一種基於音頻處理的睡眠期識別方法與流程

2023-05-30 18:08:56 1

本發明涉及一種音頻處理的睡眠期識別方法，屬於計算機應用領域，針對人類睡眠中REM和N-REM睡眠期的識別，以人在睡眠時REM和N-REM期的外部表現差異為切入點，以快速傅立葉變換和機器學習為主要技術手段，實現了一種基於可採集音頻的智能設備的、無須外設支持的、非侵入式的睡眠REM、N-REM周期識別方法。

背景技術：

睡眠期識別方法具有廣泛的應用場景，如健康評估、情景智能、智能家居等。具體而言，睡眠期識別方法要求提供實時、準確的睡眠期識別，如用戶正處於REM睡眠期、N-REM睡眠期。考慮到在現實生活中，睡眠的REM、N-REM期出現受到疲勞程度、睡前飲品、個體生理狀態影響，本方法提供了多種睡眠REM、N-REM模型進行匹配。

現有的睡眠期識別方法有多導睡眠測試。該方法需要專業醫學儀器，綜合眼動儀、腦電波數據對用戶的睡眠狀態進行檢測；該方法具有侵入式的特點，需要佩戴肌電儀監測眼球運動，需要佩戴腦電圖相關設備監測腦電波波動狀況。因而該方式具有影響被測試者睡眠的特點；並且由於其設備的專業性，並不適用與日常監測。

而本方法提供了一種非侵入式的睡眠周期監測方法，藉助REM，N-REM睡眠期人的外部表現差異，使用具有音頻採集功能的智能設備對用戶的睡眠周期進行輕量級、非侵入式的識別。可以為其他服務需求方提供可靠的用戶睡眠周期識別結果。

技術實現要素：

發明目的：為了實現對REM、N-REM睡眠周期檢測，同時克服傳統方式侵入式、高成本、依賴專業設備的方式，本發明公開了一種基於音頻處理的睡眠期識別方法。該方法設備簡單易獲取，現有的帶音頻採集功能的智能設備包括智慧型手機、智能手錶等，就能夠提供準確的睡眠周期識別服務。

由醫學知識：人們正常的睡眠結構周期分兩個時相：非快速眼動睡眠期(N-REM)和快速眼動睡眠期(REM)。N-REM與REM交替出現，交替一次稱為一個睡眠周期，兩種循環往復，每夜通常有4～5個睡眠周期，每個周期90～110分鐘。

人的睡眠處於REM狀態時，大腦的活躍程度等同甚至高於清醒狀態，但由於此時人體感覺系統阻塞於丘腦區，運動系統阻塞於脊髓部分被阻塞(眼肌、耳小骨的肌肉、呼吸肌除外)，此時人睡眠的外部表現更加平穩，且伴隨心跳數和呼吸頻率的增加；處於N-REM狀態時，(相對清醒狀態)感覺中樞功能下降，來自大腦的指令減少，肌肉機能下降。

該睡眠周期的分布根據個體不同而有所不同，並且有研究成果表明咖啡因和酒精對人進入REM睡眠期起抑制作用，同時該周期的分布也會受到疲勞程度、飲食狀況的影響，因而該周期的分布並不是固定不變的。

由人的睡眠處於REM狀態感覺系統阻塞於丘腦區，運動系統阻塞於脊髓部分被阻塞，伴隨心跳數和呼吸頻率的增加所表現出的在睡眠中不同狀態所表現的外部特徵不同為切入點，本發明把音頻作為識別睡眠時探測人體外部特徵的線索，利用能捕獲音頻的智能設備，利用相關的數據處理，機器學習等技術手段，得到用戶睡眠時的外部特徵，從而評估用戶睡眠的實際周期分布情況。

技術方案：一種基於音頻處理的睡眠期識別方法，使用具有音頻採集和處理功能的智能設備，採集和處理人在睡眠期間產生的音頻；基於快速傅立葉變換、主成份分析、時序相關數字特徵提取、統計學對採集到的音頻進行數字特徵提取，通過模式識別的方法對睡眠當中出現的睡眠事件(打鼾、軀幹運動、咳嗽、磨牙、夢囈、無關事件)進行識別，結合醫學眼動期(Rapid Eyes Movement，REM)、非眼動期(Non-Rapid Eyes Movement，N-REM)睡眠期人的外部表現差異，對人的睡眠進行睡眠期的識別。

