CN104732250B - 一种无干扰睡眠的睡姿和睡眠行为测试识别方法 - Google Patents
一种无干扰睡眠的睡姿和睡眠行为测试识别方法 Download PDFInfo
- Publication number
- CN104732250B CN104732250B CN201510133654.6A CN201510133654A CN104732250B CN 104732250 B CN104732250 B CN 104732250B CN 201510133654 A CN201510133654 A CN 201510133654A CN 104732250 B CN104732250 B CN 104732250B
- Authority
- CN
- China
- Prior art keywords
- sleep
- collapsing
- amount
- behavior
- sleeping position
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000006399 behavior Effects 0.000 title claims abstract description 114
- 230000007958 sleep Effects 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012360 testing method Methods 0.000 title claims abstract description 25
- 230000009471 action Effects 0.000 claims abstract description 77
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 238000012706 support-vector machine Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 241001669679 Eleotris Species 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 230000001360 synchronised effect Effects 0.000 claims abstract description 4
- 210000001624 hip Anatomy 0.000 claims description 28
- 210000001217 buttock Anatomy 0.000 claims description 22
- 210000003127 knee Anatomy 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 210000002832 shoulder Anatomy 0.000 claims description 14
- 230000003860 sleep quality Effects 0.000 claims description 10
- 244000309466 calf Species 0.000 claims description 3
- 210000002414 leg Anatomy 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 210000004197 pelvis Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 239000002131 composite material Substances 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 210000003414 extremity Anatomy 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 210000002659 acromion Anatomy 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- AHLBNYSZXLDEJQ-FWEHEUNISA-N orlistat Chemical compound CCCCCCCCCCC[C@H](OC(=O)[C@H](CC(C)C)NC=O)C[C@@H]1OC(=O)[C@H]1CCCCCC AHLBNYSZXLDEJQ-FWEHEUNISA-N 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 208000005793 Restless legs syndrome Diseases 0.000 description 1
