一种睡眠行为活跃水平动态调节的方法、系统和装置

技术领域

本发明涉及睡眠行为活跃水平动态调节领域，特别涉及一种睡眠行为活跃水平动态调节的方法、系统和装置。

背景技术

人类正常睡眠过程中，中枢神经运动能力表征、肌张力水平以及肢体运动等行为动作水平都会随着不同睡眠时相发生周期性的变化，呈现高低交替循环的睡眠行为活跃或抑制水平。然而，年龄、衰老、疾病、疼痛、疲倦、精神压力、睡眠环境突变等多种因素会导致用户睡眠质量变差和睡眠行为活跃水平或行为抑制水平的异常。

现有技术方案CN113995939A公开一种基于脑电信号的睡眠音乐播放方法、装置及终端，所述方法包括：获取目标用户的睡眠脑电信号；确定所述睡眠脑电信号对应的目标脑部活跃级别；根据所述目标脑部活跃级别确定目标音乐和目标音量，根据所述目标音量播放所述目标音乐。以及，现有技术方案CN113926045A公开了一种辅助睡眠的家纺产品的智能控制方法，其中，所述方法应用于一家纺产品的智能控制系统，所述系统包括一温度传感装置和一压力传感装置，所述方法包括：获得第一用户的第一身体参数特征，并根据所述第一身体参数特征从睡眠评估模型库中调用第一睡眠质量评估模型；通过所述温度传感装置获得所述第一用户的体温变化曲线；通过所述压力传感装置获得所述第一用户在第一家纺产品不同位置时的受力曲线，并基于所述受力曲线生成第一压力分布变化信息；将所述体温变化曲线和所述第一压力分布变化信息按照时间节点分别输入所述第一睡眠质量评估模型，获得各时间节点的睡眠质量评估结果；根据所述各时间节点的睡眠质量评估结果，生成第一睡眠质量曲线；根据所述第一身体参数特征和所述第一用户的第一睡眠习惯，获得理想睡眠曲线；比较所述第一睡眠质量曲线和所述理想睡眠曲线，获得第一睡眠质量系数；根据所述第一睡眠质量系数对第一家纺产品睡眠参数进行调节控制。由上可见，现有技术方案停留在对神经生理信号、脑状态和睡眠质量的表层特征分析和笼统归纳处理上，缺乏对睡眠过程中行为活跃水平或行为抑制水平的明确量化、实时评估和动态调节；同时，现有技术方案中调节完成即结束，每一次调节都是重新分析和重新调节，没有持续的、可继承性的量化和调节，未建立量化-调节的长期影响模型，这也使得了干预过程不够科学化和个性化。

如何搭建一个全面深入的评估方法和调节框架，能够根据用户个性化需求或具体情况，对用户睡眠过程中的睡眠行为活跃水平或行为抑制水平进行科学高效地动态评估、动态训练或调节，来实现维持不同性别、不同年龄、不同身心状态、不同睡眠环境、不同睡眠时相的用户睡眠过程的平稳化和睡眠行为水平的正常化，是当前国内外睡眠健康管理、神经科学研究和临床医学实践中仍然难以解决的一大问题。

发明内容

针对现有方法的以上缺陷及改进需求，本发明的目的在于提供一种睡眠行为活跃水平动态调节的方法，通过对用户睡眠过程的生理状态信号和行为状态信号进行实时地采集监测、信号处理和时帧特征分析，实时识别睡眠时相状态，提取肌张水平实时指数、中枢运动能力实时指数和行为动作水平实时指数，生成睡眠行为活跃水平实时指数并经预测分析得到睡眠行为活跃水平实时预测指数，进一步生成睡眠行为活跃水平动态调节策略并对用户进行实时动态训练或调节，循环动态调节后生成睡眠行为活跃水平调节报告并建立个性化行为调节长期数据库，从而实现不同性别、不同年龄、不同身心状态、不同睡眠环境、不同睡眠时相的用户睡眠行为活跃或抑制水平的科学高效地动态评估、动态训练或调节。本发明还提供了一种睡眠行为活跃水平动态调节的系统，用于实现上述方法。本发明还提供了一种睡眠行为活跃水平动态调节的装置，用于实现上述系统。

根据本发明的目的，本发明提出了一种睡眠行为活跃水平动态调节的方法，包括以下步骤：

对用户睡眠过程的生理状态信号和行为状态信号进行实时地采集监测、信号处理和时帧特征分析，生成生理状态实时特征和行为状态实时特征，实时识别睡眠时相状态并生成睡眠时相曲线；

对所述生理状态实时特征和所述行为状态实时特征进行实时地行为能力量化分析、基线变化分析和极值调和分析，生成肌张水平实时指数、中枢运动能力实时指数和行为动作水平实时指数；

根据所述肌张水平实时指数、所述中枢运动能力实时指数和所述行为动作水平实时指数进行实时地基线变化分析和极值调和分析，得到睡眠行为活跃水平实时指数并生成睡眠行为活跃水平实时曲线，预测计算生成睡眠行为活跃水平趋势曲线；

根据睡眠行为水平优化知识库、所述睡眠时相曲线、所述睡眠行为活跃水平实时曲线和所述睡眠行为活跃水平趋势曲线，实时生成睡眠行为活跃水平动态调节策略，并对用户睡眠过程的行为活跃水平进行实时动态调节；

重复上述步骤，完成全部所述睡眠行为活跃水平的循环动态调节，评估动态调节效果，提取时相行为活跃相关系数和行为水平动态调节效果系数，生成睡眠行为活跃水平调节报告并建立个性化行为调节长期数据库。

更优地，所述对用户睡眠过程的生理状态信号和行为状态信号进行实时地采集监测、信号处理和特征分析，生成生理状态实时特征和行为状态实时特征，实时识别睡眠时相状态并生成睡眠时相曲线的具体步骤还包括：

对用户睡眠过程的生理状态和行为状态进行实时地采集监测，生成所述生理状态实时信号和所述行为状态实时信号；

对所述生理状态实时信号和所述行为状态实时信号进行实时地信号处理，分别生成生理状态实时数据和行为状态实时数据；

对所述生理状态实时数据和所述行为状态实时数据进行实时地特征分析，生成所述生理状态实时特征和所述行为状态实时特征；

根据所述生理状态实时特征和所述行为状态实时特征识别睡眠时相实时状态，得到所述睡眠时相曲线。

更优地，所述生理状态信号至少包括中枢神经生理信号、自主神经生理信号和肌肉系统生理信号；其中，所述中枢神经生理信号至少包括脑电信号、脑磁信号、血氧水平依赖信号，所述自主神经生理信号至少包括心电信号、脉搏信号、呼吸信号、血氧信号、体温信号和皮肤电信号，所述肌肉系统生理信号至少包括血氧水平依赖信号、肌电信号、皮肤电信号和加速度信号。

