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(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。現(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(shí)現(xiàn)的?，F(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(shí)頻域分析與非線性動(dòng)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(shí)現(xiàn)的。由于該睡眠深度模型是一種簡單的二次多項(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)測結(jié)果不準(zhǔn)確的問題。

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(shí)的在預(yù)設(shè)時(shí)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(gè)信號特征；

根據(jù)所述至少一個(gè)信號特征和為各個(gè)睡眠狀態(tài)分別預(yù)先配置的K_i個(gè)高斯函數(shù)分量，分別計(jì)算獲得各個(gè)高斯函數(shù)分量值，并根據(jù)所有所述高斯函數(shù)分量值，計(jì)算獲得所述用戶在所述預(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；其中，K_i為大于零的整數(shù)；

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(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(gè)；所述信號特征由至少一個(gè)特征數(shù)據(jù)組成；

則所述根據(jù)所述至少一個(gè)信號特征和為各個(gè)睡眠狀態(tài)分別預(yù)先配置的K_i個(gè)高斯函數(shù)分量，分別計(jì)算獲得各個(gè)高斯函數(shù)分量值，并根據(jù)所有所述高斯函數(shù)分量值，計(jì)算獲得所述用戶在所述預(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：

將所述信號特征f依次代入為各個(gè)睡眠狀態(tài)S_i預(yù)先配置的高斯混合模型中，獲得所述信號特征f相對于各個(gè)睡眠狀態(tài)S_i的后驗(yàn)概率p(S_i/f)，即為所述用戶在所述預(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，p(S_i)為睡眠狀態(tài)S_i的先驗(yàn)概率；K_i為與睡眠狀態(tài)S_i相對應(yīng)的高斯函數(shù)分量的個(gè)數(shù)；ω_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的分量權(quán)重；σ_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的協(xié)方差；μ_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的數(shù)學(xué)期望；d為所述信號特征f中的特征數(shù)據(jù)的個(gè)數(shù)。

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

則所述根據(jù)所述至少一個(gè)信號特征和為各個(gè)睡眠狀態(tài)分別預(yù)先配置的K_i個(gè)高斯函數(shù)分量，分別計(jì)算獲得各個(gè)高斯函數(shù)分量值，并根據(jù)所有所述高斯函數(shù)分量值，計(jì)算獲得所述用戶在所述預(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：

將每個(gè)所述信號特征f_j依次代入為各個(gè)睡眠狀態(tài)S_i預(yù)先配置的高斯混合模型中，獲得每個(gè)所述信號特征f_j相對于各個(gè)睡眠狀態(tài)S_i的后驗(yàn)概率p(S_i/f_j)；其中，p(S_i)為睡眠狀態(tài)S_i的先驗(yàn)概率；K_i為與睡眠狀態(tài)S_i相對應(yīng)的高斯函數(shù)分量的個(gè)數(shù)；ω_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的分量權(quán)重；σ_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的協(xié)方差；μ_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的數(shù)學(xué)期望；d為所述信號特征f_j中的特征數(shù)據(jù)的個(gè)數(shù)；

將所有后驗(yàn)概率p(S_i/f_j)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，所述生物電信號根據(jù)信號的生成時(shí)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(shí)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(gè)信號特征和為各個(gè)睡眠狀態(tài)分別預(yù)先配置的K_i個(gè)高斯函數(shù)分量，分別計(jì)算獲得各個(gè)高斯函數(shù)分量值，并根據(jù)所有所述高斯函數(shù)分量值，計(jì)算獲得所述用戶在所述預(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：

根據(jù)預(yù)先設(shè)置的分解算法對每個(gè)睡眠狀態(tài)S_i所對應(yīng)的訓(xùn)練生物電信號所對應(yīng)的至少一個(gè)訓(xùn)練信號特征分別進(jìn)行聚類分解獲得所述與睡眠狀態(tài)S_i相對應(yīng)的高斯函數(shù)分量的個(gè)數(shù)K_i；

所述根據(jù)預(yù)先設(shè)置的分解算法對每個(gè)睡眠狀態(tài)S_i所對應(yīng)的訓(xùn)練生物電信號所對應(yīng)的至少一個(gè)訓(xùn)練信號特征分別進(jìn)行聚類分解獲得所述與睡眠狀態(tài)S_i相對應(yīng)的高斯函數(shù)分量的個(gè)數(shù)K_i，具體包括：

將與睡眠狀態(tài)S_i相對應(yīng)的所述訓(xùn)練信號特征作為與睡眠狀態(tài)S_i相對應(yīng)的數(shù)據(jù)結(jié)構(gòu)中的父節(jié)點(diǎn)；

根據(jù)聚類算法對所述父節(jié)點(diǎn)進(jìn)行聚類分解，獲得第一子節(jié)點(diǎn)和第二子節(jié)點(diǎn)；所述第一子節(jié)點(diǎn)中包括所述訓(xùn)練信號特征中的第一訓(xùn)練信號特征；所述第二子節(jié)點(diǎn)中包括所述訓(xùn)練信號特征中的第二訓(xùn)練信號特征；

