一种助眠方法、装置、设备和计算机可读存储介质

技术领域

本发明涉及助眠技术领域，尤其涉及一种助眠方法、装置、设备和计算机可读存储介质。

背景技术

随着现代生活节奏的不断加快，人们的来自生活、工作、学习的压力也在不断地增加，越来越多的人开始出现睡眠问题，例如入睡困难、失眠等，这严重影响人的精神状态和身体健康。

助眠产品成了很多人解决睡眠问题的帮手。每个人的睡眠需求和反应是不同的，但目前的助眠产品往往采用通用的算法和设置，无法完全适应所有用户的需求。

发明内容

基于此，有必要针对上述问题，提出了一种助眠方法、装置、设备和计算机可读存储介质，能够满足用户的个性化助眠需求。

一种助眠方法，包括：

获取用户输入的激活指令，根据所述激活指令采集身体特征数据，所述身体特征数据包括多个维度的维度特征数据；

获取预训练睡眠模型，所述预训练睡眠模型包括多个输入层，将不同维度的所述维度特征数据输入至对应的所述输入层中以判断用户是否处于待睡眠状态；

若判定用户未处于所述待睡眠状态，则获取所述预训练睡眠模型基于所述身体特征数据输出的提示信息，根据所述提示信息向用户发出语音提示，以提示用户调整当前状态；

若判定用户处于所述待睡眠状态，则获取所述预训练睡眠模型基于所述身体特征数据输出的音乐播放信息，根据所述音乐播放信息播放助眠音乐，同时通过将所述音乐对应的音波转为机械振动波以对用户进行按摩。

