睡眠辅助方法、装置以及计算机可读存储介质与流程

1.本发明涉及计算机技术领域，具体涉及一种睡眠辅助方法、装置以及计算机可读存储介质。


背景技术：

2.人的一生有1/3的时间都在睡眠中度过，睡眠对于人体的生理健康至关重要。然而《2022中国居民健康睡眠白皮书》显示，国内有超过3/4的人群都曾有不同程度的睡眠困扰。睡眠障碍已经被认定成为影响大众健康的重要因素，其中尤以失眠障碍最为普遍。慢性失眠障碍会导致用户注意力下降，影响个体免疫力和生活质量，甚至危及生命。
3.时至今日，失眠障碍已经带来了严重的社会负担，亟需解决。目前临床治疗失眠障碍仍以镇静和催眠类药物为主，但此类药物的长期副作用十分明显，易造成耐药性和成瘾性，并未从根本上解决失眠障碍问题，既增加了患者疾病负担，又导致医疗资源过度消耗。
4.随着睡眠医学的快速发展，失眠的非药物干预手段也备受关注。近年来，正念冥想以及音乐凭借其安全、有效、舒适、无依赖性、无不良反应等优势在失眠治疗中受到广泛的重视。正念冥想通过减少继发性唤醒，并在下游减少原发性唤醒，减轻失眠症状。音乐助眠则通过刺激大脑边缘系统、脑干网状结构等的活动水平，对特殊投射系统、非投射系统、心理过程、内脏和内分泌技能、注意力等产生影响。来自实证研究的证据发现正念冥想和音乐均可以提高慢性失眠症患者的睡眠质量。
5.在实际使用中，现有产品主要采用固定的一种或多种干预策略，难以根据实时用户状态进行调整，并推荐合适的干预内容，导致用户干预效果有限，音乐干预效果不显著。另外，目前产品主要采用固定的一种或多种干预策略，在用户入睡后终止睡眠干预，但入睡后浅睡眠阶段和夜醒阶段并未进行适当干预。


技术实现要素：

6.为了克服上述缺陷，提出了本发明，以实现辅助用户加快进入睡眠的睡眠辅助方法、装置以及计算机可读存储介质。
7.第一方面，本发明提供一种睡眠辅助方法，包括：在用户发出准备入睡的指令后，采集所述用户的脑电信号；计算所述用户的脑电信号的特征值；根据所述用户的脑电信号的特征值，分析所述用户的睡前状态；根据所述用户的睡前状态，制定用于辅助所述用户入睡的睡眠干预方案；按照所述睡眠干预方案，对所述用户进行睡眠干预。
8.优选地，前述的睡眠辅助方法，所述用户的脑电信号的特征值包括：所述用户的脑电信号的绝对功率谱密度、相对功率谱密度、功率标准差和/或功率样本熵。
9.优选地，前述的睡眠辅助方法，在所述用户的睡前状态为睡眠障碍状态时，所述睡眠干预方案为播放人声引导音频，其中，所述睡眠障碍状态下所述用户的脑皮层活跃度高于预设的第一阈值，所述人声引导音频用于引导所述用户降低所述脑皮层活跃度。
10.优选地，前述的睡眠辅助方法，在所述用户的睡前状态为睡眠友好状态时，所述睡
眠干预方案为播放助眠音乐，其中，所述睡眠友好状态下所述用户的脑皮层活跃度低于预设的第二阈值，所述助眠音乐用于调节所述用户的自律神经活动，以引导所述用户进入睡眠。
11.优选地，前述的睡眠辅助方法，“根据所述用户的睡前状态，制定用于辅助所述用户入睡的睡眠干预方案”的步骤还包括：在所述用户的睡前状态为过度反应状态时，停止已对所述用户实施的睡眠干预，其中，所述过度反应状态下所述用户的脑电信号中的高频部分增长速率超过预设的第三阈值和/或低频部分下降速率超过预设的第四阈值。
12.优选地，前述的睡眠辅助方法，还包括：根据所述用户的脑电信号的特征值，发现所述用户已入睡后分析所述用户是否处于浅睡期；在所述用户处于浅睡期时，对所述用户播放粉噪音。
13.优选地，前述的睡眠辅助方法，还包括：根据所述用户的脑电信号的特征值，发现所述用户已入睡后分析所述用户是否处于深睡期；在所述用户处于深睡期时，按照预设速率降低直至停止对所述用户的睡眠干预。
14.优选地，前述的睡眠辅助方法，还包括：在所述用户处于深睡期时，监控所述用户是否出现夜醒现象；在出现所述夜醒现象时对所述用户播放粉噪音，直至所述夜醒现象消失。
