本發(fā)明涉及一種音頻處理的睡眠期識別方法，屬于計算機應(yīng)用領(lǐng)域，針對人類睡眠中REM和N-REM睡眠期的識別，以人在睡眠時REM和N-REM期的外部表現(xiàn)差異為切入點，以快速傅立葉變換和機器學習為主要技術(shù)手段，實現(xiàn)了一種基于可采集音頻的智能設(shè)備的、無須外設(shè)支持的、非侵入式的睡眠REM、N-REM周期識別方法。
背景技術(shù)：
睡眠期識別方法具有廣泛的應(yīng)用場景，如健康評估、情景智能、智能家居等。具體而言，睡眠期識別方法要求提供實時、準確的睡眠期識別，如用戶正處于REM睡眠期、N-REM睡眠期?？紤]到在現(xiàn)實生活中，睡眠的REM、N-REM期出現(xiàn)受到疲勞程度、睡前飲品、個體生理狀態(tài)影響，本方法提供了多種睡眠REM、N-REM模型進行匹配。
現(xiàn)有的睡眠期識別方法有多導睡眠測試。該方法需要專業(yè)醫(yī)學儀器，綜合眼動儀、腦電波數(shù)據(jù)對用戶的睡眠狀態(tài)進行檢測；該方法具有侵入式的特點，需要佩戴肌電儀監(jiān)測眼球運動，需要佩戴腦電圖相關(guān)設(shè)備監(jiān)測腦電波波動狀況。因而該方式具有影響被測試者睡眠的特點；并且由于其設(shè)備的專業(yè)性，并不適用與日常監(jiān)測。
而本方法提供了一種非侵入式的睡眠周期監(jiān)測方法，借助REM，N-REM睡眠期人的外部表現(xiàn)差異，使用具有音頻采集功能的智能設(shè)備對用戶的睡眠周期進行輕量級、非侵入式的識別?？梢詾槠渌?wù)需求方提供可靠的用戶睡眠周期識別結(jié)果。
技術(shù)實現(xiàn)要素：
發(fā)明目的：為了實現(xiàn)對REM、N-REM睡眠周期檢測，同時克服傳統(tǒng)方式侵入式、高成本、依賴專業(yè)設(shè)備的方式，本發(fā)明公開了一種基于音頻處理的睡眠期識別方法。該方法設(shè)備簡單易獲取，現(xiàn)有的帶音頻采集功能的智能設(shè)備包括智能手機、智能手表等，就能夠提供準確的睡眠周期識別服務(wù)。
由醫(yī)學知識：人們正常的睡眠結(jié)構(gòu)周期分兩個時相：非快速眼動睡眠期(N-REM)和快速眼動睡眠期(REM)。N-REM與REM交替出現(xiàn)，交替一次稱為一個睡眠周期，兩種循環(huán)往復，每夜通常有4～5個睡眠周期，每個周期90～110分鐘。
人的睡眠處于REM狀態(tài)時，大腦的活躍程度等同甚至高于清醒狀態(tài)，但由于此時人體感覺系統(tǒng)阻塞于丘腦區(qū)，運動系統(tǒng)阻塞于脊髓部分被阻塞(眼肌、耳小骨的肌肉、呼吸肌除外)，此時人睡眠的外部表現(xiàn)更加平穩(wěn)，且伴隨心跳數(shù)和呼吸頻率的增加；處于N-REM狀態(tài)時，(相對清醒狀態(tài))感覺中樞功能下降，來自大腦的指令減少，肌肉機能下降。
該睡眠周期的分布根據(jù)個體不同而有所不同，并且有研究成果表明咖啡因和酒精對人進入REM睡眠期起抑制作用，同時該周期的分布也會受到疲勞程度、飲食狀況的影響，因而該周期的分布并不是固定不變的。
由人的睡眠處于REM狀態(tài)感覺系統(tǒng)阻塞于丘腦區(qū)，運動系統(tǒng)阻塞于脊髓部分被阻塞，伴隨心跳數(shù)和呼吸頻率的增加所表現(xiàn)出的在睡眠中不同狀態(tài)所表現(xiàn)的外部特征不同為切入點，本發(fā)明把音頻作為識別睡眠時探測人體外部特征的線索，利用能捕獲音頻的智能設(shè)備，利用相關(guān)的數(shù)據(jù)處理，機器學習等技術(shù)手段，得到用戶睡眠時的外部特征，從而評估用戶睡眠的實際周期分布情況。