分別計(jì)算所述第一子節(jié)點(diǎn)和所述第二子節(jié)點(diǎn)的特征平均值，并計(jì)算獲得所述第一子節(jié)點(diǎn)的特征平均值與所述第二子節(jié)點(diǎn)的特征平均值之間的差值；所述特征平均值為節(jié)點(diǎn)中的所有訓(xùn)練信號特征的平均值；

比較所述差值與預(yù)設(shè)的閾值之間的大小，若所述差值小于所述閾值，則刪除所述第一子節(jié)點(diǎn)和所述第二子節(jié)點(diǎn)并保留所述父節(jié)點(diǎn)，若所述差值大于或者等于所述閾值，則將所述第一子節(jié)點(diǎn)和所述第二父節(jié)點(diǎn)分別作為父節(jié)點(diǎn)并根據(jù)所述聚類算法進(jìn)一步地進(jìn)行所述聚類分解，直至對所述數(shù)據(jù)結(jié)構(gòu)中沒有子節(jié)點(diǎn)的節(jié)點(diǎn)根據(jù)所述聚類算法進(jìn)行所述聚類分解之后所得的第一子節(jié)點(diǎn)和第二子節(jié)點(diǎn)之間的差值均小于所述閾值；

將所述數(shù)據(jù)結(jié)構(gòu)中沒有子節(jié)點(diǎn)的節(jié)點(diǎn)的個(gè)數(shù)作為所述與睡眠狀態(tài)S_i相對應(yīng)的高斯函數(shù)分量的個(gè)數(shù)K_i。

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(shí)的在預(yù)設(shè)時(shí)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(gè)信號特征；

概率獲得模塊，根據(jù)所述至少一個(gè)信號特征和為各個(gè)睡眠狀態(tài)分別預(yù)先配置的K_i個(gè)高斯函數(shù)分量，分別計(jì)算獲得各個(gè)高斯函數(shù)分量值，并根據(jù)所有所述高斯函數(shù)分量值，計(jì)算獲得所述用戶在所述預(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；其中，K_i為大于零的整數(shù)；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(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(gè)；所述信號特征由至少一個(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，用于將所述信號特征f依次代入為各個(gè)睡眠狀態(tài)S_i預(yù)先配置的高斯混合模型中，獲得所述信號特征f相對于各個(gè)睡眠狀態(tài)S_i的后驗(yàn)概率p(S_i/f)，即為所述用戶在所述預(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，p(S_i)為睡眠狀態(tài)S_i的先驗(yàn)概率；K_i為與睡眠狀態(tài)S_i相對應(yīng)的高斯函數(shù)分量的個(gè)數(shù)；ω_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的分量權(quán)重；σ_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的協(xié)方差；μ_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的數(shù)學(xué)期望；d為所述信號特征f中的特征數(shù)據(jù)的個(gè)數(shù)。

進(jìn)一步地，所述信號特征的數(shù)量為兩個(gè)或者兩個(gè)以上；所述信號特征由至少一個(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，用于將每個(gè)所述信號特征f_j依次代入為各個(gè)睡眠狀態(tài)S_i預(yù)先配置的高斯混合模型中，獲得每個(gè)所述信號特征f_j相對于各個(gè)睡眠狀態(tài)S_i的后驗(yàn)概率p(S_i/f_j)；其中，p(S_i)為睡眠狀態(tài)S_i的先驗(yàn)概率；K_i為與睡眠狀態(tài)S_i相對應(yīng)的高斯函數(shù)分量的個(gè)數(shù)；ω_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的分量權(quán)重；σ_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的協(xié)方差；μ_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的數(shù)學(xué)期望；d為所述信號特征f_j中的特征數(shù)據(jù)的個(gè)數(shù)；以及，

第二概率獲得單元，用于將所有后驗(yàn)概率p(S_i/f_j)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，所述生物電信號根據(jù)信號的生成時(shí)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(shí)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：

高斯函數(shù)分量個(gè)數(shù)獲得模塊，用于根據(jù)預(yù)先設(shè)置的分解算法對每個(gè)睡眠狀態(tài)S_i所對應(yīng)的訓(xùn)練生物電信號所對應(yīng)的至少一個(gè)訓(xùn)練信號特征分別進(jìn)行聚類分解獲得所述與睡眠狀態(tài)S_i相對應(yīng)的高斯函數(shù)分量的個(gè)數(shù)K_i；

所述高斯函數(shù)分量個(gè)數(shù)獲得模塊，具體包括：

父節(jié)點(diǎn)設(shè)置單元，用于將與睡眠狀態(tài)S_i相對應(yīng)的所述訓(xùn)練信號特征作為與睡眠狀態(tài)S_i相對應(yīng)的數(shù)據(jù)結(jié)構(gòu)中的父節(jié)點(diǎn)；

