用于使用神经网络来增强被递送给用户的感官刺激的系统和方法

摘要

本公开涉及用于在睡眠过程期间向用户递送感官刺激的系统和方法。该系统包括一个或多个传感器、一个或多个感官刺激器以及一个或多个硬件处理器。(一个或多个)处理器被配置为：基于来自传感器的输出信号来确定指示用户的睡眠深度的一个或多个脑活动参数；使得神经网络指示被预测为在睡眠过程针对用户在将来时间发生的睡眠阶段；基于在睡眠过程期间随着时间的预测的睡眠阶段来使得(一个或多个)感官刺激器向用户提供感官刺激；并且基于一个或多个脑活动参数以及从神经网络的一个或多个中间层输出的值来使得(一个或多个)感官刺激器对感官刺激的定时和/或强度进行调制。

说明书

技术领域

本公开涉及用于使用神经网络来增强被递送给用户的感官刺激的系统和方法。

背景技术

用于监测睡眠以及在睡眠期间向用户递送感官刺激的系统是已知的。基于脑电图(EEG)传感器的睡眠监测和感官刺激系统是已知的。这些系统是基于状态的，这意味着刺激是响应于EEG参数突破睡眠阶段刺激递送阈值而被递送的。这些基于状态的确定并未考虑用户特性(诸如年龄和其他人口统计参数)的变化。结果，用户可能接收到与他们原本可能接收的刺激相比更少的刺激，或者刺激定时可能没有充分地对应于他们的个人睡眠模式。因此，相对于现有技术的系统而言，需要能够生成关于睡眠对象的准确信息以增强在睡眠过程期间对感官刺激的递送的系统。

发明内容

因此，本公开的一个或多个方面涉及一种被配置为在睡眠过程期间向用户递送感官刺激的系统。所述系统包括：一个或多个传感器、一个或多个感官刺激器、一个或多个硬件处理器和/或其他部件。所述一个或多个传感器被配置为生成输出信号，所述输出信号传达与所述用户在所述睡眠过程期间的脑活动相关的信息。所述一个或多个感官刺激器被配置为在所述睡眠过程期间向所述用户提供感官刺激。所述一个或多个硬件处理器耦合到所述一个或多个传感器和所述一个或多个感官刺激器，所述一个或多个硬件处理器由机器可读指令配置。所述一个或多个硬件处理器被配置为获得针对用户群体的历史睡眠深度信息。所述历史睡眠深度信息与所述用户群体的指示在所述用户群体的睡眠过程期间随着时间的睡眠深度的脑活动相关。所述一个或多个硬件处理器被配置为：通过提供所述历史睡眠深度信息作为到神经网络的输入，使得所述神经网络基于所述历史睡眠深度信息来训练。所述一个或多个硬件处理器被配置为基于所述输出信号来使得经训练的神经网络预测在所述睡眠过程期间所述用户将处于深度睡眠阶段中的将来时间。所述经训练的神经网络包括输入层、输出层以及在所述输入层与所述输出层之间的一个或多个中间层。所述一个或多个硬件处理器被配置为：关于所述将来时间中的每个将来时间，确定由所述经训练的神经网络的所述一个或多个中间层生成的一个或多个值。所述一个或多个硬件处理器被配置为：基于所述一个或多个中间层的所述一个或多个值来使得所述一个或多个感官刺激器在所述将来时间向所述用户提供所述感官刺激，并且对在所述睡眠过程期间所述感官刺激的定时和/或强度进行调制。

本公开的另一方面涉及一种用于利用递送系统在睡眠过程期间向用户递送感官刺激的方法。所述系统包括一个或多个传感器、一个或多个感官刺激器、耦合到所述一个或多个传感器和所述一个或多个感官刺激器的一个或多个硬件处理器、和/或其他部件。所述一个或多个处理器由机器可读指令配置。所述方法包括：利用所述一个或多个传感器生成输出信号，所述输出信号传达与所述用户在所述睡眠过程期间的脑活动相关的信息。所述方法包括：利用所述一个或多个感官刺激器在所述睡眠过程期间向所述用户提供感官刺激。所述方法包括：利用所述一个或多个硬件处理器获得针对用户群体的历史睡眠深度信息。所述历史睡眠深度信息与所述用户群体的指示在所述用户群体的睡眠过程期间随着时间的睡眠深度的脑活动相关。所述方法包括：利用所述一个或多个硬件处理器，通过提供所述历史睡眠深度信息作为到神经网络的输入，使得所述神经网络基于所述历史睡眠深度信息来训练。所述方法包括：利用所述一个或多个硬件处理器，基于所述输出信号来使得经训练的神经网络预测在所述睡眠过程期间所述用户将处于深度睡眠阶段中的将来时间。所述经训练的神经网络包括输入层、输出层以及在所述输入层与所述输出层之间的一个或多个中间层。所述方法包括：利用所述一个或多个硬件处理器，关于所述将来时间中的每个将来时间，确定由所述经训练的神经网络的所述一个或多个中间层生成的一个或多个值。所述方法包括：利用所述一个或多个硬件处理器，基于所述一个或多个中间层的所述一个或多个值来使得所述一个或多个感官刺激器在所述将来时间向所述用户提供所述感官刺激，并且对在所述睡眠过程期间所述感官刺激的定时和/或强度进行调制。

本公开的又一方面涉及一种用于在睡眠过程期间向用户递送感官刺激的系统。所述系统包括：用于生成输出信号的单元，所述输出信号传达与所述用户在所述睡眠过程期间的脑活动相关的信息。所述系统包括：用于在所述睡眠过程期间向所述用户提供感官刺激的单元。所述系统包括：用于获得针对用户群体的历史睡眠深度信息的单元。所述历史睡眠深度信息与所述用户群体的指示在所述用户群体的睡眠过程期间随着时间的睡眠深度的脑活动相关。所述系统包括：用于通过提供所述历史睡眠深度信息作为到神经网络的输入使得所述神经网络基于所述历史睡眠深度信息来训练的单元。所述系统包括：用于基于所述输出信号来使得经训练的神经网络预测在所述睡眠过程期间所述用户将处于深度睡眠阶段中的将来时间的单元。所述经训练的神经网络包括输入层、输出层以及在所述输入层与所述输出层之间的一个或多个中间层。所述系统包括：用于关于所述将来时间中的每个将来时间确定由所述经训练的神经网络的所述一个或多个中间层生成的一个或多个值的单元。所述系统包括：用于基于所述一个或多个中间层的所述一个或多个值来使得所述一个或多个感官刺激器在所述将来时间向所述用户提供所述感官刺激并且对在所述睡眠过程期间所述感官刺激的定时和/或强度进行调制的单元。

在参考附图考虑以下描述和权利要求书后，本公开的这些与其他目的、特征和特性，以及操作的方法和相关结构元件的功能以及各部分的组合以及制造的经济性将变得更加显而易见，所有附图形成了本说明书的一部分，其中，类似的附图标记在各个附图中指代对应部分。然而，应当明确理解，附图仅是出于说明和描述的目的，并不旨在作为对本公开的限制的限定。