具體包含以下步驟：

1)具有音頻採集和處理功能的智能設備需放置在用戶入睡地點附近，保證用戶入睡地點在該設備的探測範圍內，保持該設備在用戶睡眠期間運行；

2)設備在運行期間通過音頻模塊採集音頻數據，按照時間順序放置於內存中，對數據進行分幀分得一系列數據幀，並對每一個數據幀內的數據進行快速傅立葉變換，得到數據幀對應的頻域表示，並將一系列數據幀對應的頻域表示按時間順序緩存於內存中；

3)對2)中得到的每一個數據幀中的各個頻段對應的幅值累加得到一系列的幀頻域和，用滑動窗口按照時間順序逐幀推移，推移同時對滑動窗口內的第一幀按照超均值n倍的方式添加事件標記，產生事件序列S；

4)將3)中得到的事件序列S標記有事件的幀的頻域信息進行存儲，組成由頻域信息和該頻域信息對應的採樣時間t組成的一系列原始數據條目Ors；

5)對4)中得到的原始數據條目Ors，根據其採樣時間序列找出其中時間連續的條目，對於連續的條目進行合併，組成幀頻域信息和採樣時間組成的事件條目e；整個事件序列S將被分割成由若干個e條目組成的事件條目序列Es＝；

6)對5)中得到的Es序列，計算其中每個條目e的採樣時間跨度elength，和兩個相鄰條目的採樣時間間隔estep；若(1/elength)>l*estep(其中l為可控參數)則將該estep前後的兩個條目合併成新的條目em；整個Es序列將被重新組合成Ems＝序列；

7)對6)中得到的Ems序列，計算其中每個條目em＝的時序相關特徵、頻域相關特徵；將em條目中的每個幀頻域信息對應的頻段計算平均值後歸一化，提取頻域均值統計特徵；將時序相關特徵attrt、頻域相關特徵attrf、頻域均值統計特徵atttrs、em對應的開始時間tstart、結束時間tend組成條目attr＝；整個Ems序列將產生一系列的attr序列，記為Attrs＝。

8)對7)中得到的Attrs序列，將其中每一個attr作為輸入送入機器學習訓練完成的分類算法進行分類，確定該attr所描述的時間內發生的事件為何種類型的睡眠相關事件(打鼾、軀幹運動、咳嗽、磨牙、夢囈)；將attr中的em的開始時間tstart、結束時間tend、類型識別結果r組成新的條目tempR＝；整個Attrs序列將得到一系列tempR，構成TempRs＝序列。

9)對8)中得到的TempRs序列，構造鍵值序列TVs，鍵為時間，值為睡眠狀態評估，鍵中的時間值跨度為用戶睡眠時長，值中的睡眠狀態評估值預設為a；依次處理TempRs中的條目tempR，根據tempR中的最小採樣時間和最大採樣時間確定TVs序列中需要調整的數值，根據類型識別結果調整TVs序列中對應的值；整個TempRs序列將被用來生成一個時間-睡眠狀態評估的鍵值序列TVs＝；

10)對9)中得到的TVs鍵值序列，結合睡眠醫學中的正常睡眠REM、N-REM周期模型、刺激飲料影響下的REM、N-REM睡眠周期模型N-REM睡眠周期模型、疲勞狀態下的REM、N-REM睡眠周期模型；選擇最合適的模型擬合，對TVs進行調整得到用戶的REM、N-REM睡眠期識別結果。

附圖說明

圖1為本發明智能設備端處理流程圖。

具體實施方式

下面結合具體實施例，進一步闡明本發明，應理解這些實施例僅用於說明本發明而不用於限制本發明的範圍，在閱讀了本發明之後，本領域技術人員對本發明的各種等價形式的修改均落於本申請所附權利要求所限定的範圍。

1、硬體環境

具有音頻採集和處理功能的智能設備，能夠實現以不低於600Hz的頻率採樣音頻的能力；具有不低於1MB的內存；具備500MHz以上主頻的CPU；

2、應用場景

在應用本發明公開的基於音頻處理的睡眠期識別方法，可以以系統後臺服務或應用內嵌模塊的形式進行應用。在具有音頻採集和處理功能的智能設備按照本發明所公開的技術方案實現REM、N-REM睡眠周期識別。將具有音頻採集和處理功能的智能設備放置在能探測到用戶睡眠產生的事件音頻輻射範圍內，按照本發明所公開的技術方案實現最終的識別結果是用戶在睡眠中REM、N-REM睡眠期的分布。

