浙江麒盛数据服务有限公司

企业

浙江麒盛数据服务有限公司成立于2017年，位于浙江省。所属行业为软件和信息技术服务业。经营范围主要包括数据处理和存储支持服务。

小微企业股权融资

成立于 2017 年浙江省http://www.keesondata.comluhy@keeson.com

数据集列表

智能床用户睡眠连续性可以应用于多个领域和场景：1）定制化睡眠改善计划：智能床将实时收集用户睡眠状态数据，并运用睡眠连续性算法进行分析。基于此，APP 为用户推送针对性的睡眠改善方案，如播放有助于深度睡眠的舒缓音乐、提供改善睡眠环境的建议，包括调整卧室温度、湿度等。2）老年人睡眠健康监护：借助睡眠连续性算法，养老机构可以根据睡眠数据评估老年人的健康风险。持续较差的睡眠连续性可能是某些慢性疾病的早期信号，如心血管疾病、神经系统疾病等。一旦算法发出健康风险预警，养老机构可安排专业医生为老人进行全面健康检查，实现疾病的早发现、早治疗。3）治疗效果跟踪：对于正在接受睡眠障碍治疗的患者，智能床持续监测睡眠连续性。医生通过分析睡眠连续性数据，评估治疗效果，及时调整治疗方案。例如，患者在服用助眠药物一段时间后，睡眠连续性明显改善，医生可适当调整药物剂量；若睡眠连续性没有明显变化，医生则考虑更换治疗方法。（一）数据结构化规整睡眠时间与状态存储了“时间戳|睡眠状态”组成的字符串序列，如“2025-03-13 23:28:00|2,2025-03-13 23:32:00|1”。首先按逗号拆分成多个记录，再以竖线提取时间与状态值。状态代码含义如下：0为清醒，1为深睡，2为浅睡，3为离床或设备离线。“2025-03-13 23:28:00|2,2025-03-13 23:32:00|1”表示“2025-03-13 23：28：00”用户进入睡眠状态2（浅睡状态），“2025-03-13 23：32”结束睡眠状态2，进入睡眠状态1（深睡状态）。（二）离床及异常数据清洗睡眠状态3含有设备异常的可能，需清洗以避免干扰分析。具体规则为：1）若睡眠状态3持续不足2分钟，视为设备短暂掉线或佩戴异常导致的误判，应删除；2）若睡眠状态连续为“1-3-1”或“2-3-1”，且睡眠状态3持续不超过10分钟，则判定为设备异常跳变，需剔除，尤其“2-3-1”不符合深睡需从浅睡过渡的生理逻辑。（三）睡眠连续性量化运算 1）根据睡眠开始时间和睡眠结束时间计算睡眠总时长； 2）识别睡眠数据中各睡眠阶段的起始时间点。睡眠阶段定义为连续的睡眠状态块（包括浅睡1和深睡2）或连续的非睡眠状态块（包括清醒0和离床3）。具体做法是检测睡眠状态的变化点，即当前状态与前一状态不同的位置，视为新阶段的起点。通过筛选仅保留每个阶段的第一个时间点，消除同一阶段内重复记录，从而准确划分睡眠与非睡眠状态的连续区间，为后续睡眠质量分析奠定基础。 3）剔除睡眠状态为0（清醒）和3（离床）的数据，保留有效睡眠阶段； 4）若仅有一个睡眠阶段，睡眠连续性设为1； 5）若存在多个睡眠阶段，首先计算每段阶段的持续时长，并除以总有效睡眠时长，得到各睡眠阶段的比例，用于反映不同阶段在整晚睡眠中的分布。接着，以这些比例为基础，计算睡眠连续性指标：将占比最大的阶段比例的平方，与其余各阶段比例平方的平均值相加，得出该指标，用于综合衡量睡眠的集中程度和中断情况。该指标值越高，说明主要睡眠阶段占比较大、分布更集中，睡眠越连续；值越低，则说明睡眠被频繁打断，分布较分散。（四）睡眠质量分级评定根据睡眠连续性，划分四个睡眠连续性等级：下述范围均为左闭右开优秀：≥0.6 良好：[0.3,0.6) 一般：[0.15,0.3) 待改善：[0,0.15)