其中，所述将不同维度的所述维度特征数据输入至对应的所述输入层中以判断用户是否处于待睡眠状态的步骤，包括：

基于所述维度特征数据通过所述预训练睡眠模型获取用户的睡眠质量和睡眠问题，以及针对所述睡眠质量和睡眠问题的反馈和改进建议。

其中，所述根据所述提示信息向用户发出语音提示，以提示用户调整当前状态的步骤，包括：

向用户提供呼吸练习引导和/或冥想指导，以帮助用户放下与睡眠无关的工作，放松身心并入睡。

其中，所述根向用户提供呼吸练习引导和/或冥想指导的步骤，包括：

获取用户提供的语音指令，将所述语音指令输入所述预训练睡眠模型获取语音回答信息和/或操作信息，播放所述语音回答信息和/或执行所述操作信息。

其中，所述通过将所述音乐对应的音波转为机械振动波以对用户进行按摩的步骤，包括：

提取所述音乐中15Hz—150Hz的低频信号，将所述低频信号转化为对应的机械振动波形，驱动振动组件按照所述机械振动波形进行机械振动，以对用户进行按摩。

其中，所述基于所述身体特征数据播放助眠音乐的同时，还包括：

获取所述预训练睡眠模型基于所述身体特征数据输出的环境控制信息，基于所述环境控制信息控制环境温度、湿度、光线明亮度中的至少一个。

其中，所述预训练睡眠模型包括：

多个卷积网络，每个所述卷积网络包括一个输入层，用于接收所述多个维度的维度特征数据，并分别针对每个维度的维度特征数据进行特征提取；

循环输入网络，连接所述多个卷积网络，用于获取每个所述卷积网络的输出并构建时间序列；

多层感知机，连接所述循环输入网络和所述多个卷积网络，用于将每个所述卷积网络的输出和所述循环输入网络的输出进行融合；

概率分布网络，连接所述多个卷积网络和所述多层感知机，用于根据所述每个所述卷积网络和所述多层感知机的输出获取睡眠状态的概率分布；

深度Q网络，连接所述概率分布网络，用于根据所述睡眠状态的概率分布执行对应的操作。

其中，所述每个卷积网络的输出连接所述多层感知机的输入层，所述循环输入网络的输出连接所述多层感知机的隐藏层；

所述卷积网络的输出连接所述概率分布网络的浅层层级，所述多层感知机的输出连接所述概率分布网络的深层层级。

一种助眠装置，包括：

获取模块，用于获取用户输入的激活指令，根据所述激活指令采集身体特征数据，所述身体特征数据包括多个维度的维度特征数据；

判断模块，用于获取预训练睡眠模型，所述预训练睡眠模型包括多个输入层，将不同维度的所述维度特征数据输入至对应的所述输入层中以判断用户是否处于待睡眠状态；

提示模块，用于当判定用户未处于所述待睡眠状态时，获取所述预训练睡眠模型基于所述身体特征数据输出的提示信息，根据所述提示信息向用户发出语音提示，以提示用户调整当前状态；

按摩模块，用于当判定用户处于所述待睡眠状态时，则获取所述预训练睡眠模型基于所述身体特征数据输出的音乐播放信息，根据所述音乐播放信息播放助眠音乐，同时通过将所述音乐对应的音波转为机械振动波以对用户进行按摩。

一种助眠设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上所述的步骤。

一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上所述的步骤。

采用本发明实施例，具有如下有益效果：

通过采集用户的身体特征数据，并基于预训练的睡眠模型进行分析，以根据用户的实际情况提供个性化的睡眠辅助，满足用户的个性化需求，有助于改善用户的睡眠质量和体验，帮助用户养成良好的睡眠习惯。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

其中：

图1是本发明提供的助眠方法的一实施例的流程示意图；

图2是本发明提供的预训练睡眠网络的结构示意图；

图3是本发明提供的助眠装置的一实施例的结构示意图；

图4是本发明提供的一个实施例中助眠设备的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，图1是本发明提供的助眠方法的一实施例的流程示意图。本发明提供的助眠方法应用于助眠设备，助眠设备可以是床垫、枕头、床、毛毯等器具，包括如下步骤：

S101：获取用户输入的激活指令，根据激活指令采集身体特征数据，身体特征数据包括多个维度的维度特征数据。

在一个具体的实施场景中，获取用户输入的激活指令，激活指令可以用户通过语音输入或者是通过按键输入，还可以通过智能终端上的应用程序输入，在此不做限制。当接收到激活指令后，根据激活指令采集身体特征数据，身体特征数据包括多个维度的维度特征数据，可以是心跳、脉搏、体温、血压、呼吸节奏等，还可以通过设置传感器矩阵来获取到的用户的姿势。

S102：获取预训练睡眠模型，预训练睡眠模型包括多个输入层，将不同维度的维度特征数据输入至对应的输入层中以判断用户是否处于待睡眠状态；若否，执行步骤S103，若是，执行步骤S104。

在一个具体的实施场景中，获取预训练睡眠模型，预训练睡眠模型是已经训练过的神经网络模型，可以包括多个不同的神经网络，以实现根据维度特征数据判断用户的睡眠状态，睡眠状态包括待睡眠状态、深度睡眠状态、浅度睡眠状态等。

请结合参阅图2，图2是本发明提供的预训练睡眠网络的结构示意图。预训练睡眠网络包括多个卷积网络，每个卷积网络用于接收一个维度的维度特征数据，每个卷积网络具有其输入层，则将这些输入层作为预训练睡眠网络的多个输入层。每个维度的维度特征数据输入对应的卷积网络的输入层中，由对应的卷积网络提取其特征向量。

预训练睡眠网络还包括循环输入网络，循环输入网络连接每个卷积网络，将卷积网络的输出作为循环输入网络的输入，循环神经网络可以是循环神经网络或长短期记忆网络，可以基于卷积网络的输出构建时间序列。时间序列中每个时间步的输入是来自不同卷积网络的输出。时间步(time step)是指将序列数据输入网络的每个时间点。通过在每个时间步处理序列数据的不同部分，逐步更新状态并进行预测或输出。

