CN106562771B - 一种面向嵌入式平台的宠物睡眠识别方法 - Google Patents

一种面向嵌入式平台的宠物睡眠识别方法 Download PDF

Info

Publication number
CN106562771B
CN106562771B CN201611027112.1A CN201611027112A CN106562771B CN 106562771 B CN106562771 B CN 106562771B CN 201611027112 A CN201611027112 A CN 201611027112A CN 106562771 B CN106562771 B CN 106562771B
Authority
CN
China
Prior art keywords
sample
sleep
threshold value
index
axis acceleration
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.)
Expired - Fee Related
Application number
CN201611027112.1A
Other languages
English (en)
Other versions
CN106562771A (zh
Inventor
薛洋
陈宇清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201611027112.1A priority Critical patent/CN106562771B/zh
Publication of CN106562771A publication Critical patent/CN106562771A/zh
Application granted granted Critical
Publication of CN106562771B publication Critical patent/CN106562771B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/40—Animals

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Anesthesiology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种面向嵌入式平台的宠物睡眠识别方法，该方法中通过宠物身上的三轴加速度计采集三轴加速度数据，针对于三轴加速度数据进行加窗处理，得到样本；获取到样本对应三轴加速度的合加速度；根据合加速度获取到样本的睡眠指数，针对样本的睡眠指数做时间上的指数滑动平均，得到样本指数滑动平均值；根据各训练样本所属睡眠类别，在相应采样频率下生成用于判定睡眠的阈值th1和阈值th2，将测试样本指数滑动平均值与阈值th1和阈值th2进行比较，根据比较结果判定测试样本所属睡眠类别。本发明宠物睡眠识别过程中完全不涉及浮点数、乘法和除法的运算，非常适合在嵌入式系统使用，具有准确性、鲁棒性和实时性高的优点。