15.第二方面，本发明提供一种睡眠辅助装置，包括：信号采集模块，在用户发出准备入睡的指令后，采集所述用户的脑电信号；特征计算模块，计算所述用户的脑电信号的特征值；状态分析模块，根据所述用户的脑电信号的特征值，分析所述用户的睡前状态；方案制定模块，根据所述用户的睡前状态，制定用于辅助所述用户入睡的睡眠干预方案；睡眠干预模块，按照所述睡眠干预方案，对所述用户进行睡眠干预。
16.本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
17.本发明的技术方案与现有技术不同，并非仅采集分析用户入睡后的脑电信号，而是重点针对用户入睡前的时间段，采集用户的脑电信号并分析用户的睡前状态，根据用户睡前状态的不同制定恰当的睡眠干预方案，并对用户进行睡眠干预，从而引导用户加快进入睡眠。
附图说明
18.参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。其中：
19.图1是根据本发明的一个实施例的睡眠辅助方法的流程图；
20.图2是根据本发明的一个实施例的睡眠辅助方法的流程图；
21.图3是根据本发明的一个实施例的睡眠辅助方法的干预流程图；
22.图4是根据本发明的一个实施例的睡眠辅助方法的模型训练图；
23.图5是根据本发明的一个实施例的睡眠辅助装置的框图；
24.图6是根据本发明的一个实施例的睡眠辅助装置的框图。
具体实施方式
25.下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这
些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
26.在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“a和/或b”表示所有可能的a与b的组合，比如只是a、只是b或者a和b。术语“至少一个a或b”或者“a和b中的至少一个”含义与“a和/或b”类似，可以包括只是a、只是b或者a和b。单数形式的术语“一个”、“这个”也可以包含复数形式。
27.如图1所示，本发明的一个实施例中提供了一种睡眠辅助方法，方法包括：
28.步骤s110，在用户发出准备入睡的指令后，采集用户的脑电信号。
29.本实施例中，对用户发出指令的形式不进行限制，对采集脑电信号的设备类型不进行限制。例如，用户可以佩戴单通道的消费级别脑电检测硬件设备，点击开启睡眠按钮相当于发出准备入睡的指令，设备会实时采集用户的脑电信号并传输至服务器进行分析。设备实时采集用户的前额eeg(是脑电图(electroencephalography)的英文缩写，是一种记录大脑自发电活动的方法，大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的)，持续监测并采集所述用户入睡过程中脑电eeg数据。具体地，该设备可以是采样率为250hz的单通道便携式设备，该设备将采集到的脑电数据打包发送至预设的服务器，由服务器获取数据后进行在线实时数据处理。
30.步骤s120，计算用户的脑电信号的特征值。
31.本实施例中，用户的脑电信号的特征值包括：用户的脑电信号的绝对功率谱密度、相对功率谱密度、功率标准差和功率样本熵。
32.本实施例中，具体地，对于实时采集的原始脑电信号，可以每3秒进行一次数据分析处理，具体处理方法为：进行1-40hz带通滤波并去除极值，以消除输入信号的伪迹，提高信噪比；使用傅里叶变换，进行时频分析，将时域信息转化为频域信息(时频分析是将非平稳信号表示为时间和频率的二维函数，能更加直观地对其进行分析和处理，涵盖一系列联合研究信号时域和频域特征的方法)，进行功率谱分析。提取的指标包括各脑电频段(delta(1-4hz)波、theta(4-8hz)波、alpha(8-13hz)波、beta(13-30hz)波、gamma(30-40hz)波)的绝对功率谱密度，各脑电频段的相对功率谱密度，各脑电频段的绝对功率谱密度标准差，各脑电频段的绝对功率谱密度样本熵。基于上述特征值，对用户的睡前及入睡状态进行实时判定。
