睡眠阶段监测方法、装置、计算机和存储介质

技术领域

本发明涉及睡眠阶段监测技术领域，特别涉及一种睡眠阶段监测方法、装置、计算机和存储介质。

背景技术

睡眠对人体健康发挥着不可或缺的作用，整夜睡眠质量监测和准确评估对于睡眠相关疾病的诊断和治疗，以及心理和行为的分析和预测至关重要。人的睡眠状态会影响多种生理信号，如脑电图（EEG）、心电图（ECG）、眼电图（EOG）、肌电图（EMG）、呼吸、姿态、血氧饱和度等。多导睡眠描记术（PSG）可全面记录人在睡眠时的生理变化，被称为睡眠质量监测的金标准。然而，由于PSG需要专门的设备和专业医师辅助，且价格昂贵，无法应用于日常生活中。

目前，已有一些技术可用于非医院环境中的睡眠质量监测，如基于脑电图、眼动追踪的睡眠监测技术。脑电波和眼动的变化可以直接反应人的睡眠状态，因此评估精度较高。然而，这两种技术所需设备佩戴复杂、价格高昂，推广较为困难。

人的睡眠结构分为入睡期（W）、浅睡期（N1）、熟睡期（N2）、深睡期（N3）和快速眼动期（REM）五个阶段，其中，N1、N2和N3为非快速眼动期（NREM）。五个阶段每90-110分钟循环一次，称为一个睡眠周期，成年人在睡眠期间总共有4到6个周期。由于睡眠对人体生理信号的影响具有复杂性，以及极大的个性化差异和不确定性。目前的、居家使用的睡眠监测均无法对睡眠的五个阶段进行准确分类，基本只能区分差别较为明显的三个阶段，因此无法全面评估用户日常睡眠状态。

发明内容

基于此，有必要针对上述技术问题，提供一种睡眠阶段监测方法、装置、计算机和存储介质。

一种睡眠阶段监测方法，包括：

获取人体的各类样本生理信息；

通过改进SAE模型对各类所述样本生理信息进行特征提取与重构，获得重构特征；

根据所述重构特征生成特征数据集；

将所述特征数据集输入至SVM模型对所述SVM模型进行训练，得到用于识别睡眠阶段的分类模型。

在其中一个实施例中，所述通过改进SAE模型对各类所述样本生理信息进行特征提取与重构，获得重构特征的步骤中，所述改进SAE模型包括输入层、若干隐藏层、若干dropout层和输出层；

所述输入层用于输入各类所述样本生理信息；

所述隐藏层用于对所述样本生理信息进行数据降维，并对所述样本生理信息提取特征，得到重构特征；

所述dropout层用于对提取的所述重构特征进行正则化处理，以避免所述重构特征过拟合；

所述输出层用于输出所述重构特征。

在其中一个实施例中，所述改进SAE模型中编码器编码和解码的过程如下列式子：

其中，

在其中一个实施例中，所述将所述特征数据集输入至SVM模型对所述SVM模型进行训练，得到用于识别睡眠阶段的分类模型的步骤包括：

将所述特征数据集按预设比例划分为训练集和测试集；

使用所述训练集对所述SVM模型进行训练，使用所述测试集对训练得到的分类模型进行测试，得到所述用于识别睡眠阶段的分类模型。

在其中一个实施例中，所述使用所述训练集对所述SVM模型进行训练，使用所述测试集对训练得到的分类模型进行测试，得到所述用于识别睡眠阶段的分类模型的步骤包括：

使用所述训练集对所述SVM模型进行训练，使用所述测试集对训练得到的分类模型进行测试，通过交叉验证对所述SVM模型进行评估，得到所述用于识别睡眠阶段的分类模型。

在其中一个实施例中，人体的各类所述样本生理信息包括：姿态信息、心率信息、血氧信息、体温信息、声音信息、皮肤电导水平信息、皮肤电导反应信息、褪黑素浓度信息、多巴胺浓度信息和维生素C浓度信息。

一种睡眠阶段监测装置，包括：

样本生理信息获取模块，用于获取人体的各类样本生理信息；

特征提取模块，用于通过改进SAE模型对各类所述样本生理信息进行特征提取与重构，获得重构特征；

特征数据集生成模块，用于根据所述重构特征生成特征数据集；

分类模型训练模块，用于将所述特征数据集输入至SVM模型对所述SVM模型进行训练，得到用于识别睡眠阶段的分类模型。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：

