiàn)有的檢測(cè)人的睡眠狀態(tài)的方法大多通過(guò)檢測(cè)腦電信號(hào)來(lái)實(shí)現(xiàn)的?，F(xiàn)有的基于腦電信號(hào)的睡眠狀態(tài)檢測(cè)的方法是通過(guò)采用時(shí)頻域分析與非線(xiàn)性動(dòng)力學(xué)分析方法提取腦電信號(hào)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(duì)睡眠狀態(tài)進(jìn)行檢測(cè)來(lái)實(shí)現(xiàn)的。由于該睡眠深度模型是一種簡(jiǎn)單的二次多項(xiàng)式模型，因此與現(xiàn)實(shí)情況的擬合度低，容易出現(xiàn)監(jiān)測(cè)結(jié)果不準(zhǔn)確的問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

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

本發(fā)明提供的一種睡眠狀態(tài)檢測(cè)方法，具體包括：

獲取用戶(hù)在睡眠時(shí)的在預(yù)設(shè)時(shí)間段內(nèi)的生物電信號(hào)；

從所述生物電信號(hào)中提取至少一個(gè)信號(hào)特征；

根據(jù)所述至少一個(gè)信號(hào)特征和為各個(gè)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(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值，并根據(jù)所有所述結(jié)點(diǎn)值，獲得所述用戶(hù)在所述預(yù)設(shè)時(shí)間段內(nèi)的睡眠狀態(tài)分別為所述各個(gè)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(hù)在所述預(yù)設(shè)時(shí)間段內(nèi)的睡眠狀態(tài)確定為所述各個(gè)睡眠狀態(tài)中的與所述最大概率所對(duì)應(yīng)的睡眠狀態(tài)。

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

則所述根據(jù)所述至少一個(gè)信號(hào)特征和為各個(gè)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(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值，并根據(jù)所有所述結(jié)點(diǎn)值，獲得所述用戶(hù)在所述預(yù)設(shè)時(shí)間段內(nèi)的睡眠狀態(tài)分別為所述各個(gè)睡眠狀態(tài)的概率，具體包括：

將所述信號(hào)特征x中的各個(gè)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(hù)在所述預(yù)設(shè)時(shí)間段內(nèi)的睡眠狀態(tài)分別為各個(gè)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(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)層級(jí)中的一個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值；L為所述深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)層級(jí)的層級(jí)標(biāo)識(shí)；f(·)為非線(xiàn)性函數(shù)；為與結(jié)點(diǎn)值相對(duì)應(yīng)的結(jié)點(diǎn)權(quán)重；為與結(jié)點(diǎn)值相對(duì)應(yīng)的結(jié)點(diǎn)偏置項(xiàng)。

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

則所述根據(jù)所述至少一個(gè)信號(hào)特征和為各個(gè)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(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值，并根據(jù)所有所述結(jié)點(diǎn)值，獲得所述用戶(hù)在所述預(yù)設(shè)時(shí)間段內(nèi)的睡眠狀態(tài)分別為所述各個(gè)睡眠狀態(tài)的概率，具體包括：

將所述信號(hào)特征x_m中的各個(gè)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(hào)特征x_m相對(duì)于各個(gè)睡眠狀態(tài)S_i的后驗(yàn)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(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)層級(jí)中的一個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值；L為所述深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)層級(jí)的層級(jí)標(biāo)識(shí)；f(·)為非線(xiàn)性函數(shù)；為與結(jié)點(diǎn)值相對(duì)應(yīng)的結(jié)點(diǎn)權(quán)重；為與結(jié)點(diǎn)值相對(duì)應(yīng)的結(jié)點(diǎn)偏置項(xiàng)；

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

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

進(jìn)一步地，在所述根據(jù)所述至少一個(gè)信號(hào)特征和為各個(gè)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(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值，并根據(jù)所有所述結(jié)點(diǎn)值，獲得所述用戶(hù)在所述預(yù)設(shè)時(shí)間段內(nèi)的睡眠狀態(tài)分別為所述各個(gè)睡眠狀態(tài)的概率之前，還包括：

獲取與各個(gè)睡眠狀態(tài)S_i分別相對(duì)應(yīng)的訓(xùn)練生物電信號(hào)；

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

將所有所述訓(xùn)練信號(hào)特征代入深度神經(jīng)網(wǎng)絡(luò)模型中，并通過(guò)對(duì)所述深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反向計(jì)算，獲得所述深度神經(jīng)網(wǎng)絡(luò)中的第0層級(jí)至第4層級(jí)中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值所對(duì)應(yīng)的結(jié)點(diǎn)權(quán)重和第1層級(jí)至第5層級(jí)中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值所對(duì)應(yīng)的結(jié)點(diǎn)偏置項(xiàng)。

