技術(shù)特征：

1.一種智能輔助睡眠中的睡眠狀態(tài)識別方法，其特征在于，包括：

采集用戶在智能輔助睡眠中產(chǎn)生的生物電信號；

根據(jù)預(yù)先訓(xùn)練的分類器模型的信號特征類型，從所述生物電信號中提取相應(yīng)的信號特征數(shù)據(jù)；

將所述信號特征數(shù)據(jù)輸入所述分類器模型，識別用戶當(dāng)前的睡眠狀態(tài)。

2.根據(jù)權(quán)利要求1所述的智能輔助睡眠中的睡眠狀態(tài)識別方法，其特征在于，所述從所述生物電信號中提取相應(yīng)的信號特征數(shù)據(jù)的步驟包括：

對生物電信號進(jìn)行基線提取，計算所述基線的變化幅度；其中，所述變化幅度為基線最大值減去最小值；

在生物電信號去掉基線后，對所述生物電信號進(jìn)行小波分解，獲得小波系數(shù)；根據(jù)小波系數(shù)計算小波系數(shù)的特征參數(shù)；包括均值、方差，峭度系數(shù)和/或斜度系數(shù)；

在生物電信號去掉基線后，計算生物電信號的LZ復(fù)雜度和樣本熵；

所述將所述信號特征數(shù)據(jù)輸入所述分類器模型，識別用戶當(dāng)前的睡眠狀態(tài)的步驟包括：

將所述基線的變化幅度、小波系數(shù)的特征參數(shù)、LZ復(fù)雜度和樣本熵輸入所述分類器模型。

3.根據(jù)權(quán)利要求1所述的智能輔助睡眠中的睡眠狀態(tài)識別方法，其特征在于，所述將所述信號特征數(shù)據(jù)輸入所述分類器模型，識別用戶當(dāng)前的睡眠狀態(tài)的步驟包括：

計算所述腦電信號的樣本熵，將該樣本熵與預(yù)先計算的樣本熵閾值進(jìn)行比較，若所述樣本熵大于所述樣本熵閾值，則判定用戶當(dāng)前處于清醒狀態(tài)。

4.根據(jù)權(quán)利要求2所述的智能輔助睡眠中的睡眠狀態(tài)識別方法，其特征在于，所述生物電信號包括為腦電信號；

所述從所述生物電信號中提取相應(yīng)的信號特征數(shù)據(jù)的步驟，還包括：

在小波重構(gòu)中提取所述生物電信號的δ波頻段、θ波頻段、α波頻段和β波頻段的信號；

計算δ波頻段、θ波頻段、α波頻段和β波頻段的能量在總能量中的比例系數(shù)；

計算δ波頻段，θ波頻段，α波頻段，β波頻段能量最大的時間長度；

其中，輸入所述分類器模型的數(shù)據(jù)包括：所述變化幅度、特征參數(shù)、LZ復(fù)雜度、血氧飽和度參數(shù)、比例系數(shù)及。

5.根據(jù)權(quán)利要求4所述的基于催眠術(shù)的智能輔助睡眠方法，其特征在于，所述計算δ波頻段、θ波頻段、α波頻段和β波頻段的能量在總能量中的比例系數(shù)的方法包括如下公式：

r_δ＝∑(y_δ)²/p_total

r_θ＝∑(y_θ)²/p_total

r_α＝∑(y_α)²/p_total

r_β＝∑(y_β)²/p_total

其中p_total＝∑(y_δ)²+∑(y_θ)²+∑(y_α)²+∑(y_β)²，y_δ，y_θ，y_α和y_β分別表示重構(gòu)后的δ頻段、θ頻段、α頻段和β頻段的信號，r_δ，r_θ，r_α和r_β分別代表δ頻段、θ頻段、α頻段和β頻段的信號的能量在總能量的比例。

6.根據(jù)權(quán)利要求4所述的基于催眠術(shù)的智能輔助睡眠方法，其特征在于，所述計算δ波頻段，θ波頻段，α波頻段，β波頻段能量最大的時間長度的方法包括如下公式：

$c_{\mathrm{\δ}}=\underset{i=1}{\overset{30}{\Σ}}{f}_{\mathrm{\δ}}^i,f_{\mathrm{\δ}}^i=\left\{\begin{array}{c}1,if{r}_{\mathrm{\δ}}^i=\max (r_{\mathrm{\δ}}^i,r_{\mathrm{\θ}}^i,r_{\mathrm{\α}}^i,r_{\mathrm{\β}}^i)\\ 0,if{r}_{\mathrm{\δ}}^i\≠\max (r_{\mathrm{\δ}}^i,r_{\mathrm{\θ}}^i,r_{\mathrm{\α}}^i,r_{\mathrm{\β}}^i)\end{array}\right.$

