一种睡眠分期方法、装置、存储介质及电子设备

技术领域

本说明书涉及医疗技术领域，尤其涉及一种睡眠分期方法、装置、存储介质及电子设备。

背景技术

用户在睡眠的过程中，睡眠状态会周期性地不断变化。而在一个睡眠周期中，用户的状态也会按照一定的规律发生改变。在一个睡眠周期的不同时段中，用户会处于不同的睡眠状态，而对于这些状态进行划分便是睡眠分期。在医学领域中，睡眠分期是一种被广泛使用的辅助医疗手段，通过对用户的睡眠状态进行分析，确定出用户睡眠时各阶段分布情况，能够有效地发现用户存在的异常。

但目前，现有的睡眠分期方法存在一定的局限性。现有方法在进行睡眠分期时需要手动处理和分析大量的睡眠信号数据，需要经验丰富且经过高度训练的技术人员进行操作和分析。过程非常耗时且繁琐，需要大量的人力和时间投入，成本较高。同时，这一过程依赖于技术人员的主观判断，不同的技术人员可能会在分类和评估睡眠阶段时产生一定的差异，降低了睡眠分期的可靠性和可比性。

因此，如何摆脱睡眠分期对人工的依赖，并提高睡眠分期的准确性是一个亟待解决的问题。

发明内容

本说明书提供一种睡眠分期方法、装置、存储介质及电子设备，以至少部分地解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种睡眠分期方法，包括：

获取目标用户在睡眠时的生理信号图；

根据所述生理信号图的图像周期对所述生理信号图进行划分，得到分段信号图；

将各分段信号图输入预先训练的分析模型，所述分析模型至少包括提取子网、第一输出子网、上下文子网、第二输出子网；

通过所述提取子网提取所述各分段信号图的图像特征；

针对每个分段信号图，将该分段信号图的图像特征输入所述第一输出子网，得到该分段信号图的待定睡眠分期结果；

将该分段信号图的图像特征和在对所述生理信号图进行划分时与该分段信号图相邻的分段信号图的图像特征输入所述上下文子网，得到该分段信号图的上下文特征，所述上下文特征用于表征在划分时与该分段信号图相邻的分段信号图和该分段信号图之间的关联关系；

将所述上下文特征与所述待定睡眠分期结果输入所述第二输出子网，得到该分段信号图的最终睡眠分期结果。

可选地，所述生理信号图包括脑电图、眼动图中的至少一种。

可选地，在根据所述生理信号图的图像周期对所述生理信号图进行划分之前，所述方法还包括：

针对每个生理信号图，去除该生理信号图中包含的生理信号受到其它生理信号干扰的信号值。

可选地，所述生理信号图为波形图；

在根据所述生理信号图的图像周期对所述生理信号图进行划分之前，所述方法还包括：

针对每个生理信号图，对该生理信号图的坐标轴进行调整，使该生理信号图中信号的像素幅度处于预设范围内，并使该生理信号图的尺寸大小为预设大小。

可选地，根据所述生理信号图的图像周期对所述生理信号图进行划分，得到分段信号图，具体包括：

将所述生理信号图的图像周期确定为划分周期；

按照所述划分周期对所述生理信号图进行划分，得到若干持续时长为所述划分周期的分段信号图。

可选地，预先训练分析模型，具体包括：

获取样本用户在睡眠时的样本生理信号图；

根据所述样本生理信号图的图像周期对所述样本生理信号图进行划分，得到样本分段信号图，并确定每个样本分段信号图的标注睡眠分期结果；

将各样本分段信号图输入待训练的分析模型；

通过所述提取子网提取所述各样本分段信号图的样本图像特征；

针对每个样本分段信号图，将该样本分段信号图的样本图像特征输入所述第一输出子网，得到该样本分段信号图的样本待定睡眠分期结果；

将该样本分段信号图的样本图像特征在对所述样本生理信号图进行划分时与该样本分段信号图相邻的样本分段信号图的样本图像特征输入所述上下文子网，得到该样本分段信号图的样本上下文特征；