發明所涉及技術的典型應用場景包括：日常睡眠監測、睡眠質量評估、生活習慣評估；且本發明所闡述的方法應該用於醫學用途，僅作為日常監測手段。應用於日常睡眠監測時，可以僅用於對短期睡眠的監測，也可以額外增加長期睡眠狀況記錄功能，對長期睡眠的REM、N-REM睡眠周期的分布規律進行進一步的分析、處理。用於隨眠質量評估時，本發明所闡述的方法提供了REM、N-REM睡眠周期的監測手段，對全面的睡眠質量評估有重要作用。應用於生活習慣評估時，本發明所闡述的方法監測出的REM、N-REM周期結合醫學背景知識能夠得到關於用戶飲食、精神狀態、睡眠習慣等多方面的信息。

3、方法描述

本方法所涉及的使用具有音頻採集和處理功能的智能設備基於音頻處理的睡眠期識別方法，其設備應當放置在能探測到用戶睡眠產生的事件音頻輻射範圍內。步驟如下：

1)具有音頻採集和處理功能的智能設備需放置在用戶入睡地點附近，保證用戶入睡地點在該設備的探測範圍內，保持該設備在用戶睡眠期間運行；

2)設備在運行期間通過音頻模塊採集音頻數據，按照時間順序放置於內存中，對數據進行分幀分得一系列數據幀，並對每一個數據幀內的數據進行快速傅立葉變換，得到數據幀對應的頻域表示，並將一系列數據幀對應的頻域表示按時間順序緩存於內存中；

3)對2)中得到的每一個數據幀中的各個頻段對應的幅值累加得到一系列的幀頻域和，用滑動窗口按照時間順序逐幀推移，推移同時對滑動窗口內的第一幀按照超均值n倍的方式添加事件標記，產生事件序列S；

4)將3)中得到的事件序列S標記有事件的幀的頻域信息進行存儲，組成由頻域信息和該頻域信息對應的採樣時間t組成的一系列原始數據條目Ors；

5)對4)中得到的原始數據條目Ors，根據其採樣時間序列找出其中時間連續的條目，對於連續的條目進行合併，組成幀頻域信息和採樣時間組成的事件條目e；整個事件序列S將被分割成由若干個e條目組成的事件條目序列Es＝；

6)對5)中得到的Es序列，計算其中每個條目e的採樣時間跨度elength，和兩個相鄰條目的採樣時間間隔estep；若(1/elength)>l*estep(其中l為可控參數)則將該estep前後的兩個條目合併成新的條目em；整個Es序列將被重新組合成Ems＝序列；

7)對6)中得到的Ems序列，計算其中每個條目em＝的時序相關特徵、頻域相關特徵；將em條目中的每個幀頻域信息對應的頻段計算平均值後歸一化，提取頻域均值統計特徵；將時序相關特徵attrt、頻域相關特徵attrf、頻域均值統計特徵atttrs、em對應的開始時間tstart、結束時間tend組成條目attr＝；整個Ems序列將產生一系列的attr序列，記為Attrs＝。

8)對7)中得到的Attrs序列，將其中每一個attr作為輸入送入機器學習訓練完成的分類算法進行分類，確定該attr所描述的時間內發生的事件為何種類型的睡眠相關事件(打鼾、軀幹運動、咳嗽、磨牙、夢囈)；將attr中的em的開始時間tstart、結束時間tend、類型識別結果r組成新的條目tempR＝；整個Attrs序列將得到一系列tempR，構成TempRs＝序列。

9)對8)中得到的TempRs序列，構造鍵值序列TVs，鍵為時間，值為睡眠狀態評估，鍵中的時間值跨度為用戶睡眠時長，值中的睡眠狀態評估值預設為a；依次處理TempRs中的條目tempR，根據tempR中的最小採樣時間和最大採樣時間確定TVs序列中需要調整的數值，根據類型識別結果調整TVs序列中對應的值；整個TempRs序列將被用來生成一個時間-睡眠狀態評估的鍵值序列TVs＝；

10)對9)中得到的TVs鍵值序列，結合睡眠醫學中的正常睡眠REM、N-REM周期模型、刺激飲料影響下的REM、N-REM睡眠周期模型N-REM睡眠周期模型、疲勞狀態下的REM、N-REM睡眠周期模型；選擇最合適的模型擬合，對TVs進行調整得到用戶的REM、N-REM睡眠期識別結果。