附图说明

图1是根据一个或多个实施例的被配置为在睡眠过程期间向用户递送感官刺激的系统的示意图。

图2示出了根据一个或多个实施例的由系统执行的操作中的若干操作。

图3示出了根据一个或多个实施例的作为系统的一部分的深度神经网络的示例架构。

图4示出了根据一个或多个实施例的针对跨睡眠过程的时刻的睡眠阶段N3、N2、N1、唤醒和REM的睡眠阶段概率值的连续统的示例。

图5示出了根据一个或多个实施例的其中与N3睡眠相关联的预测概率值用于确定何时向用户提供刺激以及确定刺激的音量的示例。

图6示出了根据一个或多个实施例的如本文描述的来自被训练以预测睡眠阶段的深度神经网络的卷积层值输出。

图7示出了根据一个或多个实施例的用于对被提供给用户的刺激进行调制的卷积层值输出之间的比率。

图8示出了根据一个或多个实施例的关于针对睡眠过程的睡眠阶段的脑活动参数睡眠深度、慢波密度和德尔塔功率。

图9示出了根据一个或多个实施例的N3睡眠的时段的细节。

图10示出了根据一个或多个实施例的用于利用递送系统在睡眠过程期间向用户递送感官刺激的方法。

具体实施方式

如本文所使用，单数形式的“一”、“一个”或“该”包括复数引用，除非上下文另有明确指示。如本文所使用的，术语“或”意指“和/或”，除非上下文另有明确指示。如本文所使用，两个或更多个部分或部件被“耦合”的表述将意指：只要发生连接，这些部分直接地或间接地(即，通过一个或多个中间部分或部件)联接或共同操作。如本文所使用的，“直接地耦合”意指两个元件直接地彼此接触。如本文所使用的，“固定地耦合”或“固定的”意指两个部件被耦合以便在保持相对于彼此的恒定取向的同时作为一个整体进行移动。

如本文所使用的，“单一(unitary)”一词意指部件被创建为单个工件或单元。也就是说，包括单独地创建并且然后耦合在一起作为一单元的工件的部件不是“单一”部件或实体。如本文所采用的，两个或更多个部分或部件彼此“接合”的表述意指各部分直接地或通过一个或多个中间部分或部件向彼此施加力。如本文所采用的，术语“数个”意指一或大于一的整数(即，多个)。

本文中所使用的方向性用语，诸如，例如但不限于顶部、底部、左、右、上、下、前、后以及由此衍生词，涉及附图中示出的元件的取向，并非限制权利要求，除非其中明确记载。

图1是被配置为在睡眠过程期间向用户12递送感官刺激的系统10的示意图。系统10被配置为促进向用户12递送感官刺激，以增强用户12的睡眠的恢复效果和/或用于其他目的。系统10被配置为使得在睡眠期间被递送的包括听觉和/或其他刺激的感官刺激增强用户12的慢波而不引起唤醒，这例如带来了认知益处以及对睡眠恢复的增强。如本文描述的，在一些实施例中，系统10被配置为(例如，基于来自神经网络的输出和/或其他信息)确定在睡眠过程期间的深度睡眠的时段。在一些实施例中，基于这样的确定，系统10被配置为对被递送给用户12的感官(例如，听觉)刺激进行调制，以增强睡眠慢波而不引起唤醒。在一些实施例中，可以在用户12的睡眠过程期间实时地和/或接近实时地确定深度睡眠的时段。

基于传感器输出信号的实时或接近实时地进行自动睡眠分阶段通常具有挑战性，因为睡眠治疗系统仅具有对治疗被递送的治疗状况的有限控制(例如，睡眠治疗系统通常并不控制用户家中的睡眠环境的背景噪声、照明或其他特征)。为了确保对传感器输出信号的快速处理以实现实时或接近实时的睡眠治疗，现有技术的系统通常依赖于具有有限复杂度的基于状态的算法。例如，这些系统通常对根据传感器输出信号而确定的公共参数设置阈值(例如，对脑电图(EEG)的德尔塔功率频带设置0.5-4Hz的阈值，对阿尔法频带设置8-13Hz的阈值，对贝塔频带设置15-30Hz的阈值，等等)，并且使用这些阈值来确定睡眠阶段，以对感官刺激的递送进行计时。这使得难以可靠地检测特定的睡眠阶段，尤其是对于来自不同人口统计群组的用户而言。作为一个示例，针对不同年龄的用户，睡眠结构和EEG模式是不同的。通常，这些差异使得现有技术的系统递送与它们原本可能递送的刺激相比更少(或更多)的刺激(如果它们用来检测睡眠阶段的方法被增强的话)。

系统10通过利用机器学习模型(例如，如下描述的深度神经网络)进行自动的实时或接近实时的基于传感器输出信号的睡眠分阶段来解决现有技术的系统的局限性。系统10使用来自机器学习模型的总体输出进行睡眠分阶段，以及使用从模型输出的中间值对由系统10提供的感官刺激进行调制。在一些实施例中，系统10包括传感器14、感官刺激器16、外部资源18、处理器20、电子存储装置22、用户接口24和/或其他部件中的一个或多个。

传感器14被配置为生成传达与用户12的脑活动和/或其他活动相关的信息的输出信号。在一些实施例中，传感器14被配置为生成传达与用户12的脑活动(诸如慢波活动)相关的信息的输出信号。在一些实施例中，与用户12的脑活动和/或其他活动相关的信息是与慢波活动相关的信息。在一些实施例中，传感器14被配置为生成传达与在睡眠过程期间被提供给用户12的刺激相关的信息的输出信号。在一些实施例中，在来自传感器14的输出信号中的信息用于控制感官刺激器16向用户12提供感官刺激(如下描述的)。

传感器14可以包括一个或多个传感器，这一个或多个传感器生成直接地传达与用户12的脑活动相关的信息的输出信号。例如，传感器14可以包括脑电图(EEG)电极，该电极被配置为检测由用户12的脑内的电流引起的沿着用户12的头皮的电活动。传感器18可以包括一个或多个传感器，这一个或多个传感器生成间接地传达与用户12的脑活动相关的信息的输出信号。例如，一个或多个传感器14可以包括心率传感器，该心率传感器基于以下项来生成输出：用户12的心率(例如，传感器14可以是能够被定位在用户12的胸部上和/或被配置为用户12的手腕上的镯子和/或被定位在用户12的另一肢体上的心率传感器)、用户12的移动(例如，传感器14可以包括能够被携带在可穿戴设备上的加速度计，诸如围绕用户12的手腕和/或脚踝的镯子，使得可以使用体动记录信号来分析睡眠)、用户12的呼吸和/或用户12的其他特性。

在一些实施例中，传感器14可以包括以下项中的一项或多项：EEG电极、眼电图(EOG)电极、体动记录传感器、心电图(EKG)电极、呼吸传感器、压力传感器、生命体征相机、光体积描记(PPG)电极、功能性近红外传感器(fNIR)、温度传感器、麦克风和/或被配置为生成与被提供给用户12的刺激(的例如量、频率、强度和/或其他特性)相关的输出信号的其他传感器、和/或其他传感器。虽然传感器14被示为处于用户12附近的单个位置处，但是这并不旨在进行限制。传感器14可以包括被设置在多个位置中的传感器，诸如在感官刺激器16内(或与之通信)，(以可移除的方式)与用户12的衣服耦合，由用户12穿戴(例如，作为头带、腕带等)，被放置为在用户12睡觉时指向用户12(例如，传送与用户12的移动相关的输出信号的相机)，与用户12睡觉的床和/或其他家具耦合、和/或在其他位置中。