技術(shù)方案：一種基于音頻處理的睡眠期識別方法，使用具有音頻采集和處理功能的智能設(shè)備，采集和處理人在睡眠期間產(chǎn)生的音頻；基于快速傅立葉變換、主成份分析、時序相關(guān)數(shù)字特征提取、統(tǒng)計學對采集到的音頻進行數(shù)字特征提取，通過模式識別的方法對睡眠當中出現(xiàn)的睡眠事件(打鼾、軀干運動、咳嗽、磨牙、夢囈、無關(guān)事件)進行識別，結(jié)合醫(yī)學眼動期(Rapid Eyes Movement，REM)、非眼動期(Non-Rapid Eyes Movement，N-REM)睡眠期人的外部表現(xiàn)差異，對人的睡眠進行睡眠期的識別。
具體包含以下步驟：
1)具有音頻采集和處理功能的智能設(shè)備需放置在用戶入睡地點附近，保證用戶入睡地點在該設(shè)備的探測范圍內(nèi)，保持該設(shè)備在用戶睡眠期間運行；
2)設(shè)備在運行期間通過音頻模塊采集音頻數(shù)據(jù)，按照時間順序放置于內(nèi)存中，對數(shù)據(jù)進行分幀分得一系列數(shù)據(jù)幀，并對每一個數(shù)據(jù)幀內(nèi)的數(shù)據(jù)進行快速傅里葉變換，得到數(shù)據(jù)幀對應(yīng)的頻域表示，并將一系列數(shù)據(jù)幀對應(yīng)的頻域表示按時間順序緩存于內(nèi)存中；
3)對2)中得到的每一個數(shù)據(jù)幀中的各個頻段對應(yīng)的幅值累加得到一系列的幀頻域和，用滑動窗口按照時間順序逐幀推移，推移同時對滑動窗口內(nèi)的第一幀按照超均值n倍的方式添加事件標記，產(chǎn)生事件序列S；
4)將3)中得到的事件序列S標記有事件的幀的頻域信息進行存儲，組成由頻域信息和該頻域信息對應(yīng)的采樣時間t組成的一系列原始數(shù)據(jù)條目Ors；
5)對4)中得到的原始數(shù)據(jù)條目Ors，根據(jù)其采樣時間序列找出其中時間連續(xù)的條目，對于連續(xù)的條目進行合并，組成幀頻域信息和采樣時間組成的事件條目e；整個事件序列S將被分割成由若干個e條目組成的事件條目序列Es＝<e1,e2,...,ez>；
6)對5)中得到的Es序列，計算其中每個條目e的采樣時間跨度elength，和兩個相鄰條目的采樣時間間隔estep；若(1/elength)>l*estep(其中l(wèi)為可控參數(shù))則將該estep前后的兩個條目合并成新的條目em；整個Es序列將被重新組合成Ems＝<em1,em2,...,emi>序列；
7)對6)中得到的Ems序列，計算其中每個條目em＝<e1,e2,...,ej>的時序相關(guān)特征、頻域相關(guān)特征；將em條目中的每個幀頻域信息對應(yīng)的頻段計算平均值后歸一化，提取頻域均值統(tǒng)計特征；將時序相關(guān)特征attrt、頻域相關(guān)特征attrf、頻域均值統(tǒng)計特征atttrs、em對應(yīng)的開始時間tstart、結(jié)束時間tend組成條目attr＝<attrt,attrf,attrs,tstart,tend>；整個Ems序列將產(chǎn)生一系列的attr序列，記為Attrs＝<attr1,attr2,...,attri>。
8)對7)中得到的Attrs序列，將其中每一個attr作為輸入送入機器學習訓練完成的分類算法進行分類，確定該attr所描述的時間內(nèi)發(fā)生的事件為何種類型的睡眠相關(guān)事件(打鼾、軀干運動、咳嗽、磨牙、夢囈)；將attr中的em的開始時間tstart、結(jié)束時間tend、類型識別結(jié)果r組成新的條目tempR＝<tstart,tend,r>；整個Attrs序列將得到一系列tempR，構(gòu)成TempRs＝<tempR1,tempR2,...,tempRi>序列。