進一步地，具有音頻採集和處理功能的智能設備放置在用戶睡眠位置周圍，以能探測到用戶睡眠中產生的音頻為工作距離；其中音頻採集和處理功能的智能設備包括智慧型手機和智能手錶。

進一步地，步驟2)的具體過程為：

2.1)具有音頻採集和處理功能的智能設備以高於min kHz採樣頻率採集音頻數據，為保證對事件捕獲的完整性，2)中的min不應該小於0.6；對採集到的數據進行緩存，留備後用；

2.2)對採集到的音頻數據按照s秒劃分數據幀，其中s根據使用環境決定，s的取值0.1至0.5為宜；

2.3)對分幀後的數據以幀為單位進行快速傅立葉變換，得到該幀在頻域內的數字表示；

2.4)對經過快速傅立葉變換後的幀的頻域數據，截取0到k kHz的數據，留備後用；其中k根據使用環境的不同設置，k的取值應當大於300小於32000。

進一步地，步驟3)的具體過程為：

3.1)對步驟2.4中產生的每個幀中截取後的快速傅立葉變換結果的頻域離散值分別累加，得到幀頻域和；

3.2)構造長度twind秒，即twind/s個幀長度的滑動窗口，該滑動窗口每次向時間增加的方向推移1個幀的時間長度，其中twind介於[0.5，5]；

3.3)每次推移執行前對該滑動窗口內的twind/s個幀頻域和計算均值得到滑動窗口頻域均值；取該滑動窗口第一幀的幀頻域和與滑動窗口頻域均值n倍做比較；若幀頻域和較大，則在事件序列後添加標記標註此幀包含事件；若幀頻域和較小，則在事件序列後添加標記標註此幀不包含事件；得到事件序列S＝；

其中的n由使用環境決定，若使用環境相對嘈雜，則n設置為在區間[3,10]；若使用環境相對安靜，則n設置在區間[1.5，3)。

進一步地，步驟4)的具體過程為：

4.1)遍歷步驟3.3中產生的S序列，對其中標記為包含事件的幀，添加該幀的開始時間數據構造Ors序列；Ors中每個條目ori＝由頻域信息fri和採樣時間ti構成，fri由2)中FFT變換結果順序存儲得到，ti由2)中s秒劃分的每次劃分的切割的開始時間構成；其中t可以作為單獨的序列Ts＝提取使用，且元素順序和Ors中保持一致。

進一步地，步驟5)的具體過程為：

5.1)使用步驟4.1中的Ts序列，對其按照時間從小到大的順序進行遍歷，若ti+s＝ti+1，就認為ti和ti+1連續；此處的連續具有傳遞性，即ti和ti+1連續、ti+1和ti+2連續，則ti、ti+1、ti+2三者連續，因為有ti+1元素的存在，ti和ti+2也具有連續性；將具有連續性的t分別構成集合tset，若ti不存在於任何tset集合，則將其單獨構成一個集合；

通過上述方法形成一系列tset，其中任意一個集合中的t元素都和該集合內的其他元素具有連續性，且任意一個集合中的ti都不應該和其他集合中的tj具有連續性；

5.2)對於每一個集合構造事件條目e＝，e中包含Ors中的頻域信息以及時間信息，計算步驟如下：將集合內的數據以及其對應的Ors中數據按照時間順序排列，找出最小的時間tmin和最大時間tmax；將屬於該集合對應Ors條目中的fr序列按照時間順序存儲，並將tmin和tmax+s同時存儲，分別命名為tstart和tend，保持其中的對應關係，組織成事件條目e整個S序列將被分割成由若干個e條目組成的事件條目序列Es＝；其中s為步驟2.2中的分幀s；

進一步地，步驟6)的具體過程為：

6.1)對5)中的每個條目e取出其tstart和tend，計算elength＝tend-tstart；

6.2)對5)中兩個相鄰條目e的採樣時間間隔estep計算步驟如下：對於序列Es選取其中某一個條目ei後，取出該條目中tstarti，即該條目的開始時間，取出該條目中tendi，即該條目的結束時間；在序列Es去除ei後的元素中，選tstartj小於tstarti的序列Ess中tstart最大的條目ef；在序列Es去除ei元素後的元素中，選取tstartj大於tstarti的序列Esl中tstart最小的條目eb；條目ei的estep由前項間隔ei.tstarti-ef.tend和後項間隔eb.tstart-ei.tendi組成；