在图1中，传感器18、感官刺激器16、处理器20、电子存储装置22和用户接口24被示为单独的实体。这并不旨在进行限制。系统10的一些和/或所有部件和/或其他部件可以被分组到一个或多个单个设备中。例如，这些和/或其他部件可以被包括在由用户12穿戴的头戴式设备和/或其他服装中。这样的头戴式设备可以包括例如感测电极、参考电极、与EEG相关联的一个或多个设备、用于递送听觉刺激的单元(例如，有线和/或无线音频设备和/或其他设备)、以及一个或多个音频扬声器。在该示例中，音频扬声器可以被定位在用户12的耳朵中和/或附近和/或其他位置中。参考电极可以被定位在用户的耳朵后面和/或其他位置中。在该示例中，感测电极可以被配置为生成输出信号，该输出信号传达与用户12的脑活动相关的信息和/或其他信息。可以无线地和/或经由有线来将输出信号发送给处理器(例如，在图1中所示的处理器20)、可以包括或不包括处理器的计算设备(例如，床侧便携式计算机)和/或其他设备。在该示例中，可以经由无线音频设备和/或扬声器将声音刺激递送给用户12。在该示例中，感测电极、参考电极和EEG设备可以例如由图1中的传感器14来表示。无线音频设备和扬声器可以例如由图1中所示的感官刺激器16来表示。在该示例中，计算设备可以包括处理器20、电子存储装置22、用户接口24和/或在图1中所示的系统10的其他部件。

刺激器16被配置为向用户12提供感官刺激。感官刺激器16被配置为在睡眠过程之前、在睡眠过程期间和/或在其他时间向用户12提供听觉刺激、视觉刺激、体感刺激、电刺激、磁刺激和/或感官刺激。在一些实施例中，睡眠过程可以包括用户12正在睡眠和/或试图睡眠的任何时间段。睡眠过程可以包括睡眠夜晚、小睡和/或其他睡眠过程。例如，感官刺激器16可以被配置为在睡眠过程期间向用户12提供刺激以促进转变到较深睡眠阶段、较浅睡眠阶段、将睡眠维持在特定阶段、增强睡眠的恢复效果和/或用于其他目的。在一些实施例中，感官刺激器16可以被配置为使得促进较深睡眠阶段与较浅睡眠阶段之间的转变包括减少用户12的睡眠慢波，并且促进较浅睡眠阶段与较深睡眠阶段之间的转变包括增加睡眠慢波。

感官刺激器16被配置为通过无创脑刺激和/或其他方法来促进睡眠阶段之间的转变、将睡眠维持在特定阶段和/或增强睡眠的恢复效果。感官刺激器16可以被配置为通过使用听觉刺激、电刺激、磁刺激、视觉刺激、体感刺激和/或其他感官刺激的无创脑刺激来促进睡眠阶段之间的转变、将睡眠维持在特定阶段和/或增强睡眠的恢复效果。听觉刺激、电刺激、磁刺激、视觉刺激、体感刺激和/或其他感官刺激可以包括听觉刺激、视觉刺激、体感刺激、电刺激、磁刺激、不同类型的刺激的组合和/或其他刺激。听觉刺激、电刺激、磁刺激、视觉刺激、体感刺激和/或其他感官刺激包括气味、声音、视觉刺激、触摸、味觉、体感刺激、触觉、电、磁和/或其他刺激。感官刺激可以具有强度、定时/或其他特性。例如，可以向用户12提供声学音调以增强用户12的睡眠的恢复效果。声学音调可以包括具有确定长度的彼此分开一音调间间隔的一个或多个音调序列。可以基于睡眠深度和其他因素(如本文描述的)对各个音调的音量(例如，强度)进行调制，使得在较深度睡眠期间播放大声音调，而在较浅睡眠期间播放柔和音调。还可以根据用户12处于较深睡眠还是较浅睡眠中，来调整各个音调的长度(例如，定时)和/或音调间间隔(例如，定时)。这个示例并不旨在进行限制。感官刺激器16的示例可以包括以下项中的一项或多项：声音生成器、扬声器、音乐播放器、音调生成器、用于递送振动刺激的振动器(诸如压电构件)、生成磁场以直接刺激脑皮层的线圈、一个或多个光生成器或灯、香味分发器和/或其他设备。在一些实施例中，感官刺激器16被配置为(例如，如上所述)调整被提供给用户12的刺激的强度、定时和/或其他参数。

外部资源18包括信息源(例如，数据库、网站等)、参与系统10的外部实体(例如，一个或多个外部睡眠监测设备、健康护理提供者的医学记录系统等)和/或其他资源。例如，外部资源18可以包括针对用户群体的历史睡眠深度信息和/或其他信息的源。针对用户群体的历史睡眠深度信息可以与用户群体的指示在该用户群体的睡眠过程期间随着时间的睡眠深度的脑活动相关。在一些实施例中，针对用户群体的历史睡眠深度信息可以与以下项相关：给定地理区域中的用户群体；与性别、种族、年龄、一般健康水平相关的人口统计信息和/或其他人口统计信息；关于用户群体的生理信息(例如，体重、血压、脉搏等)和/或其他信息。在一些实施例中，该信息可以指示用户群体中的个体用户是否在人口统计学上、生理学上和/或以其他方式类似于用户12。

在一些实施例中，外部资源18包括促进传送信息的部件、在系统10外部的一个或多个服务器、网络(例如，互联网)、电子存储装置、与Wi-Fi技术相关的设备、与

处理器20被配置为在系统10中提供信息处理能力。因此，处理器20可以包括以下项中的一项或多项：数字处理器、模拟处理器、被设计为处理信息的数字电路、被设计为处理信息的模拟电路、状态机和/或用于以电子方式处理信息的其他机构。虽然处理器20在图1中被示为单个实体，但是这仅用于说明性目的。在一些实施例中，处理器20可以包括多个处理单元。这些处理单元可以在物理上被定位在同一设备(例如，感官刺激器16、用户接口24等)内，或者处理器20可以表示协同操作的多个设备的处理功能。在一些实施例中，处理器20可以处于和/或被包括在诸如以下项的计算设备中：台式计算机、便携式计算机、智能电话、平板计算机、服务器、和/或其他计算设备。这样的计算设备可以运行具有图形用户接口的一个或多个电子应用，图形用户接口被配置为促进用户与系统10的交互。

如图1所示，处理器20被配置为执行一个或多个计算机程序部件。例如，计算机程序部件可以包括被编码和/或以其他方式嵌入在处理器20中的软件程序和/或算法。一个或多个计算机程序部件可以包括以下项中的一项或多项：信息部件30、模型部件32、控制部件34、调制部件36和/或其他部件。处理器20可以被配置为通过软件；硬件；固件；软件、硬件和/或固件的某种组合；和/或用于在处理器20上配置处理能力的其他机构来执行部件30、32、34和/或36。

