CN109567750B - 睡眠分期的确定方法、装置和计算机设备 - Google Patents

Abstract

本申请涉及一种睡眠分期的确定方法、装置和计算机设备，计算机设备通过获取用户的肌电信号和体动信号，然后根据上述肌电信号和体动信号获取基线参数，并根据上述基线参数，确定REM期。由于计算机设备获取了用户的肌电信号和体动信号，并根据基线参数对肌电信号和体动信号进行判断，通过判断结果获得用户的体动幅度与肌电幅度均比较小的阶段，可以确定用户的REM期。

Description

睡眠分期的确定方法、装置和计算机设备

技术领域

本发明涉及信号处理技术领域，特别是涉及一种睡眠分期的确定方法、装置和计算机设备。

背景技术

近年来，随着人们生活水平的提高，越来越多的人开始关注自己的睡眠情况。目前，国际上公认的睡眠评估的方法为多导睡眠监测(PSG)技术，通过持续同步记录和分析脑电图、眼电图、下颌肌电、心电图、呼吸活动以及其他生理和躯体活动等多项睡眠生理学指标，进行睡眠医学研究和睡眠疾病诊断。为了使睡眠监测便于实施，传统技术中通过手环设备采集身体的活动强度数据来判断睡眠情况。

但是，由于手环设备一般只采集体动数据和心率数据，不能判断出睡眠分期中的REM期。

发明内容

基于此，有必要针对上述技术问题，提供一种可以确定REM期的睡眠分期的确定方法、装置和计算机设备。

一种睡眠分期的确定方法，所述方法包括：

获取用户的肌电信号和体动信号；

根据所述肌电信号和所述体动信号，获取基线参数；所述基线参数用于表示所述肌电信号和所述体动信号的信号特征；

根据所述基线参数，确定快速眼球运动REM期。

在一个实施例中，所述根据所述肌电信号和所述体动信号，获取基线参数，包括：

对所述肌电信号和所述体动信号进行低通滤波处理，获得滤波后的肌电信号和滤波后的体动信号；

根据所述滤波后的肌电信号和所述滤波后的体动信号，获取所述基线参数。

在一个实施例中，所述根据所述滤波后的肌电信号和所述滤波后的体动信号，获取所述基线参数，包括：

根据所述滤波后的肌电信号，获取肌电特征数据；

根据所述滤波后的体动信号，获取体动特征数据；

获取所述滤波后的肌电信号和所述滤波后的体动信号之间的相关系数；

根据所述肌电特征数据、所述体动特征数据和所述相关系数，确定所述基线参数。

在一个实施例中，所述根据所述基线参数，确定快速眼球运动REM期，包括：

根据所述基线参数，确定用户的睡眠阶段；

根据所述睡眠阶段的睡眠数据，获取肌电基线数据；

比较所述肌电基线数据的值和所述肌电信号的值之间的大小关系，获取比较结果；

根据所述比较结果确定所述REM期。

在一个实施例中，所述根据所述基线参数，确定用户的睡眠阶段，包括：

根据所述体动特征数据，对用户的睡眠数据进行分类，获取各所述睡眠数据的第一类型；所述睡眠数据包括体动数据和肌电数据；

根据所述肌电特征数据对各所述睡眠数据的第一类型进行校正，获取各所述睡眠数据校正后的第二类型；

根据各所述睡眠数据校正后的第二类型，确定所述睡眠阶段。

在一个实施例中，所述根据所述体动特征数据，对用户的睡眠数据进行分类，获取各所述睡眠数据的第一类型，包括：

若所述体动数据的值小于预设的第一阈值，则确定所述睡眠数据为潜在睡眠数据；

若所述体动数据的值大于预设的第二阈值，则确定所述睡眠数据为潜在清醒数据；

若所述体动数据的值大于或等于所述第一阈值，且小于或等于所述第二阈值，则确定所述睡眠数据为潜在睡眠清醒数据。

在一个实施例中，所述根据所述肌电特征数据对各所述睡眠数据的第一类型进行校正，获取各所述睡眠数据校正后的第二类型，包括：

比较各所述第一类型对应的肌电数据的值和所述肌电特征数据的值的大小关系，获取比较结果；

根据所述比较结果和所述相关系数，对各所述睡眠数据的第一类型进行校正，获取各所述睡眠数据校正后的第二类型。

一种睡眠分期的装置，所述装置包括：

第一模块，用于获取用户的肌电信号和体动信号；

第二模块，用于根据所述肌电信号和所述体动信号，获取基线参数；所述基线参数用于表示所述肌电信号和所述体动信号的信号特征。

第三模块，用于根据所述基线参数，确定快速眼球运动REM期。

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所述睡眠分期的确定方法的步骤。

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所述睡眠分期的确定方法的步骤。

上述睡眠分期的确定方法、装置和计算机设备，计算机设备通过获取用户的肌电信号和体动信号，然后根据上述肌电信号和体动信号获取基线参数，并根据上述基线参数，确定REM期。由于计算机设备获取了用户的肌电信号和体动信号，并根据基线参数对肌电信号和体动信号进行判断，通过判断结果获得用户的体动幅度与肌电幅度均比较小的阶段，可以确定用户的REM期。