聚類分解單元，用于根據(jù)聚類算法對所述父節(jié)點(diǎn)進(jìn)行聚類分解，獲得第一子節(jié)點(diǎn)和第二子節(jié)點(diǎn)；所述第一子節(jié)點(diǎn)中包括所述訓(xùn)練信號特征中的第一訓(xùn)練信號特征；所述第二子節(jié)點(diǎn)中包括所述訓(xùn)練信號特征中的第二訓(xùn)練信號特征；

子節(jié)點(diǎn)差值獲得單元，用于分別計(jì)算所述第一子節(jié)點(diǎn)和所述第二子節(jié)點(diǎn)的特征平均值，并計(jì)算獲得所述第一子節(jié)點(diǎn)的特征平均值與所述第二子節(jié)點(diǎn)的特征平均值之間的差值；所述特征平均值為節(jié)點(diǎn)中的所有訓(xùn)練信號特征的平均值；

判斷循環(huán)單元，用于比較所述差值與預(yù)設(shè)的閾值之間的大小，若所述差值小于所述閾值，則刪除所述第一子節(jié)點(diǎn)和所述第二子節(jié)點(diǎn)并保留所述父節(jié)點(diǎn)，若所述差值大于或者等于所述閾值，則將所述第一子節(jié)點(diǎn)和所述第二父節(jié)點(diǎn)分別作為父節(jié)點(diǎn)并根據(jù)所述聚類算法進(jìn)一步地進(jìn)行所述聚類分解，直至對所述數(shù)據(jù)結(jié)構(gòu)中沒有子節(jié)點(diǎn)的節(jié)點(diǎn)根據(jù)所述聚類算法進(jìn)行所述聚類分解之后所得的第一子節(jié)點(diǎn)和第二子節(jié)點(diǎn)之間的差值均小于所述閾值；以及，

高斯函數(shù)分量個(gè)數(shù)設(shè)置單元，用于將所述數(shù)據(jù)結(jié)構(gòu)中沒有子節(jié)點(diǎn)的節(jié)點(diǎn)的個(gè)數(shù)作為所述與睡眠狀態(tài)S_i相對應(yīng)的高斯函數(shù)分量的個(gè)數(shù)K_i。

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)檢測方法及裝置，通過采用高斯混合模型表征各個(gè)睡眠狀態(tài)，即采用若干個(gè)高斯混合模型擬合現(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(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(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?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(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。

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

S11：獲取用戶在睡眠時(shí)的在預(yù)設(shè)時(shí)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(gè)信號特征；

S13：根據(jù)所述至少一個(gè)信號特征和為各個(gè)睡眠狀態(tài)分別預(yù)先配置的K_i個(gè)高斯函數(shù)分量，分別計(jì)算獲得各個(gè)高斯函數(shù)分量值，并根據(jù)所有所述高斯函數(shù)分量值，計(jì)算獲得所述用戶在所述預(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；其中，K_i為大于零的整數(shù)；

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(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應(yīng)的睡眠狀態(tài)。

需要說明的是，在采用高斯混合模型對用戶的睡眠狀態(tài)進(jìn)行檢測之前，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)練生物電信號訓(xùn)練出與各個(gè)睡眠狀態(tài)分別相對應(yīng)的高斯混合模型。其中，該高斯混合模型由K_i(K_i為大于零的整數(shù))個(gè)高斯函數(shù)分量組成。在對用戶的睡眠狀態(tài)進(jìn)行檢測時(shí)，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)練獲得的與各個(gè)睡眠狀態(tài)分別相對應(yīng)的高斯混合模型中，從而獲得用戶當(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(gè)或者多個(gè)諸如短時(shí)能量，過零率，頻譜系數(shù)等的表征信號特征的數(shù)據(jù)。