Description

一种面向嵌入式平台的宠物睡眠识别方法
技术领域
本发明属于模式识别与人工智能技术领域，特别涉及一种面向嵌入式平台的宠物睡眠识别方法。
背景技术
随着手机、平板等移动智能终端的普及，其中内含的带有加速度传感器的移动智能设备在人们的生活中得到了非常广泛的应用，带有加速度传感器的移动智能设备可以方便地识别到人体的运动，对人体的运动识别是计算机视觉领域的一个热点问题，在智能健康、人机交互以及视频检索等领域具有广泛的应用前景和潜在的经济价值。目前，随着人体运动识别的兴起，各式各样的智能手表、手环层出不穷，可以对人的运动状态进行实时的识别，这也使得人们开始提高对自身的健康关注。与此同时，一些热爱宠物的人士越来越关注自家宠物的健康状态，希望通过可穿戴设备对宠物运动和睡眠质量等进行实时监测。而目前，对宠物运动算法的研究尚未成熟，处于起步阶段。与人体运动识别相比，宠物的运动和睡眠识别具有传感器佩戴困难、宠物动作变化快、宠物动作分类难等技术难点，有较大的应用和研究价值。
嵌入式系统具有软硬件可裁剪，可对功能、成本、体积、功耗严格要求等优势。将宠物运动识别分析系统部署在嵌入式系统上具有非常大的优势。同时，嵌入式系统也对宠物运动识别分析系统有着不少的约束，主要包括存储空间、运算能力以及功耗三个方面：首先，嵌入式系统的内存空间非常有限，一个算法如果需要整合到嵌入式系统，必须严格限制其所占用的内存空间；其次，嵌入式系统的运算能力，尤其是高精度浮点数的运算能力效率较低，若算法中有大量的浮点数运算将不可避免地加大其开销；最后，嵌入式系统的功耗控制也是一个难点，功耗过大将严重影响系统的续航时间。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种准确性、鲁棒性以及实时性高的面向嵌入式平台的宠物睡眠识别方法，通过该方法对宠物的睡眠质量进行监督，该方法不涉及浮点数运算以及乘法和除法的运算，非常适合资源有效的嵌入式系统使用。
本发明的目的通过下述技术方案实现：一种面向嵌入式平台的宠物睡眠识别方法，包括以下步骤：
S1、对采集到的三轴加速度数据进行滑动窗的加窗处理，以将连续的多个采样点从数据流中截取出来；其中每个滑动窗的信号对应一个样本；
S2、对于每个滑动窗对应的样本，首先计算样本对应三轴加速度的合加速度；然后将样本对应三轴加速度的合加速度在均值以上所包含的面积作为该样本的睡眠指数；最后对样本的睡眠指数做时间上的指数滑动平均，得到样本的指数滑动平均值；
S3、获取训练样本集：通过佩带在宠物身上的三轴加速度计采集三轴加速度数据作为训练数据，将采集的三轴加速度数据经过步骤S1处理后获取到训练样本集，通过视频观察方法人工为各训练样本标注其所属睡眠类别；
S4、获取测试样本：通过佩带在宠物身上的三轴加速度计实时采集三轴加速度数据，将实时采集的三轴加速度数据经过步骤S1处理后获取到测试样本，然后通过步骤S2的方式获取到测试样本的指数滑动平均值；
S5、生成判定阈值：根据各训练样本所属睡眠类别，在相应采样率下生成用于判定睡眠类别的阈值th1和阈值th2，其中阈值th2大于阈值th1；
S6、将测试样本的指数滑动平均值与步骤S5中在获取该测试样本时三轴加速度计采集三轴加速度数据相同的采样率下生成的阈值th1和阈值th2进行比较，根据比较结果判定对测试样本所属睡眠类别。
优选的，步骤S2中样本的睡眠指数为：
其中SleepIndex表示样本的睡眠指数，a(t)为样本对应三轴加速度的合加速度信号，ma为信号a(t)的均值，表示当a(t)>ma时为1，否则为0；T代表一个滑动窗的长度。
更进一步的，步骤S2中得到的指数滑动平均值为：
EMAN＝(1-E)·EMAN-1+0.8·SleepIndex；
其中EMAN为样本第N分钟的指数滑动平均值，E为平滑指数，其中指数滑动平均值的初始值即EMA0为0。
更进一步的，所述平滑指数E取0.8。
更进一步的，步骤S6中，每一分钟针对测试样本的睡眠进行识别一次；
其中将测试样本第N分钟的指数滑动平均值EMAN与阈值th1和阈值th2进行比较时：
若th1<EMAN<th2，则将测试样本在第N分钟的睡眠类别判定为浅睡眠状态，
若EMAN<th1，则将测试样本在第N分钟的睡眠类别判定为深睡眠状态；
若EMAN>th2，则将测试样本在第N分钟的睡眠类别判定为清醒状态。
优选的，步骤S1中通过单向链环的数据结构实现滑动窗功能，具体为：
S11、初始化建立一个单向链环，该单向链环中的节点数对应滑动窗的窗长；其中单向链环中一个节点中包含三个数据，分别为三轴加速度信号每一轴的加速度值；
S12、新建一个指向单向链环最新节点的指针；