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

生物電信號(hào)獲取模塊，用于獲取用戶(hù)在睡眠時(shí)的在預(yù)設(shè)時(shí)間段內(nèi)的生物電信號(hào)；

信號(hào)特征提取模塊，用于從所述生物電信號(hào)中提取至少一個(gè)信號(hào)特征；

概率獲得模塊，用于根據(jù)所述至少一個(gè)信號(hào)特征和為各個(gè)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(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值，并根據(jù)所有所述結(jié)點(diǎn)值，獲得所述用戶(hù)在所述預(yù)設(shè)時(shí)間段內(nèi)的睡眠狀態(tài)分別為所述各個(gè)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(hù)在所述預(yù)設(shè)時(shí)間段內(nèi)的睡眠狀態(tài)確定為所述各個(gè)睡眠狀態(tài)中的與所述最大概率所對(duì)應(yīng)的睡眠狀態(tài)。

進(jìn)一步地，所述信號(hào)特征的數(shù)量為一個(gè)；所述信號(hào)特征由至少一個(gè)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(hào)特征x中的各個(gè)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(hù)在所述預(yù)設(shè)時(shí)間段內(nèi)的睡眠狀態(tài)分別為各個(gè)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(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)層級(jí)中的一個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值；L為所述深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)層級(jí)的層級(jí)標(biāo)識(shí)；f(·)為非線(xiàn)性函數(shù)；為與結(jié)點(diǎn)值相對(duì)應(yīng)的結(jié)點(diǎn)權(quán)重；為與結(jié)點(diǎn)值相對(duì)應(yīng)的結(jié)點(diǎn)偏置項(xiàng)。

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

則所述概率獲得模塊，具體包括：

后驗(yàn)概率獲得單元，用于將所述信號(hào)特征x_m中的各個(gè)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(hào)特征x_m相對(duì)于各個(gè)睡眠狀態(tài)S_i的后驗(yàn)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(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)層級(jí)中的一個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值；L為所述深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)層級(jí)的層級(jí)標(biāo)識(shí)；f(·)為非線(xiàn)性函數(shù)；為與結(jié)點(diǎn)值相對(duì)應(yīng)的結(jié)點(diǎn)權(quán)重；為與結(jié)點(diǎn)值相對(duì)應(yīng)的結(jié)點(diǎn)偏置項(xiàng)；以及，

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

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

進(jìn)一步地，所述睡眠狀態(tài)檢測(cè)裝置，還包括：

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

訓(xùn)練信號(hào)特征獲得模塊，用于從每個(gè)所述睡眠狀態(tài)S_i所對(duì)應(yīng)的所述訓(xùn)練生物電信號(hào)中提取至少一個(gè)訓(xùn)練信號(hào)特征；其中，所述訓(xùn)練信號(hào)特征與所述信號(hào)特征相同；每個(gè)所述訓(xùn)練信號(hào)特征由至少一個(gè)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(hào)特征代入深度神經(jīng)網(wǎng)絡(luò)模型中，并通過(guò)對(duì)所述深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反向計(jì)算，獲得所述深度神經(jīng)網(wǎng)絡(luò)中的第0層級(jí)至第4層級(jí)中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值所對(duì)應(yīng)的結(jié)點(diǎn)權(quán)重和第1層級(jí)至第5層級(jí)中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值所對(duì)應(yīng)的結(jié)點(diǎn)偏置項(xiàng)。

實(shí)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(cè)方法及裝置，通過(guò)采用深度神經(jīng)網(wǎng)絡(luò)模型表征各個(gè)睡眠狀態(tài)，即采用深度神經(jīng)網(wǎng)絡(luò)模型擬合現(xiàn)實(shí)中的較為復(fù)雜的數(shù)據(jù)分布情況，因此與現(xiàn)實(shí)情況的擬合度高，能夠提高對(duì)睡眠狀態(tài)進(jìn)行檢測(cè)的精確度。

附圖說(shuō)明

圖1是本發(fā)明提供的睡眠狀態(tài)檢測(cè)方法的一個(gè)實(shí)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(cè)方法中的傳感器獲取的一段腦電信號(hào)的信號(hào)示意圖；

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

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)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(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