将所述样本上下文特征与所述样本待定睡眠分期结果输入所述第二输出子网，得到该样本分段信号图的样本最终睡眠分期结果；

根据所述样本最终睡眠分期结果与所述标注睡眠分期结果之间的差异，对所述分析模型进行训练。

可选地，根据所述样本最终睡眠分期结果与所述标注睡眠分期结果之间的差异，对所述分析模型进行训练，具体包括：

根据该样本分段信号图的标注睡眠分期结果，确定该样本分段信号图的训练权重；

根据所述样本最终睡眠分期结果与所述标注睡眠分期结果之间的差异以及所述训练权重，对所述分析模型进行训练。

可选地，根据该样本分段信号图的标注睡眠分期结果，确定该样本分段信号图的训练权重，具体包括：

确定标注睡眠分期结果为该样本分段信号图的标注睡眠分期结果的样本分段信号图的目标数量；

根据所述目标数量在样本分段信号图的总数量中的占比，确定该样本分段信号图的训练权重。

本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述睡眠分期方法。

本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述睡眠分期方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在采用本方法时，获取目标用户在睡眠时的生理信号图；根据所述生理信号图的图像周期对所述生理信号图进行划分，得到分段信号图；将各分段信号图输入预先训练的分析模型，所述分析模型至少包括提取子网、第一输出子网、上下文子网、第二输出子网；通过所述提取子网提取所述各分段信号图的图像特征；针对每个分段信号图，将该分段信号图的图像特征输入所述第一输出子网，得到该分段信号图的待定睡眠分期结果；将该分段信号图的图像特征和在对所述生理信号图进行划分时与该分段信号图相邻的分段信号图的图像特征输入所述上下文子网，得到该分段信号图的上下文特征，所述上下文特征用于表征在划分时与该分段信号图相邻的分段信号图和该分段信号图之间的关联关系；将所述上下文特征与所述待定睡眠分期结果输入所述第二输出子网，得到该分段信号图的最终睡眠分期结果。

在采用本说明书提供的睡眠分期方法对目标用户进行睡眠分期时，可获取并划分目标用户在睡眠时的生理信号图，得到分段信号图，并将各分段信号图输入到预先训练的分析模型中；通过提取子网提取各分段信号图的图像特征，并将每个分段信号图的图像特征分别输入到第一输出子网，得到待定睡眠分期结果；通过上下文子网提取各分段信号图的上下文特征，并通过第二输出子网根据上下文特征对待定睡眠分期结果进行调整，得到最终睡眠分期结果。采用本方法可在实现自动化睡眠分期的同时，保证睡眠分期的准确性与可靠性，并解决了手动睡眠分期时差异性的问题，同时利用上下文依赖解决了分期时可能产生的连续性问题，有效提高了睡眠分期的整体效果。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附

图中：

图1为本说明书中提供的一种睡眠分期方法的流程示意图；

图2为本方法中所采用的分析模型的一种模型结构的示意图；

图3为本说明书提供的一种睡眠分期装置的示意图；

图4为本说明书提供的一种对应于图1的电子设备示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书中提供的一种睡眠分期方法的流程示意图，包括以下步骤：

S100：获取目标用户在睡眠时的生理信号图。

在本说明书中，用于实现睡眠分期方法的执行主体，可以指服务器等设置于业务平台的指定设备，为了便于描述，本说明书仅以服务器是执行主体为例，对本说明书提供的一种睡眠分期方法进行说明。

睡眠分期指对人的睡眠过程进行阶段的划分。在一次睡眠过程中，可能会包含若干个睡眠周期，每个睡眠周期约为90分钟。通常情况下，每个睡眠周期中会包含非眼球快速运动睡眠(Non-rapid Eye Movement，NREM)和眼球快速运动睡眠(Rapid Eye Movement，REM)，而在NREM中，又可被分为NREM一期、二期、三期、四期这几个不同的阶段。根据睡眠深度的不同，每个睡眠周期中各阶段的持续时间也不相同。

本说明书所提供的睡眠分期方法主要用于根据目标用户在睡眠时的信息对用户的睡眠进行分期。基于此，可在执行本方法时首先在此步骤中获取目标用户在睡眠时的生理信号图。其中，生理信号图可包括脑电图、眼动图中的至少一种；生理信号图可通过多种方式得到，例如多导睡眠监测等，本说明书对此不做具体限制。

