1.本发明实施例涉及人工智能技术领域，尤其涉及一种在离床状态判定方法、装置、智能床垫及介质。
背景技术：
2.智能床垫是采用传统的床垫与现代科技相结合，针对人体睡眠习惯，经过科学组合设计出的床垫。智能床垫能够依据气囊气压的变化，实现对用户在离床状态的判断。
3.目前，智能床垫仅通过气囊气压进行在离床状态的判断，判断算法主要依靠气囊压力波动大小是否超出阈值进行判定，其中，阈值为预先设定的固定值，通过该方法所进行的判断其准确性和适用性不高，进而影响了智能床垫的使用体验。
技术实现要素：
4.本发明提供一种在离床状态判定方法、装置、智能床垫及介质，以全面提高智能床垫的在离床状态判定算法的准确性和适用性。
5.第一方面，本发明实施例提供了一种在离床状态判定方法，应用于智能床垫，所述方法包括：
6.获取所述智能床垫相关的当前参数信息；
7.根据所述当前参数信息，结合预设的状态判定策略，确定当前使用者相对所述智能床垫的在离床状态；
8.其中，所述状态判定策略为：至少一个动作状态的状态判定阈值，或者，预先训练好的状态判定网络模型。
9.第二方面，本发明实施例还提供了一种在离床状态判定装置，应用于智能床垫，所述装置包括：
10.获取模块，用于获取所述智能床垫相关的当前参数信息；
11.确定模块，用于根据所述当前参数信息，结合预设的状态判定策略，确定当前使用者相对所述智能床垫的在离床状态；
12.其中，所述状态判定策略为：至少一个动作状态的状态判定阈值，或者，预先训练好的状态判定网络模型。
13.第三方面，本发明实施例还提供了一种智能床垫，包括：布设有至少一个可控制充放气的气囊；一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述处理器实现如本发明实施例中任一所述的在离床状态判定方法。
14.第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的在离床状态判定方法。
15.本发明实施例通过获取所述智能床垫相关的当前参数信息，根据所述当前参数信息，结合预设的状态判定策略，确定当前使用者相对所述智能床垫的在离床状态。通过本发
明的技术方案，充分考虑到不同使用者的个体信息以及行为习惯的差异，结合智能床垫气囊的气压特征信息，对预设的两种状态判定策略进行动态的更新调整，使得状态判定阈值更加准确，状态判定网络模型更为优化，全面提高了智能床垫的在离床状态判定算法的准确性和适用性。
附图说明
16.图1是本发明实施例一提供的一种智能床垫的示意图；
17.图2是本发明实施例一提供的一种在离床状态判定方法的流程图；
18.图3是本发明实施例一提供的一种在离床状态判定方法中通过状态判定阈值判定在离床状态的示意图；
19.图4是本发明实施例一提供的一种在离床状态判定方法中通过状态判定网络模型判定在离床状态的示意图；
20.图5是本发明实施例一提供的一种在离床状态判定方法中通过状态判定阈值和状态判定网络模型结合判定在离床状态的示意图；
21.图6是本发明实施例二提供的一种在离床状态判定装置的结构示意图；
22.图7是本发明实施例三提供的一种智能床垫的结构示意图。
具体实施方式
23.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
24.实施例一
25.图1是本发明实施例一提供的一种智能床垫的示意图。本发明实施例中的一种在离床状态判定方法应用于智能床垫，智能床垫布设有至少一个可控制充放气的气囊，布设多个气囊的方式可以是均匀布设。图1以智能床垫均匀布设有多个可控制充放气的气囊为例进行说明。如图1所示，智能床垫均匀布设有可控制充放气的气囊110和枕头120，其中气囊110的气压特征信息会根据使用者动作状态的变化而变化，通过监测气囊110的压力状况可以进行使用者动作状态判定；枕头120用于使用者在床上休息或睡眠时垫于头部下方作为辅助。
26.图2是本发明实施例一提供的一种在离床状态判定方法的流程图，本实施例可适用于智能床垫判定在离床状态的情况，该方法可以由本发明实施例中的在离床状态判定装置来执行，具体包括如下步骤：
27.s101、获取智能床垫相关的当前参数信息。
28.其中，智能床垫布设有至少一个可控制充放气的气囊，当前参数信息包括气囊的当前气压特征信息以及当前使用者的基本属性信息。
29.在本实施例中，当前气压特征信息可以通过监测布设在智能床垫内的可控制充放气的气囊当前的压力值来获得，例如可以是气压幅度和气压基线值。对气囊进行监测时，获取到的不局限于气囊获取的压力值，也包括气囊获取的其它参数，如气囊的温度、潮湿度、形变大小以及通过气囊压力波动提取到的当前使用者的生理参数(心率、呼吸和体动等)。