获取人体的各类样本生理信息；

通过改进SAE模型对各类所述样本生理信息进行特征提取与重构，获得重构特征；

根据所述重构特征生成特征数据集；

将所述特征数据集输入至SVM模型对所述SVM模型进行训练，得到用于识别睡眠阶段的分类模型。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取人体的各类样本生理信息；

通过改进SAE模型对各类所述样本生理信息进行特征提取与重构，获得重构特征；

根据所述重构特征生成特征数据集；

将所述特征数据集输入至SVM模型对所述SVM模型进行训练，得到用于识别睡眠阶段的分类模型。

一种计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取人体的各类样本生理信息；

通过改进SAE模型对各类所述样本生理信息进行特征提取与重构，获得重构特征；

根据所述重构特征生成特征数据集；

将所述特征数据集输入至SVM模型对所述SVM模型进行训练，得到用于识别睡眠阶段的分类模型。

上述睡眠阶段监测方法、装置、计算机和存储介质，在采集得到用户的身体的各种样本生理信息后，通过改进SAE模型对各类所述样本生理信息进行特征提取与重构，获得重构特征，并且利用SVM模型对基于重构特征生成的特征数据集进行训练，从而得到能够识别睡眠阶段的分类模型，基于该能够识别睡眠阶段的分类模型能够监测用户各个睡眠阶段的时长并评估用户的睡眠状态，有效预防睡眠障碍疾病。

附图说明

图1为一个实施例中睡眠阶段监测方法的应用场景示意图；

图2为一个实施例中睡眠阶段监测方法的流程示意图；

图3为一个实施例中睡眠阶段监测装置的结构框图；

图4为一个实施例中计算机设备的内部结构图；

图5为一个实施例中的睡眠阶段监测方法的数据处理过程示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

实施例一

本申请提供的睡眠阶段监测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、服务器、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，比如，该终端102为智能腕带。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中，终端102为手环或者腕带，终端102采集获取多个用户的各类的样本生理信息，并发送至服务器104，服务器104通过改进SAE模型对各类所述样本生理信息进行特征提取与重构，获得重构特征，根据所述重构特征生成特征数据集，将所述特征数据集输入至SVM模型对所述SVM模型进行训练，得到用于识别睡眠阶段的分类模型。

实施例二

本实施例中，如图2所示，提供了一种睡眠阶段监测方法，其包括：

步骤210，获取人体的各类样本生理信息。

本实施例中，通过各种类型的传感器采集人体的各类样本生理信息，本实施例中，通过佩戴于用户手上的智能腕带上的各传感器采集人体的各类生理信息，作为样本，从而得到各类样本生理信息，其中，该样本生理信息是与人体水面相关的生理信息。

一个实施例中，提供一种智能腕带，该智能腕带包括电源、充电模块、微控制器、存储模块、光电传感模块、皮肤电传感模块、惯性测量单元（IMU）传感模块、温度传感模块、声音传感模块、褪黑素传感模块、多巴胺传感模块以及维生素C传感模块。该智能腕带可以视为计算机设备，该微控制器即为下面实施例中计算机设备中的处理器。

控制逻辑如下：微控制器控制存储模块和八个传感器模块。在每个采样时刻，微控制器轮询读取各传感器采集到的数据，并整合数据包进行存储。在下一个采样时刻到来之前，微控制器与传感器模块均进入休眠状态，以降低功耗。定时器中断到来时，各模块恢复正常工作，并重复采样过程。

步骤220，通过改进SAE模型对各类所述样本生理信息进行特征提取与重构，获得重构特征。

本实施例中，该改进SAE（堆栈自编码器）模型能够对样本生理信息进行特征提取，并且对特征进行重构，从而得到重构特征。

步骤230，根据所述重构特征生成特征数据集。

本实施例中，在特征重构之后，将特征和标签制作成新的特征数据集，得到特征数据集。

步骤240，将所述特征数据集输入至SVM模型对所述SVM模型进行训练，得到用于识别睡眠阶段的分类模型。

本实施例中，SVM（Support Vector Machine，支持向量机）模型支持训练集和测试集的训练，以特征数据集划分为训练集和测试集，利用训练集对SVM进行训练，利用测试集对SVM模型进行测试，从而得到用于识别睡眠阶段的分类模型。

