一种家居系统的数据信息处理方法及系统

摘要

本发明公开了一种家居系统的数据信息处理方法及系统，包括以下步骤：步骤S1、将所述生物学睡姿时序数据依时序进行相似度分析得出睡姿变更节点时序链；步骤S2、对多个睡姿习惯分析样本按样本标签进行分类得到多组睡姿习惯分析样本集；步骤S3、将所有所述睡姿习惯代表样本进行阈值分析得出目标对象的不良睡姿调整类别和不良睡姿调整方案以实现对目标对象不良睡姿的纠正。本发明实现了对目标对象的睡姿健康维护，最终保障目标对象的身体健康度，不良睡姿调整方案中采用睡姿逐步型调整方式，使目标对象潜移默化中适应调整方案的调整动作，实现在不降低目标对象使用舒适度前提下为使用者制定调整不良睡姿的方案。

权利要求

1.一种家居系统的数据信息处理方法，其特征在于，包括以下步骤：步骤S1、采集目标对象的生物学睡姿时序数据，并将所述生物学睡姿时序数据依时序进行相似度分析得出睡姿变更节点时序链以实现对目标对象睡姿习惯中关键数据的抓取；

步骤S2、将所述睡姿变更节点时序链在节点处进行分割获得多个表征唯一睡姿习惯的睡姿稳定时序段，并将所述睡姿稳定时序段进行标签化处理得到睡姿习惯分析样本，再对多个睡姿习惯分析样本按样本标签进行分类得到多组睡姿习惯分析样本集以实现对目标对象睡姿习惯的分类；

步骤S3、依次对多组睡姿习惯样本集中的所有睡姿习惯分析样本进行时序段众数分析，得到表征目标对象睡姿习惯的主要特征的睡姿习惯代表样本，并将所有所述睡姿习惯代表样本进行阈值分析得出目标对象的不良睡姿调整类别和不良睡姿调整方案以实现对目标对象不良睡姿的纠正；

所述步骤S1中，所述生物学睡姿时序数据依时序进行相似度分析得出睡姿变更节点时序链的具体方法包括：

步骤S101、将所述生物学睡姿时序数据中相邻时序的数据进行相似度分析得到相似度数据链，所述相似度的计算公式为：；

其中，

为时刻t采集得到的生物学睡姿时序数据；

为与时刻t相邻的时刻t+1采集得到的生物学睡姿时序数据；

为生物学睡姿时序数据中相邻时刻t和t+1的数据相似度；

步骤S102、在相似度数据链上选取所有跳跃节点，在生物学睡姿时序数据中选取所有跳跃节点两侧时序对应的数据作为睡姿变更节点，并将睡姿变更节点依时序排列构成睡姿变更节点时序链；

其中，跳跃节点是指相似度数据链上节点与左相邻节点和右相邻节点间的数值相差均超过相似度阈值的数据节点；

所述步骤S2中，所述睡姿习惯分析样本的获得方法包括：步骤S201、依据睡姿种类构建睡姿识别样本集，基于所述睡姿识别样本集建立睡姿种类识别模型；

步骤S202、利用所述睡姿种类识别模型对所述睡姿稳定时序段中的稳定睡姿进行种类识别，并将睡姿种类作为样本标签标记所述睡姿稳定时序段得到所述睡姿习惯分析样；

所述步骤S201中，所述睡姿识别样本的构建方法包括：目标对象依据所述睡姿种类进行睡姿行为的模拟，并记录下所述睡姿行为的特征数据作为对应睡姿种类的睡姿样本，以及将睡姿种类作为睡姿样本的样本标签；

将所有睡姿种类的睡姿样本按等比例混合为睡姿识别样本集以保持睡姿种类识别模型训练的样本均衡；

所述步骤S201中，所述睡姿种类识别模型的建立方法包括：步骤S2011、将所述睡姿识别样本集按预设比例划分为训练集和测试集，并将训练集运用到卷积神经网络进行识别模型的训练，其中，训练集中的睡姿样本的特征数据作为所述卷积神经网络的输入，训练集中的睡姿样本的样本标签作为所述卷积神经网络的输出；