S102：根据所述生理信号图的图像周期对所述生理信号图进行划分，得到分段信号图。

在此步骤中，可对步骤S100中获取到的生理信号图进行划分，得到分段信号图。由于完整的生理信号图持续表征了目标用户在整段睡眠中的所有生理信息，而一整段睡眠中包含了若干个不同的阶段，因此并不能直接对完整的生理信号图进行分析，需要对生理信号图进行划分。

还需要考虑的是，由于在进行分析之前，生理信号图中的各部分内容所表征的睡眠阶段都是未知的，而每个睡眠阶段持续的时间也是未知的，因此，在对生理信号图进行划分时，最好使每个分段信号图的持续时间都较短，以尽可能保证每个分段信号图内的生理信号信息属于同一睡眠阶段。

基于上述思想，在本方法中根据生理信号图的图像周期来对生理信号图进行划分，得到分段信号图。具体地，可将所述生理信号图的图像周期确定为划分周期；按照所述划分周期对所述生理信号图进行划分，得到若干持续时长为所述划分周期的分段信号图。划分后得到的每个分段信号图的持续时长可以为生理信号图的图像周期，换句话说，每个信号图中包含了一个图像周期的生理信号图。生理信号图的图像周期由采集图像时的采集频率决定，采集频率可根据需求进行设置。

当然，本说明书中采用的划分方式只是多种可选的划分方式中的一种，还可根据其他方式进行划分，例如直接设置一个指定时长，使每个分段信号图的持续时间均为指定时长等，本说明书对此不做具体限制。

额外的，由于每次采集到的生理信号图可能格式不统一，且质量参差不齐，因此，可在对生理信号图进行划分之前，额外进行一些预处理。例如，可在划分之前先对生理信号图进行去噪声处理。具体地，可针对每个生理信号图，去除该生理信号图中包含的生理信号受到其它生理信号干扰的信号值。

在采集生理信号图的过程中，很可能会出现白噪声或其它干扰源带来的噪声干扰，使生理信号图中的信号值出现误差。为了保证后续分析的准确性，可在对生理信号图进行处理之前去除掉生理信号图中包含的生理信号受到其他生理信号干扰的信号值，降低由于干扰对后续分析带来的影响。

除了对生理信号图进行去噪的预处理外，还可对生理信号图标准化处理。通常情况下，生理信号图采用波形图来表示。由于处于不同睡眠阶段的生理信号图的信号值大小都可能不相同，且不同的生理信号图中信号的数值范围也不相同，因此可能会导致不同生理信号图无法呈现在一起的情况。因此，需要对生理信号图进行一定的标准化处理。具体地，可针对每个生理信号图，对该生理信号图的坐标轴进行调整，使该生理信号图中信号的像素幅度处于预设范围内，并使该生理信号图的尺寸大小为预设大小。

通过对一个生理信号图的坐标轴的位置、大小进行调整，可以改变生理信号图中信号值的像素幅度以及信号在图中所处的位置；同时，在调整的过程中，可将每个生理信号图的尺寸大小均调整为预设大小，由此，便能够得到幅度特征区分明显的各生理信号图。

S104：将各分段信号图输入预先训练的分析模型，所述分析模型至少包括提取子网、第一输出子网、上下文子网、第二输出子网。

在此步骤中，可将步骤S102中通过划分得到的各分段信号图输入预先训练的分析模型。在本说明书提供的睡眠分期方法中，分析模型用于对输入的分段信号图进行分析，得到最终的睡眠分期结果。其中，睡眠分期结果用于表征分段信号图所对应的睡眠所处的睡眠阶段。

图2为本方法中所采用的分析模型的一种模型结构的示意图。如图2所示，分析模型中可至少包括提取子网、第一输出子网、上下文子网、第二输出子网。分段信号图在输入进分析模型后，会依次经过上述各子网的处理，最终得到分析模型输出的睡眠分期结果。

S106：通过所述提取子网提取所述各分段信号图的图像特征。

在将各分段信号图输入分析模型后，首先会通过分析模型中的提取子网提取各分段信号图的图像特征。其中，提取子网可采用多种不同的结构，包括但不限于ResNet、Vit等，本说明书对此不做具体限制。不同的图像特征能够反映不同睡眠阶段的关键特征，提取子网能够从分段信号图中直接提取不同幅度、不同尺度的特征，以更好地捕捉睡眠阶段的信息。

