技术领域
本发明涉及计算机技术领域，尤其涉及一种睡眠状态检测方法和装置。
背景技术
人的睡眠状态可以分为觉醒期、非快速眼动睡眠期(又分为1、2、3、4期)、快速眼动睡眠期。以医疗助眠领域为例，通过检测人的睡眠状态，并根据检测到的当前的睡眠状态向其推荐相应的助眠音乐，从而改善或者促进人的睡眠质量。现有的检测人的睡眠状态的方法大多通过检测脑电信号来实现的。现有的基于脑电信号的睡眠状态检测的方法是通过采用时频域分析与非线性动力学分析方法提取脑电信号中具有代表性的特征参数，并根据这些具有代表性的特征参数获得睡眠深度模型，从而根据该睡眠深度模型对睡眠状态进行检测来实现的。由于该睡眠深度模型是一种简单的二次多项式模型，因此与现实情况的拟合度低，容易出现监测结果不准确的问题。
发明内容
本发明提出一种睡眠状态检测方法和装置，能够提高对睡眠状态进行检测的精确度。
本发明提供的一种睡眠状态检测方法，具体包括：
获取用户在睡眠时的在预设时间段内的生物电信号；
从所述生物电信号中提取至少一个信号特征；
根据所述至少一个信号特征和为各个睡眠状态分别预先配置的Ki个高斯函数分量，分别计算获得各个高斯函数分量值，并根据所有所述高斯函数分量值，计算获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率；其中，Ki为大于零的整数；
获得所述概率中的最大概率，并将所述用户在所述预设时间段内的睡眠状态确定为所述各个睡眠状态中的与所述最大概率所对应的睡眠状态。
进一步地，所述信号特征的数量为一个；所述信号特征由至少一个特征数据组成；
则所述根据所述至少一个信号特征和为各个睡眠状态分别预先配置的Ki个高斯函数分量，分别计算获得各个高斯函数分量值，并根据所有所述高斯函数分量值，计算获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率，具体包括：
将所述信号特征f依次代入为各个睡眠状态Si预先配置的高斯混合模型中，获得所述信号特征f相对于各个睡眠状态Si的后验概率p(Si/f)，即为所述用户在所述预设时间段内的睡眠状态分别为各个睡眠状态Si的概率；其中，p(Si)为睡眠状态Si的先验概率；Ki为与睡眠状态Si相对应的高斯函数分量的个数；ωi,k为与睡眠状态Si相对应的各个高斯函数分量的分量权重；σi,k为与睡眠状态Si相对应的各个高斯函数分量的协方差；μi,k为与睡眠状态Si相对应的各个高斯函数分量的数学期望；d为所述信号特征f中的特征数据的个数。
进一步地，所述信号特征的数量为两个或者两个以上；所述信号特征由至少一个特征数据组成；
则所述根据所述至少一个信号特征和为各个睡眠状态分别预先配置的Ki个高斯函数分量，分别计算获得各个高斯函数分量值，并根据所有所述高斯函数分量值，计算获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率，具体包括：
将每个所述信号特征fj依次代入为各个睡眠状态Si预先配置的高斯混合模型中，获得每个所述信号特征fj相对于各个睡眠状态Si的后验概率p(Si/fj)；其中，p(Si)为睡眠状态Si的先验概率；Ki为与睡眠状态Si相对应的高斯函数分量的个数；ωi,k为与睡眠状态Si相对应的各个高斯函数分量的分量权重；σi,k为与睡眠状态Si相对应的各个高斯函数分量的协方差；μi,k为与睡眠状态Si相对应的各个高斯函数分量的数学期望；d为所述信号特征fj中的特征数据的个数；
将所有后验概率p(Si/fj)以各个睡眠状态Si为单位进行合成，获得所述用户在所述预设时间段内的睡眠状态为所述各个睡眠状态的概率。
进一步地，所述生物电信号根据信号的生成时间的先后顺序划分为至少两段子生物电信号，且相邻的两段子生物电信号的生成时间部分重叠；所述信号特征与每段所述子生物电信号一一对应。
进一步地，在所述根据所述至少一个信号特征和为各个睡眠状态分别预先配置的Ki个高斯函数分量，分别计算获得各个高斯函数分量值，并根据所有所述高斯函数分量值，计算获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率之前，还包括：