步骤S2012、将测试集运用到所述步骤S2011中训练完成的识别模型进行输出测试及参数修正以获得精度最高的识别模型，并将修正后的精度达到最高的识别模型作为所述睡姿种类识别模型，其中测试集中的睡姿样本的特征数据作为所述识别模型的输入，测试集中的睡姿样本的样本标签作为所述识别模型的输出；

步骤S202中，所述睡姿种类识别模型的输入为所述睡姿稳定时序段中的表征稳定睡姿的生物学睡姿时序数据，所述睡姿种类识别模型的输出为所述睡姿稳定时序段中的稳定睡姿的睡姿种类；

所述步骤S3中，所述睡姿习惯代表样本的获取方法包括：依次对所述睡姿习惯样本集中的所有睡姿习惯分析样本进行时序段时长统计，并筛选出时序段时长等长且数量最多的睡姿习惯分析样本；

在所述时序段时长等长的数量最多的睡姿习惯分析样本中随机选择一个睡姿习惯分析样本作为对应睡姿习惯样本集的睡姿习惯代表样本；

所述步骤S3中，所述目标对象的不良睡姿调整类别和不良睡姿调整方案的获得方法包括：

将所述睡姿习惯代表样本的时序段时长与睡姿习惯代表样本的样本标签对应的睡姿种类的睡姿标准时长阈值进行比较，其中，若所述时序段时长超过睡姿标准时长阈值，则睡姿习惯代表样本的样本标签对应的睡姿种类归属为不良睡姿调整类别，并将睡姿习惯代表样本的时序段时长作为不良睡姿调整类别的类别时长；

获得各个不良睡姿调整类别的类别时长，并将不良睡姿调整类别的睡姿调整时长设定为对应的所述类别时长按10%的定期递减直至递减至睡姿标准时长阈值，维持在所述睡姿标准时长阈值上作为所述不良睡姿调整方案，以实现逐步调整目标对象的不良睡姿且降低目标对象对睡姿调整的不适感；

所述定期递减表示为睡姿调整时长每隔一个预设周期就等于类别时长下降10%的时长，所述定期递减的运算公式为：；

其中，h为经过的第n周期的睡姿调整时长，H为类别时长。

2.一种处理系统，用于执行权利要求1所述的数据信息处理方法，其特征在于，包括：模型建立单元、方案制定单元、设置在床垫上表面的睡姿采集组件以及设置在床垫下表面的睡姿调整单元；

所述睡姿采集组件，用于采集目标对象的生物学睡姿的相关数据；

所述模型建立单元，用于为目标对象建立睡姿种类识别模型；

所述方案制定单元，用于为目标对象建立不良睡姿调整方案；

所述睡姿调整单元，用于依据所述不良睡姿调整方案对目标对象进行睡姿调整。

3.根据权利要求2所述的处理系统，其特征在于，还包括身份账号单元，所述身份账号单元存储有多个不同目标对象的身份账号，所述身份账号中唯一绑定有对应目标对象的不良睡姿调整方案和睡姿种类识别模型，以实现处理系统供不同目标对象切换使用。

说明书

一种家居系统的数据信息处理方法及系统

技术领域

[0001] 本发明涉及智能家居技术领域，具体涉及一种家居系统的数据信息处理方法及系统。

背景技术

[0002] 智能家居系统是利用先进的计算机技术、网络通讯技术、智能云端控制、综合布线技术、医疗电子技术依照人体工程学原理，融合个性需求，将与家居生活有关的各个子系统
如安防、灯光控制、窗帘控制、煤气阀控制、信息家电、场景联动、地板采暖、健康保健、卫生
防疫、安防保安等有机地结合在一起，通过网络化综合智能控制和管理，实现“以人为本”的
全新家居生活体验。