S108：针对每个分段信号图，将该分段信号图的图像特征输入所述第一输出子网，得到该分段信号图的待定睡眠分期结果。

在得到每个分段信号图的图像特征后，可在此步骤中，首先将图像特征输入到第一输出子网，并得到第一输出子网输出的待定睡眠分期结果。通过对分析模型的训练，第一输出子网可以学习并存储不同睡眠阶段的特征分布信息，由此，便能够根据每一个分段信号图的图像特征，初步地确定出这一分段信号图对应的睡眠所在的睡眠阶段，也就是待定睡眠分期结果。

S110：将该分段信号图的图像特征和在对所述生理信号图进行划分时与该分段信号图相邻的分段信号图的图像特征输入所述上下文子网，得到该分段信号图的上下文特征，所述上下文特征用于表征在划分时与该分段信号图相邻的分段信号图和该分段信号图之间的关联关系。

在本方法中，需要考虑到的一点为，神经网络模型在分类连续性与一致性上存在着一定的局限性。由于神经网络模型在进行分类时通常仅会根据提取到的特征进行分类，因此在部分情况下，可能会出现最终得到的睡眠分期结果不连续的问题。具体到本方案中，例如，对于时间上连续的三个分段信号图X、Y、Z，分析模型可能会给出分段信号图X和Z属于睡眠阶段A，而分段信号图Y数据睡眠阶段B的情况，而这种情况在睡眠中是不会出现的。因此，需要针对可能出现的这一问题进行应对。

在本方法中，采用上下文特征来解决这一问题。可在此步骤中，针对每个分段信号图，将该分段信号图的图像特征与该分段信号图在划分时相邻的分段信号图的图像特征输入到上下文子网，得到上下分子网输出的该分段信号图的上下文特征。其中，在划分时与该分段信号图相邻的分段信号图可以是在对生理信号图进行划分时，时序上与该分段信号图连续，位置上处于该分段信号图的前一位置或后一位置的分段信号图。

一个分段信号图的上下文特征用于表征在划分时与该分段信号图相邻的分段信号图和该分段信号图之间的关联关系，通过对连续的分段信号图之间的关联关系进行分析，能够有效确定出分段信号图是否存在分期错误的问题。

其中，对于确定出上下文特征的方式，本说明书在此提供一种具体实施例以供参考。具体来说，上下文子网的网络结构可采用时序网络。对于任一分段信号图，可按照固定的顺序将该分段信号图的上一个分段信号图的图像特征、该分段信号图的图像特征、该分段信号图的下一个分段信号图的图像特征输入到时序网络中，通过时序网络中的注意力机制对输入到上下文子网中的与该分段信号图相邻的分段信号图的图像特征和该分段信号图的图像特征进行融合，得到上下文特征。由此，确定出的上下文特征能够表征出该分段信号图和与该分段信号图相邻的分段信号图在时序与特征上的关联，进而可根据上下文特征判断出该分段信号图的分期是否错误。

对于任一分段信号图，在划分时与该分段信号图相邻的分段信号图都可以包括该分段信号图的上一个分段信号图和下一个分段信号图。额外的，对于位置排在最前，也就是时序上为生理信号图的起始的分段信号图，在时序上并不存在上一个分段信号图；对应的，对于位置排在最后，也就是时序上为生理信号图的结束的分段信号图，在时序上并不存在下一个分段信号图。

但需要考虑到的是，上下文子网的输入格式是固定的，每次输入时，会输入三个分段信号图的图像特征，即该分段信号图本身、该分段信号图的上一个分段信号图以及该分段信号图的下一个分段信号图。因此，对于位置排在最前和位置排在最后的分段信号图，在确定其上下文特征时需要补足其缺少的输入。在本方法中，采用该分段信号图本身的图像特征对确定该分段信号图的上下文特征时缺少的图像特征输入进行补足。具体来说，在确定一个一般的分段信号图的上下文特征时，上下文子网的输入为该分段信号图的上一个分段信号图的图像特征、该分段信号图的图像特征、该分段信号图的下一个分段信号图的图像特征；在确定位置排在最前的分段信号图的图像特征时，上下文子网的输入为该分段信号图的图像特征、该分段信号图的图像特征、该分段信号图的下一个分段信号图的图像特征；在确定位置排在最后的分段信号图的图像特征时，上下文子网的输入为该分段信号图的上一个分段信号图的图像特征、该分段信号图的图像特征、该分段信号图的图像特征。