应当认识到，虽然部件30、32、34和36在图1中被示为被共同定位在单个处理单元内，但是在其中处理器20包括多个处理单元的实施例中，部件30、32、34和/或36中的一个或多个可以被定位为远离其他部件。以下描述的对由不同部件30、32、34和/或36提供的功能的描述是出于说明性目的，而并不旨在进行限制，因为部件30、32、34和/或36中的任一个都可以提供比所描述的功能更多或更少的功能。例如，可以去除部件30、32、34和/或36中的一个或多个，并且其功能中的一些或全部可以由其他部件30、32、34和/或36来提供。作为另一示例，处理器20可以被配置为执行可以执行以下归属于部件30、32、34和/或36中的一个的功能中的一些或全部的一个或多个额外部件。

信息部件30被配置为确定用户12的一个或多个脑活动参数。基于来自传感器14的输出信号和/或其他信息来确定脑活动参数。脑活动参数指示用户的睡眠深度。在一些实施例中，在输出信号中与脑活动相关的信息指示随着时间的睡眠深度。在一些实施例中，指示随着时间的睡眠深度的信息是与用户12的慢波活动相关的信息或者包括该信息。在一些实施例中，用户12的慢波活动可以指示用户12的睡眠阶段。用户12的睡眠阶段可以与快速眼动(REM)睡眠、非快速眼动(NREM)睡眠和/或其他睡眠相关联。用户群体的睡眠阶段可以是NREM阶段N1、阶段N2或阶段N3、REM睡眠和/或其他睡眠阶段中的一个或多个。在一些实施例中，用户12的睡眠阶段可以是阶段S1、S2、S3或S4中的一个或多个。在一些实施例中，NREM阶段2和/或3(和/或S3和/或S4)可以是慢波(例如，深度)睡眠。在一些实施例中，与脑活动相关的指示随着时间的睡眠深度的信息是一个或多个额外的脑活动参数和/或与其相关。

在一些实施例中，与脑活动相关的指示随着时间的睡眠深度的信息是在用户群体的睡眠过程期间生成的EEG信息和/或包括该信息。在一些实施例中，可以基于EEG信息来确定脑活动参数。在一些实施例中，脑活动参数可以由信息部件30和/或系统10的其他部件来确定。在一些实施例中，脑活动参数可以是先前确定的，并且是从外部资源18获得的历史睡眠深度信息的一部分。在一些实施例中，一个或多个脑活动参数是EEG信号的频率、幅度、相位、特定睡眠模式(诸如纺锤体、K复合体)的存在或睡眠慢波、阿尔法波和/或其他特性，和/或与其相关。在一些实施例中，一个或多个脑活动参数是基于EEG信号的频率、幅度和/或其他特性来确定的。在一些实施例中，所确定的脑活动参数和/或EEG的特性可以是与上述REM睡眠阶段和/或NREM睡眠阶段相对应的睡眠阶段和/或指示这些睡眠阶段。例如，在NREM睡眠期间的典型EEG特性包括：针对睡眠阶段N1从阿尔法波(例如，大约8-12Hz)转变为西塔波(例如，大约4-7Hz)；针对睡眠阶段N2存在睡眠纺锤体(例如，大约11至16Hz)和/或K复合体(例如，类似于睡眠慢波)；存在德尔塔波(例如，大约0.5至4Hz)(也被称为睡眠慢波)，其中针对睡眠阶段N3，该德尔塔波具有大于大约75uV的峰到峰幅度；存在浅睡眠和/或唤醒、和/或其他特性。在一些实施例中，浅睡眠可以通过关于不再存在阿尔法活动(例如，8-12Hz频带中的EEG功率)并且不再存在慢波的事实来表征。在一些实施例中，慢波活动是连续值(例如，在0.4至4Hz频带中的EEG功率)，该值为正。在一些实施例中，慢波的不存在指示浅睡眠。另外，纺锤体活动(11至16Hz频带中的EEG功率)可能是高的。深睡眠可以通过关于德尔塔活动(例如，0.5至4Hz频带中的EEG功率)占主导的事实来表征。在一些实施例中，当考虑睡眠EEG时，德尔塔频带中的EEG功率和SWA是相同的。在一些实施例中，与脑活动相关的指示随着时间的睡眠深度的信息指示EEG德尔塔功率随着时间的变化、用户群体的微唤醒的量、其他EEG功率水平和/或其他参数。

信息部件30被配置为获得历史睡眠深度信息。在一些实施例中，历史睡眠深度信息是针对用户群体的。在一些实施例中，历史睡眠深度信息是针对用户12的。历史睡眠深度信息与用户群体和/或用户12的脑活动相关，该脑活动指示在用户群体和/或用户12的先前睡眠过程期间随着时间的睡眠深度。历史睡眠深度信息与用户群体和/或用户12在对应睡眠过程期间的睡眠阶段和/或其他脑活动参数和/或其他信息相关。在一些实施例中，信息部件30被配置为以电子方式从外部资源18、电子存储装置22和/或其他信息源获得历史睡眠深度信息。在一些实施例中，以电子方式从外部资源18、电子存储装置22和/或其他信息源获得历史睡眠深度信息包括：查询一个或多个数据库和/或服务器；上传信息和/或下载信息，促进用户输入(例如，经由用户接口24输入的用于定义目标患者群体的标准)，发送和/或接收电子邮件，发送和/或接收文本消息，和/或发送和/或接收其他通信，和/或其他获得操作。在一些实施例中，信息部件30被配置为：聚合来自各种源(例如，上述外部资源18、电子存储装置22等中的一个或多个)的信息；在一个或多个电子数据库(例如，电子存储装置22和/或其他电子数据库)中布置信息；基于历史睡眠深度信息的一个或多个特征(例如，睡眠过程的长度、睡眠过程的数量等)对信息进行归一化；和/或执行其他操作。

模型部件32被配置为使得机器学习模型使用历史睡眠深度信息来训练。在一些实施例中，通过提供历史睡眠深度信息作为到机器学习模型的输入，基于历史睡眠深度信息来训练机器学习模型。在一些实施例中，机器学习模型可以是和/或包括数学等式、算法、绘制图、图表、网络(例如，神经网络)和/或其他工具和机器学习模型部件。例如，机器学习模型可以是和/或包括具有输入层、输出层以及一个或多个中间层或隐藏层的一个或多个神经网络。在一些实施例中，一个或多个神经网络可以是和/或包括深度神经网络(例如，在输入层与输出层之间具有一个或多个中间层或隐藏层的神经网络)。

作为一个示例，神经网络可以是基于神经单元(或人工神经元)的大集合的。神经网络可以松散地模仿生物大脑工作的方式(例如，经由通过轴突连接的生物神经元的大集群)。神经网络中的每个神经单元都可以与神经网络中的许多其他神经单元连接。这种连接可以加强或抑制它们对连接的神经单元的激活状态的影响。在一些实施例中，每个个体神经单元可以具有将其所有输入的值组合在一起的求和函数。在一些实施例中，每个连接(或神经单元本身)可以具有阈值函数，使得信号在其被允许传播到其他神经单元之前必须超过阈值。与传统的计算机程序相比，这些神经网络系统可以是自学习和训练的，而不是显式地编程的，并且能够在某些问题解决领域表现得明显更好。在一些实施例中，神经网络可以包括多个层(例如，其中信号路径从前面的层穿过到达后面的层)。在一些实施例中，神经网络可以利用反向传播技术，其中，前向刺激用于重置在“前面”神经单元上的权重。在一些实施例中，针对神经网络的刺激和抑制可以更加自由地流动，其中连接以更加混乱且复杂的方式相互作用。

