本發(fā)明涉及輔助睡眠技術(shù)領(lǐng)域，特別是涉及一種基于二分類器與檢測器融合的睡眠狀態(tài)檢測方法和系統(tǒng)。

背景技術(shù)：

在睡眠中，人體進(jìn)行了自我放松及恢復(fù)的過程，因此良好的睡眠是保持身體健康的一項(xiàng)基本條件；但是由于工作壓力大、生活作息不規(guī)律等原因，導(dǎo)致了部分人群的睡眠質(zhì)量欠佳，表現(xiàn)為失眠、半夜驚醒等。

目前市面上已經(jīng)有一些設(shè)備來幫助人們?nèi)胨岣咚哔|(zhì)量。例如在某一特定睡眠狀態(tài)下通過聲音、光信號等人工干預(yù)，避免在熟睡狀態(tài)下叫醒用戶等。對于輔助睡眠的設(shè)備而言，為了真正達(dá)到提高用戶睡眠質(zhì)量的目的，正確的檢測用戶的睡眠狀態(tài)是非常重要的。

目前臨床上主要采用多導(dǎo)睡眠圖識別睡眠狀態(tài)，主要是利用腦電信號來對睡眠進(jìn)行分析，通過訓(xùn)練睡眠狀態(tài)模型來識別被測者是屬于睡眠或清醒狀態(tài)，但由于腦電信號的個人特異性很強(qiáng)，并且強(qiáng)度很弱，在信號采集時極易被外界信號所干擾。因此一般預(yù)先訓(xùn)練出來的分類器對很多用戶的檢測存在誤差，準(zhǔn)確性難以得到保證。

技術(shù)實(shí)現(xiàn)要素：

基于此，有必要針對上述問題，提供一種基于二分類器與檢測器融合的睡眠狀態(tài)檢測方法和系統(tǒng)，有效地提高預(yù)設(shè)分類器識別的準(zhǔn)確性。

一種基于二分類器與檢測器融合的睡眠狀態(tài)檢測方法，包括：

采集用戶在睡眠過程中產(chǎn)生的腦電信號，根據(jù)睡眠狀態(tài)識別的識別任務(wù)從所述腦電信號中提取相應(yīng)的特征數(shù)據(jù)；

將所述特征數(shù)據(jù)分別輸入預(yù)設(shè)分類器、第一檢測器以及第二檢測器進(jìn)行檢測；其中，預(yù)設(shè)分類器用于檢測用戶的清醒或睡眠狀態(tài)，第一檢測器用于檢測用戶的清醒狀態(tài)，第二檢測器用于檢測用戶的睡眠狀態(tài)；

若第一檢測器與第二檢測器的輸出結(jié)果不一致，則以第一檢測器與第二檢測器的輸出結(jié)果檢測用戶的睡眠狀態(tài)，并分別對第一檢測器與第二檢測器輸出的特征數(shù)據(jù)進(jìn)行類型標(biāo)注；若第一檢測器與第二檢測器的輸出結(jié)果一致，則以預(yù)設(shè)分類器的輸出結(jié)果檢測用戶的睡眠狀態(tài)；

利用標(biāo)注的特征數(shù)據(jù)對所述預(yù)設(shè)分類器進(jìn)行訓(xùn)練得到新的分類器，并利用該新的分類器取代所述預(yù)設(shè)分類器，檢測用戶的睡眠狀態(tài)。

一種基于二分類器與檢測器融合的睡眠狀態(tài)檢測系統(tǒng)，包括：

特征數(shù)據(jù)提取模塊，用于采集用戶在睡眠過程中產(chǎn)生的腦電信號，根據(jù)睡眠狀態(tài)識別的識別任務(wù)從所述腦電信號中提取相應(yīng)的特征數(shù)據(jù)；

分類器融合檢測模塊，用于將所述特征數(shù)據(jù)分別輸入預(yù)設(shè)分類器、第一檢測器以及第二檢測器進(jìn)行檢測；其中，預(yù)設(shè)分類器用于檢測用戶的清醒或睡眠狀態(tài)，第一檢測器用于檢測用戶的清醒狀態(tài)，第二檢測器用于檢測用戶的睡眠狀態(tài)；

結(jié)果判斷和數(shù)據(jù)標(biāo)注模塊，用于若第一檢測器與第二檢測器的輸出結(jié)果不一致，則以第一檢測器與第二檢測器的輸出結(jié)果檢測用戶的睡眠狀態(tài)，并分別對第一檢測器與第二檢測器輸出的特征數(shù)據(jù)進(jìn)行類型標(biāo)注；若第一檢測器與第二檢測器的輸出結(jié)果一致，則以預(yù)設(shè)分類器的輸出結(jié)果檢測用戶的睡眠狀態(tài)；