33.其中，各脑电频段的相对功率谱密度指的是delta(1-4hz)功率、theta(4-8hz)功率、alpha(8-13hz)功率、beta(13-30hz)功率、gamma(30-40hz)功率的绝对功率谱密度占总频段(1-40hz)功率的百分比。相对功率能够控制由个体差异导致的绝对功率变异，包括大脑和周围组织的神经生理、解剖和物理特性。在考察入睡前睡眠功率谱特征时，该指标有着极高的敏感性，因此将相对功率谱作为特征指标。样本熵是表征各个特征频段功率谱时间序列复杂性的指标，具有比时域统计更好的估计效果，并且无需对原始数据进行粗粒化处理，能够用于衡量用户实时脑电信号的复杂性变化，具有较强的分类效率。
34.步骤s130，根据用户的脑电信号的特征值，分析用户的睡前状态。
35.本实施例中，使用机器学习模型(机器学习是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法)分析用户的睡前状态。具体地，基于已知人群的脑电信号以及对应的睡前状态进行训练，得到具有用户睡前状态识别能力的模型。在训练过程中，使用线性模型、神经网络进行训练，最终选择具有最大分类预测正确率的分类器作为最终投入实际应用的模型。当用户发出睡眠指令后，脑电信号实时输入并上传服务器，服务器实时提取特征参数，将特征值输入机器学习模型，通过机器学习模型输出用户的睡前状态。
36.步骤s140，根据用户的睡前状态，制定用于辅助用户入睡的睡眠干预方案。
37.本实施例中，可以根据实时传输的脑电特征值，基于机器学习算法模型，评估用户的睡前状态，制定适合用户当前状态的睡眠干预方案，以保证对用户的睡眠干预精准有效。
38.步骤s150，按照睡眠干预方案，对用户进行睡眠干预。
39.根据本实施例的技术方案，重点针对用户入睡前的时间段，采集用户的脑电信号并分析用户的睡前状态，根据用户睡前状态的不同制定恰当的睡眠干预方案，对用户进行睡眠干预，从而引导用户加快进入睡眠。
40.如图2所示，本发明的一个实施例中提供了一种睡眠辅助方法，方法包括：
41.步骤s210，在用户发出准备入睡的指令后，采集用户的脑电信号。
42.步骤s220，计算用户的脑电信号的特征值。
43.步骤s230，根据用户的脑电信号的特征值，分析用户的睡前状态。
44.步骤s240，根据用户的睡前状态，制定用于辅助用户入睡的睡眠干预方案。
45.(1)在用户的睡前状态为睡眠障碍状态时，睡眠干预方案为播放人声引导音频，其中，睡眠障碍状态下用户的脑皮层活跃度高于预设的第一阈值，所述人声引导音频用于引导所述用户进行放松，提高对自身精神和身体状态的认知，帮助分散注意力，减少继发性唤醒，缓解繁杂的思绪，舒缓焦虑情绪，从而降低脑皮层活跃度。
46.(2)在用户的睡前状态为睡眠友好状态时，睡眠干预方案为播放助眠音乐，其中，睡眠友好状态下用户的脑皮层活跃度低于预设的第二阈值，助眠音乐按照音乐的放松程度逐层干预，从轻度放松音乐逐渐过渡到深度放松音乐，递进式增强困意，用于调节所述用户的自律神经活动以引导所述用户进入睡眠。
47.本实施例中，根据用户的脑电信号分析睡前状态，可以将睡前状态主要分为睡眠阻碍状态和睡眠友好状态。睡眠阻碍是一种由过度觉醒导致入睡困难的状态，柔和的人声引导能缓解繁杂的思绪，放松身心。睡眠友好状态是身心逐渐放松，逐渐出现困意的状态，舒缓的助眠音乐能够营造纯净、安宁的睡眠氛围，迅速进入睡眠状态。