如果每个卷积网络的输出是一个向量，可以将这些向量按时间顺序连接起来形成一个时间序列，作为循环输入网络的输入。如果每个卷积网络的输出是一个矩阵或张量，可以通过降维或汇总操作(如平均池化、最大池化)将其转换为向量，然后按时间顺序连接起来形成时间序列，作为循环输入网络的输入。

预训练睡眠网络还包括多层感知机，多层感知机连接循环输入网络和多个卷积网络，每个卷积网络的输出连接多层感知机的输入层，循环输入网络的输出连接多层感知机的隐藏层。假设有两个卷积网络(CNN1和CNN2)、一个循环输入网络(RNN)和一个多层感知机(MLP)，CNN1的输出是一个向量序列，假设为V1＝[v1_1,v1_2,...,v1_n]，其中v1_i是CNN1在第i个时间步的输出向量。CNN2的输出是一个向量序列，假设为V2＝[v2_1,v2_2,...,v2_n]，其中v2_i是CNN2在第i个时间步的输出向量。RNN的输出是一个向量序列，假设为H＝[h_1,h_2,...,h_n]，其中h_i是RNN在第i个时间步的输出向量。，可以将v1和v2进行连接(concatenate)操作，形成一个特征向量v。这个连接操作可以在输入层之前进行。特征向量v的长度将是v1和v2的长度之和。将特征向量v作为输入，传递给MLP的输入层。输入层的神经元数量将与特征向量v的长度相同。在隐藏层中，将特征向量H与输入层的输出进行连接(concatenate)操作，形成一个新的特征向量。然后，使用MLP的神经元对这个新的特征向量进行映射和变换。再根据任务的类型进行相应的操作。对于分类任务，可以使用softmax函数作为输出层的激活函数，将输出转换为每个类别的概率分布。对于回归任务，可以使用线性激活函数或其他适当的激活函数，直接输出连续值。

通过引入额外的输入，模型的表达能力可以增强。通过将特征向量H与输入层的输出进行连接，可以将H中的信息引入到隐藏层的计算中。这样做的好处是，隐藏层可以利用H中的信息来更好地捕捉输入数据的特征，从而提升模型的性能。特征向量H可能包含与输入数据相关的重要特征。将这些特征与输入层的输出进行连接可以增强它们的表征能力，使得隐藏层能够更好地学习到这些特征。特征向量H可能包含关于输入数据的上下文信息，例如先前的状态、历史信息等。将这些信息引入隐藏层可以帮助模型更好地理解当前的输入数据。

预训练睡眠网络还包括概率分布网络，概率分布网络连接多个卷积网络和多层感知机，用于根据每个卷积网络和多层感知机的输出获取睡眠状态的概率分布。将卷积网络和多层感知机的输出连接到概率分布网络的不同层级。例如，将卷积网络的输出连接到概率分布网络的浅层层级，而将多层感知机的输出连接到概率分布网络的深层层级。这样可以引入不同层级的特征表示，提供更全面的信息用于预测睡眠状态的概率分布。卷积网络和多层感知机在不同层级上提取了不同级别的特征。将它们的输出连接到概率分布网络的不同层级可以引入多个层次的特征表示。浅层层级可以捕捉更局部的特征，而深层层级可以捕捉更抽象和全局的特征。通过多层特征表示，模型可以更好地理解输入数据的不同方面和层次，从而提高预测的准确性。连接到多个层级可以增加概率分布网络的表达能力。每个层级都可以学习不同的特征组合和变换，从而提供更多的非线性建模能力。通过增强模型的表达能力，可以更好地拟合训练数据的分布，提高模型的泛化能力和预测性能。

预训练睡眠网络还包括深度Q网络，深度Q网络(Deep Q-Network，DQN)是一种深度强化学习算法，用于解决具有离散动作空间的强化学习问题。DQN是由Google DeepMind提出的，它结合了深度神经网络和Q-learning算法的思想。深度Q网络，连接概率分布网络，用于根据睡眠状态的概率分布执行对应的操作。例如，睡眠状态为深度睡眠，则降低播放音量，放缓按摩速度，减轻按摩力度，以避免打扰用户睡眠，尽可能久的维持深度睡眠。又例如，睡眠状态为未睡眠，则可以发出对应的语音提示，提示用户尽快做好入睡准备，调整入睡姿势，从而提升助眠效果。