在一個(gè)優(yōu)選的實(shí)施方式中，在采用高斯混合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)練出與各個(gè)睡眠狀態(tài)分別相對應(yīng)的K_i個(gè)高斯函數(shù)分量。在對某一預(yù)設(shè)時(shí)間段內(nèi)的用戶的睡眠狀態(tài)進(jìn)行檢測時(shí)，首先通過傳感器獲取用戶在該預(yù)設(shè)時(shí)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(gè)信號特征，并將所提取的信號特征代入訓(xùn)練獲得的與各個(gè)睡眠狀態(tài)相對應(yīng)的K_i個(gè)高斯函數(shù)分量中，從而分別計(jì)算獲得各個(gè)高斯函數(shù)分量值，并根據(jù)所有獲得的高斯函數(shù)分量值，獲得用戶在該預(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(dòng)睡眠期和快速眼動(dòng)睡眠期，將覺醒期標(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。在采用高斯混合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)練出與睡眠狀態(tài)S₀相對應(yīng)的K₀個(gè)高斯函數(shù)分量、與睡眠狀態(tài)S₁相對應(yīng)的K₁個(gè)高斯函數(shù)分量以及與睡眠狀態(tài)S₂相對應(yīng)的K₂個(gè)高斯函數(shù)分量。在對用戶在某一時(shí)間段內(nèi)的睡眠狀態(tài)進(jìn)行檢測時(shí)，通過傳感器采集用戶在該時(shí)間段內(nèi)的腦電信號，并提取其中的特征，獲得至少一個(gè)信號特征F，隨后將信號特征F分別代入與睡眠狀態(tài)S₀相對應(yīng)的K₀個(gè)高斯函數(shù)分量、與睡眠狀態(tài)S₁相對應(yīng)的K₁個(gè)高斯函數(shù)分量以及與睡眠狀態(tài)S₂相對應(yīng)的K₂個(gè)高斯函數(shù)分量中，從而分別計(jì)算獲得K₀個(gè)高斯函數(shù)分量值、K₁個(gè)高斯函數(shù)分量值以及K₂個(gè)高斯函數(shù)分量值，隨后，根據(jù)所獲得的K₀個(gè)高斯函數(shù)分量值、K₁個(gè)高斯函數(shù)分量值以及K₂個(gè)高斯函數(shù)分量值分別對應(yīng)計(jì)算獲得概率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(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)施例通過采用高斯混合模型表征各個(gè)睡眠狀態(tài)，即采用若干個(gè)高斯混合模型擬合現(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(gè)；所述信號特征由至少一個(gè)特征數(shù)據(jù)組成；

則所述根據(jù)所述至少一個(gè)信號特征和為各個(gè)睡眠狀態(tài)分別預(yù)先配置的K_i個(gè)高斯函數(shù)分量，分別計(jì)算獲得各個(gè)高斯函數(shù)分量值，并根據(jù)所有所述高斯函數(shù)分量值，計(jì)算獲得所述用戶在所述預(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：

將所述信號特征f依次代入為各個(gè)睡眠狀態(tài)S_i預(yù)先配置的高斯混合模型中，獲得所述信號特征f相對于各個(gè)睡眠狀態(tài)S_i的后驗(yàn)概率p(S_i/f)，即為所述用戶在所述預(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，p(S_i)為睡眠狀態(tài)S_i的先驗(yàn)概率；K_i為與睡眠狀態(tài)S_i相對應(yīng)的高斯函數(shù)分量的個(gè)數(shù)；ω_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的分量權(quán)重；σ_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的協(xié)方差；μ_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的數(shù)學(xué)期望；d為所述信號特征f中的特征數(shù)據(jù)的個(gè)數(shù)。

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(gè)時(shí)，則將該信號特征f依次代入訓(xùn)練獲得的與各個(gè)睡眠狀態(tài)S_i分別相對應(yīng)的高斯混合模型中。從而獲得該信號特征f相對于各個(gè)睡眠狀態(tài)S_i的后驗(yàn)概率p(S_i/f)，該后驗(yàn)概率p(S_i/f)即為該用戶在當(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，p(S_i)為睡眠狀態(tài)S_i的先驗(yàn)概率，通過計(jì)算各個(gè)睡眠狀態(tài)S_i所對應(yīng)的訓(xùn)練生物電信號在所有訓(xùn)練生物電信號中的比例獲得。K_i為與睡眠狀態(tài)S_i相對應(yīng)的高斯函數(shù)分量的個(gè)數(shù)。ω_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的分量權(quán)重，σ_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的協(xié)方差，μ_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的數(shù)學(xué)期望，d為信號特征f中的特征數(shù)據(jù)的個(gè)數(shù)，即信號特征f的維度，ω_i,k、σ_i,k和μ_i,k均通過EM迭代算法計(jì)算獲得，具體地，最終的ω_i,k、σ_i,k和μ_i,k分別通過和計(jì)算獲得，其中，m為各個(gè)睡眠狀態(tài)S_i所對應(yīng)的訓(xùn)練生物電信號的訓(xùn)練信號特征的個(gè)數(shù)，表示第j個(gè)訓(xùn)練信號特征由第k個(gè)高斯函數(shù)分量組成的概率，ω_i,k的初始值為σ_i,k的初始值為通過根據(jù)預(yù)先設(shè)置的分解算法對各個(gè)睡眠狀態(tài)S_i所對應(yīng)的訓(xùn)練生物電信號所對應(yīng)的訓(xùn)練信號特征進(jìn)行聚類分解所獲得的數(shù)據(jù)結(jié)構(gòu)中的葉子節(jié)點(diǎn)中的一個(gè)葉子節(jié)點(diǎn)中的所有信號特征的協(xié)方差矩陣，μ_i,k的初始值為通過根據(jù)預(yù)先設(shè)置的分解算法對各個(gè)睡眠狀態(tài)S_i所對應(yīng)的訓(xùn)練生物電信號所對應(yīng)的訓(xùn)練信號特征進(jìn)行聚類分解所獲得的數(shù)據(jù)結(jié)構(gòu)中的葉子節(jié)點(diǎn)中的一個(gè)葉子節(jié)點(diǎn)中的所有信號特征的特征平均值。

