[发明专利]一种基于远程决策的反馈式助眠系统

权利要求书

1.一种基于远程决策的反馈式助眠系统，其特征在于，所述助眠系统包括：采集设备(1)、通信模块(2)、云平台(3)、主控模块(4)、助眠设备(5)、移动终端(6)；

所述采集设备(1)与主控模块(4)的输入端电连接，所述助眠设备(5)与主控模块(4)的输出端电连接，所述通信模块(2)与主控模块(4)电连接，所述主控模块通过通信模块与云平台(3)无线通信连接，所述移动终端(6)与所述云平台(3)无线通信连接；

所述云平台(3)包括数据存储单元、数据处理分析单元、数据展示单元；

所述数据存储单元将接收到的用户睡眠生理信号数据进行筛选并构建用户睡眠数据库，所述用户睡眠数据库包括有基于个人的用户个人样本数据库，所述用户个人样本数据库中存储用户个人的有效助眠调整方案和用户个人睡眠状况数据；所述用户睡眠数据库还包括有训练完毕的助眠决策模型和训练样本；

所述数据处理分析单元利用用户睡眠数据库中的用户睡眠生理信号数据和训练完毕的助眠决策模型得出用户的助眠调整方案；

所述数据展示单元对用户个人样本睡眠数据库中睡眠数据进行统计分析、数据挖掘，并提供能够为移动终端(6)访问查看的端口；

所述用户睡眠数据库的构建步骤如下：

步骤1：云平台(3)获取用户i所在的助眠系统中采集设备采集的用户睡眠生理信号数据记为Sn，n的取值为大于或等于1的正整数，所述用户睡眠生理信号数据为多维数据；

步骤2：云平台(3)数据处理分析单元对采集到的睡眠生理信号数据进行特征提取，利用助眠决策模型，得出助眠调整方案，记录为Dn；

步骤3：云平台(3)将助眠调整方案Dn通过通信模块发送回主控模块(4)，主控模块(4)将助眠调整方案Dn发送给助眠设备(5)，改变助眠设备(5)的助眠作用模式；

步骤4：云平台(3)数据处理单元分析用户的当前睡眠生理信号数据Sn,得出上一次的助眠调整方案Dn-1的作用效果，此时n的取值为大于或等于2的正整数，所述助眠调整方案Dn-1的作用效果是否有效的判定方法为：若用户的睡眠生理信号数据Sn满足预设的表征用户的大脑活动平稳有序或趋向进入更深层次的睡眠状态的曲线则判定助眠调整方案Dn-1有效，反之若用户的睡眠生理信号数据Sn不满足预设的表征用户的大脑活动平稳有序或趋向进入更深层次的睡眠状态的曲线则判定助眠调整方案Dn-1无效；

步骤5：当助眠调整方案作用为有效时，把当前有效案例的睡眠生理信号数据Sn-1和对应的助眠调整方案Dn-1一起添加至用户个人样本数据库中；若助眠调整方案无效，直接执行步骤6；

步骤6：把用户的睡眠生理信号数据Sn存放到用户睡眠数据库中；

步骤7：等待时间T，将n加1；

步骤8：判断用户定时助眠作用时间或起床时间是否已到，若时间未到，则返回步骤1，继续获取当前用户睡眠生理信号数据并实时根据助眠决策模型调整助眠调整方案，为用户助眠；若时间已到，则停止助眠和数据筛选采集；

步骤9：对用户睡眠数据库内容进行更新调整，若用户睡眠生理数据记录距当前时间超过预设月数或数据量达到预设量，则删除预设月数之前的数据或超过预设量的数据，保留最新预设月数的数据作为个人样本数据库的数据，为助眠调整训练提供数据来源；

所述助眠决策模型包括普适性的助眠决策模型和个人版助眠决策模型，所述普适性的助眠决策模型的构建包括以下步骤：

步骤1：根据用户i的个人信息，所述个人信息包括年龄、失眠情况、生活压力，抽取若干个与用户i个人信息相关性大于预设阈值的其他用户的个人样本数据库，然后从抽取的其他用户的个人样本数据库中，随机抽取M个有效案例样本，每个案例样本具有一种助眠方案标签，M个有效案例样本中共有N种不同的助眠方案；

步骤2：利用所选的M个有效案例样本，首先对有效案例样本中的睡眠生理信号数据进行预处理，所述预处理包括对睡眠生理信号数据进行滤波、放大，从预处理后的睡眠生理信号数据提取每种睡眠生理信号数据相应的特征；

步骤3：根据每个有效案例样本中数据提取的特征，使用监督学习的方法，生成每种助眠方案的助眠决策模型，所述M个有效案例样本共产生N个普适性的助眠决策模型，所述监督学习方法采用的是one-versus-rest SVMs算法，one-versus-rest SVMs算法根据每一类有效案例样本生成一个支持向量机SVM，N种不同的助眠方案构造出了N个支持向量机SVM，生成了普适性的助眠决策模型；

用户i助睡眠方案个人版助眠决策模型构建过程如下：

步骤1：从用户i的个人样本数据库中按照时间次序抽出录入时间靠近当前时间的M个有效样本案例，作为助眠决策模型的训练集；

步骤2：利用所选的M个有效案例样本，首先对有效案例样本中的睡眠生理信号数据进行预处理，所述预处理包括对睡眠生理信号数据进行滤波、放大，从预处理后的睡眠生理信号数据提取每种睡眠生理信号数据相应的特征；

步骤3：根据每个有效案例样本中数据提取的特征，使用监督学习的方法，生成每种助眠方案的助眠决策模型，所述M个有效案例样本共产生N个个人版助眠决策模型，所述监督学习方法采用的是one-versus-rest SVMs算法，one-versus-rest SVMs算法根据每一类有效案例样本生成一个支持向量机SVM，N种不同的助眠方案构造出了N个支持向量机SVM，生成了个人版助眠决策模型。