48.确定用户入睡前的大脑状态后，开始进行入睡音乐干预。干预过程是基于睡眠脑电确定相应的睡前状态，并匹配适合的干预音频。音频内容是以人声冥想和助眠音乐相结合的形式，具体分为人声引导冥想音频、自然环境音(白噪声)、轻度放松音乐、深度放松音乐、粉红色噪声等。结合用户实时的脑电状态和用户个性化标签(通过用户填写初始测量问卷，获得用过户个性化标签)从音乐库中抓取匹配度最高的干预内容，以辅助用户稳步进入睡眠状态，促进深度睡眠。
49.本实施例中，基于机器学习的模型判断用户处于睡眠阻碍状态时，为用户智能匹配并播放人声引导音频(人声冥想音频)，引导用户有意识地提高对自身精神和身体状态的
认知，能够引导用户分散注意力，缓解繁杂的思绪，舒缓焦虑情绪；配合舒缓的背景音，能逐渐使用户放松身心，进入睡眠友好状态，也可以诱导用户产生的适度愉悦的情绪，避免用户持续性处于过度思虑、焦虑、思维反刍状态。人声冥想音频根据内容可分为正念呼吸、肌肉放松、催眠暗示、情景想象。正念呼吸引导用户最大程度地将注意力集中在呼吸上，延长呼吸。肌肉放松引导用户放松腹部、面部、四肢、躯干。催眠暗示引导用户想象自己的身心正逐渐放松。情景想象通过引导用户想象情景，例如漫步草原、森林与湖泊、夜幕下的大海等多个场景，引导用户根据想象的心理意象并做出相应反应，在无外部刺激的情况下有意识地唤起内部舒适放松的体验。
50.本实施例中，基于机器学习的模型判断用户达到睡眠友好状态时，为用户智能匹配并播放节律更加舒缓的助眠音乐，从轻度放松音乐到深度放松音乐，放松音乐一般包括节律舒缓、音调音色适宜的旋律音乐和自然环境音乐。这些放松音乐能深层次地增强困意，营造良好的睡眠状态，缩短入睡时间，减少夜间觉醒次数，提升睡眠质量。由于不同用户的音乐偏好差异较大，因此音乐库中包含大量的音乐以供机器学习模型获取，根据不同用户个性化的助眠需求，为用户提供了多元化的选择。
51.步骤s250，按照睡眠干预方案，对用户进行睡眠干预。
52.另外，在用户的睡前状态为过度反应状态时，停止已对用户实施的睡眠干预，其中，过度反应状态下用户的脑电信号中的高频部分增长速率超过预设的第三阈值和/或低频部分下降速率超过预设的第四阈值。
53.本实施例中，过度反应状态是多种睡前状态中特殊的一种，出现过度反应状态时不实施睡眠干预。过度反应状态判定取决于当前播放音频是否恰当。由于失眠患者持续处于紧张压力状态，反复持续的紧张情绪不能控制，皮层极度兴奋，干预内容如果引发患者的负面情绪，患者大脑高频信号上升，低频信号下降，即处于过度反应状态。处于过度反应状态时，当前给予人声干预不能降低其兴奋程度，相反持续地出现高频脑电升高，低频脑电降低，大脑持续处于不接受干预内容的状态，即进行暂停干预内容。
54.步骤s260，根据用户的脑电信号的特征值，发现用户已入睡后分析用户是否处于浅睡期。
55.步骤s270，在用户处于浅睡期时，对用户播放粉噪音。
56.本实施例中，发现用户已经进入浅睡期，通过粉噪音(物理学概念，它在每个倍波程的强度相等)促使用户进入深睡，进一步提升用户的睡眠质量。
57.步骤s280，根据用户的脑电信号的特征值，发现用户已入睡后分析用户是否处于深睡期。
58.步骤s290，在用户处于深睡期时，按照预设速率降低直至停止对用户的睡眠干预。
59.本实施例中，发现用户已经由浅睡期进入深睡期，则逐步减少直至停止对用户的睡眠干预，避免对用户的深度睡眠产生打扰。
60.步骤s2100，在用户处于深睡期时，监控用户是否出现夜醒现象。
61.步骤s2110，在出现夜醒现象时对用户播放粉噪音，直至夜醒现象消失。
62.本实施例中，当用户出现夜醒的情况时，通过粉噪音促使用户尽快恢复睡眠。
63.基于以上实施例的一个具体实现方式的睡眠干预流程如图3所示：
64.(1)用户可以佩戴单通道的消费级脑电检测硬件设备，当正确佩戴后，点击按钮即
相当于发出准备入睡的指令，此时设备会开始播放入睡前引导语，以舒缓柔和的语调给出人声指令，引导用户闭眼，调整身体姿势，做好入睡准备，随后语音引导用户调节呼吸频率，使心率趋于平稳，并将注意力集中至呼吸上，感受每一次吸气呼气，通过深呼吸提升大脑放松程度。
