监测睡眠状态的方法、装置、电子设备和存储介质与流程

1.本技术涉及数字医疗技术领域，尤其涉及一种监测睡眠状态的方法、装置、电子设备和存储介质。


背景技术：

2.睡眠时间在人们日常的生活时间中所占的比例很大，睡眠状态的好坏可以整体反映人们的身体健康状况，因此有必要对人们的睡眠状态进行监测。相关技术中公开了通过麦克风采集用户声音信息，并通过检测声音信息的频率、振幅的方式来判断用户的睡眠状态，但此种单纯的以声音的频率或振幅来分辨声音类型的方式，其分辨的声音类型不够准确，因此检测得到的睡眠状态也不够准确。


技术实现要素：

3.本公开实施例的主要目的在于提出一种监测睡眠状态的方法、装置、电子设备和存储介质，通过对采集的声音信息进行特征提取，可以准确的识别出多种声音的具体类型，从而提高获取的睡眠状态的准确性。
4.为实现上述目的，本公开实施例的第一方面提出了一种监测睡眠状态的方法，包括：获取预设监测区域的当前环境信息，其中，所述环境信息包括声音信息；对所述声音信息进行特征提取，得到声音特征向量；计算所述声音特征向量与预设的参考特征向量之间的相似度；根据所述相似度将与所述声音特征向量最相似的参考特征向量作为目标特征向量；获取所述目标特征向量表征的状态信息，将所述状态信息作为当前睡眠状态。
5.根据本技术实施例的一种监测睡眠状态的方法，至少具有如下有益效果：通过对当前环境中的声音信息进行采集，并对采集的声音信息进行声音特征向量的提取，通过比较采集到的声音特征向量与预设的参考特征向量之间的相似度，将与采集到的声音特征向量最为相似的参考特征向量所表征的状态信息作为当前的睡眠状态信息。由于提取到的声音特征向量可以更准确直观的表示出声音的类型信息，因此经过计算得到的睡眠状态信息可以更准确的反应出用户当前真实的睡眠状态，提高了获取睡眠状态的准确性。通过监测用户的睡眠状态，可以使用户直观的获取自身的睡眠质量，从而监测自身的健康状态，在日常生活中协助用户改善自身睡眠质量，提高用户的身体健康状态。
6.在一些实施例，所述环境信息还包括加速度信息，所述睡眠状态还包括清醒状态，所述方法还包括：根据所述加速度信息和预设的参考加速度，计算出加速度值；根据所述加速度值判断所述睡眠状态是否为所述清醒状态。
7.在一些实施例，所述环境信息还包括光照信息，所述方法还包括：根据所述光照信息和预设的参考光照，计算出光照值；根据所述光照值判断所述睡眠状态是否为所述清醒状态。
8.在一些实施例，所述睡眠状态还包括打鼾状态；若检测所述睡眠状态是打鼾状态，则开启声音录制模式，以存储所述声音信息。
9.在一些实施例，所述声音特征向量包括多个第一特征值，所述预设的参考特征向量包括多个第二特征值，所述计算所述声音特征向量与预设的参考特征向量之间的相似度，包括：计算所述第一特征值与对应的所述第二特征值之间的第一差值；计算所述第一差值的绝对值，作为特征绝对差值，将所述特征绝对差值作为分子；获取所述第一特征值的绝对值和所述第二特征值的绝对值中的最大绝对值，将所述最大绝对值作为分母；计算所述特征绝对差值与所述最大绝对值之间的比值；计算出多个所述比值之间的第一平均值，将所述第一平均值作为所述相似度。
10.在一些实施例，所述声音特征向量包括多个第一特征值，所述预设的参考特征向量包括多个第二特征值，所述计算所述声音特征向量与预设的参考特征向量之间的相似度，包括：计算所述第一特征值与对应的所述第二特征值之间的第二差值；计算所述第二差值的平方，作为特征差值平方值；计算出多个所述特征差值平方值之间的第二平均值，将所述第二平均值作为所述相似度。
11.在一些实施例，所述对所述声音信息进行特征提取，得到声音特征向量，包括：对所述声音信息进行预加重处理，得到高频信息；对所述高频信息进行分帧处理，得到分帧信息；对所述分帧信息进行加窗处理，得到优化信息；对所述优化信息进行快速傅里叶变换，得到频域信息；将所述频域信息通过梅尔滤波器组进行滤波，得到滤波信息；将所述滤波信息进行取对数处理，得到局部信息；对所述局部信息进行离散余弦变换，得到压缩信息；对所述压缩信息进行动态差分参数提取，得到所述声音特征向量。
12.为实现上述目的，本公开的第二方面提出了一种监测睡眠状态的装置，包括：声音采集模块，所述声音采集模块用于获取预设监测区域的当前环境信息，其中，所述环境信息包括声音信息；特征提取模块，所述特征提取模块用于对所述声音信息进行特征提取，得到声音特征向量；计算模块，所述计算模块用于计算所述声音特征向量与预设的参考特征向量之间的相似度；状态确定模块，所述状态确定模块用于根据所述相似度得到与所述声音特征向量最相似的目标参考特征向量，以所述目标参考特征向量代表的状态信息作为当前睡眠状态。