如上所述，经训练的神经网络可以包括一个或多个中间层或隐藏层。经训练的神经网络的中间层包括经训练的神经网络的一个或多个卷积层、一个或多个递归层和/或其他层。各个中间层从另一层接收信息作为输入并且生成对应的输出。基于由神经网络的各层处理的来自传感器14的输出信号中的信息来生成预测的睡眠阶段和/或深度睡眠阶段的将来时间。

模型部件32被配置为使得经训练的神经网络被使得指示针对用户12的预测的睡眠阶段。在一些实施例中，这可以是和/或包括：使得经训练的神经网络预测在睡眠过程期间用户12将处于深度睡眠阶段中的将来时间。预测的睡眠阶段和/或定时指示用户是否处于用于刺激的深度睡眠中和/或其他信息。基于输出信号(例如，使用输出信号中的信息作为针对模型的输入)和/或其他信息来使得经训练的神经网络指示针对用户的预测的睡眠阶段和/或深度睡眠阶段的将来时间和/或定时。经训练的神经网络被配置为指示被预测为在睡眠过程期间针对用户12在将来时间发生的睡眠阶段。在一些实施例中，模型部件32被配置为以与在睡眠过程期间的各个时间段相对应的时间集合来向神经网络提供输出信号中的信息。在一些实施例中，模型部件32被配置为使得经训练的神经网络基于信息的时间集合来输出在睡眠过程期间针对用户12的预测的睡眠阶段和/或深度睡眠阶段的预测的时间。(下文关于图2-9进一步讨论模型部件32的功能。)

控制部件34被配置为控制刺激器16在睡眠期间和/或在其他时间向用户12提供刺激。控制部件34被配置为基于预测的睡眠阶段(例如，来自模型部件32的输出)和/或用户12将处于深度睡眠阶段中的将来时间和/或其他信息来使得感官刺激器16向用户12提供感官刺激。控制部件34被配置为基于预测的睡眠阶段和/或将来时间、和/或在睡眠过程期间随着时间的其他信息来使得感官刺激器16向用户12提供感官刺激。控制部件34被配置为响应于用户12正处于或可能处于用于刺激的深度睡眠(例如，深度(N3)睡眠)中来使得感官刺激器16向用户12提供感官刺激。

在一些实施例中，刺激器16由控制部件34控制，以通过在NREM睡眠中递送的(例如，外围听觉、磁、电和/或其他)刺激来增强睡眠慢波(如本文描述的)。在一些实施例中，控制部件34(和/或本文描述的其他处理器部件中的一个或多个)执行与在以下申请中描述的操作类似和/或相同的一个或多个操作：美国专利申请No.14/784,782(标题为“System andMethod for Sleep Session Management Based on Slow Wave Sleep Activity in aSubject”)、14/783,114(标题为“System and Method for Enhancing Sleep Slow WaveActivity Based on Cardiac Activity”)、14/784,746(标题为“Adjustment of SensoryStimulation Intensity to Enhance Sleep Slow Wave Activity”)、15/101,008(标题为“System and Method for Determining Sleep Stage Based on Sleep Cycle”)、和/或15/100,435(标题为“System and Method for Facilitating Sleep StageTransitions”)，这些申请全部整体地通过引用的方式单独地并入。(下文关于图2-9进一步讨论控制部件34的功能。)

调制部件36被配置为使得感官刺激器16对感官刺激的定时和/或强度进行调制。调制部件36被配置为基于脑活动参数、从经训练的神经网络的中间层输出的值和/或其他信息来使得感官刺激器16对感官刺激的定时和/或强度进行调制。作为一个示例，基于脑活动参数、从卷积层输出的值、从递归层输出的值和/或其他信息来使得感官刺激器16对感官刺激的定时和/或强度进行调制。例如，调制部件36可以被配置为使得以与特定睡眠阶段(例如，N3)的预测的概率值(例如，来自神经网络的中间层的输出)成比例的强度来递送感官刺激。在这个示例中，N3睡眠的概率越高，刺激就越强烈。(下文关于图2-9进一步讨论调制部件36的功能。)

举一个非限制性示例，图2示出了由系统10执行并且如上所述的若干操作。在图2中所示的示例中，在时间窗口202中处理EEG信号200和/或以其他方式(例如，由图1中所示的信息部件30和模型部件32)将其提供给深度神经网络204。深度神经网络204基于时间窗口202中的信息来预测206用户将处于深度睡眠中的将来睡眠阶段208和/或将来时间(被示为N3、N2、N1、R(REM)和W(唤醒))。在一些实施例中，预测窗口例如大约为几十秒到几分钟。预测将来睡眠阶段和/或深度睡眠阶段的定时有助于提供感官刺激以增强慢波睡眠，因为其使得系统10能够抑制刺激(如果预测到较浅睡眠阶段)或者在预测到较深(例如，NREM)睡眠时以优化的定时和强度来准备刺激。深度神经网络204的架构包括卷积层210(其可以被认为是滤波器)和为网络204赋予能够使用过去预测来改进预测准确度的记忆的递归层212(仅作为一个示例，其可以被实施为长短期记忆元件)。

如图2所示，响应于睡眠阶段预测208指示预测到NREM睡眠(例如，用于提供感官刺激的深度睡眠)214，(例如，从由在图1中所示的控制部件34控制的感官刺激器16)向用户12提供刺激216。(例如，由调制模块36)基于(例如，由在图1中所示的信息部件30确定的)脑活动参数220、来自深度神经网络的卷积层的输出222(被示为常量C

图3示出了作为系统10(图1和图2)的一部分的深度神经网络(例如，在图2中所示的深度神经网络204)的示例架构300。图3示出了针对三个(展开的)EEG 301窗口302、304和306的深度神经网络架构300。架构300包括卷积层308、310和312以及递归层320、322和324。如上所述，卷积层308、310和312可以被认为是滤波器，并且产生卷积输出314、316和318，卷积输出被馈送到递归层320、322、324(在本示例中为LSTM(长短期记忆)层)。针对被处理的各个窗口302、304、306的架构300的输出是针对各个睡眠阶段的预测概率集合，其被称为“软输出”326。“硬”预测328由架构300(在图1中所示的模型部件32)通过预测330与具有最高值的“软”输出相关联的睡眠阶段来确定(例如，如下所述)。术语“软”和“硬”并不旨在进行限制，而是可以有助于用于描述由系统执行的操作。例如，可以使用术语“软输出”，因为在这个阶段，任何决策都是可能的。事实上，最终决策可以例如取决于对软输出的后处理。图3中的“Argmax”是指示与最高“软输出”(例如，最高概率)相关联的睡眠阶段的运算符。