[0003] 睡眠舒适度也是智能家居生活体验的重要一环，目前对于睡眠舒适度的操控只体现在对睡眠环境的控制，比如灯光自动调节和温度自动调节等为使用者营造一个舒适的睡
眠环境，却无法处理使用者的睡姿习惯数据，导致无法根据使用者的睡姿习惯数据精确分
析并纠正使用者的不良睡姿习惯。

发明内容

[0004] 本发明的目的在于提供一种家居系统的数据信息处理方法及系统，以解决现有技术中无法处理使用者的睡姿习惯数据，导致无法根据使用者的睡姿习惯数据精确分析并纠
正使用者的不良睡姿习惯的技术问题。

[0005] 为解决上述技术问题，本发明具体提供下述技术方案：

[0006] 一方面，提供一种家居系统的数据信息处理方法，包括以下步骤：

[0007] 步骤S1、采集目标对象的生物学睡姿时序数据，并将所述生物学睡姿时序数据依时序进行相似度分析得出睡姿变更节点时序链以实现对目标对象睡姿习惯中关键数据的
抓取；

[0008] 步骤S2、将所述睡姿变更节点时序链在节点处进行分割获得多个表征唯一睡姿习惯的睡姿稳定时序段，并将所述睡姿稳定时序段进行标签化处理得到睡姿习惯分析样本，
再对多个睡姿习惯分析样本按样本标签进行分类得到多组睡姿习惯分析样本集以实现对
目标对象睡姿习惯的分类；

[0009] 步骤S3、依次对多组睡姿习惯样本集中的所有睡姿习惯分析样本进行时序段众数分析，得到表征目标对象睡姿习惯的主要特征的睡姿习惯代表样本，并将所有所述睡姿习
惯代表样本进行阈值分析得出目标对象的不良睡姿调整类别和不良睡姿调整方案以实现
对目标对象不良睡姿的纠正。

[0010] 作为本发明的一种优选方案，所述步骤S1中，所述生物学睡姿时序数据依时序进行相似度分析得出睡姿变更节点时序链的具体方法包括：

[0011] 步骤S101、将所述生物学睡姿时序数据中相邻时序的数据进行相似度分析得到相似度数据链，所述相似度的计算公式为：

[0012]  ；

[0013] 其中，

[0014] 为时刻t采集得到的生物学睡姿时序数据；

[0015] 为与时刻t相邻的时刻t+1采集得到的生物学睡姿时序数据；

[0016] 为生物学睡姿时序数据中相邻时刻t和t+1的数据相似度；

[0017] 步骤S102、在相似度数据链上选取所有跳跃节点，在生物学睡姿时序数据中选取所有跳跃节点两侧时序对应的数据作为睡姿变更节点，并将睡姿变更节点依时序排列构成
睡姿变更节点时序链；

[0018] 其中，跳跃节点是指相似度数据链上节点与左相邻节点和右相邻节点间的数值相差均超过相似度阈值的数据节点。

[0019] 作为本发明的一种优选方案，所述步骤S2中，所述睡姿习惯分析样本的获得方法包括：

[0020] 步骤S201、依据睡姿种类构建睡姿识别样本集，基于所述睡姿识别样本集建立睡姿种类识别模型；

[0021] 步骤S202、利用所述睡姿种类识别模型对所述睡姿稳定时序段中的稳定睡姿进行种类识别，并将睡姿种类作为样本标签标记所述睡姿稳定时序段得到所述睡姿习惯分析样
本。