S13、每当有新的数据需要更新的时候，将指向最新节点的指针往后移动一位，即指针指向当前链环中最旧的节点，并将该最旧节点的数据进行更新，此时该最旧节点就成为了单向链环中最新节点；
S14、重复步骤S13，对单向链环进行一次循环，即完成了滑动窗内数据的一次遍历。
优选的，所述步骤S5中根据各训练样本所属睡眠类别，在相应采样率下，通过朴素贝叶斯方法生成用于判定睡眠类别的阈值th1和阈值th2，具体如下：
S51、针对步骤S3获取的训练样本集，在相应采样率下分别求出各种所属睡眠类别下的概率、均值和方差；其中睡眠类别包括清醒状态、浅睡眠状态和深睡眠状态；其中清醒状态下的概率、均值和方差分别为P(wake)、mwake和浅睡眠状态下的概率、均值和方差分别为P(lightsleep)、mlightsleep和深睡眠状态下的概率、均值和方差分别为P(deepsleep)、mdeepsleep和
S52、根据步骤S51求出的各种所属睡眠类别下的概率、均值和方差，通过以下方程求取出相应采样率下用于判定睡眠类别的阈值th1和阈值th2；具体为：
P(wake)P(th2|wake)＝P(lightsleep)P(th2|lightsleep)；
P(lightsleep)P(th1|lightsleep)＝P(deepsleep)P(th1|deepsleep)；
其中条件概率P(th2|wake)、P(th2|lightsleep)、P(th1|lightsleep)、P(th1|deepsleep)分别如下：
优选的，所述步骤S1中，当获取测试样本时，开始时，三轴加速度计以第一采样率采集三轴加速度数据，当步骤S6中判定出测试样本的睡眠类别为睡眠时，则接下来三轴加速度计以第二采样率采集三轴加速度数据；当步骤S6中判断出测试样本的睡眠类别为清醒时，则接下来三轴加速度计以第一采样率采集三轴加速度数据；其中第二采样率小于第一采样率。
更进一步的，所述第一采样率为128HZ，第二采样率为8HZ；
在获取测试样本时，当三轴加速度计以128HZ的采样率采集三轴加速度数据，则步骤S5中根据各训练样本所属睡眠类别，在128HZ的采样率下生成的阈值th1为768，生成的阈值th2为2560；
在获取测试样本时，当三轴加速度计以8HZ的采样率采集三轴加速度数据，则步骤S5中根据各训练样本所属睡眠类别，在8HZ的采样率下生成的阈值th1为48，生成的阈值th2为160。
优选的，所述滑动窗的窗长为7680，各个样本包括三轴加速度数据的7680个采样点。
本发明相对于现有技术具有如下的优点及效果：
(1)本发明方法通过佩带在宠物身上的三轴加速度计采集三轴加速度，然后通过滑动窗的加窗处理得到样本；针对滑动窗对应的每个测试样本，获取到样本对应三轴加速度的合加速度；然后根据合加速度获取到样本的睡眠指数，针对样本的睡眠指数做时间上的指数滑动平均，得到测试样本的指数滑动平均值；本发明根据各训练样本所属睡眠类别、在相应采样率下生成用于判定睡眠的阈值th1和阈值th2，最后将测试样本的指数滑动平均值与在获取该测试样本时相同的采样率下生成的阈值th1和阈值th2进行比较，根据比较结果判定测试样本所属睡眠类别，从而通过本发明方法达到睡眠质量监督的目的；由上述可见本发明方法睡眠识别过程中完全不涉及浮点数运算，也不涉及乘法和除法的运算，对嵌入式系统而言不会造成太大的负担，这对计算资源非常有限的嵌入式系统而言是非常合适的，因此本发明方法能够很好的面向嵌入式平台，非常适合在嵌入式系统使用，并且具有准确性、鲁棒性和实时性高的优点。
(2)本发明方法将信号分析集中在样本的三轴加速度的合加速度上，由于睡眠过程中可能存在翻身的情况，这将不可避免地导致单个轴的加速度信号变化幅度明显，而在合加速度上，一个翻身的动作仅体现为一个轻微的抖动，因此本发明方法通过合加速度的分析得到睡眠识别结果，具有识别准确性更好的优点。
(3)本发明方法中，采用了两种采样频率对三轴加速度数据进行采采集，在宠物清醒着的时候，通过高采样率采集三轴加速度数据，当宠物进入睡眠的时候，通过低采样率采集三轴加速度数据，使得本发明方法在高采样率下检测到睡眠后，可以及时降低系统采样率，大大降低了嵌入式系统的功耗。
(4)本发明方法中针对三轴加速度数据进行加窗处理的滑动窗是通过单向链环的数据结构实现，通过指针移动方式对数据进行更新，利用这种方式实现的滑动窗在程序运行的过程中无需重复地申请和回收空间，也不需要额外的存储空间完成临时数据存储，有效地提高了内存的使用效率，同时满足嵌入式系统对内存的要求。
附图说明
图1是本发明方法流程图。
图2是本发明方法中滑动窗实现原理示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