30.示例性的，当前使用者的基本属性信息可以通过与智能床垫关联的手机、电脑或其他设备上的相关软件或其他途径获得，例如可以包括使用者的身高、体重、年龄和性别等信息。
31.具体的，通过监测智能床垫内的气囊和与智能床垫关联的其他设备获取智能床垫相关的当前参数信息，包括气囊的当前气压特征信息以及当前使用者的基本属性信息。
32.s102、根据当前参数信息，结合预设的状态判定策略，确定当前使用者相对智能床垫的在离床状态。
33.其中，状态判定策略为：至少一个动作状态的状态判定阈值，或者，预先训练好的状态判定网络模型。
34.需要说明的是，状态判定阈值可以是设定的固定值，也可以是在智能床垫的使用过程中不断的动态变化更新的，每个动作状态都设定有各自的状态判定阈值。例如可以是，当使用者当前的动作状态达到上床动作状态设定的状态判定阈值后，即判定为使用者当前的状态为上床动作状态。
35.需要解释的是，状态判定网络模型可以是预先训练好的，可以通过设定输入参数与动作判断阈值及规则，能够快速判定使用者的在离床状态的网络模型。
36.在本实施例中，在离床状态为下述一种：上床动作、在床体动、翻身动作以及离床动作。其中，在床体动指的是在床上进行除翻身外的其他动作，例如可以是移动四肢或坐起躺下等动作。
37.在实际操作过程中，根据智能床垫相关的当前参数信息，结合预设的状态判定策略，确定当前使用者相对智能床垫的在离床状态。在离床状态判定的方式可以是通过至少一个动作状态的状态判定阈值进行判定，也可以是通过预先训练好的状态判定网络模型进行判定(训练数据可以是从大数据中获取到的该智能床垫的相关使用情况的数据)，还可以是通过状态判定阈值和状态判定网络模型相结合进行判定。
38.具体的，确定各动作状态所对应状态判定阈值的步骤包括：
39.获取智能床垫使用者的基本属性信息以及智能床垫在无人状态及有人状态时单次使用的动作基线变化信息。
40.需要解释的是，可以以智能床垫无人状态下的床垫表面为基线，动作基线变化信息指的是由于智能床垫在无人状态及有人状态时床垫表面发生变化，相应的基线也跟随变化的过程中所产生的信息。动作基线变化信息例如可以是气压幅度变化和气压基线变化值。
41.可以通过与智能床垫关联的手机、电脑或其他设备上的相关软件或是其他途径获取智能床垫使用者的身高、体重、年龄和性别等基本属性信息，以及通过监测智能床垫获取智能床垫在无人状态及有人状态时单次使用(即完整周期的一次睡眠)的动作基线变化信息。
42.针对每个动作状态，从基本属性信息及动作基线变化信息中提取阈值确定的阈值判定参数。
43.在本实施例中，阈值判定参数可以是状态判定阈值中包含的阈值确定所需的各参数。例如，使用者的体重为50kg，使用者的上床动作的状态判定阈值可以包括气压增大10pa，气压基线下降3cm，则上床动作对应的阈值判定参数可以为使用者的体重及动作基线
变化信息中的气压幅度变化和气压基线变化值。
44.在实际操作过程中，每个动作状态都对应有各自的状态判定阈值，针对每个动作状态，从智能床垫使用者的基本属性信息及动作基线变化信息中提取阈值确定的阈值判定参数。
45.将各阈值判定参数作为输入数据，输入动作状态对应的状态判定函数。
46.需要说明的是，状态判定函数可以理解为一个映射，也可以理解为一个判断机制。状态判定函数的可以表示为：
47.y＝f(h,wt,age,sex,ampn,ampy,basen,basey
……
)；
48.其中，h表示使用者的身高，wt表示使用者的体重，age表示使用者的年龄，sex表示使用者的性别，ampn表示智能床垫在无人状态时的气压幅度，ampy表示智能床垫在有人状态时的气压幅度，basen表示智能床垫在无人状态时的气压基线值，basey表示智能床垫在有人状态时的气压基线值。f为判断规则或判断阈值，本发明实施例两者兼有。
49.将状态判定函数的输出结果作为动作状态的状态判定阈值。
50.示例性的，针对上床动作，从基本属性信息及动作基线变化信息中提取阈值确定的阈值判定参数，可以是使用者上床前无人状态下智能床垫的气压基线值basen和上床后有人状态下智能床垫的气压基线值basey，以及使用者的个人体重信息wt，将上述各所述阈值判定参数作为输入数据(不涉及的其他参数可视为0)，输入动作状态对应的状态判定函数，动态计算得到上床状态判定阈值th_uptobed：
51.th_uptobed＝f(basen,basey,wt)；
