具体实施方式

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。

在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本申请的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。

相关技术中，通常利用用户睡眠状态下的虹膜数据、眼动数据、眼部轮廓数据等对神经网络模型进行训练，从而通过检测虹膜特征，根据人眼位置确定人眼区域及轮廓对用户睡眠状态进行检测；还有通过脑电波信号对睡眠状态进行检测。本申请发明人在研究过程中发现，以上方式得到的检测模型，对同一个用户在连续时段睡眠状态的检测结果存在偏差较大的情况。然而用户在连续时段中睡眠时，上一时刻的睡眠状态与下一时刻的睡眠状态之间是存在关联关系的，不会产生变化较大的突变现象，因此相关技术得到的检测模型的检测结果是不够准确的。

为了解决背景技术中提及的问题，根据本申请实施例的一方面，提供了一种睡眠状态检测方法的实施例，通过前一时刻与当前时刻数据建立的联系，循环训练模型，对比两个模型的状态结果，更新模型，提高睡眠状态检测结果的准确率的同时减少异常值造成的影响。

可选地，在本申请实施例中，上述睡眠状态检测方法可以应用于如图1所示的由终端101和服务器103所构成的硬件环境中。如图1所示，服务器103通过网络与终端101进行连接，可用于为终端或终端上安装的客户端提供服务，可在服务器上或独立于服务器设置数据库105，用于为服务器103提供数据存储服务，上述网络包括但不限于：广域网、城域网或局域网，终端101包括但不限于PC、手机、平板电脑等。

本申请实施例中的一种睡眠状态检测方法可以由服务器103来执行，还可以是由服务器103和终端101共同执行，如图2所示，该方法可以包括以下步骤：

步骤S202，获取目标对象的体动数据，体动数据为从第一时刻至第二时刻对处于睡眠状态的目标对象采集得到的。

本申请实施例中，体动数据为一段时间内连续采样获得的，可以是用户的心率数据、呼吸数据及眼动数据等。如5分钟内用户的心率、呼吸、眼动情况等。开始采集数据的时刻即为上述第一时刻，5分钟后结束数据采集的时刻即为上述第二时刻。

步骤S204，根据体动数据确定目标对象从第一时刻至第二时刻内机体活动的变化关系，并根据变化关系确定目标对象在第二时刻的目标睡眠状态。

本申请实施例中，可以利用睡眠状态检测模型来根据体动数据确定目标对象从第一时刻至第二时刻内机体活动的变化关系，并根据变化关系确定目标对象在第二时刻的目标睡眠状态。

可选地，步骤S204根据体动数据确定目标对象从第一时刻至第二时刻内机体活动的变化关系，并根据变化关系确定目标对象在第二时刻的目标睡眠状态包括以下步骤：

步骤11，提取体动数据的体动特征，体动特征包括目标对象从第一时刻至第二时刻的心率变化量、呼吸变化量及眼动变化量中的至少一种，体动数据包括心率数据、呼吸数据及眼动数据中的至少一种。

本申请实施例中，可以利用第一时刻采集的心率数据、呼吸数据及眼动数据和第二时刻采集的心率数据、呼吸数据及眼动数据计算出从第一时刻至第二时刻期间心率变化量、呼吸变化量及眼动变化量，这些数据的变化量可以作为用户在这期间的体动特征。

本申请实施例中，上述变化量可以是第一时刻至第二时刻整体的变化量，还可以是从第一时刻至第二时刻的连续时间段内每上一时刻和下一时刻之间的变化量。同理，上述平均量可以是第一时刻至第二时刻整体的平均量，还可以是从第一时刻至第二时刻的连续时间段内每上一时刻和下一时刻之间的平均量。

本申请实施例中，还可以将心率平均量、呼吸平均量及眼动平均量等作为上述体动特征。

步骤12，将体动特征输入训练好的睡眠状态检测模型中，并获取睡眠状态检测模型输出的预测睡眠状态，睡眠状态检测模型用于建立目标对象从第一时刻至第二时刻的机体活动的变化关系，并根据变化关系识别目标对象在第二时刻的睡眠状态。