浙江省数据知识产权登记平台2025-10-30 更新630

基于睡眠传感器的心率变异性三角指数数据

以智能床用户心率变异性三角指数数据为基础，可以应用于多个领域和场景：1)个人健康管理：通过智能床采集到的心率变异性三角指数数据，可量化评估自主神经系统的调节能力，为用户提供精准健康管理支持，帮助改善睡眠质量。2)医疗研究和诊断：心率变异性三角指数数据可以用于医疗研究和诊断，心率变异性三角指数数据为慢性病研究和临床诊断提供关键指标。医学上通过分析大量用户的心率变异性三角指数数据，研究显示，糖尿病患者HRVI<18时，3年内神经病变风险增加2.3倍。临床中，医生可通过对比患者用药前后HRVI变化（如服用β受体阻滞剂后HRVI提升5-8点）量化治疗效果，或评估心脏术后患者康复进度。智能床的传感器，收集夜间用户的睡眠原始信号数据。这些信号数据经过异常值处理并计算后，得到若干个RR间期的数据集。输入连续RR间期序列（单位：毫秒），剔除异常值（<300ms或>1200ms）及相邻差值超过均值20%的突变值，缺失数据采用线性插值填补。按非重叠的5分钟窗口分割数据，每个窗口包含若干个有效的RR间期。首先，以固定bin宽度（bin 宽度常用值：7.8125 ms）生成RR间期的概率密度分布图，每个bin统计其中落入的RR值数量，从而构建频数分布直方图。其次，统计总有效数（N），即所有落入有效bin中的RR数目以及最高频区间计数（C_max），即直方图的最大柱高。最后，按公式HRVI = N / C_max计算结果，N越大表示采样充分，C_max越大表示集中度高，输出心率变异性三角指数数值（HRVI）。HRVI越高，表明心率分布越分散、变异性越强；HRVI越低，表示心律集中、波动性差。

浙江省数据知识产权登记平台2025-09-08 更新230

基于睡眠传感器的睡眠效率数据

基于睡眠传感器采集得到的用户睡眠数据，并在此基础上计算得到一些用户指标，将多个指标进行分析与信息融合，最终得到用于评价用户当晚睡眠的睡眠效率值。1）根据提供精确的睡眠质量监测和分析，帮助用户理解其睡眠模式、识别睡眠障碍或不规律行为，并通过数据支持个性化的睡眠优化建议。2）用户可根据近期趋势，及时发现健康隐患，并及时治疗。3）用户可根据该值不同的情况，自主制定相应健康调整计划。基本说明：利用智能床的传感器，收集用户当晚夜间体动次数、睡眠总时长以及深睡时长数据。夜间体动次数是通过算法计算用户当晚体动的次数，睡眠总时长为从用户入睡到醒来的总时长（单位是分钟），深睡时长(单位是分钟)是通过心率呼吸等指标对数据进行分析处理得到的,睡眠效率是无量纲指标，因此无单位，度量用户当晚的睡眠效率。算法流程：首先，依据睡眠的性质，深睡较多并浅睡较长一般睡眠效率较好，由深睡时长加上浅睡时长除以睡眠总时长得到基础效率；其次，夜间体动次数通常会影响睡眠效率。体动次数较多可能意味着不深的睡眠，因此引入一个调整因子。调整因子=1-夜间体动次数/10*0.02得到；最终，综合基础效率和调整因子来计算最终的睡眠效率：睡眠效率=基础效率×调整因子，并保留两位小数。