根据预先设置的分解算法对每个睡眠状态Si所对应的训练生物电信号所对应的至少一个训练信号特征分别进行聚类分解获得所述与睡眠状态Si相对应的高斯函数分量的个数Ki；
所述根据预先设置的分解算法对每个睡眠状态Si所对应的训练生物电信号所对应的至少一个训练信号特征分别进行聚类分解获得所述与睡眠状态Si相对应的高斯函数分量的个数Ki，具体包括：
将与睡眠状态Si相对应的所述训练信号特征作为与睡眠状态Si相对应的数据结构中的父节点；
根据聚类算法对所述父节点进行聚类分解，获得第一子节点和第二子节点；所述第一子节点中包括所述训练信号特征中的第一训练信号特征；所述第二子节点中包括所述训练信号特征中的第二训练信号特征；
分别计算所述第一子节点和所述第二子节点的特征平均值，并计算获得所述第一子节点的特征平均值与所述第二子节点的特征平均值之间的差值；所述特征平均值为节点中的所有训练信号特征的平均值；
比较所述差值与预设的阈值之间的大小，若所述差值小于所述阈值，则删除所述第一子节点和所述第二子节点并保留所述父节点，若所述差值大于或者等于所述阈值，则将所述第一子节点和所述第二父节点分别作为父节点并根据所述聚类算法进一步地进行所述聚类分解，直至对所述数据结构中没有子节点的节点根据所述聚类算法进行所述聚类分解之后所得的第一子节点和第二子节点之间的差值均小于所述阈值；
将所述数据结构中没有子节点的节点的个数作为所述与睡眠状态Si相对应的高斯函数分量的个数Ki。
相应地，本发明还提供了一种睡眠状态检测装置，具体包括：
生物电信号获取模块，用于获取用户在睡眠时的在预设时间段内的生物电信号；
信号特征提取模块，用于从所述生物电信号中提取至少一个信号特征；
概率获得模块，根据所述至少一个信号特征和为各个睡眠状态分别预先配置的Ki个高斯函数分量，分别计算获得各个高斯函数分量值，并根据所有所述高斯函数分量值，计算获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率；其中，Ki为大于零的整数；以及，
睡眠状态确定模块，用于获得所述概率中的最大概率，并将所述用户在所述预设时间段内的睡眠状态确定为所述各个睡眠状态中的与所述最大概率所对应的睡眠状态。
进一步地，所述信号特征的数量为一个；所述信号特征由至少一个特征数据组成；
则所述概率获得模块，具体包括：
第一概率获得单元，用于将所述信号特征f依次代入为各个睡眠状态Si预先配置的高斯混合模型中，获得所述信号特征f相对于各个睡眠状态Si的后验概率p(Si/f)，即为所述用户在所述预设时间段内的睡眠状态分别为各个睡眠状态Si的概率；其中，p(Si)为睡眠状态Si的先验概率；Ki为与睡眠状态Si相对应的高斯函数分量的个数；ωi,k为与睡眠状态Si相对应的各个高斯函数分量的分量权重；σi,k为与睡眠状态Si相对应的各个高斯函数分量的协方差；μi,k为与睡眠状态Si相对应的各个高斯函数分量的数学期望；d为所述信号特征f中的特征数据的个数。
进一步地，所述信号特征的数量为两个或者两个以上；所述信号特征由至少一个特征数据组成；
则所述概率获得模块，具体包括：
后验概率获得单元，用于将每个所述信号特征fj依次代入为各个睡眠状态Si预先配置的高斯混合模型中，获得每个所述信号特征fj相对于各个睡眠状态Si的后验概率p(Si/fj)；其中，p(Si)为睡眠状态Si的先验概率；Ki为与睡眠状态Si相对应的高斯函数分量的个数；ωi,k为与睡眠状态Si相对应的各个高斯函数分量的分量权重；σi,k为与睡眠状态Si相对应的各个高斯函数分量的协方差；μi,k为与睡眠状态Si相对应的各个高斯函数分量的数学期望；d为所述信号特征fj中的特征数据的个数；以及，
第二概率获得单元，用于将所有后验概率p(Si/fj)以各个睡眠状态Si为单位进行合成，获得所述用户在所述预设时间段内的睡眠状态为所述各个睡眠状态的概率。
