睡眠预测方法、装置、存储介质及电子设备制造方法及图纸

一种睡眠预测方法，应用于电子设备，使得电子设备可以获取其当前状态信息(101)，并根据其当前状态信息确定其当前使用场景(102)，进而利用对应其当前使用场景的睡眠预测模型对用户进行睡眠预测(103)，能够提高对用户进行睡眠预测的准确度。

【技术实现步骤摘要】
【国外来华专利技术】睡眠预测方法、装置、存储介质及电子设备
本申请属于计算机
，尤其涉及一种睡眠预测方法、装置、存储介质及电子设备。
技术介绍
目前，如平板电脑、手机等电子设备经过配置，可以在用户睡眠时进行系统更新等影响用户使用或者耗时较长的操作，以此来避免对用户的使用造成影响。为此，相关技术通过对用户进行睡眠预测，比如预测用户的睡眠区间等来达到前述目的，然而相关技术中对用户进行睡眠预测的准确度较低。
技术实现思路
本申请实施例提供一种睡眠预测方法、装置、存储介质及电子设备，可以使得电子设备能够准确的对用户进行睡眠预测。第一方面，本申请实施例提供一种睡眠预测方法，应用于电子设备，包括：获取所述电子设备的当前状态信息；根据所述当前状态信息确定所述电子设备的当前使用场景；根据预先训练的对应所述当前使用场景的睡眠预测模型，对用户进行睡眠预测，得到预测结果。第二方面，本申请实施例提供一种睡眠预测装置，应用于电子设备，包括：获取模块，用于获取所述电子设备的当前状态信息；确定模块，用于根据所述当前状态信息确定所述电子设备的当前使用场景；预测模块，用于根据预先训练的对应所述当前使用场景的睡眠预测模型，对用户进行睡眠预测，得到预测结果。第三方面，本申请实施例提供一种存储介质，其上存储有计算机程序，其中，当所述计算机程序在计算机上执行时，使得所述计算机执行本申请实施例提供的睡眠预测方法中的步骤。第四方面，本申请实施例提供一种电子设备，包括存储器，处理器，所述处理器通过调用所述存储器中存储的计算机程序，用于执行本申请实施例提供的睡眠预测方法中的步骤。本申请实施例中，电子设备可以获取其当前状态信息，并根据其当前状态信息确定其当前使用场景，进而利用对应其当前使用场景的睡眠预测模型对用户进行睡眠预测，能够提高对用户进行睡眠预测的准确度。附图说明下面结合附图，通过对本专利技术的具体实施方式详细描述，将使本专利技术的技术方案及其有益效果显而易见。图1是本申请实施例提供的睡眠预测方法的一流程示意图。图2是本申请实施例中从睡眠预测模型集合中选取目标睡眠预测模型的示意图。图3是本申请实施例提供的睡眠预测方法的另一流程示意图。图4是本申请实施例中提供的操作配置界面的示意图。图5是本申请实施例提供的睡眠预测装置的结构示意图。图6是本申请实施例提供的电子设备的一结构示意图。图7是本申请实施例提供的电子设备的另一结构示意图。具体实施方式请参照图示，其中相同的组件符号代表相同的组件，本专利技术的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本专利技术具体实施例，其不应被视为限制本专利技术未在此详述的其它具体实施例。请参照图1，图1是本申请实施例提供的睡眠预测方法的一流程示意图。该睡眠预测方法可以应用于电子设备。该睡眠预测方法的流程可以包括：在101中，获取电子设备的当前状态信息。比如，电子设备可以在开机后，周期性的获取其状态信息，其中，状态信息包括但不限于用于描述电子设备当前的使用状态、位置状态以及环境状态等的相关信息。应当说明的是，当前并不用于特指某时刻，而是用于代指电子设备执行获取状态信息这一操作的时刻。因此，本申请实施例中在电子设备每次执行获取状态信息的“当前时刻”，将对应获取到的状态信息记为“当前状态信息”。在102中，根据前述当前状态信息确定电子设备的当前使用场景。本申请实施例中，电子设备在获取到其当前状态信息之后，进一步根据获取到的当前状态信息确定其当前使用场景，其中，使用场景用于描述用户使用电子设备所处的场景，包括但不限于居家休假场景、外出旅行场景、工作出差场景、日常工作场景等。比如，电子设备根据获取到的当前状态信息确定其当前使用场景为居家场景。在103中，根据预先训练的对应当前使用场景的睡眠预测模型，对用户进行睡眠预测，得到预测结果。需要说明的是，本申请实施例在电子设备预先存储有睡眠预测模型集合，该睡眠预测模型集合包括多个睡眠预测模型，分别适于在不同的使用场景下对用户的睡眠区间进行预测，其中，用户的睡眠区间至少包括用户进入睡眠的时刻以及用户醒来的时刻。本申请实施例中，电子设备在根据其当前状态信息确定其当前使用场景后，进一步从睡眠预测模型集合中选取对应其当前使用场景的睡眠预测模型(或者说，适于在当前使用场景下对用户的睡眠区间进行预测的睡眠预测模型)，作为当前用于对用户的睡眠区间进行预测的目标睡眠预测模型。比如，请参照图2，睡眠预测模型集合中包括四个睡眠预测模型，分别为适于在居家休假场景进行睡眠预测的A睡眠预测模型、适于在外出旅行场景进行睡眠预测的B睡眠预测模型、适于在工作出差场景进行睡眠预测的C睡眠预测模型以及适于在日常工作场景进行睡眠预测的D睡眠预测模型。若电子设备确定其当前使用场景为居家休假场景，则从睡眠预测模型集合中选取A睡眠预测模型作为目标睡眠预测模型；若电子设备确定其当前使用场景为外出旅行场景，则从睡眠预测模型集合中选取B睡眠预测模型作为目标睡眠预测模型；若电子设备确定其当前使用场景为工作出差场景，则从睡眠预测模型集合中选取C睡眠预测模型作为目标睡眠预测模型；若电子设备确定其当前使用场景为日常工作场景，则从睡眠预测模型中选取D睡眠预测模型作为目标睡眠预测模型。应当说明的是，睡眠预测模型预先通过机器学习算法训练得到，机器学习算法可以通过不断的特征学习来实现各种功能，比如，可以根据用户的历史作息行为，对用户的睡眠区间进行预测。其中，机器学习算法可以包括：决策树模型、逻辑回归模型、贝叶斯模型、神经网络模型、聚类模型等等。机器学习算法的算法类型可以根据各种情况划分，比如，可以基于学习方式可以将机器学习算法划分成：监督式学习算法、非监控式学习算法、半监督式学习算法、强化学习算法等等。在监督式学习下，输入数据被称为“训练数据”，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”，对手写数字识别中的“1“，”2“，”3“，”4“等。在建立识别模型的时候，监督式学习建立一个学习过程，将场景类型信息与“训练数据”的实际结果进行比较，不断的调整识别模型，直到模型的场景类型信息达到一个预期的准确率。监督式学习的常见应用场景如分类问题和回归问题。常见算法有逻辑回归(LogisticRegression)和反向传递神经网络(BackPropagationNeuralNetwork)。在非监督式学习中，数据并不被特别标识，识别模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括Apriori算法以及k-Means算法等。半监督式学习算法，在此学习方式下，输入数据被部分标识，这种学习模型可以用来进行类型识别，但是模型首先需要学习数据的内在结构以便合理的组织数据来进行预测。应用场景包括分类和回归，算法包括一些对常用监督式学习算法的延伸，这些本文档来自技高网...

