睡眠质量检测方法、装置、计算机设备及可读存储介质与流程

1.本发明涉及睡眠检测技术领域，特别涉及一种睡眠质量检测方法、装置、计算机设备及可读存储介质。


背景技术：

2.睡眠的作用有补充人体的能量，增强自身抵抗力，促进人体的正常生长发育，使人体得到充分的休息等。睡眠对于保护人的心理健康与维护人的正常心理活动极其重要。充足的睡眠和较高的睡眠质量是维持机体身心健康的必要条件。
3.目前,睡眠呼吸障碍判断的金标准是整夜的多导睡眠图(psg)记录，该记录在睡眠技术人员的监督下在专门的睡眠实验室中进行。多导睡眠图记录可以提供各种精确的睡眠信息，包括睡眠阶段和呼吸暂停低通气指数。作为常用的用于评价睡眠质量的指标，呼吸暂停低通气指数(ahi,apnea-hypopnea index)指每小时睡眠内呼吸暂停加上低通气的次数，实际上就是用整晚呼吸暂停事件和低通气事件的总次数除以了夜间睡眠的小时数，得出呼吸暂停低通气指数，来反映监测对象整晚睡眠质量的高低。
4.由于用于整夜睡眠呼吸监测记录的床位数和受过训练的睡眠技术人员的数量非常有限，因此，会造成睡眠呼吸监测的效率低、价格高、预约难，结果等待时间过长。因此需要更便宜，更方便的替代方法，以避免麻烦而费力的实验来检测睡眠质量。
5.由于呼吸声信号包含有关上呼吸道阻塞的机制和部位的重要信息，因此可以利用此特征来进行呼吸事件的识别。而且，与其他替代品不同，记录呼吸声可以是低成本的(例如使用手机、录音笔、平板电脑等对睡眠过程进行实时或录音监测)，并且可以在各种类型的设备中方便地进行。但是，在目前利用呼吸声进行睡眠呼吸暂停低通气识别方法中，大部分都只停留在了针对某一个单独事件的判断方式上，不具有时间上的相关性，不能准确定位出呼吸暂停低通气事件的位置，因此不能准确反映睡眠质量的好坏。


技术实现要素：

6.本发明实施例提供了一种睡眠质量检测方法，以解决现有技术中不能准确反映睡眠质量的好坏的技术问题。该方法包括：
7.获取待测呼吸声信号，将待测呼吸声信号按照预设时长分成多个呼吸声信号片段；
8.将多个所述呼吸声信号片段输入睡眠质量检测模型，所述睡眠质量检测模型输出各个所述呼吸声信号片段对应的标签，其中，所述睡眠质量检测模型是以给定的呼吸声信号片段和对应的标签为样本训练以一维或多维信号作为输入的特征金字塔卷积神经网络得到的，所述标签包括呼吸暂停低通气事件的起始时刻和结束时刻；
9.根据检测到的呼吸暂停低通气事件的次数确定睡眠质量。
10.本发明实施例还提供了一种睡眠质量检测装置，以解决现有技术中不能准确反映睡眠质量的好坏的技术问题。该装置包括：
11.信号处理模块，用于获取待测呼吸声信号，将待测呼吸声信号按照预设时长分成多个呼吸声信号片段；
12.事件检测模块，用于将多个所述呼吸声信号片段输入睡眠质量检测模型，所述睡眠质量检测模型输出各个所述呼吸声信号片段对应的标签，其中，所述睡眠质量检测模型是以给定的呼吸声信号片段和对应的标签为样本训练以一维或多维信号作为输入的特征金字塔卷积神经网络得到的，所述标签包括呼吸暂停低通气事件的起始时刻和结束时刻；
13.睡眠质量检测模块，用于根据检测到的呼吸暂停低通气事件的次数确定睡眠质量。
14.本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意的睡眠质量检测方法，以解决现有技术中不能准确反映睡眠质量的好坏的技术问题。
15.本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述任意的睡眠质量检测方法的计算机程序，以解决现有技术中不能准确反映睡眠质量的好坏的技术问题。