參見(jiàn)圖1，是本發(fā)明提供的睡眠狀態(tài)檢測(cè)方法的一個(gè)實(shí)施例的流程示意圖，包括步驟S11至S14，具體如下：

S11：獲取用戶(hù)在睡眠時(shí)的在預(yù)設(shè)時(shí)間段內(nèi)的生物電信號(hào)；

S12：從所述生物電信號(hào)中提取至少一個(gè)信號(hào)特征；

S13：根據(jù)所述至少一個(gè)信號(hào)特征和為各個(gè)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(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值，并根據(jù)所有所述結(jié)點(diǎn)值，獲得所述用戶(hù)在所述預(yù)設(shè)時(shí)間段內(nèi)的睡眠狀態(tài)分別為所述各個(gè)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(hù)在所述預(yù)設(shè)時(shí)間段內(nèi)的睡眠狀態(tài)確定為所述各個(gè)睡眠狀態(tài)中的與所述最大概率所對(duì)應(yīng)的睡眠狀態(tài)。

需要說(shuō)明的是，本發(fā)明實(shí)施例所采用的對(duì)睡眠狀態(tài)進(jìn)行檢測(cè)的方法主要分為兩個(gè)階段：模型訓(xùn)練階段和狀態(tài)檢測(cè)階段。在采用深度神經(jīng)網(wǎng)絡(luò)模型對(duì)用戶(hù)的睡眠狀態(tài)進(jìn)行檢測(cè)之前，即在模型訓(xùn)練階段，預(yù)先為表征各個(gè)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(hào)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(gè)輸出結(jié)果，分別與各個(gè)睡眠狀態(tài)一一相對(duì)應(yīng)。在對(duì)用戶(hù)的睡眠狀態(tài)進(jìn)行檢測(cè)時(shí)，即在狀態(tài)檢測(cè)階段，在利用傳感器獲取生物電信號(hào)之后，將從該生物電信號(hào)中提取出來(lái)的信號(hào)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(hù)當(dāng)前的睡眠狀態(tài)為各個(gè)睡眠狀態(tài)的概率，若概率越大，則說(shuō)明用戶(hù)當(dāng)前的睡眠狀態(tài)為該概率所對(duì)應(yīng)的睡眠狀態(tài)的可能性越大，因此將用戶(hù)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(duì)應(yīng)的睡眠狀態(tài)。需要進(jìn)一步說(shuō)明的是，生物電信號(hào)可以為腦電信號(hào)、心電信號(hào)或者肌電信號(hào)等。信號(hào)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(gè)或者多個(gè)諸如短時(shí)能量，過(guò)零率，頻譜系數(shù)等的表征信號(hào)的數(shù)據(jù)特征的數(shù)據(jù)。

在一個(gè)優(yōu)選的實(shí)施方式中，在采用深度神經(jīng)網(wǎng)絡(luò)模型對(duì)用戶(hù)的睡眠狀態(tài)進(jìn)行檢測(cè)之前，預(yù)先根據(jù)用于訓(xùn)練模型的訓(xùn)練生物電信號(hào)訓(xùn)練出表征各個(gè)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(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)的輸出層(即第5層級(jí))具有多個(gè)結(jié)點(diǎn)，即該深度神經(jīng)網(wǎng)絡(luò)模型具有多個(gè)輸出結(jié)果，分別與各個(gè)睡眠狀態(tài)一一相對(duì)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(hào)特征所對(duì)應(yīng)的生物電信號(hào)所對(duì)應(yīng)的睡眠狀態(tài)為各個(gè)睡眠狀態(tài)的概率。在對(duì)某一預(yù)設(shè)時(shí)間段內(nèi)的用戶(hù)的睡眠狀態(tài)進(jìn)行檢測(cè)時(shí)，首先通過(guò)傳感器獲取用戶(hù)在該預(yù)設(shè)時(shí)間段內(nèi)的生物電信號(hào)。隨后，從所獲取的生物電信號(hào)中提取至少一個(gè)信號(hào)特征，并將所提取的信號(hào)特征代入訓(xùn)練獲得的深度神經(jīng)網(wǎng)絡(luò)模型中，通過(guò)對(duì)代入信號(hào)特征后的深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行計(jì)算，從而獲得該深度神經(jīng)網(wǎng)絡(luò)模型所對(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值，并根據(jù)這些結(jié)點(diǎn)的結(jié)點(diǎn)值，獲得用戶(hù)在該預(yù)設(shè)時(shí)間段內(nèi)的睡眠狀態(tài)分別為各個(gè)睡眠狀態(tài)的概率。最后，將用戶(hù)在該預(yù)設(shè)時(shí)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(duì)應(yīng)的睡眠狀態(tài)。