进一步地，所述生物电信号根据信号的生成时间的先后顺序划分为至少两段子生物电信号，且相邻的两段子生物电信号的生成时间部分重叠；所述信号特征与每段所述子生物电信号一一对应。
进一步地，所述睡眠状态检测装置，还包括：
高斯函数分量个数获得模块，用于根据预先设置的分解算法对每个睡眠状态Si所对应的训练生物电信号所对应的至少一个训练信号特征分别进行聚类分解获得所述与睡眠状态Si相对应的高斯函数分量的个数Ki；
所述高斯函数分量个数获得模块，具体包括：
父节点设置单元，用于将与睡眠状态Si相对应的所述训练信号特征作为与睡眠状态Si相对应的数据结构中的父节点；
聚类分解单元，用于根据聚类算法对所述父节点进行聚类分解，获得第一子节点和第二子节点；所述第一子节点中包括所述训练信号特征中的第一训练信号特征；所述第二子节点中包括所述训练信号特征中的第二训练信号特征；
子节点差值获得单元，用于分别计算所述第一子节点和所述第二子节点的特征平均值，并计算获得所述第一子节点的特征平均值与所述第二子节点的特征平均值之间的差值；所述特征平均值为节点中的所有训练信号特征的平均值；
判断循环单元，用于比较所述差值与预设的阈值之间的大小，若所述差值小于所述阈值，则删除所述第一子节点和所述第二子节点并保留所述父节点，若所述差值大于或者等于所述阈值，则将所述第一子节点和所述第二父节点分别作为父节点并根据所述聚类算法进一步地进行所述聚类分解，直至对所述数据结构中没有子节点的节点根据所述聚类算法进行所述聚类分解之后所得的第一子节点和第二子节点之间的差值均小于所述阈值；以及，
高斯函数分量个数设置单元，用于将所述数据结构中没有子节点的节点的个数作为所述与睡眠状态Si相对应的高斯函数分量的个数Ki。
实施本发明，具有如下有益效果：
本发明提供的睡眠状态检测方法及装置，通过采用高斯混合模型表征各个睡眠状态，即采用若干个高斯混合模型拟合现实中的较为复杂的数据分布情况，因此与现实情况的拟合度高，能够提高对睡眠状态进行检测的精确度。
附图说明
图1是本发明提供的睡眠状态检测方法的一个实施例的流程示意图；
图2是本发明提供的睡眠状态检测方法中的传感器获取的一段脑电信号的信号示意图；
图3是本发明提供的睡眠状态检测装置的一个实施例的结构示意图。
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。
参见图1，是本发明提供的睡眠状态检测方法的一个实施例的流程示意图，包括步骤S11至S14，具体如下：
S11：获取用户在睡眠时的在预设时间段内的生物电信号；
S12：从所述生物电信号中提取至少一个信号特征；
S13：根据所述至少一个信号特征和为各个睡眠状态分别预先配置的Ki个高斯函数分量，分别计算获得各个高斯函数分量值，并根据所有所述高斯函数分量值，计算获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率；其中，Ki为大于零的整数；
S14：获得所述概率中的最大概率，并将所述用户在所述预设时间段内的睡眠状态确定为所述各个睡眠状态中的与所述最大概率所对应的睡眠状态。
需要说明的是，在采用高斯混合模型对用户的睡眠状态进行检测之前，预先为表征各个睡眠状态而根据用于训练模型的训练生物电信号训练出与各个睡眠状态分别相对应的高斯混合模型。其中，该高斯混合模型由Ki(Ki为大于零的整数)个高斯函数分量组成。在对用户的睡眠状态进行检测时，在利用传感器获取生物电信号之后，将从该生物电信号中提取出来的信号特征代入训练获得的与各个睡眠状态分别相对应的高斯混合模型中，从而获得用户当前的睡眠状态为各个睡眠状态的概率，若概率越大，则说明用户当前的睡眠状态为该概率所对应的睡眠状态的可能性越大，因此将用户当前的睡眠状态确定为所获得的概率中的最大概率所对应的睡眠状态。需要进一步说明的是，生物电信号可以为脑电信号、心电信号或者肌电信号等。信号特征为矢量数据，该矢量数据中的元素可以为一个或者多个诸如短时能量，过零率，频谱系数等的表征信号特征的数据。
