温馨提示：文末有 CSDN 平台官方提供的学长 Wechat / QQ 名片 :)

1. 项目简介

Sleep Cycle（SC；NorthCube，Gothenburg，Sweden）是一款可在基于android和iOS设备上使用的移动电话应用程序。SC是一个智能闹钟，它可以跟踪你的睡眠模式，并在浅睡眠中唤醒你。SC会跟踪整晚的睡眠情况，并使用30分钟的窗口，在这个窗口中，警报会在最轻的阶段（即浅睡眠）结束，达到所需的警报时间。SC通过两种运动检测模式中的一种来进行睡眠运动检测：（i）使用内置麦克风分析运动的麦克风，或（ii）使用手机内置加速计的加速计。

本项目利用 pandas + Matplotlib + seaborn + sklearn 等工具包，对睡眠数据进行探索式可视化分析，并构建 KNN、LR、决策树、随机森林等算法实现对睡眠质量的预测建模。

2. 功能组成

基于python个人睡眠质量分析建模的功能主要包括：

3. 数据读取和预处理

本项目采用 SC提供的数据，并通过iOS上的Northcube的Sleep Cycle应用程序收集。

Start-开始睡眠时间
End-结束睡眠时间
Sleep quality-睡眠质量
Time in bed-躺在床上的时间
Wake up-醒来状态
Sleep Notes-睡眠笔记
Heart rate-睡眠心率
Activity (steps)-活动（步骤）

缺失值分析，检查整个数据集中的空部分，红色部分缺少数据：

“Wake up”、“Sleep Notes”和“Heart rate”功能中缺少数据。我们可以注意到“卧床时间”的特征是从“开始”和“结束”两个方面来计算的。正如我们所知，睡眠质量不仅取决于睡眠的持续时间“在床上的时间”，还取决于你睡眠的“开始”时刻。

df['Start time'] = pd.Series([val.time() for val in df['Start']])
df['End time'] = pd.Series([val.time() for val in df['End']])
df['Start time in second'] = df['Start time'].apply(lambda x: (x.hour*60+x.minute)*60 + x.second)
df['End time in second'] = df['End time'].apply(lambda x: (x.hour*60+x.minute)*60 + x.second)

4. 数据探索式可视化分析

4.1 非空特征间的相关性

# 相关性的可视化
fig = plt.figure(figsize = (12,10))
r = sns.heatmap(df.corr(),cmap='Oranges')
r.set_title('Correlation')

检查特征与“睡眠质量”的相关性：

df.corr()['Sleep quality'].sort_values(ascending = False)

Sleep quality           1.000000
Time in bed             0.695206
Start time in second    0.234936
End time in second      0.076523
Heart rate             -0.037846
Activity (steps)       -0.190491

很明显，“卧床时间”与“睡眠质量”的关系最大，除了它本身。睡眠时间的“开始时间”与“结束时间”的关系更大。

4.2 全局特征 pairplot

4.3 “睡眠质量”和“卧床时间”与单位秒的联合绘图

4.4 开始睡眠和结束睡眠时间的柱状图

4.5 步数 Steps 的分布柱状图

从上面的柱状图来看，“步数”不是睡眠时的“步数”，而是白天的“步数”，代表白天的活动。

4.6 “睡眠质量”和“活动性”特征与秒级别单位的联合图。

# 特征与睡眠质量"sleep quality" 的相关性
df_new.corr()['Sleep quality'].sort_values(ascending = False)# Scatter plot
plt.figure(figsize=(10,6))
plt.scatter(df_new['Sleep quality'],df_new['Activity (steps)'], c="g", alpha=0.5, marker=r'$\clubsuit$',label="Sleep quality vs. Steps")
plt.xlabel("Sleep quality")
plt.ylabel("Steps during the day")
plt.legend(loc='upper left')
plt.show()

如果我们只看“睡眠质量”和“步数 step ”之间的相关性，它们就没有那么大的关系了。根据经验，人们普遍认为，白天大量活动可以改善睡眠质量。然而，我们在这里没有看到这种关系。

5. 机器学习建模 Machine Learning

5.1 训练集和测试集划分

X = df[['Time in bed', 'Start time in second','End time in second','Activity (steps)']].values
y = df['Sleep quality'].values
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=101)
# In order to normalize the features, it is better to use MinMaxScaler
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
scaler.fit(X_train)
X_train = scaler.transform(X_train)
X_test = scaler.transform(X_test)

5.2 LinearRegression Model

from sklearn.linear_model import LinearRegression
lm = LinearRegression()
lm.fit(X_train,y_train)
lm.score(X_test,y_test)print('test accuracy:', lm.score(X_test,y_test))