16.在本发明实施例中，提出了将待测呼吸声信号按照预设时长分成多个呼吸声信号片段，进而将多个呼吸声信号片段输入睡眠质量检测模型，由于睡眠质量检测模型是以给定的呼吸声信号片段和对应的标签为样本训练以一维或多维信号作为输入的特征金字塔卷积神经网络得到的，标签包括呼吸暂停低通气事件的起始时刻和结束时刻，使得睡眠质量检测模型可以直接输出各个呼吸声信号片段对应的标签，基于标签即可在各个呼吸声信号片段中对应定位出呼吸暂停低通气事件的起始时刻和结束时刻，最后，根据检测到的呼吸暂停低通气事件的次数即可确定睡眠质量。由于睡眠质量检测模型的使用，可以提高睡眠质量检测的效率，由于睡眠质量检测模型输出的标签定位呼吸暂停低通气事件的过程具有时间上的相关性，可以准确定位出呼吸暂停低通气事件的时间位置，与现有技术相比，使得检测出的呼吸暂停低通气事件的次数能够准确反映睡眠质量的好坏，进而有利于提高睡眠质量检测的准确性。
附图说明
17.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，并不构成对本发明的限定。在附图中：
18.图1是本发明实施例提供的一种睡眠质量检测方法的流程图；
19.图2是本发明实施例提供的一种呼吸声信号片段及其对应的标签的示意图；
20.图3是本发明实施例提供的一种以一维或多维信号作为输入的特征金字塔卷积神经网络的结构示意图；
21.图4是本发明实施例提供的一种特征融合示意图；
22.图5是本发明实施例提供的一种计算机设备的结构框图；
23.图6是本发明实施例提供的一种睡眠质量检测装置的结构框图。
具体实施方式
24.为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对
本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。
25.在本发明实施例中，提供了一种睡眠质量检测方法，如图1所示，该方法包括：
26.步骤102：获取待测呼吸声信号，将待测呼吸声信号按照预设时长分成多个呼吸声信号片段；
27.步骤104：将多个所述呼吸声信号片段输入睡眠质量检测模型，所述睡眠质量检测模型输出各个所述呼吸声信号片段对应的标签，其中，所述睡眠质量检测模型是以给定的呼吸声信号片段和对应的标签为样本训练以一维或多维信号作为输入的特征金字塔卷积神经网络得到的，所述标签包括呼吸暂停低通气事件的起始时刻和结束时刻；
28.步骤106：根据检测到的呼吸暂停低通气事件的次数确定睡眠质量。
29.由图1所示的流程可知，在本发明实施例中，提出了将待测呼吸声信号按照预设时长分成多个呼吸声信号片段，进而将多个呼吸声信号片段输入睡眠质量检测模型，由于睡眠质量检测模型是以给定的呼吸声信号片段和对应的标签为样本训练以一维或多维信号作为输入的特征金字塔卷积神经网络得到的，标签包括呼吸暂停低通气事件的起始时刻和结束时刻，使得睡眠质量检测模型可以直接输出各个呼吸声信号片段对应的标签，基于标签即可在各个呼吸声信号片段中对应定位出呼吸暂停低通气事件的起始时刻和结束时刻，最后，根据检测到的呼吸暂停低通气事件的次数即可确定睡眠质量。由于睡眠质量检测模型的使用，可以提高睡眠质量检测的效率，由于睡眠质量检测模型输出的标签定位呼吸暂停低通气事件的过程具有时间上的相关性，可以准确定位出呼吸暂停低通气事件的时间位置，与现有技术相比，使得检测出的呼吸暂停低通气事件的次数能够准确反映睡眠质量的好坏，进而有利于提高睡眠质量检测的准确性。
30.具体实施时，上述呼吸声信号可以是通过非接触式数字录音设备来获取，例如，录音机、录音笔等，录音设备的型号本技术不做具体限定。具体的，录音设备可以放于受试者的头部旁边0.5m到1.5m附近来录取呼吸声信号。