浙江省数据知识产权登记平台2025-09-08 更新470

智能床用户长期睡眠的异常心率区间数据

以智能床用户长期睡眠数据为基础，可以应用于多个领域和场景：1)个人健康管理：通过智能床采集到的用户长期的睡眠数据，可以对个人的睡眠质量进行长期的对比监测，为用户提供对自身数据的长期观察，发现睡眠变化的规律并解释。2)医疗研究和诊断：用户长期的数据可以用于医疗研究和诊断，通过分析大量用户的长期睡眠数据，可以研究个人长期的睡眠模式、潜在的健康问题及疾病风险。此外，医生可以根据长期的睡眠数据评估病人的长期数据波动情况，辅助诊断和制定治疗方案。智能床的传感器，收集夜间心率等数据，这些数据经过长期累积从而可以对数据进行长期数据波动趋势的观察。第一，对长期的心率数据使用时间序列数据分解的方式对其进行是否存在周期性和季节性的判断，如果存在，后续使用其原数据并结合计算出来的残差做异常区间的识别，如果不存在，则直接使用原数据进行异常识别。第二，对于残差的异常识别，根据数据的波动和数据的长度，规定滑动窗口的大小为14天，基于各个窗口内的数据，对不同时间段的数据进行上下文关联、稳定性、趋势异常等判断。定义一段窗口内的斜率超过0.6，则认为这段窗口内用户的数据呈现异常上升的状态；一段窗口内的斜率小于-0.4，则认为这段时间用户的数据呈现异常下降的状态；处于[-0.4,0.6]区间的斜率认定为平稳状态；如果一个窗口内的标准差波动大于1.8倍的全局标准差，则认为该窗口内的数据存在波动性异常。第三，对于另一部分的异常识别规则，同样使用的是滑窗的方式，定义14天为一个窗口，但因为稍微做了平滑，所以在阈值上有所变化，并在后续加入了前后变化异常的判断。定义一段窗口内的斜率超过0.3，则认为这段窗口内用户的数据呈现异常上升的状态；一段窗口内的斜率小于-0.2，则认为这段时间用户的数据呈现异常下降的状态；处于[-0.2,0.3]区间的斜率认定为平稳状态；若时间上存在间断，判断间断前后窗口均值的变化，若其均值变化超过5，则认为在间断的时期可能伴随异常的出现。第四，对上述两种方式识别出来的异常区间进行时间、异常类型上的合并。两种方式进行互补，对最后识别出来的异常区间分别计算多种统计学指标，例如均值、最大值、最小值、极差、中位数等，最后结合这些统计学指标（例如极值排名前三）选取最异常的时间片段。

浙江省数据知识产权登记平台2025-04-03 更新120

基于睡眠传感器的心率变异性LF和HF数据

以睡眠传感器的心率变异性LF和HF数据，可以应用于多个领域和场景：1)健康评估与监测：LF和HF数据可用于评估和监测个体的心脏健康状况。通过分析LF和HF的比例，可以评估自主神经系统的平衡性，从而了解个体的心脏功能和应激反应。2) 压力与情绪管理：LF和HF数据可以用于监测和管理压力水平和情绪状态。高频成分（HF）与心脏的短期变异性相关，反映了自主神经系统的副交感神经活动，与放松和恢复有关。低频成分（LF）则与交感神经活动相关，反映了应激和紧张状态。3)睡眠质量评估：LF和HF数据可以用于评估睡眠质量。较高的HF成分表示较好的睡眠质量，而较高的LF成分可能与睡眠障碍或应激相关。通过分析LF和HF的比例，可以了解个体的睡眠质量和自主神经系统的调节情况。通过内置传感器持续监测用户的心率、呼吸频率等生命体征数据。这些数据不仅有助于提高睡眠质量，还可以用于早期发现潜在的健康问题，如睡眠呼吸暂停综合症等。在大量个人睡眠数据的基础上，标准化的数据格式方便数据的交流和互通，后期进一步设计加密的数据格式，行业可以制定出更加科学合理的标准和规范。此数据能够为睡眠健康行业提供重要的参考信息。睡眠传感器实时收集用户在床状态下的心动间期数据，即每次心脏跳动与下一次心脏跳动之间的时间间隔，单位ms，记录在心动周期字段内，这些数据经过异常值处理后，将心动周期数据进行按频率4Hz进行数据重采样，重采样的数据计算功率谱密度，取频率范围0.04-0.15范围的功率谱密度值的总和作为LF, 取频率范围0.15-0.40范围的功率谱密度值的总和作为HF,计算LF和HF的比值，作为心率变异性LF/HF。