更优地，所述行为状态信号至少包括睡眠姿态体位信号、肢体运动信号。

更优地，所述信号处理至少包括A/D数模转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、矫正处理和时帧划分；其中，所述矫正处理具体为对信号中的包含伪迹或失真的信号数据片段进行信号矫正及预测平滑处理，所述时帧划分是指按照预设时间窗口和预设时间步长对目标信号进行移动截取处理。

更优地，所述特征分析至少包括数值特征、物理学特征分析、时频特征分析、包络特征和非线性特征分析；其中，所述数值特征至少包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度；所述物理学特征至少包括时间信息、时长信息、幅度特征、强度特征、频率特征；所述时频特征至少包括总功率、特征频带功率、特征频带功率占比、特征频带中心频率、心率和心率变异性；所述包络特征至少包括原始信号、包络信号、归一化包络信号、包络均值、包络均方根、包络最大值、包络最小值、包络方差、包络标准差、包络变异系数、包络峰度和包络偏度；所述非线性特征至少包括熵特征、分形特征和复杂度特征。

更优地，所述生理状态实时特征至少包括所述生理状态信号的所述数值特征、所述时频特征、所述包络特征、所述非线性特征。

更优地，所述行为状态实时特征至少包括所述行为状态信号的所述数值特征、所述物理学特征和所述时频特征。

更优地，所述睡眠时相曲线的提取方法具体为：

1)通过深度学习算法对规模睡眠用户样本的所述生理状态实时特征、所述行为状态实时特征及其对应睡眠分期数据进行学习训练和数据建模，得到睡眠时相自动分期模型；

2)将当前用户的所述生理状态实时特征和所述行为状态实时特征输入所述睡眠时相自动分期模型，得到所对应的睡眠时相分期值；

3)按照时序获取所述生理状态实时特征和所述行为状态实时特征的所述睡眠时相分期值，生成所述睡眠时相曲线。

更优地，所述对所述生理状态实时特征和所述行为状态实时特征进行实时地行为能力量化分析、基线变化分析和极值调和分析，生成肌张水平实时指数、中枢运动能力实时指数和行为动作水平实时指数的具体步骤还包括：

对所述生理状态实时特征中的中枢神经生理特征进行实时地中枢运动能力分析、基线变化分析和极值调和分析，提取所述中枢运动能力实时指数；

对所述生理状态实时特征中的肌肉系统生理特征进行实时地肌张水平分析、基线变化分析和极值调和分析，提取所述肌张水平实时指数；

对所述行为状态实时特征进行实时地行为动作水平分析，提取所述行为动作水平实时指数。

更优地，所述极值调和分析是一种以数值数组的最大值、最小值、绝对值最大值、绝对值最小值为观察基点基础，以数值数组的均值、中位数、分位数、方差、变异系数、峰度、偏度、绝对值均值、绝对值中位数、绝对值分位数、绝对值方差、绝对值变异系数、绝对值均值、绝对值峰度、绝对值偏度为主要分析调和项，来观察分析数值数组的极值波动状态和总体趋势变化的数据分析方法。

更优地，所述极值调和分析的一种具体计算方式为：

对于数值数组

；

其中，

更优地，所述中枢运动能力实时指数的计算生成方法为：

1)采集当前用户清醒时静息态下的所述中枢神经生理实时信号和所述自主神经生理实时信号，进行所述特征分析和特征值均值计算，得到神经静息运动能力基线特征指标集；

2)从所述生理状态实时特征中提取所述中枢神经生理实时信号和所述自主神经生理实时信号所对应的特征，生成中枢生理状态实时特征；

3)计算所述中枢生理状态实时特征中的特征值与所述神经静息运动能力基线特征指标集中基线特征指标值的基线变化量值，即基线变化分析，得到中枢运动能力表征特征相对变化指标集；

4)对所述中枢运动能力表征特征相对变化指标集中的全部指标进行极值调和分析，得到极值调和值，即当前的所述中枢运动能力实时指数。

更优地，所述肌张水平实时指数的计算生成方法为：

1)采集当前用户清醒时静息态下的所述肌肉系统生理实时信号，并进行所述特征分析和特征值均值计算，得到肌肉神经静息行为基线特征指标集；

2)从所述生理状态实时特征中提取所述肌肉系统生理信号对应的特征，生成肌肉生理状态实时特征；

3)计算所述肌肉生理状态实时特征中的特征值与所述肌肉神经静息行为基线特征指标集中基线特征指标值的基线变化量值，即基线变化分析，得到肌肉张力表征特征相对变化指标集；

4)对所述肌肉张力表征特征相对变化指标集中的全部指标进行极值调和分析，得到极值调和值，即当前的所述肌张水平实时指数。

更优地，所述行为动作水平实时指数的计算生成方法为：

1)获取所述行为状态实时特征，对行为运动的时间分布、持续时长、运动幅度、运动频率、运动强度、运动规律性进行分析量化，生成行为动作水平表征指数集；

2)对所述行为动作水平表征指数集中的全部指标进行加权融合计算，得到当前的所述行为动作水平实时指数。

更优地，所述基线变化分析和所述基线变化量值的具体计算方式为：

对于实值变量

；

其中，

更优地，所述根据所述肌张水平实时指数、所述中枢运动能力实时指数和所述行为动作水平实时指数进行实时地基线变化分析和极值调和分析，得到睡眠行为活跃水平实时指数并生成睡眠行为活跃水平实时曲线，预测计算生成睡眠行为活跃水平趋势曲线的具体步骤还包括：

根据所述肌张水平实时指数、所述中枢运动能力实时指数和所述行为动作水平实时指数进行实时地基线变化分析和极值调和分析，得到所述睡眠行为活跃水平实时指数，生成或更新所述睡眠行为活跃水平实时曲线；

根据所述睡眠行为活跃水平实时曲线进行实时地趋势分析和预测计算，生成或更新所述睡眠行为活跃水平趋势曲线。

更优地，所述睡眠行为活跃水平实时指数和所述睡眠行为活跃水平实时曲线的生成方法具体为：

1)获取不同性别、不同年龄层、规模数量的健康用户群体的清醒期静息态、清醒期运动任务态下的所述标准行为活跃曲线特征基线指标集；

2)获取当前的所述肌张水平实时指数、所述中枢运动能力实时指数和所述行为动作水平实时指数，并计算与同年龄层健康人群的所述标准行为活跃曲线特征基线指标集中的静息基线值和任务基线值的基线变化量值，即基线变化分析，得到睡眠行为活跃水平特征变化量集；