在其他实施场景中，还能够基于维度特征数据通过预训练睡眠模型获取用户的睡眠质量和睡眠问题，以及针对睡眠质量和睡眠问题的反馈和改进建议。例如，用户入睡时间较晚，可以提示用户较早准备助眠，以提早入睡时间。再例如，用户在进行助眠时经常玩手机，影响助眠效果，可以提示用户睡前不玩手机，以确保助眠效果。又例如，用户睡眠质量较好，提示用户继续保持当前的睡眠习惯，有助于良好睡眠习惯的养成。

S103：获取预训练睡眠模型基于身体特征数据输出的提示信息，根据提示信息向用户发出语音提示，以提示用户调整当前状态。

在一个具体的实施场景中，预训练睡眠模型基于身体特征数据判定用户处于未睡眠状态，基于身体特征数据输出的提示信息，根据提示信息向用户发出语音提示，以提示用户调整当前状态。例如，根据身体特征数据判定用户处于未睡眠状态，则向用户提供呼吸练习引导和/或冥想指导，以帮助用户放松并入睡。可以根据用户的身体特征数据向其提供个性化的提示信息。例如，如果模型分析出用户处于紧张状态，您可以播放呼吸练习引导音频，帮助用户放松呼吸并缓解紧张感。或者，您可以提供冥想指导，引导用户通过专注和放松来进入睡眠状态，这样可以帮助用户放下与睡眠无关的工作，放松身心并入睡。

具体地说，可以与用户进行语音对话，将用户的语音指令输入到预训练睡眠模型中，预训练睡眠模型将分析该语音指令并生成相应的语音回答信息和/或操作信息。语音回答信息可以是一段语音文本，包含有关放松、呼吸练习或冥想的指导。操作信息可以是指导用户执行特定动作或操作的语音指令。可以使用语音合成技术将语音回答信息转换为语音音频，并通过扬声器或耳机播放给用户。如果输出的是操作信息，可以执行相应的操作，例如调整振动按摩设备的设置或播放特定的音乐。

请结合参阅下表，下表为用户与助眠设备之间的沟通示例：

这样可以根据用户的语音指令提供个性化的睡眠提示和操作指导，从而帮助用户更好地放松和入睡，提供定制化的睡眠体验。

S104：获取预训练睡眠模型基于身体特征数据输出的音乐播放信息，根据音乐播放信息播放助眠音乐，同时通过将音乐对应的音波转为为机械振动波以对用户进行按摩。

在一个具体的实施场景中，预训练睡眠模型可以接收用户的身体特征数据作为输入，例如心率、呼吸频率、皮肤电活动等。预训练睡眠模型会分析这些数据并生成相应的音乐播放信息，例如选择适合用户放松的音乐类型、节奏和音调。根据音乐播放信息播放助眠音乐，这些音乐可以是特别设计用于放松和促进睡眠的曲目，例如轻柔、舒缓的音乐或自然环境的声音，如海浪声、鸟鸣声等。将所播放助眠音乐的音波转换为机械振动波形。这可以通过振动组件、按摩椅或床上的振动装置来实现。振动波形会响应音乐的旋律和节奏，产生相应的振动效果。

在一个实施场景中，可以提取音乐中15Hz—150Hz的低频信号，将低频信号转化为对应的振动波形，驱动振动组件按照振动波形进行振动，以对用户进行按摩。低频振动可以帮助放松肌肉、减轻紧张和压力，促进身体的放松和舒缓。通过将音乐转化为机械振动波形，按摩可以增强身体的感知，使用户更加专注于身体感觉和放松体验，可以提供个性化的按摩体验，增强放松效果、促进身体健康和提升睡眠质量。