附图说明

图1为一个实施例中睡眠分期的确定方法的应用环境图；

图2为一个实施例中睡眠分期的确定方法的流程示意图；

图3为另一个实施例中睡眠分期的确定方法的流程示意图；

图4为另一个实施例中睡眠分期的确定方法的流程示意图；

图5为另一个实施例中睡眠分期的确定方法的流程示意图；

图6为一个实施例中睡眠分期的确定装置的结构框图；

图7为另一个实施例中睡眠分期的确定装置的结构框图；

图8为另一个实施例中睡眠分期的确定装置的结构框图；

图9为一个实施例中计算机设备的内部结构图。

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。

本申请提供的睡眠分期的确定方法，可以应用于如图1所示的应用环境中。其中，采集设备110与计算机设备120通过网络连接，上述采集设备可以是手环，也可以是睡眠仪，还可以是其它用于采集用户的肌电信号和体动信号的设备；上述计算机设备120可以是服务器，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。

需要说明的是，本申请实施例的执行主体可以是睡眠分期的确定装置，其可以通过软件、硬件、或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例以执行主体是计算机设备为例来进行说明。

在一个实施例中，如图2所示，提供一种睡眠分期的确定方法，以该方法应用于图1中的计算机设备120为例进行说明，包括：

S101、获取用户的肌电信号和体动信号。

其中，肌电信号是指通过采集用户睡眠时期肌肉收缩时伴随的电信号所得到的信号，体动信号是由用户睡眠时期的身体动作所产生信号。睡眠分期是指人们为了研究方便，对用户睡眠的各个阶段进行了划分，可以分为非眼球快速运动期和眼球快速运动(rapideyes movement，简称REM)期。

在获取用户的肌电信号和体动信号时，计算机设备可以通过采集设备来获取，该采集设备可以是手环，也可以是睡眠仪，可选地，还可以通过采集电极片来获取，对于上述肌电信号和体动信号的获取方式在此不做限定。对于上述方法获取的肌电信号和体动信号，上述肌电信号和体动信号也可以有不同的形式，例如，计算机设备可以通过两个采集电极采集用户的肌电信号，获取的肌电信号可以是一个差分信号，肌电信号的幅度在0V上下波动；另外，计算机设备还可以通过三个采集电极来采集用户的肌电信号，则获取的肌电信号可以是差分信号加上一个基线值的形式，比如基线值可以为1.5V，则肌电信号的幅度在1.5V上下波动。对于上述肌电信号和体动信号的形式在此不做限定。

S102、根据肌电信号和体动信号，获取基线参数；基线参数用于表示肌电信号和体动信号的信号特征。

具体地，计算机设备在获取肌电信号和体动信号后，可以获取基线参数。上述基线参数是用于对上述肌电信号和体动信号进行判断的基线值。基线参数用于表示肌电信号和体动信号的信号特征，上述信号特征可以是信号幅度的最大值、最小值以及平均值，还可以是信号频率等，对于基线参数对应的信号特征类型在此不做限定。

进一步地，基线参数可以是计算机设备从上述肌电信号和体动信号中提取的信号特征，也可以是在上述信号特征的基础上获取的其它参数，可选地，还可以是对肌电信号和体动信号进行处理后再提取的信号特征。例如，计算机设备可以从肌电信号和体动信号中提取最大值、最小值、平均值、频率等信号特征，基线参数可以包括肌电幅度最大值，也可以包括肌电幅度平均值；计算机设备还可以提取每分钟内肌电信号和体动信号的幅度平均值，在上述每分钟内的信号幅度平均值上，可以获取肌电信号和体动信号在整个采集时间的平均值，即肌电幅度平均值和体动信号平均值；还可以通过每分钟内肌电信号和体动信号的幅度平均值进行计算，获取肌电信号和体动信号的相关系数，上述相关系数是指反映肌电信号和体动信号相关关系密切程度的系数。对于上述基线参数的获取方式在此不做限定。

S103、根据基线参数，确定快速眼球运动REM期。

其中，REM期是睡眠的一个阶段，在一晚上的睡眠中，一个人通常有四到五个睡眠周期，每个睡眠周期中均可能包含REM期，随着用户的睡眠进入REM期，体动减弱，表现为体动幅度较小；同时肌肉张力显著降低，呈完全松弛状态，在肌电信号上体现为肌电幅度较小。

