一种昼夜节律分析方法与流程

本发明涉及人体活动分析技术领域，尤其涉及一种昼夜节律分析方法。

背景技术：

随着现代社会的工作和生活节奏越来越快，人们的作息和生活习惯也会在不知不觉中趋于恶化。越来越多的人晚睡早起，压缩睡眠时间，并且因工作繁忙等原因没有充足的锻炼时间，随着工作压力的增长也会出现诸如失眠、焦虑等症状，这些都是没有健康的作息和生活习惯所造成的。目前还没有一种可行的方法能够分析用户的作息得到昼夜节律的分析结果来对用户进行作息和生活习惯方面的指导。

技术实现要素：

根据现有技术中存在的上述问题，现提供一种昼夜节律分析方法的技术方案，旨在更准确地定位昼夜节律的活动时间节点，并且能够实现对昼夜节律的自动判断和分析。

上述技术方案具体包括：

一种昼夜节律分析方法，其中，包括：

步骤s1，通过三轴加速度传感器持续采集和降采样得到用户的三轴活动量数据；

步骤s2，根据所述三轴活动量数据判断得到所述用户的上床时刻和起床时刻；

步骤s3，截取位于所述上床时刻和所述起床时刻之间的三轴活动量并作为睡眠数据段；

步骤s4，分析得到所述睡眠数据段内的睡眠特征值；

步骤s5，根据所述睡眠特征值判断得到用户睡眠过程中的睡眠状态；

步骤s6，根据所述睡眠状态输出相应的昼夜节律分析结果。

优选的，该昼夜节律分析方法，其中，所述步骤s1具体包括：

步骤s11，通过三轴加速度传感器持续采集得到用户的原始三轴加速度数据；

步骤s12，处理得到所述原始三轴加速度数据的二值范数，并进行降采样处理；

步骤s13，根据所述原始三轴加速度数据的所述二值范数处理得到对应的所述三轴活动量数据。

优选的，该昼夜节律分析方法，其中，所述步骤s13中，依照下述公式处理得到所述三轴活动量数据：

其中，

xn用于表示第n个所述三轴活动量数据；

h用于表示经过所述降采样处理后的采样频率；

(xi,yi,zi)用于表示第i个所述原始三轴加速度数据。

优选的，该昼夜节律分析方法，其中，所述步骤s2具体包括：

步骤s21，根据一具有预设步长的滑动窗口将所述三轴活动量数据划分为连续的多帧数据；

步骤s22，将每帧所述三轴活动量数据的数据量分别与一预设的第一门限值进行比较，并在所述数据量大于所述第一门限值时将对应帧中所述三轴活动量数据被采集的时刻确认为所述上床时刻；

步骤s23，在已判断出上床时刻的前提下将每帧所述三轴活动量数据之和分别与一预设的第二门限值进行比较，并在所述三轴活动量数据之和大于所述第二门限值时将对应帧中所述三轴活动量数据被采集的时刻确认为所述起床时刻；

优选的，该昼夜节律分析方法，其中，所述预设步长为5.5分钟。

优选的，该昼夜节律分析方法，其中，所述步骤s4中，采用sadeh算法处理得到所述睡眠特征值。

优选的，该昼夜节律分析方法，其中，所述步骤s5中，在根据所述睡眠特征值判断得到所述睡眠状态后，根据预设的专家规则对所述睡眠状态进行调整，以修正不合理的判断结果。

优选的，该昼夜节律分析方法，其中，执行完所述步骤s1后，在执行所述步骤s2至所述步骤s5的同时执行下述步骤：

步骤a1，根据预设的多个阈值对所述三轴活动量数据进行划分以得到划分结果，所述划分结果用于表示不同的活动强度所对应的活动时间，随后转向所述步骤s6；

所述步骤s6中，整合所述睡眠状态和所述划分结果得到并输出相应的昼夜节律分析结果。

上述技术方案的有益效果是为：提供一种昼夜节律分析方法，能够更准确地定位昼夜节律的活动时间节点，并且能够实现对昼夜节律的自动判断和分析，为人们实现规律作息和生活提供完善的参考和建议。

附图说明

图1是本发明的较佳的实施例中，一种昼夜节律分析方法的总体流程示意图；

图2是本发明的较佳的实施例中，于图1的基础上，处理得到三轴活动量的流程示意图；

图3是本发明的较佳的实施例中，于图1的基础上，根据三轴活动量判断上床时刻和起床时刻的流程示意图。(图3有误，说明见附图)