[0022] 作为本发明的一种优选方案，所述步骤S201中，所述睡姿识别样本的构建方法包括：

[0023] 目标对象依据所述睡姿种类进行睡姿行为的模拟，并记录下所述睡姿行为的特征数据作为对应睡姿种类的睡姿样本，以及将睡姿种类作为睡姿样本的样本标签；

[0024] 将所有睡姿种类的睡姿样本按等比例混合为睡姿识别样本集以保持睡姿种类识别模型训练的样本均衡。

[0025] 作为本发明的一种优选方案，所述步骤S201中，所述睡姿种类识别模型的建立方法包括：

[0026] 步骤S2011、将所述睡姿识别样本集按预设比例划分为训练集和测试集，并将训练集运用到卷积神经网络进行识别模型的训练，其中，训练集中的睡姿样本的特征数据作为
所述卷积神经网络的输入，训练集中的睡姿样本的样本标签作为所述卷积神经网络的输
出；

[0027] 步骤S2012、将测试集运用到所述步骤S2011中训练完成的识别模型进行输出测试及参数修正以获得精度最高的识别模型，并将修正后的精度达到最高的识别模型作为所述
睡姿种类识别模型，其中测试集中的睡姿样本的特征数据作为所述识别模型的输入，测试
集中的睡姿样本的样本标签作为所述识别模型的输出。

[0028] 作为本发明的一种优选方案，步骤S202中，所述睡姿种类识别模型的输入为所述睡姿稳定时序段中的表征稳定睡姿的生物学睡姿时序数据，所述睡姿种类识别模型的输出
为所述睡姿稳定时序段中的稳定睡姿的睡姿种类。

[0029] 作为本发明的一种优选方案，所述步骤S3中，所述睡姿习惯代表样本的获取方法包括：

[0030] 依次对所述睡姿习惯样本集中的所有睡姿习惯分析样本进行时序段时长统计，并筛选出时序段时长等长且数量最多的睡姿习惯分析样本；

[0031] 在所述时序段时长等长的数量最多的睡姿习惯分析样本中随机选择一个睡姿习惯分析样本作为对应睡姿习惯样本集的睡姿习惯代表样本。

[0032] 作为本发明的一种优选方案，所述步骤S3中，所述目标对象的不良睡姿调整类别和不良睡姿调整方案的获得方法包括：

[0033] 将所述睡姿习惯代表样本的时序段时长与睡姿习惯代表样本的样本标签对应的睡姿种类的睡姿标准时长阈值进行比较，其中，

[0034] 若所述时序段时长超过睡姿标准时长阈值，则睡姿习惯代表样本的样本标签对应的睡姿种类归属为不良睡姿调整类别，并将睡姿习惯代表样本的时序段时长作为不良睡姿
调整类别的类别时长；

[0035] 获得各个不良睡姿调整类别的类别时长，并将不良睡姿调整类别的睡姿调整时长设定为对应的所述类别时长按10%的定期递减直至递减至睡姿标准时长阈值，维持在所述
睡姿标准时长阈值上作为所述不良睡姿调整方案，以实现逐步调整目标对象的不良睡姿且
降低目标对象对睡姿调整的不适感；

[0036] 所述定期递减表示为睡姿调整时长每隔一个预设周期就等于类别时长下降10%的时长，所述定期递减的运算公式为：

[0037] ；

[0038] 其中，h为经过的第n周期的睡姿调整时长，H为类别时长。

[0039] 另一方面，本发明提供了一种处理系统，用于执行所述的数据信息处理方法，其包括：模型建立单元、方案制定单元、设置在床垫上表面的睡姿采集组件以及设置在床垫下表
面的睡姿调整单元；

[0040] 所述睡姿采集组件，用于采集目标对象的生物学睡姿的相关数据；

[0041] 所述模型建立单元，用于为目标对象建立睡姿种类识别模型；

[0042] 所述方案制定单元，用于为目标对象建立不良睡姿调整方案；

[0043] 所述睡姿调整单元，用于依据所述不良睡姿调整方案对目标对象进行睡姿调整。

[0044] 作为本发明的一种优选方案，还包括身份账号单元，所述身份账号单元存储有多个不同目标对象的身份账号，所述身份账号中唯一绑定有对应目标对象的不良睡姿调整方
案和睡姿种类识别模型，以实现处理系统供不同目标对象切换使用。