13.为实现上述目的，本公开的第三方面提出了一种电子设备，包括：至少一个存储器；至少一个处理器；至少一个程序；所述程序被存储在存储器中，处理器执行所述至少一个程序以实现本公开如上述第一方面所述的方法。
14.为实现上述目的，本公开的第四方面提出了一种存储介质，该存储介质是计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行：如上述第一方面所述的方法。
附图说明
15.图1是本公开实施例提供的一种监测睡眠状态的方法的流程图；
16.图2是本公开实施例提供的另一种监测睡眠状态的方法的流程图；
17.图3是本公开实施例提供的又一种监测睡眠状态的方法的流程图；
18.图4是图1中的步骤s120的流程图；
19.图5是本公开实施例提供的电子设备的硬件结构示意图。
具体实施方式
20.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
21.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
22.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发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。
23.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
24.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
25.基于此，本公开实施例提供一种监测睡眠状态的方法、装置、电子设备和存储介质，通过对采集的声音信息进行特征提取，可以准确的识别出多种声音的具体类型，从而提高获取的睡眠状态的准确性。
26.本公开实施例提供一种监测睡眠状态的方法、装置、电子设备和存储介质，具体通过如下实施例进行说明，首先描述本公开实施例中的一种监测睡眠状态的方法。
27.本公开实施例提供的一种监测睡眠状态的方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、智能手表、可穿戴设备等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现一种监测睡眠状态的方法的应用等，但并不局限于以上形式。
28.图1是本公开实施例提供的一种监测睡眠状态的方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤s110至步骤s150。
29.s110，获取预设监测区域的当前环境信息；
30.s120，对声音信息进行特征提取，得到声音特征向量；
31.s130，计算声音特征向量与预设的参考特征向量之间的相似度；
32.s140，根据相似度将与声音特征向量最相似的参考特征向量作为目标特征向量；
33.s150，获取目标特征向量表征的状态信息，将状态信息作为当前睡眠状态。
34.本公开实施例中，获取的预设监测区域的当前环境信息中，包括预设监测区域中
的声音信息。可以理解的是，预设监测区域为需要监测用户睡眠状态的区域，如卧室、寝室等。获取声音信息的方式可以有多种，可以根据监测睡眠状态方法的不同具体实施方式进行选择。例如，可以通过用户智能手机中的麦克风实时采集周围环境的声音信息；或者通过用户穿戴的智能设备上的麦克风采集周围环境的声音信息；也可以为单独设置的声音采集装置来采集周围环境的声音信息。可以理解的是，在采集声音信息时，声音采集设备距离用户越近，采集得到的声音信息越清晰、准确。
35.然后获取采集的声音信息，对声音信息进行特征提取，以得到声音特征向量。示例，当使用智能手机或可穿戴智能设备获取声音信息时，智能手机或智能设备可以通过处理器对获取的声音信息进行特征提取，或者可以将获取的声音信息上传至云服务器中，通过云服务器中的处理程序对声音信息进行特征提取，以得到声音特征向量。本技术的声音特征向量为使用语音特征提取算法对声音信息进行处理后得到的，语音特征提取算法可以为梅尔倒频谱系数、线性预测系数、线性预测倒谱系数、谱线频率、离散小波变换、感知线性预测算法中的一种。通过语音特征提取算法可以将声音信息处理为低维的、以数值表示的向量特征，提取得到的声音特征向量在保存声音状态信息的情况下，同时减少了后续处理过程中的计算量，便于后续快速计算得到当前睡眠状态。