- 208000005392 Spasm Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 208000022925 sleep disturbance Diseases 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种无干扰睡眠的睡姿和睡眠行为测试识别方法，包括人‑床界面压陷形状的提取、睡姿的分类与识别、睡眠动作行为的分类与识别以及睡眠行为模式的分析，睡姿的分类与识别是利用支持向量机，在有限样本监督训练识别的基础上，通过人‑床界面压陷量矩阵的分类，识别仰卧、左侧卧、右侧卧和俯卧四种睡姿；睡眠动作行为的识别是利用与人‑床界面压陷量变化同步的对数电位传感器输出电压信号的变化，获取睡眠者动作行为事件发生的信号。本发明为实现床具系统或床垫的智能化设计和健康睡眠的监测与评估提供了技术支持。
Description
技术领域
本发明涉及一种睡姿和睡眠行为的自动化识别技术。
背景技术
床具系统或床垫常被认为是影响睡眠质量的重要的外部因素，睡眠过程中，床具系统或床垫持续与人体相接触，支撑人体，使人体肌肉放松和椎间盘获得恢复。比较理想的床具系统或床垫支撑条件应该使使用者的卧姿脊柱处于自然弯曲的状态。正是基于这一点，目前许多先进的床垫设计为“分区调节式”，即通过床垫肩部、腰部、臀部等区域硬度特征的调节，响应不同体型的人的不同脊柱支撑需求。但事实上，大量的实验研究表明这种床垫并没达到明显提高睡眠质量的目的，这主要是因为这种床垫只能满足人体的某种特定睡姿，而健康睡眠需要每晚进行各种各样的动作行为和姿势调节，以避免局部肌肉、软组织持续受压。另一方面，睡眠过程中动作行为和姿势调节不能过于频繁，否则也会影响睡眠质量，如不宁腿综合征、周期性肢体动作等睡眠障碍问题多表现为睡眠过程中动作行为的增加，从而使睡眠时断时续，难易保持。因此，通过自动化地控制床具或床垫的支撑性能，动态地优化脊柱支撑条件、优化睡姿、优化睡眠行为应该是床具人性化设计发展的趋势，同时也是床具或床垫真正地、最大化地满足不同体型、不同睡姿、不同睡眠行为模式和不同文化背景的人群需求的必然发展趋势，更是将来床具智能化发展的“核心内涵”。而实现这些目标的前提是如何在不干扰睡眠的状态下准确识别睡姿和睡眠行为。目前睡姿和睡眠行为的测试方法主要有多导睡眠图记录法、体动记录图分析法和摄像法。其中多导睡眠图记录法虽然可以获得睡眠结构的详细信息，但该方法只能在实验室内完成，并且需要将多导电极置于人体之上，因此，对正常睡眠有一定程度的影响。体动记录图分析法是一种测试具体人体肢体动作的较好的方法，但为了获得全面的睡眠动作行为，需要给人体肢体部位的多处佩戴体动记录装置，因此，也会对睡眠产生一定程度的影响。摄像法虽然可以在不干扰睡眠的前提下测试睡姿和睡眠动作行为，但这种方法不够尊重受试者的隐私，同时，也无法精确测试细微动作行为和被褥掩盖下的动作行为。另外，由于这些测试方法无法将睡姿、睡眠行为与床具或床垫的力学性能联系起来，因此，也是无法根据睡姿和睡眠行为的需求智能化地改变床具或床垫的力学性能。
发明内容
本发明旨在克服以上睡眠行为测试技术中所存在的缺点和不足之处，提供一种基于支持向量机的无干扰睡眠的睡姿识别分类方法，为实现床具系统或床垫的智能化设计和健康睡眠 的监测与评估提供技术支持。
本发明目的的实现采用如下技术方案：
一种无干扰睡眠的睡姿和睡眠行为测试识别方法，包括人-床界面压陷形状的提取、睡姿的分类与识别、睡眠动作行为的识别与分类以及睡眠行为模式的分析，其特点在于，所述睡姿的分类与识别包括如下步骤：
(1)自动识别之前，利用支撑向量机(SVMs)，在有限样本监督识别训练的基础上，构建精准的仰卧、左侧卧、右侧卧和俯卧四种睡姿的识别准则，即建立睡姿识别的支持向量机分类器；具体步骤如下，
①首先采集训练样本目标人群仰卧、侧卧、俯卧条件下人-床界面压陷形状，并计算人-床界面压陷量矩阵的肩臀比Rjt、膝臀比Rxt、总压陷量T、小腿压陷量Tt、侧向不对称系数C、侧向不对称压陷量TC六项指标表征人-床界面压陷量矩阵的特征，其中肩臀比Rjt为肩部区域总压陷量与臀部区域总压陷量之比；膝臀比Rxt为膝部区域总压陷量与臀部区域总压陷量之比；总压陷量T即整个床垫表面的总压陷量；腿部压陷量Tt是小腿区域总压陷量；侧向不对称系数C为肩部、腰部、臀部压陷对称中心曲线CL至该曲线起止点连线距离的平均值，侧向不对称压陷量TC为肩部、腰部、臀部压陷对称中心曲线CL两侧压陷总量之差的绝对值,公式分别为：
C＝average(d(i,j)) (5)
其中，Z为床垫压陷量矩阵，Zjian为肩部压陷量矩阵，Zxi为膝部压陷量矩阵，Ztui为臀部 压陷量矩阵，Ztotal为肩部、腰部、臀部总压陷量矩阵；m为侧向压陷量测试点数，n为纵向压陷量测试点数，n1、n2、n3、n4、n5分别为肩部、腰部、臀部、膝部、小腿部区域纵向压陷量测试点数，l为肩部、腰部、臀部纵向总压陷量测试点数，m、n、n1、n2、n3、n4、n5、l取值自然数；d(i，j)为肩部、腰部、臀部对称曲线CL上任意一点(i，j)至该曲线起止点连线的距离；
②利用Z-score标准化法将以上六项指标规格化，组成人-床界面压陷量矩阵的特征向量，即仰卧、左侧卧、右侧卧、俯卧四种睡姿识别的特征向量；
③每两类睡姿间训练一个分类器，获得6个支持向量机分类器；
(2)睡姿识别时，首先提取受试者的人-床界面压陷形状；然后计算人-床界面压陷量矩阵的肩臀比Rjt、膝臀比Rxt、总压陷量T、小腿压陷量Tt、侧向不对称系数C、侧向不对称压陷量TC六项指标，对上述指标规格化，组成用以睡姿识别的特征向量；最后利用获得的6个支持向量机分类器对睡姿进行分类和识别。