具体地，计算机设备可以根据基线参数中的各个参数，对于肌电信号和体动信号进行组合判断，获取用户的体动信号与肌电信号均比较小的阶段，确定用户的REM期。对于整个采集阶段的数据，计算机设备可以先根据基线参数确定体动信号中体动幅度较小的第一阶段，再从上述第一阶段中，确定肌电幅度较小的第二阶段，根据上述第二阶段，可以确定用户的REM期；计算机设备还可以判断出整个采集阶段中，体动信号中体动幅度较小的第一阶段，以及肌电信号中肌电幅度较小的第二阶段，然后将上述第一阶段和第二阶段结合，再进一步确定出REM期。对于REM期的确定方式，在此不做限定。

以一种确定REM期的方法为例，计算机设备通过采集获取用户的肌电信号和体动信号，并根据上述肌电信号和体动信号确定基线参数为肌电幅度平均值、体动幅度平均值以及肌电信号和体动信号的相关系数；根据上述基线参数对肌电信号和体动信号进行组合判断，确定用户的REM期。

上述睡眠分期的确定方法，计算机设备通过获取用户的肌电信号和体动信号，然后根据上述肌电信号和体动信号获取基线参数，并根据上述基线参数，确定REM期。由于REM期主要特点是用户睡眠处于该阶段时，肌电信号的幅度比较小，计算机设备通过获取用户的肌电信号和体动信号，并根据基线参数对肌电信号和体动信号进行判断，通过判断结果获得用户的体动幅度与肌电幅度均比较小的阶段，可以确定用户的REM期。

图3为另一个实施例中睡眠分期的确定方法的流程示意图，本实施例涉及计算机设备根据肌电信号和体动信号获取基线参数的一种方式，如图3所示，上述S102包括：

S201、对肌电信号和体动信号进行低通滤波处理，获得滤波后的肌电信号和滤波后的体动信号。

计算机设备获取的肌电信号和体动信号中，可能会包含一些干扰信号，上述干扰信号可能是由于采集设备引起的，也可能是采集时操作不当引起的，或者时采集时用户的异常动作等引起的。计算机设备对肌电信号和体动信号分别进行低通滤波处理，获得干扰较小的滤波后的肌电信号和滤波后的体动信号。

具体地，计算机设备通过低通滤波器对肌电信号和体动信号，可以根据肌电信号和体动信号的频率特性选择低通滤波器的截止频率。例如，可以选择肌电信号的低通滤波器截止频率为10赫兹，体动信号的低通滤波器截止频率可以为3赫兹。

S202、根据滤波后的肌电信号和滤波后的体动信号，获取基线参数。

在对肌电信号和体动信号进行低通滤波处理的基础上，可以根据滤波后的肌电信号和滤波后的体动信号，获取基线参数。上述基线参数的获取方式与S102中类似，在此不再详述。

可选地，计算机设备可以根据滤波后的肌电信号，获取肌电特征数据；根据滤波后的体动信号，获取体动特征数据；获取滤波后的肌电信号和滤波后的体动信号之间的相关系数，然后根据肌电特征数据、体动特征数据和相关系数，确定所述基线参数。

其中，肌电特征数据是指根据滤波后的肌电信号提取的信号特征，可以包括最大值、最小值、平均值、频率等信号特征；体动特征数据是指根据滤波后的肌电信号提取的信号特征，可以包括最大值、最小值、平均值、频率等信号特征。

继续以一种确定REM期的方法为例，计算机设备对获取的体动信号和肌电信号进行低通滤波处理，在低通后的体动信号和低通后的肌电信号中，根据采集频率的不同，每分钟内可以包含多次的采集数据。计算机设备可以根据滤波后的体动信号，获取每分钟内的体动幅度平均值Xi，其中i标识采集阶段中的分钟值；然后对上述Xi在整个采集时长内进行平均，获取体动幅度平均值X；类似地，可以根据滤波后的肌电信号获取每分钟内的肌电幅度平均值Yi，对上述Yi在整个采集时长内进行平均，获取肌电幅度平均值Y；然后根据公式

获取每分钟内体动信号和肌电信号的相关系数Mi。在上述计算的基础上，可以获取基线参数为体动幅度平均值X、肌电幅度平均值Y以及相关系数Mi。

上述睡眠分期的确定方法，计算机设备通过对肌电信号和体动信号进行低通滤波处理，使计算机设备可以在根据干扰较小的肌电信号和体动信号获取基线参数并进行判断，使得确定的REM期更准确。