3)对所述睡眠行为活跃水平特征变化量集中的全部指标进行极值调和分析，得到极值调和值，即当前的所述睡眠行为活跃水平实时指数；

4)按时序求得全部过程的所述睡眠行为活跃水平实时指数，生成或更新得到所述睡眠行为活跃水平实时曲线。

更优地，所述睡眠行为活跃水平趋势曲线的计算生成方法如下：

1)获取用户当前的所述睡眠行为活跃水平实时指数和所述睡眠行为活跃水平实时曲线；

2)对所述睡眠行为活跃水平实时曲线进行趋势分析和指数预测，得到下一时帧的睡眠行为活跃水平指数，生成睡眠行为活跃水平实时预测指数；

3)按时序纳入所述睡眠行为活跃水平实时预测指数，生成或更新所述睡眠行为活跃水平趋势曲线。

更优地，所述根据睡眠行为水平优化知识库、所述睡眠时相曲线、所述睡眠行为活跃水平实时曲线和所述睡眠行为活跃水平趋势曲线，实时生成睡眠行为活跃水平动态调节策略，并对用户睡眠过程的行为活跃水平进行实时动态调节的具体步骤还包括：

根据睡眠行为水平优化知识库、所述睡眠时相曲线、所述睡眠行为活跃水平实时曲线和所述睡眠行为活跃水平趋势曲线，结合睡眠行为活跃水平动态调节目的，生成所述睡眠行为活跃水平动态调节策略；

根据所述睡眠行为活跃水平动态调节策略，对用户睡眠过程的行为活跃水平进行实时动态调节。

更优地，所述睡眠行为活跃水平动态调节策略至少包括调节方式、执行部位、调节方法和调节强度；其中，所述调节方式至少包括声、光、味、电、磁、超声和睡眠环境，所述执行部位包括头部、颈部、躯干部、左右上肢、左右下肢及各大感官器官，所述调节方法至少包括恒定常数、递增曲线、递减曲线、指数曲线、正弦曲线、周期方波和随机曲线，所述调节强度则由当前的所述睡眠行为活跃水平实时指数和所述睡眠行为活跃水平实时预测指数共同决定。

更优地，所述重复上述步骤，完成全部所述睡眠行为活跃水平的循环动态调节，评估动态调节效果，提取时相行为活跃相关系数和行为水平动态调节效果系数，生成睡眠行为活跃水平调节报告并建立个性化行为调节长期数据库的具体步骤还包括：

完成全部所述睡眠行为活跃水平的循环动态调节，得到全部调节过程的所述睡眠时相曲线、所述睡眠行为活跃水平实时曲线和所述睡眠行为活跃水平趋势曲线；

分析计算所述睡眠时相曲线和所述睡眠行为活跃水平实时曲线的关系特征，提取所述时相行为活跃相关系数；

分析计算所述睡眠行为活跃水平实时曲线和所述睡眠行为活跃水平趋势曲线的关系特征，提取所述行为水平动态调节效果系数；

根据所述睡眠时相曲线、所述睡眠行为活跃水平实时曲线、所述睡眠行为活跃水平趋势曲线、所述时相行为活跃相关系数和所述行为水平动态调节效果系数，分析计算生成所述睡眠行为活跃水平调节报告；

根据所述睡眠行为活跃水平调节报告和用户当前状态信息，建立或更新所述个性化行为调节长期数据库，为后续用户持续地睡眠行为活跃水平动态调节提供数据分析继承模型。

更优地，所述时相行为活跃相关系数的计算方法具体为：

1)获取所述睡眠时相曲线和所述睡眠行为活跃水平实时曲线；

2)分析计算所述睡眠时相曲线和所述睡眠行为活跃水平实时曲线的关系特征，得到时相行为活跃水平关系特征指数集；

3)对所述时相行为活跃水平关系特征指数集进行加权融合计算，得到所述时相行为活跃相关系数。

更优地，所述行为水平动态调节效果系数的计算方法具体为：

1)获取所述睡眠行为活跃水平实时曲线和所述睡眠行为活跃水平趋势曲线；

2)分析计算所述睡眠行为活跃水平实时曲线和所述睡眠行为活跃水平趋势曲线的关系特征，得到行为水平动态调节效果特征指数集；

3)对所述行为水平动态调节效果特征指数集进行加权融合计算，得到所述行为水平动态调节效果系数。

更优地，所述关系特征包括关联特征和距离特征至少一项；其中，所述关联特征包括相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数和线性相关系数至少一项，所述距离特征包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、巴氏距离、汉明距离和夹角余弦至少一项。

更优地，所述睡眠行为活跃水平调节报告至少包括所述睡眠时相曲线、所述睡眠行为活跃水平实时曲线、所述睡眠行为活跃水平趋势曲线、所述时相行为活跃相关系数、所述行为水平动态调节效果系数、全部的所述睡眠行为活跃水平动态调节策略、行为活跃水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠行为活跃水平调节报告总结。

更优地，所述行为活跃水平时相分布统计具体为不同睡眠时相的平均行为活跃水平、最大行为活跃水平和最小行为活跃水平；所述高峰活跃时段小结具体为所述睡眠行为活跃水平实时曲线中超过预设高峰阈值的片段所对应的高峰时段分布、所述高峰时段分布的时间数值总和及占比；所述低峰活跃时段小结具体为所述睡眠行为活跃水平实时曲线中超过预设低峰阈值的片段所对应的低峰时段分布、所述低峰时段分布的时间数值总和及占比；所述异常活跃时段小结具体为所述睡眠行为活跃水平实时曲线中脱离曲线基线趋势的异常片段所对应的异常时段分布、所述异常时段分布的时间数值总和及占比。

根据本发明的目的，本发明提出了一种睡眠行为活跃水平动态调节的系统，包括以下模块：

时相状态分析模块，用于对用户睡眠过程的生理状态信号和行为状态信号进行实时地采集监测、信号处理和时帧特征分析，生成生理状态实时特征和行为状态实时特征，实时识别睡眠时相状态并生成睡眠时相曲线；

表征指数提取模块，用于对所述生理状态实时特征和所述行为状态实时特征进行实时地行为能力量化分析、基线变化分析和极值调和分析，生成肌张水平实时指数、中枢运动能力实时指数和行为动作水平实时指数；

行为水平量化模块，用于根据所述肌张水平实时指数、所述中枢运动能力实时指数和所述行为动作水平实时指数进行实时地基线变化分析和极值调和分析，得到睡眠行为活跃水平实时指数并生成睡眠行为活跃水平实时曲线，预测计算生成睡眠行为活跃水平趋势曲线；

动态策略调节模块，用于根据睡眠行为水平优化知识库、所述睡眠时相曲线、所述睡眠行为活跃水平实时曲线和所述睡眠行为活跃水平趋势曲线，实时生成睡眠行为活跃水平动态调节策略，并对用户睡眠过程的行为活跃水平进行实时动态调节；