分類器訓(xùn)練和更新模塊，用于利用標(biāo)注的特征數(shù)據(jù)對所述預(yù)設(shè)分類器進(jìn)行訓(xùn)練得到新的分類器，并利用該新的分類器取代所述預(yù)設(shè)分類器，檢測用戶的睡眠狀態(tài)。

上述基于二分類器與檢測器融合的睡眠狀態(tài)檢測方法和系統(tǒng)，基于腦電信號的特征數(shù)據(jù)，在預(yù)設(shè)分類器基礎(chǔ)上，進(jìn)一步設(shè)置了清醒狀態(tài)和睡眠狀態(tài)的二分類檢測器，融合分類器檢測結(jié)果和檢測器輸出結(jié)果對特征數(shù)據(jù)進(jìn)行類型標(biāo)注，然后通過標(biāo)注類型的特征數(shù)據(jù)輸入預(yù)設(shè)分類器訓(xùn)練出新的分類器，取代原預(yù)設(shè)分類器，檢測用戶的睡眠狀態(tài)。該方案可以在使用過程中訓(xùn)練出更加接近于用戶個人特異性的分類器，可以提高分類器的準(zhǔn)確率，增強(qiáng)睡眠狀態(tài)檢測的準(zhǔn)確性。

附圖說明

圖1為一個實(shí)施例的基于二分類器與檢測器融合的睡眠狀態(tài)檢測方法的流程圖；

圖2為濾波處理前后的腦電信號示意圖；

圖3是二分類器融合檢測器檢測睡眠狀態(tài)的示意圖；

圖4為一個實(shí)施例的基于二分類器與檢測器融合的睡眠狀態(tài)檢測系統(tǒng)結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面結(jié)合附圖闡述本發(fā)明的基于二分類器與檢測器融合的睡眠狀態(tài)檢測方法和系統(tǒng)的實(shí)施例。

參考圖1所示，圖1為一個實(shí)施例的基于二分類器與檢測器融合的睡眠狀態(tài)檢測方法的流程圖，包括：

步驟S101，采集用戶在睡眠過程中產(chǎn)生的腦電信號，根據(jù)睡眠狀態(tài)識別的識別任務(wù)從所述腦電信號中提取相應(yīng)的特征數(shù)據(jù)；

在本步驟中，如在對用戶進(jìn)行輔助睡眠時，通過用戶佩戴相關(guān)傳感設(shè)備，檢測用戶的腦電信號，在采集腦電信號時，可以以30s為一幀進(jìn)行采集。

根據(jù)需要進(jìn)行睡眠狀態(tài)識別的任務(wù)，確定特征數(shù)據(jù)類型，從腦電信號中提取與之相應(yīng)的特征數(shù)據(jù)；例如，要識別清醒狀態(tài)或睡眠狀態(tài)，提取用于進(jìn)行這兩種狀態(tài)識別的特征數(shù)據(jù)。

在一個實(shí)施例中，提取特征數(shù)據(jù)前，還可以對所采集的腦電信號進(jìn)行濾波處理，濾除高頻噪聲和工頻干擾。例如，腦電信號的有用信息多集中在0-100Hz的范圍內(nèi)，在采集過程中會摻入頻率在該范圍外的噪聲，因此，可以通過濾波手段將其濾除。可以同帶通濾波器濾除高頻噪聲，并設(shè)計(jì)一個陷波器(50/60Hz)來濾除工頻干擾。

參考圖2所示，圖2為濾波處理前后的腦電信號示意圖，上圖為原始信號，下圖為經(jīng)過濾波處理之后的信號，可以發(fā)現(xiàn)大部分的高頻噪聲已被濾除。

對于提取特征數(shù)據(jù)的方案，本發(fā)明提供若干實(shí)施例，具體過程包括如下：

(1)提取腦電信號的基線，計(jì)算所述基線的變化幅度；其中，所述變化幅度為基線最大值減去最小值；

(2)在去掉基線后，對所述腦電信號進(jìn)行小波分解，獲得小波系數(shù)，并根據(jù)小波系數(shù)計(jì)算小波系數(shù)的特征參數(shù)；其中，所述特征參數(shù)包括小波系數(shù)的均值、方差、峭度系數(shù)和/或斜度系數(shù)；