图4为另一个实施例中睡眠分期的确定方法的流程示意图。本实施例涉及一种计算机设备根据基线参数确定REM期的具体过程，如图4所示，上述S103包括：

S301、根据基线参数，确定用户的睡眠阶段。

具体地，计算机设备所获取的肌电信号和体动信号中，包含了用户的睡眠阶段和清醒阶段，而REM期为用户睡眠阶段中的一个阶段，为了确定REM期，计算机设备可以先确定用户的睡眠阶段，相对于清醒阶段，睡眠阶段的体动信号小于清醒阶段的体动信号，肌电信号也小于清醒阶段的肌电信号。

在确定用户的睡眠阶段时，计算机设备可以根据体动特征数据，来确定用户的睡眠阶段，也可以将体动信号和肌电信号结合来确定用户的睡眠阶段，对于用户的睡眠阶段的确定方式在此不做限定。

S302、根据睡眠阶段的睡眠数据，获取肌电基线数据。

其中，上述睡眠阶段的睡眠数据是指在上一步骤判断出睡眠阶段以后，该睡眠阶段所对应的数据，可以是睡眠阶段的体动信号和肌电信号，也可以是睡眠阶段的滤波后的体动信号和滤波后的肌电信号。

上述肌电基线数据是指根据睡眠阶段的睡眠数据提取的信号特征，用于判断肌电信号的值之间的大小关系。上述信号特征可以是平均值、最大值或者最小值，然后计算机设备可以根据上述信号特征确定肌电基线数据。例如，计算机设备可以根据睡眠数据中的滤波后肌电信号，获取睡眠阶段肌电幅度平均值，然后根据肌电幅度平均值的大小以及预设的系数，确定肌电基线数据。

S303、比较肌电基线数据的值和肌电信号的值之间的大小关系，获取比较结果。

具体地，上述大小关系可以是肌电基线数据的值与肌电信号的值之间的比例关系，根据上述比例关系与1进行比较，可以判断出肌电基线数据的值和肌电信号的值之间的大小关系；也可以是肌电基线数据的值减去肌电信号的值获得的差值，根据上述差值与0之间的大小关系，也可以判断出上述肌电基线数据的值和肌电信号的值之间的大小关系，对比上述大小关系的表现形式在此不做限定。

S304、根据比较结果确定REM期。

在睡眠阶段中，将肌电信号的值与肌电基线数据的值进行对比，如果肌电肌电信号的值小于肌电基线数据的值，则计算机认为用户的肌电信号较小，为REM期。例如，计算机设备根据上述步骤获取睡眠阶段的肌电幅度平均值可以为0.5，可以确定肌电基线数据为0.2，当睡眠阶段中，用户的肌电信号小于0.2时，可以认为用户的肌电信号远小于睡眠阶段中的肌电幅度平均值，可以确定为REM期。

可选地，还可以对上述用户REM期进行校正。在一种校正方式中，计算机设备可以将睡眠数据中的肌电信号转换成频域信号，并进行高通滤波；如果上述频域信号经过高通滤波后，在预设频率区间出现脉冲信号，例如可以是0.5赫兹到3赫兹之间，那么，计算机设备可以认为用户在该阶段出现了慢波特征，上述慢波特征出现时，用户处于深睡期，而不是REM期；进一步地，计算机设备可以通过缩小肌电信号的范围，继续转换成频域信号之后进行判断，来确认出是哪一阶段出现了慢波特征。计算机设备可以将上述确定的REM期中去除掉出现慢波特征的阶段，即为校正后的REM期。

上述睡眠分期的确定方法，计算机设备可以根据基线参数获取用户的睡眠阶段，在睡眠阶段中进一步确定用户的REM期。由于REM期的肌电信号较小，通过先获取用户的睡眠阶段，剔除肌电信号比较大的阶段，可以对肌电信号的判断更准确，从而可以获取准确的REM期。

图5为另一个实施例中睡眠分期的确定方法的流程示意图，本实施例涉及一种计算机设备根据基线参数确定用户的睡眠阶段的具体过程，如图5所示，上述S301包括：

S401、根据体动特征数据，对用户的睡眠数据进行分类，获取各睡眠数据的第一类型；睡眠数据包括体动数据和肌电数据。

计算机设备根据基线参数确定用户的睡眠阶段时，可以先根据体动特征数据，对用户的睡眠数据进行分类。其中，上述睡眠数据包括体动数据和肌电信号数据，上述体动数据可以是体动信号，也可以是滤波后的体动信号，上述肌电数据可以是肌电信号也可以滤波后的肌电信号。

具体地，计算机设备可以根据体动特征数据先将体动数据进行分类，获取体动数据的第一类型，然后根据体动信号的不同类型，获取对应时刻的肌电信号，就可以获取肌电信号的第一类型。计算机设备在根据体动特征数据获取体动数据的第一类型时，可以根据体动特征数据与体动数据进行比较，根据比较结果确定体动数据的第一类型；还可以通过体动特征数据获取体动阈值，根据体动阈值与体动数据进行比较，来确定体动数据的第一类型。

