[发明专利]使用投影技术增强睡眠技术

摘要

本发明涉及使用投影技术增强睡眠技术，通过投影手机及人体睡眠体征数据反应，结合睡眠分期评估数据，构建人工智能睡眠调节深度学习模型，自适应每个人人体个性化思辰效应比值动态设置。本发明的有益效果是：通过投影手机形成个性化的助眠灯光和助眠音乐，从而形成一套适合个人体征的投影睡眠模型，并建立群体对应特征人群画像与个人人群特征画像间的关联，通过遗传算法不断校正模型，形成个性化的投影手机入睡投影设置方法，并将该方法对应给对应人群。

主权项

1.使用投影技术增强睡眠技术，其特征在于：按照下述步骤依次进行：步骤一：建立个性化的“EEG/体动‑ECG/体动‑正常年龄黄金睡眠分期”三角睡眠质量采集与评估模型。通过“EEG/体动‑ECG/体动一正常年龄黄金睡眠分期”的三者的三个方面指标：体征数据、睡眠分期情况、根据个人年龄睡眠质量偏离正常情况程度，进行关联分析建模，建模算法如下：(1)设计正常年龄黄金睡眠分期函数，根据我们28000例实验样本数据，正常人群睡眠结构对比，睡眠各阶段所占百分率与年龄关系初始值如下：综合计算各分期偏离该年龄段正常睡眠的程度，侧重精神、体力两个方面关联度最大的两个分期S3、S4，作为睡眠个人睡眠质量得分计算公式为：其中S1、S2、S3、S4、S(3+4)、SW、SR分别代表睡眠1期、2期、3期、4期、清醒期、快速眼动器对应年龄段的标准百分率，通过已有样本的均值得到，上表为初始样本的数据。S1i、S2i、S3i、S4i、S(3+4)、SWi、SRi为用户第i次使用数据的记录。(2)对EEG特征提取，通过对脑电信号进行小波变换、希尔伯特黄(Hilbert‑Huang)变换和奇异值分解获取脑电信号的小波熵、Hilbert‑Huang熵，以及奇异值第一主成分(奇异谱中的最大值)，分别记为特征向量P1、P2、P3。(3)计算极低频(VLF)、低频(LF)和高频(HF)的频谱熵，并通过小波变换计算HRV的分形维度，分别记为特征向量P4、P5、P6、P7。(4)EEG信号delta频段与HRV参数的相干系数：对EEG信号以及HRV信号进行功率谱密度分析，并进行归一化处理，然后利用改进的相干函数分别计算EEG信号delta频段与HRV信号LF、HF的相干系数，分别记为特征向量P8、P9。(5)求EEG信号delta频段与HRV信号LF、HF的相干系数：在睡眠分期标准中，时间分辨率为30s，与其一致，截取同一时间段30s的EEG、HRV信号，进行预处理，包括变参考、降采样、去噪声与干扰，预处理后的EEG信号记为x，HRV信号记为y，采用Welch算法计算EEG、HRV的功率谱密度以及两者的互功率谱密度，分别记为Pxx(f1)、Pxy(f2)、Pyy(f1，f2)。其中U是归一化因子，d₂(n)是高斯窗函数，L为将该段数据所分段数，M为每段的长度。X_t(n)是x(EEG信号)的第i段数据，Y_t(n)是的第i段数据，j为虚单位，j＝‑1。(6)用改进的相干函数分别计算EEG信号delta频段与HRV信号LF、HF的相干系数，然后计算EEG信号的f1在delta频段[0.5，4]，HRV信号的f2在LF[0.05，0.15]范围内的平均相干系数CohxyLF，作为EEG信号delta频段与HRV信号LF的想干系数，再计算f1在delta频段[0.5，4]，f2在HF[0.15，0.4]范围的平均相干系数CohxyHF，作为delta频段与HF的相关系数。其中，n为f1在[0.5，4]，f2在[0.05，0.15]范围内Cohxy(f1f2)的点数，m为f1在[0.5，4]，f2在[0.15，0.4]范围内Cohxy(f1f2)的点数。(7)获取每一时间片段的体动强度，体动强度的表征方法：A代表时间片段内的体动强度，X(t)、Y(t)、Z(t)分别是采样点处经过所述预处理后的三轴加速度信号，计算每一时间片段的睡眠/觉醒实时识别函数的值，该睡眠/觉醒实时识别函数如下所示：D＝P(W_4A‑4+W‑3A‑3+W_2A‑2+W‑1A‑1+W‑0A‑0)其中，P代表比例因子，A0代表当前时间片段内的体动强度，A‑n代表之前第n个时间片段内的体动强度，W0代表选取当前时间片段的体动强度的权重系数，W‑n代表选取之前第n个时间片段的体动强度的权重系统，n＝1，2，3，4。(8)采用改进的相干性评价参数，脑电信号x在频率分量为f1，心率变异信号y在频率分量为f2处的分量振幅乘积的标准化均值，其取值区间为[0，1]，反映了2个信号的相关程度。相干谱越接近1，表明2个信号越相关。相干系数为1，表明2个信号之间高度相关，且一个信号是另一个信号的倍数；相干系数为0，表明2个信号完全无关，特征提取后，使用SVM对特征进行识别，进行自动睡眠分期，选取1000组进行训练，并以睡眠分期为输出，经过训练分别得到基于EEG、HRV及其相干性的自动睡眠分期预测模型，然后进行自动睡眠分期，分别得到“EEG/体动‑正常年龄黄金睡眠分期”、“ECG/体动‑正常年龄黄金睡眠分期”数据，然后采用算法(1)中的睡眠质量得分公式计算数据，数据越小，睡眠质量越好(院内院外采集的过程因子数据(年龄、体动、呼吸、心率、体温)的影响均已包含于评分结果中)。