睡姿识别模型训练与睡姿识别方法及相关设备与流程

1.本技术涉及深度学习技术领域，具体涉及一种睡姿识别模型训练与睡姿识别方法及相关设备。


背景技术：

2.睡眠质量与睡姿有着密切关系,不良的睡姿甚至会加剧多种疾病的潜在风险，因此睡姿可以用于诊断人体的体位性睡眠障碍、心血管疾病等。但是传统的睡姿识别方法依赖于专业的医疗设备和医护人员,使得睡姿识别的成本过高，并且存在需要依赖医护人员专业操作的限制而难以在家庭的日常生活中普及。


技术实现要素：

3.鉴于以上内容，有必要提出一种睡姿识别模型训练与睡姿识别方法及相关设备，能够在节省模型的训练成本的同时，提高模型进行睡姿识别的准确率。
4.本技术的实施例一提供一种睡姿识别模型训练方法，所述方法包括：获取训练样本，所述训练样本包括历史心冲击信号；对所述训练样本进行预处理，获得预处理后的训练样本，包括：利用标准化参数，计算标准化处理后的历史心冲击信号；利用预处理后的训练样本训练深度学习网络模型获得所述睡姿识别模型，其中，所述深度学习网络模型的结构包括：卷积神经网络、门控循环单元、深度残差网络。
5.可选地，所述训练样本还包括与所述历史心冲击信号对应的历史睡姿类别标签。
6.可选地，所述标准化参数包括：所有历史心冲击信号的平均值μ与标准差σ；所述标准化处理包括：基于预设公式以及所述标准化参数，计算与所述历史心冲击信号xi对应的零均值规范化处理后的历史心冲击信号xk，所述预设公式为
[0007][0008]
可选地，所述卷积神经网络用于提取预处理后的历史心冲击信号的时频域特征。
[0009]
可选地，所述门控循环单元用于与所述卷积神经网络结合，以预设长度为周期提取所述时频域特征。
[0010]
可选地，所述深度残差网络用于连接所述深度学习网络模型的神经网络的不同层。
[0011]
本技术的实施例二提供一种睡姿识别方法，所述方法包括：采集实时心冲击信号，对所述实时心冲击信号进行预处理；将预处理后的实时心冲击信号输入睡姿识别模型，所述睡姿识别模型为利用如实施例一所述的睡姿识别模型训练方法所获得；利用所述睡姿识别模型提取所述预处理后的实时心冲击信号的实时特征，输出与所述实时特征对应的睡姿类别，其中，所述实时特征包括实时时频域特征。
[0012]
本技术的实施例三提供一种睡姿识别模型训练装置，所述装置包括：预处理模块、训练模块：所述预处理模块，用于获取训练样本，对所述训练样本进行预处理，获得预处理后的训练样本；所述训练模块，用于利用预处理后的训练样本训练深度学习网络模型获得
所述睡姿识别模型，其中，所述深度学习网络模型的结构包括：卷积神经网络、门控循环单元、深度残差网络。
[0013]
本技术的实施例四提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述睡姿识别模型训练与睡姿识别方法。
[0014]
本技术的实施例五提供一种计算机可读存储介质，所述计算机可读存储介质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姿识别模型训练与睡姿识别方法。
[0015]
综上所述，本技术所述的睡姿识别模型训练与睡姿识别方法及相关设备，能够利用历史心冲击信号(ballistocardiogram，bcg)训练基于空时特征融合和残差网络结构的深度学习睡姿识别模型，利用训练得到的睡姿识别模型根据用户的实时bcg信号进行睡姿判别，能够降低睡姿识别的成本的同时提高睡姿识别的准确率。
附图说明
[0016]
图1是本技术实施例一提供的睡姿识别模型训练方法的流程图。
[0017]
图2是本技术实施例提供的注意力机制的结构示例图。
[0018]
图3是本技术实施例提供的睡姿识别模型的网络结构示意图。
[0019]
图4是本技术实施例二提供的睡姿识别方法的流程图。
[0020]
图5是本技术实施例提供的睡姿识别模型训练与睡姿识别方法的整体流程示例图。
[0021]
图6是本技术实施例三提供的睡姿识别模型训练装置的结构图。
[0022]
图7是本技术实施例五提供的电子设备的结构示意图。
具体实施方式
[0023]
为了能够更清楚地理解本技术的上述目的、特征和优点，下面结合附图和具体实施例对本技术进行详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