可选地，可以根据体动特征信号确定第一阈值和第二阈值。上述睡眠数据的第一类型可以包括：潜在睡眠数据、潜在清醒数据以及潜在睡眠清醒数据。若体动数据的值小于预设的第一阈值，则确定睡眠数据为潜在睡眠数据；若体动数据的值大于预设的第二阈值，则确定睡眠数据为潜在清醒数据；若体动数据的值大于或等于第一阈值，且小于或等于第二阈值，则确定睡眠数据为潜在睡眠清醒数据。

继续以一种确定REM期的方法为例，计算机设备将体动幅度平均值设置为体动特征数据，滤波后的体动信号为体动数据，并通过体动幅度平均值确定第一阈值和第二阈值，然后根据上述第一阈值和第二阈值对低通后的体动信号进行判断。例如，体动幅度平均值可以为0.5，可以预设第一阈值为0.2，第二阈值为0.8，如果滤波后的体动信号的值小于第二阈值，则计算机设备认为用户的体动幅度较小，该用户可能处于睡眠阶段，可以确定该体动数据为潜在睡眠数据；如果滤波后的体动信号的值大于第二阈值，则计算机设备认为用户的体动幅度较大，该用户可能处于清醒阶段，可以确定该体动数据为潜在清醒数据；如果滤波后的体动信号的值大于或等于第一阈值，且小于或等于第二阈值，则计算机认为用户可能处于清醒阶段，也可能处于睡眠阶段，可以确定该体动数据为潜在睡眠清醒数据。

S402、根据肌电特征数据对各睡眠数据的第一类型进行校正，获取各睡眠数据校正后的第二类型。

在上述步骤基础上，计算机设备确定了潜在睡眠数据、潜在清醒数据以及潜在睡眠清醒数据，进一步地，根据肌电特征数据对上述数据的类型进行校正，可以确认上述数据的第二类型，例如，可以对潜在睡眠数据进行校正，可以确定上述潜在睡眠数据中哪些是睡眠阶段数据以及哪些是清醒阶段数据，即计算机设备认为用户处于睡眠状态的数据和处于清醒阶段的数据。

具体地，计算机设备在对各睡眠数据的第一类型进行校正时，可以根据肌电特征数据来进行校正，还可以根据肌电特征数据和相关系数结合来进行校正。

可选地，计算机设备可以比较各第一类型对应的肌电数据的值和肌电特征数据的值的大小关系，获取比较结果；然后，根据比较结果和相关系数，对各睡眠数据的第一类型进行校正，获取各睡眠数据校正后的第二类型。

继续以一种确定REM期的方法为例，当上述潜在睡眠数据、潜在清醒数据以及潜在睡眠清醒数据中，体动幅度较小且肌电幅度比较小，计算机设备可以确定用户处于睡眠阶段，对应的体动信号和肌电信号为睡眠阶段数据。然而，对于其他数据中，如果体动幅度较大或者肌电幅度较大时，相关系数也比较大，计算机设备认为体动信号和肌电信号关系密切，体动信号大可能是由肌电信号大引起的，肌电信号大也可能是由体动信号大引起的，例如用户睡眠时翻身导致的肌肉收缩强烈，体现为体动信号大引起肌电信号变大；对于这部分数据，可以将相关系数比较大的值对应的体动信号和肌电信号的值去掉后再次进行判断，如果体动幅度和肌电幅度比较小，则可以认为这部分数据为睡眠阶段数据。

在对潜在睡眠数据进行校正时，如果潜在睡眠数据中的肌电信号小于肌电特征数据，则确定为睡眠阶段数据；如果潜在睡眠阶段中的某一阶段，肌电信号大于肌电特征数据，进一步判断上述肌电信号对应的相关系数的值，如果相关系数大于预设的阈值，认为相关系数较大，则将相关系数大于上述阈值所对应的肌电信号值设置为0，再次判断该阶段中肌电信号是否小于肌电特征数据，如果小于，则确定为睡眠阶段数据，如果否，则确定为清醒阶段数据。

对于潜在清醒数据进行校正时，如果潜在清醒阶段的数据中肌电信号大于肌电特征数据，则确定为清醒阶段数据；如果潜在清醒数据中的某一阶段，肌电信号小于肌电特征数据，进一步判断上述肌电信号对应的相关系数的值，如果相关系数大于预设的阈值，认为相关系数较大，则将相关系数大于上述阈值所对应的体动信号值设置为0，再次判断该阶段中体动信号是否小于体动特征数据，如果小于，则确定为睡眠阶段数据，如果否，则确定为清醒阶段数据。