31.具体实施时，上述睡眠质量检测方法在训练好睡眠质量检测模型后不需要再额外采集心电信号、血氧信号以及脑电信号等额外信号，只需要采集呼吸声信号即可，而呼吸声信号的采集很方便简单，因此，上述睡眠质量检测方法可以大大降低睡眠质量检测的成本。
32.具体实施时，为了提高检测的准确性，在本实施例中，在睡眠质量检测前可以对待测呼吸声信号进行预处理，例如，预处理过程可以包括以下步骤：
33.s1、将呼吸声信号降采样；
34.具体实施时，呼吸声信号可以是双通道信号也可以是单通道信号，降采样可根据收集到的呼吸声音频信号的频率进行灵活设置，例如，若原始采样率为44khz，则可以降采样到22khz，对此本技术不做具体限定。
35.s2、将降采样后的呼吸声信号进行归一化处理；
36.具体实施时，归一化转换函数可以为其中，x
min
为该呼吸声信号中的最小幅值，x
max
为该呼吸声信号中的最大幅值，x为待处理的的信号，x
*
为归一化后的信号。
37.具体实施时，为了避免呼吸声信号长度过长导致影响检测的准确率，在本实施例中，提出了将待测呼吸声信号按照预设时长分成多个呼吸声信号片段，具体的，可以将待测呼吸声信号按照预设分钟时长分成多个呼吸声信号片段，相邻的呼吸声信号片段之间不存在重叠信号部分。
38.具体实施时，上述预设分钟时长的长度可以根据具体情况确定，例如，一分钟、两分钟、五分钟等均可，但不可超过十分钟，过长的信号长度将会导致信号中噪声过多，降低识别准确率。具体的，为适应不同时长的呼吸声信号片段的检测，可以通过调整上述卷积神经网络的参数的大小来使得上述卷积神经网络适用于不同时长的呼吸声信号片段。
39.具体实施时，为了进一步为睡眠的相关研究提供数据依据，在本实施例中，上述标签还包括呼吸暂停低通气事件的类型，即通过睡眠质量检测模型可以输出各个呼吸声信号片段对应的呼吸暂停低通气事件的起始时刻和结束时刻之外，还可以输出呼吸暂停低通气事件的类型，暂停低通气事件的类型可以有阻塞型呼吸暂停、中枢型呼吸暂停、混合型呼吸暂停、低通气等。
40.具体实施时，为了提高睡眠质量检测的效率、准确度，在本实施例中，提出了以给定的呼吸声信号片段和对应的标签为样本训练以一维或多维信号作为输入的特征金字塔卷积神经网络得到上述睡眠质量检测模型，给定的呼吸声信号片段的长度也符合预设分钟时长。具体的，将给定的呼吸声信号片段随机分为训练集数据和测试集数据；利用临床多导睡眠监测数据(psg)标注的呼吸暂停低通气事件结果对给定的呼吸声信号片段进行标注，得到训练集及测试集中给定的呼吸声信号片段的标签；搭建以一维或多维信号作为输入的特征金字塔卷积神经网络，利用训练集中的给定的呼吸声信号片段及对应标签对该特征金字塔卷积神经网络进行训练，利用已经训练好的特征金字塔卷积神经网络对测试集中的给定的呼吸声信号片段的呼吸暂停低通气事件进行定位与分类，以便调整训练特征金字塔卷积神经网络。
41.具体实施时，训练集与测试集中给定的呼吸声信号片段的数量比例可根据收集到的呼吸声音频信号数量灵活设计，但应保证测试集数据量至少应为测试集数量的三倍，否则，将导致网络容易过拟合，降低识别准确率。
42.具体实施时，可以通过以下步骤来实现根据临床多导睡眠监测数据(psg)标注的呼吸暂停低通气事件结果对给定的呼吸声信号片段进行标注，得到训练集及测试集中给定的呼吸声信号片段的标签：