[0045] 本发明与现有技术相比较具有如下有益效果：

[0046] 本发明利用目标对象的生物学睡姿数据捕捉到目标对象的睡姿习惯，在睡姿习惯中筛选出不良的睡姿习惯，并为纠正目标对象不良的睡姿习惯制定不良睡姿调整方案，实
现了对目标对象的睡姿健康维护，最终保障目标对象的身体健康度，不良睡姿调整方案中
采用睡姿逐步型调整方式，使目标对象潜移默化中适应调整方案的调整动作，实现在不降
低目标对象使用舒适度前提下为使用者制定调整不良睡姿的方案，在处理目标对象睡姿的
数据和识别目标对象睡姿习惯的过程中利用相似度分析和识别模型建立，可有效的降低睡
姿数据处理量和睡姿种类识别精度，提高家居系统数据信息处理的效率和准确度。

附图说明

[0047] 为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅
仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据
提供的附图引伸获得其它的实施附图。

[0048] 图1为本发明实施例提供的数据信息处理方法流程图；

[0049] 图2为本发明实施例提供的相似度数据链示意图；

[0050] 图3为本发明实施例提供的处理系统结构框图。

[0051] 图中的标号分别表示如下：

[0052] 1‑睡姿采集组件；2‑睡姿调整单元；3‑模型建立单元；4‑方案制定单元；5‑身份账号单元。

具体实施方式

[0053] 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做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。

[0054] 如图1‑3所示，本发明提供了一种家居系统的数据信息处理方法，包括以下步骤：

[0055] 步骤S1、采集目标对象的生物学睡姿时序数据，并将生物学睡姿时序数据依时序进行相似度分析得出睡姿变更节点时序链以实现对目标对象睡姿习惯中关键数据的抓取；

[0056] 人类在睡眠过程的睡姿呈现阶段性特点，因此只需要将目标对象的生物学睡姿时序数据进行时序型阶段性分析，即可以获得目标对象的睡姿阶段性演化特征，本实施例提
供了一种将目标对象的生物学睡姿时序数据进行时序型阶段性分析的方法，能够从目标对
象的生物学睡姿时序数据提取出目标对象发生姿势变更的数据节点，具体如下：

[0057] 步骤S1中，生物学睡姿时序数据依时序进行相似度分析得出睡姿变更节点时序链的具体方法包括：

[0058] 步骤S101、将生物学睡姿时序数据中相邻时序的数据进行相似度分析得到相似度数据链，相似度的计算公式为：

[0059]  ；

[0060] 其中，

[0061] 为时刻t采集得到的生物学睡姿时序数据；

[0062] 为与时刻t相邻的时刻t+1采集得到的生物学睡姿时序数据；

[0063] 为生物学睡姿时序数据中相邻时刻t和t+1的数据相似度；

[0064] 步骤S102、在相似度数据链上选取所有跳跃节点，在生物学睡姿时序数据中选取所有跳跃节点两侧时序对应的数据作为睡姿变更节点，并将睡姿变更节点依时序排列构成
睡姿变更节点时序链；

[0065] 其中，跳跃节点是指相似度数据链上节点与左相邻节点和右相邻节点间的数值相差均超过相似度阈值的数据节点。

[0066] 相似度是衡量生物学睡姿时序数据中相邻时序的数据相似程度的指标，相似度越高则生物学睡姿时序数据中相邻时序的数据越相似，则表示生物学睡姿时序数据中相邻时
序的数据为同一种生物学睡姿，即表征目标对象在相邻时序上保持着同一种生物学睡姿，
表明相邻时序位于目标对象的同一稳定睡姿时序阶段上，映射到相似度数据链上，由于生
物学睡姿时序数据中相邻时序的差值为1个时间单位，生物学睡姿时序数据中相邻时序的
数据的相似度 与生物学睡姿时序数据中相邻时序的数据的斜率绝对
值 相同，因此相似度数据链等价于生物学睡姿时序数据的斜率绝
对值数据链，相似度数据链上的跳跃节点表征为生物学睡姿时序数据在跳跃节点两侧时序
的数据的斜率绝对值发生变动，则映射到生物学睡姿时序数据上，表明生物学睡姿时序数
据在跳跃节点两侧时序的数据相似程度低，进而表明目标对象在跳跃节点两侧时序上发生
了睡姿变化，则生物学睡姿时序数据在跳跃节点两侧时序处的数据表示睡姿变更节点，即
在睡姿变更节点目标对象出现睡姿变更，可完成将生物学睡姿时序数据由零散性无特征时
序数据转为包含睡姿变更特征时序数据。