9)對8)中得到的TempRs序列，構(gòu)造鍵值序列TVs，鍵為時間，值為睡眠狀態(tài)評估，鍵中的時間值跨度為用戶睡眠時長，值中的睡眠狀態(tài)評估值預設(shè)為a；依次處理TempRs中的條目tempR，根據(jù)tempR中的最小采樣時間和最大采樣時間確定TVs序列中需要調(diào)整的數(shù)值，根據(jù)類型識別結(jié)果調(diào)整TVs序列中對應(yīng)的值；整個TempRs序列將被用來生成一個時間-睡眠狀態(tài)評估的鍵值序列TVs＝<tv1,tv2,...,tvi>；
10)對9)中得到的TVs鍵值序列，結(jié)合睡眠醫(yī)學中的正常睡眠REM、N-REM周期模型、刺激飲料影響下的REM、N-REM睡眠周期模型N-REM睡眠周期模型、疲勞狀態(tài)下的REM、N-REM睡眠周期模型；選擇最合適的模型擬合，對TVs進行調(diào)整得到用戶的REM、N-REM睡眠期識別結(jié)果。
附圖說明
圖1為本發(fā)明智能設(shè)備端處理流程圖。
具體實施方式
下面結(jié)合具體實施例，進一步闡明本發(fā)明，應(yīng)理解這些實施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對本發(fā)明的各種等價形式的修改均落于本申請所附權(quán)利要求所限定的范圍。
1、硬件環(huán)境
具有音頻采集和處理功能的智能設(shè)備，能夠?qū)崿F(xiàn)以不低于600Hz的頻率采樣音頻的能力；具有不低于1MB的內(nèi)存；具備500MHz以上主頻的CPU；
2、應(yīng)用場景
在應(yīng)用本發(fā)明公開的基于音頻處理的睡眠期識別方法，可以以系統(tǒng)后臺服務(wù)或應(yīng)用內(nèi)嵌模塊的形式進行應(yīng)用。在具有音頻采集和處理功能的智能設(shè)備按照本發(fā)明所公開的技術(shù)方案實現(xiàn)REM、N-REM睡眠周期識別。將具有音頻采集和處理功能的智能設(shè)備放置在能探測到用戶睡眠產(chǎn)生的事件音頻輻射范圍內(nèi)，按照本發(fā)明所公開的技術(shù)方案實現(xiàn)最終的識別結(jié)果是用戶在睡眠中REM、N-REM睡眠期的分布。
發(fā)明所涉及技術(shù)的典型應(yīng)用場景包括：日常睡眠監(jiān)測、睡眠質(zhì)量評估、生活習慣評估；且本發(fā)明所闡述的方法應(yīng)該用于醫(yī)學用途，僅作為日常監(jiān)測手段。應(yīng)用于日常睡眠監(jiān)測時，可以僅用于對短期睡眠的監(jiān)測，也可以額外增加長期睡眠狀況記錄功能，對長期睡眠的REM、N-REM睡眠周期的分布規(guī)律進行進一步的分析、處理。用于隨眠質(zhì)量評估時，本發(fā)明所闡述的方法提供了REM、N-REM睡眠周期的監(jiān)測手段，對全面的睡眠質(zhì)量評估有重要作用。應(yīng)用于生活習慣評估時，本發(fā)明所闡述的方法監(jiān)測出的REM、N-REM周期結(jié)合醫(yī)學背景知識能夠得到關(guān)于用戶飲食、精神狀態(tài)、睡眠習慣等多方面的信息。
3、方法描述
本方法所涉及的使用具有音頻采集和處理功能的智能設(shè)備基于音頻處理的睡眠期識別方法，其設(shè)備應(yīng)當放置在能探測到用戶睡眠產(chǎn)生的事件音頻輻射范圍內(nèi)。步驟如下：
1)具有音頻采集和處理功能的智能設(shè)備需放置在用戶入睡地點附近，保證用戶入睡地點在該設(shè)備的探測范圍內(nèi)，保持該設(shè)備在用戶睡眠期間運行；