行为调节报告模块，用于完成全部所述睡眠行为活跃水平的循环动态调节，评估动态调节效果，提取时相行为活跃相关系数和行为水平动态调节效果系数，生成睡眠行为活跃水平调节报告并建立个性化行为调节长期数据库；

数据管理中心模块，用于对所述系统中所有过程数据的可视化展示、数据运行管理。

更优地，所述时相状态分析模块还包括以下功能单元：

信号实时监测单元，用于对用户睡眠过程的生理状态和行为状态进行实时地采集监测，生成所述生理状态实时信号和所述行为状态实时信号；

信号实时处理单元，用于对所述生理状态实时信号和所述行为状态实时信号进行实时地信号处理，分别生成生理状态实时数据和行为状态实时数据；

特征实时分析单元，用于对所述生理状态实时数据和所述行为状态实时数据进行实时地特征分析，生成所述生理状态实时特征和所述行为状态实时特征；

时相状态识别单元，用于根据所述生理状态实时特征和所述行为状态实时特征识别睡眠时相实时状态，得到所述睡眠时相曲线。

更优地，所述表征指数提取模块还包括以下功能单元：

中枢能力分析单元，用于对所述生理状态实时特征中的中枢神经生理特征进行实时地中枢运动能力分析、基线变化分析和极值调和分析，提取所述中枢运动能力实时指数；

肌张水平分析单元，用于对所述生理状态实时特征中的肌肉系统生理特征进行实时地肌张水平分析、基线变化分析和极值调和分析，提取所述肌张水平实时指数；

行为运行分析单元，用于对所述行为状态实时特征进行实时地行为动作水平分析，提取所述行为动作水平实时指数。

更优地，所述行为水平量化模块还包括以下功能单元：

行为水平量化单元，用于根据所述肌张水平实时指数、所述中枢运动能力实时指数和所述行为动作水平实时指数进行实时地基线变化分析和极值调和分析，得到所述睡眠行为活跃水平实时指数，生成或更新所述睡眠行为活跃水平实时曲线；

指数趋势预测单元，用于根据所述睡眠行为活跃水平实时曲线进行实时地趋势分析和预测计算，生成或更新所述睡眠行为活跃水平趋势曲线。

更优地，所述动态策略调节模块还包括以下功能单元：

动态策略生成单元，用于根据睡眠行为水平优化知识库、所述睡眠时相曲线、所述睡眠行为活跃水平实时曲线和所述睡眠行为活跃水平趋势曲线，结合睡眠行为活跃水平动态调节目的，生成所述睡眠行为活跃水平动态调节策略；

动态策略执行单元，用于根据所述睡眠行为活跃水平动态调节策略，对用户睡眠过程的行为活跃水平进行实时动态调节。

更优地，所述行为调节报告模块还包括以下功能单元：

循环动态调节单元，用于完成全部所述睡眠行为活跃水平的循环动态调节，得到全部调节过程的所述睡眠时相曲线、所述睡眠行为活跃水平实时曲线和所述睡眠行为活跃水平趋势曲线；

活跃相关分析单元，用于分析计算所述睡眠时相曲线和所述睡眠行为活跃水平实时曲线的关系特征，提取所述时相行为活跃相关系数；

调节效果分析单元，用于分析计算所述睡眠行为活跃水平实时曲线和所述睡眠行为活跃水平趋势曲线的关系特征，提取所述行为水平动态调节效果系数；

调节报告生成单元，用于根据所述睡眠时相曲线、所述睡眠行为活跃水平实时曲线、所述睡眠行为活跃水平趋势曲线、所述时相行为活跃相关系数和所述行为水平动态调节效果系数，分析计算生成所述睡眠行为活跃水平调节报告；

行为调节继承单元，用于根据所述睡眠行为活跃水平调节报告和用户当前状态信息，建立或更新所述个性化行为调节长期数据库，为后续用户持续地睡眠行为活跃水平动态调节提供数据分析继承模型。

更优地，所述数据管理中心模块还包括以下具体功能单元：

用户信息管理单元，用于用户基本信息的登记输入、编辑、查询、输出和删除；

数据可视化管理单元，用于对所述系统中所有数据的可视化展现管理；

数据运行管理单元，用于对所述系统中所有数据的存储、备份、迁移和导出。

根据本发明的目的，本发明提出了一种睡眠行为活跃水平动态调节的装置，包括以下模组：

时相状态分析模组，用于对用户睡眠过程的生理状态信号和行为状态信号进行实时地采集监测、信号处理和时帧特征分析，生成生理状态实时特征和行为状态实时特征，实时识别睡眠时相状态并生成睡眠时相曲线；

表征指数提取模组，用于对所述生理状态实时特征和所述行为状态实时特征进行实时地行为能力量化分析、基线变化分析和极值调和分析，生成肌张水平实时指数、中枢运动能力实时指数和行为动作水平实时指数；

行为水平量化模组，用于根据所述肌张水平实时指数、所述中枢运动能力实时指数和所述行为动作水平实时指数进行实时地基线变化分析和极值调和分析，得到睡眠行为活跃水平实时指数并生成睡眠行为活跃水平实时曲线，预测计算生成睡眠行为活跃水平趋势曲线；

动态策略调节模组，用于根据睡眠行为水平优化知识库、所述睡眠时相曲线、所述睡眠行为活跃水平实时曲线和所述睡眠行为活跃水平趋势曲线，实时生成睡眠行为活跃水平动态调节策略，并对用户睡眠过程的行为活跃水平进行实时动态调节；

行为调节报告模组，用于完成全部所述睡眠行为活跃水平的循环动态调节，评估动态调节效果，提取时相行为活跃相关系数和行为水平动态调节效果系数，生成睡眠行为活跃水平调节报告并建立个性化行为调节长期数据库；

数据可视化管模组，用于对所述装置中所有数据的可视化展现管理；

数据运行管理模组，用于对所述装置中所有数据的存储、备份、迁移和导出。

本发明所提供的睡眠行为活跃水平动态调节的方法、系统和装置，通过对用户睡眠过程的生理状态信号和行为状态信号进行实时地采集监测、信号处理和时帧特征分析，实时识别睡眠时相状态，提取肌张水平实时指数、中枢运动能力实时指数和行为动作水平实时指数，生成睡眠行为活跃水平实时指数并经预测分析得到睡眠行为活跃水平实时预测指数，进一步生成睡眠行为活跃水平动态调节策略并对用户进行实时动态训练或调节，循环动态调节后生成睡眠行为活跃水平调节报告并建立个性化行为调节长期数据库，从而实现了对不同性别、不同年龄、不同身心状态、不同睡眠环境、不同睡眠时相的用户睡眠行为活跃或抑制水平的科学高效地动态评估、动态训练或调节，辅助健康管理和生理分析。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