例如，人的睡眠狀態(tài)主要分為覺(jué)醒期、非快速眼動(dòng)睡眠期和快速眼動(dòng)睡眠期，將覺(jué)醒期標(biāo)記為S₀，非快速眼動(dòng)睡眠期標(biāo)記為S₁，快速眼動(dòng)睡眠期標(biāo)記為S₂。假設(shè)在本例中通過(guò)檢測(cè)用戶(hù)的腦電信號(hào)對(duì)用戶(hù)的睡眠狀態(tài)進(jìn)行檢測(cè)。在采用深度神經(jīng)網(wǎng)絡(luò)模型對(duì)用戶(hù)的睡眠狀態(tài)進(jìn)行檢測(cè)之前，預(yù)先根據(jù)訓(xùn)練腦電信號(hào)訓(xùn)練出表征各個(gè)睡眠狀態(tài)的深度神經(jīng)網(wǎng)絡(luò)模型。在對(duì)用戶(hù)在某一時(shí)間段內(nèi)的睡眠狀態(tài)進(jìn)行檢測(cè)時(shí)，通過(guò)傳感器采集用戶(hù)在該時(shí)間段內(nèi)的腦電信號(hào)，并提取其中的特征，從而獲得至少一個(gè)信號(hào)特征X。隨后，將信號(hào)特征X代入深度神經(jīng)網(wǎng)絡(luò)模型中，通過(guò)對(duì)代入信號(hào)特征X后的深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行計(jì)算，從而獲得該深度神經(jīng)網(wǎng)絡(luò)模型所對(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層(即第5層級(jí))中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)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(hù)在該時(shí)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(hù)在該時(shí)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(hù)在該時(shí)間段內(nèi)的睡眠狀態(tài)設(shè)置為S₂。

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

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

則所述根據(jù)所述至少一個(gè)信號(hào)特征和為各個(gè)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(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值，并根據(jù)所有所述結(jié)點(diǎn)值，獲得所述用戶(hù)在所述預(yù)設(shè)時(shí)間段內(nèi)的睡眠狀態(tài)分別為所述各個(gè)睡眠狀態(tài)的概率，具體包括：

將所述信號(hào)特征x中的各個(gè)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(hù)在所述預(yù)設(shè)時(shí)間段內(nèi)的睡眠狀態(tài)分別為各個(gè)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(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)層級(jí)中的一個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值；L為所述深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)層級(jí)的層級(jí)標(biāo)識(shí)；f(·)為非線(xiàn)性函數(shù)；為與結(jié)點(diǎn)值相對(duì)應(yīng)的結(jié)點(diǎn)權(quán)重；為與結(jié)點(diǎn)值相對(duì)應(yīng)的結(jié)點(diǎn)偏置項(xiàng)。

需要說(shuō)明的是，當(dāng)從生物電信號(hào)中提取的信號(hào)特征為一個(gè)時(shí)，則將該信號(hào)特征x代入訓(xùn)練獲得的表征各個(gè)睡眠狀態(tài)S_i的深度神經(jīng)網(wǎng)絡(luò)模型中，并通過(guò)對(duì)代入信號(hào)特征x后的深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行前向計(jì)算，獲得最終的從而獲得該信號(hào)特征x相對(duì)于各個(gè)睡眠狀態(tài)S_i的后驗(yàn)概率p(S_i/x)，該后驗(yàn)概率p(S_i/x)即為該用戶(hù)在當(dāng)前時(shí)間段內(nèi)的睡眠狀態(tài)分別為各個(gè)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(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)層級(jí)中的一個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值，通過(guò)對(duì)該深度神經(jīng)網(wǎng)絡(luò)中的上一層級(jí)中的所有結(jié)點(diǎn)進(jìn)行加權(quán)求和并根據(jù)本層級(jí)所對(duì)應(yīng)的非線(xiàn)性函數(shù)計(jì)算獲得。該深度神經(jīng)網(wǎng)絡(luò)共有6個(gè)層級(jí)，其中，第0層級(jí)為輸入層，第1層級(jí)至第4層級(jí)為隱含層，第5層級(jí)為輸出層。的初始值設(shè)置為信號(hào)特征，即深度神經(jīng)網(wǎng)絡(luò)中的輸入層(第0層級(jí))中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值分別對(duì)應(yīng)設(shè)置為信號(hào)特征中的各個(gè)特征數(shù)據(jù)。L為深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)層級(jí)的層級(jí)標(biāo)識(shí)。f(·)為非線(xiàn)性函數(shù)，當(dāng)0≤L≤3時(shí)，當(dāng)L＝4時(shí)，為與結(jié)點(diǎn)值相對(duì)應(yīng)的的結(jié)點(diǎn)權(quán)重，通過(guò)對(duì)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反向計(jì)算獲得。為與結(jié)點(diǎn)值相對(duì)應(yīng)的結(jié)點(diǎn)偏置項(xiàng)，通過(guò)對(duì)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反向計(jì)算獲得。