在一个优选的实施方式中，在采用高斯混合模型对用户的睡眠状态进行检测之前，预先根据用于训练模型的训练生物电信号训练出与各个睡眠状态分别相对应的Ki个高斯函数分量。在对某一预设时间段内的用户的睡眠状态进行检测时，首先通过传感器获取用户在该预设时间段内的生物电信号，随后，从所获取的生物电信号中提取至少一个信号特征，并将所提取的信号特征代入训练获得的与各个睡眠状态相对应的Ki个高斯函数分量中，从而分别计算获得各个高斯函数分量值，并根据所有获得的高斯函数分量值，获得用户在该预设时间段内的睡眠状态分别为各个睡眠状态的概率，最后，将用户在该预设时间段内的睡眠状态确定为所获得的概率中的最大概率所对应的睡眠状态。
例如，人的睡眠状态主要分为觉醒期、非快速眼动睡眠期和快速眼动睡眠期，将觉醒期标记为S0，非快速眼动睡眠期标记为S1，快速眼动睡眠期标记为S2。假设在本例中通过检测用户的脑电信号对用户的睡眠状态进行检测。在采用高斯混合模型对用户的睡眠状态进行检测之前，预先根据训练脑电信号训练出与睡眠状态S0相对应的K0个高斯函数分量、与睡眠状态S1相对应的K1个高斯函数分量以及与睡眠状态S2相对应的K2个高斯函数分量。在对用户在某一时间段内的睡眠状态进行检测时，通过传感器采集用户在该时间段内的脑电信号，并提取其中的特征，获得至少一个信号特征F，随后将信号特征F分别代入与睡眠状态S0相对应的K0个高斯函数分量、与睡眠状态S1相对应的K1个高斯函数分量以及与睡眠状态S2相对应的K2个高斯函数分量中，从而分别计算获得K0个高斯函数分量值、K1个高斯函数分量值以及K2个高斯函数分量值，随后，根据所获得的K0个高斯函数分量值、K1个高斯函数分量值以及K2个高斯函数分量值分别对应计算获得概率p0、p1和p2，最后，获得p0、p1和p2中的最大概率，若该最大概率为p0，则将用户在该时间段内的睡眠状态设置为S0，若该最大概率为p1，则将用户在该时间段内的睡眠状态设置为S1，若该最大概率为p2，则将用户在该时间段内的睡眠状态设置为S2。
本实施例通过采用高斯混合模型表征各个睡眠状态，即采用若干个高斯混合模型拟合现实中的较为复杂的数据分布情况，因此与现实情况的拟合度高，能够提高对睡眠状态进行检测的精确度。
进一步地，所述信号特征的数量为一个；所述信号特征由至少一个特征数据组成；
则所述根据所述至少一个信号特征和为各个睡眠状态分别预先配置的Ki个高斯函数分量，分别计算获得各个高斯函数分量值，并根据所有所述高斯函数分量值，计算获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率，具体包括：
将所述信号特征f依次代入为各个睡眠状态Si预先配置的高斯混合模型中，获得所述信号特征f相对于各个睡眠状态Si的后验概率p(Si/f)，即为所述用户在所述预设时间段内的睡眠状态分别为各个睡眠状态Si的概率；其中，p(Si)为睡眠状态Si的先验概率；Ki为与睡眠状态Si相对应的高斯函数分量的个数；ωi,k为与睡眠状态Si相对应的各个高斯函数分量的分量权重；σi,k为与睡眠状态Si相对应的各个高斯函数分量的协方差；μi,k为与睡眠状态Si相对应的各个高斯函数分量的数学期望；d为所述信号特征f中的特征数据的个数。
需要说明的是，当从生物电信号中提取的信号特征为一个时，则将该信号特征f依次代入训练获得的与各个睡眠状态Si分别相对应的高斯混合模型中。从而获得该信号特征f相对于各个睡眠状态Si的后验概率p(Si/f)，该后验概率p(Si/f)即为该用户在当前时间段内的睡眠状态分别为各个睡眠状态Si的概率。其中，p(Si)为睡眠状态Si的先验概率，通过计算各个睡眠状态Si所对应的训练生物电信号在所有训练生物电信号中的比例获得。Ki为与睡眠状态Si相对应的高斯函数分量的个数。