本实施例公开了一种面向嵌入式平台的宠物睡眠识别方法，如图1所示，步骤如下：
S1、通过佩带在宠物身上的三轴加速度计采集三轴加速度数据，对采集到的三轴加速度数据进行滑动窗的加窗处理，以将连续的多个采样点从数据流中截取出来；其中每个滑动窗的信号对应一个样本；本实施例中所采用的滑动窗的窗长为7680，各个样本包括三轴加速度数据的7680个采样点。
其中本步骤中通过单向链环的数据结构实现滑动窗功能，如图2所示，具体为：
S11、初始化建立一个单向链环，该单向链环中的节点数对应滑动窗的窗长；其中单向链环中一个节点中包含三个数据，分别为三轴加速度信号每一轴的加速度值；如图2中所示，x_i，y_i，z_i表示第i个节点包含的三轴加速度信号，i＝1，2,3，……，m，m是滑动窗的窗长，即本实施例中m为7680。
S12、新建一个指向单向链环最新节点的指针；
S13、每当有新的数据需要更新的时候，将指向最新节点的指针往后移动一位，即指针指向当前单向链环中最旧节点，并将该最旧节点的数据进行更新，此时该最旧节点就成为了单向链环中最新节点；例如如图2所示，在有数据更新之前，单向链环中m个节点分别包含数据为(x_1，y_1，z_1)，(x_2，y_2，z_2)，…，(x_m，y_m，z_m)，此时单向链环最新节点为数据(x_m，y_m，z_m)所在节点，而最旧节点为数据(x_1，y_1，z_1)所在节点。指针指向最新节点，即数据(x_m，y_m，z_m)所在节点；当有新的数据(x_m+1，y_m+1，z_m+1)需要更新的时候，指针往后移动一位，指向单向链环中最旧节点，即数据(x_1，y_1，z_1)所在节点，此时将该最旧节点中的数据更新为(x_m+1，y_m+1，z_m+1)，并且该最旧节点就成为了单向链环中最新节点。
S14、重复步骤S13，对单向链环进行一次循环，即完成了滑动窗内数据的一次遍历。
S2、对于每个滑动窗对应的样本，首先计算样本对应三轴加速度的合加速度；然后将样本对应三轴加速度的合加速度在均值以上所包含的面积作为该样本的睡眠指数；最后对样本的睡眠指数做时间上的指数滑动平均，得到样本的指数滑动平均值；
其中本步骤中样本对应三轴加速度的合加速度a(t)为：
其中x、y和z分别是样本对应三轴的加速度。本步骤中样本的睡眠指数为：
其中SleepIndex表示样本的睡眠指数，a(t)为样本对应三轴加速度的合加速度信号，ma为信号a(t)的均值，表示当a(t)>ma时为1，否则为0。
本步骤中指数滑动平均值为：
EMAN＝(1-E)·EMAN-1+0.8·SleepIndex；
其中EMAN为样本第N分钟的指数滑动平均值；E为平滑指数，在本实施例中平滑指数E取0.8；其中指数滑动平均值的初始值即EMA0为0。
S3、获取训练样本集：通过佩带在宠物身上的三轴加速度计采集三轴加速度数据作为训练数据，将采集的三轴加速度数据经过步骤S1处理后获取到训练样本集，并且通过视频观察方法人工为各训练样本标注其所属睡眠类别；
S4、获取测试样本：通过佩带在宠物身上的三轴加速度计实时采集三轴加速度数据，将实时采集的三轴加速度数据经过步骤S1处理后获取到测试样本，然后通过步骤S2的方式获取到测试样本的指数滑动平均值；
S5、生成判定阈值：根据各训练样本所属睡眠类别，在相应采样率下通过朴素贝叶斯方法生成用于判定睡眠类别的阈值th1和阈值th2，其中阈值th2大于阈值th1；具体如下：
S51、针对步骤S3获取的训练样本集，在相应采样率下分别求出各种所属睡眠类别下的概率、均值和方差；其中睡眠类别包括清醒状态、浅睡眠状态和深睡眠状态；本实施例中求出的清醒状态下的概率、均值和方差分别为P(wake)、mwake和浅睡眠状态下的概率、均值和方差分别为P(lightsleep)、mlightsleep和深睡眠状态下的概率、均值和方差分别为P(deepsleep)、mdeepsleep和
S52、根据步骤S51求出的各种所属睡眠类别下的概率、均值和方差，通过以下方程求取出相应采样率下用于判定睡眠类别的阈值th1和阈值th2；具体为：
P(wake)P(th2|wake)＝P(lightsleep)P(th2|lightsleep)；
P(lightsleep)P(th1|lightsleep)＝P(deepsleep)P(th1|deepsleep)；
其中条件概率P(th2|wake)、P(th2|lightsleep)、P(th1|lightsleep)、P(th1|deepsleep)分别如下：