步骤250，采集获取用户当前的人体生理信息。

本实施例中，在获得用于识别睡眠阶段的分类模型后，通过佩戴在用户的手腕上的智能腕带实时采集用户的生理信息，从而获得当前的人体生理信息。

步骤260，将所述人体生理信息输入至改进SAE模型进行特征提取与重构，得到重构特征，将基于所述重构特征生成的特征数据集输入用于识别睡眠阶段的分类模型，通过所述用于识别睡眠阶段的分类模型识别用户所处的睡眠阶段。

本实施例中，将实时采集的人体生理信息输入至双层结构模型，依次输入至改进SAE模型进行特征提取与重构，将基于所述重构特征生成的特征数据集输入用于识别睡眠阶段的分类模型，从而能够实现对用户的实时的睡眠阶段的监测，通过智能腕带采集信息，并且精确监测得到用户的五个睡眠阶段，有效预防睡眠障碍疾病。

在一个实施例中，所述通过改进SAE模型对各类所述样本生理信息进行特征提取与重构，获得重构特征的步骤中，所述改进SAE模型包括输入层、若干隐藏层、若干dropout层和输出层；所述输入层用于输入各类所述样本生理信息；所述隐藏层用于对所述样本生理信息进行数据降维，并对所述样本生理信息提取特征，得到重构特征；所述dropout层用于对提取的所述重构特征进行正则化处理，以避免所述重构特征过拟合；所述输出层用于输出所述重构特征。

本实施例中，输入层用于输入经过预处理的姿态信息、心率信息、血氧信息、体温信息、声音信息、皮肤电导水平信息、皮肤电导反应信息、褪黑素浓度信息、多巴胺浓度信息和维生素C浓度信息；隐藏层用于重新提取特征，由于输入数据维度过大，隐藏层的维度应小于输入层，从而达到数据降维的效果。

此外，本实施例中，改进SAE模型还包括若干dropout层，应该理解的是，传统的SAE模型不含dropout层，然而，然而，由于本方案中测得的人体的生理信息过多，易出现过拟合的问题。因此对SAE模型做出改进，在每一个隐藏层后面都建立dropout层，使用正则化的方法避免过拟合。

在一个实施例中，所述改进SAE模型中编码器编码和解码的过程如下列式子：

其中，

在一个实施例中，所述将所述特征数据集输入至SVM模型对所述SVM模型进行训练，得到用于识别睡眠阶段的分类模型的步骤包括：将所述特征数据集按预设比例划分为训练集和测试集；使用所述训练集对所述SVM模型进行训练，使用所述测试集对训练得到的分类模型进行测试，得到所述用于识别睡眠阶段的分类模型。

本实施例中，特征重构之后，将特征和标签制作成新的特征数据集，按照7：3划分为训练集和测试集。使用测试集训练支持向量机（SVM）模型，并通过十折交叉验证对模型进行评估，最终生成可用于五个睡眠阶段分期的分类模型。

在一个实施例中，所述使用所述训练集对所述SVM模型进行训练，使用所述测试集对训练得到的分类模型进行测试，得到所述用于识别睡眠阶段的分类模型的步骤包括：使用所述训练集对所述SVM模型进行训练，使用所述测试集对训练得到的分类模型进行测试，通过十折交叉验证对所述SVM模型进行评估，得到所述用于识别睡眠阶段的分类模型。

本实施例中，该预设比例为训练集和测试集之比为7:3。本实施例中，将特征数据集按照7:3的比例分为训练集和测试集，采用十折交叉验证的方法通过训练集对SVM模型进行训练。采用网格搜索进行超参数优化，从而得到能够识别睡眠阶段的分类模型。

在一个实施例中，人体的各类所述样本生理信息包括：姿态信息、心率信息、血氧信息、体温信息、声音信息、皮肤电导水平信息、皮肤电导反应信息、褪黑素浓度信息、多巴胺浓度信息和维生素C浓度信息。

本实施例中，通过光电传感模块采集心率信息和血氧信息，通过皮肤电传感模块采集皮肤电导水平信息、皮肤电导反应信息，通过惯性测量单元传感模块采集姿态信息，通过温度传感模块采集体温信息，通过声音传感模块采集声音信息，通过褪黑素传感模块采集褪黑素浓度信息，通过多巴胺传感模块采集多巴胺浓度信息，通过维生素C传感模块采集维生素C浓度信息。