43.将呼吸声音频信号与多导睡眠监测数据在时间轴上对齐，根据临床多导睡眠监测数据中标注的呼吸暂停低通气事件(具体的，可以是通过专业医师或其他标注方法在多导睡眠监测数据中标注的呼吸暂停低通气事件的起始时间、结束时间以及类型等信息)，来得到呼吸声音频信号中呼吸暂停低通气事件的起始时间点ts、结束时间点te以及呼吸暂停低通气事件的类型c，(比如，将阻塞型呼吸暂停类型标注为c＝1,中枢型呼吸暂停类型标注为c＝2、混合型呼吸暂停类型标注为c＝3，低通气类型标注为c＝4，c的值可自行设置，能够区分不同的呼吸暂停低通气事件类型即可)，这样我们就可以得到每个呼吸声信号片段中每个呼吸事件对应的标签对,{ts,te,c}，若假设一个呼吸声信号片段中有n个呼吸暂停低通气事件，则其对应的标签应为{{t
1s
,t
1e
,c1},{t
2s
,t
2e
,c2},
…
，{t
ns
,t
ne
,cn}}。例如，如图2所示，图2分别示出了3个呼吸声信号片段，并示出了将各个呼吸声信号片段的标签对应标注到呼
吸声信号片段上的示意图，图2中呼吸声信号片段上的每个线框表示一个呼吸暂停低通气事件。
44.具体实施时，本技术对判断呼吸暂停低通气事件的方式方法不做具体限定，可以通过专业医师或现有的其他判断方法来确定呼吸暂停低通气事件的时间信息及类型。
45.具体实施时，为了进一步提高检测的准确性，在本实施例中，提出了一种以一维或多维信号作为输入的特征金字塔卷积神经网络的结构，该特征金字塔卷积神经网络包括特征提取层和特征融合层，其中，
46.所述特征提取层是包括至少两个卷积层和至少两个池化层的卷积神经网络，一个卷积层作为所述特征提取层的输入端，另一个卷积层作为所述特征提取层的输出端，输出的特征长度比输入的特征长度减小预设倍数，所述特征提取层的输出数据作为所述特征融合层的输入数据；
47.所述特征融合层包括至少两个辅助卷积层，一个辅助卷积层包括的卷积层和反卷积层作为特征融合层的输入端，另一个辅助卷积层包括的卷积层和反卷积层作为特征融合层的输出端，相邻两个辅助卷积层中前一个辅助卷积层的卷积层的输出作为后一个辅助卷积层的卷积层和反卷积层的输入，每个辅助卷积层的反卷积层作为所述特征融合层的输出端，每个辅助卷积层的反卷积层作为输出端输出的数据为反卷积层的输出数据叠加上位于反卷积层前边第三个卷积层的输出数据；所述特征融合层输出的数据为所述睡眠质量检测模型的输出数据。
48.具体的，为例扩大感受野并捕获多尺度上下文信息，上述特征提取层的卷积层可以包括膨胀卷积层。
49.具体的，特征提取层是包括至少两个卷积层和至少两个池化层的卷积神经网络，具体的卷积层数量和池化层数量本技术不做具体限定，可以灵活调整，卷积核类别也不做具体限定，可以灵活设置，其中一个卷积层作为特征提取层的输入端，另一个卷积层作为特征提取层的输出端，其他卷积层和池化层的排列方式本技术不做具体限定，只要确保特征提取层由输入端到输出端特征长度是递减的即可，特征提取层输出的特征长度比输入的特征长度减小预设倍数，例如，减小8千倍左右。
50.例如，如图3所示，特征提取层以包括7个七层卷积网络和3个池化层为例，从左至右依次是特征提取层数据由输入端至输出端的方向，图3中的细线条表示数据流向，由输出端至输入端的方向将卷积层分别编号1、2、3、
……
6、7，以在第六层和第七层的卷积层采用了膨胀卷积层为例，在卷积层对应的图块中，图下端的数字表示卷积层的卷积核层数，图中心的数字表示特正长度，可见，图3中特征提取层输入的特征长度为2646000维，特征提取层输出的特征长度为324维。
51.具体的，特征融合层包括至少两个辅助卷积层，每个辅助卷积层包括两个卷积层和两个反卷积层，其中一个辅助卷积层包括的卷积层和反卷积层作为特征融合层的输入端，另一个辅助卷积层包括的卷积层和反卷积层作为特征融合层的输出端，相邻两个辅助卷积层中前一个辅助卷积层的卷积层的输出作为后一个辅助卷积层的卷积层和反卷积层的输入，每个辅助卷积层的反卷积层作为所述特征融合层的输出端，每个辅助卷积层的反卷积层作为输出端输出的数据为反卷积层的输出数据叠加上位于反卷积层前边第三个卷积层的输出数据，特征融合层输出的数据即为所述睡眠质量检测模型的输出数据，具体的