36.得到声音特征向量后，计算声音特征向量与预设的参考特征向量之间的相似度。预设的参考特征向量包括有多个标准声音特征向量，标准声音特征向量是根据实验，通过大数据计算得到。由于用户在不同睡眠状态下，发出的声音信息的音色、响度都不同，如在不同的睡眠状态下，呼吸产生的声音不同、打鼾产生的声音不同，或者在不同的睡眠阶段，由于体动(翻身、摆手等)产生的声音信号也不同。通过预先的数据收集与处理，可以得到对应睡眠状态下的标准声音特征向量，因此通过计算采集得到的声音特征向量与多个标准声音特征向量之间的相似度，根据多个相似度大小，选取与采集的声音特征向量最相似的参考特征向量，作为目标特征向量，此目标特征向量所表征的睡眠状态，即为用户当前的睡眠状态。
37.可以理解的是，采集得到的当前的声音特征向量可能并不属于预设的参考特征向量中的任意一种，因此相似程度最高的参考特征向量也无法准确表征用户当前的睡眠状态，因此可以设置一个相似度阈值，只有当最大或最小的相似度属于预设范围内的情况下，目标特征向量所表征的状态信息才能作为当前的睡眠状态。
38.本技术通过语音特征提取算法提取声音信息的声音特征向量，相较于单纯的以声音的频率或振幅来分辨声音类型的方法，可以精确的提取出不同声音的特征信息，因此在分辨声音类型时更加准确，由此计算得到的睡眠状态也更加精准。通过实时判断并记录下用户的睡眠状态，用户可以以曲线、扇形图、柱状图的方式进行查看，判断自生的睡眠质量和身体健康状况，从而优化饮食、睡眠习惯等，提高自身的健康状况。
39.在一些实施例，环境信息还包括加速度信息，睡眠状态还包括清醒状态，参照图2，监测睡眠状态的方法还包括：
40.s210，根据加速度信息和预设的参考加速度，计算出加速度值；
41.s220，根据加速度值判断睡眠状态是否为清醒状态。
42.本技术的监测睡眠状态的方法中，在采集声音信息的同时，也会采集加速度信息。加速度信息可以通过智能手机或可穿戴智能设备上的加速度计、重力感应器、陀螺仪等采
集得到，其都可以响应加速度变化。可以理解的是，当通过智能手机采集加速度信息时，可以将智能手机放在用户的身旁，间接采集加速度信息。可穿戴设备则可以直接获取由于用户体动而产生的加速度变化。
43.本技术的清醒状态，包括用户在未休息时的运动状态，或者未进入深度睡眠时的翻身、侧身等状态。本技术的参考加速度可以是一个阈值也可以是一段时间内的加速度变化，通过比较当前采集的加速度信息与预设的参考加速度，可以得到加速度值，通过加速度值所在的范围，即可得到用户所处的具体清醒状态。在这些清醒状态下，用户的体动也会对应的产生声音信息，通过声音信息和加速度信息共同判断用户的睡眠状态，提高了判断用户当前睡眠状态的准确程度。
44.在一些实施例，环境信息还包括光照信息，睡眠状态还包括清醒状态，参照图3，监测睡眠状态的方法还包括：
45.s310，根据光照信息和预设的参考光照，计算出光照值；
46.s320，根据光照值判断睡眠状态是否为清醒状态。
47.通过设置的光线传感器采集预设监测区域的光照信息。一般来说，在预设监测区域的光照强度较大的情况下，光线会透过用户的眼皮，导致用户的睡眠质量较差，此时用户更容易产生体动，在光照强度较低的环境下，用户的睡眠质量通常较好，不容易产生体动。通过获取光照信息，并与预设的参考光照进行比较，计算得到光照值，通过计算得到的光照值并结合声音信息，可以进一步提高检测得到的睡眠状态的准确性。具体示例，当根据声音信息检测到用户在侧身，此时根据光照信息检测到环境光强度较大，由此可以得到用户在睡眠时未进入深度睡眠状态，处在浅度睡眠阶段，因此记录用户的睡眠状态为浅度睡眠，且可以同时记录其翻身、侧身的次数等。可以理解的是，在一些其他实施例中，也可以通过声音信息、加速度信息和光照信息结合的方式来判断用户当前的睡眠状态。
48.在一些实施例，睡眠状态还包括打鼾状态；
49.若检测睡眠状态是打鼾状态，则开启声音录制模式，以存储声音信息。
50.当通过上述实施例中的监测睡眠状态的方法检测出用户当前的睡眠状态为打鼾状态时，则自动开启声音录制模式，将当前采集的声音信息进行存储。通过存储用户打鼾时的声音信息，可以使用户在查看睡眠状态记录的同时，获取自己鼾声的声音片段，提高了系统功能的多样性，增加趣味性。可以理解的是，为节省存储空间，当检测到用户的睡眠状态发生改变，即从打鼾状态变换为其它睡眠状态时，声音录制模式即会关闭，停止存储声音信息。在一些其他实施例中，当检测到用户说梦话、侧身、翻身时的声音信息时，也可以将相应的声音信息进行存储，用户可以根据喜好自定义需要存储的声音信息的类型，进一步增加趣味性。
51.在一些实施例，声音特征向量包括多个第一特征值，预设的参考特征向量包括多个第二特征值。
52.具体示例，参照表1，为当前采集的声音信息进行特征提取后，得到的一个声音特征向量的示例。
53.表1：
[0054] x1x2x3x4x5x6x7声音特征向量0136447