為了更好地分解出所述各種頻率波形，小波分解的層數(shù)與腦電信號的采樣頻率滿足如下關(guān)系：f＝2^N+2，其中，f為腦電信號的采樣頻率，N為小波分解的層數(shù)；例如，當(dāng)信號的降采樣率為128Hz時，可以選擇4層分解，當(dāng)信號的采樣率為256Hz時，則可以進(jìn)行5層分解。

(3)在去掉基線后，計(jì)算腦電信號的LZ復(fù)雜度和樣本熵；

將所述基線的變化幅度、小波系數(shù)的特征參數(shù)、LZ復(fù)雜度和樣本熵設(shè)為所述特征數(shù)據(jù)；

由上述實(shí)施例的方案，作為信號特征的數(shù)據(jù)包括了基線的變化幅度、小波系數(shù)的特征參數(shù)、LZ復(fù)雜度和樣本熵等。

進(jìn)一步地，還可以利用腦電信號的多個波段的波形來進(jìn)行識別，在小波重構(gòu)中提取所述腦電信號δ波頻段、θ波頻段、α波頻段和β波頻段的信號；根據(jù)頻率的不同，腦電信號是可以分為4種節(jié)律腦電波：δ波(1-3Hz)，θ波(4-7Hz)，α波(8-12Hz)，β波(14-30Hz)，在此，可以提取出這四種腦電波后，利用這些腦電波來計(jì)算相關(guān)特征，具體方案可以如下：

(4)分別計(jì)算腦電信號中δ波頻段，θ波頻段，α波頻段，β波頻段的能量在總能量中的比例；將該比例也作為特征數(shù)據(jù)輸入分類器進(jìn)行識別；計(jì)算方法可以包括如下公式：

r_δ＝∑(y_δ)²/p_total

r_θ＝∑(y_θ)²/p_total

r_α＝∑(y_α)²/p_total

r_β＝∑(y_β)²/p_total

其中p_total＝∑(y_δ)²+∑(y_θ)²+∑(y_α)²+∑(y_β)²，y_δ，y_θ，y_α和y_β分別表示重構(gòu)后的δ頻段、θ頻段、α頻段和β頻段的信號，r_δ，r_θ，r_α和r_β分別代表δ頻段、θ頻段、α頻段和β頻段的信號的能量在總能量的比例。

(5)分別計(jì)算在一幀的時間內(nèi)，腦電信號中δ波頻段，θ波頻段，α波頻段，β波頻段能量最大的時間長度；將該時間也作為特征數(shù)據(jù)輸入分類器進(jìn)行識別，計(jì)算方法可以包括如下公式：

1、一種睡眠狀態(tài)樣本數(shù)據(jù)類型的標(biāo)注方法，其特征在于，包括：

采集用戶在睡眠狀態(tài)分析中產(chǎn)生的腦電信號，得到樣本數(shù)據(jù)；

構(gòu)建多種睡眠狀態(tài)類型的樣本數(shù)據(jù)的特征向量以及特征向量聚集而成的簇中心，根據(jù)所述特征向量及其簇中心建立目標(biāo)函數(shù)；其中，所述目標(biāo)函數(shù)表征最小化相同類型的樣本數(shù)據(jù)與字典原子的距離，且最大化不同類型的原子之間的距離；

分別從多種睡眠狀態(tài)類型的樣本數(shù)據(jù)中選擇若干個特征向量作為原子的初始值，將各個樣本數(shù)據(jù)分配至所述原子并求解所述目標(biāo)函數(shù)，得到分類字典；

將樣本數(shù)據(jù)輸入分類字典，比較與樣本數(shù)據(jù)最近的原子的類型與距離，若距離小于預(yù)設(shè)的閾值，則將該樣本數(shù)據(jù)的類型標(biāo)注為與該原子的類型一致。

2、根據(jù)權(quán)利要求1所述的睡眠狀態(tài)樣本數(shù)據(jù)類型的標(biāo)注方法，其特征在于，所述目標(biāo)函數(shù)為：

式中，設(shè)有t種睡眠狀態(tài)類型的樣本數(shù)據(jù)，p＝1，…，t為特征向量，p＝1，…，t為特征向量聚集而成的簇中心。

3、根據(jù)權(quán)利要求2所述的睡眠狀態(tài)樣本數(shù)據(jù)類型的標(biāo)注方法，其特征在于，所述睡眠狀態(tài)類型包括清醒類型和睡眠類型；