本发明所述睡眠动作行为识别和分类具体包括如下步骤：
S1、对受试床垫设置186个呈矩阵分布的对数电位传感器，所述对数电位传感器用于监测受试者人-床界面压陷量；所述对数电位传感器输出电压信号的变化与受试者人-床界面压陷量变化同步；
S2、受试者动作行为事件发生时，利用与人-床界面压陷量变化同步的对数电位传感器输出电压信号的变化，获取睡眠者动作行为事件发生信号；将采集到的对数电位传感器的输出电压相对时间求导数，计算整个床垫上186个对数电位传感器输出电压时间导数的和f(t)，f(t)的各个峰值即为受试者睡眠动作行为的信号；
其中，Vi是第i个对数电位传感器的输出电压；
为了消除人体胖瘦对人体睡眠动作行为信号强弱的影响，利用如下公式对受试者睡眠动作行为的信号进行校准：
fr(t)＝f(t)-A (8)
其中，A为动作行为事件发生的阈限值，即动作行为事件发生的最小值；
校准后，要求睡眠者的主要动作行为事件的持续时间在4s以及以上，且一组连续变化的波只记为一个动作发生；
S3、按人体动作行为持续的时间将人体的动作行为分为四类，第一类为持续时间在5s以内的动作行为；第二类为持续时间在5s-10s的动作行为；第三类为持续时间在10s-15s之间的动作行为；第四类为持续时间在15s以上的动作行为。
本发明所述睡眠行为模式的分析是指统计受试者睡眠状态的动作总量、动作总时间、各类动作行为的时间分布、不动指数，即不动的总时间与动作总次数的比值、翻身次数、超过30分钟的不动片段出现次数、每种睡姿的保持时间的指标，并运用所述指标评价睡眠质量。动作行为过于频繁或不动片段过少都表明睡眠质量较差。
与已有技术相比，本发明的优点主要体现在：
(1)本发明克服了现有睡眠行为测试技术需要将测试装置佩戴于人体之上或对受试者隐私不够尊重的局限性，利用支持向量机原理，结合人-床界面压陷形状的图形向量和最优化分类超平面分析来测试并识别睡姿和睡眠行为，不仅可以确保受试者的隐私权，还可以实现睡眠的无干扰性。
(2)本发明克服了现有睡眠行为测试技术需要在实验室环境完成实验的局限性，由于测试过程无需任何操作，因此可以在任何环境中测试自然睡眠行为。
(3)本发明克服了现有睡眠行为测试技术无法将睡姿、睡眠行为与床具或床垫的力学性能有机联系起来的局限性，床具系统力学性能的定量化控制获得人-床界面压陷形状，并结合压陷形状的图形向量和最优分类超平面分析来识别睡姿和睡眠行为。由于将睡姿和睡眠行为与床具系统或床垫的力学性能有机地联系了起来，从而为智能化床具或床垫的实现提供了保证。
(4)本发明克服了现有睡眠行为测试技术不能有效判断睡姿的局限性，通过人-床界面压陷形状的图形向量分析和最优分类超平面分析可以准确判断自然睡姿。
(5)本发明克服了现有睡眠行为测试技术仅能分析睡眠行为模式的局限性，不仅可以测试睡姿和睡眠行为，同时还可以建立睡姿、睡眠行为模式、床垫力学性能之间的量化关系，以及用于研究人-床之间的界面关系。
附图说明
图1是本发明实验床具的结构图。
图2是本发明实验床具的纵剖图。
图3是本发明实验床具水平剖面图。
图4是睡眠者侧卧躺在实验床具上，人-床界面压陷形状获取的总剖图。
图5是本发明获得的睡眠行为信号的示意图。
图6是本发明人-床界面压陷量矩阵连续采集的过程。
图中标号：1床垫、2床架、3袋装弹簧、4铺垫层、5面料复合层、6对数电位传感器、7睡眠者、8信息采集卡、9电脑主机、10显示器、11通气孔。
具体实施方式
下面结合附图和具体实施方法对本发明技术做进一步说明。
本发明一种无干扰睡眠的睡姿和睡眠行为测试识别技术包括人-床界面压陷形状的提取、睡姿的分类与识别、睡眠行为的分类与识别以及睡眠行为模式的分析四个部分。
下面以单人床睡姿和睡眠行为的测试识别实施为例进行介绍。
(一)对测试获取人-床界面压陷形状的实验床具系统及其获取过程进行说明。
如图所示，用于测量并获取人-床界面压陷形状的实验床具包括床垫1(床垫的幅面尺寸为900×2000)、床架2两部分。床垫包括186个袋装弹簧3、铺垫层4和面料复合层5，面料复合层内固定有186个对数电位传感器6。对数电位传感器6呈矩阵排列，采样率0.5Hz，同一个电位传感器有三个量程区间，分别为0mm-10mm、10mm-40mm、40mm-100mm。
(1)人-床界面压陷形状提取的步骤：
①受试者7躺到实验床具上；
②在人的重量作用下，床垫覆面材料和床芯弹簧压缩变形，对数电位传感器矩阵同步测得人-床界面压陷量，如图4所示，为睡眠者侧卧躺在实验床具上，人-床界面压陷形状获取的总剖图。
③采集卡8采集对数电位传感器矩阵中每个电位传感器6的位移变化量，获得人-床界面压陷量矩阵，即人-床界面压陷形状，并由电脑主机9储存。
(2)人-床界面压陷量矩阵连续采集的过程如图6所示。
(二)对无干扰睡眠的睡姿识别与分类方法及过程进行说明。