例如，神经网络的有用属性在于，它们可以产生与预先定义的睡眠阶段(例如，唤醒、REM、N1、N2、N3睡眠)相关联的概率。模型部件32(图1)被配置为使得概率集合构成所谓的软决策向量，其可以通过确定相对于其他睡眠阶段而言哪个睡眠阶段与最高概率值(在可能值的连续统中)相关联而被转换为硬决策。这些软决策使得系统10能够在一个连续统上考虑不同的可能睡眠状态，而不是被迫决定特定EEG信息适配哪个离散睡眠阶段“桶”(如在现有技术的系统中)。

返回图1，模型部件32被配置为使得从卷积层输出的值和软决策值输出两者都是包含连续值的向量，这与诸如睡眠阶段之类的离散值相反。因此，例如，当深度神经网络预测NREM睡眠的发生时，卷积和递归(软决策)值输出可供系统10用来对刺激的音量进行调制。另外，如本文所描述的，(例如，由在图1中所示的信息部件30)基于原始EEG信号而确定的参数可以用于对刺激设置进行调制。如上所述，这些参数包括睡眠深度参数(例如，德尔塔频带中的EEG功率与贝塔频带中的EEG功率之间的比率)、每单位时间内检测到的慢波的密度、德尔塔频带中的功率、和/或其他参数。

如上所述，调制部件36被配置为使得感官刺激器16对感官刺激的定时和/或强度进行调制。调制部件36被配置为基于一个或多个脑活动参数、从经训练的神经网络的卷积层和/或递归层输出的值和/或其他信息来使得感官刺激器对感官刺激的定时和/或强度进行调制。作为一个示例，可以基于来自深度神经网络的值输出(诸如卷积层值输出和递归层值输出(例如，睡眠阶段(软)预测概率))来调整和/或以其他方式控制(例如，调制)被提供给用户12的听觉刺激的音量。

图4示出了针对跨睡眠过程的将来时刻414的睡眠阶段N3 404、N2406、N1 408、唤醒410和REM 412的睡眠阶段概率值(p(c))402的连续统400的示例。图4还示出了硬输出420，硬输出是跨睡眠过程的将来时刻414的与最高预测概率值402(在该示例中在零到一的尺度上)相关联的睡眠阶段。最后，图4示出了针对睡眠过程的手动注释的睡眠图430(例如，由专家级睡眠技术人员手动注释)以供参考。与针对在睡眠过程期间的每个时刻预测单个离散睡眠阶段的系统相比而言，模型部件32(图1)被配置为使得针对各个睡眠阶段的睡眠阶段预测概率表现为波形416，其随着时间跨零与一(在该示例中)之间的值的连续统而变化。除了被模型部件32用于生成硬输出(例如，针对用户12的预测的睡眠阶段)，调制部件36(图1)还可以使用这些波形在不同时间点414处的值以及卷积层输出、由信息部件30(图1)确定的参数和/或其他信息来在检测到的N3睡眠期间对听觉刺激进行调制。

图5示出了其中与N3睡眠相关联的预测概率值(例如，由在图1中所示的模型部件32和控制部件34)用于确定何时向用户12(图1)提供刺激，以及(由调制部件36)用于对刺激进行调制(例如，在该示例中，确定刺激的音量)的示例。图5a示出了针对跨睡眠过程的将来时刻514的睡眠阶段N3 504、N2 506、N1 508、唤醒510和REM 512的睡眠阶段概率值(p(c))502的连续统500。图5a还示出了硬输出睡眠阶段预测520，其是与最高预测概率值502(在该示例中，在零到一的尺度上)相关联的睡眠阶段。图5b重复了睡眠阶段概率连续统500和硬输出睡眠阶段预测520的图示，但是还示出了对于N3睡眠540的预测的时段，如何以与预测的N3概率值成比例的音量来递送音调。N3预测概率连续统500的其中刺激被递送的区域被加上阴影542。调制部件36(图1)被配置为使得音调(例如，感官刺激)的音量(例如，强度)与N3睡眠的概率值成比例。从本质上讲，N3预测概率值越高，刺激的音量越大声。为了系统检测N3睡眠，N3的概率应当在所有其他阶段中是最高的。举一个非限制性示例，此处提及的N3阈值用于刺激。一旦检测到N3睡眠(即，N3的概率是最高的)，就在N3的概率超过阈值的情况下递送刺激。为了设置阈值，使用一旦检测到N3的N3概率的分布(在该示例中，为0.65-这确保了检测到的N3中的50％将接收刺激)。音量是与N3概率成比例的(一旦已经超过阈值)。

如上所述，调制部件36(图1)被配置为利用神经网络卷积层输出对被递送给用户12的刺激进行调制。在一些实施例中，可以使用神经网络卷积输出对刺激进行调制，而不是上述概率值和/或(例如，直接从EEG确定的)其他参数。在一些实施例中，除了上述概率值和/或(例如，直接从EEG确定的)其他参数之外，还可以使用神经网络卷积输出对刺激进行调制。卷积层输出可以被认为是来自滤波器组的输出。举一个非限制性示例，在图6中示出了如本文描述的来自被训练为预测睡眠阶段的深度神经网络的卷积层输出。这种卷积层输出可以包括频域中的输出和/或其他输出。例如，图6示出了八个总输出600-614。这些输出是使用以下信号作为EEG输入来生成的：在范围从0.1至50Hz的单个频率(通过0.1Hz的步长)处的30秒长、200微伏峰到峰的余弦信号。频域卷积输出的轮廓揭示了输出600-614的清晰的睡眠相关的相关性。例如，第4到第6个输出606-610示出了窄带输出，其中第4个输出606响应于西塔频带(4至7Hz)中的活动，第5个输出608响应于超慢(<0.6Hz)振荡和窄亚西塔频带(6至7Hz)，而第6个输出610响应于德尔塔频带活动。第3个输出604和第7个输出612响应于除了德尔塔频带以外的任何频带中的活动。第1个输出600和第8个输出614响应于德尔塔频带中的多模态活动、纺锤体(西格玛11至16Hz)活动以及窄伽马活动(35至40Hz)范围。

在一些实施例中，调制部件36(图1)被配置为使得各个卷积层输出(例如，在图6中所示的输出)被用作用于对刺激的定时和强度进行调制的基础。在一些实施例中，调制部件36被配置为使得多个卷积层输出促进对刺激的定时和强度(例如，音量)进行调制。在一些实施例中，来自一个或多个卷积层的输出包括来自两个或更多个对应卷积层的两个或更多个单独输出。在一些实施例中，调制部件36被配置为确定来自一个卷积层的输出与来自另一卷积层的输出的比率。在一些实施例中，调制部件36被配置为基于该比率来使得一个或多个感官刺激器对感官刺激的定时和/或强度进行调制。