2)設(shè)備在運行期間通過音頻模塊采集音頻數(shù)據(jù)，按照時間順序放置于內(nèi)存中，對數(shù)據(jù)進行分幀分得一系列數(shù)據(jù)幀，并對每一個數(shù)據(jù)幀內(nèi)的數(shù)據(jù)進行快速傅里葉變換，得到數(shù)據(jù)幀對應(yīng)的頻域表示，并將一系列數(shù)據(jù)幀對應(yīng)的頻域表示按時間順序緩存于內(nèi)存中；
3)對2)中得到的每一個數(shù)據(jù)幀中的各個頻段對應(yīng)的幅值累加得到一系列的幀頻域和，用滑動窗口按照時間順序逐幀推移，推移同時對滑動窗口內(nèi)的第一幀按照超均值n倍的方式添加事件標記，產(chǎn)生事件序列S；
4)將3)中得到的事件序列S標記有事件的幀的頻域信息進行存儲，組成由頻域信息和該頻域信息對應(yīng)的采樣時間t組成的一系列原始數(shù)據(jù)條目Ors；
5)對4)中得到的原始數(shù)據(jù)條目Ors，根據(jù)其采樣時間序列找出其中時間連續(xù)的條目，對于連續(xù)的條目進行合并，組成幀頻域信息和采樣時間組成的事件條目e；整個事件序列S將被分割成由若干個e條目組成的事件條目序列Es＝<e1,e2,...,ez>；
6)對5)中得到的Es序列，計算其中每個條目e的采樣時間跨度elength，和兩個相鄰條目的采樣時間間隔estep；若(1/elength)>l*estep(其中l(wèi)為可控參數(shù))則將該estep前后的兩個條目合并成新的條目em；整個Es序列將被重新組合成Ems＝<em1,em2,...,emi>序列；
7)對6)中得到的Ems序列，計算其中每個條目em＝<e1,e2,...,ej>的時序相關(guān)特征、頻域相關(guān)特征；將em條目中的每個幀頻域信息對應(yīng)的頻段計算平均值后歸一化，提取頻域均值統(tǒng)計特征；將時序相關(guān)特征attrt、頻域相關(guān)特征attrf、頻域均值統(tǒng)計特征atttrs、em對應(yīng)的開始時間tstart、結(jié)束時間tend組成條目attr＝<attrt,attrf,attrs,tstart,tend>；整個Ems序列將產(chǎn)生一系列的attr序列，記為Attrs＝<attr1,attr2,...,attri>。
8)對7)中得到的Attrs序列，將其中每一個attr作為輸入送入機器學習訓練完成的分類算法進行分類，確定該attr所描述的時間內(nèi)發(fā)生的事件為何種類型的睡眠相關(guān)事件(打鼾、軀干運動、咳嗽、磨牙、夢囈)；將attr中的em的開始時間tstart、結(jié)束時間tend、類型識別結(jié)果r組成新的條目tempR＝<tstart,tend,r>；整個Attrs序列將得到一系列tempR，構(gòu)成TempRs＝<tempR1,tempR2,...,tempRi>序列。
9)對8)中得到的TempRs序列，構(gòu)造鍵值序列TVs，鍵為時間，值為睡眠狀態(tài)評估，鍵中的時間值跨度為用戶睡眠時長，值中的睡眠狀態(tài)評估值預設(shè)為a；依次處理TempRs中的條目tempR，根據(jù)tempR中的最小采樣時間和最大采樣時間確定TVs序列中需要調(diào)整的數(shù)值，根據(jù)類型識別結(jié)果調(diào)整TVs序列中對應(yīng)的值；整個TempRs序列將被用來生成一個時間-睡眠狀態(tài)評估的鍵值序列TVs＝<tv1,tv2,...,tvi>；
10)對9)中得到的TVs鍵值序列，結(jié)合睡眠醫(yī)學中的正常睡眠REM、N-REM周期模型、刺激飲料影響下的REM、N-REM睡眠周期模型N-REM睡眠周期模型、疲勞狀態(tài)下的REM、N-REM睡眠周期模型；選擇最合適的模型擬合，對TVs進行調(diào)整得到用戶的REM、N-REM睡眠期識別結(jié)果。