S6、将测试样本的指数滑动平均值与步骤S5中在获取该测试样本时三轴加速度计采集三轴加速度数据相同的采样率下生成的阈值th1和阈值th2进行比较，根据比较结果判定对测试样本所属睡眠类别。
其中本步骤S6中，每一分钟针对测试样本的睡眠进行识别一次；
其中将测试样本第N分钟的指数滑动平均值EMAN与阈值th1和阈值th2进行比较时：
若th1<EMAN<th2，则将测试样本在第N分钟的睡眠类别判定为浅睡眠状态，
若EMAN<th1，则将测试样本在第N分钟的睡眠类别判定为深睡眠状态；
若EMAN>th2，则将测试样本在第N分钟的睡眠类别判定为清醒状态。
从本实施例上述步骤中可以看出，本实施例睡眠识别方法在识别过程中完全不涉及浮点数运算，也不涉及乘法和除法的运算，对嵌入式系统而言不会造成太大的负担，这对计算资源非常有限的嵌入式系统而言是非常合适的，因此本发明方法能够很好的面向嵌入式平台，非常适合在嵌入式系统使用，并且具有准确性、鲁棒性和实时性高的优点。
本实施例中当获取训练样本时，三轴加速度计以第一采样率采集三轴加速度数据。当获取测试样本时，开始时，三轴加速度计以第一采样率采集三轴加速度数据，当步骤S6中判定出测试样本的睡眠类别为睡眠状态时，则接下来三轴加速度计以第二采样率采集三轴加速度数据；当步骤S6中判断出测试样本的睡眠类别为清醒状态时，则接下来三轴加速度计以第一采样率采集三轴加速度数据。本实施例中第二采样率小于第一采样率，在本实施例中第一采样率为128HZ，第二采样率为8HZ。可见，当本实施例睡眠识别方法在宠物清醒着的时候，通过高采样率采集三轴加速度数据，当宠物进入睡眠的时候，通过低采样率采集三轴加速度数据，大大降低了嵌入式系统的功耗。
在获取测试样本时，当三轴加速度计以128HZ的采样率采集三轴加速度数据，则步骤S5中根据各训练样本所属睡眠类别，在128HZ的采样率下通过朴素贝叶斯方法生成的用于判定睡眠类别的阈值th1和阈值th2分别为768和2560；在步骤S6中将测试样本的指数滑动平均值与上述阈值th1和阈值th2进行比较，根据比较结果判定对测试样本所属睡眠类别。
在获取测试样本时，当三轴加速度计以8HZ的采样率采集三轴加速度数据，则步骤S5中根据各训练样本所属睡眠类别，在8HZ的采样率下通过朴素贝叶斯方法生成的用于判定睡眠类别的阈值th1和阈值th2分别为48和160；在步骤S6中将测试样本的指数滑动平均值与上述阈值th1和阈值th2进行比较，根据比较结果判定对测试样本所属睡眠类别。
本实施例方法中针对三轴加速度数据进行加窗处理的滑动窗是通过单向链环的数据结构实现，通过指针移动方式对数据进行更新，利用这种方式实现的滑动窗在程序运行的过程中无需重复地申请和回收空间，也不需要额外的存储空间完成临时数据存储，有效地提高了内存的使用效率，同时满足嵌入式系统对内存的要求。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种面向嵌入式平台的宠物睡眠识别方法，其特征在于，包括以下步骤：
S1、对采集到的三轴加速度数据进行滑动窗的加窗处理，以将连续的多个采样点从数据流中截取出来；其中每个滑动窗的信号对应一个样本；
S2、对于每个滑动窗对应的样本，首先计算样本对应三轴加速度的合加速度；然后将样本对应三轴加速度的合加速度在均值以上所包含的面积作为该样本的睡眠指数；最后对样本的睡眠指数做时间上的指数滑动平均，得到样本的指数滑动平均值；
S3、获取训练样本集：通过佩带在宠物身上的三轴加速度计采集三轴加速度数据作为训练数据，将采集的三轴加速度数据经过步骤S1处理后获取到训练样本集，通过视频观察方法人工为各训练样本标注其所属睡眠类别；
S4、获取测试样本：通过佩带在宠物身上的三轴加速度计实时采集三轴加速度数据，将实时采集的三轴加速度数据经过步骤S1处理后获取到测试样本，然后通过步骤S2的方式获取到测试样本的指数滑动平均值；
S5、生成判定阈值：根据各训练样本所属睡眠类别，在相应采样率下生成用于判定睡眠类别的阈值th1和阈值th2，其中阈值th2大于阈值th1；
S6、将测试样本的指数滑动平均值与步骤S5中在获取该测试样本时三轴加速度计采集三轴加速度数据相同的采样率下生成的阈值th1和阈值th2进行比较，根据比较结果判定对测试样本所属睡眠类别；
所述步骤S1中，当获取测试样本时，开始时，三轴加速度计以第一采样率采集三轴加速度数据，当步骤S6中判定出测试样本的睡眠类别为睡眠时，则接下来三轴加速度计以第二采样率采集三轴加速度数据；当步骤S6中判断出测试样本的睡眠类别为清醒时，则接下来三轴加速度计以第一采样率采集三轴加速度数据；其中第二采样率小于第一采样率；
步骤S1中通过单向链环的数据结构实现滑动窗功能，具体为：