应该理解的是，不同的睡眠阶段心率和动脉的血氧饱和度也不同。光电传感器模块利用光电容积描记法（PPG）采集心率和血氧信息，其原理为当LED（light-emittingdiode，发光二极管）光射向皮肤，透过皮肤组织反射回的光被光敏传感器接受，接收到的光信号被光敏传感器转换成电信号，再经过AD转换成数字信号。LED光在反射之后会发生衰减，在测量时没有大幅运动的情况下，肌肉、骨骼等组织对光的吸收基本保持恒定，只包含在电信号的直流部分中，而动脉对光的吸收随着血液流动而发生变化，组成了电信号中的交流部分。因此，提取交流信号即可反应心率。血液中氧合血红蛋白HbO2和血红蛋白Hb含量存在一定的比例，氧和血红蛋白占总血红蛋白的百分数即为血氧。Hb对600-800nm波长的光吸收系数较高，HBO2对800-1000波长的光吸收系数更高。所以可以利用红光（600-800nm）和红外光（800-1000nm）分别检测HbO2和Hb的浓度，然后根据式（1）得到血氧值。

光电传感器主要包含三个可调制LED，光敏传感器、滤波器、信号放大电路和模数转换电路。三个LED分别发出绿光、红光和红外光，光波长可根据用户的皮肤及血管特征进行调制。经过血管反射的光信号被光敏传感器接收并转化成电信号，经过滤波、放大之后，再通过模数转换电路转换成数字信号输出。

绿光代表的心率信号呈波峰-波谷周期性变化，每一次脉搏跳动对应一次波形的突变，通过对波峰进行计数，即可计算心率。算法如下：记原始信号为S, 本征模式函数为IMF。将心率信号进行经验模态分解，分解结果中：IMF(1)代表高频噪声, 需要滤除；IMF(3)频率与心率相近, 将其与原始数据相加, 提高信号的功率；IMF(4)代表着低频的运动伪影, 需要滤除。因此，最终用于峰值提取的信号为S-IMF(1)-IMF(4)+IMF(3)。利用峰值提取算法，寻找用于峰值提取的信号的局部峰值点，且两个峰值点间隔至少大于0.3s (对应180bpm心率)。取该事件序列中的所有峰值事件的时间间隔平均值，并根据采样率，即可求得心率。

根据Beer-Lambert定律计算血氧含量，假设入射光强度为

其中，

其中

假设两光的波长为

其中A和B是与

皮肤电反应是指机体受到刺激时皮肤电传导的变化。其原理是，当机体受外界刺激或情绪状态发生改变时，其植物神经系统的活动就会引起皮肤内血管的舒张和收缩以及汗腺分泌等变化，从而导致皮肤电阻发生改变。早晨皮肤电水平较低，中午最高，晚上又降低；睡眠或催眠时较低，觉醒后很快升高。皮肤电传感器模块由两个传感电极和信号处理电路组成。传感电极采集腕部的皮肤电信号并传输到信号处理电路，滤除伪影及工频噪声，实现信号梳理。处理后的信号利用经验模态分解分为皮肤电导水平信息（皮肤电导基线、变化缓慢）和皮肤电导反应信息（变化幅度更高、速度更快）。

不同的睡眠阶段动作的频率和幅度不相同，一般来说，在浅睡期翻身等动作较为频繁，而深睡期动作较少，且幅度较小。本实施例中，惯性测量单元传感模块为九轴IMU，该九轴IMU包含三轴陀螺仪、三轴加速计和三轴磁强计，是九轴运动跟踪设备。对加速度计和磁强计进行椭球校准，对陀螺仪进行零漂校准。将采样率设置为10Hz，并对采集到的信号进行滤波处理。

人在清醒状态时的体温要高于睡觉时的体温。睡觉时体温会下降，内脏、肌肉、大脑都进入到休息的状态。通常情况下，清醒时体内温度要比体表温度高2℃。温度传感器模块包括低温度系数晶振、高温度系数晶振和存储单元，低温度系数晶振的振荡频率受温度影响很小，用于产生固定频率的脉冲信号，高温度系数晶振随温度变化其振荡频率明显改变。存储单元和计数器将晶振的振荡频率转化成温度数字信号。