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的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。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

根据现有技术中存在的上述问题，现提供一种昼夜节律分析方法，该方法具体如图1所示，包括：

步骤s1，通过三轴加速度传感器持续采集并处理得到用户的三轴活动量数据；

步骤s2，根据三轴活动量数据判断得到用户的上床时刻和起床时刻；

步骤s3，截取位于上床时刻和起床时刻之间的三轴活动量并作为睡眠数据段；

步骤s4，分析得到睡眠数据段内的睡眠特征值；

步骤s5，根据睡眠特征值判断得到用户睡眠过程中的睡眠状态；

步骤s6，根据睡眠状态输出相应的昼夜节律分析结果。

进一步地，本发明的较佳的实施例中，如图2中所示，上述步骤s1具体包括：

步骤s11，通过三轴加速度传感器持续采集得到用户的原始三轴加速度数据；

步骤s12，处理得到原始三轴加速度数据的二值范数，并进行降采样处理；

步骤s13，根据原始三轴加速度数据的二值范数处理得到对应的三轴活动量数据。

具体地，本实施例中，上述步骤s1中，首先将设备佩戴在用户的手腕上，并且通过三轴加速度传感器持续获取用户活动产生的原始三轴加速度数据(x1,y1,z1),(x2,y2,z2),…(xn,yn,zn)，随后对原始三轴加速度数据进行进行处理以得到对应的三轴活动量数据。

处理的过程依次为：首先计算得到原始三轴加速度数据的二值范数，同时对数据进行降采样处理，例如原始的三轴加速度传感器的采样频率h＝25hz，降采样处理后将采样后的频率定为h＝0.5hz。经过上述处理后得到对应于每个原始三轴加速度数据的三轴活动量数据。

具体地，采用下述公式处理得到对应于每个原始三轴加速度数据的三轴活动量数据：

其中，

xn用于表示第n个三轴活动量数据；

h用于表示经过降采样处理后的采样频率；

(xi,yi,zi)用于表示第i个原始三轴加速度数据。

本发明的较佳的实施例中，如图3中所示，上述步骤s2具体包括：

步骤s21，根据一具有预设步长的滑动窗口将三轴活动量数据划分为连续的多帧；

步骤s22，将每帧三轴活动量数据的数据量分别与一预设的第一门限值进行比较，并在数据量大于第一门限值时将对应帧中三轴活动量数据被采集的时刻确认为上床时刻；

步骤s23，在已判断出上床时刻的前提下，将每帧三轴活动量数据之和分别与一预设的第二门限值进行比较，并在三轴活动量数据之和大于第二门限值时将对应帧中三轴活动量数据被采集的时刻确认为起床时刻；

具体地，本实施例中，上述滑动窗口的预设步长可以设定为5.5分钟，还可以预设步移为5分钟，采用该预先设定的滑动窗口对持续采集并处理得到的三轴活动量数据进行分帧处理，以得到连续多帧的三轴活动量数据，每帧中包括多个三轴活动量数据。

随后，本实施例中，先后执行下述两个步骤，以分别确认上床时刻和起床时刻：

1)上述步骤s22中所谓的数据量是指每帧中三轴活动量数据的数量，而预设的第一门限值用于反应每一帧数据中三轴活动量的活动频率。因此，当一帧中三轴活动量数据的数量大于预设的第一门限值时，额可以判断当前帧对应的时刻为上床时刻。

2)上述步骤s23中，首先计算得到每帧中三轴活动量数据的数据之和，再将数据之和与预设的第二门限值进行比较，并在一帧中三轴活动量数据的数据之和大于上述预设的第二门限值时判断该帧对应的时刻为起床时刻。则上述预设的第二门限值实际用于反应每一帧数据中，三轴活动量的活动幅度。

则在确定了上床时刻和起床时刻之后，就确定了需要进行分析的睡眠数据段(即位于上床时刻和起床时刻之间)。

本发明的较佳的实施例中，在确定睡眠数据段之后，需要对该睡眠数据段进行睡眠状态的分析，具体地，上述步骤s4中可以采用sadeh算法来提取睡眠数据段中的睡眠特征值，并对睡眠特征值进行分析从而判断得到用户的睡眠状态，再根据睡眠状态得到相应的昼夜节律分析结果。