S11、初始化建立一个单向链环，该单向链环中的节点数对应滑动窗的窗长；其中单向链环中一个节点中包含三个数据，分别为三轴加速度信号每一轴的加速度值；
S12、新建一个指向单向链环最新节点的指针；
S13、每当有新的数据需要更新的时候，将指向最新节点的指针往后移动一位，即指针指向当前链环中最旧的节点，并将该最旧节点的数据进行更新，此时该最旧节点就成为了单向链环中最新节点；
S14、重复步骤S13，对单向链环进行一次循环，即完成了滑动窗内数据的一次遍历。
2.根据权利要求1所述的面向嵌入式平台的宠物睡眠识别方法，其特征在于，步骤S2中样本的睡眠指数为：
其中SleepIndex表示样本的睡眠指数，a(t)为样本对应三轴加速度的合加速度信号，ma为信号a(t)的均值，1(a(t)>ma)表示当a(t)>ma时为1，否则为0；T代表一个滑动窗的长度。
3.根据权利要求2所述的面向嵌入式平台的宠物睡眠识别方法，其特征在于，步骤S2中得到的指数滑动平均值为：
EMAN＝(1-E)·EMAN-1+0.8·SleepIndex；
其中EMAN为样本第N分钟的指数滑动平均值，E为平滑指数，其中指数滑动平均值的初始值即EMA0为0。
4.根据权利要求3所述的面向嵌入式平台的宠物睡眠识别方法，其特征在于，所述平滑指数E取0.8。
5.根据权利要求3所述的面向嵌入式平台的宠物睡眠识别方法，其特征在于，步骤S6中，每一分钟针对测试样本的睡眠进行识别一次；
其中将测试样本第N分钟的指数滑动平均值EMAN与阈值th1和阈值th2进行比较时：
若th1<EMAN<th2，则将测试样本在第N分钟的睡眠类别判定为浅睡眠状态，
若EMAN<th1，则将测试样本在第N分钟的睡眠类别判定为深睡眠状态；
若EMAN>th2，则将测试样本在第N分钟的睡眠类别判定为清醒状态。
6.根据权利要求1所述的面向嵌入式平台的宠物睡眠识别方法，其特征在于，所述步骤S5中根据各训练样本所属睡眠类别，在相应采样率下，通过朴素贝叶斯方法生成用于判定睡眠类别的阈值th1和阈值th2，具体如下：
S51、针对步骤S3获取的训练样本集，在相应采样率下分别求出各种所属睡眠类别下的概率、均值和方差；其中睡眠类别包括清醒状态、浅睡眠状态和深睡眠状态；其中清醒状态下的概率、均值和方差分别为P(wake)、mwake和浅睡眠状态下的概率、均值和方差分别为P(lightsleep)、mlightsleep和深睡眠状态下的概率、均值和方差分别为P(deepsleep)、mdeepsleep和
S52、根据步骤S51求出的各种所属睡眠类别下的概率、均值和方差，通过以下方程求取出相应采样率下用于判定睡眠类别的阈值th1和阈值th2；具体为：
P(wake)P(th2|wake)＝P(lightsleep)P(th2|lightsleep)；
P(lightsleep)P(th1|lightsleep)＝P(deepsleep)P(th1|deepsleep)；
其中条件概率P(th2|wake)、P(th2|lightsleep)、P(th1|lightsleep)、P(th1|deepsleep)分别如下：
7.根据权利要求1所述的面向嵌入式平台的宠物睡眠识别方法，其特征在于，所述第一采样率为128HZ，第二采样率为8HZ；
在获取测试样本时，当三轴加速度计以128HZ的采样率采集三轴加速度数据，则步骤S5中根据各训练样本所属睡眠类别，在128HZ的采样率下生成的阈值th1为768，生成的阈值th2为2560；
在获取测试样本时，当三轴加速度计以8HZ的采样率采集三轴加速度数据，则步骤S5中根据各训练样本所属睡眠类别，在8HZ的采样率下生成的阈值th1为48，生成的阈值th2为160。
8.根据权利要求1所述的面向嵌入式平台的宠物睡眠识别方法，其特征在于，所述滑动窗的窗长为7680，各个样本包括三轴加速度数据的7680个采样点。
CN201611027112.1A 2016-11-21 2016-11-21 一种面向嵌入式平台的宠物睡眠识别方法 Expired - Fee Related CN106562771B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611027112.1A CN106562771B (zh) 2016-11-21 2016-11-21 一种面向嵌入式平台的宠物睡眠识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611027112.1A CN106562771B (zh) 2016-11-21 2016-11-21 一种面向嵌入式平台的宠物睡眠识别方法