睡眠过程中的声音信息（鼾声、腕部与纺织品的摩擦等）也可反应睡眠状态，因此，可以通过检测声音信息来辅助评估睡眠状态。声音传感模块包括MEMS麦克风、信号处理电路和模数转换电路。麦克风收集人声信号并转化成电信号，传输至信号处理电路进行降噪和放大，模数转换电路将模拟信号转换为数字信号输出。

褪黑激素是色氨酸的衍生物，由松果体释放并控制昼夜节律，包括睡眠-觉醒时间、血压和季节性繁殖。它的水平在夜间或睡眠期间达到峰值，并作为昼夜节律失调的生物标志物。检测汗液中褪黑激素的含量可实时监测睡眠模式。褪黑素传感器模块包含一对石墨烯-壳聚糖薄膜电极和信号处理电路。褪黑素可与电极发生氧化还原反应，形成与褪黑素浓度呈线性关系的氧化电流，信号处理电路读取氧化电流，并对其进行去噪、放大和模数转换处理，输出的数字信号大小即可反应褪黑素的浓度。

维生素C对睡眠质量发挥着重要的作用，体内维生素C不足可能会导致睡眠障碍疾病。可以通过收集汗液来检测体内维生素C的含量。维生素C传感模块包括感应贴片和信号处理电路，感应贴片正极含有抗坏血酸氧化酶，能够催化汗液中的褪黑素与氧气反应，该过程会在正负极之间产生氧化还原电流，通过电路检测电流大小实现对汗液中维生素C的检测。电流信号通过信号放大、ADC转换，最终测量值与汗液中维生素C含量成正比。

在不同的睡眠阶段多巴胺的激素水平不同。在清醒时，多巴胺的浓度较高，而在睡眠状态下，多巴胺浓度较低。多巴胺传感模块通过基于镍金属-有机骨架复合材料/金纳米粒子包覆碳纳米管（Ni-MOF复合材料/金纳米粒子/碳纳米管）柔性电极，采用差分脉冲伏安法（DPV）和安培法，可实现对汗液内多巴胺的检测。

智能腕带易受环境噪声、生理伪影的影响，各传感器间也存在电磁干扰，均会对传感数据造成影响。设计差模滤波电路、共模滤波电路、50Hz的陷波滤波器进行滤波。对于滤波后的信号，采用自适应阈值法检测异常点，并使用阈值代替异常点的值，完成数据的预处理。

实施例三

本实施例中，提供一种睡眠阶段监测方法，该方法采用基于改进堆栈自编码器（SAE）和支持向量机（SVM）的双层结构模型对睡眠阶段进行分类。

请结合图5，样本生理信息包括姿态信息、心率信息、血氧信息、体温信息、声音信息、皮肤电导水平信息、皮肤电导反应信息、褪黑素浓度信息、多巴胺浓度信息和维生素C浓度信息。智能腕带通过光电传感器采集心率信息和血氧信息，通过皮肤电传感器采集皮肤电导水平信息、皮肤电导反应信息，通过惯性测量单元传感器采集姿态信息，通过温度传感器采集体温信息，通过声音传感器采集声音信息，通过褪黑素传感器采集褪黑素浓度信息，通过多巴胺传感器采集多巴胺浓度信息，通过维生素C传感器采集维生素C浓度信息。

在采集得到姿态信息、心率信息、血氧信息、体温信息、声音信息、皮肤电导水平信息、皮肤电导反应信息、褪黑素浓度信息、多巴胺浓度信息和维生素C浓度信息后，将输入至改进SAE模型。改进SAE模型可对数据特征进行提取与重构，提取后的特征输入第二层SVM模型，实现睡眠阶段的多分类和预测。数据处理的算法如下：

首先，建立改进堆叠自编码器（SAE）对生理信号进行特征提取。改进SAE在SAE的基础上，增加了dropout层以防止过拟合，具体的结构如下：

（1）输入层

（2）若干隐藏层

（3）若干dropout层：SAE模型没有dropout层，然而，由于手环测得的生理数据参数过多，易出现过拟合的问题。因此对改进SAE模型做出改进，在每一个隐藏层后面都建立dropout层，使用正则化的方法避免过拟合。

（4）输出层

SAE中单个编码器均由编码和解码两个过程实现，即：

其中，

特征重构之后，将特征和标签制作成新的特征数据集，按照7：3划分为训练集和测试集。使用测试集训练支持向量机（SVM）模型，并通过十折交叉验证对模型进行评估，最终生成可用于五个睡眠阶段分期的分类模型。