ωi,k为与睡眠状态Si相对应的各个高斯函数分量的分量权重，σi,k为与睡眠状态Si相对应的各个高斯函数分量的协方差，μi,k为与睡眠状态Si相对应的各个高斯函数分量的数学期望，d为信号特征f中的特征数据的个数，即信号特征f的维度，ωi,k、σi,k和μi,k均通过EM迭代算法计算获得，具体地，最终的ωi,k、σi,k和μi,k分别通过和计算获得，其中，m为各个睡眠状态Si所对应的训练生物电信号的训练信号特征的个数，表示第j个训练信号特征由第k个高斯函数分量组成的概率，ωi,k的初始值为σi,k的初始值为通过根据预先设置的分解算法对各个睡眠状态Si所对应的训练生物电信号所对应的训练信号特征进行聚类分解所获得的数据结构中的叶子节点中的一个叶子节点中的所有信号特征的协方差矩阵，μi,k的初始值为通过根据预先设置的分解算法对各个睡眠状态Si所对应的训练生物电信号所对应的训练信号特征进行聚类分解所获得的数据结构中的叶子节点中的一个叶子节点中的所有信号特征的特征平均值。
例如，人的睡眠状态主要分为觉醒期、非快速眼动睡眠期和快速眼动睡眠期，将觉醒期标记为S0，非快速眼动睡眠期标记为S1，快速眼动睡眠期标记为S2。假设在本例中通过检测用户的脑电信号对用户的睡眠状态进行检测。在采用高斯混合模型对用户的睡眠状态进行检测之前，预先根据训练脑电信号训练出与睡眠状态S0相对应的高斯混合模型G0、与睡眠状态S1相对应的高斯混合模型G1和与睡眠状态S2相对应的高斯混合模型G2。在对用户在某一时间段内的睡眠状态进行检测时，通过传感器采集用户在该时间段内的脑电信号，并提取其中的特征，若所提取的信号特征的数量为1个，则获得信号特征f，随后将该信号特征f分别代入高斯混合模型G0、G1和G2，从而分别对应获得概率p0、p1和p2，最后，获得p0、p1和p2中的最大概率，若该最大概率为p0，则将用户在该时间段内的睡眠状态设置为S0，若该最大概率为p1，则将用户在该时间段内的睡眠状态设置为S1，若该最大概率为p2，则将用户在该时间段内的睡眠状态设置为S2。
在另一个优选地实施方式中，所述信号特征的数量为两个或者两个以上；所述信号特征由至少一个特征数据组成；
则所述根据所述至少一个信号特征和为各个睡眠状态分别预先配置的Ki个高斯函数分量，分别计算获得各个高斯函数分量值，并根据所有所述高斯函数分量值，计算获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率，具体包括：
将每个所述信号特征fj依次代入为各个睡眠状态Si预先配置的高斯混合模型中，获得每个所述信号特征fj相对于各个睡眠状态Si的后验概率p(Si/fj)；其中，p(Si)为睡眠状态Si的先验概率；Ki为与睡眠状态Si相对应的高斯函数分量的个数；ωi,k为与睡眠状态Si相对应的各个高斯函数分量的分量权重；σi,k为与睡眠状态Si相对应的各个高斯函数分量的协方差；μi,k为与睡眠状态Si相对应的各个高斯函数分量的数学期望；d为所述信号特征fj中的特征数据的个数；
将所有后验概率p(Si/fj)以各个睡眠状态Si为单位进行合成，获得所述用户在所述预设时间段内的睡眠状态为所述各个睡眠状态的概率。
需要说明的是，当从生物电信号中提取的信号特征为两个或者两个以上时，则将每个信号特征fj依次代入训练获得的与各个睡眠状态Si分别相对应的高斯混合模型中。从而获得每个信号特征fj相对于各个睡眠状态Si的后验概率p(Si/fj)。其中，p(Si)为睡眠状态Si的先验概率，通过计算各个睡眠状态Si所对应的训练生物电信号在所有训练生物电信号中的比例获得。Ki为与睡眠状态Si相对应的高斯函数分量的个数。ωi,k为与睡眠状态Si相对应的各个高斯函数分量的分量权重，σi,k为与睡眠状态Si相对应的各个高斯函数分量的协方差，μi,k为与睡眠状态Si相对应的各个高斯函数分量的数学期望，d为信号特征f中的特征数据的个数，即信号特征f的维度，ωi,k、σi,k和μi,k均通过EM迭代算法计算获得，具体地，最终的ωi,k、σi,k和μi,k分别通过和计算获得，其中，m为各个睡眠状态Si所对应的训练生物电信号的训练信号特征的个数，表示第j个训练信号特征由第k个高斯函数分量组成的概率，ωi,k的初始值为σi,k的初始值为通过根据预先设置的分解算法对各个睡眠状态Si所对应的训练生物电信号所对应的训练信号特征进行聚类分解所获得的数据结构中的叶子节点中的一个叶子节点中的所有信号特征的协方差矩阵，μi,k的初始值为通过根据预先设置的分解算法对各个睡眠状态Si所对应的训练生物电信号所对应的训练信号特征进行聚类分解所获得的数据结构中的叶子节点中的一个叶子节点中的所有信号特征的特征平均值。