1、利用支持向量机(SVMs)对人-床界面压陷量矩阵数据进行分类，识别仰卧、左侧卧、右侧卧和俯卧四种睡姿，采用1-v-1SVMs(即one-versus-one)算法，即每两类睡姿间训练一个分类器，因此共有4×(4-1)/2＝6个分类函数。人-床界面压陷量矩阵的特征值分别为肩臀比Rjt、膝臀比Rxt、总压陷量T、小腿压陷量Tt、侧向不对称系数C、侧向不对称压陷量TC，其中肩臀比Rjt为肩部区域总压陷量与臀部区域总压陷量之比；膝臀比Rxt为膝部区域总压陷量与臀部区域总压陷量之比；总压陷量T即整个床垫表面的总压陷量；腿部压陷量 Tt是小腿区域总压陷量；侧向不对称系数C为肩部、腰部、臀部压陷对称中心曲线CL至该曲线起止点连线距离的平均值，侧向不对称压陷量TC为肩部、腰部、臀部压陷对称中心曲线CL两侧压陷总量之差的绝对值,公式分别为：
C＝average(d(i,j)) (5)
其中，Z为床垫压陷量矩阵，Zjian为肩部压陷量矩阵，Zxi为膝部压陷量矩阵，Ztui为臀部压陷量矩阵，Ztotal为肩部、腰部、臀部总压陷量矩阵；m为侧向压陷量测试点数，n为纵向压陷量测试点数，n1、n2、n3、n4、n5分别为肩部、腰部、臀部、膝部、小腿部区域纵向压陷量测试点数，l为肩部、腰部、臀部纵向总压陷量测试点数，m、n、n1、n2、n3、n4、n5、l取值自然数；d(i，j)为肩部、腰部、臀部对称曲线CL上任意一点(i，j)至该曲线起止点连线的距离；
2、自动识别之前，利用支持向量机，在有限样本D监督识别训练的基础上，构建精准的识别准则，包括如下步骤：
S1：采集训练样本目标人群仰卧、侧卧、俯卧条件下人-床界面压陷形状，并计算人-床界面压陷量矩阵的肩臀比Rjt、膝臀比Rxt、总压陷量T、小腿压陷量Tt、侧向不对称系数C、侧向不对称压陷量TC六项指标作为支持向量机训练的样本数据。
S2、样本数据的规格化
利用Z-score标准化法将以上六项指标规格化，组成人-床界面压陷量矩阵的特征向量xi，其中xi＝(ai,bi,ci,di,ei,fi)，ai,bi,ci,di,ei,fi分别为采集的第i个样本对应的Rjt,Rxt,T,Tt,C,Tc的 标准化值，从而获得训练样本D：
D＝{(x1,y1),K(xi,yi)},x∈Rn,y∈{-1,1}
数据形式如下表1所示：
表1
S3、寻找最优决策参数
寻找每两类睡姿之间分类器的最优分类超平面(w·x)+b＝0，使得训练样本完全正确分开，同时满足距离超平面最近的两类点的间距最大，其中w为分类超平面的法线，b为分类超平面的偏移量。
将超平面方程(w·x)+b＝0归一化，分类间隔为2/‖w‖，那么求最大间隔等价于使‖w‖2/2最小，并且对于所有使yi＝1的i，有(w·xi)+b≥1；对于所有使yi＝-1的i，有(w·xi)+b≤-1。所以寻找最优分类超平面问题，就是求解下列的问题：
根据拉格朗日对偶理论，构造并求解最优化问题：
求解得到最优解为
计算得到选择α*的一个分量其中xr,
xs是两类睡姿中任意的支持向量(SV)(依据Karushi-Kuhn-Tucker补充条件，少量最靠近超
平面样本的点αi值不为零的点，成为支持向量)，最终得到决策函数：
若训练样本的各点在空间中无法线性分割，则引入松弛ξi≥0，试述公式(7)变为：
其中C为惩罚参量。求解方式和线性可分情况几乎完全同形，只是约束条件变为0≤αi≤C,而最优决策函数仍未公式(9)。
由于对偶形式中只出现两向量的内积运算，利用径向基核函数代替内积运算，实现非线性软间隔分类，即最优决策函数为：
其中，K(x,xi)＝exp(-γ‖x-xi‖2) (12)
S4、利用支持向量机函数对样本集进行训练，获得6个支持向量机分类器。
3、通过固定于床垫面料复合层内的对数电位传感器采集受试者人-床界面压陷量矩阵，利用训练好的6个支持向量机分类器对受试者的睡姿进行自动识别与分类。
4、睡姿自动识别步骤：
①获取受试者人体体型特征参量
首先利用人体形态测量尺和围度尺，以肩峰点、肩部、胸、腰、盆骨、臀、跨部等人体解剖位置为基准，采集人体高度、宽度和围度方面的尺寸数据；以肩峰、肩、胸、腰、盆骨位置为基准采集人体厚度方面的尺寸数据；另外采集人体高度、体重、脊椎隆突点高度等人体数据，具体测量如表1所示。得肩宽、胸宽、腰宽、盆骨宽(中臀宽)、臀宽等人体特征参量，并计算人体质量指数(BMI)、胸宽/长度、胸宽/长度2、胸宽/重量、腰宽/长度、腰宽/长度2、腰宽/重量、肩宽/长度、肩宽/长度2、肩宽/重量、臀宽/长度、臀宽/长度2、臀宽/重量、盆骨宽/长度、盆骨宽/长度2、盆骨宽/重量、臀宽/腰宽、肩宽/腰宽等人体特征参量，如表2所示。
表2受试者人体测量表
②根据受试者的体型特征，在样本库中选择与受试者体型特征相似的样本人群，选择该人群的睡姿识别支持向量机分类器进行睡姿识别；如果样本库中没有与受试者体型相似的样本人群，则需要重新采集该体型特征人群的训练样本，进行识别训练，从而获得该体型特征人群的四种睡姿识别的6个支持向量机分类器，并选择该组模型进行睡姿识别。
③受试者躺倒床上睡眠开始；
④采集的人-床界面压陷形状；
⑤针对每张人-床界面压陷形状，计算人-床界面压陷量矩阵的肩臀比Rjt、膝臀比Rxt、总压陷量T、小腿压陷量Tt、侧向不对称系数C、侧向不对称压陷量TC六项指标。利用Z-score标准化法将以上六项指标规格化，组成人-床界面压陷量矩阵的特征向量xi，其中xi＝(ai,bi,ci,di,ei,fi)，ai,bi,ci,di,ei,fi分别为第i个时间点对应的Rjt,Rxt,T,Tt,C,Tc的标准化 值，从而获得睡姿识别的待分类数据，如表3所示：
表3
⑥利用步骤②中选择的睡姿识别支持向量机分类器进行睡姿识别。