在对潜在睡眠清醒数据进行校正时，通过肌电特征数据确定两个参考值，如果潜在睡眠清醒数据中肌电信号小于第一参考值，则认为肌电信号远小于肌电特征数据，则确定为睡眠阶段数据；如果上述肌电信号大于第二参考值，则认为肌电信号远大于肌电特征数据，则确定为清醒阶段数据；对于其他数据，通过判断相关系数的大小，相关系数大于对应阈值时，将对应阶段的肌电信号和体动信号设置为0，进行进一步判断，确定出是睡眠阶段数据还是清醒阶段数据。

S403、根据各睡眠数据校正后的第二类型，确定睡眠阶段。

在上述步骤基础上，计算机设备通过肌电特征数据对各睡眠数据的第一类型进行校正，获取用户睡眠阶段数据；根据上述睡眠阶段数据，可以确定出用户的睡眠阶段。

上述睡眠数据的确定方法，计算机设备通过体动特征数据确定睡眠数据的第一类型，然后通过肌电特征数据对上述第一类型进行矫正，可以使计算机设备确定的睡眠阶段更准确，从而确定准确的REM期。

应该理解的是，虽然图2-5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2-5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。

在一个实施例中，如图6所示，提供了一种睡眠分期的确定装置，包括：第一获取模块10、第二获取模块20和确定模块30，其中：

第一获取模块10，用于获取用户的肌电信号和体动信号；

第二获取模块20，用于根据肌电信号和体动信号，获取基线参数；基线参数用于表示肌电信号和体动信号的信号特征；

确定模块30，用于根据基线参数，确定快速眼球运动REM期。

本发明实施例提供的睡眠分期的确定装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

在一个实施例中，如图7所示，上述第二获取模块20包括滤波单元201和获取单元202，其中：

滤波单元201，用于对肌电信号和体动信号进行低通滤波处理，获得滤波后的肌电信号和滤波后的体动信号；

第一获取单元202，用于根据滤波后的肌电信号和滤波后的体动信号，获取基线参数。

在一个实施例中，上述第一获取单元202具体用于：根据滤波后的肌电信号，获取肌电特征数据；根据滤波后的体动信号，获取体动特征数据；获取滤波后的肌电信号和滤波后的体动信号之间的相关系数；根据肌电特征数据、体动特征数据和相关系数，确定所述基线参数。

在一个实施例中，如图8所示，上述确定模块30包括第一确定单元301、第二获取单元302、比较单元303和第二确定单元304，其中：

第一确定单元301，用于根据基线参数，确定用户的睡眠阶段；

第二获取单元302，用于根据睡眠阶段的睡眠数据，获取肌电基线数据；

比较单元303，用于比较肌电基线数据的值和肌电信号的值之间的大小关系，获取比较结果；

第二确定单元304，用于根据比较结果确定REM期。

在一个实施例中，上述第一确定单元301具体用于：根据体动特征数据，对用户的睡眠数据进行分类，获取各睡眠数据的第一类型；睡眠数据包括体动数据和肌电数据；根据肌电特征数据对各睡眠数据的第一类型进行校正，获取各睡眠数据校正后的第二类型；根据各睡眠数据校正后的第二类型，确定睡眠阶段。

在一个实施例中，上述“第一确定单元301根据体动特征数据，对用户的睡眠数据进行分类，获取各睡眠数据的第一类型”，包括：第一确定单元301具体用于若体动数据的值小于预设的第一阈值，则确定睡眠数据为潜在睡眠数据；若体动数据的值大于预设的第二阈值，则确定睡眠数据为潜在清醒数据；若体动数据的值大于或等于第一阈值，且小于或等于第二阈值，则确定睡眠数据为潜在睡眠清醒数据。

在一个实施例中，上述“第一确定单元301睡眠数据包括体动数据和肌电数据；根据肌电特征数据对各睡眠数据的第一类型进行校正，获取各睡眠数据校正后的第二类型”，包括：第一确定单元301具体用于比较各第一类型对应的肌电数据的值和肌电特征数据的值的大小关系，获取比较结果；根据比较结果和相关系数，对各睡眠数据的第一类型进行校正，获取各睡眠数据校正后的第二类型。

关于睡眠分期的确定装置的具体限定可以参见上文中对于睡眠分期的确定方法的限定，在此不再赘述。上述睡眠分期的确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块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模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9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、网络接口和数据库。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操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储睡眠分期的确定数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种睡眠分期的确定方法。

本领域技术人员可以理解，图9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，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取用户的肌电信号和体动信号；

根据肌电信号和体动信号，获取基线参数；基线参数用于表示肌电信号和体动信号的信号特征；

根据基线参数，确定快速眼球运动REM期。

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：对肌电信号和体动信号进行低通滤波处理，获得滤波后的肌电信号和滤波后的体动信号；根据滤波后的肌电信号和滤波后的体动信号，获取基线参数。