[0024]
除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述在一个实施例中实施例的目的，不是旨在于限制本技术。
[0025]
在一个实施例中，睡眠质量与睡姿有着密切关系,不良的睡姿甚至会加剧多种疾病的潜在风险，因此睡姿可以用于诊断人体的体位性睡眠障碍、心血管疾病等。但是传统的睡姿识别方法依赖于专业的医疗设备和医护人员,使得睡姿识别的成本过高，需要医护人员操作专业性强的缺点而难以普及家庭日用。
[0026]
因此，本技术实施例提供一种睡姿识别模型训练与睡姿识别方法，能够利用历史心冲击信号(ballistocardiogram，bcg)训练基于空时特征融合和残差网络结构的深度学习睡姿识别模型，利用训练得到的睡姿识别模型根据用户的实时bcg信号进行睡姿判别，能够降低睡姿识别的成本的同时提高睡姿识别的准确率。
[0027]
本技术实施例提供的睡姿识别模型训练方法由电子设备执行，相应地，睡姿识别
模型训练装置运行于电子设备中。
[0028]
实施例一
[0029]
图1是本技术实施例一提供的睡姿识别模型训练方法的流程图。所述睡姿识别模型训练方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
[0030]
s11，获取训练样本，所述训练样本包括历史心冲击信号。
[0031]
在一个实施例中，心冲击信号是由心脏搏动和大动脉血液循环引起的人体对外压力的变化，可以使用pvdf(polyvinylidene fluoride)压电薄膜对人体进行无接触检测，获得人体的心冲击信号。pvdf压电薄膜具有质量轻、抗冲击性好、可任意裁剪等优点，施加在pvdf压电薄膜表面的压力可引起pvdf压电薄膜形变,从而引起输出电荷的变化，因此pvdf压电薄膜适用于基于监测压力变化量的bcg信号采集。
[0032]
例如，可以将压电薄膜安装在床垫中，利用压电薄膜隔着人体的衣物与床单等检测人体的心冲击信号；此外，还可以使用带式的压电薄膜捆绑在人体的左臂、右臂等位置，检测得到人体的心冲击信号。
[0033]
在一个实施例中，所述训练样本包括预设数量(例如5000个)的历史心冲击信号，所述训练样本还包括与所述历史心冲击信号对应的历史睡姿类别标签，其中，每个历史心冲击信号对应一个历史睡姿类别标签，每个历史心冲击信号的时间长度相同。
[0034]
例如，所述历史睡姿类别标签包括但不限于：仰卧、俯卧、左侧卧、右侧卧；所述每个历史心冲击信号的时间长度可以设置为2秒，还可以设置为人体平均心跳周期的倍数。
[0035]
在一个实施例中，历史心冲击信号表示历史获得的心冲击信号，每个历史心冲击信号对应的人体的睡姿的类别已知，因此，每个历史心冲击信号对应一个历史睡姿类别标签。例如，可以由专业的医护人员对每个历史心冲击信号进行识别，确定相对应的人体的睡姿类别。
[0036]
s12，对所述训练样本进行预处理，获得预处理后的训练样本，包括：利用标准化参数，计算标准化处理后的历史心冲击信号。
[0037]
在一个实施例中，多个历史心冲击信号之间的差异可能会很大，例如，不同历史心冲击信号中j峰(bcg信号正向最大峰值)的振幅的差值超出预设的差值阈值。如果直接用多个差异很大的历史心冲击信号进行模型训练，就会突出数值较高的历史心冲击信号在综合分析中的作用，相对削弱数值水平较低的历史心冲击信号的作用。因此，为了提高训练得到的模型的预测准确率，需要对历史心冲击信号进行标准化处理。
[0038]
在一个实施例中，所述标准化参数包括：所有历史心冲击信号的平均值μ与标准差σ；所述标准化处理包括：基于预设公式以及所述标准化参数，计算与所述历史心冲击信号xi对应的零均值规范化处理后的历史心冲击信号xk，所述预设公式为所述方法还包括保存所述标准化参数，以方便后续使用。
[0039]
在其他实施例中，历史bcg信号中可能包含呼吸信号的干扰，因此在进行上述的标准化处理之前，所述预处理还可以包括对所述历史心冲击信号进行降噪处理。所述降噪处理包括：采用离散小波变换(discrete wavelet transform，dwt)技术消除所述历史心冲击信号中的呼吸信号。
[0040]