⑦按时间序列获得整晚睡眠的睡姿变化数据，如表4所示。
表4
(三)对睡眠行为识别过程、分类方法和分析方法的说明
本发明提供了一种睡眠行为识别和分类的方法，主要利用动作行为事件发生时，人体重量在床垫上的分布会发生变化，人-床界面压陷量也会发生变化的现象，利用与人-床界面压陷量变化同步的对数电位传感器输出电压信号的变化，获取睡眠者动作行为事件发生信号。
1、睡眠行为事件信号采集的步骤：
(1)受试者7躺到实验床具上；
(2)在人的重量作用下，床垫覆面材料和床芯弹簧压缩变形，对数电位传感器矩阵同 步获得输出电压信号，采集卡8采集对数电位传感器矩阵中每一个电位传感器6的输出电压的变化量，并由电脑主机9储存。
2、睡眠行为识别方法和步骤的说明：
(1)自动识别前，首先采集受试者的身高和体重，计算人体质量指数BMI(身高2/体重)，身高的单位为米，体重的单位为Kg，确定睡眠行为电压变化量信号的阈限值A。当床具力学性能确定时，阈限值A通过测试由人体质量指数BMI确定，测试并获得阈限值A与人体质量指数关系的方法如下：
①测试一组受试者的人体质量指数BMI，获得BMI的一组数据(x1,L,xm)，其中m为受试者的人数，xm为第m个人的BMI值。
②每个受试者依次躺到实验床垫上，按指令完成要求的微小动作，持续时间4s，采集每位受试者这一动作的电压信号的变化量，得到对应于人体质量指数的一组最小电压变化量(y1,L,ym)
③根据以上两组数据的对应关系：(x1,L,xm)→(y1,L,ym)，获得阈限值A与人体质量指数BMI的关系：y＝g(x)
④其他任何受试者在进行睡眠行为识别时，只需要根据人体质量指数BMI，通过A＝g(BMI),计算得到睡眠行为电压变化量信号的阈限值A。
(2)自动识别时：
①首先受试者7躺倒实验床垫上。
②根据受试者7人体质量指数BMI，确定其睡眠行为电压变化量信号的阈限值A。
③启动信息采集系统，采集卡8连续采集对数电位传感器矩阵中每一个电位传感器6的输出电压的变化量，并由电脑主机9储存。
④主机处理器对每一个对数电位器的输出电压相对时间求导数，计算整个床垫上186个对数电位器输出电压时间导数的和f(t)，f(t)的各脉冲波即为受试者睡眠动作行为的信号；
其中，Vi是第i个对数电位器的输出电压。
⑤利用受试者7睡眠行为电压变化量信号的阈限值A，对睡眠行为的信号f(t)校准处理，消除人体胖瘦对人体睡眠动作行为信号强弱的影响：
fr(t)＝f(t)-A (2)
其中，A为动作行为事件发生的阈限值，即动作行为事件发生的最小值，随着时间的推移，A恒定不变，A仅与人体质量指数BMI和床垫的力学性能有关。校准后，要求睡眠者的主要动作行为事件的持续时间在4s以及以上，且一组连续变化的波只记为一个动作发生，如图5所示。
⑥利用波形分析识别睡眠动作行为。将人体睡眠动作行为按持续时间分为四类，第一类为持续时间在5s以内的动作行为，如人体局部肌肉的抽搐、痉挛等动作行为；第二类为持续时间在5s-10s的动作行为，一般为比较慢或比较大的四肢运动；第三类为持续时间在10s-15s之间的动作行为，一般为较小的姿势改变或两个以上的四肢运动；第四类为持续时间在15s以上的动作行为，一般为翻身、姿势调节等大的动作行为。
⑦按时间序列获得睡眠行为事件的数据，如表5所示。
表5
3、睡眠行为分析
利用动作总量(事件总量)、动作总时间(事件持续总时间)、四类动作行为(事件)的时间分布、不动指数(不动的总时间与动作总次数的比值)、翻身次数、超过10分钟的不动片段出现次数、超过20分钟的不动片段出现次数、超过30分钟的不动片段出现次数、每种睡姿的保持时间、每种睡姿的时间分布等指标评价睡眠动作行为模式。通过该行为模式评价睡眠质量，动作行为过于频繁或不动片段过少都表明睡眠质量较差，动作是否平凡可以通过动作总量、动作总时间等来反映。
Claims (3)
1.一种无干扰睡眠的睡姿和睡眠行为测试识别方法，包括人-床界面压陷形状的提取、睡姿的分类与识别、睡眠动作行为的识别与分类以及睡眠行为模式的分析，其特征在于，所述睡姿的分类与识别包括如下步骤：
(1)自动识别之前，利用支撑向量机(SVMs)，在有限样本监督识别训练的基础上，建立仰卧、左侧卧、右侧卧和俯卧四种睡姿识别的支持向量机模型；具体步骤如下：
①首先采集训练样本目标人群仰卧、侧卧、俯卧条件下人-床界面压陷形状，并计算人-床界面压陷量矩阵的肩臀比Rjt、膝臀比Rxt、总压陷量T、小腿压陷量Tt、侧向不对称系数C、侧向不对称压陷量TC六项指标表征人-床界面压陷量矩阵的特征，其中肩臀比Rjt为肩部区域总压陷量与臀部区域总压陷量之比；膝臀比Rxt为膝部区域总压陷量与臀部区域总压陷量之比；总压陷量T即整个床垫表面的总压陷量；腿部压陷量Tt是小腿区域总压陷量；侧向不对称系数C为肩部、腰部、臀部压陷对称中心曲线CL至该曲线起止点连线距离的平均值，侧向不对称压陷量TC为肩部、腰部、臀部压陷对称中心曲线CL两侧压陷量之差的绝对值,公式分别为：
C＝average(d(i,j)) (5)
其中，Z为床垫压陷量矩阵，Zjian为肩部压陷量矩阵，Zxi为膝部压陷量矩阵，Ztui为臀部压陷量矩阵，Ztotal为肩部、腰部、臀部总压陷量矩阵；m为侧向压陷量测试点数，n为纵向压陷量测试点数，n1、n2、n3、n4、n5分别为肩部、腰部、臀部、膝部、小腿部区域纵向压陷量测试点数，l为肩部、腰部、臀部纵向总压陷量测试点数，m、n、n1、n2、n3、n4、n5、l取值自然数；d(i，j)为肩部、腰部、臀部压陷对称中心曲线CL上任意一点(i，j)至该曲线起止点连线的距离；