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：根据滤波后的肌电信号，获取肌电特征数据；根据滤波后的体动信号，获取体动特征数据；获取滤波后的肌电信号和滤波后的体动信号之间的相关系数；根据肌电特征数据、体动特征数据和相关系数，确定所述基线参数。

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：根据基线参数，确定用户的睡眠阶段；根据睡眠阶段的睡眠数据，获取肌电基线数据；比较肌电基线数据的值和肌电信号的值之间的大小关系，获取比较结果；根据比较结果确定REM期。

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：根据体动特征数据，对用户的睡眠数据进行分类，获取各睡眠数据的第一类型；睡眠数据包括体动数据和肌电数据；根据肌电特征数据对各睡眠数据的第一类型进行校正，获取各睡眠数据校正后的第二类型；根据各睡眠数据校正后的第二类型，确定睡眠阶段。

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：若体动数据的值小于预设的第一阈值，则确定睡眠数据为潜在睡眠数据；若体动数据的值大于预设的第二阈值，则确定睡眠数据为潜在清醒数据；若体动数据的值大于或等于第一阈值，且小于或等于第二阈值，则确定睡眠数据为潜在睡眠清醒数据。

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：比较各第一类型对应的肌电数据的值和肌电特征数据的值的大小关系，获取比较结果；根据比较结果和相关系数，对各睡眠数据的第一类型进行校正，获取各睡眠数据校正后的第二类型。

在一个实施例中，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：

获取用户的肌电信号和体动信号；

根据肌电信号和体动信号，获取基线参数；基线参数用于表示肌电信号和体动信号的信号特征；

根据基线参数，确定快速眼球运动REM期。

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：对肌电信号和体动信号进行低通滤波处理，获得滤波后的肌电信号和滤波后的体动信号；根据滤波后的肌电信号和滤波后的体动信号，获取基线参数。

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：根据滤波后的肌电信号，获取肌电特征数据；根据滤波后的体动信号，获取体动特征数据；获取滤波后的肌电信号和滤波后的体动信号之间的相关系数；根据肌电特征数据、体动特征数据和相关系数，确定所述基线参数。

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：根据基线参数，确定用户的睡眠阶段；根据睡眠阶段的睡眠数据，获取肌电基线数据；比较肌电基线数据的值和肌电信号的值之间的大小关系，获取比较结果；根据比较结果确定REM期。

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：根据体动特征数据，对用户的睡眠数据进行分类，获取各睡眠数据的第一类型；睡眠数据包括体动数据和肌电数据；根据肌电特征数据对各睡眠数据的第一类型进行校正，获取各睡眠数据校正后的第二类型；根据各睡眠数据校正后的第二类型，确定睡眠阶段。

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：若体动数据的值小于预设的第一阈值，则确定睡眠数据为潜在睡眠数据；若体动数据的值大于预设的第二阈值，则确定睡眠数据为潜在清醒数据；若体动数据的值大于或等于第一阈值，且小于或等于第二阈值，则确定睡眠数据为潜在睡眠清醒数据。

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：比较各第一类型对应的肌电数据的值和肌电特征数据的值的大小关系，获取比较结果；根据比较结果和相关系数，对各睡眠数据的第一类型进行校正，获取各睡眠数据校正后的第二类型。

本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

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。

Claims (10)

1.一种睡眠分期的确定方法，其特征在于，所述方法包括：

获取用户的肌电信号和体动信号；

根据所述肌电信号和所述体动信号，获取基线参数；所述基线参数用于表示所述肌电信号和所述体动信号的信号特征；

根据基线参数确定用户的睡眠阶段；

根据所述睡眠阶段的睡眠数据，确定快速眼球运动REM期；

其中，还包括对所述睡眠数据进行校正的步骤：

根据所述体动信号对所述用户的睡眠阶段的睡眠数据进行分类，获取所述睡眠数据的第一类型；所述睡眠数据包括体动数据和肌电数据；所述睡眠数据的第一类型包括：潜在睡眠数据、潜在清醒数据以及潜在睡眠清醒数据；