進一步地，具有音頻采集和處理功能的智能設(shè)備放置在用戶睡眠位置周圍，以能探測到用戶睡眠中產(chǎn)生的音頻為工作距離；其中音頻采集和處理功能的智能設(shè)備包括智能手機和智能手表。
進一步地，步驟2)的具體過程為：
2.1)具有音頻采集和處理功能的智能設(shè)備以高于min kHz采樣頻率采集音頻數(shù)據(jù)，為保證對事件捕獲的完整性，2)中的min不應(yīng)該小于0.6；對采集到的數(shù)據(jù)進行緩存，留備后用；
2.2)對采集到的音頻數(shù)據(jù)按照s秒劃分數(shù)據(jù)幀，其中s根據(jù)使用環(huán)境決定，s的取值0.1至0.5為宜；
2.3)對分幀后的數(shù)據(jù)以幀為單位進行快速傅立葉變換，得到該幀在頻域內(nèi)的數(shù)字表示；
2.4)對經(jīng)過快速傅立葉變換后的幀的頻域數(shù)據(jù)，截取0到k kHz的數(shù)據(jù)，留備后用；其中k根據(jù)使用環(huán)境的不同設(shè)置，k的取值應(yīng)當大于300小于32000。
進一步地，步驟3)的具體過程為：
3.1)對步驟2.4中產(chǎn)生的每個幀中截取后的快速傅立葉變換結(jié)果的頻域離散值分別累加，得到幀頻域和；
3.2)構(gòu)造長度twind秒，即twind/s個幀長度的滑動窗口，該滑動窗口每次向時間增加的方向推移1個幀的時間長度，其中twind介于[0.5，5]；
3.3)每次推移執(zhí)行前對該滑動窗口內(nèi)的twind/s個幀頻域和計算均值得到滑動窗口頻域均值；取該滑動窗口第一幀的幀頻域和與滑動窗口頻域均值n倍做比較；若幀頻域和較大，則在事件序列后添加標記標注此幀包含事件；若幀頻域和較小，則在事件序列后添加標記標注此幀不包含事件；得到事件序列S＝<s1,s2,...,st>；
其中的n由使用環(huán)境決定，若使用環(huán)境相對嘈雜，則n設(shè)置為在區(qū)間[3,10]；若使用環(huán)境相對安靜，則n設(shè)置在區(qū)間[1.5，3)。
進一步地，步驟4)的具體過程為：
4.1)遍歷步驟3.3中產(chǎn)生的S序列，對其中標記為包含事件的幀，添加該幀的開始時間數(shù)據(jù)構(gòu)造Ors序列；Ors中每個條目ori＝<fri,ti>由頻域信息fri和采樣時間ti構(gòu)成，fri由2)中FFT變換結(jié)果順序存儲得到，ti由2)中s秒劃分的每次劃分的切割的開始時間構(gòu)成；其中t可以作為單獨的序列Ts＝<t1,t2,...，tn>提取使用，且元素順序和Ors中保持一致。
進一步地，步驟5)的具體過程為：
5.1)使用步驟4.1中的Ts序列，對其按照時間從小到大的順序進行遍歷，若ti+s＝ti+1，就認為ti和ti+1連續(xù)；此處的連續(xù)具有傳遞性，即ti和ti+1連續(xù)、ti+1和ti+2連續(xù)，則ti、ti+1、ti+2三者連續(xù)，因為有ti+1元素的存在，ti和ti+2也具有連續(xù)性；將具有連續(xù)性的t分別構(gòu)成集合tset，若ti不存在于任何tset集合，則將其單獨構(gòu)成一個集合；
通過上述方法形成一系列tset，其中任意一個集合中的t元素都和該集合內(nèi)的其他元素具有連續(xù)性，且任意一個集合中的ti都不應(yīng)該和其他集合中的tj具有連續(xù)性；
5.2)對于每一個集合構(gòu)造事件條目e＝<fr,tstart,tend>，e中包含Ors中的頻域信息以及時間信息，計算步驟如下：將集合內(nèi)的數(shù)據(jù)以及其對應(yīng)的Ors中數(shù)據(jù)按照時間順序排列，找出最小的時間tmin和最大時間tmax；將屬于該集合對應(yīng)Ors條目中的fr序列按照時間順序存儲，并將tmin和tmax+s同時存儲，分別命名為tstart和tend，保持其中的對應(yīng)關(guān)系，組織成事件條目e整個S序列將被分割成由若干個e條目組成的事件條目序列Es＝<e1,e2,...,ez>；其中s為步驟2.2中的分幀s；