随后，将所获得的后验概率p(Si/fj)以各个睡眠状态Si为单位进行合成，从而获得用户在当前时间段内的睡眠状态分别为所述各个睡眠状态Si的概率。其中，合成的方法可以为加和或者乘积等。
例如，人的睡眠状态主要分为觉醒期、非快速眼动睡眠期和快速眼动睡眠期，将觉醒期标记为S0，非快速眼动睡眠期标记为S1，快速眼动睡眠期标记为S2。假设在本例中通过检测用户的脑电信号对用户的睡眠状态进行检测。在采用高斯混合模型对用户的睡眠状态进行检测之前，预先根据训练脑电信号训练出与睡眠状态S0相对应的高斯混合模型G0、与睡眠状态S1相对应的高斯混合模型G1和与睡眠状态S2相对应的高斯混合模型G2。在对用户在某一时间段内的睡眠状态进行检测时，通过传感器采集用户在该时间段内的脑电信号，并提取其中的特征，若所提取的信号特征的数量为4个，则获得信号特征f0、f1、f2和f3，随后将信号特征f0代入高斯混合模型G0、G1和G2，从而分别对应获得概率p00、p01和p02，将信号特征f1代入高斯混合模型G0、G1和G2，从而分别对应获得概率p10、p11和p12，将信号特征f2代入高斯混合模型G0、G1和G2，从而分别对应获得概率p20、p21和p22，并将信号特征f3代入高斯混合模型G0、G1和G2，从而分别对应获得概率p30、p31和p32，最后，将p00、p10、p20和p30进行连乘获得概率p0，将p10、p11、p12和p13进行连乘获得概率p1，将p20、p21、p22和p23进行连乘获得概率p2，并获得p0、p1和p2中的最大概率，若该最大概率为p0，则将用户在该时间段内的睡眠状态设置为S0，若该最大概率为p1，则将用户在该时间段内的睡眠状态设置为S1，若该最大概率为p2，则将用户在该时间段内的睡眠状态设置为S2。
本实施例通过从同一生物电信号中提取多个信号特征进行睡眠状态的检测，从而全面地对生物电信号的特征进行分析，因此能够进一步提高对睡眠状态进行检测的精确度。
进一步地，所述生物电信号根据信号的生成时间的先后顺序划分为至少两段子生物电信号，且相邻的两段子生物电信号的生成时间部分重叠；所述信号特征与每段所述子生物电信号一一对应。
需要说明的是，在对生物电信号进行特征提取之前还可以对生物电信号进行细分化，即将生物电信号按生成时间的先后顺序划分为至少两段子生物电信号。随后，提取每段子生物电信号的特征，分别对应生成一个信号特征。需要进一步说明的是，子生物电信号与子生物电信号的生成时间之间有部分重叠。
例如，如图2所示，为传感器获取的一段脑电信号的信号示意图。将该脑电信号标记为Z＝[z0,z1,z2,z3,z4,z5,z6]，其中，z0、z1、z2、z3、z4、z5和z6为按生成时间的先后顺序排列的每一时刻的脑电信号。在提取该脑电信号Z的特征之前，将该脑电信号划分为3个子脑电信号，分别为Z0＝[z0,z1,z2]、Z1＝[z2,z3,z4]和Z2＝[z4,z5,z6]，随后，分别提取子脑电信号Z0、Z1和Z2的特征，从而分别对应生成信号特征f0、f1和f2。
由于子生物电信号与子生物电信号的生成时间有部分重叠，能够提高特征提取的准确度，进而进一步提高对睡眠状态进行检测的精确度。此外，需要说明的是，相邻的子生物电信号的重叠时间可以相等，也可以不等，本发明不做具体限定。
进一步地，在所述根据所述至少一个信号特征和为各个睡眠状态分别预先配置的Ki个高斯函数分量，分别计算获得各个高斯函数分量值，并根据所有所述高斯函数分量值，计算获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率之前，还包括：
根据预先设置的分解算法对每个睡眠状态Si所对应的训练生物电信号所对应的至少一个训练信号特征分别进行聚类分解获得所述与睡眠状态Si相对应的高斯函数分量的个数Ki；
