CN119498773A 睡眠监测方法、装置、电子设备及存储介质 （深圳绿米联创科技有限公司）

道福光社区留仙大道3370号南山智园类睡眠数据和第二类睡眠数据均是基于非接触并利用第二类睡眠数据对目标对象所在的睡眠2获取目标对象的第一类睡眠数据和第二类睡眠数据；所述第一一类睡眠数据和第二类睡眠数据均是基于非接触根据所述第一预测结果和第二预测结果，得到所述目标对象获取携带第一标签的第一训练数据；所述第一标签是基于使用第将携带所述第一标签的所述第一训练数据输入第一神经网络根据所述第一特征计算所述目标对象属于各睡眠阶段的概率，获取携带第二标签的第二训练数据；所述第二标签是基于使用第将携带所述第二标签的所述第二训练数据输入第二神经网络根据所述第二特征计算所述目标对象属于各睡眠阶段的概率，所述根据所述第一预测结果和第二预测结果3根据所述第一预测结果和第二预测结果分别指示的所述目标对象处于各睡眠阶段的针对所述第一睡眠阶段配置所述第一预测结果的权重小于所述第二预测结果的权重；针对所述第二睡眠阶段配置所述第一预测结果的权重大于所述第二8.如权利要求1所述的方法，其特征在于，所述根据所述第一预测结果和第二预测结对所述第一预测结果与所述第二预测结果进行差异检测，得到差异检测异检测结果用于指示所述第一预测结果与所述第二预测结果之间将存在较大差异的睡眠阶段及其概率从所述第一9.如权利要求1至8任一项所述的方法，其特征在接收睡眠监测消息；所述睡眠监测消息是根据目标对象的第所述第二类睡眠数据对所述目标对象所在的睡眠阶段进行数据获取模块，用于获取目标对象的第一类睡眠数据和第二预测模块，用于利用所述第一类睡眠数据对所述目标对象所在的睡眠阶段进行预测，得到第一预测结果，并利用所述第二类睡眠数据对所述目标对象所在的睡眠阶段进行预结果获取模块，用于根据所述第一预测结果和第二监测消息接收模块，用于接收睡眠监测消息；所述睡眠监4所述程序指令或代码被所述处理器加载并执行，使得电子设备实现如权利要求1至105类睡眠数据和第二类睡眠数据；所述第一类睡眠数据用于描述所述目标对象的生理情况，6一睡眠阶段配置所述第一预测结果的权重小于所述第二预测结果的权重；和/或第二配置7睡眠监测消息；所述睡眠监测消息是根据目标对象的第一类睡眠数据、第二类睡眠数据、程序指令或代码存储在存储介质中，电子设备的处理器从存储介质读取程序指令或代码，况；再分别利用第一类睡眠数据和第二类睡眠数据对目标对象所在的睡眠阶段进行预测，89110与网关150部署于同一个局域网络，进而使得用户终端110可通过局域网络路径实现与110可通过广域网络路径实现与智能设备130之间数据和第二类睡眠数据得到睡眠监测结果均由智能设备130(雷达设备)完成，再通过广域眠分期模型和第二睡眠分期模型部署在智能设备130(雷达设备)中，进而在智能设备130[0078]呼吸引起身体表面局部振动的幅度约为5mm，心跳引起身体表面局部振动的幅度[0084]在一种可能的实现方式，预测指的是基于第一类/第二类睡眠数据分别计算目标[0097]同理于第一预测结果，第二预测结果可以指示目标对象属于不同睡眠阶段的概睡眠数据用于描述目标对象的生理情况，第二类睡眠数据用于描述目标对象的体动情况；[0102]在一示例性实施例中，步骤220中第一预测结果是调用经过训练的第一睡眠分期[0109]在使用PSG设备获取训练对象所在的睡眠阶段(第一标签)的同时，通过非接触式一训练数据)在时间维度上标注第一标签，从而构建训练神经网络所需的携带第一标签的[0113]第一神经网络可以是LeNet、卷积神经网络和长短期记忆等等，在此不做具体限算第一损失值的第一损失函数的最小化意味着第一神经网络的预测结果与正确结果之间[0118]在一示例性实施例中，步骤220中第二预测结果是调用经过训练的第二睡眠分期[0125]在使用ATC设备获取训练对象所在的睡眠阶段(第二标签)的同时，通过非接触式[0129]第二神经网络可以是LeNet、卷积神经网络和长短期记忆等等，在此不做具体限第二损失值的第二损失函数的最小化意味着神经网络的预测结果与正确结果之间的误差[0145]在一种可能的实现方式，第一睡眠阶段是指WAKE期，第二睡眠阶段包括REM期、眠分期模型和第二睡眠分期模型分别得到目标对象处于各睡眠阶段的概率时，对于WAKE[0148]步骤720，根据第一预测结果和第二预测结果分别指示的目标对象处于各睡眠阶概率是0.7、处于REM期的概率是0.5、处于WAKE期的概率是0.6；第二预测结果指示处于[0151]在一种可能实现方式，选取概率最大的睡眠阶段作为目[0155]其中，差异检测结果用于指示第一预测结果与第二预测结果之间的差异是否较将存在较大差异的睡眠阶段及其概率从第一体处于NREM一深睡期时不太可能有大幅度或者高频率的体动，此时会删除掉概率最大的NREM深睡期，顺延考虑其他概率较大的睡眠分期；如果在此期间没有异常的体动情况的类睡眠数据和第二类睡眠数据传输至服务器，由服务器执行本申请提供的睡眠监测方法，睡眠报告，还可以是长期的睡眠报告，异常警告可以包括响应于心率和/或呼吸异常值标[0174]再将雷达信号分离出体动信号输入训练好的神经网络2，[0190]其中，数据获取模块910，用于获取目标对象的第一类睡眠数据和第二类睡眠数示所述训练对象所在的睡眠阶段；所述第一训练数据是所述训练对象的第一类睡眠数据；示所述训练对象所在的睡眠阶段；所述第二训练数据是所述训练对象的第二类睡眠数据；一预测结果和第二预测结果分别对应的权重，得到所述目标对象处于各睡眠阶段的概率；结果获取单元953，用于根据所述目标对象处于各睡眠阶段的概率，得到所述睡眠监测结置单元958，用于针对所述第二睡眠阶段配置所述第一预测结果的权重大于所述第二预测一输入输出接口以及至少一USB接口等，用于将外部各种输入/输出装置耦合至存储器101[0221]其中，处理器4001和存储器4003之间的数据交互，可以通过至少一个通信总线[0223]处理器4001可以是CPU(CentralProcessingUnit，中央DSP(DigitalSignalProcessor，数据信号处理器)，ASIC(ApplicationSpecific实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器[0224]存储器4003可以是ROM(ReadOnlyMemory，只读存储器)或可存储静态信息和指信息和指令的其他类型的动态存储设备，也可以是EEPROM(ElectricallyErasableProgrammableReadOnlyMemory，电可擦可编程只读存储器)、CD_ROM(CompactDisc具有指令或数据结构形式的期望的程序指令或代码并能够由电子设备4000存取的任何其[0228]本申请实施例中提供了一种应用程序产品，应用程序产程序指令或代码存储在存储介质中，电子设备的处理器从存储介质读取程序指令或代码，果和第二预测结果，最后结合第一预测结果和第二预测结果得到目标对象的睡眠监测结眠阶段的概率存在预测不够准确的情况时，通过为第一预测结果和第二预测结果分配权步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或