進一步地，步驟6)的具體過程為：
6.1)對5)中的每個條目e取出其tstart和tend，計算elength＝tend-tstart；
6.2)對5)中兩個相鄰條目e的采樣時間間隔estep計算步驟如下：對于序列Es選取其中某一個條目ei后，取出該條目中tstarti，即該條目的開始時間，取出該條目中tendi，即該條目的結(jié)束時間；在序列Es去除ei后的元素中，選tstartj小于tstarti的序列Ess中tstart最大的條目ef；在序列Es去除ei元素后的元素中，選取tstartj大于tstarti的序列Esl中tstart最小的條目eb；條目ei的estep由前項間隔ei.tstarti-ef.tend和后項間隔eb.tstart-ei.tendi組成；
6.3)若步驟6.2中的前項間隔滿足(1/elength)>l*estep.前項間隔，前后兩項即指步驟6.2中的ei和ef并在之間填補(ei.tstarti-ef.tend)/s個空條目Oif＝<o1,o2,...,o(ei.tstarti-ef.tend)/s>，形成的新條目稱為em＝<ei,Oif,ef>；若步驟6.2中的后項間隔滿足(1/Elength)>l*estep.后項間隔，前后兩項即指步驟6.2中的ei和eb并在之間填補(eb.tstart-ei.tendi)/s個空條目Obi＝<o1,o2,...,o(eb.tstart-ei.tendi)/s>，形成的新條目稱為em＝<eb,Obi,ei>；
其中的s為步驟2.2中的取值；其中的(1/elength)>l*estep，其中l(wèi)應(yīng)當介于[0.5,2]；
6.4)將所有em組織成整個Ems＝<em1,em2,...,emi>序列，進行存儲留備后用。
進一步地，步驟7)的具體過程為：
7.1)計算Ems的時序相關(guān)特征，具體如下：對每個em元素計算得到每個ei的幀頻域和sumi，得到幀頻域和序列SUM＝<sum1,sum2,...,sumj>，對該序列求方差所得的值記為Dsum；em中空條目的數(shù)量除以j的值記為loadR，其中j為em中元素的個數(shù)；Ems的時序相關(guān)特征由Dsum和loadR構(gòu)成；
7.2)將em條目中的每個幀頻域信息對應(yīng)的頻段計算平均值后歸一化，形成新的條目Eavrg；
7.3)計算頻域相關(guān)特征，具體如下：計算Eavrg的均值、方差；
7.4)計算頻域均值統(tǒng)計特征，具體如下：Eavrg的最小值、最小值出現(xiàn)的頻率、最大值、最大值出現(xiàn)的頻率、非零頻率的數(shù)量、非零最大頻率、非零最小頻率、非零最大頻率減去非零最小頻率的差、非零最大頻率減去非零最小頻率的差除以非零頻率個數(shù)的商；
7.5)將步驟7.1至步驟7.4中的結(jié)果按固定順序?qū)r序相關(guān)特征、頻域相關(guān)特征、頻域均值統(tǒng)計特征、em中最小tstart(對應(yīng)該em的開始時間)、Em中最大tend(對應(yīng)該em的結(jié)束時間)排列組成的序列，稱作attr；
7.6)將整個序列Ems產(chǎn)生的所有Attr序列組織存儲形成Attrs＝<attr1,attr2,...,attri>序列，留備后用。
進一步地，步驟8)的具體過程為：
8.1)按照1)至7)得到的Attrs加上額外的類別標簽數(shù)據(jù)訓練出的監(jiān)督式機器學習分類器；