52.得到上床状态判定阈值th_uptobed后，即可通过简单的判断判定当前使用者的动作状态是否为上床动作，即当智能床垫的气压基线值前后跳变大小超过阈值th_uptobed时，则判定当前使用者的动作状态是上床动作。
53.可选的，监测到智能床垫的启用天数小于设定天数时，根据当前参数信息，结合预设的状态判定策略，确定当前使用者相对智能床垫的在离床状态，包括：
54.从当前参数信息中分别提取每个动作状态判定所需的动作判定参数。
55.需要解释的是，动作判定参数指的是判定每个动作状态所需的参数，例如可以是气压前后变化的大小、稳定状态下(分无人状态和有人状态)信号波动幅度及基线值等参数。
56.在本实施例中，启用天数指的是使用者启用智能床垫之后的天数，设定天数可以是预设的一定的天数。智能床垫启用后，会不断的根据使用者的使用数据对状态判定阈值进行动态更新，设定天数可以是指动态更新后的状态判定阈值达到一定准确性的天数。当监测到智能床垫的启用天数小于设定天数时，从智能床垫相关的当前参数信息中分别提取每个动作状态判定所需的动作判定参数。
57.各动作判定参数分别与相应的状态判定阈值进行比对。
58.示例性的，可以将使用者当前时刻的动作对应的各动作判定参数分别与上床动作、在床体动、翻身动作以及离床动作对应的状态判定阈值进行比对。
59.根据各动作状态对应的比对结果，确定当前使用者相对智能床垫的在离床状态。
60.在实际操作过程中，将各动作判定参数分别与相应的状态判定阈值进行比对，若比对结果为各动作判定参数达到了相应的状态判定阈值，则确定当前使用者相对智能床垫
的在离床状态为该达到阈值对应的状态。例如可以是，当前使用者的动作对应的各判定参数分别与上床动作、在床体动、翻身动作以及离床动作对应的状态判定阈值进行比对，满足上床动作对应的状态判定阈值，则判定当前使用者的状态为上床动作。
61.在智能床垫使用一定时间后(即监测到智能床垫的启用天数大于或等于设定天数)，记录状态判定过程的特征参数，通过一定的数据量，进行状态判定网络模型的建立。其中，状态判定网络模型可以是机器学习(包括深度学习)为例的以进行在离床状态判定为目的而设计的模型。
62.具体的，将当前参数信息记录到设定的模型训练集中，模型训练集中包括了从启用智能床垫开始到当前执行时刻之间所获取的各参数信息；模型训练集用于状态判定网络模型的训练。
63.其中，模型训练集指的是设定的用于训练状态判定网络模型的数据集。模型训练集中包括了从启用智能床垫开始到当前执行时刻之间所获取的各参数信息，也可以是直接从大数据中获取到的该智能床垫的相关使用情况的各参数信息。将这些获取到的各参数信息作为状态判定网络模型的输入，对状态判定网络模型进行不断的训练，使得各网络层之间的权值不断优化，进而得到一个训练好的状态判定网络模型，可以根据输入的参数直接判断在离床状态。将获取到的智能床垫相关的当前参数信息记录到设定的模型训练集中，通过状态判定网络模型可直接判断当前参数信息对应的在离床状态。
64.可选的，监测到智能床垫的启用天数大于或等于设定天数时，根据当前参数信息，结合预设的状态判定策略，确定当前使用者相对智能床垫的在离床状态，包括：
65.从当前参数信息中提取对应状态判定网络模型的状态判定参数。
66.需要说明的是，状态判定参数指的是当前参数信息中用于判定使用者在离床状态所需的参数。获取到的智能床垫相关的当前参数信息中有部分信息用于判定在离床状态，例如可以是气囊的气压幅度和气压基线值，当前使用者的身高、体重、年龄和性别等信息，将这些信息提取出来，作为状态判定网络模型的状态判定参数。
67.将状态判定参数作为输入数据，输入至状态判定网络模型。
68.具体的，将从当前参数信息中提取出来的状态判定参数作为状态判定网络模型的输入数据，输入到状态判定网络模型中。
69.获得状态判定网络模型的输出的状态判定结果，并将状态判定结果作为当前使用者相对智能床垫的在离床状态。
70.在本实施例中，将状态判定参数作为输入数据，输入到状态判定网络模型中，状态判定网络模型运行后输出状态判定结果，将状态判定网络模型输出的状态判定结果作为当前使用者相对智能床垫的在离床状态。示例性的，状态判定结果例如可以是当前使用者的动作是移动四肢而非翻身，则当前使用者相对智能床垫的在离床状态为在床体动而非翻身动作。
71.本发明实施例通过获取所述智能床垫相关的当前参数信息，根据所述当前参数信息，结合预设的状态判定策略，确定当前使用者相对所述智能床垫的在离床状态。通过本发明的技术方案，充分考虑到不同使用者的个体信息以及行为习惯的差异，结合智能床垫气囊的气压特征信息，对预设的两种状态判定策略进行动态的更新调整，使得状态判定阈值更加准确，状态判定网络模型更为优化，全面提高了智能床垫的在离床状态判定算法的准