上述实施例中，智能腕带搭载光电传感器、皮肤电传感器、九轴惯性测量单元（IMU）、体温传感器、声音传感器、褪黑素传感器、多巴胺传感器和维生素C传感器的睡眠监测腕带。利用采集到的睡眠信息，搭建了双层结构的多基于改进堆叠自编码器和支持向量机的分类模型，最终实现五个睡眠阶段的精确分类，并将分类结果与PSG的检测结果进行比对，验证了模型可行性。

应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

实施例四

本实施例中，如图3所示，提供一种睡眠阶段监测装置，包括：

样本生理信息获取模块310，用于获取人体的各类样本生理信息；

特征提取模块320，用于通过改进SAE模型对各类所述样本生理信息进行特征提取与重构，获得重构特征；

特征数据集生成模块330，用于根据所述重构特征生成特征数据集；

分类模型训练模块340，用于将所述特征数据集输入至SVM模型对所述SVM模型进行训练，得到用于识别睡眠阶段的分类模型。

在一个实施例中，所述改进SAE模型包括输入层、若干隐藏层、若干dropout层和输出层；

所述输入层用于输入各类所述样本生理信息；

所述隐藏层用于对所述样本生理信息进行数据降维，并对所述样本生理信息提取特征，得到重构特征；

所述dropout层用于对提取的所述重构特征进行正则化处理，以避免所述重构特征过拟合；

所述输出层用于输出所述重构特征。

在一个实施例中，所述改进SAE模型中编码器编码和解码的过程如下列式子：

其中，

在一个实施例中，所述分类模型训练模块包括：

训练集划分单元，用于将所述特征数据集按预设比例划分为训练集和测试集；

分类模型训练单元，用于使用所述训练集对所述SVM模型进行训练，使用所述测试集对训练得到的分类模型进行测试，得到所述用于识别睡眠阶段的分类模型。

在一个实施例中，所述分类模型训练单元还用于使用所述训练集对所述SVM模型进行训练，使用所述测试集对训练得到的分类模型进行测试，通过十折交叉验证对所述SVM模型进行评估，得到所述用于识别睡眠阶段的分类模型。

在一个实施例中，人体的各类所述样本生理信息包括：姿态信息、心率信息、血氧信息、体温信息、声音信息、皮肤电导水平信息、皮肤电导反应信息、褪黑素浓度信息、多巴胺浓度信息和维生素C浓度信息。

关于睡眠阶段监测装置的具体限定可以参见上文中对于睡眠阶段监测方法的限定，在此不再赘述。上述睡眠阶段监测装置中的各个单元可全部或部分通过软件、硬件及其组合来实现。上述各单元可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个单元对应的操作。

实施例五

本实施例中，提供了计算机设备，该计算机设备可以是便携式可穿戴设备，本实施例中，该计算机设备为智能腕带。其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有计算机程序，且该非易失性存储介质用于存储用户的人体生理信号。该内存储器为非易失性存储介质中的计算机程序的运行提供环境。该计算机设备的网络接口用于与其他计算机设备通信，比如与服务器连接，该网络接口为无线网络接口，能够接入移动通信网络与服务器连接。该计算机程序被处理器执行时以实现一种情绪识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，在一些实施例中，该输入装置包括触感器，该输入装置包括光电传感模块、皮肤电传感模块、惯性测量单元（IMU）传感模块、温度传感模块、声音传感模块、褪黑素传感模块、多巴胺传感模块以及维生素C传感模块，该输入装置的各传感器模块用于采集用户的生理信息，作为输入信息。

本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取人体的各类样本生理信息；

通过改进SAE模型对各类所述样本生理信息进行特征提取与重构，获得重构特征；

根据所述重构特征生成特征数据集；

将所述特征数据集输入至SVM模型对所述SVM模型进行训练，得到用于识别睡眠阶段的分类模型。

在一个实施例中，所述改进SAE模型包括输入层、若干隐藏层、若干dropout层和输出层；

所述输入层用于输入各类所述样本生理信息；

所述隐藏层用于对所述样本生理信息进行数据降维，并对所述样本生理信息提取特征，得到重构特征；

所述dropout层用于对提取的所述重构特征进行正则化处理，以避免所述重构特征过拟合；

所述输出层用于输出所述重构特征。

在一个实施例中，所述改进SAE模型中编码器编码和解码的过程如下列式子：

其中，

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将所述特征数据集按预设比例划分为训练集和测试集；

使用所述训练集对所述SVM模型进行训练，使用所述测试集对训练得到的分类模型进行测试，得到所述用于识别睡眠阶段的分类模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