65.(2)基于机器学习的模型根据实时传入的脑电信号，对用户的睡前状态进行判定，如果处于睡眠阻碍状态，则为其匹配最合适的人声引导内容。在人声引导播放过程中会实时检测用户的状态变化，具体判断包括两个维度：入睡状态以及过度反应状态。
66.其中，睡眠阻碍状态是指一种由于用户过度觉醒(尤其脑皮层过度活跃)导致的入睡阶段信息加工异常，干扰了正常的入睡以及睡眠感知，导致人们处于辗转反侧、思维反刍、难以入眠的状态。当处于睡眠阻碍状态时，为用户智能匹配并播放恰当的人声引导音频，引导用户有意识地提高对自身精神和身体状态的认知，能够引导用户分散注意力，减少继发性唤醒，缓解繁杂的思绪，舒缓焦虑情绪；配合柔和的背景音，在下游减少原发性唤醒，能逐渐使用户放松身心，唤起内部舒适放松的体验，诱导人们产生愉悦情绪，逐渐进入睡眠友好状态。
67.其中，睡眠友好状态是指一种全身肌肉松弛，脑皮层活跃度逐渐降低，身心逐渐放松，警醒水平持续降低，逐渐出现困意，自律神经活动朝着有利于睡眠的方向转化的状态。当处于睡眠友好状态时，为用户智能匹配并播放节律更加舒缓的助眠音乐，助眠音乐按照放松程度逐层干预，从轻度放松音乐过渡到深度放松音乐，递进式增强困意，营造纯净、安宁的睡眠氛围，缩短入睡时间，减少夜间觉醒次数，提升睡眠质量。
68.其中，过度反应状态判定取决于当前播放音频是否恰当。在用户听播放内容的过程当中，大脑皮层仍处于极度兴奋，高频快速升高，低频快速降低，即过度反应状态，当前给予人声干预不能降低其兴奋程度，相反持续地出现高频脑电升高，低频脑电降低，大脑持续处于不适宜入眠的状态，即进行暂停干预内容。
69.(3)当模型判定用户从睡眠阻碍状态进入睡眠友好状态时，干预方案内容将从人声冥想逐渐切换为愈加舒缓的助眠音乐，缩短入睡时间，减少夜间觉醒次数，提升睡眠质量。
70.在音乐播放过程中，仍会持续判定用户是否出现过度反应状态。若在出现了过度反应状态，则终止本次干预。
71.(4)基于睡眠实时脑电分期算法，实时判断用户睡眠状态，若检测到用户进入浅睡，睡眠干预内容将切换为粉噪音，以促进深睡。
72.(5)当用户进入第一个深睡期后，睡眠干预内容逐渐淡出，但依然持续监测用户脑电。
73.(6)当用户进入深睡后，持续基于脑电监测判断用户是否出现夜醒，当实时睡眠分期检测到用户的夜醒时长超过10分钟后，系统会自动为用户匹配并播放粉噪音，促进用户再次进入睡眠。
74.(7)清晨用户睡醒后，点击结束睡眠按钮，结束整个睡眠干预及监测。
75.上述模型的训练过程如图4所示：
76.(1)获取样本集，样本集包括睡眠阻碍状态、睡眠友好状态对应的数据。
77.其中，睡眠阻碍状态与睡眠友好状态的数据样本来自真实用户数据，使睡眠状态
的判定更加贴合用户真实使用状态，数据源的真实性可以提升睡眠状态判断的适用性，更好地提供用户体验，保证预测模型的区分正确率。
78.(2)根据样本集的特征参数，训练机器学习分类模型，并获得相应参数所对应机器学习分类器的正确率。
79.通过短时傅里叶变换提取样本集的特征参数，通过设定3秒滑动窗，从样本信号的起点开始，对信号进行分段加权，产生一系列短数据段，计算加窗短数据的频谱特征，提取如步骤s120中所述指标。沿着时间窗口滑动，提取连续时间窗的频谱指标，直至信号末端。按照此方法获取所有样本数据的特征参数集合。
80.基于获取的样本数据特征集合，确定所提取的特征与大脑状态的对应关系。为获取具有最优分类效果的分类模型，该模型比较了线性判别分析(linear discriminant analysis，lda)、支持向量机(support vector machine，svm)以及卷积神经网络(convolutional neural networks,cnn)，利用特征参数集合训练机器学习分类器。