Publications (2)

Publication Number Publication Date
CN106562771A CN106562771A (zh) 2017-04-19
CN106562771B true CN106562771B (zh) 2019-06-18

Family

ID=58542364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611027112.1A Expired - Fee Related CN106562771B (zh) 2016-11-21 2016-11-21 一种面向嵌入式平台的宠物睡眠识别方法

Country Status (1)

Country Link
CN (1) CN106562771B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109745017B (zh) * 2019-01-30 2021-04-06 中国科学院电子学研究所 一种动物生理信息及状态实时监测系统、装置及方法
CN111671397A (zh) * 2020-06-11 2020-09-18 独角兽网络科技（苏州）有限公司 一种基于睡眠监测的健康管理系统及方法
US20230121793A1 (en) * 2021-10-16 2023-04-20 Elspec Engineering Ltd. Electrical parameter monitoring

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102954817A (zh) * 2012-01-13 2013-03-06 北京盈胜泰科技术有限公司 动物运动状态的监测方法
CN202920148U (zh) * 2012-09-17 2013-05-08 深圳市新元素医疗技术开发有限公司 一种远程无线睡眠监护仪
CN105740621A (zh) * 2016-01-29 2016-07-06 江阴中科今朝科技有限公司 人体行为数据的移动监测及智能养老健康云平台
CN105769122A (zh) * 2016-03-16 2016-07-20 中国科学院电子学研究所 一种睡眠呼吸暂停低通气指数的测量方法
US9433377B2 (en) * 2012-03-26 2016-09-06 Omron Healthcare Co., Ltd. Sleep state management device, sleep state management method, and sleep state management program