[0055]
声音特征向量中包括多个第一特征值，即表1中的特征值x1至特征值x7为第一特征值，可以理解的是，对相同的声音信息，通过不同的声音特征提取算法，得到的声音特征向量的维数和特征值大小都是不同的，其具体的特征值由不同的特征提取方式决定。
[0056]
参照表2，为预设的参考特征向量的一具体示例。
[0057]
表2：
[0058] y1y2y3y4y5y6y7打鼾0236458侧身3798999
[0059]
表2中的参考特征向量所表示的声音类型分别为打鼾和侧身，对应的每一个参考特征向量分别有特征值y1至特征值y7对应的第二特征值。
[0060]
本技术的计算声音特征向量与预设的参考特征向量之间的相似度的步骤，包括：
[0061]
计算第一特征值与对应的第二特征值之间的第一差值；
[0062]
计算第一差值的绝对值，作为特征绝对差值，将特征绝对差值作为分子；
[0063]
获取第一特征值的绝对值和第二特征值的绝对值中的最大绝对值，将最大绝对值作为分母；
[0064]
计算特征绝对差值与最大绝对值之间的比值；
[0065]
计算出多个比值之间的第一平均值，将第一平均值作为相似度。
[0066]
参照公式(1)，为上述相似度计算方法的具体计算公式(1)：
[0067][0068]
dist(x,y)代表声音特征向量与参考特征向量之间的距离，即相似度，abs(xi
‑
yi)即为计算第一特征值与第二特征值之间的第一差值，并对第一差值做求绝对值计算，得到特征绝对差值，max(abs(xi),abs(yi))即为求第一特征值的绝对值与第二特征值的绝对值中的最大绝对值，然后计算特征绝对差值与最大绝对值之间的比值，并计算出多个比值之间的第一平均值，完成计算过程。
[0069]
将表1和表2中的特征值带入式公式(1)中，可以得到：
[0070]
声音特征向量与打鼾的参考特征向量之间的相似度dist(打鼾)＝0.12；
[0071]
声音特征向量与侧身的参考特征向量之间的相似度dist(侧身)＝0.5。
[0072]
由于计算得到的当前声音特征向量与打鼾的参考特征向量之间的值更小，说明当前采集的声音特征向量所表征的状态与打鼾更为接近，因此将打鼾作为当前的睡眠状态。可以理解的是，参考特征向量的数量可以根据预设的实验计算得到，每一种睡眠状态都对应有一个确定的参考特征向量，根据计算得到的值，选取与当前声音特征向量最相似的参考特征向量表征的状态信息，作为当前的睡眠状态。
[0073]
在一些实施例，计算声音特征向量与预设的参考特征向量之间的相似度的步骤，具体包括：
[0074]
计算第一特征值与对应的第二特征值之间的第二差值；
[0075]
计算第二差值的平方，作为特征差值平方值；
[0076]
计算出多个特征差值平方值之间的第二平均值，将第二平均值作为相似度。
[0077]
参照公式(2)，为上述实施例中，相似度计算方法的具体计算公式：
[0078][0079]
通过计算第一特征值xi与第二特征值yi之间的第二差值，再对第二差值进行平方计算，得到特征差值平方值，防止出现负值，最后将多个特征差值平方值进行求平均值计算，得到第二平均值，以第二平局值作为相似度。
[0080]
将表1和表2中的特征值带入式公式(2)中，可以得到：
[0081]
声音特征向量与打鼾的参考特征向量之间的相似度dist(打鼾)＝0.28；
[0082]
声音特征向量与侧身的参考特征向量之间的相似度dist(侧身)＝19.9。
[0083]
根据计算结果可以得到，表征打鼾状态的参考特征向量与当前声音特征向量更为相似，因此当前的声音特征向量所表示的睡眠状态为打鼾状态。本实施例的计算相似度的方法可以放大特征向量之间的差距，辨识度较高。
[0084]
在一些其他实施例中，也可以采用求余弦距离的方式，来得到两个向量之间的相似度。可以理解的是，不同的相似度计算方法，对不同类型的声音信号的敏感程度不同，其具体的计算方式可以根据实际的设计需求进行选择。
[0085]
在一些实施例，参照图4，对声音信息进行特征提取，得到声音特征向量，包括：
[0086]
s121，对声音信息进行预加重处理，得到高频信息；
[0087]
s122，对高频信息进行分帧处理，得到分帧信息；
[0088]
s123，对分帧信息进行加窗处理，得到优化信息；
[0089]
s124，对优化信息进行快速傅里叶变换，得到频域信息；
[0090]
s125，将频域信息通过梅尔滤波器组进行滤波，得到滤波信息；
[0091]
s126，将滤波信息进行取对数处理，得到局部信息；
[0092]
s127，对局部信息进行离散余弦变换，得到压缩信息；
[0093]
s128，对压缩信息进行动态差分参数提取，得到声音特征向量。