[0067] 如图2所示，生物学睡姿时序数据为 ，相似度数据链为，则由上述计算获得跳跃节点为 ，睡姿变更节点为
…… 、 ，并且 为第一个睡姿稳定时序段，目标对
象在 中保持一个稳定睡姿， 为第二个睡姿稳定时序段，
为第三个睡姿稳定时序段， 为第四个睡姿稳定时序段。

[0068] 由上述可知道目标对象仅在睡姿变更节点处发生睡姿变更，那么目标对象在相邻睡姿变更节点之间的时序阶段上处于一个稳定的睡姿，可通过将睡姿变更节点时序链在节
点处进行分割获得多个表征唯一睡姿习惯的睡姿稳定时序段，基于睡姿稳定时序段挖掘出
目标对象的不良习惯，具体如下：

[0069] 步骤S2、将睡姿变更节点时序链在节点处进行分割获得多个表征唯一睡姿习惯的睡姿稳定时序段，并将睡姿稳定时序段进行标签化处理得到睡姿习惯分析样本，再对多个
睡姿习惯分析样本按样本标签进行分类得到多组睡姿习惯分析样本集以实现对目标对象
睡姿习惯的分类；

[0070] 步骤S2中，睡姿习惯分析样本的获得方法包括：

[0071] 步骤S201、依据睡姿种类构建睡姿识别样本集，基于睡姿识别样本集建立睡姿种类识别模型；

[0072] 步骤S201中，睡姿识别样本的构建方法包括：

[0073] 目标对象依据睡姿种类进行睡姿行为的模拟，并记录下睡姿行为的特征数据作为对应睡姿种类的睡姿样本，以及将睡姿种类作为睡姿样本的样本标签；

[0074] 将所有睡姿种类的睡姿样本按等比例混合为睡姿识别样本集以保持睡姿种类识别模型训练的样本均衡。

[0075] 步骤S201中，睡姿种类识别模型的建立方法包括：

[0076] 步骤S2011、将睡姿识别样本集按预设比例划分为训练集和测试集，并将训练集运用到卷积神经网络进行识别模型的训练，其中，训练集中的睡姿样本的特征数据作为卷积
神经网络的输入，训练集中的睡姿样本的样本标签作为卷积神经网络的输出；

[0077] 步骤S2012、将测试集运用到步骤S2011中训练完成的识别模型进行输出测试及参数修正以获得精度最高的识别模型，并将修正后的精度达到最高的识别模型作为睡姿种类
识别模型，其中测试集中的睡姿样本的特征数据作为识别模型的输入，测试集中的睡姿样
本的样本标签作为识别模型的输出。

[0078] 步骤S202、利用睡姿种类识别模型对睡姿稳定时序段中的稳定睡姿进行种类识别，并将睡姿种类作为样本标签标记睡姿稳定时序段得到睡姿习惯分析样本。

[0079] 步骤S202中，睡姿种类识别模型的输入为睡姿稳定时序段中的表征稳定睡姿的生物学睡姿时序数据，睡姿种类识别模型的输出为睡姿稳定时序段中的稳定睡姿的睡姿种
类。

