现有睡眠监测研究主要是针对睡眠质量提出非干扰式监测方法的研究，而缺乏对睡眠质量主动调节方法的研究。基于心率变异性(HRV)分析的精神状态以及睡眠分期研究主要集中在这两种信息的获取上，而这两种信息的获取需要佩戴专业医疗设备，并且这些研究缺乏对信息的应用以及调整。音乐可以作为一种解决睡眠问题的非药物类方法，但现有音乐推荐方法并未考虑个体睡眠及精神状态的差异。针对以上问题提出了一种基于移动设备的精神压力和睡眠状态的音乐推荐系统。首先，用手表采集光体积扫描计信号来提取特征并计算心率；其次，将采集的信号通过蓝牙传递给手机，手机通过这些信号评估人的精神压力以及睡眠状态来播放调整音乐；最后，根据个体每晚的入眠时间进行音乐推荐。实验结果表明，在使用睡眠音乐推荐系统后，用户睡眠总时长相较于使用前增长11.0%。

针对目前流数据存在数量巨大、生成迅速和概念漂移的特点，提出了一种基于长短期记忆(LSTM)网络和滑动窗口的流数据异常检测方法。首先采用LSTM网络进行数据预测，之后计算预测值与实际值的差值。对于每个数据，选择合适的滑动窗口，将滑动窗口区间内的所有差值进行分布建模，再根据每个差值在当前分布的概率密度来计算数据异常可能性。LSTM网络不仅可以进行数据预测，还可以边预测边学习，实时更新调整网络，保证模型的有效性；而利用滑动窗口可以使得异常分数的分配更为合理。最后使用在真实数据基础上制造的模拟数据进行了实验。实验结果验证了所提方法在低噪声环境下比直接利用差值进行检测和异常数据分布建模法（ADM）方法的平均曲线下面积(AUC)值分别提高了0.187和0.05。