81.(3)筛选出具有最大分类预测正确率的分类器，提取具有最大分类正确率的分类器模型的参数取值，生成睡前状态判断模型。
82.实验表明，根据特征参数集合训练的最优分类器为全连接三层神经网络，该网络将上层节点输出，通过权重连接到下层节点，连接每一层次的结构，得到神经网络模型。提取神经网络中具有最大分类正确率的分类器模型的参数取值，从而生成了睡前状态判断模型。
83.本实施例的技术方案，通过基于机器学习的模型对用户入睡前的状态进行准确界定，并基于判断结果智能匹配个性化干预内容。本实施例首次将用户入睡前的状态区分为睡眠阻碍状态、睡眠友好状态、浅睡期、深睡期、夜醒期等五个阶段。本实施例的技术方案，能够根据实时脑电状态，区分用户是否出现失眠，根据用户实时状态将睡前助眠干预方案分为阻碍和友好两个阶段，并结合用户的状态和偏好进行有机调整，协助用户稳步进入睡眠状态，真实再现音乐干预的临床体验。
84.如图5所示，本发明的一个实施例中提供了一种睡眠辅助装置，装置包括：
85.信号采集模块510，在用户发出准备入睡的指令后，采集用户的脑电信号。
86.特征计算模块520，计算用户的脑电信号的特征值。
87.状态分析模块530，根据用户的脑电信号的特征值，分析用户的睡前状态。
88.方案制定模块540，根据用户的睡前状态，制定用于辅助用户入睡的睡眠干预方案。
89.睡眠干预模块550，按照睡眠干预方案，对用户进行睡眠干预。
90.如图6所示，本发明的一个实施例中提供了一种睡眠辅助装置，装置包括：
91.信号采集模块610，在用户发出准备入睡的指令后，采集用户的脑电信号。
92.特征计算模块620，计算用户的脑电信号的特征值。
93.状态分析模块630，根据用户的脑电信号的特征值，分析用户的睡前状态。
94.方案制定模块640，根据用户的睡前状态，制定用于辅助用户入睡的睡眠干预方案。
95.睡眠干预模块650，按照睡眠干预方案，对用户进行睡眠干预。
96.另外，在用户的睡前状态为过度反应状态时，睡眠干预模块550停止已对用户实施
的睡眠干预。
97.浅睡识别模块660，根据用户的脑电信号的特征值，发现用户已入睡后分析用户是否处于浅睡期。
98.睡眠干预模块650在用户处于浅睡期时，对用户播放粉噪音。
99.深睡识别模块670，根据用户的脑电信号的特征值，发现用户已入睡后分析用户是否处于深睡期。
100.睡眠干预模块650在用户处于深睡期时，按照预设速率降低直至停止对用户的睡眠干预。
101.夜醒监控模块680，在用户处于深睡期时，监控用户是否出现夜醒现象。
102.睡眠干预模块650在出现夜醒现象时对用户播放粉噪音，直至夜醒现象消失。
103.本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的睡眠辅助方法的程序，该程序可以由处理器加载并运行以实现上述睡眠辅助方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
104.在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
105.在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
106.类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
107.本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
108.此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
109.本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的移动终端的处理装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