8.2)將Attrs中的條目逐一送入訓練完成的分類器，完成對事件的類型識別，將類型結(jié)果和em中最小tstart、em中最大tend組織成tempR；對所有Attrs中的條目進行該操作，得到事件類型結(jié)果序列
TempRs＝<tempR1,tempR2,...,tempRi>。
進一步地，步驟9)的具體過程為：
9.1)構(gòu)造鍵值序列TVs＝<tv1,tv2,...,tve>，每一個鍵值tvi中鍵為時間，值為睡眠狀態(tài)評估；其中值預置為a，表示REM睡眠狀態(tài)，鍵中的時間應(yīng)當與用戶睡眠時段相吻合；鍵中的時間單元前后跨度為m分鐘；一個鍵所表示的時間覆蓋范圍是該鍵中的時間值開始和其后的m分鐘；
9.2)對8)中得到的TempRs中的每個元素tempR，取出8)中保存在其中的tstart、tend；將TVs序列中鍵覆蓋范圍和tstart和tend構(gòu)成的區(qū)間有重合的元素標記為需要修改的元素；
9.3)根據(jù)tempR中類型識別結(jié)果調(diào)整TVs序列中對應(yīng)的需要修改的元素操作如下：若tempR中識別結(jié)果為軀干運動、咳嗽、夢囈就將步驟9.2中需要修改的元素數(shù)值設(shè)置為b；若結(jié)果為其他則不調(diào)整；其中b不等于a；
9.4)對8)中得到的TempRs中每個元素都執(zhí)行步驟9.1和步驟9.2操作，得到修改完成的序列TVs＝<tv1,tv2,...,tve>。
進一步地，步驟10)的具體過程為：
10.1)睡眠模型構(gòu)造方式如下：生成長度為用戶睡眠時長除以m的全b序列L，其中b表示N-REM睡眠狀態(tài)；計算用戶睡眠時長除以100分鐘的商，對其四舍五入得到整數(shù)n；將L序列等分n份，形成L＝<l1,l2,...,ln>序列，其中m為9.1)中所述m分鐘中的時間長度；
10.2)對于正常睡眠REM、N-REM周期模型，對每個li在其長度*0.7的位置開始，將在長度*0.7至長度*0.95內(nèi)的數(shù)字設(shè)置為a得到lni；得到序列Lnorm＝<ln1,ln2,...,lnn>；
10.3)對刺激飲料影響下的REM、N-REM睡眠周期模型，設(shè)置睡眠階段計數(shù)參數(shù)j＝1；
定義操作OP：對所有i>j的Li在其長度*0.7的位置開始，將后續(xù)li長度*0.25個數(shù)字設(shè)置為a得到ldi；得到序列Ldrinkj＝<ld1,ld2,..,ldn>；
對所有1<j<n的整數(shù)執(zhí)行操作OP，得到Ldrinkj組，該組內(nèi)的元素都是刺激飲料影響下的REM、N-REM睡眠周期模型；
10.4)10)中疲勞狀態(tài)下的REM、N-REM睡眠周期模型：對l1在其長度*0.2的位置開始，將后續(xù)li長度*0.3個數(shù)字設(shè)置為a得到lt1；對后續(xù)每個li在其長度*0.7的位置開始，將后續(xù)li長度*0.25個數(shù)字設(shè)置為a得到lti；得到序列Ltired＝<lt1,lt2,...ltn>；
10.5)將9)中得到TVs序列和步驟10.2至10.4產(chǎn)生的各個模型序列做逐位做比較，若對應(yīng)位置上的數(shù)值不相等，則記錄對該模型的錯誤匹配數(shù)量增加；完成對所有序列的比較后，將錯誤數(shù)量最小的模型序列命名為Lbestfit，并存儲留后用；
10.6)重新逐位比較TVs和Lbestfit，對于由TVs中值為a而Lbestfit中值為b導致的錯誤，將TVs中該位置的數(shù)值調(diào)整為b；對于由TVs中值為b而Lbestfit中值為a導致的錯誤，不做操作；得到最終結(jié)果TVs，其中a表示用戶睡眠的REM狀態(tài)，b表示用戶睡眠的N-REM狀態(tài)。