②利用Z-score标准化法将以上六项指标规格化，组成人-床界面压陷量矩阵的特征向量，即仰卧、左侧卧、右侧卧、俯卧四种睡姿识别的特征向量；
③每两类睡姿间训练一个分类器，获得6个支持向量机分类器；
(2)睡姿识别时，首先提取受试者的人-床界面压陷形状；然后计算人-床界面压陷量矩阵的肩臀比Rjt、膝臀比Rxt、总压陷量T、小腿压陷量Tt、侧向不对称系数C、侧向不对称压陷量TC六项指标，对上述指标规格化，组成用以睡姿识别的特征向量；最后利用获得的6个支持向量机分类器对睡姿进行分类和识别。
2.根据权利要求1所述的一种无干扰睡眠的睡姿和睡眠行为测试识别方法，其特征在于，所述睡眠动作行为识别和分类具体包括如下步骤：
S1、对受试床垫设置186个呈矩阵分布的对数电位传感器，所述对数电位传感器用于监测受试者人-床界面压陷量；所述对数电位传感器输出电压信号的变化与受试者人-床界面压陷量变化同步；
S2、受试者动作行为事件发生时，利用与人-床界面压陷量变化同步的对数电位传感器输出电压信号的变化，获取睡眠者动作行为事件发生信号；将采集到的对数电位传感器的输出电压相对时间求导数，计算整个床垫上186个对数电位传感器输出电压时间导数的和f(t)，f(t)的各个峰值即为受试者睡眠动作行为的信号；
其中，Vi是第i个对数电位传感器的输出电压；
为了消除人体胖瘦对人体睡眠动作行为信号强弱的影响，利用如下公式对受试者睡眠动作行为的信号进行校准：
fr(t)＝f(t)-A (8)
其中，A为动作行为事件发生的阈限值，即动作行为事件发生的最小值；
校准后，要求睡眠者的主要动作行为事件的持续时间在4s以及以上，且一组连续变化的波只记为一个动作发生；
S3、按人体动作行为持续的时间将人体的动作行为分为四类，第一类为持续时间在5s以内的动作行为；第二类为持续时间在5s-10s的动作行为；第三类为持续时间在10s-15s之间的动作行为；第四类为持续时间在15s以上的动作行为。
3.根据权利要求1所述的一种无干扰睡眠的睡姿和睡眠行为测试识别方法，其特征在于，所述睡眠行为模式的分析是指统计受试者睡眠状态的动作总量、动作总时间、各类动作行为的时间分布、不动指数，即不动的总时间与动作总次数的比值、翻身次数、超过30分钟的不动片段出现次数、每种睡姿的保持时间的指标，并运用所述指标评价睡眠质量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510133654.6A CN104732250B (zh) | 2015-03-25 | 2015-03-25 | 一种无干扰睡眠的睡姿和睡眠行为测试识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510133654.6A CN104732250B (zh) | 2015-03-25 | 2015-03-25 | 一种无干扰睡眠的睡姿和睡眠行为测试识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104732250A CN104732250A (zh) | 2015-06-24 |
| CN104732250B true CN104732250B (zh) | 2018-09-25 |
Family
ID=53456125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510133654.6A Active CN104732250B (zh) | 2015-03-25 | 2015-03-25 | 一种无干扰睡眠的睡姿和睡眠行为测试识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104732250B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104434380A (zh) * | 2014-11-18 | 2015-03-25 | 胡炳坤 | 一种维持人体侧卧睡眠的方法及装置 |
| CN106056116A (zh) * | 2016-05-31 | 2016-10-26 | 河北工业大学 | 一种基于模糊粗糙集的睡姿压力图像识别方法 |
| CN107944462A (zh) * | 2016-10-12 | 2018-04-20 | 东莞丹蒂诗智能家居科技有限公司 | 基于智能感应的睡姿识别方法 |
| ES2610795B1 (es) * | 2016-10-17 | 2017-10-30 | Descansare Sleep Lab, S.L. | Método y sistema de mejora de la calidad del sueño, y colchón que comprende el sistema |
| CN107169501B (zh) * | 2017-03-20 | 2020-07-03 | 魔玛智能科技（上海）有限公司 | 压力和高度数据整合方法及系统 |