110.应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

技术特征：
1.一种睡眠辅助方法，其特征在于，包括：在用户发出准备入睡的指令后，采集所述用户的脑电信号；计算所述用户的脑电信号的特征值；根据所述用户的脑电信号的特征值，分析所述用户的睡前状态；根据所述用户的睡前状态，制定用于辅助所述用户入睡的睡眠干预方案；按照所述睡眠干预方案，对所述用户进行睡眠干预。2.根据权利要求1所述的睡眠辅助方法，其特征在于，所述用户的脑电信号的特征值包括：所述用户的脑电信号的绝对功率谱密度、相对功率谱密度、功率标准差和/或功率样本熵。3.根据权利要求1所述的睡眠辅助方法，其特征在于，在所述用户的睡前状态为睡眠障碍状态时，所述睡眠干预方案为播放人声引导音频，其中，所述睡眠障碍状态下所述用户的脑皮层活跃度高于预设的第一阈值，所述人声引导音频用于引导所述用户降低所述脑皮层活跃度。4.根据权利要求1所述的睡眠辅助方法，其特征在于，在所述用户的睡前状态为睡眠友好状态时，所述睡眠干预方案为播放助眠音乐，其中，所述睡眠友好状态下所述用户的脑皮层活跃度低于预设的第二阈值，所述助眠音乐用于调节所述用户的自律神经活动，以引导所述用户进入睡眠。5.根据权利要求1所述的睡眠辅助方法，其特征在于，“根据所述用户的睡前状态，制定用于辅助所述用户入睡的睡眠干预方案”的步骤还包括：在所述用户的睡前状态为过度反应状态时，停止已对所述用户实施的睡眠干预，其中，所述过度反应状态下所述用户的脑电信号中的高频部分增长速率超过预设的第三阈值和/或低频部分下降速率超过预设的第四阈值。6.根据权利要求1所述的睡眠辅助方法，其特征在于，还包括：根据所述用户的脑电信号的特征值，发现所述用户已入睡后分析所述用户是否处于浅睡期；在所述用户处于浅睡期时，对所述用户播放粉噪音。7.根据权利要求1所述的睡眠辅助方法，其特征在于，还包括：根据所述用户的脑电信号的特征值，发现所述用户已入睡后分析所述用户是否处于深睡期；在所述用户处于深睡期时，按照预设速率降低直至停止对所述用户的睡眠干预。8.根据权利要求1所述的睡眠辅助方法，其特征在于，还包括：在所述用户处于深睡期时，监控所述用户是否出现夜醒现象；在出现所述夜醒现象时对所述用户播放粉噪音，直至所述夜醒现象消失。9.一种睡眠辅助装置，其特征在于，包括：信号采集模块，在用户发出准备入睡的指令后，采集所述用户的脑电信号；特征计算模块，计算所述用户的脑电信号的特征值；状态分析模块，根据所述用户的脑电信号的特征值，分析所述用户的睡前状态；方案制定模块，根据所述用户的睡前状态，制定用于辅助所述用户入睡的睡眠干预方
案；睡眠干预模块，按照所述睡眠干预方案，对所述用户进行睡眠干预。10.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至8中任一项所述的睡眠辅助方法。

技术总结
本发明提供一种睡眠辅助方法、装置以及计算机可读存储介质，方法包括：在用户发出准备入睡的指令后，采集用户的脑电信号；计算用户的脑电信号的特征值；根据用户的脑电信号的特征值，分析用户的睡前状态；根据用户的睡前状态，制定用于辅助用户入睡的睡眠干预方案；按照睡眠干预方案，对用户进行睡眠干预。本发明重点针对用户入睡前的时间段，采集用户的脑电信号并分析用户的睡前状态，根据用户睡前状态的不同制定恰当的睡眠干预方案，并对用户进行睡眠干预，从而引导用户加快进入睡眠，以及对入睡后的用户状态进行实时分析，根据入睡后的状态给予不同的睡眠干预内容，从而提升睡眠质量。量。量。


技术研发人员：李文玉
受保护的技术使用者：上海数药智能科技有限公司
技术研发日：2023.06.09
技术公布日：2023/8/14