在其他实施场景中，预训练睡眠模型接收用户的身体特征数据，分析这些身体特征数据并生成相应的环境控制信息，以提供更适合用户入睡的环境。根据预训练睡眠模型的输出的环境控制信息，可以控制环境中的至少一个因素。例如，可以调节空调或暖气设备来提供舒适的温度。根据模型的建议，温度可以调整为更适合入睡的范围。可以通过加湿器或除湿器来调节环境湿度。根据模型的建议，湿度可以调整为更适合用户入睡的水平。可以控制灯光的亮度或使用窗帘、遮光帘等来调节室内的光线明亮度。根据模型的建议，光线明亮度可以调整为更适合入睡的水平。由于环境控制信息是根据用户的身体特征数据生成的，因此环境控制信息是个性化的，以满足每个用户的需求和偏好。

通过将预训练睡眠模型的输出与环境控制相结合，可以根据用户的身体特征数据提供个性化的环境调节，以创造更适合入睡的环境。这有助于提高睡眠质量、促进放松和舒适感，并为用户提供更好的睡眠体验。

通过上述描述可知，在本实施例中，通过采集用户的身体特征数据，并基于预训练的睡眠模型进行分析，系统可以根据用户的实际情况提供个性化的睡眠辅助，满足用户的个性化需求，有助于改善用户的睡眠质量和体验，帮助用户养成良好的睡眠习惯。

请参阅图3，图3是本发明提供的助眠装置的一实施例的结构示意图。助眠装置10包括：获取模块11、判断模块12、提示模块13和按摩模块14。

获取模块11用于获取用户输入的激活指令，根据激活指令采集身体特征数据，身体特征数据包括多个维度的维度特征数据；判断模块12用于获取预训练睡眠模型，预训练睡眠模型包括多个输入层，将不同维度的维度特征数据输入至对应的输入层中以判断用户是否处于待睡眠状态；提示模块13用于当判定用户未处于待睡眠状态时，获取预训练睡眠模型基于身体特征数据输出的提示信息，根据提示信息向用户发出语音提示，以提示用户调整当前状态；按摩模块14用于当判定用户处于待睡眠状态时，则获取预训练睡眠模型基于身体特征数据输出的音乐播放信息，根据音乐播放信息播放助眠音乐，同时通过将音乐对应的音波转为为机械振动波以对用户进行按摩。

判断模块12用于基于维度特征数据通过预训练睡眠模型获取用户的睡眠质量和睡眠问题，以及针对睡眠质量和睡眠问题的反馈和改进建议。

提示模块13用于向用户提供呼吸练习引导和/或冥想指导，以帮助用户放下与睡眠无关的工作，放松身心并入睡。

提示模块13用于获取用户提供的语音指令，将语音指令输入预训练睡眠模型获取语音回答信息和/或操作信息，播放语音回答信息和/或执行操作信息。

按摩模块14用于提取音乐中15Hz—150Hz的低频信号，将低频信号转化为对应的振动波形，驱动振动组件按照振动波形进行振动，以对用户进行按摩。

在一个实施例中，本发明可以应用于儿童的午休场景，儿童在学校午睡时可以在老师的引导下进行午休，但是当休息日或者寒暑假在家中时，家长可能无暇照顾孩子进行午休，或者不能很好的引导孩子进行午休。通过使用本发明提供的助眠装置，能够很好的帮助儿童快速午休。

在另一个实施例中，本发明可以用于于成年人的睡眠场景，成年人工作压力较大，加上现在短视频、手机游戏等干扰，入睡困难，通过使用本发明提供的助眠装置，可以帮助成年人养成良好的睡眠习惯，提升睡眠质量。

图4示出了一个实施例中助眠设备的内部结构图。该助眠设备具体可以是终端，也可以是服务器。如图4所示，该助眠设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该助眠设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现助眠方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行年龄识别方法。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助眠设备的限定，具体的助眠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，提出了一种助眠设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上所述的步骤。

在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上所述的步骤。

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，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，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本申请专利范围的限制。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。