方法的實施如圖1所示：
1)智能設(shè)備端基于數(shù)據(jù)分幀和快速傅里葉變換的數(shù)據(jù)預處理方法
如圖1，在智能設(shè)備端監(jiān)聽麥克風讀數(shù)，并以不低于600Hz的采樣率獲取音頻采樣數(shù)據(jù)。當接收到來自智能手表的音頻信號后，其表現(xiàn)形式為按照時間順序排列的一系列音頻采樣數(shù)據(jù)，每秒鐘不少于600個數(shù)據(jù)點。后使用一個長度為0.1s的非重疊式滑動窗口對輸入音頻數(shù)據(jù)流進行分割，每次分割得到一個數(shù)據(jù)幀，其中包含不少于60個數(shù)據(jù)點。對于每一個數(shù)據(jù)幀，對其進行快速傅里葉變換，得到數(shù)據(jù)幀可探測最高頻率不低于300Hz的表示(即技術(shù)方案步驟二中的k的取值決定)。將該頻域表示進行緩存以備后續(xù)使用。
2)智能設(shè)備端基于超均值n倍的事件探測方法完成事件提取
對事件的探測基于技術(shù)方案步驟3)，以滑動窗口均值為基準，對每一個幀進行超均值n倍的監(jiān)測方式(n的取值以落在[3，10]區(qū)間內(nèi)為宜)，從連續(xù)的頻域表示中篩選出包含事件特征的幀，步驟三中滑動窗口的長度介于[3，15]秒為宜；按照技術(shù)方案步驟4)，將挑選出的幀添加時間信息，即該幀的采樣時間；依照添加的時間信息，按照技術(shù)方案步驟5)進行連續(xù)幀的合并；按照技術(shù)方案步驟6)，將連續(xù)發(fā)生的事件進行自適應(yīng)的合并，其中l(wèi)設(shè)置在0.25左右為宜；得到對單一事件的數(shù)字表示，留備后續(xù)使用；
3)智能設(shè)備端的特征提取和基于機器學習的事件識別
按照技術(shù)方案步驟7)得到時序相關(guān)特征、頻域相關(guān)特征、統(tǒng)計學數(shù)字特征，形成對該事件的數(shù)字特征提取；按照技術(shù)方案步驟8)中的事件標簽設(shè)置配監(jiān)督式機器學習算法，訓練機器學習算法時需要注意不平衡標記問題，應(yīng)當對其中的軀干運動應(yīng)當予以增加權(quán)重，使得該事件的誤判漏判率盡量低，分類器的選擇推薦Random Forest，或效果更佳的分類器；按照技術(shù)方案步驟8.1對機器學習方法進行訓練得到適合該場景的分類器模型；并且按照技術(shù)方案步驟8)中所述完成分類和時間信息的添加得到事件分類結(jié)果，留備后續(xù)使用；
4)智能設(shè)備端REM、N-REM周期初步判別
按照技術(shù)方案步驟9)所述，預置參數(shù)(其中a、b只要不相等即可，其中m的取值范圍(0，10]為宜)對睡眠時段判別結(jié)果進行初始化，依照事件分類結(jié)果對睡眠時段判別結(jié)果進行調(diào)整，完成對事件分類結(jié)果進行REM、N-REM睡眠周期的匹配數(shù)學轉(zhuǎn)換，得到初步的REM、N-REM睡眠周期判別結(jié)果，留備后用；
5)睡眠中REM、N-REM睡眠周期固有模式的建立
按照技術(shù)方案10.1、步驟10.2、步驟10.3、步驟10.4，實現(xiàn)對正常睡眠REM、N-REM周期模型、刺激飲料影響下的REM、N-REM睡眠周期模型N-REM睡眠周期模型、疲勞狀態(tài)下的REM、N-REM睡眠周期模型分別的匹配模型的建立，留備后用；
6)針對用戶的REM、N-REM睡眠周期的識別
按照技術(shù)方案10.5所述方式，使用4)中得到的初步REM、N-REM睡眠周期判別結(jié)果作為測試模型和5)中建立的匹配模型，得到最匹配的模型，按照技術(shù)方案10.6所述方式修正后得到最終識別結(jié)果。