| CN108244874B (zh) * | 2018-02-14 | 2024-04-19 | 深圳市三分之一睡眠科技有限公司 | 自动调节床 |
| CN108670263A (zh) * | 2018-05-18 | 2018-10-19 | 哈尔滨理工大学 | 一种基于mpu-6050的睡眠姿态判定方法 |
| CN109009139A (zh) * | 2018-06-07 | 2018-12-18 | 新华网股份有限公司 | 睡眠监测方法及装置 |
| CN108836012B (zh) * | 2018-08-28 | 2021-09-07 | 浙江想能云软件股份有限公司 | 一种具有人体肌肉状态检测的软硬可调智能床垫及其控制方法 |
| US20220240686A1 (en) * | 2019-05-21 | 2022-08-04 | Sleep Smart Solutions GmbH | Furniture device for a piece of furniture |
| CN110652298B (zh) * | 2019-10-30 | 2023-06-30 | 安徽农业大学 | 一种可监测老人睡眠行为和状态的护理床及监测方法 |
| CN113688720B (zh) * | 2021-08-23 | 2024-05-31 | 安徽农业大学 | 一种基于神经网络识别的预测睡姿的方法 |
| CN113688718B (zh) * | 2021-08-23 | 2024-06-07 | 安徽农业大学 | 一种基于枕头有限元分析的无干扰自适应睡姿识别方法 |
| CN117122275B (zh) * | 2023-02-10 | 2024-05-31 | 荣耀终端有限公司 | 睡眠姿势的监测方法、电子设备及可读存储介质 |
| CN118402783B (zh) * | 2024-07-01 | 2024-09-20 | 中国人民解放军联勤保障部队第九〇〇医院 | 一种基于人体压力分布的睡姿检测系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102354430A (zh) * | 2011-11-10 | 2012-02-15 | 安徽工业大学 | 一种睡姿判断与报警装置 |
| CN102789672A (zh) * | 2012-07-03 | 2012-11-21 | 北京大学深圳研究生院 | 一种婴儿睡姿智能识别方法及装置 |
-
2015
- 2015-03-25 CN CN201510133654.6A patent/CN104732250B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102354430A (zh) * | 2011-11-10 | 2012-02-15 | 安徽工业大学 | 一种睡姿判断与报警装置 |
| CN102789672A (zh) * | 2012-07-03 | 2012-11-21 | 北京大学深圳研究生院 | 一种婴儿睡姿智能识别方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 基于体压分布的床垫舒适性评价方法探讨;陈玉霞 等;《安徽农业大学学报》;20131028;第40卷(第6期);1063-1066 * |
| 床垫舒适性评价与睡眠质量关系的研究;陈玉霞 等;《安徽农业大学学报》;20120428;第39卷(第3期);435-440 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104732250A (zh) | 2015-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104732250B (zh) | 一种无干扰睡眠的睡姿和睡眠行为测试识别方法 | |
| Liu et al. | TagSheet: Sleeping posture recognition with an unobtrusive passive tag matrix | |
| Kotsavasiloglou et al. | Machine learning-based classification of simple drawing movements in Parkinson's disease | |
| Liu et al. | A dense pressure sensitive bedsheet design for unobtrusive sleep posture monitoring | |
| Liu et al. | Sleep posture analysis using a dense pressure sensitive bedsheet | |
| CN104799614B (zh) | 一种基于三层组合的无干扰睡姿识别的健康分区床垫 | |
| CN104799613B (zh) | 一种无干扰识别和记录睡眠行为的健康分区床垫及应用 | |
| CN113688720B (zh) | 一种基于神经网络识别的预测睡姿的方法 | |