例如，人的睡眠狀態(tài)主要分為覺(jué)醒期、非快速眼動(dòng)睡眠期和快速眼動(dòng)睡眠期，將覺(jué)醒期標(biāo)記為S₀，非快速眼動(dòng)睡眠期標(biāo)記為S₁，快速眼動(dòng)睡眠期標(biāo)記為S₂。假設(shè)在本例中通過(guò)檢測(cè)用戶(hù)的腦電信號(hào)對(duì)用戶(hù)的睡眠狀態(tài)進(jìn)行檢測(cè)。在采用深度神經(jīng)網(wǎng)絡(luò)模型對(duì)用戶(hù)的睡眠狀態(tài)進(jìn)行檢測(cè)之前，預(yù)先根據(jù)訓(xùn)練腦電信號(hào)訓(xùn)練出表征各個(gè)睡眠狀態(tài)的深度神經(jīng)網(wǎng)絡(luò)模型。在對(duì)用戶(hù)在某一時(shí)間段內(nèi)的睡眠狀態(tài)進(jìn)行檢測(cè)時(shí)，通過(guò)傳感器采集用戶(hù)在該時(shí)間段內(nèi)的腦電信號(hào)，并提取其中的特征，若所提取的信號(hào)特征的數(shù)量為1個(gè)，則獲得信號(hào)特征x。隨后，將該信號(hào)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(hù)在該時(shí)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(hù)在該時(shí)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(hù)在該時(shí)間段內(nèi)的睡眠狀態(tài)設(shè)置為S₂。

在另一個(gè)優(yōu)選地實(shí)施方式中，所述信號(hào)特征的數(shù)量為兩個(gè)或者兩個(gè)以上；每個(gè)所述信號(hào)特征由至少一個(gè)特征數(shù)據(jù)組成；

則所述根據(jù)所述至少一個(gè)信號(hào)特征和為各個(gè)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(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值，并根據(jù)所有所述結(jié)點(diǎn)值，獲得所述用戶(hù)在所述預(yù)設(shè)時(shí)間段內(nèi)的睡眠狀態(tài)分別為所述各個(gè)睡眠狀態(tài)的概率，具體包括：

將所述信號(hào)特征x_m中的各個(gè)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(hào)特征x_m相對(duì)于各個(gè)睡眠狀態(tài)S_i的后驗(yàn)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(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)層級(jí)中的一個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值；L為所述深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)層級(jí)的層級(jí)標(biāo)識(shí)；f(·)為非線(xiàn)性函數(shù)；為與結(jié)點(diǎn)值相對(duì)應(yīng)的結(jié)點(diǎn)權(quán)重；為與結(jié)點(diǎn)值相對(duì)應(yīng)的結(jié)點(diǎn)偏置項(xiàng)；

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

需要說(shuō)明的是，當(dāng)從生物電信號(hào)中提取的信號(hào)特征為兩個(gè)或者兩個(gè)以上時(shí)，則將每個(gè)信號(hào)特征x_m依次代入訓(xùn)練獲得的表征各個(gè)睡眠狀態(tài)S_i的深度神經(jīng)網(wǎng)絡(luò)模型中，并通過(guò)對(duì)代入信號(hào)特征x_m后的深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行前向計(jì)算，獲得最終的從而獲得每個(gè)信號(hào)特征x_m相對(duì)于各個(gè)睡眠狀態(tài)S_i的后驗(yàn)概率p(S_i/x_m)。其中，為與深度神經(jīng)網(wǎng)絡(luò)模型相對(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)層級(jí)中的一個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值，通過(guò)對(duì)該深度神經(jīng)網(wǎng)絡(luò)中的上一層級(jí)中的所有結(jié)點(diǎn)進(jìn)行加權(quán)求和并根據(jù)本層級(jí)所對(duì)應(yīng)的非線(xiàn)性函數(shù)計(jì)算獲得。該深度神經(jīng)網(wǎng)絡(luò)共有6個(gè)層級(jí)，其中，第0層級(jí)為輸入層，第1層級(jí)至第4層級(jí)為隱含層，第5層級(jí)為輸出層。的初始值設(shè)置為信號(hào)特征，即深度神經(jīng)網(wǎng)絡(luò)中的輸入層(第0層級(jí))中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值分別對(duì)應(yīng)設(shè)置為信號(hào)特征中的各個(gè)特征數(shù)據(jù)。L為深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)層級(jí)的層級(jí)標(biāo)識(shí)。f(·)為非線(xiàn)性函數(shù)，當(dāng)0≤L≤3時(shí)，當(dāng)L＝4時(shí)，為與結(jié)點(diǎn)值相對(duì)應(yīng)的的結(jié)點(diǎn)權(quán)重，通過(guò)對(duì)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反向計(jì)算獲得。為與結(jié)點(diǎn)值相對(duì)應(yīng)的結(jié)點(diǎn)偏置項(xiàng)，通過(guò)對(duì)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反向計(jì)算獲得。