所述根据预先设置的分解算法对每个睡眠状态Si所对应的训练生物电信号所对应的至少一个训练信号特征分别进行聚类分解获得所述与睡眠状态Si相对应的高斯函数分量的个数Ki，具体包括：
将与睡眠状态Si相对应的所述训练信号特征作为与睡眠状态Si相对应的数据结构中的父节点；
根据聚类算法对所述父节点进行聚类分解，获得第一子节点和第二子节点；所述第一子节点中包括所述训练信号特征中的第一训练信号特征；所述第二子节点中包括所述训练信号特征中的第二训练信号特征；
分别计算所述第一子节点和所述第二子节点的特征平均值，并计算获得所述第一子节点的特征平均值与所述第二子节点的特征平均值之间的差值；所述特征平均值为节点中的所有训练信号特征的平均值；
比较所述差值与预设的阈值之间的大小，若所述差值小于所述阈值，则删除所述第一子节点和所述第二子节点并保留所述父节点，若所述差值大于或者等于所述阈值，则将所述第一子节点和所述第二父节点分别作为父节点并根据所述聚类算法进一步地进行所述聚类分解，直至对所述数据结构中没有子节点的节点根据所述聚类算法进行所述聚类分解之后所得的第一子节点和第二子节点之间的差值均小于所述阈值；
将所述数据结构中没有子节点的节点的个数作为所述与睡眠状态Si相对应的高斯函数分量的个数Ki。
需要说明的是，在采用高斯混合模型计算用户在某一时间段内的睡眠状态分别为各个睡眠状态的概率之前，在训练该高斯混合模型的过程中，通过采用预先设置的分解算法对与每个睡眠状态Si相对应的训练生物电信号分别进行聚类分解，从而获得与睡眠状态Si相对应的高斯函数分量的个数Ki。该聚类分解过程具体为：提取与睡眠状态Si相对应的训练生物电信号的特征，从而获得至少一个训练信号特征，并将该训练信号特征作为与睡眠状态Si相对应的数据结构中的父节点；随后，根据聚类算法对父节点进行聚类分解，从而获得第一子节点和第二子节点，其中，第一子节点中包括父节点中的一部分训练信号特征，第二子节点中包括父节点中的另一部分训练信号特征；随后，分别计算第一子节点和第二子节点中的所有训练信号特征的平均值，即特征平均值，并计算获得第一子节点的特征平均值和第二子节点的特征平均值的差值；随后，比较该差值与预设的阈值之间的大小，若该差值小于该阈值，则删除第一子节点和第二子节点并保留父节点，若差值大于或者等于该阈值，则分别将第一子节点和第二子节点设置为下一次聚类分解的父节点，并根据相同的聚类算法分别进行聚类分解，直至该数据结构中的所有叶子节点根据相同的聚类算法进行聚类分解后所得的两个子节点的特征平均值的差值均小于预设的阈值；最后，将与睡眠状态Si相对应的高斯函数分量的个数Ki设置为该数据结构中的叶子节点的个数。其中，该数据结构可以为二叉树。该聚类算法可以为K-means算法。
本发明实施例提供的睡眠状态检测方法，通过采用高斯混合模型表征各个睡眠状态，即采用若干个高斯混合模型拟合现实中的较为复杂的数据分布情况，因此与现实情况的拟合度高，能够提高对睡眠状态进行检测的精确度。通过从同一生物电信号中提取多个信号特征进行睡眠状态的检测，从而全面地对生物电信号的特征进行分析，因此能够进一步提高对睡眠状态进行检测的精确度。另外，由于子生物电信号与子生物电信号的生成时间有部分重叠，能够提高特征提取的准确度，进而进一步提高对睡眠状态进行检测的精确度。
相应地，本发明还提供一种睡眠状态检测装置，能够实现上述实施例中的睡眠状态检测方法的所有流程。
参见图3，是本发明提供的睡眠状态检测装置的一个实施例的结构示意图，具体如下：
生物电信号获取模块31，用于获取用户在睡眠时的在预设时间段内的生物电信号；
信号特征提取模块32，用于从所述生物电信号中提取至少一个信号特征；
概率获得模块33，用于根据所述至少一个信号特征和为各个睡眠状态分别预先配置的Ki个高斯函数分量，分别计算获得各个高斯函数分量值，并根据所有所述高斯函数分量值，计算获得所述用户在所述预设时间段内的睡眠状态分别为所述各个睡眠状态的概率；其中，Ki为大于零的整数；以及，
睡眠状态确定模块34，用于获得所述概率中的最大概率，并将所述用户在所述预设时间段内的睡眠状态确定为所述各个睡眠状态中的与所述最大概率所对应的睡眠状态。