本申请实施例中，通过上述步骤获得的体动特征具有从第一时刻至第二时刻的变化关系，因此将体动特征输入睡眠状态检测模型中，以利用睡眠状态检测模型建立从第一时刻至第二时刻的机体活动的变化关系，睡眠状态检测模型再根据变化关系预测用户在第二时刻的睡眠状态。

步骤13，在预测睡眠状态满足目标条件的情况下，将预测睡眠状态确定为目标睡眠状态。

本申请实施例中，不仅可以通过建立第一时刻和第二时刻之间用户的机体活动变化关系来提升睡眠状态检测模型的检测准确率，还可以采用两种睡眠状态检测模型来共同建立第一时刻和第二时刻之间用户的机体活动变化关系，再对比两个模型的检测结果，不断迭代训练两个模型，以进一步提升睡眠状态的检测准确率。下面对利用两种睡眠状态检测模型来建立第一时刻和第二时刻之间用户的机体活动变化关系，并根据变化关系识别用户在第二时刻的睡眠状态进行说明。

可选地，将体动特征输入训练好的睡眠状态检测模型中，并获取睡眠状态检测模型输出的预测睡眠状态包括以下方式中的至少一种：

第一种，将体动特征输入滑动平均模型，并获取滑动平均模型输出的第一预测睡眠状态，睡眠状态检测模型包括滑动平均模型，滑动平均模型用于利用体动特征计算变化曲线，并根据变化曲线在第二时刻的目标数值确定目标数值对应的第一预测睡眠状态，变化曲线用于表示目标对象的机体活动变化情况，变化关系包括变化曲线表示的关系。

本申请实施例中，可以采用滑动平均模型作为一种睡眠状态检测模型，滑动平均模型可以利用心率变化量、呼吸变化量、眼动变化量、心率平均量、呼吸平均量及眼动平均量等数据绘制变化曲线。也可以对第一时刻至第二时刻的心率数据、呼吸数据及眼动数据等进行加权平均(如5分钟内数据进行加权平均)，滤除噪音数据，得到平滑的滤波曲线，滤波曲线即为上述变化曲线，加权的权值为滑动平均模型在训练过程中学习得到的模型参数。得到变化曲线，即可根据曲线中第二时刻对应的目标数值确定目标数值对应的第一预测睡眠状态。

本申请实施例中，滑动平均模型还可以去除噪音，如风吹过造成的体动、白噪音、电磁干扰等，训练的时候会遇到很多噪音参数，使用滑动平均模型，参数会被抑制，即提高模型的鲁棒性，对恶性参数的抵抗能力增强。

第二种，将体动特征转换为特征向量后输入门控循环单元模型，并获取门控循环单元模型输出的第二预测睡眠状态，睡眠状态检测模型包括门控循环单元模型，门控循环单元模型用于利用特征向量确定更新门将第一时刻的信息带入到第二时刻中的带入量，及重置门将第一时刻的信息写入到第二时刻的候选数据集的写入量，并利用更新门和重置门的计算结果输出第二预测睡眠状态，变化关系包括带入量和写入量表示的关系。

本申请实施例中，可以采用门控循环单元模型(Gated Recurrent Unit，GRU)作为另一种睡眠状态检测模型，门控循环单元模型的更新门能够控制将第一时刻采集的心率、呼吸及眼动数据带入到第二时刻中进行预测的程度，即带入量。第一时刻与第二时刻之间上述数据的变化量越大，则带入量越大，反之，变化量越小，则带入量越小。门控循环单元模型的重置门能够控制将第一时刻采集的心率、呼吸及眼动数据写入到第二时刻的候选数据集中的程度，即写入量。重置门越小，第一时刻采集的心率、呼吸及眼动数据的写入量越少。