比较各所述睡眠数据的第一类型对应的肌电数据的值和所述肌电特征数据的值的大小关系，获取比较结果；

根据所述比较结果和滤波后的所述肌电信号以及滤波后的所述体动信号之间的相关系数，对各所述睡眠数据的第一类型进行校正，获取各所述睡眠数据校正后的第二类型。

2.根据权利要求1所述方法，其特征在于，所述根据所述肌电信号和所述体动信号，获取基线参数，包括：

对所述肌电信号和所述体动信号进行低通滤波处理，获得滤波后的肌电信号和滤波后的体动信号；

根据所述滤波后的肌电信号和所述滤波后的体动信号，获取所述基线参数。

3.根据权利要求2所述的方法，其特征在于，所述根据所述滤波后的肌电信号和所述滤波后的体动信号，获取所述基线参数，包括：

根据所述滤波后的肌电信号，获取肌电特征数据；

根据所述滤波后的体动信号，获取体动特征数据；

根据所述肌电特征数据、所述体动特征数据和所述相关系数，确定所述基线参数。

4.根据权利要求3所述方法，其特征在于，所述根据所述睡眠阶段的睡眠数据，确定快速眼球运动REM期，包括：

根据所述睡眠阶段的睡眠数据，获取肌电基线数据；

比较所述肌电基线数据的值和所述肌电信号的值之间的大小关系，获取比较结果；

根据所述比较结果确定所述REM期。

5.根据权利要求3所述方法，其特征在于，所述根据所述基线参数，确定用户的睡眠阶段，包括：

根据所述体动特征数据，对用户的睡眠数据进行分类，获取各所述睡眠数据的第一类型；所述睡眠数据包括体动数据和肌电数据；

根据所述肌电特征数据对各所述睡眠数据的第一类型进行校正，获取各所述睡眠数据校正后的第二类型；

根据各所述睡眠数据校正后的第二类型，确定所述睡眠阶段。

6.根据权利要求5所述的方法，其特征在于，所述根据所述体动特征数据，对用户的睡眠数据进行分类，获取各所述睡眠数据的第一类型，包括：

若所述体动数据的值小于预设的第一阈值，则确定所述睡眠数据为潜在睡眠数据；

若所述体动数据的值大于预设的第二阈值，则确定所述睡眠数据为潜在清醒数据；

若所述体动数据的值大于或等于所述第一阈值，且小于或等于所述第二阈值，则确定所述睡眠数据为潜在睡眠清醒数据。

7.根据权利要求1所述的方法，其特征在于，所述根据所述比较结果和滤波后的所述肌电信号以及滤波后的体动信号之间的相关系数，对各所述睡眠数据的第一类型进行校正，获取各所述睡眠数据校正后的第二类型，包括：

若潜在睡眠数据中的所述肌电信号小于所述肌电特征数据，则确定所述睡眠数据为睡眠阶段数据；若潜在睡眠数据中的所述肌电信号大于所述肌电特征数据，确定所述肌电信号对应的相关系数的值，若所述相关系数的值大于预设的阈值，则将所述相关系数大于所述预设的阈值所对应的肌电信号值设置为0，判断所述肌电信号是否小于所述肌电特征数据，若所述肌电信号小于所述肌电特征数据，则确定所述睡眠数据为睡眠阶段数据，若否，则确定所述睡眠数据为清醒阶段数据；

若潜在清醒数据中的所述肌电信号大于所述肌电特征数据，则确定所述睡眠数据为清醒阶段数据；若潜在清醒数据中的所述肌电信号小于所述肌电特征数据，确定所述肌电信号对应的相关系数的值，若所述相关系数大于预设的阈值，则将所述相关系数大于所述预设的阈值所对应的体动信号值设置为0，判断所述体动信号是否小于体动特征数据，若所述体动信号小于所述体动特征数据，则确定所述睡眠数据为睡眠阶段数据，如果否，则确定所述睡眠数据为清醒阶段数据；

若潜在睡眠清醒数据中的所述肌电信号小于第一参考值，则确定所述睡眠数据为睡眠阶段数据；若潜在睡眠清醒数据中的所述肌电信号大于第二参考值，则确定所述睡眠数据为清醒阶段数据。

8.一种睡眠分期的装置，其特征在于，所述装置包括：

第一模块，用于获取用户的肌电信号和体动信号；

第二模块，用于根据所述肌电信号和所述体动信号，获取基线参数；所述基线参数用于表示所述肌电信号和所述体动信号的信号特征；

第三模块，用于根据基线参数确定用户的睡眠阶段；

第四模块，用于根据所述睡眠阶段的睡眠数据，确定快速眼球运动REM期；

其中，所述装置还包括第五模块，

所述第五模块，用于根据所述体动信号对所述用户的睡眠阶段的睡眠数据进行分类，获取所述睡眠数据的第一类型；所述睡眠数据包括体动数据和肌电数据；所述睡眠数据的第一类型包括：潜在睡眠数据、潜在清醒数据以及潜在睡眠清醒数据；比较各所述睡眠数据的第一类型对应的肌电数据的值和所述肌电特征数据的值的大小关系，获取比较结果；根据所述比较结果和滤波后的所述肌电信号以及滤波后的所述体动信号之间的相关系数，对各所述睡眠数据的第一类型进行校正，获取各所述睡眠数据校正后的第二类型。

9.一种计算机设备，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权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

Images