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006204742A (ja) * 2005-01-31 2006-08-10 Konica Minolta Sensing Inc 睡眠評価方法、睡眠評価システム及びその動作プログラム、パルスオキシメータ並びに睡眠支援システム
BR112014009334A2 (pt) * 2011-10-20 2017-12-05 Koninklijke Philips Nv dispositivo e método de monitoramento do movimento e orientação de pessoas; processador para uso em dispositivos de monitoramento do movimento e orientação de pessoas; método de processamento para uso em dispositivos de monitoramento do movimento e orientação de pessoas; e programa de computador
CN103767710B (zh) * 2013-12-31 2015-12-30 歌尔声学股份有限公司 人体运动状态监视方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102954817A (zh) * 2012-01-13 2013-03-06 北京盈胜泰科技术有限公司 动物运动状态的监测方法
US9433377B2 (en) * 2012-03-26 2016-09-06 Omron Healthcare Co., Ltd. Sleep state management device, sleep state management method, and sleep state management program
CN202920148U (zh) * 2012-09-17 2013-05-08 深圳市新元素医疗技术开发有限公司 一种远程无线睡眠监护仪
CN105740621A (zh) * 2016-01-29 2016-07-06 江阴中科今朝科技有限公司 人体行为数据的移动监测及智能养老健康云平台
CN105769122A (zh) * 2016-03-16 2016-07-20 中国科学院电子学研究所 一种睡眠呼吸暂停低通气指数的测量方法

Also Published As

Publication number Publication date
CN106562771A (zh) 2017-04-19

Similar Documents

Publication Publication Date Title
Fakhrulddin et al. Convolutional neural networks (CNN) based human fall detection on body sensor networks (BSN) sensor data
Feng et al. EEG-based emotion recognition using spatial-temporal graph convolutional LSTM with attention mechanism
Luo et al. Binarized neural network for edge intelligence of sensor-based human activity recognition
CN106562771B (zh) 一种面向嵌入式平台的宠物睡眠识别方法
Li et al. Sign language recognition based on computer vision
CN112560723A (zh) 一种基于形态识别与速度估计的跌倒检测方法及系统
Shao et al. EEG-based emotion recognition with deep convolution neural network
Liu et al. Semi-supervised contrastive learning for human activity recognition
CN208969808U (zh) 基于人脸检测和声音检测的婴儿监护器
CN106570479B (zh) 一种面向嵌入式平台的宠物运动识别方法
Sideridis et al. Gesturekeeper: Gesture recognition for controlling devices in iot environments
CN112801009B (zh) 基于双流网络的面部情感识别方法、装置、介质及设备
Li et al. Monitoring and alerting of crane operator fatigue using hybrid deep neural networks in the prefabricated products assembly process
Qu et al. Convolutional neural network for human behavior recognition based on smart bracelet
CN113558644A (zh) 一种3d矩阵与多维卷积网络的情感分类方法、介质和设备
Schak et al. Gesture Recognition on a New Multi-Modal Hand Gesture Dataset.
Chen et al. Distracted driving recognition using vision transformer for human-machine co-driving
CN116704547A (zh) 一种隐私保护下基于gcn-lstm的人体姿态检测方法
Wu et al. Nonparametric activity recognition system in smart homes based on heterogeneous sensor data
CN111028488A (zh) 一种基于pso-svm的智能久坐提醒的方法
Wang et al. A comparative study on sign recognition using sEMG and inertial sensors
CN115019397A (zh) 一种基于时空信息聚合的对比自监督人体行为识别方法及系统
CN115438691A (zh) 一种基于无线信号的小样本手势识别方法
CN112949544A (zh) 一种基于3d卷积网络的动作时序检测方法
Ganesan et al. A deep learning approach to fault detection in a satellite power system using Gramian angular field

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190618

Termination date: 20211121

CF01 Termination of patent right due to non-payment of annual fee