例如，人的睡眠狀態(tài)主要分為覺醒期、非快速眼動(dòng)睡眠期和快速眼動(dòng)睡眠期，將覺醒期標(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。在采用高斯混合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)練出與睡眠狀態(tài)S₀相對應(yīng)的高斯混合模型G₀、與睡眠狀態(tài)S₁相對應(yīng)的高斯混合模型G₁和與睡眠狀態(tài)S₂相對應(yīng)的高斯混合模型G₂。在對用戶在某一時(shí)間段內(nèi)的睡眠狀態(tài)進(jìn)行檢測時(shí)，通過傳感器采集用戶在該時(shí)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(gè)，則獲得信號特征f，隨后將該信號特征f分別代入高斯混合模型G₀、G₁和G₂，從而分別對應(yīng)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(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，所述信號特征的數(shù)量為兩個(gè)或者兩個(gè)以上；所述信號特征由至少一個(gè)特征數(shù)據(jù)組成；

則所述根據(jù)所述至少一個(gè)信號特征和為各個(gè)睡眠狀態(tài)分別預(yù)先配置的K_i個(gè)高斯函數(shù)分量，分別計(jì)算獲得各個(gè)高斯函數(shù)分量值，并根據(jù)所有所述高斯函數(shù)分量值，計(jì)算獲得所述用戶在所述預(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：

將每個(gè)所述信號特征f_j依次代入為各個(gè)睡眠狀態(tài)S_i預(yù)先配置的高斯混合模型中，獲得每個(gè)所述信號特征f_j相對于各個(gè)睡眠狀態(tài)S_i的后驗(yàn)概率p(S_i/f_j)；其中，p(S_i)為睡眠狀態(tài)S_i的先驗(yàn)概率；K_i為與睡眠狀態(tài)S_i相對應(yīng)的高斯函數(shù)分量的個(gè)數(shù)；ω_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的分量權(quán)重；σ_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的協(xié)方差；μ_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的數(shù)學(xué)期望；d為所述信號特征f_j中的特征數(shù)據(jù)的個(gè)數(shù)；

將所有后驗(yàn)概率p(S_i/f_j)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。

需要說明的是，當(dāng)從生物電信號中提取的信號特征為兩個(gè)或者兩個(gè)以上時(shí)，則將每個(gè)信號特征f_j依次代入訓(xùn)練獲得的與各個(gè)睡眠狀態(tài)S_i分別相對應(yīng)的高斯混合模型中。從而獲得每個(gè)信號特征f_j相對于各個(gè)睡眠狀態(tài)S_i的后驗(yàn)概率p(S_i/f_j)。其中，p(S_i)為睡眠狀態(tài)S_i的先驗(yàn)概率，通過計(jì)算各個(gè)睡眠狀態(tài)S_i所對應(yīng)的訓(xùn)練生物電信號在所有訓(xùn)練生物電信號中的比例獲得。K_i為與睡眠狀態(tài)S_i相對應(yīng)的高斯函數(shù)分量的個(gè)數(shù)。ω_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的分量權(quán)重，σ_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的協(xié)方差，μ_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的數(shù)學(xué)期望，d為信號特征f中的特征數(shù)據(jù)的個(gè)數(shù)，即信號特征f的維度，ω_i,k、σ_i,k和μ_i,k均通過EM迭代算法計(jì)算獲得，具體地，最終的ω_i,k、σ_i,k和μ_i,k分別通過和計(jì)算獲得，其中，m為各個(gè)睡眠狀態(tài)S_i所對應(yīng)的訓(xùn)練生物電信號的訓(xùn)練信號特征的個(gè)數(shù)，表示第j個(gè)訓(xùn)練信號特征由第k個(gè)高斯函數(shù)分量組成的概率，ω_i,k的初始值為σ_i,k的初始值為通過根據(jù)預(yù)先設(shè)置的分解算法對各個(gè)睡眠狀態(tài)S_i所對應(yīng)的訓(xùn)練生物電信號所對應(yīng)的訓(xùn)練信號特征進(jìn)行聚類分解所獲得的數(shù)據(jù)結(jié)構(gòu)中的葉子節(jié)點(diǎn)中的一個(gè)葉子節(jié)點(diǎn)中的所有信號特征的協(xié)方差矩陣，μ_i,k的初始值為通過根據(jù)預(yù)先設(shè)置的分解算法對各個(gè)睡眠狀態(tài)S_i所對應(yīng)的訓(xùn)練生物電信號所對應(yīng)的訓(xùn)練信號特征進(jìn)行聚類分解所獲得的數(shù)據(jù)結(jié)構(gòu)中的葉子節(jié)點(diǎn)中的一個(gè)葉子節(jié)點(diǎn)中的所有信號特征的特征平均值。