所述目標(biāo)函數(shù)為：

式中，i＝1，…，n^wake為清醒類型的特征向量，j＝1，…，k^wake為清醒類型式中，c_δ，c_θ，c_α和c_β表示δ頻段、θ頻段、α頻段和β頻段的信號在當(dāng)前幀內(nèi)所占能量比例最大的時間長度，分別表示第i秒內(nèi)δ頻段、θ頻段、α頻段和β頻段的信號的能量在總能量的比例。

步驟S102，將所述特征數(shù)據(jù)分別輸入預(yù)設(shè)分類器、第一檢測器以及第二檢測器進(jìn)行檢測；其中，預(yù)設(shè)分類器用于檢測用戶的清醒或睡眠狀態(tài)，第一檢測器用于檢測用戶的清醒狀態(tài)，第二檢測器用于檢測用戶的睡眠狀態(tài)；

對于上述預(yù)設(shè)分類器，可以是采用RBF核的SVM(Support Vector Machin，支持向量機(jī))分類器，也可以采用神經(jīng)網(wǎng)絡(luò)、決策樹的分類器。該分類器是通過其他樣本數(shù)據(jù)訓(xùn)練得到。

訓(xùn)練過程可以如下：

(1)獲取所述用戶的特征數(shù)據(jù)，從兩種類型的特征數(shù)據(jù)中分別隨機(jī)抽取相同數(shù)量的樣本作為訓(xùn)練數(shù)據(jù)，其余作為測試數(shù)據(jù)；

(2)將所述訓(xùn)練數(shù)據(jù)輸入支持向量機(jī)分類器或神經(jīng)網(wǎng)絡(luò)進(jìn)行自學(xué)習(xí)，利用grid-test算法尋找識別率最高的參數(shù)，將該參數(shù)設(shè)為最優(yōu)參數(shù)；

對于支持向量機(jī)分類器，訓(xùn)練過程中采用網(wǎng)格測試方法選擇最優(yōu)的懲罰因子C和RBF核的參數(shù)σ；調(diào)節(jié)所述懲罰因子C和參數(shù)σ，將識別率最高時對應(yīng)的參數(shù)設(shè)為最優(yōu)參數(shù)；其中，懲罰因子C的取值范圍可以為[2^-2，2¹²]，所述參數(shù)σ的取值范圍可以為[2^-2，2¹⁰]；上述訓(xùn)練過程中，由于訓(xùn)練數(shù)據(jù)是從采集數(shù)據(jù)中隨機(jī)抽取的，因此此過程可以重復(fù)若干次；

(3)利用所述最優(yōu)參數(shù)在訓(xùn)練數(shù)據(jù)中再運(yùn)行一次，得到分類器；

(4)利用所述測試數(shù)據(jù)在該分類器上進(jìn)行測試準(zhǔn)確率，測試完成后得到預(yù)設(shè)分類器。

由于腦電信號的個人特異性很強(qiáng)，并且腦電信號的強(qiáng)度很弱，在信號采集時，極易被外界信號所干擾。因此，事先采集訓(xùn)練數(shù)據(jù)訓(xùn)練出來的分類器，對于部分測試數(shù)據(jù)來說其效果并不理想。

基于上述現(xiàn)象，在本步驟中，設(shè)置了清醒狀態(tài)和睡眠狀態(tài)的二分類的檢測器以對特征數(shù)據(jù)進(jìn)行標(biāo)注，進(jìn)而通過標(biāo)注的特征數(shù)據(jù)訓(xùn)練出符合個人特性的新分類器，以更新預(yù)設(shè)分類器，取代其用來檢測用戶的睡眠狀態(tài)。

上述檢測器一般選取一定敏感度(sensitivity)的前提下，具有較高的準(zhǔn)確度(precision)的檢測器。

另外，為了獲得較為理想的檢測器，第一檢測器和第二檢測器可以采用理想檢測器，利用調(diào)整對應(yīng)樣本的懲罰因子的方法來訓(xùn)練所述第一檢測器和第二檢測器。

實(shí)驗(yàn)結(jié)果表明，這兩種檢測器的敏感度均高于70％，準(zhǔn)確度均高于95％。

對于上述兩個檢測器，根據(jù)分類任務(wù)的評價指標(biāo)，總體準(zhǔn)確度(over accuracy)，敏感率(sensitivity，有時稱為召回率，recall)和精確率(precision)。對于上述清醒狀態(tài)和睡眠狀態(tài)二分類問題，其混淆矩陣見下表：