图1是本发明一实施例所提供的一种睡眠行为活跃水平动态调节的方法的流程步骤示意图；

图2是本发明一实施例所提供的一种睡眠行为活跃水平动态调节的系统的模块组成示意图；

图3是本发明一实施例所提供的一种睡眠行为活跃水平动态调节的装置的模组构成示意图。

具体实施方式

为了更清楚地说明本发明的目的和技术方案，下面将结合本发明申请实施例中的附图，对本发明进行进一步介绍说明。显而易见地，下面描述的实施例仅是本发明一部分实施例，而不是全部的实施例。在没有创造性劳动前提下，本领域普通技术人员基于本发明的实施例所得到的其他实施例，都应属于本发明的保护范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

本发明提供的一种睡眠行为活跃水平动态调节的方法、系统和装置，搭建了一个全面深入的评估方法和调节框架，能够根据用户个性化需求或具体情况，对用户睡眠过程中的睡眠行为活跃或抑制水平进行科学高效地动态评估、动态训练或调节，来实现维持不同性别、不同年龄、不同身心状态、不同睡眠环境、不同睡眠时相的用户睡眠过程的平稳化和睡眠行为水平的正常化。

如图1所示，本发明实施例提供的一种睡眠行为活跃水平动态调节的方法，包括以下步骤：

P100：对用户睡眠过程的生理状态信号和行为状态信号进行实时地采集监测、信号处理和时帧特征分析，生成生理状态实时特征和行为状态实时特征，实时识别睡眠时相状态并生成睡眠时相曲线。

第一步、对用户睡眠过程的生理状态和行为状态进行实时地采集监测，生成生理状态实时信号和行为状态实时信号。

本实施例中，生理状态信号至少包括中枢神经生理信号、自主神经生理信号和肌肉系统生理信号；其中，中枢神经生理信号至少包括脑电信号、脑磁信号、血氧水平依赖信号，自主神经生理信号至少包括心电信号、脉搏信号、呼吸信号、血氧信号、体温信号和皮肤电信号，肌肉系统生理信号至少包括血氧水平依赖信号、肌电信号、皮肤电信号和加速度信号。行为状态信号至少包括睡眠姿态体位信号、肢体运动信号。

本实施例中，以脑电信号作为中枢神经生理信号，以心电信号、呼吸信号、血氧信号作为自主神经生理信号，通过多导睡眠记录仪来采集监测中枢神经生理信号和自主神经生理信号。脑电信号和心电信号的采样率为1024Hz，脑电信号的记录电极为F3、F4、C3、C4和Cz以及参考电极为M1、M2，心电信号采集为左胸V6导联。呼吸信号和血氧信号的采样率为64Hz，呼吸信号来自胸腹带，血氧信号来自指尖。

本实施例中，以肌电信号作为肌肉系统生理信号，以肢体运动信号作为行为状态信号，使用多部位的肌电+三轴加速度复合传感器进行采集记录肌电信号和肢体运动信号，肌电信号采样率为1024Hz，三轴加速度信号采样率为128Hz，采集部位分别为左右手的小臂和上臂的外侧中部、左右腿的小腿和大腿的外侧中部、左右胸前。

在实际使用场景中，可以根据用户具体情况，选择多导睡眠记录仪或多导脑电监测仪，配合多导肌电图机和多种行为监测设备，选择行为能力水平紧密相关的额叶运动前区、中央区的多个部位、心胸心电的多导联进行中枢神经状态和自主神经装置的采集监测，以及躯体和肢体的多个不同部位进行肌肉活动和行为运动的采集监测。值得说明的是，行为状态信号也可以通过视频、雷达、蓝牙和WIFI等方式进行采集和监测。

第二步、对生理状态实时信号和行为状态实时信号进行实时地信号处理，分别生成生理状态实时数据和行为状态实时数据。

本实施例中，信号处理至少包括A/D数模转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、矫正处理和时帧划分；其中，矫正处理具体为对信号中的包含伪迹或失真的信号数据片段进行信号矫正及预测平滑处理，时帧划分是指按照预设时间窗口和预设时间步长对目标信号进行移动截取处理。

本实施例中，首先对生理状态信号和行为状态信号进行预处理：对脑电生理信号进行去伪迹，矫正处理，小波降噪，50Hz工频陷波滤波，0.5~70Hz带通滤波；对心电信号进行去伪迹，矫正处理，小波降噪，0.1~40Hz带通滤波；对肌电信号进行去伪迹，矫正处理，小波降噪，50Hz和100Hz工频陷波滤波，20~150Hz带通滤波；对三轴加速度信号进行去伪迹，矫正处理，小波降噪，0.1~40Hz带通滤波；对呼吸信号、血氧信号的预处理主要是进行去伪迹，信号矫正，2Hz低通滤波。其次，以15秒预设时间步长、30秒预设时间窗口对上述信号进行滑动分割，分别得到生理状态数据和行为状态数据，即相当于每15秒钟根据最近30秒钟的睡眠行为活跃水平，对用户进行动态调节。

第三步、对生理状态实时数据和行为状态实时数据进行实时地特征分析，生成生理状态实时特征和行为状态实时特征。

本实施例中，特征分析至少包括数值特征、物理学特征分析、时频特征分析、包络特征和非线性特征分析；其中，数值特征至少包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度；物理学特征至少包括时间信息、时长信息、幅度特征、强度特征、频率特征；时频特征至少包括总功率、特征频带功率、特征频带功率占比、特征频带中心频率、心率和心率变异性；包络特征至少包括原始信号、包络信号、归一化包络信号、包络均值、包络均方根、包络最大值、包络最小值、包络方差、包络标准差、包络变异系数、包络峰度和包络偏度；非线性特征至少包括熵特征、分形特征和复杂度特征。

本实施例中，生理状态实时特征至少包括生理状态信号的数值特征、时频特征、包络特征、非线性特征；行为状态实时特征至少包括行为状态信号的数值特征、物理学特征和时频特征。

在实际使用场景中，可以根据用户具体情况，选择合适的特征进行实时计算和特征分析，来保证人群的个性化需求、场景运算效率和响应速度的不同要求。

第四步、根据生理状态实时特征和行为状态实时特征识别睡眠时相实时状态，得到睡眠时相曲线。

本实施例中，睡眠时相曲线的提取方法具体为：

1)通过深度学习算法对规模睡眠用户样本的生理状态实时特征、行为状态实时特征及其对应睡眠分期数据进行学习训练和数据建模，得到睡眠时相自动分期模型；

2)将当前用户的生理状态实时特征和行为状态实时特征输入睡眠时相自动分期模型，得到所对应的睡眠时相分期值；

3)按照时序获取生理状态实时特征和行为状态实时特征的所述睡眠时相分期值，生成睡眠时相曲线。

本实施例中，实时识别睡眠时相状态和睡眠时相分期，主要为后续制定动态调节策略提供关键基础，因为不同睡眠时相状态，睡眠行为活跃水平有比较大差别，例如快眼动睡眠期间的睡眠行为活跃水平要比非快速眼动深睡眠期的高很多。