隨后，將所獲得的后驗(yàn)概率p(S_i/f_j)以各個(gè)睡眠狀態(tài)S_i為單位進(jìn)行合成，從而獲得用戶在當(dāng)前時(shí)間段內(nèi)的睡眠狀態(tài)分別為所述各個(gè)睡眠狀態(tài)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(dòng)睡眠期和快速眼動(dòng)睡眠期，將覺醒期標(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。在采用高斯混合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)練出與睡眠狀態(tài)S₀相對應(yīng)的高斯混合模型G₀、與睡眠狀態(tài)S₁相對應(yīng)的高斯混合模型G₁和與睡眠狀態(tài)S₂相對應(yīng)的高斯混合模型G₂。在對用戶在某一時(shí)間段內(nèi)的睡眠狀態(tài)進(jìn)行檢測時(shí)，通過傳感器采集用戶在該時(shí)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(gè)，則獲得信號特征f₀、f₁、f₂和f₃，隨后將信號特征f₀代入高斯混合模型G₀、G₁和G₂，從而分別對應(yīng)獲得概率p₀₀、p₀₁和p₀₂，將信號特征f₁代入高斯混合模型G₀、G₁和G₂，從而分別對應(yīng)獲得概率p₁₀、p₁₁和p₁₂，將信號特征f₂代入高斯混合模型G₀、G₁和G₂，從而分別對應(yīng)獲得概率p₂₀、p₂₁和p₂₂，并將信號特征f₃代入高斯混合模型G₀、G₁和G₂，從而分別對應(yīng)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(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)施例通過從同一生物電信號中提取多個(gè)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(shí)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(shí)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(shí)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(gè)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(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的信號示意圖。將該腦電信號標(biāo)記為Z＝[z₀,z₁,z₂,z₃,z₄,z₅,z₆]，其中，z₀、z₁、z₂、z₃、z₄、z₅和z₆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。在提取該腦電信號Z的特征之前，將該腦電信號劃分為3個(gè)子腦電信號，分別為Z₀＝[z₀,z₁,z₂]、Z₁＝[z₂,z₃,z₄]和Z₂＝[z₄,z₅,z₆]，隨后，分別提取子腦電信號Z₀、Z₁和Z₂的特征，從而分別對應(yīng)生成信號特征f₀、f₁和f₂。

由于子生物電信號與子生物電信號的生成時(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(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)信號特征和為各個(gè)睡眠狀態(tài)分別預(yù)先配置的K_i個(gè)高斯函數(shù)分量，分別計(jì)算獲得各個(gè)高斯函數(shù)分量值，并根據(jù)所有所述高斯函數(shù)分量值，計(jì)算獲得所述用戶在所述預(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：

根據(jù)預(yù)先設(shè)置的分解算法對每個(gè)睡眠狀態(tài)S_i所對應(yīng)的訓(xùn)練生物電信號所對應(yīng)的至少一個(gè)訓(xùn)練信號特征分別進(jìn)行聚類分解獲得所述與睡眠狀態(tài)S_i相對應(yīng)的高斯函數(shù)分量的個(gè)數(shù)K_i；

所述根據(jù)預(yù)先設(shè)置的分解算法對每個(gè)睡眠狀態(tài)S_i所對應(yīng)的訓(xùn)練生物電信號所對應(yīng)的至少一個(gè)訓(xùn)練信號特征分別進(jìn)行聚類分解獲得所述與睡眠狀態(tài)S_i相對應(yīng)的高斯函數(shù)分量的個(gè)數(shù)K_i，具體包括：

將與睡眠狀態(tài)S_i相對應(yīng)的所述訓(xùn)練信號特征作為與睡眠狀態(tài)S_i相對應(yīng)的數(shù)據(jù)結(jié)構(gòu)中的父節(jié)點(diǎn)；

根據(jù)聚類算法對所述父節(jié)點(diǎn)進(jìn)行聚類分解，獲得第一子節(jié)點(diǎn)和第二子節(jié)點(diǎn)；所述第一子節(jié)點(diǎn)中包括所述訓(xùn)練信號特征中的第一訓(xùn)練信號特征；所述第二子節(jié)點(diǎn)中包括所述訓(xùn)練信號特征中的第二訓(xùn)練信號特征；

分別計(jì)算所述第一子節(jié)點(diǎn)和所述第二子節(jié)點(diǎn)的特征平均值，并計(jì)算獲得所述第一子節(jié)點(diǎn)的特征平均值與所述第二子節(jié)點(diǎn)的特征平均值之間的差值；所述特征平均值為節(jié)點(diǎn)中的所有訓(xùn)練信號特征的平均值；