例如，可以通过采用低频带中的EEG功率与高频带中的EEG功率之间的比率来估计睡眠深度。因此，在检测到的NREM睡眠期间在第6个输出610与第7个输出612之间的比率可以是例如用于对刺激的音量进行调制的适当基础(例如，随着比率增加，强度增加，并且反之亦然)。在图7中进一步示出了这一构思。图7示出了用于对被提供给用户(例如，在图1中所示的用户12)的刺激进行调制的卷积层值输出之间的比率。顶部曲线700示出了第6个610与第7个612卷积层值输出之间的比率的对数(使用一分钟长的时间窗口来平滑)。通过虚线水平线702来指示关于该比率的阈值，其被配置为指示何时递送刺激。该阈值是通过考虑该比率在检测到的N3睡眠中的分布来确定的。然后设置阈值以确保检测到的N3睡眠的一部分(例如，50％)接收到刺激。在这个示例中，该阈值被配置为在浅N3睡眠期间阻止对刺激的递送。垂直线704示出了刺激的定时以及线的长度与音调音量(以dB为单位)相关，音调音量可以与所确定的比率超过阈值的量成比例。为了比较，示出了其他系统和非系统生成的输出曲线706、708和710。曲线706是示出各种睡眠阶段的预测的概率的(例如，如上所述确定的)软输出曲线。曲线708是(例如，如上所述确定的)硬输出预测的睡眠阶段曲线。曲线710示出了针对相同的睡眠时段712的手动注释的睡眠阶段。与曲线700相比，曲线706、708和710示出了较少的变化。根据曲线706、708和710，用户在睡眠时段712的大部分时间内处于N3睡眠中。由于用户似乎处于稳定的N3睡眠中，因此依赖于曲线706、708或710可能导致系统10(例如，模型部件32、控制部件34和/或调制部件36)递送过多刺激和/或具有过大强度的刺激。这可能例如无意地唤醒用户。

在一些实施例中，调制部件36(图1)被配置为将以下项中的一项或多项相对于彼此进行加权：脑活动参数、从一个或多个卷积层输出的值以及从一个或多个递归层输出的值。在一些实施例中，调制部件36被配置为基于经加权的一个或多个脑活动参数、经加权的从一个或多个卷积层输出的值以及经加权的从一个或多个递归层输出的值来使得一个或多个感官刺激器对感官刺激进行调制。在图7中所示的示例中，当确定如何对被递送给用户12(图1)的刺激进行调制时，调制部件36可以对卷积层输出之间的比率更重地加权(与软输出706和硬输出708相比)。根据以下等式来设置这种情况下的音量：

音量＝λ×比率+(1-λ)×N3概率,0<λ<1λ越接近1，则比率对音量的重要性越高。

返回图1，在一些实施例中，调制部件36被配置为仅基于脑活动参数对感官刺激进行调制，脑活动参数可以是基于来自传感器14的输出信号(例如，基于原始EEG信号)来确定的。在这些实施例中，深度神经网络(和/或其他机器学习模型)的输出继续用于预测睡眠阶段(例如，如上所述)。然而，刺激强度(例如，音量)和定时替代地是基于脑活动参数来进行调制的，脑活动参数是基于传感器输出信号来确定的。传感器输出信号可以是和/或包括原始EEG信号，并且基于这种信号而确定的脑活动参数可以例如包括EEG德尔塔功率与EEG贝塔功率之间的比率。然而，其他传感器输出信号和其他脑活动参数是预见到的。

举一个非限制性示例，图8示出了关于针对睡眠过程的睡眠阶段806的脑活动参数睡眠深度800、慢波密度802和德尔塔功率804(以RMS为单位)。例如，可以基于原始EEG信号来确定睡眠深度、慢波密度和德尔塔功率。如图8所示，曲线800-806总体上彼此对应。当睡眠阶段是较深睡眠阶段808时，睡眠深度800、慢波密度802和德尔塔功率804总体上示出了对应的增加810。相反情况也是一样的。这在整个睡眠周期中都适用。睡眠周期在睡眠深度、慢波密度和德尔塔功率曲线中清晰地可见为倒U形。

图9示出了N3睡眠的时段900的细节。在图9中，同样可见来自原始EEG信号的特征的动力学(类似于在图8中所示的那些)。图9示出了针对时段900的睡眠深度906、慢波密度902和德尔塔功率904(以RMS为单位)。在图9a中以及同样在图9b中示出了这些参数。图9b还指示了被递送给用户(例如，在图1中所示的用户12)的刺激910(在该示例中为听觉音调)的定时和强度。各个垂直线的间隔和长度分别指示定时和强度。调制部件36(图1)可以被配置为例如单独地基于这些特征中的任何一个特征、或这些特征中的两个或更多个特征的某种组合来控制刺激。对于突出显示的检测到的N3部分900，调制部件36被配置为使得音调音量(在该示例中)与给定的EEG特征成比例。模型部件32(图1)和/或控制部件34(图1)可以被配置为使得例如使用针对单个特征902、904、906的可选的较低阈值920来防止在较浅N3睡眠中递送音调。同样，这在整个睡眠周期中适用。

返回图1，电子存储装置22包括以电子方式存储信息的电子存储介质。电子存储装置22的电子存储介质可以包括与系统10一体地(即，基本上不可移除地)提供的系统存储装置和/或可经由例如端口(例如，USB端口、火线端口等)或驱动器(例如，磁盘驱动器等)可移除地连接到系统10的可移除存储装置中的一个或两者。电子存储装置22可以包括以下项中的一项或多项：光学可读存储介质(例如，光盘等)、磁性可读存储介质(例如，磁带、磁性硬盘驱动器、软盘驱动器等)、基于电荷的存储介质(例如，EPROM、RAM等)、固态存储介质(例如，闪存驱动器等)、云存储装置和/或其他电子可读存储介质。电子存储装置22可以存储软件算法、由处理器20确定的信息、经由用户接口24和/或外部计算系统(例如，外部资源18)接收的信息和/或使得系统10能够如本文描述地运作的其他信息。电子存储装置22可以(全部或部分地)是系统10内的单独部件，或者电子存储装置22可以(全部或部分地)与系统10的一个或多个其他部件(例如，处理器20)一体地提供。

用户接口24被配置为提供系统10与用户12和/或其他用户之间的接口，用户12和/或其他用户可以通过该接口向系统10提供信息以及从该系统接收信息。这使得数据、线索、结果和/或指令以及任何其他可通信项(被统称为“信息”)能够在用户(例如，用户12)与传感器14、感官刺激器16、外部资源18、处理器20和/或系统10的其他部件中的一个或多个之间传送。例如，可以经由用户接口24为用户12或其他用户显示睡眠图、EEG数据、睡眠阶段概率、和/或其他信息。作为另一示例，用户接口24可以处于和/或被包括在诸如台式计算机、便携式计算机、智能电话、平板计算机和/或其他计算设备之类的计算设备中。这样的计算设备可以运行具有图形用户接口的一个或多个电子应用，图形用户接口被配置为向用户提供信息和/或从用户接收信息。

适于包括在用户接口24中的接口设备的示例包括小按键、按钮、开关、键盘、旋钮、操纵杆、显示屏、触摸屏、扬声器、麦克风、指示灯、声音警报、打印机、触觉反馈设备和/或其他接口设备。在一些实施例中，用户接口24包括多个单独的接口。在一些实施例中，用户接口24包括与处理器20和/或系统10的其他部件一体提供的至少一个接口。在一些实施例中，用户接口24被配置为与处理器20和/或系统10的其他部件进行无线通信。

应理解的是，本公开还预见到其他通信技术(硬连线或无线)作为用户接口24。例如，本公开预见到用户接口24可以与由电子存储装置22提供的可移除存储接口集成。在该示例中，信息可以从使得(一个或多个)用户能够定制系统10的实施方式的可移除存储装置(例如，智能卡、闪存驱动器、可移动磁盘等)被加载到系统10中。适于与系统10一起用作用户接口24的其他示例性输入设备和技术包括但不限于RS-232端口、RF链路、IR链路、调制解调器(电话、线缆或其他)。简而言之，本公开预见到用于与系统10传送信息的任何技术作为用户接口24。