P200：对所述生理状态实时特征和所述行为状态实时特征进行实时地行为能力量化分析、基线变化分析和极值调和分析，生成肌张水平实时指数、中枢运动能力实时指数和行为动作水平实时指数。

本实施例中，极值调和分析是一种以数值数组的最大值、最小值、绝对值最大值、绝对值最小值为观察基点基础，以数值数组的均值、中位数、分位数、方差、变异系数、峰度、偏度、绝对值均值、绝对值中位数、绝对值分位数、绝对值方差、绝对值变异系数、绝对值均值、绝对值峰度、绝对值偏度为主要分析调和项，来观察分析数值数组的极值波动状态和总体趋势变化的数据分析方法。

本实施例中，极值调和分析的一种具体计算方式为：

对于数值数组

；

其中，

第一步、对生理状态实时特征中的中枢神经生理特征进行实时地中枢运动能力分析、基线变化分析和极值调和分析，提取中枢运动能力实时指数。

本实施例中，中枢运动能力实时指数的计算生成方法为：

1)采集当前用户清醒时静息态下的中枢神经生理实时信号和自主神经生理实时信号，进行特征分析和特征值均值计算，得到神经静息运动能力基线特征指标集；

2)从生理状态实时特征中提取中枢神经生理实时信号和自主神经生理实时信号所对应的特征，生成中枢生理状态实时特征；

3)计算中枢生理状态实时特征中的特征值与神经静息运动能力基线特征指标集中基线特征指标值的基线变化量值，即基线变化分析，得到中枢运动能力表征特征相对变化指标集；

4)对中枢运动能力表征特征相对变化指标集中的全部指标进行极值调和分析，得到极值调和值，即当前的中枢运动能力实时指数。

第二步、对生理状态实时特征中的肌肉系统生理特征进行实时地肌张水平分析、基线变化分析和极值调和分析，提取肌张水平实时指数。

本实施例中，肌张水平实时指数的计算生成方法为：

1)采集当前用户清醒时静息态下的肌肉系统生理实时信号，并进行特征分析和特征值均值计算，得到肌肉神经静息行为基线特征指标集；

2)从生理状态实时特征中提取肌肉系统生理信号对应的特征，生成肌肉生理状态实时特征；

3)计算肌肉生理状态实时特征中的特征值与肌肉神经静息行为基线特征指标集中基线特征指标值的基线变化量值，即基线变化分析，得到肌肉张力表征特征相对变化指标集；

4)对肌肉张力表征特征相对变化指标集中的全部指标进行极值调和分析，得到极值调和值，即当前的肌张水平实时指数。

第三步、对行为状态实时特征进行实时地行为动作水平分析，提取行为动作水平实时指数。

本实施例中，行为动作水平实时指数的计算生成方法为：

1)获取行为状态实时特征，对行为运动的时间分布、持续时长、运动幅度、运动频率、运动强度、运动规律性进行分析量化，生成行为动作水平表征指数集；

2)对行为动作水平表征指数集中的全部指标进行加权融合计算，得到当前的行为动作水平实时指数。

本实施例中，基线变化分析和基线变化量值的具体计算方式为：

对于实值变量

；

其中，

本实施例中，肌张水平实时指数反映的是外周神经和肌肉系统的活跃情况或紧张度，中枢运动能力实时指数反映的是中枢神经和自主神经的运动预备和储备情况，行为动作水平实时指数则反映了实际的运动行为发生的多少、强度和频率等情况，三者能够很好地描述用户在不同睡眠时相过程中的行为水平或行为能力的状态。

P300：根据所述肌张水平实时指数、所述中枢运动能力实时指数和所述行为动作水平实时指数进行实时地基线变化分析和极值调和分析，得到睡眠行为活跃水平实时指数并生成睡眠行为活跃水平实时曲线，预测计算生成睡眠行为活跃水平趋势曲线。

第一步、根据肌张水平实时指数、中枢运动能力实时指数和行为动作水平实时指数进行实时地基线变化分析和极值调和分析，得到睡眠行为活跃水平实时指数，生成或更新睡眠行为活跃水平实时曲线。

本实施例中，睡眠行为活跃水平实时指数和睡眠行为活跃水平实时曲线的生成方法具体为：

1)获取不同性别、不同年龄层、规模数量的健康用户群体的清醒期静息态、清醒期运动任务态下的标准行为活跃曲线特征基线指标集；

2)获取当前的肌张水平实时指数、中枢运动能力实时指数和行为动作水平实时指数，并计算与同年龄层健康人群的标准行为活跃曲线特征基线指标集中的静息基线值和任务基线值的基线变化量值，即基线变化分析，得到睡眠行为活跃水平特征变化量集；

3)对睡眠行为活跃水平特征变化量集中的全部指标进行极值调和分析，得到极值调和值，即当前的睡眠行为活跃水平实时指数；

4)按时序求得全部过程的睡眠行为活跃水平实时指数，生成或更新得到睡眠行为活跃水平实时曲线。

第二步、根据睡眠行为活跃水平实时曲线进行实时地趋势分析和预测计算，生成或更新睡眠行为活跃水平趋势曲线。

本实施例中，睡眠行为活跃水平趋势曲线的计算生成方法如下：

1)获取用户当前的睡眠行为活跃水平实时指数和睡眠行为活跃水平实时曲线；

2)对睡眠行为活跃水平实时曲线进行趋势分析和指数预测，得到下一时帧的睡眠行为活跃水平指数，生成睡眠行为活跃水平实时预测指数；

3)按时序纳入睡眠行为活跃水平实时预测指数，生成或更新睡眠行为活跃水平趋势曲线。

在实际适应场景中，趋势分析和指数预测可能采用AR、MR、ARMA、ARIMA、SARIMA、VAR等等常用的时间按序列预测方法，也可以通过深度学习模型来完成睡眠行为活跃水平实时预测指数的预测计算。

P400：根据睡眠行为水平优化知识库、所述睡眠时相曲线、所述睡眠行为活跃水平实时曲线和所述睡眠行为活跃水平趋势曲线，实时生成睡眠行为活跃水平动态调节策略，并对用户睡眠过程的行为活跃水平进行实时动态调节。

第一步、根据睡眠行为水平优化知识库、睡眠时相曲线、睡眠行为活跃水平实时曲线和睡眠行为活跃水平趋势曲线，结合睡眠行为活跃水平动态调节目的，生成睡眠行为活跃水平动态调节策略。