辅助卷积层数量本技术不做具体限定，可以灵活调整，卷积核类别也不做具体限定，可以灵活设置，只要确保特征融合层可以实现特征融合的功能即可。
52.例如，如图3所示，特征融合层以包括四个辅助卷积层为例，从左至右依次是特征融合层数据由输入端至输出端的方向，每个辅助卷积层的反卷积层作为输出端输出的数据为反卷积层的输出数据叠加上位于反卷积层前边第三个卷积层的输出数据，图3中的粗线条表示特征叠加的数据路径，具体的，辅助卷积层中反卷积层的叠加原理如图4所示，反卷积层将上采样与1
×
1卷积的特征进行叠加后输出预测，实现了构建自上而下和自下而上的金字塔特征层次结构，将低层的详细信息与高层的语义信息结合起来。
53.具体实施时，在上述以一维或多维信号作为输入的特征金字塔卷积神经网络的不同的卷积层上都定义了多个候选框，通过上述特征金字塔卷积神经网络得到候选框与呼吸暂停低通气事件的标签得到的真值框之间的中心偏移量以及宽度的偏移量，同时，通过非极大抑制抛弃掉背景框以及与真值框交并比较小的候选框，剩余的候选框为有效框。最后我们通过上述特征金字塔卷积神经网络预测出有效框中呼吸暂停低通气事件的类别，有效框对应的时间即可得到呼吸暂停低通气事件的其实时刻和结束时刻。可见，上述特征金字塔卷积神经网络具有更强大的特征提取能力以及更好的感受野，以利于识别定位准，分类精确，可以更好的检测睡眠质量。
54.具体实施时，训练好上述睡眠质量检测模型后，即可使用上述睡眠质量检测模型来检测各个呼吸声信号片段对应的标签，进而即可统计出呼吸暂停低通气事件的次数，实现可以根据呼吸暂停低通气事件的次数来确定睡眠质量。
55.具体实施时，可以量化地来确定睡眠质量，例如，预先设置各个睡眠质量类别对应的呼吸暂停事件次数阈值，呼吸暂停事件次数阈值可以与呼吸声音频信号长度正相关，将统计的各个呼吸声信号片段的呼吸暂停低通气事件的次数总和与呼吸暂停事件次数阈值匹配即可确定出睡眠质量类别。具体的，比如当呼吸声音频信号长度为五分钟时，预先设置的各个睡眠质量类别对应的呼吸暂停事件次数阈值如下表1所示为例。
56.表1
57.睡眠质量分类呼吸暂停事件次数阈值睡眠质量差5次以上睡眠质量良2～5次睡眠质量优0～2次
58.若在五分钟长度的呼吸声音频信号中，统计的呼吸暂停事件的次数为4次，则可以确定在该时间段内用户睡眠质量为良。
59.上述睡眠质量检测方法简单易行，鲁棒性好，操作简单，能够快速准确且低成本地测量出睡眠呼吸状况，进而实现对睡眠质量的检测。
60.在本实施例中，提供了一种计算机设备，如图5所示，包括存储器502、处理器504及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意的睡眠质量检测方法。
61.具体的，该计算机设备可以是计算机终端、服务器或者类似的运算装置。
62.在本实施例中，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述任意的睡眠质量检测方法的计算机程序。
63.具体的，计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读存储介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