[0094]
本技术实施例的对声音信息进行特征提取的方式，采用梅尔倒频谱系数。其具体过程为：首先对声音信息进行预加重处理，通过在频域上乘上一个与频率正相关的系数，提取出声音信息所包含的高频信息；在一些其他实施例中，也可以使用高通滤波器来实现。
[0095]
然后对高频信息进行分帧，将高频信息分成固定的多段声音信号，得到分帧信息，方便继续进行后续的处理过程；将分帧信息进行加窗处理，以消除各段声音信号两端所造成的谱泄漏，常用的窗函数有方窗、汉明窗和汉宁窗等，可以根据具体的处理过程任意选择，通过加窗处理后得到优化信息；
[0096]
然后将优化信息进行快速傅里叶变换，将优化信息的时域信号转换为频域信号，以得到频域信息；由于频域信息中有很多冗余，因此将频域信息输入至梅尔滤波器组中，对频域信息进行滤波处理，在每一个频段用一个值来表示，得到滤波后的滤波信息；由于人耳对声音的感知并不是线性的，因此对滤波信息进行取对数处理，得到局部信息；然后对局部信息进行离散余弦变换，对局部信息进行降维，得到压缩信息；最后对压缩信息进行离散余弦变换，得到一维的声音特征向量，方便进行后续的向量比较过程。
[0097]
在一些实施例，本技术还提出了一种监测睡眠状态的装置，包括：
[0098]
声音采集模块，声音采集模块用于获取预设监测局域的当前环境信息，其中，环境信息包括声音信息；
[0099]
特征提取模块，特征提取模块用于对声音信息进行特征提取，得到声音特征向量；
[0100]
计算模块，计算模块用于计算声音特征向量与预设的参考特征向量之间的相似度；
[0101]
状态确定模块，状态确定模块用于根据相似度得到与声音特征向量最相似的目标参考特征向量，以目标参考特征向量代表的状态信息作为当前睡眠状态。
[0102]
在一些实施例，环境信息还包括加速度信息，睡眠状态还包括清醒状态，监测睡眠状态的装置还包括：
[0103]
加速度检测模块，加速度检测模块用于获取加速度信息，加速度信息可以通过智能手机或可穿戴智能设备上的加速度计、重力感应器、陀螺仪等采集得到。
[0104]
计算模块用于根据加速度信息和预设的参考加速度，计算出加速度值。
[0105]
状态确定模块用于根据加速度值判断睡眠状态是否为清醒状态。
[0106]
在一些实施例，环境信息还包括光照信息，睡眠状态还包括清醒状态，监测睡眠状态的装置还包括：
[0107]
光照检测模块，光照检测模块用于采集光照信息，光照信息可以通过智能手机或可穿戴智能设备上的光线传感器采集得到。
[0108]
计算模块用于根据光照信息和预设的参考光照，计算出光照值。
[0109]
状态确定模块用于根据光照值判断睡眠状态是否为清醒状态。
[0110]
在一些实施例，睡眠状态还包括打鼾状态，监测睡眠状态的装置还包括：
[0111]
鼾声存储模块，鼾声存储模块用于在检测到睡眠状态是打鼾状态的情况下，开启声音录制模式，以存储声音信息。
[0112]
在一些实施例，声音特征向量包括多个第一特征值，预设的参考特征向量包括多个第二特征值，计算模块计算声音特征向量与预设的参考特征向量之间相似度的过程，包括：
[0113]
计算模块计算第一特征值与对应的第二特征值之间的第一差值；计算第一差值的绝对值，作为特征绝对差值，将特征绝对差值作为分子；获取第一特征值的绝对值和第二特征值的绝对值中的最大绝对值，将最大绝对值作为分母；计算特征绝对差值与最大绝对值之间的比值；计算出多个比值之间的第一平均值，将第一平均值作为相似度
[0114]
在一些实施例，声音特征向量包括多个第一特征值，预设的参考特征向量包括多个第二特征值，计算模块计算声音特征向量与预设的参考特征向量之间相似度的过程，包括：
[0115]
计算模块计算第一特征值与对应的第二特征值之间的第二差值；计算第二差值的平方，作为特征差值平方值；计算出多个特征差值平方值之间的第二平均值，将第二平均值作为相似度。
[0116]
在一些实施例，特征提取模块对声音信息进行特征提取，得到声音特征向量的过程，包括：
[0117]
特征提取模块对声音信息进行预加重处理，得到高频信息；对高频信息进行分帧处理，得到分帧信息；对分帧信息进行加窗处理，得到优化信息；对优化信息进行快速傅里叶变换，得到频域信息；将频域信息通过梅尔滤波器组进行滤波，得到滤波信息；将滤波信息进行取对数处理，得到局部信息；对局部信息进行离散余弦变换，得到压缩信息；对压缩
信息进行动态差分参数提取，得到声音特征向量。
[0118]
本技术的监测睡眠状态的装置用于执行上述实施例中的监测睡眠状态的方法，其具体处理过程与上述方法实施例中的相同，此处不再一一赘述。
[0119]
本公开实施例还提供了一种电子设备，包括：