$c_{\mathrm{\θ}}=\underset{i=1}{\overset{30}{\Σ}}{f}_{\mathrm{\θ}}^i,f_{\mathrm{\θ}}^i=\left\{\begin{array}{c}1,if{r}_{\mathrm{\θ}}^i=\max (r_{\mathrm{\δ}}^i,r_{\mathrm{\θ}}^i,r_{\mathrm{\α}}^i,r_{\mathrm{\β}}^i)\\ 0,if{r}_{\mathrm{\θ}}^i\≠\max (r_{\mathrm{\δ}}^i,r_{\mathrm{\θ}}^i,r_{\mathrm{\α}}^i,r_{\mathrm{\β}}^i)\end{array}\right.$

$c_{\mathrm{\α}}=\underset{i=1}{\overset{30}{\Σ}}{f}_{\mathrm{\α}}^i,f_{\mathrm{\α}}^i=\left\{\begin{array}{c}1,if{r}_{\mathrm{\α}}^i=\max (r_{\mathrm{\δ}}^i,r_{\mathrm{\θ}}^i,r_{\mathrm{\α}}^i,r_{\mathrm{\β}}^i)\\ 0,if{r}_{\mathrm{\α}}^i\≠\max (r_{\mathrm{\δ}}^i,r_{\mathrm{\θ}}^i,r_{\mathrm{\α}}^i,r_{\mathrm{\β}}^i)\end{array}\right.$

$c_{\mathrm{\β}}=\underset{i=1}{\overset{30}{\Σ}}{f}_{\mathrm{\β}}^i,f_{\mathrm{\β}}^i=\left\{\begin{array}{c}1,if{r}_{\mathrm{\β}}^i=\max (r_{\mathrm{\δ}}^i,r_{\mathrm{\θ}}^i,r_{\mathrm{\α}}^i,r_{\mathrm{\β}}^i)\\ 0,if{r}_{\mathrm{\β}}^i\≠\max (r_{\mathrm{\δ}}^i,r_{\mathrm{\θ}}^i,r_{\mathrm{\α}}^i,r_{\mathrm{\β}}^i)\end{array}\right.$

式中，c_δ，c_θ，c_α和c_β表示δ頻段、θ頻段、α頻段和β頻段的信號在當(dāng)前幀內(nèi)所占能量比例最大的時間長度，分別表示第i秒內(nèi)δ頻段、θ頻段、α頻段和β頻段的信號的能量在總能量的比例。

7.根據(jù)權(quán)利要求1至6任一項所述的智能輔助睡眠中的睡眠狀態(tài)識別方法，其特征在于，還包括：在訓(xùn)練所述分類器模型時，采用網(wǎng)格測試方法選擇最優(yōu)的懲罰因子C，rbf核的參數(shù)σ的參數(shù)σ，其中，所述懲罰因子C、參數(shù)σ的取值范圍分別是C：2^-2～2¹²,σ:2^-2～2¹⁰；

同時調(diào)節(jié)懲罰因子C和參數(shù)σ，將識別率最高的參數(shù)作為最優(yōu)的參數(shù)；并在獲得最優(yōu)的參數(shù)后，利用最優(yōu)的參數(shù)在訓(xùn)練數(shù)據(jù)上重新訓(xùn)練分類器，然后在測試數(shù)據(jù)上進(jìn)行測試；

將在測試數(shù)據(jù)上取得最優(yōu)總體識別率的分類器模型作為最佳的分類器模型進(jìn)行使用。

8.根據(jù)權(quán)利要求1所述的智能輔助睡眠中的睡眠狀態(tài)識別方法，其特征在于，所述睡眠狀態(tài)包括：清醒，非眼快動睡眠和眼快動睡眠；其中，非眼快動睡眠入睡期，淺睡期，中等睡眠期和深度睡眠期四個狀態(tài)。

9.根據(jù)權(quán)利要求1所述的智能輔助睡眠中的睡眠狀態(tài)識別方法，其特征在于，檢測非眼快動睡眠入睡期，淺睡期，中等睡眠期和深度睡眠期四個狀態(tài)包括如下步驟：

從腦電信號中檢測K綜合波，當(dāng)檢測到K綜合波時，判斷用戶當(dāng)前處于非眼快動睡眠的S2周期；

根據(jù)δ波波形特征從所述腦電波中檢測δ波，統(tǒng)計檢測到δ波的數(shù)量；并根據(jù)δ波的數(shù)量確定用戶的非眼快動睡眠的S3和S4周期。

10.一種智能輔助睡眠中的睡眠狀態(tài)識別系統(tǒng)，其特征在于，包括：

采集模塊，用于采集用戶在智能輔助睡眠中產(chǎn)生的生物電信號；

提取模塊，用于根據(jù)預(yù)先訓(xùn)練的分類器模型的信號特征類型，從所述生物電信號中提取相應(yīng)的信號特征數(shù)據(jù)；

識別模塊，用于將所述信號特征數(shù)據(jù)輸入所述分類器模型，識別用戶當(dāng)前的睡眠狀態(tài)。