總體準(zhǔn)確度反映的是所有類型樣本的總的分類準(zhǔn)確性。敏感度指的是所有第1類樣本中，被準(zhǔn)確識別的比例。精確度指的是在所有被識別成第1類的樣本中，真實(shí)屬于第1類的樣本比例。

在一個實(shí)施例中，對于預(yù)設(shè)分類器、第一檢測器和第二檢測器，功能設(shè)置可以如下：

所述預(yù)設(shè)分類器用于檢測用戶是否處于清醒或睡眠狀態(tài)，輸出結(jié)果為“清醒”或“睡眠”。

所述第一檢測器用于檢測用戶是否處于清醒狀態(tài)，若判斷用戶處于清醒狀態(tài)，輸出結(jié)果為“真”，反之則輸出結(jié)果為“假”；該檢測器能夠較為準(zhǔn)確地檢測出清醒狀態(tài)；

所述第二檢測器用于檢測用戶是否處于睡眠狀態(tài)，若判斷用戶處于睡眠狀態(tài)，輸出結(jié)果為“真”，反之則輸出結(jié)果為“假”；該檢測器能夠較為準(zhǔn)確地檢測出睡眠狀態(tài)。

步驟S103，若第一檢測器與第二檢測器的輸出結(jié)果不一致，則以第一檢測器與第二檢測器的輸出結(jié)果檢測用戶的睡眠狀態(tài)，并分別對第一檢測器與第二檢測器輸出的特征數(shù)據(jù)進(jìn)行類型標(biāo)注；若第一檢測器與第二檢測器的輸出結(jié)果一致，則以預(yù)設(shè)分類器的輸出結(jié)果檢測用戶的睡眠狀態(tài)；

此步驟是基于預(yù)設(shè)分類器、第一檢測器和第二檢測器的識別結(jié)果，對用戶所處睡眠狀態(tài)的判斷方案。

進(jìn)一步的，依據(jù)以下檢測策略進(jìn)行判斷：

(1)若第一檢測器輸出結(jié)果為“真”、第二檢測器的輸出結(jié)果為“假”，分別將第一檢測器與第二檢測器輸出的特征數(shù)據(jù)類型標(biāo)注為清醒；若第一檢測器輸出結(jié)果為“假”、第二檢測器的輸出結(jié)果為“真”，分別將第一檢測器與第二檢測器輸出的特征數(shù)據(jù)類型標(biāo)注為睡眠；

上述方案中，對于特征數(shù)據(jù)類型的標(biāo)注后，這些特征數(shù)據(jù)可以用于訓(xùn)練預(yù)設(shè)分類器，從而提高分類器的檢測睡眠狀態(tài)的準(zhǔn)確性。

(2)若第一檢測器、第二檢測器輸出結(jié)果同為“真”或同為“假”，放棄第一檢測器、第二檢測器的輸出結(jié)果，且不對第一檢測器、第二檢測器輸出的特征數(shù)據(jù)進(jìn)行標(biāo)注；

上述方案中，由于檢測器無法檢測，因此可以依據(jù)預(yù)設(shè)分類器的檢測結(jié)果確定當(dāng)前用戶的睡眠狀態(tài)，此時第一檢測器、第二檢測器的輸出特征數(shù)據(jù)不能用于提高預(yù)設(shè)分類器的訓(xùn)練樣本，因此將其丟棄。

步驟S104，利用標(biāo)注的特征數(shù)據(jù)對所述預(yù)設(shè)分類器進(jìn)行訓(xùn)練得到新的分類器，并利用該新的分類器取代所述預(yù)設(shè)分類器，檢測用戶的睡眠狀態(tài)。

在此步驟中，基于前述步驟S103中已標(biāo)注的特征數(shù)據(jù)，將其作為樣本輸入到預(yù)設(shè)分類器中進(jìn)行訓(xùn)練得到新的分類器，用這個新的分類器取代預(yù)設(shè)分類器，從而可以提高預(yù)設(shè)分類器的檢測睡眠狀態(tài)準(zhǔn)確性。

在實(shí)際應(yīng)用中，隨著用戶的不斷使用，可以持續(xù)觸發(fā)，不斷更新分類器，從而可以不斷準(zhǔn)確性，而且當(dāng)應(yīng)用到其他用戶時，也可以重新訓(xùn)練出分類器，得到更適合該用戶的分類器。

