CN107633304A - 一种睡姿监测的学习方法 - Google Patents

Abstract

本发明公开了一种睡姿监测的学习方法，步骤为：S01、在不同睡姿下，得到床垫上对应各压力监测点的压力值，作为原始样本；S02、从原始样本中提取特征向量；S03、对特征向量进行归一化处理；S04、对特征向量进行量化；S05、对特征向量的权值进行调整，完成睡姿监测的学习。本发明的睡姿监测的学习方法具有原理简单、操作简便以及精度高等优点。

Description

一种睡姿监测的学习方法

技术领域

本发明主要涉及睡姿监测技术领域，特指一种睡姿监测的学习方法。

背景技术

由于重力的关系，人体睡觉时在床垫不同的区域有不同的压力分布，即人体睡姿与压力分布存在某种联系。目前人体睡姿监测方式主要通过压力简单阈值判断或经验函数关系来监测人体睡觉状况。目前仍只能做到极为粗糙的判断。由于人体体型、重量、以及族群睡姿偏爱方式的不同，人体睡姿相关的压力分布存在很大的离散性，基于经验给出的睡姿判定关系难免精度不高、适应性不强。目前市场上存在监测生命体征的综合设备，通过监测压力阈值，可以简单判定人体翻滚的状态，仍不存在对压力分布自动学习来实现人体睡姿的监测。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理简单、操作简便、精度高的睡姿监测的学习方法。

为解决上述技术问题，本发明提出的技术方案为：

一种睡姿监测的学习方法，步骤为：

S01、在不同睡姿下，得到床垫上对应各压力监测点的压力值，作为原始样本；

S02、从原始样本中提取特征向量；

S03、对特征向量进行归一化处理；

S04、对特征向量进行量化；

S05、对特征向量的权值进行调整，完成睡姿监测的学习。

作为上述技术方案的进一步改进：

在步骤S02中，所述特征向量包括点特征、块特征和纹理特征，所述点特征包括每行上压力监测点的压力值之和、每列上压力监测点的压力值之和、每行上压力监测点上的最大值；所述块特征包括各块床垫区域上压力监测点的压力值之和；所述纹理特征的提取：根据每行上相邻各块床垫区域上压力监测点的压力值之和的差异确定是否连通，连通块的两区域的压力值为两者之和，不连通的压力值取0。

在步骤S02中，在床垫的测试区域以9行9列的方式安装81个压力监测点。

在步骤S03中，特征归一化处理为：以特征向量为分子，分母为压力监测点的总个数与特征向量所在行或列或块或连通块所占压力监测点个数的比例。

在步骤S01中，所述睡姿包括左侧卧、仰卧和右侧卧。

在步骤S02中，在提取特征向量之前，消除体重因素的影响，具体为：

P_ij＝A*p_ij/P_W

其中P_ij为消除体重因素后的压力值、A为床垫感压系数、p_ij为压力监测点测得的压力值，P_W为体重，其中P_W＝A*P，其中P为所有压力监测点上的压力总和。

在步骤S04中，量化的具体过程为，在不同睡姿中，以预设的压力阀值为标准对各特征向量进行量化。

所述量化的结果为0或1。

在步骤S05中，对特征向量的权值进行调整的过程为：首先对所有特征向量赋予相同的权值向量，然后进行求和，最后进行分类，之后对样本进行学习，并在学习的过程中自动调整特征向量的权重。

与现有技术相比，本发明的优点在于：

本发明的睡姿监测的学习方法，通过对压力的监控，以及对各压力值的处理，从而完成对睡姿监测的学习；不仅原理简单、操作简便，而且精度较高。

附图说明

图1为本发明的学习方法流程图。

图2为本发明的监测过程流程图。

图3为本发明的学习过程图。

具体实施方式

以下结合说明书附图和具体实施例对本发明作进一步描述。

如图1至图3所示，本实施例的睡姿监测的学习方法，步骤为：

S01、在不同睡姿下，得到床垫上对应各压力监测点的压力值，作为原始样本；

S02、从原始样本中提取特征向量；

S03、对特征向量进行归一化处理；

S04、对特征向量进行量化；

S05、对特征向量的权值进行调整，完成睡姿监测的学习。

本发明的睡姿监测的学习方法，通过对压力的监控，以及对各压力值的处理，从而完成对睡姿监测的学习；不仅原理简单、操作简便，而且精度较高。

具体过程为：首先，获得大量人体在不同睡姿时，床垫(或其它物体上)上各压力监测点上的压力分布样本数据，然后对此样本数据进行睡姿分类标记。其中优先推荐的睡姿分类为左侧卧、仰卧与右侧卧。当然，更多的睡姿分类也可被使用，仅仅只会增加学习时间，而不会影响精度。另外样本分为两部分，一部分用来训练，剩下的一部分用来检测。