具体地，利用低通滤波器(例如截止频率为30hz的零相移低通滤波器)消除历史心冲击信号中的高频噪声；分离消除高频噪声后的历史心冲击信号中的呼吸信号，将消除高频噪声后的历史心冲击信号中的呼吸信号进行消除，例如，使用dwt(db 4，level 9)来分离出呼吸信号,其中信号第9级概貌(0.2至0.5hz)包含呼吸信号,将这一级信号消除。
[0041]
在其他实施例中，所述预处理还可以包括放大处理、增强处理等。
[0042]
s13，利用预处理后的训练样本训练深度学习网络模型获得所述睡姿识别模型，其中，所述深度学习网络模型的结构包括：卷积神经网络、门控循环单元、深度残差网络。
[0043]
在一个实施例中，由于深度学习网络具备自动特征工程的能力，通过训练能够自动提取bcg信号中具有判别性的特征，因此在使用bcg信号进行连续睡姿监测时，深度学习网络具有良好的适用性。使用bcg信号进行连续睡姿监测的深度学习方法主要包括：卷积神经网络(convolutional neural networks，cnn)分类模型和循环神经网络(recurrentneural network，rnn)回归模型等。
[0044]
在一个实施例中，bcg信号是一种可以视为时间序列的一维信号，不仅具有时域(反映的是随时间进行的振幅的改变)的特征，还具有频域(与时间无关，反映的是频率的分布)的特征。
[0045]
在利用卷积神经网络对一维信号进行特征提取时，有两种常用方法：一种是将一维信号转换为图像，使用二维卷积神经网络作为特征提取层对图像进行特征提取，但是这种方法计算量相对较大；另外一种是直接使用一维卷积神经网络对bcg信号进行特征提取，使用一维卷积神经网络提取bcg信号在时间方向的平移不变特征。具体地，卷积神经网络是一种前馈网络，其中网络的各个卷积层的输入之间是相互独立的，每层神经元的信号只能向下一层传播，同一卷积层对不同通道信息的提取是独立的。
[0046]
在一个实施例中，本技术直接使用一维卷积神经网络对预处理后的历史心冲击信号进行特征提取，所述卷积神经网络用于提取预处理后的历史心冲击信号的时频域特征，所述时频域特征表示时域特征与频域特征的融合。
[0047]
在一个实施例中，循环神经网络rnn是一种适合处理时间序列数据(例如，bcg信号)的方法，长短期记忆网络(long short-term memory，lstm)是一种变种的rnn，主要是为了解决对长距离序列数据(例如，bcg信号)进行训练的过程中的梯度消失和梯度爆炸问题，相较于rnn而言，lstm能够在更长的序列中有更好的表现。门控循环单元(gated recurrent unit，gru)是相对lstm改进得到的一种rnn，gru将忘记门和输入门合并成为一个单一的更新门，同时合并了数据单元状态和隐藏状态，使得模型保持与lstm相同的性能的同时，降低了模型结构的复杂性。因此，gru相对cnn是一种有效处理时间序列数据的高效深度学习模型，同时也是一种更高效的时域特征信息提取方法，具有处理有局部相关性的时序数据的能力。
[0048]
在一个实施例中，可以在所述睡姿识别模型的结构中，在卷积神经网络的基础上添加门控循环单元，所述门控循环单元用于与所述卷积神经网络结合，以预设长度为周期提取所述时频域特征。结合卷积神经网络cnn和门控循环单元gru的预测分类模型，可以很好的解决单个模型存在的不足。
[0049]
在一个实施例中，门控循环单元虽然具备一定的长序列数据信息提取能力，但是对短序列的特征不具备抽象能力，随着输入序列变长，其泛化性能力也会逐渐下降。为了提
高模型的泛化能力，可以在睡姿识别模型中引入包含注意力机制的残差网络结构。
[0050]
包含注意力机制的残差网络结构可以充分提取bcg信号中的特征信息，能够在充分提取bcg信号中的特征信息的同时将时域和频域中的重要有区分度的信息筛选出来，减少冗余特征可能导致模型过拟合带来的泛化性能不强问题能够在提升睡姿识别模型的分类结果的准确性的同时，保证睡姿识别模型的泛化性能。
[0051]
在一个实施例中，所述深度残差网络用于连接所述深度学习网络模型的神经网络的不同层。具体地，所述深度残差网络使用直接映射来连接网络的不同层。
[0052]
具体地，注意力机制能够允许模型集中关注输入数据中与当前任务相关的部分，而忽略其他无关信息，能够通过计算不同输入元素之间的相互关系来确定它们的重要性，然后根据这些重要性对输入进行加权。
[0053]