S112：将所述上下文特征与所述待定睡眠分期结果输入所述第二输出子网，得到该分段信号图的最终睡眠分期结果。

在得到步骤S108中确定出的待定睡眠分期结果和步骤S110中确定出的上下文特征后，可在此步骤中，通过第二输出子网确定出分段信号图的最终睡眠分期结果。通过对上下文特征进行分析，能够分析出一个分段信号图与其它分段信号图，例如与该分段信号图在时间上连续的前序、后序分段信号图，之间的联系与差异，并能够基于此来修正该分段信号图的待定睡眠分期结果，得到最终睡眠分期结果。

上述过程为在分析模型中对一个分段信号图进行分期结果确定的说明，在实际应用中，分析模型可对每个分段信号图均按照上述方式确定最终睡眠分期结果。最终，将各分段信号图的最终睡眠分期结果统一结合，便可得到整段生理信号图的睡眠分期结果，也就是目标用户在睡眠时的睡眠分期结果。

在采用本说明书提供的睡眠分期方法对目标用户进行睡眠分期时，可获取并划分目标用户在睡眠时的生理信号图，得到分段信号图，并将各分段信号图输入到预先训练的分析模型中；通过提取子网提取各分段信号图的图像特征，并将每个分段信号图的图像特征分别输入到第一输出子网，得到待定睡眠分期结果；通过上下文子网提取各分段信号图的上下文特征，并通过第二输出子网根据上下文特征对待定睡眠分期结果进行调整，得到最终睡眠分期结果。采用本方法可在实现自动化睡眠分期的同时，保证睡眠分期的准确性与可靠性，并解决了手动睡眠分期时差异性的问题，同时利用上下文依赖解决了分期时可能产生的连续性问题，有效提高了睡眠分期的整体效果。

额外的，在本说明书提供的睡眠分期方法中采用的分析模型可预先进行训练。具体地，可获取样本用户在睡眠时的样本生理信号图；根据所述样本生理信号图的图像周期对所述样本生理信号图进行划分，得到样本分段信号图，并确定每个样本分段信号图的标注睡眠分期结果；将各样本分段信号图输入待训练的分析模型；通过所述提取子网提取所述各样本分段信号图的样本图像特征；针对每个样本分段信号图，将该样本分段信号图的样本图像特征输入所述第一输出子网，得到该样本分段信号图的样本待定睡眠分期结果；将该样本分段信号图的样本图像特征和在对所述样本生理信号图进行划分时与该样本分段信号图相邻的样本分段信号图的样本图像特征输入所述上下文子网，得到该样本分段信号图的样本上下文特征；将所述样本上下文特征与所述样本待定睡眠分期结果输入所述第二输出子网，得到该样本分段信号图的样本最终睡眠分期结果；根据所述样本最终睡眠分期结果与所述标注睡眠分期结果之间的差异，对所述分析模型进行训练。

在对分析模型进行训练时，可采用历史数据中已经完成睡眠分期的历史生理信号图作为训练样本，将已经确定出的睡眠分期结果作为标注，对分析模型进行训练。在训练时，可根据分析模型得到的样本最终睡眠分期结果与标注分期结果之间的差异来判断模型是否训练完成，例如可以当差异达到最小时认为训练完成，或当分析模型收敛时训练完成，本说明书对此不做具体限制。

更进一步地，由于在训练的过程中，处于不同睡眠阶段的样本分段信号图的数量各不相同，且数量差异较大，因此，为避免分析模型出现由于训练样本不平衡导致的训练失败或训练结果较差的问题，可对不同的样本分段信号图确定不同的训练权重。具体地，可针对每一个样本分段信号图，根据该样本分段信号图的标注睡眠分期结果，确定该样本分段信号图的训练权重；根据所述样本最终睡眠分期结果与所述标注睡眠分期结果之间的差异以及所述训练权重，对所述分析模型进行训练。