隨后，將所獲得的后驗(yàn)概率p(S_i/x_m)以各個(gè)睡眠狀態(tài)S_i為單位進(jìn)行合成，從而獲得用戶(hù)在當(dāng)前時(shí)間段內(nèi)的睡眠狀態(tài)分別為各個(gè)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(jué)醒期、非快速眼動(dòng)睡眠期和快速眼動(dòng)睡眠期，將覺(jué)醒期標(biāo)記為S₀，非快速眼動(dòng)睡眠期標(biāo)記為S₁，快速眼動(dòng)睡眠期標(biāo)記為S₂。假設(shè)在本例中通過(guò)檢測(cè)用戶(hù)的腦電信號(hào)對(duì)用戶(hù)的睡眠狀態(tài)進(jìn)行檢測(cè)。在采用深度神經(jīng)網(wǎng)絡(luò)模型對(duì)用戶(hù)的睡眠狀態(tài)進(jìn)行檢測(cè)之前，預(yù)先根據(jù)訓(xùn)練腦電信號(hào)訓(xùn)練出表征各個(gè)睡眠狀態(tài)的深度神經(jīng)網(wǎng)絡(luò)模型。在對(duì)用戶(hù)在某一時(shí)間段內(nèi)的睡眠狀態(tài)進(jìn)行檢測(cè)時(shí)，通過(guò)傳感器采集用戶(hù)在該時(shí)間段內(nèi)的腦電信號(hào)，并提取其中的特征，若所提取的信號(hào)特征的數(shù)量為4個(gè)，則獲得信號(hào)特征x₀、x₁、x₂和x₃。隨后，將信號(hào)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(hào)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(hào)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(hào)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(hù)在該時(shí)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(hù)在該時(shí)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(hù)在該時(shí)間段內(nèi)的睡眠狀態(tài)設(shè)置為S₂。

本實(shí)施例通過(guò)從同一生物電信號(hào)中提取多個(gè)信號(hào)特征進(jìn)行睡眠狀態(tài)的檢測(cè)，從而全面地對(duì)生物電信號(hào)的特征進(jìn)行分析，因此能夠進(jìn)一步提高對(duì)睡眠狀態(tài)進(jìn)行檢測(cè)的精確度。

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

需要說(shuō)明的是，在對(duì)生物電信號(hào)進(jìn)行特征提取之前還可以對(duì)生物電信號(hào)進(jìn)行細(xì)分化，即將生物電信號(hào)按生成時(shí)間的先后順序劃分為至少兩段子生物電信號(hào)。隨后，提取每段子生物電信號(hào)的特征，分別對(duì)應(yīng)生成一個(gè)信號(hào)特征。需要進(jìn)一步說(shuō)明的是，子生物電信號(hào)與子生物電信號(hào)的生成時(shí)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(hào)的信號(hào)示意圖。將該腦電信號(hào)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(shí)間的先后順序排列的每一時(shí)刻的腦電信號(hào)。在提取該腦電信號(hào)O的特征之前，將該腦電信號(hào)劃分為3個(gè)子腦電信號(hào)，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(hào)O₀、O₁和O₂的特征，從而分別對(duì)應(yīng)生成信號(hào)特征x₀、x₁和x₂。

由于子生物電信號(hào)與子生物電信號(hào)的生成時(shí)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(duì)睡眠狀態(tài)進(jìn)行檢測(cè)的精確度。此外，需要說(shuō)明的是，相鄰的子生物電信號(hào)的重疊時(shí)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(gè)信號(hào)特征和為各個(gè)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(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值，并根據(jù)所有所述結(jié)點(diǎn)值，獲得所述用戶(hù)在所述預(yù)設(shè)時(shí)間段內(nèi)的睡眠狀態(tài)分別為所述各個(gè)睡眠狀態(tài)的概率之前，還包括：