例如，当注意力机制对应的注意力层与本案上述的一维卷积神经网络相连接时，该注意力层可以使深度学习网络模型按照该注意力层对应的权重关注于提取预处理后的bcg信号的时频域特征。另外举例而言，当注意力机制对应的注意力层与本案上述的gru相连接时，该注意力层可以使深度学习网络模型按照该注意力层对应的权重关注于处理有局部相关性的bcg信号。
[0054]
例如图2所示，为本技术实施例提供的注意力机制的结构示例图。其中，输入表示与注意力层相连接的网络层的输出(例如，一维卷积神经网络输出的bcg信号的时频域特征)；exp表示指数函数(exponential function)，用于计算注意力权重或得分，从而衡量不同元素之间的相关性或重要性，通过使用指数函数，可以使得较小的数值在指数运算后得到更大的权重，从而增强重要元素的影响力；∑表示求和符号，用于计算每个输入元素的权重总和，以及为最终输出生成一个加权平均值；
÷
表示归一化操作，通过将每个权重除以所有权重的总和，从而使得它们相加等于1。
[0055]
在一个实施例中，包含注意力机制的残差网络结构可以是多种形式，示例性而言，包含注意力机制的残差网络结构可以是：(1)residual attention network(resattnet)：resattnet是一种基于注意力机制的残差网络结构，其核心思想是在残差块中引入注意力模块。在每个残差块中，输入经过一个普通卷积层后，分为两个分支：一个分支通过一个注意力模块进行特征加权，另一个分支则直接与注意力模块相连。最后将两个分支的输出相加得到残差连接的结果。注意力模块通常由多个注意力头(attention head)组成，每个头都用来学习不同的关注模式，以捕捉输入特征中的不同关系。(2)densenet with self-attention(densesa)：densenet是一种密集连接的残差网络结构，而densesa是在densenet的基础上引入自注意力机制。在每个密集块内部，除了普通的跳跃连接，还添加了一个自注意力模块。自注意力模块可以通过计算输入特征的相似度来动态地调整特征的权重，使网络能够更好地聚焦于重要的特征。自注意力模块通常由多个注意力头组成，以学习不同的特征关注模式。
[0056]
上述只是两种包含注意力机制的残差网络结构的示例，并不代表全部。在其他实施例中，还可以根据任务需求和具体情况进行其他形式的结构设计和改进。
[0057]
例如图3所示，为本技术实施例提供的睡姿识别模型的网络结构示意图，其中，1d-cnn表示一维卷积神经网络，gru表示门控循环单元，残差网络结构如图所示；注意力层用于对1d-cnn与gru的输出进行加权求和；此外，睡姿识别模型使用全连接层将之前的卷积神经
网络的卷积层识别得到的特征进行分类，得到睡姿分类标签。
[0058]
在一个实施例中，所述方法还包括：获取测试集，利用所述测试集测试所述深度学习网络模型的预测准确率，将所述预测准确率大于预设的准确率阈值(例如，0.9)的模型作为所述睡姿识别模型。
[0059]
具体地，所述测试集包括多个测试心冲击信号，每个测试心冲击信号的睡姿类别标签已知；将所述测试集输入所述深度学习网络模型，得到所述测试集中每个测试心冲击信号的睡姿类别识别结果；将所述测试集的睡姿类别识别结果与已知的所述测试集的睡姿类别标签进行比对，得到所述预测准确率。
[0060]
在一个实施例中，当所述深度学习网络模型的预测准确率小于或等于所述准确率阈值时，可以通过调整模型参数(例如，卷积核的大小、步长)和/或损失函数等方法，对所述深度学习网络模型进行优化，直至获得所述睡姿识别模型。
[0061]
在一个实施例中，本技术实施例提供的睡姿识别模型训练方法至少包括如下有益效果：对历史心冲击信号进行包括标准化处理的预处理，以消除训练样本之间的差异从而提高训练得到的模型的准确率；通过gru结合卷积神经网络提取具有局部相关性的时域特征，能够降低模型复杂度的同时解决训练过程中的梯度消失和梯度爆炸问题；同时采用深度残差网络，解决单个模型在时频域特征提取存在的不足，以及冗余特征可能导致模型过拟合带来的泛化性能不强的问题，提高模型的泛化能力。
[0062]
当训练得到睡姿识别模型后，可以利用睡姿识别模型进行睡姿识别。本技术实施例提供的睡姿识别方法由电子设备执行，相应地，在一个实施例中，电子设备可以包括运行于其中的睡姿识别装置。