[0080] 为了识别出每个睡姿稳定时序段中表征的唯一睡姿习惯，首先需要建立一个属于目标对象的睡姿种类识别模型，从而可以实现将睡姿稳定时序段中的生物学睡姿时序数据
输入至睡姿种类识别模型中，可输出睡姿稳定时序段中稳定睡姿的睡姿种类，可实现将所
有睡姿稳定时序段进行睡姿种类识别，并将睡姿种类作为睡姿稳定时序段的标签，完成睡
姿稳定时序段的标签化处理得到睡姿习惯分析样本。

[0081] 直接使用目标对象的依据睡姿种类进行睡姿行为的模拟来制作睡姿种类识别模型的训练样本数据，可保证睡姿种类识别模型只唯一专属于一个目标对象，能够精准迅速
的识别出目标对象的睡姿种类，而且训练样本精准且数量少，能够迅速训练出睡姿种类识
别模型，提高数据处理效率，整体上为目标对象提供专属服务，提高目标对象的使用体验。

[0082] 步骤S3、依次对多组睡姿习惯样本集中的所有睡姿习惯分析样本进行时序段众数分析，得到表征目标对象睡姿习惯的主要特征的睡姿习惯代表样本，并将所有睡姿习惯代
表样本进行阈值分析得出目标对象的不良睡姿调整类别和不良睡姿调整方案以实现对目
标对象不良睡姿的纠正。

[0083] 步骤S3中，睡姿习惯代表样本的获取方法包括：

[0084] 依次对睡姿习惯样本集中的所有睡姿习惯分析样本进行时序段时长统计，并筛选出时序段时长等长且数量最多的睡姿习惯分析样本；

[0085] 在时序段时长等长的数量最多的睡姿习惯分析样本中随机选择一个睡姿习惯分析样本作为对应睡姿习惯样本集的睡姿习惯代表样本。

[0086] 位于同一睡姿习惯样本集中所有睡姿习惯分析样本具有相同的样本标签，即具有相同的睡姿种类，睡姿习惯分析样本的时序段时长是睡姿习惯分析样本的末端时序减去首
端时序，即表征目标对象保持睡姿习惯分析样本中的睡姿种类的持续时长，由于目标对象
有自身的睡姿习惯偏好，则表明目标对象会重复性的保持在相同睡姿种类且持续相同时
长，因此选出每个睡姿习惯样本集中时序段时长等长的数量最多的睡姿习惯分析样本，可
体现出目标对象对该睡姿种类下偏好持续的时长，利用目标对象在该睡姿种类下偏好持续
的时长与该睡姿种类下标准持续时长阈值进行比较，可判断目标对象在该睡姿种类是否存
在不良习惯，如果有则表示该睡姿种类为目标对象的不良睡姿调整类别，比如目标对象在
睡姿种类为趴睡时的偏好持续时长为10分钟，趴睡时的偏好持续时长高于趴睡时的标准持
续时长阈值，映射到现实中是指长时间趴睡会导致窒息危险，因此趴睡被定义为目标对象
的不良睡姿习惯，需要针对趴睡进行睡姿调整方案的指定，具体不良睡姿调整类别判定和
不良睡姿调整方案制定方法如下。

[0087] 步骤S3中，目标对象的不良睡姿调整类别和不良睡姿调整方案的获得方法包括：

[0088] 将睡姿习惯代表样本的时序段时长与睡姿习惯代表样本的样本标签对应的睡姿种类的睡姿标准时长阈值进行比较，其中，

[0089] 若时序段时长超过睡姿标准时长阈值，则睡姿习惯代表样本的样本标签对应的睡姿种类归属为不良睡姿调整类别，并将睡姿习惯代表样本的时序段时长作为不良睡姿调整
类别的类别时长；

[0090] 获得各个不良睡姿调整类别的类别时长，并将不良睡姿调整类别的睡姿调整时长设定为对应的类别时长按10%的定期递减直至递减至睡姿标准时长阈值，维持在睡姿标准
时长阈值上作为不良睡姿调整方案，以实现逐步调整目标对象的不良睡姿且降低目标对象
对睡姿调整的不适感；