比較所述差值與預(yù)設(shè)的閾值之間的大小，若所述差值小于所述閾值，則刪除所述第一子節(jié)點(diǎn)和所述第二子節(jié)點(diǎn)并保留所述父節(jié)點(diǎn)，若所述差值大于或者等于所述閾值，則將所述第一子節(jié)點(diǎn)和所述第二父節(jié)點(diǎn)分別作為父節(jié)點(diǎn)并根據(jù)所述聚類算法進(jìn)一步地進(jìn)行所述聚類分解，直至對所述數(shù)據(jù)結(jié)構(gòu)中沒有子節(jié)點(diǎn)的節(jié)點(diǎn)根據(jù)所述聚類算法進(jìn)行所述聚類分解之后所得的第一子節(jié)點(diǎn)和第二子節(jié)點(diǎn)之間的差值均小于所述閾值；

將所述數(shù)據(jù)結(jié)構(gòu)中沒有子節(jié)點(diǎn)的節(jié)點(diǎn)的個(gè)數(shù)作為所述與睡眠狀態(tài)S_i相對應(yīng)的高斯函數(shù)分量的個(gè)數(shù)K_i。

需要說明的是，在采用高斯混合模型計(jì)算用戶在某一時(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，在訓(xùn)練該高斯混合模型的過程中，通過采用預(yù)先設(shè)置的分解算法對與每個(gè)睡眠狀態(tài)S_i相對應(yīng)的訓(xùn)練生物電信號分別進(jìn)行聚類分解，從而獲得與睡眠狀態(tài)S_i相對應(yīng)的高斯函數(shù)分量的個(gè)數(shù)K_i。該聚類分解過程具體為：提取與睡眠狀態(tài)S_i相對應(yīng)的訓(xùn)練生物電信號的特征，從而獲得至少一個(gè)訓(xùn)練信號特征，并將該訓(xùn)練信號特征作為與睡眠狀態(tài)S_i相對應(yīng)的數(shù)據(jù)結(jié)構(gòu)中的父節(jié)點(diǎn)；隨后，根據(jù)聚類算法對父節(jié)點(diǎn)進(jìn)行聚類分解，從而獲得第一子節(jié)點(diǎn)和第二子節(jié)點(diǎn)，其中，第一子節(jié)點(diǎn)中包括父節(jié)點(diǎn)中的一部分訓(xùn)練信號特征，第二子節(jié)點(diǎn)中包括父節(jié)點(diǎn)中的另一部分訓(xùn)練信號特征；隨后，分別計(jì)算第一子節(jié)點(diǎn)和第二子節(jié)點(diǎn)中的所有訓(xùn)練信號特征的平均值，即特征平均值，并計(jì)算獲得第一子節(jié)點(diǎn)的特征平均值和第二子節(jié)點(diǎn)的特征平均值的差值；隨后，比較該差值與預(yù)設(shè)的閾值之間的大小，若該差值小于該閾值，則刪除第一子節(jié)點(diǎn)和第二子節(jié)點(diǎn)并保留父節(jié)點(diǎn)，若差值大于或者等于該閾值，則分別將第一子節(jié)點(diǎn)和第二子節(jié)點(diǎn)設(shè)置為下一次聚類分解的父節(jié)點(diǎn)，并根據(jù)相同的聚類算法分別進(jìn)行聚類分解，直至該數(shù)據(jù)結(jié)構(gòu)中的所有葉子節(jié)點(diǎn)根據(jù)相同的聚類算法進(jìn)行聚類分解后所得的兩個(gè)子節(jié)點(diǎn)的特征平均值的差值均小于預(yù)設(shè)的閾值；最后，將與睡眠狀態(tài)S_i相對應(yīng)的高斯函數(shù)分量的個(gè)數(shù)K_i設(shè)置為該數(shù)據(jù)結(jié)構(gòu)中的葉子節(jié)點(diǎn)的個(gè)數(shù)。其中，該數(shù)據(jù)結(jié)構(gòu)可以為二叉樹。該聚類算法可以為K-means算法。

本發(fā)明實(shí)施例提供的睡眠狀態(tài)檢測方法，通過采用高斯混合模型表征各個(gè)睡眠狀態(tài)，即采用若干個(gè)高斯混合模型擬合現(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(gè)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(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(shí)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(gè)實(shí)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(shí)的在預(yù)設(shè)時(shí)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(gè)信號特征；

概率獲得模塊33，用于根據(jù)所述至少一個(gè)信號特征和為各個(gè)睡眠狀態(tài)分別預(yù)先配置的K_i個(gè)高斯函數(shù)分量，分別計(jì)算獲得各個(gè)高斯函數(shù)分量值，并根據(jù)所有所述高斯函數(shù)分量值，計(jì)算獲得所述用戶在所述預(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；其中，K_i為大于零的整數(shù)；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(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(gè)；

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f依次代入為各個(gè)睡眠狀態(tài)S_i預(yù)先配置的高斯混合模型中，獲得所述信號特征f相對于各個(gè)睡眠狀態(tài)S_i的后驗(yàn)概率p(S_i/f)，即為所述用戶在所述預(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，p(S_i)為睡眠狀態(tài)S_i的先驗(yàn)概率；K_i為與睡眠狀態(tài)S_i相對應(yīng)的高斯函數(shù)分量的個(gè)數(shù)；ω_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的分量權(quán)重；σ_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的協(xié)方差；μ_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的數(shù)學(xué)期望；d為所述信號特征f中的特征數(shù)據(jù)的個(gè)數(shù)。