[0063]
实施例二
[0064]
图4是本技术实施例二提供的睡姿识别方法的流程图。所述睡姿识别方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
[0065]
s21，采集实时心冲击信号，对所述实时心冲击信号进行预处理。
[0066]
在一个实施例中，所述实时心冲击信号包括实时监测得到的待进行睡姿识别的用户的心电信号。所述实时心冲击信号的采集方法与上述实施例一中的所述历史心冲击信号的采集方法相同，具体地，可以参考实施例一中步骤s11中的描述。
[0067]
在一个实施例中，所述实时心冲击信号的时间长度与所述历史心冲击信号的时间长度相同，具体地，可以从实时采集的用户的心冲击信号中截取相同时间长度的心冲击信号作为所述实时心冲击信号。
[0068]
s22，将预处理后的实时心冲击信号输入睡姿识别模型，所述睡姿识别模型为利用实施例一所述的睡姿识别模型训练方法所获得。
[0069]
在一个实施例中，所述预处理方法与实施例一中步骤s12中的预处理方法相同，具体地，使用步骤s12中的标准化参数对所述实时心冲击信号进行标准化处理。
[0070]
s23，利用所述睡姿识别模型提取所述预处理后的实时心冲击信号的实时特征，输出与所述实时特征对应的睡姿类别，其中，所述实时特征包括实时时频域特征。
[0071]
在一个实施例中，利用所述睡姿识别模型提取所述实时特征，根据所述实时特征的确定所述实时时频域特征的方法，与实施例一中睡姿识别模型训练方法中的过程类似，只需将所述实时心冲击信号与实施例一中的历史心冲击信号相对应，具体的过程不再进行
描述。
[0072]
在一个实施例中，如图5所示，为本技术实施例提供的睡姿识别模型训练与睡姿识别方法的整体流程示例图。其中，按照箭头所指的方向执行本案的睡姿识别模型训练与睡姿识别方法，从而实现基于bcg信号识别分类得到睡姿类别。
[0073]
实施例三
[0074]
图6是本技术实施例三提供的睡姿识别模型训练装置的结构图。
[0075]
在一些实施例中，所述睡姿识别模型训练装置20可以包括多个由计算机程序段所组成的功能模块。所述睡姿识别模型训练装置20中的各个程序段的计算机程序可以存储于电子设备的存储器中，并由至少一个处理器所执行，以执行(详见图1描述)睡姿识别模型训练的功能。
[0076]
本实施例中，所述睡姿识别模型训练装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：预处理模块201、训练模块202。本技术所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于所述睡姿识别模型训练装置20的限定可以参见上文对睡姿识别模型训练方法的限定，在此不再详细赘述。
[0077]
所述预处理模块201，用于获取训练样本，对所述训练样本进行预处理，获得预处理后的训练样本。
[0078]
所述训练模块202，用于利用预处理后的训练样本训练深度学习网络模型获得所述睡姿识别模型，其中，所述深度学习网络模型的结构包括：卷积神经网络、门控循环单元、深度残差网络。
[0079]
实施例四
[0080]
本实施例提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述睡姿识别模型训练实施例中的步骤，例如图1所示的s11-s13：
[0081]
s11，获取训练样本，所述训练样本包括历史心冲击信号；
[0082]
s12，对所述训练样本进行预处理，获得预处理后的训练样本，包括：利用标准化参数，计算标准化处理后的历史心冲击信号；
[0083]
s13，利用预处理后的训练样本训练深度学习网络模型获得所述睡姿识别模型，其中，所述深度学习网络模型的结构包括：卷积神经网络、门控循环单元、深度残差网络。
[0084]
或者，该计算机程序被处理器执行时还可以实现上述睡姿识别实施例中的步骤，例如图4所示的s21-s23：
[0085]
s21，采集实时心冲击信号，对所述实时心冲击信号进行预处理；
[0086]
s22，将预处理后的实时心冲击信号输入睡姿识别模型，所述睡姿识别模型为利用实施例一所述的睡姿识别模型训练方法所获得；
[0087]