图10示出了用于利用递送系统在睡眠过程期间向用户递送感官刺激的方法1000。该系统包括一个或多个传感器、一个或多个感官刺激器、由机器可读指令配置的一个或多个硬件处理器、和/或其他部件。一个或多个硬件处理器被配置为执行计算机程序部件。计算机程序部件包括信息部件、模型部件、控制部件、调制部件、和/或其他部件。以下呈现的方法1000的操作旨在进行说明。在一些实施例中，方法1000可以利用未描述的一个或多个额外操作和/或在没有所讨论的操作中的一个或多个操作的情况下来实现。另外，在图10中示出的和在下文中描述的方法1000的操作的顺序并不旨在进行限制。

在一些实施例中，方法1000可以被实施在诸如本文描述的一个或多个处理器20之类的一个或多个处理设备(例如，数字处理器、模拟处理器、被设计为处理信息的数字电路、被设计为处理信息的模拟电路、状态机和/或用于以电子方式处理信息的其他机构)中。一个或多个处理设备可以包括响应于以电子方式存储在电子存储介质上的指令而执行方法1000的一些或全部操作的一个或多个设备。一个或多个处理设备可以包括通过硬件、固件和/或软件而被配置为专门设计用于执行方法1000的操作中的一个或多个操作的一个或多个设备。

在操作1002处，生成传达与用户的脑活动相关的信息的输出信号。输出信号是在用户的睡眠过程期间和/或在其他时间生成的。在一些实施例中，操作1002由与(在图1中示出并且本文描述的)传感器14相同或类似的传感器来执行。

在操作1004处，向用户提供感官刺激。感官刺激是在睡眠过程期间和/或在其他时间提供的。在一些实施例中，操作1004由与(在图1中示出并且本文描述的)感官刺激器16相同或类似的感官刺激器来执行。

在操作1006处，确定一个或多个脑活动参数。脑活动参数是基于输出信号和/或其他信息来确定。脑活动参数指示用户的睡眠深度。在一些实施例中，操作1006由与(在图1中示出并且本文描述的)信息部件30相同或类似的处理器部件来执行。

在操作1008处，获得历史睡眠深度信息。历史睡眠深度信息是针对用户群体的。历史睡眠深度信息与用户群体的指示在用户群体的睡眠过程期间随着时间的睡眠深度的脑活动相关。在一些实施例中，操作1008由与(在图1中示出并且本文描述的)信息部件30相同或类似的处理器部件来执行。

在操作1010处，使用历史睡眠深度信息来训练神经网络。通过提供历史睡眠深度信息作为到神经网络的输入，基于历史睡眠深度信息来训练神经网络。在一些实施例中，训练神经网络包括使得神经网络被训练。在一些实施例中，操作1010由与(在图1中示出并且本文描述的)模型部件32相同或类似的处理器部件来执行。

在操作1012处，使得经训练的神经网络指示针对用户的预测的睡眠阶段。这可以是和/或包括经训练的神经网络预测在睡眠过程期间用户将处于深度睡眠阶段中的将来时间。使得经训练的神经网络基于输出信号和/或其他信息来指示针对用户的预测的睡眠阶段和/或用户将处于深度睡眠中的将来时间。经训练的神经网络被配置为指示被预测为在睡眠过程期间针对用户在将来时间发生的睡眠阶段。经训练的神经网络包括一个或多个中间层。经训练的神经网络的一个或多个中间层包括经训练的神经网络的一个或多个卷积层和一个或多个递归层。预测的睡眠阶段指示用户是否处于用于刺激的深度睡眠中和/或其他信息。

在一些实施例中，操作1012包括：以与睡眠过程期间的各个时间段相对应的时间集合来向神经网络提供输出信号中的信息。在一些实施例中，操作1012包括：使得经训练的神经网络基于信息的时间集合来输出在睡眠过程期间针对用户的预测的睡眠阶段和/或预测的深度睡眠的将来时间。在一些实施例中，操作1012由与(在图1中示出并且本文描述的)模型部件32相同或类似的处理器部件来执行。

在操作1014处，基于在睡眠过程期间的深度睡眠阶段的预测的定时和/或其他信息来使得一个或多个感官刺激器向用户提供感官刺激。响应于预测的睡眠阶段和/或指示用户将处于用于刺激的深度睡眠的将来时间来使得一个或多个感官刺激器向用户提供感官刺激。在一些实施例中，操作1014由与(在图1中示出并且本文描述的)控制部件34相同或类似的处理器部件来执行。

在操作1016处，基于一个或多个脑活动参数和从经训练的神经网络的一个或多个中间层输出的值来使得一个或多个感官刺激器对感官刺激的定时和/或强度进行调制。基于一个或多个脑活动参数、从一个或多个卷积层输出的值以及从一个或多个递归层输出的值来使得一个或多个感官刺激器对感官刺激的定时和/或强度进行调制。在一些实施例中，从一个或多个卷积层输出的值包括从两个或更多个对应的卷积层输出的两个或更多个单独值。在一些实施例中，操作1016包括：确定从一个卷积层输出的值与从另一卷积层输出的值的比率。在一些实施例中，操作1016包括：基于该比率来使得一个或多个感官刺激器对感官刺激的定时和/或强度进行调制。

在一些实施例中，操作1016包括：将一个或多个脑活动参数、从一个或多个卷积层输出的值、以及从一个或多个递归层输出的值相对于彼此进行加权。在一些实施例中，操作1016包括：基于经加权的一个或多个脑活动参数、经加权的从一个或多个卷积层输出的值以及经加权的从一个或多个递归层输出的值来使得一个或多个感官刺激器对感官刺激进行调制。

在一些实施例中，感官刺激包括可听音调。使得一个或多个感官刺激器对感官刺激的定时和/或强度进行调制包括：响应于一个或多个脑活动参数和/或从一个或多个中间层输出的值指示用户处于深度睡眠中来减小音调间间隔和/或增大音调音量。在一些实施例中，操作1016由与(在图1中示出并且本文描述的)调制部件36相同或类似的处理器部件来执行。

在权利要求书中，放置在括号内的任何附图标记不得被解释为限制权利要求。词语“包括”或“包含”不排除在权利要求书中所列举的那些以外的元件或步骤的存在。在枚举了若干单元的设备权利要求中，这些单元中的若干可以由同一项硬件实现。元件前的词语“一”或“一个”不排除多个这种元件的存在。在枚举了若干单元的任何设备权利要求中，这些单元中的若干可以由同一项硬件实现。在互不相同的从属权利要求中记载了特定元件并不指示不能组合使用这些元件。

尽管出于说明性目的基于当前被认为最实用且优选的实施例已经详细描述了本发明，但是应理解，这种细节仅是出于该目的，并且本公开不限于所公开的实施例，而是相反，旨在覆盖在权利要求书的精神和范围内的修改和等价布置。例如，应理解，本公开预见，在可能的程度上，任何实施例的一个或多个特征能够与任何其他实施例的一个或多个特征相组合。