6.3)若步驟6.2中的前項間隔滿足(1/elength)>l*estep.前項間隔，前後兩項即指步驟6.2中的ei和ef並在之間填補(ei.tstarti-ef.tend)/s個空條目Oif＝，形成的新條目稱為em＝；若步驟6.2中的後項間隔滿足(1/Elength)>l*estep.後項間隔，前後兩項即指步驟6.2中的ei和eb並在之間填補(eb.tstart-ei.tendi)/s個空條目Obi＝，形成的新條目稱為em＝；

其中的s為步驟2.2中的取值；其中的(1/elength)>l*estep，其中l應當介於[0.5,2]；

6.4)將所有em組織成整個Ems＝序列，進行存儲留備後用。

進一步地，步驟7)的具體過程為：

7.1)計算Ems的時序相關特徵，具體如下：對每個em元素計算得到每個ei的幀頻域和sumi，得到幀頻域和序列SUM＝，對該序列求方差所得的值記為Dsum；em中空條目的數量除以j的值記為loadR，其中j為em中元素的個數；Ems的時序相關特徵由Dsum和loadR構成；

7.2)將em條目中的每個幀頻域信息對應的頻段計算平均值後歸一化，形成新的條目Eavrg；

7.3)計算頻域相關特徵，具體如下：計算Eavrg的均值、方差；

7.4)計算頻域均值統計特徵，具體如下：Eavrg的最小值、最小值出現的頻率、最大值、最大值出現的頻率、非零頻率的數量、非零最大頻率、非零最小頻率、非零最大頻率減去非零最小頻率的差、非零最大頻率減去非零最小頻率的差除以非零頻率個數的商；

7.5)將步驟7.1至步驟7.4中的結果按固定順序將時序相關特徵、頻域相關特徵、頻域均值統計特徵、em中最小tstart(對應該em的開始時間)、Em中最大tend(對應該em的結束時間)排列組成的序列，稱作attr；

7.6)將整個序列Ems產生的所有Attr序列組織存儲形成Attrs＝序列，留備後用。

進一步地，步驟8)的具體過程為：

8.1)按照1)至7)得到的Attrs加上額外的類別標籤數據訓練出的監督式機器學習分類器；

8.2)將Attrs中的條目逐一送入訓練完成的分類器，完成對事件的類型識別，將類型結果和em中最小tstart、em中最大tend組織成tempR；對所有Attrs中的條目進行該操作，得到事件類型結果序列

TempRs＝。

進一步地，步驟9)的具體過程為：

9.1)構造鍵值序列TVs＝，每一個鍵值tvi中鍵為時間，值為睡眠狀態評估；其中值預置為a，表示REM睡眠狀態，鍵中的時間應當與用戶睡眠時段相吻合；鍵中的時間單元前後跨度為m分鐘；一個鍵所表示的時間覆蓋範圍是該鍵中的時間值開始和其後的m分鐘；

9.2)對8)中得到的TempRs中的每個元素tempR，取出8)中保存在其中的tstart、tend；將TVs序列中鍵覆蓋範圍和tstart和tend構成的區間有重合的元素標記為需要修改的元素；

9.3)根據tempR中類型識別結果調整TVs序列中對應的需要修改的元素操作如下：若tempR中識別結果為軀幹運動、咳嗽、夢囈就將步驟9.2中需要修改的元素數值設置為b；若結果為其他則不調整；其中b不等於a；

9.4)對8)中得到的TempRs中每個元素都執行步驟9.1和步驟9.2操作，得到修改完成的序列TVs＝。

進一步地，步驟10)的具體過程為：

10.1)睡眠模型構造方式如下：生成長度為用戶睡眠時長除以m的全b序列L，其中b表示N-REM睡眠狀態；計算用戶睡眠時長除以100分鐘的商，對其四捨五入得到整數n；將L序列等分n份，形成L＝序列，其中m為9.1)中所述m分鐘中的時間長度；

10.2)對於正常睡眠REM、N-REM周期模型，對每個li在其長度*0.7的位置開始，將在長度*0.7至長度*0.95內的數字設置為a得到lni；得到序列Lnorm＝；