s23，利用所述睡姿识别模型提取所述预处理后的实时心冲击信号的实时特征，输出与所述实时特征对应的睡姿类别，其中，所述实时特征包括实时时频域特征。
[0088]
或者，该计算机程序被处理器执行时实现上述装置实施例中各模块/单元的功能，例如图6中的模块201-202：
[0089]
所述获取模块201，用于获取源域数据集与目标域数据集。
[0090]
所述预处理模块201，用于获取训练样本，对所述训练样本进行预处理，获得预处理后的训练样本。
[0091]
所述训练模块202，用于利用预处理后的训练样本训练深度学习网络模型获得所述睡姿识别模型，其中，所述深度学习网络模型的结构包括：卷积神经网络、门控循环单元、深度残差网络。
[0092]
实施例五
[0093]
参阅图7所示，为本技术实施例五提供的电子设备的结构示意图。在本技术较佳实施例中，所述电子设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
[0094]
本领域技术人员应该了解，图7示出的电子设备的结构并不构成本技术实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
[0095]
在一些实施例中，所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。
[0096]
需要说明的是，所述电子设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本技术，也应包含在本技术的保护范围以内，并以引用方式包含于此。
[0097]
在一些实施例中，所述存储器31中存储有计算机程序，所述计算机程序被所述至少一个处理器32执行时实现如所述的睡姿识别模型训练与睡姿识别方法中的全部或者部分步骤。所述存储器31包括只读存储器(read-only memory，rom)、可编程只读存储器(programmable read-only memory，prom)、可擦除可编程只读存储器(erasable programmable read-only memory，eprom)、一次可编程只读存储器(one-time programmable read-only memory，otprom)、电子擦除式可复写只读存储器(electrically-erasable programmable read-only memory，eeprom)、只读光盘(compact disc read-only memory，cd-rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
[0098]
进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
[0099]
本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0100]
在一些实施例中，所述至少一个处理器32是所述电子设备3的控制核心(control unit)，利用各种接口和线路连接整个电子设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行电子设备3的
各种功能和处理数据。例如，所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本技术实施例中所述的睡姿识别模型训练与睡姿识别方法的全部或者部分步骤；或者实现睡姿识别模型训练装置与睡姿识别装置的全部或者部分功能。所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
[0101]
在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
[0102]
尽管未示出，所述电子设备3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、wi-fi模块、摄像装置等，在此不再赘述。
[0103]
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)或处理器(processor)执行本技术各个实施例所述方法的部分。