特征提取：即从样本数据中提炼出对睡姿监测有用的特征。其中良好的特征应当对压力分布与睡姿有很好的关联同时也有很高的分辨，提取到的特征好坏直接影响到学习效果。考虑到压力分布与人体睡姿的关系，提取的特征主要有如下三种特征。第一种为点特征，可以表征人体睡姿测试点与线压力值，选取床垫每行上压力监测点的压力值之和、每列上压力监测点的压力值之和、每行上压力监测点的压力值的最大值与每列上压力监测点的压力值最大值。第二种为块特征，可以表征人体睡姿的大致区域，选取床垫位置相邻且压力幅值相近的压力监测点，这些监测点形成压力块。第三种为纹理特征，可以表征人体睡姿躯干的朝向，选取测试点压力梯度最小方向的连线。

特征归一化：为了消除特征向量因幅值不同带来的输出占比过重问题，用来降低不同特征向量由于人体体型、重量、以及族群睡姿偏爱方式的不同，人体睡姿相关的压力分布离散性带来的影响。针对不同的特征向量，特征归一化方式不一样。

具体学习过程为：首先随机选取一个样本，对该样本进行特征向量提取，特征向量归一化后组合成输入变量(对于点特征向量而言，特征向量相对比值组合更有意义；对于块特征与纹理特征，连续性组合更有意义)。初始训练时，对所有输入向量赋予相同的权值向量，然后进行求和，最后进行分类即完成了简单的训练过程，之后就可以用来对样本进行监测学习。为了提高精度，训练过程应该通过大样本丰富训练过程，训练的同时应能自动调整输入向量的权重。如图3所示，将权值向量分为由训练样本集决定的输入向量出现概率Xa，Xb，Xc与测试样本集决定的输入向量错分概率xa，xb，xc两部分组成。由训练样本集决定的权重值重复调整过程即为样本数据输入向量出现频度到出现概率逼近过程，由测试样本集决定的权重值重复调整过程即为学习精度的逼近过程。理论上，只要样本集足够大，提取的特征向量具有足够的信息与且具有足够的区分度(即独立性)，最终可以达到设定的精度，届时训练过程结束。精度的提升通过更新样本集来实现。如果逼近过程过于缓慢，说明输入向量选择不合理，需要重新选择输入向量。在学习之后，通过获得当前床垫压力监测数据，就可以获得当前睡姿。

下面结合一实例对本发明的方法做进一步描述：

首先在整个床垫的测试区域按9行9列插入81个压力监测点(测试点)，取其压力数值与睡姿分类构成样本集{p₁₁,p_ij,…,p₉₉,X}，其中p_ij为对应第i行第j列的压力值，X代表标记的卧姿分类abc(左侧卧、仰卧与右侧卧)。

另外，压力值p_ij显然与人的体重有关，这种关联性会影响学习结果，应在特征提取前予以消除。本实施例中压力点测量数量足以表征压力分布情况，压力值p_ij与体重P_W具有如下关系其中A为床垫感压系数。取P_ij＝A*p_ij/P_W即可消除体重因素的关联性。

特征向量提取：包括点特征、块特征和纹理特征。

点特征：选取床垫每行压力值之和、每列压力值之和、每行压力值的最大值，作为特征。点特征样本为

块特征：把床垫的测试区域分为九个块，每个块含三行三列，记录每个块压力值之和，作为特征，块特征样本为{Pb1,Pb2,…,Pb9}。

纹理特征：把测试区域分为九个块，按从1到9标记，根据每行相邻块压力值的差异确定是否连通，连通的相邻块压力值为两者之和，不连通压力值取0，纹理特征块特征样本为{P12,P23,P45,P56,P78,P89}。

特征归一化：特征归一化即消除特征向量因幅值不同带来的输出占比过重问题。点特征中样本的最大值已经归一化，每行/列的压力值之和，每块的压力值之和，连通压力块之和仍需要进行归一化。归一化过程中分子为当前特征值，分母为压力监测点总个数与特征值所在的行或列或块或连通块所占压力监测点个数的比例。如块特征和每行/列的点特征对应的分母为81/9。