獲取與各個(gè)睡眠狀態(tài)S_i分別相對(duì)應(yīng)的訓(xùn)練生物電信號(hào)；

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

將所有所述訓(xùn)練信號(hào)特征代入深度神經(jīng)網(wǎng)絡(luò)模型中，并通過(guò)對(duì)所述深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反向計(jì)算，獲得所述深度神經(jīng)網(wǎng)絡(luò)中的第0層級(jí)至第4層級(jí)中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值所對(duì)應(yīng)的結(jié)點(diǎn)權(quán)重和第1層級(jí)至第5層級(jí)中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值所對(duì)應(yīng)的結(jié)點(diǎn)偏置項(xiàng)。

需要說(shuō)明的是，在采用深度神經(jīng)網(wǎng)絡(luò)模型計(jì)算用戶(hù)在某一時(shí)間段內(nèi)的睡眠狀態(tài)分別為各個(gè)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(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的第0層級(jí)至第4層級(jí)中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值所對(duì)應(yīng)的結(jié)點(diǎn)權(quán)重和第1層級(jí)至第5層級(jí)中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值所對(duì)應(yīng)的結(jié)點(diǎn)偏置項(xiàng)。在對(duì)深度神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)進(jìn)行訓(xùn)練時(shí)，首先通過(guò)傳感器采集與各個(gè)睡眠狀態(tài)S_i分別相對(duì)應(yīng)的訓(xùn)練生物電信號(hào)，并從每個(gè)睡眠狀態(tài)S_i所對(duì)應(yīng)的訓(xùn)練生物電信號(hào)中提取至少一個(gè)訓(xùn)練信號(hào)特征。每個(gè)訓(xùn)練信號(hào)特征由至少一個(gè)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(jí))中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值分別對(duì)應(yīng)設(shè)置為所有獲得的訓(xùn)練信號(hào)特征中的各個(gè)特征數(shù)據(jù)，即將所有訓(xùn)練信號(hào)特征代入到深度神經(jīng)網(wǎng)絡(luò)模型中。最后，通過(guò)對(duì)代入訓(xùn)練信號(hào)特征后的深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反向計(jì)算，獲得深度神經(jīng)網(wǎng)絡(luò)中的第0層級(jí)至第4層級(jí)中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值所對(duì)應(yīng)的結(jié)點(diǎn)權(quán)重和第1層級(jí)至第5層級(jí)中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值所對(duì)應(yīng)的結(jié)點(diǎn)偏置項(xiàng)。需要進(jìn)一步說(shuō)明的是，在該模型訓(xùn)練階段中所提取的訓(xùn)練信號(hào)特征中的特征數(shù)據(jù)的類(lèi)型必須與在狀態(tài)檢測(cè)階段中所提取的信號(hào)特征中的特征數(shù)據(jù)的類(lèi)型相一致。對(duì)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反向計(jì)算的過(guò)程可以通過(guò)采用反向誤差傳播技術(shù)實(shí)現(xiàn)。

本發(fā)明實(shí)施例提供的睡眠狀態(tài)檢測(cè)方法，通過(guò)采用深度神經(jīng)網(wǎng)絡(luò)模型表征各個(gè)睡眠狀態(tài)，即采用深度神經(jīng)網(wǎng)絡(luò)模型擬合現(xiàn)實(shí)中的較為復(fù)雜的數(shù)據(jù)分布情況，因此與現(xiàn)實(shí)情況的擬合度高，能夠提高對(duì)睡眠狀態(tài)進(jìn)行檢測(cè)的精確度。通過(guò)從同一生物電信號(hào)中提取多個(gè)信號(hào)特征進(jìn)行睡眠狀態(tài)的檢測(cè)，從而全面地對(duì)生物電信號(hào)的特征進(jìn)行分析，因此能夠進(jìn)一步提高對(duì)睡眠狀態(tài)進(jìn)行檢測(cè)的精確度。另外，由于子生物電信號(hào)與子生物電信號(hào)的生成時(shí)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(duì)睡眠狀態(tài)進(jìn)行檢測(cè)的精確度。

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

參見(jiàn)圖3，是本發(fā)明提供的睡眠狀態(tài)檢測(cè)裝置的一個(gè)實(shí)施例的結(jié)構(gòu)示意圖，具體如下：

生物電信號(hào)獲取模塊31，用于獲取用戶(hù)在睡眠時(shí)的在預(yù)設(shè)時(shí)間段內(nèi)的生物電信號(hào)；

信號(hào)特征提取模塊32，用于從所述生物電信號(hào)中提取至少一個(gè)信號(hào)特征；

概率獲得模塊33，用于根據(jù)所述至少一個(gè)信號(hào)特征和為各個(gè)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(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的輸出層中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值，并根據(jù)所有所述結(jié)點(diǎn)值，獲得所述用戶(hù)在所述預(yù)設(shè)時(shí)間段內(nèi)的睡眠狀態(tài)分別為所述各個(gè)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(hù)在所述預(yù)設(shè)時(shí)間段內(nèi)的睡眠狀態(tài)確定為所述各個(gè)睡眠狀態(tài)中的與所述最大概率所對(duì)應(yīng)的睡眠狀態(tài)。