10.3)對刺激飲料影響下的REM、N-REM睡眠周期模型，設置睡眠階段計數參數j＝1；

定義操作OP：對所有i>j的Li在其長度*0.7的位置開始，將後續li長度*0.25個數字設置為a得到ldi；得到序列Ldrinkj＝；

對所有1<j<n的整數執行操作OP，得到Ldrinkj組，該組內的元素都是刺激飲料影響下的REM、N-REM睡眠周期模型；

10.4)10)中疲勞狀態下的REM、N-REM睡眠周期模型：對l1在其長度*0.2的位置開始，將後續li長度*0.3個數字設置為a得到lt1；對後續每個li在其長度*0.7的位置開始，將後續li長度*0.25個數字設置為a得到lti；得到序列Ltired＝；

10.5)將9)中得到TVs序列和步驟10.2至10.4產生的各個模型序列做逐位做比較，若對應位置上的數值不相等，則記錄對該模型的錯誤匹配數量增加；完成對所有序列的比較後，將錯誤數量最小的模型序列命名為Lbestfit，並存儲留後用；

10.6)重新逐位比較TVs和Lbestfit，對於由TVs中值為a而Lbestfit中值為b導致的錯誤，將TVs中該位置的數值調整為b；對於由TVs中值為b而Lbestfit中值為a導致的錯誤，不做操作；得到最終結果TVs，其中a表示用戶睡眠的REM狀態，b表示用戶睡眠的N-REM狀態。

方法的實施如圖1所示：

1)智能設備端基於數據分幀和快速傅立葉變換的數據預處理方法

如圖1，在智能設備端監聽麥克風讀數，並以不低於600Hz的採樣率獲取音頻採樣數據。當接收到來自智能手錶的音頻信號後，其表現形式為按照時間順序排列的一系列音頻採樣數據，每秒鐘不少於600個數據點。後使用一個長度為0.1s的非重疊式滑動窗口對輸入音頻數據流進行分割，每次分割得到一個數據幀，其中包含不少於60個數據點。對於每一個數據幀，對其進行快速傅立葉變換，得到數據幀可探測最高頻率不低於300Hz的表示(即技術方案步驟二中的k的取值決定)。將該頻域表示進行緩存以備後續使用。

2)智能設備端基於超均值n倍的事件探測方法完成事件提取

對事件的探測基於技術方案步驟3)，以滑動窗口均值為基準，對每一個幀進行超均值n倍的監測方式(n的取值以落在[3，10]區間內為宜)，從連續的頻域表示中篩選出包含事件特徵的幀，步驟三中滑動窗口的長度介於[3，15]秒為宜；按照技術方案步驟4)，將挑選出的幀添加時間信息，即該幀的採樣時間；依照添加的時間信息，按照技術方案步驟5)進行連續幀的合併；按照技術方案步驟6)，將連續發生的事件進行自適應的合併，其中l設置在0.25左右為宜；得到對單一事件的數字表示，留備後續使用；

3)智能設備端的特徵提取和基於機器學習的事件識別

按照技術方案步驟7)得到時序相關特徵、頻域相關特徵、統計學數字特徵，形成對該事件的數字特徵提取；按照技術方案步驟8)中的事件標籤設置配監督式機器學習算法，訓練機器學習算法時需要注意不平衡標記問題，應當對其中的軀幹運動應當予以增加權重，使得該事件的誤判漏判率儘量低，分類器的選擇推薦Random Forest，或效果更佳的分類器；按照技術方案步驟8.1對機器學習方法進行訓練得到適合該場景的分類器模型；並且按照技術方案步驟8)中所述完成分類和時間信息的添加得到事件分類結果，留備後續使用；

4)智能設備端REM、N-REM周期初步判別

按照技術方案步驟9)所述，預置參數(其中a、b只要不相等即可，其中m的取值範圍(0，10]為宜)對睡眠時段判別結果進行初始化，依照事件分類結果對睡眠時段判別結果進行調整，完成對事件分類結果進行REM、N-REM睡眠周期的匹配數學轉換，得到初步的REM、N-REM睡眠周期判別結果，留備後用；

5)睡眠中REM、N-REM睡眠周期固有模式的建立

按照技術方案10.1、步驟10.2、步驟10.3、步驟10.4，實現對正常睡眠REM、N-REM周期模型、刺激飲料影響下的REM、N-REM睡眠周期模型N-REM睡眠周期模型、疲勞狀態下的REM、N-REM睡眠周期模型分別的匹配模型的建立，留備後用；

6)針對用戶的REM、N-REM睡眠周期的識別

按照技術方案10.5所述方式，使用4)中得到的初步REM、N-REM睡眠周期判別結果作為測試模型和5)中建立的匹配模型，得到最匹配的模型，按照技術方案10.6所述方式修正後得到最終識別結果。