确性和适用性。
72.作为本实施例的一个示例性描述，图3是本发明实施例一提供的一种在离床状态判定方法中通过状态判定阈值判定在离床状态的示意图。示意了上述智能床垫的启用天数小于设定天数时，确定当前使用者相对智能床垫的在离床状态的过程。
73.如图3所示，一种在离床状态判定方法中通过状态判定阈值判定在离床状态的过程如下：
74.当监测到智能床垫的启用天数小于设定天数时，从当前参数信息中分别提取每个动作状态判定所需的动作判定参数(例如可以是使用者的身高h、体重wt、年龄age和性别sex，以及智能床垫的动作基线变化信息)；将各动作判定参数分别与相应的状态判定阈值进行比对；根据各动作状态对应的比对结果，确定当前使用者相对智能床垫的在离床状态。
75.作为本实施例的一个示例性描述，图4是本发明实施例一提供的一种在离床状态判定方法中通过状态判定网络模型判定在离床状态的示意图。示意了上述智能床垫的启用天数大于或等于设定天数时，确定当前使用者相对智能床垫的在离床状态的过程。
76.如图4所示，一种在离床状态判定方法中通过状态判定网络模型判定在离床状态的过程如下：
77.当监测到智能床垫的启用天数大于或等于设定天数时，从当前参数信息中提取对应状态判定网络模型的状态判定参数(例如可以是气压变化大小、无人下幅度、无人下基线、有人下幅度、有人下基线和波动时幅度等，状态判定网络模型输入的参数不仅局限于上述参数，还可以包括通过与智能床垫关联的手机、电脑或其他设备上的相关软件或是其他途径获取的使用者的基本属性信息，如身高、体重、年龄、性别等)；将状态判定参数作为输入数据，输入至状态判定网络模型；获得状态判定网络模型的输出的状态判定结果，并将状态判定结果作为当前使用者相对智能床垫的在离床状态。
78.作为本实施例的一个示例性描述，图5是本发明实施例一提供的一种在离床状态判定方法中通过状态判定阈值和状态判定网络模型结合判定在离床状态的示意图。示意了上述通过状态判定阈值和状态判定网络模型结合判定在离床状态的过程。
79.如图5所示，一种在离床状态判定方法中通过状态判定阈值和状态判定网络模型结合判定在离床状态的过程如下：
80.在智能床垫的启用天数小于设定天数时，可以先采用状态判定阈值进行当前使用者相对智能床垫的在离床状态的判定。待智能床垫的启用天数大于或等于设定天数时，模型训练集的数据采集到一定程度，状态判定网络模型训练完成，可切换到通过状态判定网络模型判定当前使用者的在离床状态，也可以同时通过状态判定阈值和状态判定网络模型进行当前使用者的在离床状态判定，择优进行结果选取。
81.实施例二
82.图6是本发明实施例二提供的一种在离床状态判定装置的结构示意图，本发明实施例所提供的一种在离床状态判定装置可执行本发明任一实施例所提供的一种在离床状态判定方法，具备执行方法相应的功能模块和有益效果。
83.该装置应用于智能床垫，所述装置包括：获取模块210和确定模块220。
84.其中，获取模块210，用于获取所述智能床垫相关的当前参数信息；
85.确定模块220，用于根据所述当前参数信息，结合预设的状态判定策略，确定当前
使用者相对所述智能床垫的在离床状态；
86.其中，所述状态判定策略为：至少一个动作状态的状态判定阈值，或者，预先训练好的状态判定网络模型。
87.其中，所述在离床状态为下述一种：上床动作、在床体动、翻身动作以及离床动作。
88.其中，所述智能床垫布设有至少一个可控制充放气的气囊；所述当前参数信息包括所述气囊的当前气压特征信息以及当前使用者的基本属性信息。
89.进一步的，监测到所述智能床垫的启用天数小于设定天数时，所述确定模块220包括：
90.第一提取单元，用于从所述当前参数信息中分别提取每个动作状态判定所需的动作判定参数；
91.比对单元，用于各所述动作判定参数分别与相应的状态判定阈值进行比对；
92.第一确定单元，用于根据各所述动作状态对应的比对结果，确定当前使用者相对所述智能床垫的在离床状态。
93.进一步的，在离床状态判定装置还包括阈值确定模块，用于确定各动作状态所对应状态判定阈值；
94.所述阈值确定模块包括：
95.获取单元，用于获取智能床垫使用者的基本属性信息以及所述智能床垫在无人状态及有人状态时单次使用的动作基线变化信息；
96.参数提取单元，用于针对每个动作状态，从所述基本属性信息及动作基线变化信息中提取阈值确定的阈值判定参数；
97.参数输入单元，用于将各所述阈值判定参数作为输入数据，输入所述动作状态对应的状态判定函数；