本申请实施例中，门控循环单元模型最大的作用就是：将第二时刻与第一时刻建立心率、呼吸及眼动等体动特征的联系，提高检测的准确度。将体动特征转换为特征向量，将特征向量作为门控循环单元模型的输入向量，门控循环单元模型根据输入的特征向量输出预测睡眠状态。

本申请实施例中，门控循环单元模型是长短期记忆网络(Long Short-TermMemory，LSTM)的一个变体，是一种时间循环神经网络，也是为了解决一般的循环神经网络(Recurrent Neural Network，RNN)存在的长期依赖问题而专门设计出来的。门控循环单元模型有两个门，即一个重置门(reset gate)和一个更新门(update gate)。从直观上来说，重置门决定了如何将新的输入信息与前面的记忆相结合，更新门定义了前面记忆保存到当前时间步的量。

下面将对比两个模型的检测结果，以获取更准确的睡眠状态进行说明。

可选地，在预测睡眠状态满足目标条件的情况下，将预测睡眠状态确定为目标睡眠状态包括：

步骤21，确定第一预测睡眠状态和第二预测睡眠状态的相似度；

步骤22，在相似度大于或等于目标阈值的情况下，将第一预测睡眠状态和第二预测睡眠状态中的至少一个确定为目标睡眠状态。

本申请实施例中，可以通过计算第一预测睡眠状态和第二预测睡眠状态的欧氏距离、曼哈顿距离和明氏距离等来表示二者的相似度，从而对比滑动平均模型和门控循环单元模型的检测结果，如果第一预测睡眠状态和第二预测睡眠状态的相似度大于或等于目标阈值，则证明两个模型的预测睡眠状态一致，如：上述第一预测睡眠状态和第二预测睡眠状态都指示用户在深度睡眠的概率均大于0.8，则将深度睡眠确定为目标睡眠状态。

可选地，在相似度小于目标阈值的情况下，该方法还包括：

步骤31，将第一预测睡眠状态作为滑动平均模型的输入，并迭代训练滑动平均模型，将第二预测睡眠状态作为门控循环单元模型的输入，并迭代训练门控循环单元模型；

步骤32，确定每次滑动平均模型输出的新的第一预测睡眠状态和门控循环单元模型输出的新的第二预测睡眠状态的相似度，直至相似度大于或等于目标阈值时，将最后一次得到的第一预测睡眠状态和第二预测睡眠状态中的至少一个确定为目标睡眠状态。

本申请实施例中，若相似度小于目标阈值，说明两个模型中至少有一个识别错误，需要进一步迭代训练，以减小两个模型的输出差距，从而进一步提升睡眠状态的检测准确率。

可选地，利用滑动平均模型进行睡眠状态检测之前，该方法还包括按照如下方式训练滑动平均模型：

步骤41，将携带有噪声的训练数据输入滑动平均模型；

步骤42，在利用当前时刻的数据预测当前时刻的输出之前，将前一时刻的数据的加权平均值输入到滑动平均模型，以利用前一时刻的数据和当前时刻的数据预测当前时刻的输出；

步骤43初始化正则化参数，并调整正则化参数，以对滑动平均模型的输出噪声进行滤波；

步骤44，将使得输出噪声的估计残差与实际噪声方差之间的误差最小化的正则化参数作为滑动平均模型最终的正则化参数。

本申请实施例中，由于滑动平均模型可以去除噪音，如风吹过造成的体动、白噪音、电磁干扰等，训练的时候会遇到很多噪音参数，因此训练滑动平均模型时，可以利用正则项对输入滑动平均模型的噪音进行建模。训练过程中利用最小二乘法对滑动平均模型的预测输出中的输出噪声和实际噪声进行同时估计，将输出噪声的估计残差与实际噪声方差之间的误差最小化时所对应的正则化参数作为滑动平均模型最终的正则化参数。上述正则化参数用于抑制输出噪音的强度，输出噪声的估计残差与实际噪声方差之间的误差最小化时，滑动平均模型抑制噪声的能力最强。