64.基于同一发明构思，本发明实施例中还提供了一种睡眠质量检测装置，如下面的实施例所述。由于睡眠质量检测装置解决问题的原理与睡眠质量检测方法相似，因此睡眠质量检测装置的实施可以参见睡眠质量检测方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
65.图6是本发明实施例的睡眠质量检测装置的一种结构框图，如图6所示，该装置包括：
66.信号处理模块602，用于获取待测呼吸声信号，将待测呼吸声信号按照预设时长分成多个呼吸声信号片段；
67.事件检测模块604，用于将多个所述呼吸声信号片段输入睡眠质量检测模型，所述睡眠质量检测模型输出各个所述呼吸声信号片段对应的标签，其中，所述睡眠质量检测模型是以给定的呼吸声信号片段和对应的标签为样本训练以一维或多维信号作为输入的特征金字塔卷积神经网络得到的，所述标签包括呼吸暂停低通气事件的起始时刻和结束时刻；
68.睡眠质量检测模块606，用于根据检测到的呼吸暂停低通气事件的次数确定睡眠质量。
69.在一个实施例中，所述信号处理模块，还用于将待测呼吸声信号按照预设分钟时长分成多个所述呼吸声信号片段，相邻的呼吸声信号片段之间不存在重叠。
70.在一个实施例中，还包括：
71.标签确定模块，用于将给定的呼吸声信号片段组成的给定呼吸声信号与多导睡眠监测数据在时间轴上对齐，根据多导睡眠监测数据中标注的呼吸暂停低通气事件的时间信息，得到各个给定的呼吸声信号片段对应的标签。
72.在一个实施例中，所述以一维或多维信号作为输入的特征金字塔卷积神经网络包括：
73.特征提取层和特征融合层，其中，
74.所述特征提取层是包括至少两个卷积层和至少两个池化层的卷积神经网络，一个卷积层作为所述特征提取层的输入端，另一个卷积层作为所述特征提取层的输出端，输出的特征长度比输入的特征长度减小预设倍数，所述特征提取层的输出数据作为所述特征融合层的输入数据；
75.所述特征融合层包括至少两个辅助卷积层，一个辅助卷积层包括的卷积层和反卷积层作为特征融合层的输入端，另一个辅助卷积层包括的卷积层和反卷积层作为特征融合层的输出端，相邻两个辅助卷积层中前一个辅助卷积层的卷积层的输出作为后一个辅助卷积层的卷积层和反卷积层的输入，每个辅助卷积层的反卷积层作为所述特征融合层的输出端，每个辅助卷积层的反卷积层作为输出端输出的数据为反卷积层的输出数据叠加上位于反卷积层前边第三个卷积层的输出数据；所述特征融合层输出的数据为所述睡眠质量检测模型的输出数据。
76.本发明实施例实现了如下技术效果：提出了将待测呼吸声信号按照预设时长分成多个呼吸声信号片段，进而将多个呼吸声信号片段输入睡眠质量检测模型，由于睡眠质量检测模型是以给定的呼吸声信号片段和对应的标签为样本训练以一维或多维信号作为输入的特征金字塔卷积神经网络得到的，标签包括呼吸暂停低通气事件的起始时刻和结束时刻，使得睡眠质量检测模型可以直接输出各个呼吸声信号片段对应的标签，基于标签即可在各个呼吸声信号片段中对应定位出呼吸暂停低通气事件的起始时刻和结束时刻，最后，根据检测到的呼吸暂停低通气事件的次数即可确定睡眠质量。由于睡眠质量检测模型的使用，可以提高睡眠质量检测的效率，由于睡眠质量检测模型输出的标签定位呼吸暂停低通气事件的过程具有时间上的相关性，可以准确定位出呼吸暂停低通气事件的时间位置，与现有技术相比，使得检测出的呼吸暂停低通气事件的次数能够准确反映睡眠质量的好坏，进而有利于提高睡眠质量检测的准确性。
77.显然，本领域的技术人员应该明白，上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。
78.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。