98.阈值确定单元，用于将所述状态判定函数的输出结果作为所述动作状态的状态判定阈值。
99.进一步的，确定模块220具体可以用于：
100.将所述当前参数信息记录到设定的模型训练集中，所述模型训练集中包括了从启用所述智能床垫开始到当前执行时刻之间所获取的各参数信息；所述模型训练集用于所述状态判定网络模型的训练。
101.进一步的，所述监测到所述智能床垫的启用天数大于或等于设定天数时，所述确定模块220包括：
102.第二提取单元，用于从所述当前参数信息中提取对应状态判定网络模型的状态判定参数；
103.输入单元，用于将所述状态判定参数作为输入数据，输入至所述状态判定网络模型；
104.第二确定单元，用于获得所述状态判定网络模型的输出的状态判定结果，并将所述状态判定结果作为所述当前使用者相对所述智能床垫的在离床状态。
105.本发明实施例通过获取所述智能床垫相关的当前参数信息，根据所述当前参数信息，结合预设的状态判定策略，确定当前使用者相对所述智能床垫的在离床状态。通过本发明的技术方案，充分考虑到不同使用者的个体信息以及行为习惯的差异，结合智能床垫气
囊的气压特征信息，对预设的两种状态判定策略进行动态的更新调整，使得状态判定阈值更加准确，状态判定网络模型更为优化，全面提高了智能床垫的在离床状态判定算法的准确性和适用性。
106.实施例三
107.图7是本发明实施例三提供的一种智能床垫的结构示意图，如图7所示，该智能床垫包括气囊301、处理器302、存储装置303、输入装置304和输出装置305；智能床垫中布设的可控制充放气的气囊可以是一个或多个，图7中以一个气囊301为例；智能床垫中处理器302的数量可以是一个或多个，图7中以一个处理器302为例；智能床垫中的气囊301、处理器302、存储装置303、输入装置304和输出装置305可以通过总线或其他方式连接，图7中以通过总线连接为例。
108.存储装置303作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的在离床状态判定方法对应的程序指令/模块(例如，在离床状态判定装置中的获取模块210和确定模块220)。处理器302通过运行存储在存储装置303中的软件程序、指令以及模块，从而执行智能床垫的各种功能应用以及数据处理，即实现本发明上述实施例所提供的在离床状态判定方法：
109.获取所述智能床垫相关的当前参数信息；
110.根据所述当前参数信息，结合预设的状态判定策略，确定当前使用者相对所述智能床垫的在离床状态；
111.其中，所述状态判定策略为：至少一个动作状态的状态判定阈值，或者，预先训练好的状态判定网络模型。
112.存储装置303可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置303可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置303可进一步包括相对于处理器302远程设置的存储器，这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
113.输入装置304可用于接收输入的数字或字符信息，以及产生与智能床垫的用户设置以及功能控制有关的键信号输入。输出装置305可包括显示屏等显示设备。
114.实施例四
115.本发明实施例四还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种在离床状态判定方法，应用于智能床垫，该方法包括：
116.获取所述智能床垫相关的当前参数信息；
117.根据所述当前参数信息，结合预设的状态判定策略，确定当前使用者相对所述智能床垫的在离床状态；
118.其中，所述状态判定策略为：至少一个动作状态的状态判定阈值，或者，预先训练好的状态判定网络模型。
119.当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机
可执行指令不限于如上所述的方法操作,还可以执行本发明任一实施例所提供的一种在离床状态判定方法中的相关操作。
120.通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
121.值得注意的是，上述在离床状态判定装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
122.注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。