可选地，利用门控循环单元模型进行睡眠状态检测之前，该方法还包括按照如下方式训练门控循环单元模型：

步骤51，将门控循环单元模型内各网络层中的参数进行初始化；

步骤52，通过训练数据对门控循环单元模型进行训练；

步骤53，在门控循环单元模型对测试数据的识别准确度达到设定阈值的情况下，停止训练，得到训练好的门控循环单元模型；

步骤54，在门控循环单元模型对测试数据的识别准确度未达到设定阈值的情况下，继续使用训练数据对门控循环单元模型进行训练，以调整门控循环单元模型内各网络层中的参数的数值，直至门控循环单元模型对测试数据的识别准确度达到设定阈值。

本申请实施例中，可以获取大量用户的体动数据作为训练样本，每个训练样本中包括用户在不同睡眠时段的心率、呼吸及眼动等体动数据，还包括用户在各个睡眠时段的实际睡眠状态标签，如深度睡眠、浅度睡眠、入睡等。利用多个训练样本初始化门控循环单元模型内各网络层中的参数，再进一步训练门控循环单元模型，直至该门控循环单元模型收敛，即门控循环单元模型对测试数据的识别准确度达到设定阈值。

可选地，上述训练该门控循环单元模型，直至该门控循环单元模型收敛还可以包括：

分别将每一个训练样本输入门控循环单元模型，得到睡眠状态的训练预测值；

根据多个训练预测值和对应的训练样本中的实际睡眠状态标签之间的差异确定损失值；

利用多个损失值修正门控循环单元模型，直至门控循环单元模型输出结果的精度达到目标阈值。

根据本申请实施例的又一方面，如图3所示，提供了一种睡眠状态检测装置，包括：

体动数据获取模块301，用于获取目标对象的体动数据，体动数据为从第一时刻至第二时刻对处于睡眠状态的目标对象采集得到的；

睡眠状态确定模块303，用于根据体动数据确定目标对象从第一时刻至第二时刻内机体活动的变化关系，并根据变化关系确定目标对象在第二时刻的目标睡眠状态。

需要说明的是，该实施例中的体动数据获取模块301可以用于执行本申请实施例中的步骤S202，该实施例中的睡眠状态确定模块303可以用于执行本申请实施例中的步骤S204。

此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图1所示的硬件环境中，可以通过软件实现，也可以通过硬件实现。

可选地，该睡眠状态确定模块，还包括：

特征提取单元，用于提取体动数据的体动特征，体动特征包括目标对象从第一时刻至第二时刻的心率变化量、呼吸变化量及眼动变化量中的至少一种，体动数据包括心率数据、呼吸数据及眼动数据中的至少一种；

模型预测单元，用于将体动特征输入训练好的睡眠状态检测模型中，并获取睡眠状态检测模型输出的预测睡眠状态，睡眠状态检测模型用于建立目标对象从第一时刻至第二时刻的机体活动的变化关系，并根据变化关系识别目标对象在第二时刻的睡眠状态；

睡眠状态确定单元，用于在预测睡眠状态满足目标条件的情况下，将预测睡眠状态确定为目标睡眠状态。

可选地，模型预测单元，还包括：

第一模型子单元，用于将体动特征输入滑动平均模型，并获取滑动平均模型输出的第一预测睡眠状态，睡眠状态检测模型包括滑动平均模型，滑动平均模型用于利用体动特征计算变化曲线，并根据变化曲线在第二时刻的目标数值确定目标数值对应的第一预测睡眠状态，变化曲线用于表示目标对象的机体活动变化情况，变化关系包括变化曲线表示的关系；