本实施例中，睡眠行为活跃水平动态调节策略至少包括调节方式、执行部位、调节方法和调节强度；其中，调节方式至少包括声、光、味、电、磁、超声和睡眠环境，执行部位包括头部、颈部、躯干部、左右上肢、左右下肢及各大感官器官，调节方法至少包括恒定常数、递增曲线、递减曲线、指数曲线、正弦曲线、周期方波和随机曲线，调节强度则由当前的睡眠行为活跃水平实时指数和睡眠行为活跃水平实时预测指数共同决定。

本实施例中，睡眠行为水平优化知识库不仅包括睡眠行为水平调节的专业知识、技术手段、操作参数和安全指导等信息，还包括了用户个人的睡眠行为活跃水平动态调节的历史信息，即历史的睡眠时相曲线、睡眠行为活跃水平实时曲线、睡眠行为活跃水平趋势曲线、睡眠行为活跃水平动态调节策略、睡眠行为活跃水平动态调节策略效果等。

在实际适应场景中，可以根据不同用户场景需求选择合适的调节方式、执行部位组合、调节方法和调节强度范围。

第二步、根据睡眠行为活跃水平动态调节策略，对用户睡眠过程的行为活跃水平进行实时动态调节。

本实施例中，根据睡眠行为活跃水平动态调节策略，连接相应的硬件设备，发送调控参数，实现对用户睡眠过程的行为活跃水平进行实时动态调节，并监控调节过程的人身安全和其他意外因素。

P500：重复上述步骤，完成全部所述睡眠行为活跃水平的循环动态调节，评估动态调节效果，提取时相行为活跃相关系数和行为水平动态调节效果系数，生成睡眠行为活跃水平调节报告并建立个性化行为调节长期数据库。

第一步、完成全部睡眠行为活跃水平的循环动态调节，得到全部调节过程的睡眠时相曲线、睡眠行为活跃水平实时曲线和睡眠行为活跃水平趋势曲线。

在用户整个睡眠过程中，不断地采集分析用户的中枢神经状态、自主神经状态和行为运动状态，实时评价量化其睡眠行为活跃水平，根据睡眠行为活跃水平动态调节目的和上一次调节结果效果，进一步制定或优化动态调节策略，实现对用户睡眠行为活跃水平的持续动态训练和调节。

第二步、分析计算睡眠时相曲线和睡眠行为活跃水平实时曲线的关系特征，提取时相行为活跃相关系数。

本实施例中，时相行为活跃相关系数的计算方法具体为：

1)获取睡眠时相曲线和睡眠行为活跃水平实时曲线；

2)分析计算睡眠时相曲线和睡眠行为活跃水平实时曲线的关系特征，得到时相行为活跃水平关系特征指数集；

3)对时相行为活跃水平关系特征指数集进行加权融合计算，得到时相行为活跃相关系数。

本实施例中，关系特征至少包括关联特征和距离特征；其中，所述关联特征至少包括相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数和线性相关系数，所述距离特征至少包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、巴氏距离、汉明距离和夹角余弦。

本实施例中，选取皮尔逊相关系数和欧氏距离作为关系特征。对于相同长度的两个数组

；

其中，

欧氏距离

第三步、分析计算睡眠行为活跃水平实时曲线和睡眠行为活跃水平趋势曲线的关系特征，提取行为水平动态调节效果系数。

本实施例中，行为水平动态调节效果系数的计算方法具体为：

1)获取睡眠行为活跃水平实时曲线和睡眠行为活跃水平趋势曲线；

2)分析计算睡眠行为活跃水平实时曲线和睡眠行为活跃水平趋势曲线的关系特征，得到行为水平动态调节效果特征指数集；

3)对行为水平动态调节效果特征指数集进行加权融合计算，得到行为水平动态调节效果系数。

本实施例中，关系特征至少包括关联特征和距离特征。

第四步、根据睡眠时相曲线、睡眠行为活跃水平曲线、睡眠行为活跃水平实时曲线、睡眠行为活跃水平趋势曲线、时相行为活跃相关系数和行为水平动态调节效果系数，分析计算生成睡眠行为活跃水平调节报告。

本实施例中，睡眠行为活跃水平调节报告至少包括睡眠时相曲线、睡眠行为活跃水平曲线、睡眠行为活跃水平实时曲线、睡眠行为活跃水平趋势曲线、时相行为活跃相关系数、行为水平动态调节效果系数、全部的睡眠行为活跃水平动态调节策略、行为活跃水平时相分布统计、高峰活跃时段小结、低峰活跃时段小结、异常活跃时段小结、睡眠行为活跃水平调节报告总结。

本实施例中，行为活跃水平时相分布统计具体为不同睡眠时相的平均行为活跃水平、最大行为活跃水平和最小行为活跃水平；高峰活跃时段小结具体为睡眠行为活跃水平实时曲线中超过预设高峰阈值的片段所对应的高峰时段分布、高峰时段分布的时间数值总和及占比；低峰活跃时段小结具体为睡眠行为活跃水平实时曲线中超过预设低峰阈值的片段所对应的低峰时段分布、低峰时段分布的时间数值总和及占比；异常活跃时段小结具体为睡眠行为活跃水平实时曲线中脱离曲线基线趋势的异常片段所对应的异常时段分布、异常时段分布的时间数值总和及占比。

第五步、根据睡眠行为活跃水平调节报告和用户当前状态信息，建立或更新个性化行为调节长期数据库，为后续用户持续地睡眠行为活跃水平动态调节提供数据分析继承模型。

每一次整个循环动态调节完成后，结合用户当前的年龄、身心状态、睡眠环境等信息，以及睡眠行为活跃水平调节报告，建立并持续更新个性化行为调节长期数据库，来不断优化和调整后续用户个人的睡眠行为活跃水平动态调节策略，建立量化-调节的长期影响模型，实现完整的个性化和智能化，以达到更好的动态调节效果。

所述数据库至少包括个人的时相行为活跃相关系数和行为水平动态调节效果系数，由于不同人的行为活跃程度和调节影响因子不同，将上述两个系数保留在数据库有助于更快速和更有针对性的完成动态调节。

如图2所示，本发明实施例提供的一种睡眠行为活跃水平动态调节的系统，所述系统被构造以用于执行上述各个方法步骤。所述系统包括如下模块：

时相状态分析模块S100，用于对用户睡眠过程的生理状态信号和行为状态信号进行实时地采集监测、信号处理和时帧特征分析，生成生理状态实时特征和行为状态实时特征，实时识别睡眠时相状态并生成睡眠时相曲线；

表征指数提取模块S200，用于对生理状态实时特征和行为状态实时特征进行实时地行为能力量化分析、基线变化分析和极值调和分析，生成肌张水平实时指数、中枢运动能力实时指数和行为动作水平实时指数；