【技术保护点】
一种睡眠预测方法，应用于电子设备，其中，包括：/n获取所述电子设备的当前状态信息；/n根据所述当前状态信息确定所述电子设备的当前使用场景；/n根据预先训练的对应所述当前使用场景的睡眠预测模型，对用户进行睡眠预测，得到预测结果。/n

【技术特征摘要】
【国外来华专利技术】一种睡眠预测方法，应用于电子设备，其中，包括：
获取所述电子设备的当前状态信息；
根据所述当前状态信息确定所述电子设备的当前使用场景；
根据预先训练的对应所述当前使用场景的睡眠预测模型，对用户进行睡眠预测，得到预测结果。


根据权利要求1所述的睡眠预测方法，其中，所述根据所述当前状态信息确定所述电子设备的当前使用场景，包括：
根据预存的多个使用场景的状态信息，从所述多个使用场景中确定出状态信息与所述当前状态信息匹配的使用场景；
将所述状态信息与所述当前状态信息匹配的使用场景作为所述当前使用场景。


根据权利要求2所述的睡眠预测方法，其中，所述根据预存的多个使用场景的状态信息，从所述多个使用场景中确定出状态信息与所述当前状态信息匹配的使用场景，包括：
获取各所述使用场景的状态信息与所述当前状态信息之间的相似度；
将所述相似度达到预设相似度的使用场景确定为所述状态信息与所述当前状态信息匹配的使用场景。


根据权利要求3所述的睡眠预测方法，其中，所述获取各所述使用场景的状态信息与所述当前状态信息之间的相似度，包括：
分别获取各所述使用场景的状态信息的词向量集合，得到多个第一词向量集合；
获取所述当前状态信息的词向量集合，得到第二词向量集合；
分别计算各所述第一词向量集合与所述第二词向量集合之间的距离；
将计算得到的各所述距离作为各所述相似度。


根据权利要求4所述的睡眠预测方法，其中，所述获取所述当前状态信息的词向量集合，得到第二词向量集合，包括：
将所述当前状态信息输入编码器神经网络；
将所述编码器神经网络输出的所述当前状态信息的词向量集合作为所述第二词向量集合。


根据权利要求1所述的睡眠预测方法，其中，所述根据...

【专利技术属性】
技术研发人员：戴堃，张寅祥，吴建文，帅朝春，陆天洋，
申请(专利权)人：深圳市欢太科技有限公司，OPPO广东移动通信有限公司，
类型：发明
国别省市：广东;44