[0104]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0105]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0106]
另外，在本技术各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0107]
对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其他的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。说明书中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
[0108]
最后应说明的是，以上实施例仅用以说明本技术的技术方案而非限制，尽管参照较佳实施例对本技术进行了详细说明，本领域的普通技术人员应当理解，可以对本技术的技术方案进行修改或等同替换，而不脱离本技术技术方案的精神和范围。

技术特征：
1.一种睡姿识别模型训练方法，其特征在于，所述方法包括：获取训练样本，所述训练样本包括历史心冲击信号；对所述训练样本进行预处理，获得预处理后的训练样本，包括：利用标准化参数，计算标准化处理后的历史心冲击信号；利用预处理后的训练样本训练深度学习网络模型获得所述睡姿识别模型，其中，所述深度学习网络模型的结构包括：卷积神经网络、门控循环单元、深度残差网络。2.根据权利要求1所述的睡姿识别模型训练方法，其特征在于，所述训练样本还包括与所述历史心冲击信号对应的历史睡姿类别标签。3.根据权利要求1所述的睡姿识别模型训练方法，其特征在于：所述标准化参数包括：所有历史心冲击信号的平均值μ与标准差σ；所述标准化处理包括：基于预设公式以及所述标准化参数，计算与所述历史心冲击信号x
i
对应的零均值规范化处理后的历史心冲击信号x
k
，所述预设公式为4.根据权利要求1所述的睡姿识别模型训练方法，其特征在于，所述卷积神经网络用于提取预处理后的历史心冲击信号的时频域特征。5.根据权利要求4所述的睡姿识别模型训练方法，其特征在于，所述门控循环单元用于与所述卷积神经网络结合，以预设长度为周期提取所述时频域特征。6.根据权利要求1所述的睡姿识别模型训练方法，其特征在于，所述深度残差网络用于连接所述深度学习网络模型的神经网络的不同层。7.一种睡姿识别方法，其特征在于，所述方法包括：采集实时心冲击信号，对所述实时心冲击信号进行预处理；将预处理后的实时心冲击信号输入睡姿识别模型，所述睡姿识别模型为利用如权利要求1至6中任意一项所述的睡姿识别模型训练方法所获得；利用所述睡姿识别模型提取所述预处理后的实时心冲击信号的实时特征，输出与所述实时特征对应的睡姿类别，其中，所述实时特征包括实时时频域特征。8.一种睡姿识别模型训练装置，其特征在于，所述装置包括预处理模块、训练模块：所述预处理模块，用于获取训练样本，对所述训练样本进行预处理，获得预处理后的训练样本；所述训练模块，用于利用预处理后的训练样本训练深度学习网络模型获得所述睡姿识别模型，其中，所述深度学习网络模型的结构包括：卷积神经网络、门控循环单元、深度残差网络。9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至6中任意一项所述的睡姿识别模型训练方法，或实现如权利要求7所述的睡姿识别方法。10.一种计算机可读存储介质，所述计算机可读存储介质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如权利要求1至6中任意一项所述的睡姿识别模型训练方法，或实现如权利要求7所述的睡姿识别方法。

技术总结
本申请涉及深度学习技术领域，提供一种睡姿识别模型训练与睡姿识别方法及相关设备，通过利用历史心冲击信号训练基于空时特征融合和残差网络结构的深度学习睡姿识别模型，利用训练得到的睡姿识别模型对用户的实时心冲击信号进行睡姿判别，能够降低睡姿识别的成本的同时提高睡姿识别的准确率。同时提高睡姿识别的准确率。同时提高睡姿识别的准确率。


技术研发人员：曾平桂 李小勇 关义彬
受保护的技术使用者：深圳市量子慧智科技有限公司
技术研发日：2023.07.04
技术公布日：2023/10/19