在一個實(shí)施例中，在訓(xùn)練新的分類器時，首先判斷已標(biāo)注類型的特征數(shù)據(jù)的數(shù)量，當(dāng)數(shù)量達(dá)到設(shè)定閾值時，將已標(biāo)注的特征數(shù)據(jù)作為樣本數(shù)據(jù)輸入預(yù)設(shè)分類器進(jìn)行訓(xùn)練得到新的分類器；

通過以設(shè)定閾值，當(dāng)收集到的標(biāo)注類型的特征數(shù)據(jù)達(dá)到一定數(shù)量時，輸入預(yù)設(shè)分類器進(jìn)行訓(xùn)練，避免樣本數(shù)量過低，訓(xùn)練效果不佳。

參考圖3所示，圖3是二分類器融合檢測器檢測睡眠狀態(tài)的示意圖。標(biāo)注過程中除了利用其他樣本數(shù)據(jù)的較為平衡的預(yù)設(shè)分類器之外，還設(shè)計(jì)兩個檢測器，第一檢測器用來監(jiān)測用戶是否處于清醒狀態(tài)，第二檢測器用來監(jiān)測用戶是否睡眠狀態(tài)。

特征數(shù)據(jù)輸入后分別進(jìn)入預(yù)設(shè)分類器、第一檢測器和第二檢測器；通過上述檢測策略進(jìn)行判斷，輸入用戶當(dāng)前的睡眠狀態(tài)檢測結(jié)果，對于標(biāo)注數(shù)據(jù)類型的特征數(shù)據(jù)，輸入至預(yù)設(shè)分類器進(jìn)行訓(xùn)練新的分類器，對于未標(biāo)注數(shù)據(jù)類型的特征數(shù)據(jù)，檢測后將其丟棄。

參考圖4所示，圖4為一個實(shí)施例的基于二分類器與檢測器融合的睡眠狀態(tài)檢測系統(tǒng)結(jié)構(gòu)示意圖，包括：

特征數(shù)據(jù)提取模塊101，用于采集用戶在睡眠過程中產(chǎn)生的腦電信號，根據(jù)睡眠狀態(tài)識別的識別任務(wù)從所述腦電信號中提取相應(yīng)的特征數(shù)據(jù)；

分類器融合檢測模塊102，用于將所述特征數(shù)據(jù)分別輸入預(yù)設(shè)分類器、第一檢測器以及第二檢測器進(jìn)行檢測；其中，預(yù)設(shè)分類器用于檢測用戶的清醒或睡眠狀態(tài)，第一檢測器用于檢測用戶的清醒狀態(tài)，第二檢測器用于檢測用戶的睡眠狀態(tài)；

結(jié)果判斷和數(shù)據(jù)標(biāo)注模塊103，用于若第一檢測器與第二檢測器的輸出結(jié)果不一致，則以第一檢測器與第二檢測器的輸出結(jié)果檢測用戶的睡眠狀態(tài)，并分別對第一檢測器與第二檢測器輸出的特征數(shù)據(jù)進(jìn)行類型標(biāo)注；若第一檢測器與第二檢測器的輸出結(jié)果一致，則以預(yù)設(shè)分類器的輸出結(jié)果檢測用戶的睡眠狀態(tài)；

分類器訓(xùn)練和更新模塊104，用于利用標(biāo)注的特征數(shù)據(jù)對所述預(yù)設(shè)分類器進(jìn)行訓(xùn)練得到新的分類器，并利用該新的分類器取代所述預(yù)設(shè)分類器，檢測用戶的睡眠狀態(tài)。

本發(fā)明的基于二分類器與檢測器融合的睡眠狀態(tài)檢測系統(tǒng)與本發(fā)明的基于二分類器與檢測器融合的睡眠狀態(tài)檢測方法一一對應(yīng)，在上述基于二分類器與檢測器融合的睡眠狀態(tài)檢測方法的實(shí)施例闡述的技術(shù)特征及其有益效果均適用于基于二分類器與檢測器融合的睡眠狀態(tài)檢測系統(tǒng)的實(shí)施例中，特此聲明。

以上所述實(shí)施例的各技術(shù)特征可以進(jìn)行任意的組合，為使描述簡潔，未對上述實(shí)施例中的各個技術(shù)特征所有可能的組合都進(jìn)行描述，然而，只要這些技術(shù)特征的組合不存在矛盾，都應(yīng)當(dāng)認(rèn)為是本說明書記載的范圍。

以上所述實(shí)施例僅表達(dá)了本發(fā)明的幾種實(shí)施方式，其描述較為具體和詳細(xì)，但并不能因此而理解為對發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是，對于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù)范圍。因此，本發(fā)明專利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。