[0091] 定期递减表示为睡姿调整时长每隔一个预设周期就等于类别时长下降10%的时长，定期递减的运算公式为：

[0092] ；

[0093] 其中，h为经过的第n周期的睡姿调整时长，H为类别时长，10%可依据实际使用进行调整。

[0094] 以不降低目标对象舒适感为前提来进行目标对象的不良睡姿的调整，本实施例采用了一种调整强度逐步增强的方式进行，比如目标对象趴睡的睡姿偏好持续时长10分钟，
趴睡的标准持续时长阈值5分钟（趴睡造成窒息危险的最长持续时长），相比于直接将趴睡
的睡姿调整时长定为5分钟，即从识别到目标对象的趴睡睡姿为计时起点，经过5分钟后进
行调整提醒，帮助目标对象进行睡姿调整，从趴睡变为其他睡姿，如此直接的改变目标对象
的睡姿习惯会导致目标对象产生不适感，而本实施例的方法采用的是，第一周期内将趴睡
的睡姿调整时长定为9分钟，相比于目标对象原始的趴睡习惯而已只做了10%的递减，目标
对象很难有所察觉，就算有所察觉也很容易适应，等目标对应经过一个周期适应了9分钟，
再在第二周期内将趴睡的睡姿调整时长定为8分钟，第三周期内将趴睡的睡姿调整时长定
为7分钟，依次类推，直到趴睡的睡姿调整时长定为5分钟，将目标对象趴睡的睡姿偏好持续
时长调整到5分钟，完成对目标对象不良睡姿的调整，如此迁移默化中完成不良睡姿的调
整，降低了目标对象在调整过程中的不适感，提高目标对象在调整过程中的舒适度。

[0095] 如图3所示，基于上述家居系统的数据信息处理方法，本发明提供了一种用于执行上述数据信息处理方法的处理系统，包括：模型建立单元3、方案制定单元4、设置在床垫上
表面的睡姿采集组件1以及设置在床垫下表面的睡姿调整单元2；

[0096] 睡姿采集组件1，用于采集目标对象的生物学睡姿的相关数据；

[0097] 模型建立单元3，用于为目标对象建立睡姿种类识别模型；

[0098] 方案制定单元4，用于为目标对象建立不良睡姿调整方案；

[0099] 睡姿调整单元2，用于依据不良睡姿调整方案对目标对象进行睡姿调整。

[0100] 例如，睡姿调整单元可以为设置在下表面的伸缩杆，在识别到目标对象进行趴睡、左侧睡时，经过调整时长后朝着目标对象睡姿相反方向进行提升，让目标对象在伸缩杆对
床垫形成坡度趋势下进行睡姿自然调整，由趴睡变成侧睡或躺睡，左侧睡变成躺睡或右侧
睡等，还有其他睡姿调整方法，均在本实施例的保护范围内。

[0101] 处理系统还包括身份账号单元5，身份账号单元存储有多个不同目标对象的身份账号，身份账号中唯一绑定有对应目标对象的不良睡姿调整方案和睡姿种类识别模型，以
实现处理系统供不同目标对象切换使用，拓展了使用范围，实现一机多用。

[0102] 本发明利用目标对象的生物学睡姿数据捕捉到目标对象的睡姿习惯，在睡姿习惯中筛选出不良的睡姿习惯，并为纠正目标对象不良的睡姿习惯制定不良睡姿调整方案，实
现了对目标对象的睡姿健康维护，最终保障目标对象的身体健康度，不良睡姿调整方案中
采用睡姿逐步型调整方式，使目标对象潜移默化中适应调整方案的调整动作，实现在不降
低目标对象使用舒适度前提下为使用者制定调整不良睡姿的方案，在处理目标对象睡姿的
数据和识别目标对象睡姿习惯的过程中利用相似度分析和识别模型建立，可有效的降低睡
姿数据处理量和睡姿种类识别精度，提高家居系统数据信息处理的效率和准确度。

[0103] 以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各
种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。