使用所述训练集对所述SVM模型进行训练，使用所述测试集对训练得到的分类模型进行测试，通过交叉验证对所述SVM模型进行评估，得到所述用于识别睡眠阶段的分类模型。

在一个实施例中，人体的各类所述样本生理信息包括：姿态信息、心率信息、血氧信息、体温信息、声音信息、皮肤电导水平信息、皮肤电导反应信息、褪黑素浓度信息、多巴胺浓度信息和维生素C浓度信息。

实施例六

本实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取人体的各类样本生理信息；

通过改进SAE模型对各类所述样本生理信息进行特征提取与重构，获得重构特征；

根据所述重构特征生成特征数据集；

将所述特征数据集输入至SVM模型对所述SVM模型进行训练，得到用于识别睡眠阶段的分类模型。

在一个实施例中，所述通过改进SAE模型对各类所述样本生理信息进行特征提取与重构，获得重构特征的步骤中，所述改进SAE模型包括输入层、若干隐藏层、若干dropout层和输出层；

所述输入层用于输入各类所述样本生理信息；

所述隐藏层用于对所述样本生理信息进行数据降维，并对所述样本生理信息提取特征，得到重构特征；

所述dropout层用于对提取的所述重构特征进行正则化处理，以避免所述重构特征过拟合；

所述输出层用于输出所述重构特征。

在一个实施例中，所述改进SAE模型中编码器编码和解码的过程如下列式子：

其中，

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将所述特征数据集按预设比例划分为训练集和测试集；

使用所述训练集对所述SVM模型进行训练，使用所述测试集对训练得到的分类模型进行测试，得到所述用于识别睡眠阶段的分类模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

使用所述训练集对所述SVM模型进行训练，使用所述测试集对训练得到的分类模型进行测试，通过十折交叉验证对所述SVM模型进行评估，得到所述用于识别睡眠阶段的分类模型。

在一个实施例中，人体的各类所述样本生理信息包括：姿态信息、心率信息、血氧信息、体温信息、声音信息、皮肤电导水平信息、皮肤电导反应信息、褪黑素浓度信息、多巴胺浓度信息和维生素C浓度信息。

实施例七

本实施例中，提供了一种计算机程序，计算机程序被处理器执行时实现以下步骤：

获取人体的各类样本生理信息；

通过改进SAE模型对各类所述样本生理信息进行特征提取与重构，获得重构特征；

根据所述重构特征生成特征数据集；

将所述特征数据集输入至SVM模型对所述SVM模型进行训练，得到用于识别睡眠阶段的分类模型。

在一个实施例中，所述通过改进SAE模型对各类所述样本生理信息进行特征提取与重构，获得重构特征的步骤中，所述改进SAE模型包括输入层、若干隐藏层、若干dropout层和输出层；

所述输入层用于输入各类所述样本生理信息；

所述隐藏层用于对所述样本生理信息进行数据降维，并对所述样本生理信息提取特征，得到重构特征；

所述dropout层用于对提取的所述重构特征进行正则化处理，以避免所述重构特征过拟合；

所述输出层用于输出所述重构特征。

在一个实施例中，所述改进SAE模型中编码器编码和解码的过程如下列式子：

其中，

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将所述特征数据集按预设比例划分为训练集和测试集；

使用所述训练集对所述SVM模型进行训练，使用所述测试集对训练得到的分类模型进行测试，得到所述用于识别睡眠阶段的分类模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

使用所述训练集对所述SVM模型进行训练，使用所述测试集对训练得到的分类模型进行测试，通过十折交叉验证对所述SVM模型进行评估，得到所述用于识别睡眠阶段的分类模型。

在一个实施例中，人体的各类所述样本生理信息包括：姿态信息、心率信息、血氧信息、体温信息、声音信息、皮肤电导水平信息、皮肤电导反应信息、褪黑素浓度信息、多巴胺浓度信息和维生素C浓度信息。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。