| CN107028427B (zh) | 新型的自动智能调节的睡眠系统的传感方法 | |
| CN108244874B (zh) | 自动调节床 | |
| CN106419869A (zh) | 一种基于压电传感器的实时睡眠分期检测方法及其装置 | |
| WO2014126038A1 (ja) | 位置検出装置並びに呼吸計測装置及び心拍計測装置 | |
| Palmerini et al. | Dimensionality reduction for the quantitative evaluation of a smartphone-based Timed Up and Go test | |
| JP2012527292A (ja) | 着用位置を検出するためのセンシングデバイス | |
| Wu et al. | A novel method for comfort assessment in a supine sleep position using three-dimensional scanning technology | |
| Fan et al. | A deep learning based 2-dimensional hip pressure signals analysis method for sitting posture recognition | |
| CN109091126A (zh) | 一种基于多传感器的人体生理状态判别可视化方法及设备 | |
| Walsh et al. | Identification of nocturnal movements during sleep using the non-contact under mattress bed sensor | |
| Adami et al. | A method for classification of movements in bed | |
| Chao et al. | Method of recognizing sleep postures based on air pressure sensor and convolutional neural network: For an air spring mattress | |
| Anwary et al. | Monitoring of prolonged and asymmetrical posture to improve sitting behavior | |
| Wang et al. | A piezoresistive array-based force sensing technique for sleeping posture and respiratory rate detection for SAS patients | |
| Boughorbel et al. | Baby-posture classification from pressure-sensor data | |
| Hermanis et al. | Wearable posture monitoring system with biofeedback via smartphone | |
| Van Hoof et al. | Addressing the healthcare cost dilemma by managing health instead of managing illness-an opportunity for wearable wireless sensors |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Chen Yuxia Inventor after: Su Na Inventor after: Guo Yong Inventor after: Liu Shengquan Inventor after: Gao Hui Inventor after: Zhao Guanyan Inventor before: Chen Yuxia Inventor before: Tu Daowu Inventor before: Guo Yong Inventor before: Liu Shengquan Inventor before: Gao Hui Inventor before: Liu Yamei Inventor before: Zhao Guanyan |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20201201 Address after: 314016 Zhejiang, Xiuzhou Province Wang Jiang Jing Town, Autumn Road, No. 158, No. Patentee after: Keeson Technology Corp.,Ltd. Address before: 230036 No. 130 Changjiang West Road, Shushan District, Anhui, Hefei Patentee before: Anhui Agricultural University |