進(jìn)一步地，所述信號(hào)特征的數(shù)量為一個(gè)；所述信號(hào)特征由至少一個(gè)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(hào)特征x中的各個(gè)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(hù)在所述預(yù)設(shè)時(shí)間段內(nèi)的睡眠狀態(tài)分別為各個(gè)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(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)層級(jí)中的一個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值；L為所述深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)層級(jí)的層級(jí)標(biāo)識(shí)；f(·)為非線(xiàn)性函數(shù)；為與結(jié)點(diǎn)值相對(duì)應(yīng)的結(jié)點(diǎn)權(quán)重；為與結(jié)點(diǎn)值相對(duì)應(yīng)的結(jié)點(diǎn)偏置項(xiàng)。

在另一個(gè)優(yōu)選地實(shí)施方式中，所述信號(hào)特征的數(shù)量為兩個(gè)或者兩個(gè)以上；每個(gè)所述信號(hào)特征由至少一個(gè)特征數(shù)據(jù)組成；

則所述概率獲得模塊33，具體包括：

后驗(yàn)概率獲得單元，用于將所述信號(hào)特征x_m中的各個(gè)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(hào)特征x_m相對(duì)于各個(gè)睡眠狀態(tài)S_i的后驗(yàn)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(duì)應(yīng)的深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)層級(jí)中的一個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值；L為所述深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)層級(jí)的層級(jí)標(biāo)識(shí)；f(·)為非線(xiàn)性函數(shù)；為與結(jié)點(diǎn)值相對(duì)應(yīng)的結(jié)點(diǎn)權(quán)重；為與結(jié)點(diǎn)值相對(duì)應(yīng)的結(jié)點(diǎn)偏置項(xiàng)；以及，

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

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

進(jìn)一步地，所述睡眠狀態(tài)檢測(cè)裝置，還包括：

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

訓(xùn)練信號(hào)特征獲得模塊，用于從每個(gè)所述睡眠狀態(tài)S_i所對(duì)應(yīng)的所述訓(xùn)練生物電信號(hào)中提取至少一個(gè)訓(xùn)練信號(hào)特征；其中，所述訓(xùn)練信號(hào)特征與所述信號(hào)特征相同；每個(gè)所述訓(xùn)練信號(hào)特征由至少一個(gè)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(hào)特征代入深度神經(jīng)網(wǎng)絡(luò)模型中，并通過(guò)對(duì)所述深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反向計(jì)算，獲得所述深度神經(jīng)網(wǎng)絡(luò)中的第0層級(jí)至第4層級(jí)中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值所對(duì)應(yīng)的結(jié)點(diǎn)權(quán)重和第1層級(jí)至第5層級(jí)中的各個(gè)結(jié)點(diǎn)的結(jié)點(diǎn)值所對(duì)應(yīng)的結(jié)點(diǎn)偏置項(xiàng)。

本發(fā)明實(shí)施例提供的睡眠狀態(tài)檢測(cè)裝置，通過(guò)采用深度神經(jīng)網(wǎng)絡(luò)模型表征各個(gè)睡眠狀態(tài)，即采用深度神經(jīng)網(wǎng)絡(luò)模型擬合現(xiàn)實(shí)中的較為復(fù)雜的數(shù)據(jù)分布情況，因此與現(xiàn)實(shí)情況的擬合度高，能夠提高對(duì)睡眠狀態(tài)進(jìn)行檢測(cè)的精確度。通過(guò)從同一生物電信號(hào)中提取多個(gè)信號(hào)特征進(jìn)行睡眠狀態(tài)的檢測(cè)，從而全面地對(duì)生物電信號(hào)的特征進(jìn)行分析，因此能夠進(jìn)一步提高對(duì)睡眠狀態(tài)進(jìn)行檢測(cè)的精確度。另外，由于子生物電信號(hào)與子生物電信號(hào)的生成時(shí)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(duì)睡眠狀態(tài)進(jìn)行檢測(cè)的精確度。

以上所述是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，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(rùn)飾，這些改進(jìn)和潤(rùn)飾也視為本發(fā)明的保護(hù)范圍。