浙江省数据知识产权登记平台2024-09-07 更新901

基于睡眠传感器的自主神经系统活性指数数据

以智能床采集的心率变异性、心率与呼吸频率等数据为基础，推算出的“自主神经系统活性”指标具备广泛的应用价值：1)通过算法推算的自主神经系统活性指数，用户可以了解夜间交感与副交感神经的动态平衡状态。持续高交感活性可能暗示慢性压力或睡眠质量不佳，持续副交感活性占优则可能指向良好恢复状态。2)慢性病风险预警与康复监测：自主神经系统的异常活动与多种慢性疾病密切相关（如高血压、糖尿病、心律失常）。研究表明，交感神经长期过度活跃可能是代谢综合征与心血管疾病的前驱信号。在临床康复中，该指标也可用于评估药物干预效果（如交感抑制药物）或手术后患者的神经功能恢复过程。智能床传感器采集夜间原始数据，包括RR间期序列（单位：毫秒）、平均心率与平均呼吸率。对RR序列进行异常值剔除（<300ms或>1200ms，及相邻差值超过平均值20%的突变点），并采用线性插值填补短时间缺失数据。将清洗后的数据按5分钟非重叠滑窗进行分段处理。每个窗口中计算以下时域与频域心率变异性指标：相邻 RR 间期变化的均方根，即RMSSD（短期变异性），随后，对 RR 间期序列进行插值与功率谱分析，提取低频（LF, 0.04–0.15Hz）与高频（HF, 0.15–0.40Hz）功率成分，分别对应交感与副交感神经活性。最后计算 LF/HF 比值，同时提取该窗口内的平均心率和平均呼吸频率。基于医学研究定义如下两类神经活性分量：副交感活性（PNS_index） = RMSSD 标准化值 + HF 标准化值 − HR 标准化值，交感活性（SNS_index） = LF 标准化值 + LF/HF比值 + HR 标准化值 + RR（呼吸频率）标准化值。最终，自主神经系统活性指数按如下方式输出：ANS_Activity = γ1 * PNS_index - γ2 * SNS_index，γ1、γ2 为平衡系数，可调节模型偏向，正值表示副交感占优，负值表示交感占优。为提升用户感知性，系统将内部标准化指数结果通过线性缩放方式映射至 0–150 的整数分值区间。本算法引入特征归一化及动态加权融合机制，使不同睡眠结构、年龄层或心率基准水平的用户均可适配。同时，通过对原始信号的异常检测与窗口级稳定性过滤，提升算法在家庭非干预环境中的稳定性与泛化能力。

浙江省数据知识产权登记平台2025-10-14 更新230

基于睡眠传感器的心率变异性风险指数数据

基于睡眠传感器的心率变异性数据在健康监测领域具有重要应用价值。在健康管理方面，心率变异性数据能够实时反映自主神经系统状态，通过长期监测可有效评估个体的压力水平和疲劳程度，并对高血压、糖尿病等慢性疾病提供早期风险预警。在睡眠领域，心率变异性数据可量化睡眠分期、觉醒次数，辅助诊断失眠、睡眠呼吸暂停等睡眠障碍问题。在心理健康监测方面，心率变异性的异常波动模式与焦虑、抑郁等心理状态具有显著相关性，这使得心率变异性成为心理状态筛查的有效工具，并能为呼吸训练、冥想等干预手段提供数据支持。本系统基于睡眠传感器数据，提取心率变异性相关指标，计算个体的心率变异性风险指数。算法依赖于睡眠监测设备连续记录的RR间期数据。原始心率数据按5分钟为滑动窗口进行分段，逐段提取心率变异性特征。共提取8项心率变异性指标，包括：HRV_SDNN（RR间期的标准差）、HRV_SDANN（每5分钟平均RR间期的标准差）、HRV_RMSSD（相邻RR间期差值的均方根）、HRV_SDSD（相邻间期差值的标准差）、HRV_TP（总功率）、HRV_LF（低频功率）、HRV_HF（高频功率）、HRV_LF_HF（低频与高频的比值）。首先，对每个心率变异性指标设定风险阈值，根据其数值将每项指标分别打分（0–3分），其中正常为0分，轻度异常为1分，中度异常为2分，重度异常为3分。各指标的划分标准如下：HRV_SDNN>50为正常，35–50为轻度异常，20–35为中度异常，<20为重度异常；HRV_SDANN>40为正常，30-39为轻度异常，15-29为中度异常，<15为重度异常；HRV_RMSSD >40为正常，30-39为轻度异常，15-29为中度异常，<15则为重度异常；HRV_SDSD>30为正常，20-30为轻度异常，10-20为中度异常，<10为重度异常； HRV_TP>1000为正常，600-1000为轻度异常，300-600为中度异常，<200为重度异常；HRV_LF>600为正常，400-600为轻度异常，200-400为中度异常，<200为重度异常；HRV_HF>500为正常，300-500为轻度异常，150-300为中度异常，<150为重度异常；LF/HF在0.5–2.0为正常，>4或<0.2为重度异常。其次，将各指标得分按预设权重加权汇总，不同指标的重要性在风险计算中略有差异，HRV_SDNN、HRV_RMSSD、HRV_HF和HRV_TP核心指标权重较高（权重为0.15），HRV_SDANN、HRV_SDSD、HRV_LF和LF/HF权重相对较低（权重为0.10），权重总和为1。通过加权求和后得到的风险分值范围为0–3。最后，对加权总分进行线性标准化，将其转换为1–99之间的心率变异性风险指数，公式为：风险指数= 1 + (加权得分/ 3) ×98