在另一個(gè)優(yōu)選地實(shí)施方式中，所述信號特征的數(shù)量為兩個(gè)或者兩個(gè)以上；

則所述概率獲得模塊33，具體包括：

后驗(yàn)概率獲得單元，用于將每個(gè)所述信號特征f_j依次代入為各個(gè)睡眠狀態(tài)S_i預(yù)先配置的高斯混合模型中，獲得每個(gè)所述信號特征f_j相對于各個(gè)睡眠狀態(tài)S_i的后驗(yàn)概率p(S_i/f_j)；其中，p(S_i)為睡眠狀態(tài)S_i的先驗(yàn)概率；K_i為與睡眠狀態(tài)S_i相對應(yīng)的高斯函數(shù)分量的個(gè)數(shù)；ω_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的分量權(quán)重；σ_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的協(xié)方差；μ_i,k為與睡眠狀態(tài)S_i相對應(yīng)的各個(gè)高斯函數(shù)分量的數(shù)學(xué)期望；d為所述信號特征f_j中的特征數(shù)據(jù)的個(gè)數(shù)；以及，

第二概率獲得單元，用于將所有后驗(yàn)概率p(S_i/f_j)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，所述生物電信號根據(jù)信號的生成時(shí)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(shí)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：

高斯函數(shù)分量個(gè)數(shù)獲得模塊，用于根據(jù)預(yù)先設(shè)置的分解算法對每個(gè)睡眠狀態(tài)S_i所對應(yīng)的訓(xùn)練生物電信號所對應(yīng)的至少一個(gè)訓(xùn)練信號特征分別進(jìn)行聚類分解獲得所述與睡眠狀態(tài)S_i相對應(yīng)的高斯函數(shù)分量的個(gè)數(shù)K_i；

所述高斯函數(shù)分量個(gè)數(shù)獲得模塊，具體包括：

父節(jié)點(diǎn)設(shè)置單元，用于將與睡眠狀態(tài)S_i相對應(yīng)的所述訓(xùn)練信號特征作為與睡眠狀態(tài)S_i相對應(yīng)的數(shù)據(jù)結(jié)構(gòu)中的父節(jié)點(diǎn)；

聚類分解單元，用于根據(jù)聚類算法對所述父節(jié)點(diǎn)進(jìn)行聚類分解，獲得第一子節(jié)點(diǎn)和第二子節(jié)點(diǎn)；所述第一子節(jié)點(diǎn)中包括所述訓(xùn)練信號特征中的第一訓(xùn)練信號特征；所述第二子節(jié)點(diǎn)中包括所述訓(xùn)練信號特征中的第二訓(xùn)練信號特征；

子節(jié)點(diǎn)差值獲得單元，用于分別計(jì)算所述第一子節(jié)點(diǎn)和所述第二子節(jié)點(diǎn)的特征平均值，并計(jì)算獲得所述第一子節(jié)點(diǎn)的特征平均值與所述第二子節(jié)點(diǎn)的特征平均值之間的差值；所述特征平均值為節(jié)點(diǎn)中的所有訓(xùn)練信號特征的平均值；

判斷循環(huán)單元，用于比較所述差值與預(yù)設(shè)的閾值之間的大小，若所述差值小于所述閾值，則刪除所述第一子節(jié)點(diǎn)和所述第二子節(jié)點(diǎn)并保留所述父節(jié)點(diǎn)，若所述差值大于或者等于所述閾值，則將所述第一子節(jié)點(diǎn)和所述第二父節(jié)點(diǎn)分別作為父節(jié)點(diǎn)并根據(jù)所述聚類算法進(jìn)一步地進(jìn)行所述聚類分解，直至對所述數(shù)據(jù)結(jié)構(gòu)中沒有子節(jié)點(diǎn)的節(jié)點(diǎn)根據(jù)所述聚類算法進(jìn)行所述聚類分解之后所得的第一子節(jié)點(diǎn)和第二子節(jié)點(diǎn)之間的差值均小于所述閾值；以及，

高斯函數(shù)分量個(gè)數(shù)設(shè)置單元，用于將所述數(shù)據(jù)結(jié)構(gòu)中沒有子節(jié)點(diǎn)的節(jié)點(diǎn)的個(gè)數(shù)作為所述與睡眠狀態(tài)S_i相對應(yīng)的高斯函數(shù)分量的個(gè)數(shù)K_i。

本發(fā)明實(shí)施例提供的睡眠狀態(tài)檢測裝置，通過采用高斯混合模型表征各個(gè)睡眠狀態(tài)，即采用若干個(gè)高斯混合模型擬合現(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(gè)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(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(shí)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。