行为水平量化模块S300，用于根据肌张水平实时指数、中枢运动能力实时指数和行为动作水平实时指数进行实时地基线变化分析和极值调和分析，得到睡眠行为活跃水平实时指数并生成睡眠行为活跃水平实时曲线，预测计算生成睡眠行为活跃水平趋势曲线；

动态策略调节模块S400，用于根据睡眠行为水平优化知识库、睡眠时相曲线、睡眠行为活跃水平实时曲线和睡眠行为活跃水平趋势曲线，实时生成睡眠行为活跃水平动态调节策略，并对用户睡眠过程的行为活跃水平进行实时动态调节；

行为调节报告模块S500，用于完成全部睡眠行为活跃水平的循环动态调节，评估动态调节效果，提取时相行为活跃相关系数和行为水平动态调节效果系数，生成睡眠行为活跃水平调节报告并建立个性化行为调节长期数据库；

数据管理中心模块S600，用于对系统中所有过程数据的可视化展示、数据运行管理。

本实施例中，时相状态分析模块S100还包括以下功能单元：

信号实时监测单元，用于对用户睡眠过程的生理状态和行为状态进行实时地采集监测，生成生理状态实时信号和行为状态实时信号；

信号实时处理单元，用于对生理状态实时信号和行为状态实时信号进行实时地信号处理，分别生成生理状态实时数据和行为状态实时数据；

特征实时分析单元，用于对生理状态实时数据和行为状态实时数据进行实时地特征分析，生成生理状态实时特征和行为状态实时特征；

时相状态识别单元，用于根据生理状态实时特征和行为状态实时特征识别睡眠时相实时状态，得到睡眠时相曲线。

本实施例中，表征指数提取模块S200还包括以下功能单元：

中枢能力分析单元，用于对生理状态实时特征中的中枢神经生理特征进行实时地中枢运动能力分析、基线变化分析和极值调和分析，提取中枢运动能力实时指数；

肌张水平分析单元，用于对生理状态实时特征中的肌肉系统生理特征进行实时地肌张水平分析、基线变化分析和极值调和分析，提取肌张水平实时指数；

行为运行分析单元，用于对行为状态实时特征进行实时地行为动作水平分析，提取行为动作水平实时指数。

本实施例中，行为水平量化模块S300还包括以下功能单元：

行为水平量化单元，用于根据肌张水平实时指数、中枢运动能力实时指数和行为动作水平实时指数进行实时地基线变化分析和极值调和分析，得到睡眠行为活跃水平实时指数，生成或更新睡眠行为活跃水平实时曲线；

指数趋势预测单元，用于根据睡眠行为活跃水平实时曲线进行实时地趋势分析和预测计算，生成或更新睡眠行为活跃水平趋势曲线。

本实施例中，动态策略调节模块S400还包括以下功能单元：

动态策略生成单元，用于根据睡眠行为水平优化知识库、睡眠时相曲线、睡眠行为活跃水平实时曲线和睡眠行为活跃水平趋势曲线，结合睡眠行为活跃水平动态调节目的，生成睡眠行为活跃水平动态调节策略；

动态策略执行单元，用于根据睡眠行为活跃水平动态调节策略，对用户睡眠过程的行为活跃水平进行实时动态调节。

本实施例中，行为调节报告模块S500还包括以下功能单元：

循环动态调节单元，用于完成全部睡眠行为活跃水平的循环动态调节，得到全部调节过程的睡眠时相曲线、睡眠行为活跃水平实时曲线和睡眠行为活跃水平趋势曲线；

活跃相关分析单元，用于分析计算睡眠时相曲线和睡眠行为活跃水平实时曲线的关系特征，提取时相行为活跃相关系数；

调节效果分析单元，用于分析计算睡眠行为活跃水平实时曲线和睡眠行为活跃水平趋势曲线的关系特征，提取行为水平动态调节效果系数；

调节报告生成单元，用于根据睡眠时相曲线、睡眠行为活跃水平曲线、睡眠行为活跃水平实时曲线、睡眠行为活跃水平趋势曲线、时相行为活跃相关系数和行为水平动态调节效果系数，分析计算生成睡眠行为活跃水平调节报告；

行为调节继承单元，用于根据睡眠行为活跃水平调节报告和用户当前状态信息，建立或更新个性化行为调节长期数据库，为后续用户持续地睡眠行为活跃水平动态调节提供数据分析继承模型。

本实施例中，数据管理中心模块S600还包括以下具体功能单元：

用户信息管理单元，用于用户基本信息的登记输入、编辑、查询、输出和删除；

数据可视化管理单元，用于对系统中所有数据的可视化展现管理；

数据运行管理单元，用于对系统中所有数据的存储、备份、迁移和导出。

如图3所示，本发明实施例提供的一种睡眠行为活跃水平动态调节的装置，包括以下模组：

时相状态分析模组M100，用于对用户睡眠过程的生理状态信号和行为状态信号进行实时地采集监测、信号处理和时帧特征分析，生成生理状态实时特征和行为状态实时特征，实时识别睡眠时相状态并生成睡眠时相曲线；

表征指数提取模组M200，用于对生理状态实时特征和行为状态实时特征进行实时地行为能力量化分析、基线变化分析和极值调和分析，生成肌张水平实时指数、中枢运动能力实时指数和行为动作水平实时指数；

行为水平量化模组M300，用于根据肌张水平实时指数、中枢运动能力实时指数和行为动作水平实时指数进行实时地基线变化分析和极值调和分析，得到睡眠行为活跃水平实时指数并生成睡眠行为活跃水平实时曲线，预测计算生成睡眠行为活跃水平趋势曲线；

动态策略调节模组M400，用于根据睡眠行为水平优化知识库、睡眠时相曲线、睡眠行为活跃水平实时曲线和睡眠行为活跃水平趋势曲线，实时生成睡眠行为活跃水平动态调节策略，并对用户睡眠过程的行为活跃水平进行实时动态调节；

行为调节报告模组M500，用于完成全部睡眠行为活跃水平的循环动态调节，评估动态调节效果，提取时相行为活跃相关系数和行为水平动态调节效果系数，生成睡眠行为活跃水平调节报告并建立个性化行为调节长期数据库；

数据可视化管模组M600，用于对装置中所有数据的可视化展现管理；

数据运行管理模组M700，用于对装置中所有数据的存储、备份、迁移和导出。

所述装置被构造以用于对应执行图1的方法中的各个步骤，在此不再赘述。

本发明还提供了可编程的各类处理器（FPGA、ASIC或其他集成电路），所述处理器用于运行程序，其中，所述程序运行时执行上述实施例中的步骤。

本发明还提供了对应的计算机设备，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，所述存储器执行所述程序时实现上述实施例中的步骤。

虽然本发明所揭露的实施方式如上，但所述的内容仅为便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和原则的前提下，可以在实施的形式及细节上进行任何的修改与变化、等同替换等，这些都属于本发明的保护范围。因此，本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。