[0120]
至少一个存储器；
[0121]
至少一个处理器；
[0122]
至少一个程序；
[0123]
所述程序被存储在存储器中，处理器执行所述至少一个程序以实现本公开实施上述的监测睡眠状态的方法。该电子设备可以为包括手机、平板电脑、个人数字助理(personal digital assistant，简称pda)、车载电脑等任意智能终端。
[0124]
请参阅图5，图5示意了另一实施例的电子设备的硬件结构，电子设备包括：
[0125]
处理器，可以采用通用的cpu(central processingunit，中央处理器)、微处理器、应用专用集成电路(applicationspecificintegratedcircuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本公开实施例所提供的技术方案；
[0126]
存储器，可以采用rom(readonlymemory，只读存储器)、静态存储设备、动态存储设备或者ram(randomaccessmemory，随机存取存储器)等形式实现。存储器可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器中，并由处理器来调用执行本公开实施例的监测睡眠状态的方法；
[0127]
输入/输出接口，用于实现信息输入及输出；
[0128]
输入/通信接口，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；
[0129]
总线，在设备的各个组件(例如处理器、存储器、输入/输出接口和输入/通信接口)之间传输信息；
[0130]
其中处理器、存储器、输入/输出接口和输入/通信接口通过总线实现彼此之间在设备内部的通信连接。
[0131]
本公开实施例还提供了一种存储介质，该存储介质是计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行上述监测睡眠状态的方法。
[0132]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0133]
本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。
[0134]
本领域技术人员可以理解的是，图中示出的技术方案并不构成对本公开实施例的
限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
[0135]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，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。
[0136]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
[0137]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0138]
应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0139]
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，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0140]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，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单元来实现本实施例方案的目的。
[0141]
另外，在本技术各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。
[0142]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read
‑
only memory，简称
rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
[0143]
上面结合附图对本技术实施例作了详细说明，但是本技术不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本技术宗旨的前提下作出各种变化。此外，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。