其中，可通过属于不同睡眠阶段的样本分段信号图的数量来确定样本分段信号图的训练权重。具体地，可确定标注睡眠分期结果为该样本分段信号图的标注睡眠分期结果的样本分段信号图的目标数量；根据所述目标数量在样本分段信号图的总数量中的占比，确定该样本分段信号图的训练权重。

一般地，一个样本分期信号图的训练权重与该样本分期信号图的标注分期结果下样本分期信号图的目标数量呈负相关。属于一个标注分期结果的样本分段信号图的目标数量越多，那么该标注分期结果下的样本分段信号图的训练权重就越低。

以上为本说明书的一个或多个实施睡眠分期的方法，基于同样的思路，本说明书还提供了相应的睡眠分期装置，如图3所示。

图3为本说明书提供的一种睡眠分期装置的示意图，包括：

获取模块200，用于获取目标用户在睡眠时的生理信号图；

划分模块202，用于根据所述生理信号图的图像周期对所述生理信号图进行划分，得到分段信号图；

输入模块204，用于将各分段信号图输入预先训练的分析模型，所述分析模型至少包括提取子网、第一输出子网、上下文子网、第二输出子网；

提取模块206，用于通过所述提取子网提取所述各分段信号图的图像特征；

第一输出模块208，用于针对每个分段信号图，将该分段信号图的图像特征输入所述第一输出子网，得到该分段信号图的待定睡眠分期结果；

关联模块210，用于将该分段信号图的图像特征和在对所述生理信号图进行划分时与该分段信号图相邻的分段信号图的图像特征输入所述上下文子网，得到该分段信号图的上下文特征，所述上下文特征用于表征在划分时与该分段信号图相邻的分段信号图和该分段信号图之间的关联关系；

第二输出模块212，用于将所述上下文特征与所述待定睡眠分期结果输入所述第二输出子网，得到该分段信号图的最终睡眠分期结果。

可选地，所述生理信号图包括脑电图、眼动图中的至少一种。

可选地，所述装置还包括去噪模块214，具体用于针对每个生理信号图，去除该生理信号图中包含的生理信号受到其它生理信号干扰的信号值。

可选地，所述生理信号图为波形图；

所述装置还包括标准化模块216，具体用于针对每个生理信号图，对该生理信号图的坐标轴进行调整，使该生理信号图中信号的像素幅度处于预设范围内，并使该生理信号图的尺寸大小为预设大小。

可选地，所述划分模块202，具体用于将所述生理信号图的图像周期确定为划分周期；按照所述划分周期对所述生理信号图进行划分，得到若干持续时长为所述划分周期的分段信号图。

可选地，所述装置还包括训练模块218，具体用于获取样本用户在睡眠时的样本生理信号图；根据所述样本生理信号图的图像周期对所述样本生理信号图进行划分，得到样本分段信号图，并确定每个样本分段信号图的标注睡眠分期结果；将各样本分段信号图输入待训练的分析模型；通过所述提取子网提取所述各样本分段信号图的样本图像特征；针对每个样本分段信号图，将该样本分段信号图的样本图像特征输入所述第一输出子网，得到该样本分段信号图的样本待定睡眠分期结果；将该样本分段信号图的样本图像特征和在对所述样本生理信号图进行划分时与该样本分段信号图相邻的样本分段信号图的样本图像特征输入所述上下文子网，得到该样本分段信号图的样本上下文特征；将所述样本上下文特征与所述样本待定睡眠分期结果输入所述第二输出子网，得到该样本分段信号图的样本最终睡眠分期结果；根据所述样本最终睡眠分期结果与所述标注睡眠分期结果之间的差异，对所述分析模型进行训练。

可选地，所述训练模块218，具体用于根据该样本分段信号图的标注睡眠分期结果，确定该样本分段信号图的训练权重；根据所述样本最终睡眠分期结果与所述标注睡眠分期结果之间的差异以及所述训练权重，对所述分析模型进行训练。

可选地，所述训练模块218，具体用于确定标注睡眠分期结果为该样本分段信号图的标注睡眠分期结果的样本分段信号图的目标数量；根据所述目标数量在样本分段信号图的总数量中的占比，确定该样本分段信号图的训练权重。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种睡眠分期方法。

本说明书还提供了图4所示的一种对应于图1的电子设备的示意结构图。如图4所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的睡眠分期方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。