步骤二：对环境参数和体征参数进行采集，环境参数采集通过时钟电路来判断所属时间范围、光度感应器接收当前光亮的照度数值、投影控制端将光亮照度数值和时间范围传递给光源控制器，通过光源控制器依据司辰效应比值公式来选择合适的投影光源，来调节投影的光源(确定光源控制方案)，从而实现手机投影灯的健康睡眠照明(并通过光源选择器去控制光源实现健康睡眠照明，体征参数采集通过可穿戴设备采集加速度、ECG数据，采样率大于等于256Hz，通过WIFI发送给智能投影手机。加速度采集包括三维加速度、三维磁场、三维角速度的几何均值。步骤三：使用分层分级降维建模，利用所述加速度传感器的输出数据，并利用中值滤波判断人体运动类型，分层判断人体是否静止运动、运动部位、类型，分级抽样判断主要特征、全面验证重点特征的影响，进而判断翻身、推动、起床等睡眠等特征，建模时，首先通过加速度计输出合成幅值，处于给定的上下阈值之间，则判定人体静止；反之，则判定人运动，所述加速度计输出合成幅值为：所述上下阈值分别为：tha min＝8m/s，tha max＝11m/s，第一条件为：如果第一条件判断为静止，则不进行第二、第三条件的判断，加速度计输出的局部方差，低于给定的阈值，则判定该身体局部静止；反之，则判定该身体局部运动，所述第二条件计算公式为：其中，thσa＝0.5，如果第二条件判断为该身体局部静止，则不进行第三条件的判断，反之，所述第三条件计算公式为：其中，th_amax＝50，然后进行运动的状态进行抽样计算并提取特征参数。步骤四：建立体征环境深度互学多级联一体化智能投影手机模型，对降维后加速度、心电特征值进行睡眠分期，采集用户三个方向加速度/角速度值，对样本人群整体取标准差，N为样本量，先训练分类器，再用分类器识别样本；综合计算某人偏离整理人群的程度x，所述；其中，a、b、c分别为用户三个方向加速度/角速度值，健数据库的N类样本输入分类器训练，根据输入值判定是(1，N)中哪一类，如果超出(1，N)范围，则新注册类别N+1类，然后重新更新分类器；其中，加速度采集的数据有a、b、c三个方向特征值，当其与模型库对比时，对其取标准差，a、b、c为特征值的人群均值。N为样本量，先训练分类器，再用分类器识别样本，通过加速度信号向量模SVMA、角速度信号向量模SVMW，建立和自适应完善的识别模型，对所述运动状态进行细分，获得运动细分环节，识别起床的加速度信号向量模阈值取SVMAT＝20m/s2和角速度信号向量模阈值取SVMWT＝4rad/s，将环境参数、体征识别类型个体睡眠质量得分输入，使用通过有监督分类算法，以环境参数作为输入层，以个体睡眠质量评分作为输出层。通过与上一次环境参数输入形成的模型(历史最佳睡眠的环境参数)作为对比，个体睡眠质量好坏作为训练监督因子，更好为1，更差为0，工作信号的正向传播，在此期间，网络各神经元的权值和阀值保持不变，每一层神经元只影响下一层神经元的输入和状态，如果在输出端没有得到期望的输出值，网络即转入误差信号的反向传播过程。误差信号的反向传播，误差信号由输出端开始逐层回传，在此传播过程中，网络各神经元的权值和阀值由误差反馈按照一定的规则得以调整。以上两个阶段交替循环进行，每完成一次，用遗传算法进行修正，权重因子选用Sigmoid函数睡眠质量的指标值分别为：yj＝(y1 j，y2 j，y3 j)，体征参数的权重系数向量为：w＝(w1，w2，w3)，其中w为(‑1，1)之间的一个小数，按照相关系数先进行主观赋权，然后基于“指标差异”的赋权法(客观赋权法)对其进行训练调整，对原始数据进行标准化处理，通过举证中的每个元素减去所在列的均值，然后除以所在列的标准差，使得每个变量标准化为均值为0，方差为1的矩阵X。步骤五：完成步骤四的模型建模后，遗传自适应完善模块，结合大数据蚁群算法进行持续的训练细分：人群边界中心距特征，边界中心距的定义是边界点到质心的距离，计算得分矩阵，将留下的特征值作为新变量主成分，利用下式计算得分矩阵：F(nxm)＝X(nxp)·U(pxm)其中，X是原数据矩阵，U是主成分载荷，得分矩阵F即为降维后所得到的结果；每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率，进行适应度评估，不设定遗传算法的终止值，终止条件采用比高法，如果训练的识别率高于现有则设为最优参数，否则，执行选择、交叉和变异等操作进一步优化训练参数，同时个体作为整体人群中，对应画像人群的一个新输入因子，用VM遗传修正整体人群对应画像人群环境模型，其对应人群的睡眠环境用户画像不断清晰细化。SVM分类器适应度函数，为SVM分类器对样本划分正确率，随着样本量的增加，如果正确率高于历史最佳模型，则该模型取代原有最佳模型，从而随着样本量的增加模型自适应不断优化完善。