下面采用一个实施例来对sadeh算法进行描述：

首先，对睡眠数据段中所有的三轴活动量数据进行滤波处理，其中小于0的数据全部置0，大于0的数据不变。

其次，设定每个子分析窗的大小为15(即其中包括15个三轴活动量数据)，并且计算每个子分析窗内的三轴活动量数据之和，计为cumulatehist。

随后，计算当前的cumulatehist以及前后各meanhalfwindowssize个子分析窗(meanhalfwindowssize＝5)内所有cumulatehist的平均值(即5个cumulatehist的平均值)，并计为meanhist；

计算当前的cumulatehist以及之前sdwindowssize个子分析窗(sdwindowssize＝6)内所有cumulatehist的方差，并计为sdhist；

以及计算当前的cumulatehist以及前后各nathalfwindowssize个子分析窗(nathalfwindowssize＝5)内所有cumulatehist在[natllimt,natulimt]区间内窗口的个数，其中natllimt＝200，natulimt＝600。

再根据下式计算得到logacthist(i)：

logacthist(i)＝log(cumulatehist(i)+1)；(2)

最后，根据下式计算得到上述睡眠特征值sadehhist：

sadehhist＝meanwindowsweight*meanhist+sdwindowsweight*sdhist+

natweight*nathist+logactweight*logacthist；(3)

其中，

meanwindowsweight为meanhist的权值系数；

sdwindowsweight为sdhist的权值系数；

natweight为nathist的权值系数；以及

logactweight为logacthist的权值系数。

处理得到睡眠特征值sadehhist之后，可以根据设定的阈值threshold和lightdeepthreshold来初步判断用户的睡眠状态(醒着或者睡着)。

本发明的较佳的实施例中，上述步骤s5中，在根据睡眠特征值判断得到睡眠状态后，根据预设的专家规则对睡眠状态进行调整，以修正不合理的判断结果。

具体地，本实施例中，预设的专家规则可以为预先设定的对分析得到的睡眠状态结果进行人工干预的一些规则。例如经过研究发现上床后的至少前5分钟，人是保持清醒的，则可以利用该专家规则对分析得到的睡眠状态进行干预修正。例如分析得到的睡眠状态在开始5分钟就判断用户处于睡着的状态，此时需要根据专家规则将其强制修改为处于醒着的状态。

因此，上述步骤s5中最终输出的睡眠状态应当为经过专家规则修正后的结果。

本发明的较佳的实施例中，在分析得到睡眠状态的同时，还可以利用原始三轴加速度数据分析得到用户的活动状态，具体为：

在执行完步骤s1后，在执行步骤s2至步骤s5的同时执行下述步骤：

步骤a1，根据预设的多个阈值对三轴活动量数据进行划分以得到划分结果，划分结果用于表示不同的活动强度所对应的活动时间，随后转向步骤s6；

步骤s6中，整合睡眠状态和划分结果得到并输出相应的昼夜节律分析结果。

具体地，本实施例中，首先执行上述步骤s1，即同样通过三轴加速度传感器采集得到原始三轴加速度数据，并依照上述公式(1)，通过二值范数处理以及降采样处理等方式将原始三轴加速度数据转换成对应的三轴活动量数据。最后，根据预设的多个阈值对三轴活动量数据进行划分，以得到不同的活动强度所对应的时间。

上述预设的多个阈值可以事先经过统计得到，多个阈值可以分别用于表示活动强度较弱、中等以及较强等活动强度区间。最终划分得到的结果为用户处于不同的活动强度下的时刻以及相应的持续时间。

本发明的较佳的实施例中，将上述划分结果(即表示用户在不同的活动强度下对应的时间的结果)与上文中所述的睡眠状态进行整合，以形成了一个用户的昼夜节律分析结果。专业的监控人员可以根据该昼夜节律分析结果向用户提出改善作息和生活习惯的建议等，以帮助用户规律作息习惯，保证了用户的身心健康。

下表1-2为昼夜节律分析中睡眠状态分析部分的示意表格：

表1

表2

本发明技术方案中的昼夜节律分析过程中的例如三轴活动量数据转换过程、上床时刻和起床时刻的判断过程、睡眠特征值的获取过程、睡眠状态的分析过程以及活动强度时间的划分过程等均可以通过一微型处理器来完成，因此可以很方便地将三轴加速度传感器和微型处理器整合至用户可随身佩戴的小型数据采集装置中。相应地，若运算量和数据存储量过大，则可以采用远程服务端处理的方式代替微型处理器的功能，此时上述小型数据采集装置需要具备远程通信(例如wifi无线通信等)的功能，即通过远程通信的方式与远程服务端进行数据传输，并将昼夜节律分析的整个过程移至服务端进行处理。

以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。