第二模型子单元，用于将体动特征转换为特征向量后输入门控循环单元模型，并获取门控循环单元模型输出的第二预测睡眠状态，睡眠状态检测模型包括门控循环单元模型，门控循环单元模型用于利用特征向量确定更新门将第一时刻的信息带入到第二时刻中的带入量，及重置门将第一时刻的信息写入到第二时刻的候选数据集的写入量，并利用更新门和重置门的计算结果输出第二预测睡眠状态，变化关系包括带入量和写入量表示的关系。

可选地，该睡眠状态确定单元，还包括：

相似度确定子单元，用于确定第一预测睡眠状态和第二预测睡眠状态的相似度；

第一睡眠状态确定子单元，用于在相似度大于或等于目标阈值的情况下，将第一预测睡眠状态和第二预测睡眠状态中的至少一个确定为目标睡眠状态。

可选地，该睡眠状态确定单元，还包括：

迭代训练子单元，用于将第一预测睡眠状态作为滑动平均模型的输入，并迭代训练滑动平均模型，将第二预测睡眠状态作为门控循环单元模型的输入，并迭代训练门控循环单元模型；

第二睡眠状态确定子单元，用于确定每次滑动平均模型输出的新的第一预测睡眠状态和门控循环单元模型输出的新的第二预测睡眠状态的相似度，直至相似度大于或等于目标阈值时，将最后一次得到的第一预测睡眠状态和第二预测睡眠状态中的至少一个确定为目标睡眠状态。

可选地，该睡眠状体检测装置，还包括第一模型训练模块，用于：

将携带有噪声的训练数据输入滑动平均模型；

在利用当前时刻的数据预测当前时刻的输出之前，将前一时刻的数据的加权平均值输入到滑动平均模型，以利用前一时刻的数据和当前时刻的数据预测当前时刻的输出；

初始化正则化参数，并调整正则化参数，以对滑动平均模型的输出噪声进行滤波；

将使得输出噪声的估计残差与实际噪声方差之间的误差最小化的正则化参数作为滑动平均模型最终的正则化参数。

可选地，该睡眠状体检测装置，还包括第二模型训练模块，用于：

将门控循环单元模型内各网络层中的参数进行初始化；

通过训练数据对门控循环单元模型进行训练；

在门控循环单元模型对测试数据的识别准确度达到设定阈值的情况下，停止训练，得到训练好的门控循环单元模型；

在门控循环单元模型对测试数据的识别准确度未达到设定阈值的情况下，继续使用训练数据对门控循环单元模型进行训练，以调整门控循环单元模型内各网络层中的参数的数值，直至门控循环单元模型对测试数据的识别准确度达到设定阈值。

根据本申请实施例的另一方面，本申请提供了一种电子设备，如图4所示，包括存储器401、处理器403、通信接口405及通信总线407，存储器401中存储有可在处理器403上运行的计算机程序，存储器401、处理器403通过通信接口405和通信总线407进行通信，处理器403执行计算机程序时实现上述方法的步骤。

上述电子设备中的存储器、处理器通过通信总线和通信接口进行通信。所述通信总线可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。

存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，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。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称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。

根据本申请实施例的又一方面还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质。

可选地，在本申请实施例中，计算机可读介质被设置为存储用于所述处理器执行以下步骤的程序代码：

获取目标对象的体动数据，体动数据为从第一时刻至第二时刻对处于睡眠状态的目标对象采集得到的；

根据体动数据确定目标对象从第一时刻至第二时刻内机体活动的变化关系，并根据变化关系确定目标对象在第二时刻的目标睡眠状态。

可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。

本申请实施例在具体实现时，可以参阅上述各个实施例，具有相应的技术效果。

可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits，ASIC)、数字信号处理器(Digital Signal Processing，DSP)、数字信号处理设备(DSP Device，DSPD)、可编程逻辑设备(Programmable LogicDevice，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。

对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。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。

以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。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申请的精神或范围的情况下，在其它实施例中实现。因此，本申请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。