5.3 KNN (K nearest neighbors) model

from sklearn.neighbors import KNeighborsClassifiererror_rate =[]
for i in range(1,20):knn = KNeighborsClassifier(n_neighbors=i)knn.fit(X_train,y_train)pred_i = knn.predict(X_test)error_rate.append(np.mean(pred_i != y_test))plt.figure(figsize=(10,6))
plt.plot(range(1,20),error_rate, color ='red',linestyle='dashed',marker='v',markerfacecolor = 'blue', markersize=10)
plt.title('Error Rate vs. K value')
plt.xlabel('K')
plt.ylabel('Error Rate')

同理构建Logistic Regression Model、Decision Tree Model、Random Forest Model 、Support Machine Vector (SVM) Algorithm等机器学习模型，受篇幅限制，此处省略。

对多个模型的预测结果进行对比：

Linear Regresion Model precision: 0.41236039548039705
KNN Model precision: 0.06741573033707865
Logistic Regression Model precision: 0.03932584269662921
Decision Tree Model precision: 0.05056179775280899
Random Tree Model precision: 0.03932584269662921
Support Machine Vector precision: 0.033707865168539325

6. 总结

欢迎大家点赞、收藏、关注、评论啦，由于篇幅有限，只展示了部分核心代码。

技术交流认准下方 CSDN 官方提供的学长 Wechat / QQ 名片 :)

精彩专栏推荐订阅：

1. Python 毕设精品实战案例
2. 自然语言处理 NLP 精品实战案例
3. 计算机视觉 CV 精品实战案例

基于python个人睡眠质量分析设计与实现相关推荐

python网络爬虫的流程图_基于Python的网络爬虫的设计与实现
龙源期刊网 http://www.qikan.com.cn 基于 Python 的网络爬虫的设计与实现作者:高祖彦来源:<商情> 2020 年第 33 期 [摘要]一个爬虫从网上爬取数 ...
python信息采集管理系统_基于Python的求职信息采集分析系统设计与实现
基于 Python 的求职信息采集分析系统设计与实现关鑫洁 ; 黄思奇 ; 位磊 [期刊名称] <计算机时代> [年 ( 卷 ), 期] 2020(000)003 [摘要] 为了便于求职 ...
java课程教学质量分析_基于jsp的教学质量分析辅助决策学员评估系统-JavaEE实现教学质量分析辅助决策学员评估系统 - java项目源码...
基于jsp+servlet+pojo+mysql实现一个javaee/javaweb的教学质量分析辅助决策学员评估系统, 该项目可用各类java课程设计大作业中, 教学质量分析辅助决策学员评估系统的系 ...
可视化平台python_基于Python的可视化数据分析平台设计与实现
Computer Era No. 12 2017 0 引言随着云计算.物联网.社交网络等的兴起和数据库技术的成熟,社会中的各类数据正在以前所未有的速度增长.传统的数据处理方式难以发掘出海量数据中所隐 ...
python如何读dat数据_如何用Python进行数据质量分析
概述数据挖掘的第一步工作是数据准备,而数据准备的第一步就是数据质量分析了.本篇文章着重介绍如何使用Python进行数据质量分析的初步工作,属于比较基础的入门教程. 为什么要进行数据质量分析根据百度 ...
python版植物大战僵尸源码_基于python的植物大战僵尸游戏设计与实现.docx
湖南理工学院毕业设计(论文) PAGE PAGE 1 学号毕业设计(论文) 题目:基于python的植物大战僵尸游戏设计与实现作者届别届院别信息与通信工程学院专业信息工程指 ...
基于python可视化的网页搜索引擎设计#毕业设计
开发环境项目编号:基于python可视化的网页搜索引擎设计#毕业设计开发语言:Python python框架:django 软件版本:python3.7/python3.8 数据库:mysql 5 ...
python微博评论情感分析_基于Python的微博情感分析系统设计
2019 年第 6 期信息与电脑 China Computer & Communication 软件开发与应用基于 Python 的微博情感分析系统设计王欣周文龙 (武汉工程大学邮电 ...
基于Python的图书推荐系统的设计与实现
基于Python的图书推荐系统的设计与实现课题描述在这个数据爆炸的年代,人们的需求逐渐增多,而所对应的资源更是海量. 一个人要从无数的选择中选中自己所感兴趣的无异于大海捞针. 本系统在实现个人信息 ...
python微博文本分析_基于Python的微博情感分析系统设计
基于 Python 的微博情感分析系统设计王欣 ; 周文龙 [期刊名称] < <信息与电脑> > [年 ( 卷 ), 期] 2019(000)006 [摘要] 微博是当今公众 ...

基于python个人睡眠质量分析设计与实现