浙江省数据知识产权登记平台2025-09-08 更新530

基于睡眠传感器的高频鼾声片段占比数据

以睡眠传感器采集到的睡眠数据为基础，高频鼾声片段占比有以下使用场景。1）个人健康管理：专业人员可以通过分析睡眠数据中的高频鼾声占比,即时评估鼾声严重程度，并反馈用户，该数据的比例值越高表示打鼾症状越严重。字段说明： 1）夜间每10秒鼾声检测数据表示每个10秒的信号片段是否发生了打鼾事件，0表示未发生打鼾事件，1表示发生了打鼾事件。 2）夜间每10秒所有频段能量和表示每个10秒的信号片段转换为频域特征后，所有频段的能量和。能量和为频域特征的平方和。 3）夜间每10秒所有频段能量和表示每个10秒的信号片段转换为频域特征后，频段大于180hz的能量和。算法概要： 1. 针对夜间每10秒所有频段能量和以及夜间每10秒高频段能量和字段中缺失的数据，使用上一个10秒片段的数据进行填充。 2. 根据夜间每10秒鼾声检测数据字段，筛选出发生打鼾事件的所有片段序列，即选出每10秒鼾声检测数据字段值为1的片段。 3. 针对筛选出来的所有片段，将这些片段对应的夜间每10秒所有频段能量和字段数据与夜间每10秒所有频段能量和字段数据求比值并求和，得到的数值即为高频鼾声片段占比字段数据。

浙江省数据知识产权登记平台2025-09-08 更新690

智能床用户睡眠无报告原因数据

以智能床用户无报告原因为基础，可以在多个场景中应用：1）用户设备状况评估：通过分析无报告产生原因可以评估用户设备的基本情况，当用户设备较差时，有可能会产生无报告，可以及时处理；2）程序缺陷评估：通过分析无报告产生原因可以评估程序的缺陷，相关人员可快速定位及修复，减少对用户的影响。用户睡觉数据收集的基础是智能床行业发展中不可或缺的一部分，它不仅能帮助企业不断改进产品和服务，还能推动整个行业的健康发展和技术进步。同时，这也要求行业在收集和使用这些数据时要严格遵守相关的法律法规，确保用户的隐私得到充分的保护。在大量个人睡眠数据的基础上，标准化的数据格式方便数据的交流和互通，后期进一步设计加密的数据格式，行业可以制定出更加科学合理的标准和规范。利用智能床的传感器，以2分钟做时间窗，收集用户当晚入睡时长、离床时长以及信号质量数据。其中，睡眠时长表示用户从入睡到醒来的时间长度（单位：分钟），离床时长表示用户夜间离床或者设备短时异常的总时长（单位：分钟），信号质量数值越大表示数据可信度越大。如果用户当晚睡眠时长小于120分钟，那么就认定无报告（入睡过短），代码为1001；如果离床时长大于180分钟，那么认定为无报告（离床过长），代码为1002；如果信号质量小于0.7，那么认定为无报告（数据质量较差），代码为1003；如果上述指标均为0，那么表示为设备离线，代码为1000。倘若出现多个无报告代码，只需输出一个，那么按照设备离线、睡眠时长、离床时长、信号质量这样的优先级输出。

浙江省数据知识产权登记平台2024-12-09 更新580

基于睡眠传感器的体动异常标记与得分数据

基于睡眠传感器采集的用户睡眠数据，主要考察用户每5分钟的体动情况，把出现体动过多的时间点标记出来，并最终得到当晚的体动得分。用户可根据此数据，知晓当晚睡眠情况的好坏，给予用户可度量的正向反馈。此数据不仅能够为睡眠健康行业提供重要的参考信息，而且有助于建立行业标准，从而推动整个领域的发展和创新。1、收集智能床传感器的夜间体动次数的数据。这些数据经过异常值处理后，设置一个时间窗口5分钟，统计该5分钟的体动次数； 2、对体动次数进行异常标记的判断,成年人在夜间睡眠时每小时的体动次数正常值都在20次以下，因此设置每5分钟体动次数大于3次为体动异常，标记为1。 3、统计体动异常标记次数占总的夜间体动次数的占比，小于等于10%为5分，10%-15%为4分,15%-20%为3分，20%-25%为2分，25%-30%为1分，大于30%为0分，作为该用户的当晚体动得分。

浙江省数据知识产权登记平台2024-08-16 更新910