[发明专利]一种基于深度学习的睡眠阶段预测方法、存储介质及终端设备

权利要求书

1.一种基于深度学习的睡眠阶段预测方法，其特征在于，所述方法包括：

基于待检测用户的脑电信号以及若干经过训练的睡眠阶段分类模型，以得到若干候选预测概率组；

基于若干候选预测概率组确定所述原始脑电信号对应的睡眠阶段。

2.根据权利要求1所述基于深度学习的睡眠阶段预测方法，其特征在于，所述睡眠阶段分类模型的训练过程具体包括：

获取若干原始脑电信号；

对于每个原始脑电信号，基于预设滑动窗口大小以及预设移动步长将该原始脑电信号划分为若干信号数据段，以得到训练数据集；

基于得到的训练数据集对初始网络模型进行训练，以得到睡眠阶段分类模型。

3.根据权利要求2所述基于深度学习的睡眠阶段预测方法，其特征在于，所述预设滑动窗口大小以及预设移动步长的确定过程包括：

获取若干窗口参数，其中，若干窗口参数中每个窗口参数均包括滑动窗口大小以及移动步长，且各窗口参数互不相同；

基于各窗口参数以及预设脑电信号，确定若干候选数据集，其中，若干候选数据集与若干窗口参数一一对应；

基于各候选数据集对预设网络模型进行训练，以得到若干候选睡眠阶段分类模型；

基于若干候选睡眠阶段分类模型，确定预设滑动窗口大小以及预设移动步长。

4.根据权利要求3所述基于深度学习的睡眠阶段预测方法，其特征在于，所述获取若干窗口参数具体包括：

获取若干滑动窗口大小以及若干移动步长；

将若干滑动窗口大小以及若干移动步长大小进行组合，以得到若干窗口参数。

5.根据权利要求3所述基于深度学习的睡眠阶段预测方法，其特征在于，所述预设滑动窗口大小以及预设移动步长为基于第一候选睡眠阶段分类模型对应的候选数据集对应的窗口参数确定得到，其中，所述第一候选睡眠阶段分类模型为若干候选睡眠阶段分类模型中模型精度最高的候选睡眠阶段分类模型。

6.根据权利要求2所述基于深度学习的睡眠阶段预测方法，其特征在于，滑动窗口大小所述基于得到的训练数据集对初始网络模型进行训练，以得到睡眠阶段分类模型之前，所述方法包括：

确定所述训练数据集中的若干信号数据段对应的均值以及标准差；

对于训练数据集中的每个信号数据段，基于所述均值以及标准差对该信号数据段进行归一化处理，并将归一化处理得到的信号数据段作为训练数据集中的信号数据段。

7.根据权利要求1-6任一所述基于深度学习的睡眠阶段预测方法，其特征在于，所述若干睡眠阶段分类模型包括基于卷积神经网络的分类模型，基于GRU的分类模型以及基于LSTM的分类模型。

8.根据权利要求1所述基于深度学习的睡眠阶段预测方法，其特征在于，所述基于若干候选预测概率组确定所述原始脑电信号对应的睡眠阶段之后，所述方法还包括：

获取预设时间段内所述待检测用户对应的睡眠阶段；

基于获取到的所有睡眠阶段，生成所述待检测用户对应的睡眠分析报告。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1～8任意一项所述的基于深度学习的睡眠阶段预测方法中的步骤。

10.一种终端设备，其特征在于，包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；

所述通信总线实现处理器和存储器之间的连接通信；

所述处理器执行所述计算机可读程序时实现如权利要求1-8任意一项所述的基于深度学习的睡眠阶段预测方法中的步骤。