进一步地，所述信号特征的数量为一个；
则所述概率获得模块33，具体包括：
第一概率获得单元，用于将所述信号特征f依次代入为各个睡眠状态Si预先配置的高斯混合模型中，获得所述信号特征f相对于各个睡眠状态Si的后验概率p(Si/f)，即为所述用户在所述预设时间段内的睡眠状态分别为各个睡眠状态Si的概率；其中，p(Si)为睡眠状态Si的先验概率；Ki为与睡眠状态Si相对应的高斯函数分量的个数；ωi,k为与睡眠状态Si相对应的各个高斯函数分量的分量权重；σi,k为与睡眠状态Si相对应的各个高斯函数分量的协方差；μi,k为与睡眠状态Si相对应的各个高斯函数分量的数学期望；d为所述信号特征f中的特征数据的个数。
在另一个优选地实施方式中，所述信号特征的数量为两个或者两个以上；
则所述概率获得模块33，具体包括：
后验概率获得单元，用于将每个所述信号特征fj依次代入为各个睡眠状态Si预先配置的高斯混合模型中，获得每个所述信号特征fj相对于各个睡眠状态Si的后验概率p(Si/fj)；其中，p(Si)为睡眠状态Si的先验概率；Ki为与睡眠状态Si相对应的高斯函数分量的个数；ωi,k为与睡眠状态Si相对应的各个高斯函数分量的分量权重；σi,k为与睡眠状态Si相对应的各个高斯函数分量的协方差；μi,k为与睡眠状态Si相对应的各个高斯函数分量的数学期望；d为所述信号特征fj中的特征数据的个数；以及，
第二概率获得单元，用于将所有后验概率p(Si/fj)以各个睡眠状态Si为单位进行合成，获得所述用户在所述预设时间段内的睡眠状态为所述各个睡眠状态的概率。
进一步地，所述生物电信号根据信号的生成时间的先后顺序划分为至少两段子生物电信号，且相邻的两段子生物电信号的生成时间部分重叠；所述信号特征与每段所述子生物电信号一一对应。
进一步地，所述睡眠状态检测装置，还包括：
高斯函数分量个数获得模块，用于根据预先设置的分解算法对每个睡眠状态Si所对应的训练生物电信号所对应的至少一个训练信号特征分别进行聚类分解获得所述与睡眠状态Si相对应的高斯函数分量的个数Ki；
所述高斯函数分量个数获得模块，具体包括：
父节点设置单元，用于将与睡眠状态Si相对应的所述训练信号特征作为与睡眠状态Si相对应的数据结构中的父节点；
聚类分解单元，用于根据聚类算法对所述父节点进行聚类分解，获得第一子节点和第二子节点；所述第一子节点中包括所述训练信号特征中的第一训练信号特征；所述第二子节点中包括所述训练信号特征中的第二训练信号特征；
子节点差值获得单元，用于分别计算所述第一子节点和所述第二子节点的特征平均值，并计算获得所述第一子节点的特征平均值与所述第二子节点的特征平均值之间的差值；所述特征平均值为节点中的所有训练信号特征的平均值；
判断循环单元，用于比较所述差值与预设的阈值之间的大小，若所述差值小于所述阈值，则删除所述第一子节点和所述第二子节点并保留所述父节点，若所述差值大于或者等于所述阈值，则将所述第一子节点和所述第二父节点分别作为父节点并根据所述聚类算法进一步地进行所述聚类分解，直至对所述数据结构中没有子节点的节点根据所述聚类算法进行所述聚类分解之后所得的第一子节点和第二子节点之间的差值均小于所述阈值；以及，
高斯函数分量个数设置单元，用于将所述数据结构中没有子节点的节点的个数作为所述与睡眠状态Si相对应的高斯函数分量的个数Ki。
本发明实施例提供的睡眠状态检测装置，通过采用高斯混合模型表征各个睡眠状态，即采用若干个高斯混合模型拟合现实中的较为复杂的数据分布情况，因此与现实情况的拟合度高，能够提高对睡眠状态进行检测的精确度。通过从同一生物电信号中提取多个信号特征进行睡眠状态的检测，从而全面地对生物电信号的特征进行分析，因此能够进一步提高对睡眠状态进行检测的精确度。另外，由于子生物电信号与子生物电信号的生成时间有部分重叠，能够提高特征提取的准确度，进而进一步提高对睡眠状态进行检测的精确度。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。