其中输入向量即为提取的特征值，不再做组合处理，输入向量退化为输入变量。

上述输入向量中，如果对应三个睡姿分类的数值接近，则删除该输入向量。为了方便后续的计算，尤其是权重的更新，对输入向量进行量化，量化后的结果为0或者1。具体的量化过程为对Xn对应的优势样本分类集进行统计，按中间幅值50％范围内幅值均值作为量化的阈值。

权重调整：权重值对应两个概率Xa，Xb，Xc与xa，xb，xc。Xa，Xb，Xc为输入向量Xn对应样本集分类abc中出现的频度，初始化为零，通过接收样本集的数量来更新，如果训练样本集足够大，Xa，Xb，Xc为输入向量Xn对应样本集分类abc中结果为1的概率。xa，xb，xc为分类错误的概率，xa对应样本集分类a被错认为分类b或c的条件下，输入向量Xn对应样本集分类a中结果为1的概率。它初始化为零，通过分类器接收测试样本集的数量来更新，如果测试样本集足够大，xa，xb，xc为输入向量Xn对应错分条件下结果为1的概率。

如图3所示，其中集成器采用最简单的求和集成器，即分类器为最大值分类器，注意到F(WX)最终计算结果会获得6个计算值，即对应概率Xa的F(Xa)，对应概率Xb的F(Xb)…对应概率xc的F(xc)。取G(a)＝F(Xa)+F(xa)；G(b)＝F(Xb)+F(xb)；G(c)＝F(Xc)+F(xc)，取三者的最大对应的类别作为分类器输出。

本发明的睡姿监测的学习方法，并不需要事先知道压力分布与睡姿关联的经验函数，通过大样本的训练精度可以逐步提升到预定值。通过自动调整权重的学习方法，把模糊的睡姿关联特性提炼为学习器的内部特性，在保证足够监测精度的同时降低了实现难度。提取的特征为压力点特征、压力块特征、压力块梯度纹理特征，这些压力特征与睡姿的关联性很大。压力特征通过归一化后组合成为输入变量，提取了足够的压力分布信息，有利于提高监测精度。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (9)

1.一种睡姿监测的学习方法，其特征在于，步骤为：

S01、在不同睡姿下，得到床垫上对应各压力监测点的压力值，作为原始样本；

S02、从原始样本中提取特征向量；

S03、对特征向量进行归一化处理；

S04、对特征向量进行量化；

S05、对特征向量的权值进行调整，完成睡姿监测的学习。

2.根据权利要求1所述的睡姿监测的学习方法，其特征在于，在步骤S02中，所述特征向量包括点特征、块特征和纹理特征，所述点特征包括每行上压力监测点的压力值之和、每列上压力监测点的压力值之和、每行上压力监测点上的最大值；所述块特征包括各块床垫区域上压力监测点的压力值之和；所述纹理特征的提取：根据每行上相邻各块床垫区域上压力监测点的压力值之和的差异确定是否连通，连通块的两区域的压力值为两者之和，不连通的压力值取0。

3.根据权利要求2所述的睡姿监测的学习方法，其特征在于，在步骤S02中，在床垫的测试区域以9行9列的方式安装81个压力监测点。

4.根据权利要求2所述的睡姿监测的学习方法，其特征在于，在步骤S03中，特征归一化处理为：以特征向量为分子，分母为压力监测点的总个数与特征向量所在行或列或块或连通块所占压力监测点个数的比例。

5.根据权利要求1至4中任意一项所述的睡姿监测的学习方法，其特征在于，在步骤S01中，所述睡姿包括左侧卧、仰卧和右侧卧。

6.根据权利要求1至4中任意一项所述的睡姿监测的学习方法，其特征在于，在步骤S02中，在提取特征向量之前，消除体重因素的影响，具体为：

P_ij＝A*p_ij/P_W

其中P_ij为消除体重因素后的压力值、A为床垫感压系数、p_ij为压力监测点测得的压力值，P_W为体重，其中P_W＝A*P，其中P为所有压力监测点上的压力总和。

7.根据权利要求1至4中任意一项所述的睡姿监测的学习方法，其特征在于，在步骤S04中，量化的具体过程为，在不同睡姿中，以预设的压力阀值为标准对各特征向量进行量化。

8.根据权利要求7所述的睡姿监测的学习方法，其特征在于，所述量化的结果为0或1。

9.根据权利要求1至4中任意一项所述的睡姿监测的学习方法，其特征在于，在步骤S05中，对特征向量的权值进行调整的过程为：首先对所有特征向量赋予相同的权值向量，然后进行求和，最后进行分类，之后对样本进行学习，并在学习的过程中自动调整特征向量的权重。