CN108764123A - 基于神经网络算法的智能识别人体睡眠姿势方法 - Google Patents

Abstract

本发明公开了一种基于神经网络算法的智能识别人体睡眠姿势方法，包括以下步骤：首先，利用SPI实时压力分布测量系统Tactilus来捕捉和记录两个界面实时接触或撞击压力状态，通过USB接口把数据传输给计算机，在计算机上显示数据，并进行图像处理，这为智能睡姿识别的算法搭建提供样本；然后，搭建完善且功能强大的人机交互界面，输入样本数据类型和输出处理后数据类型均包括bmp图片格式以及Excel表格模式两种；最后，对收集并处理后的数据样本进行小波矩特征提取，利用LVQ神经网络算法对训练集进行训练、对测试集进行测试，以足够高的识别率对原始数据进行睡姿识别，输出准确可靠的识别结果。

Description

基于神经网络算法的智能识别人体睡眠姿势方法

技术领域

本发明涉及智能家居技术领域，特别是使用应力数据进行智能睡姿识别的智能家居领域，具体涉及一种基于神经网络算法的智能识别人体睡眠姿势方法。

背景技术

近年来，在人工智能技术不断升级的大背景下，智能家居也逐步走进了日常百姓的生活，同时也催生了一个巨大的新兴消费市场。随着生活水平的提高，百姓不再仅仅满足于必需的家居产品，转而追求家居生活的安全性、科技性、时尚性、交互性等。随着互联网、大数据和云计算等信息技术的加速融合，以及互联网巨头抢占智能硬件控制入口，家居市场转型升级步伐也将加快，个性化、多元化的应用将助推智能家居产业渗透率快速提升。

张璞阳等发明了一种应用于婴幼儿睡姿识别方法和装置，该方法利用红外摄影器，采取婴儿睡眠时的红外图片，从图片中提取婴幼儿全身重要关节的坐标位置和夹角作为特征表征婴儿睡姿，并在错误睡姿下发出警报，有效避免了束缚式的睡姿警报(CN201310260875-一种睡姿识别方法及装置)。郭世杰等发明了一种基于HOG特征和机器学习的睡姿压力图像识别方法，该方法使用柔性压力传感器阵列床垫采集人体大面积的睡姿压力数据，将64*64阵列的睡姿数据图像化及灰度化，形成睡姿压力图像，提取睡姿压力图像的HOG特征值并应用于机器学习(CN201610692042-基于HOG特征和机器学习的睡姿压力图像识别方法)。

但是为提高智能家居中智能床垫的更有效和多元化的应用前景，必须形成更加高效、更加完善的智能床垫的人机信息交互系统——智能睡姿识别系统。全面测量整个人体所有部位在床垫上造成的床垫表面材料应力应变的数据，搭建人体睡姿应力应变数据库，这是更精准的人体睡眠姿势识别系统的原始数据基础。利用SPI(Sensor Products Inc.inMadison,NJ,USA)实时压力分布测量系统Tactilus来捕捉和记录两个界面实时接触或撞击压力状态，通过USB接口把数据传输给计算机，在计算机上显示数据，并进行图像处理，这为智能睡姿识别系统的算法搭建提供样本。搭建完善且功能强大的人机交互界面，输入样本数据类型和输出处理后数据类型均包括bmp图片格式以及Excel表格模式两种。对收集并处理后的数据样本进行小波矩特征提取，利用LVQ神经网络算法对训练集进行训练、对测试集进行测试，以足够高的识别率对原始数据进行睡姿识别，输出准确可靠的识别结果。通过智能睡姿识别系统反映出的人体睡姿和应力应变数据，可以让智能床垫分析产生更加科学化的智能运作，如自我调节表面形态提供对人体脊柱弯曲度更加健康的支撑、人体睡眠姿势情况报告、睡姿监控等。将这种更加科学化的智能识别系统应用到智能家居领域，会有更加广阔的发展前景。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于神经网络算法的智能识别人体睡眠姿势方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于神经网络算法的智能识别人体睡眠姿势方法，所述的智能识别人体睡眠姿势方法包括下列步骤：

S1、数据采集与数据库搭建，全面测量整个人体所有部位在床垫上造成的床垫表面材料应力应变的数据，整张感应垫由导电织物制成，厚度为2.5mm，其感应区域760mm*1850mm，感应点为27*64的阵列，每个感应点的尺寸为28.148mm*28.906mm。使用SPI(SensorProducts Inc.in Madison,NJ,USA)实时压力分布测量系统Tactilus来捕捉和记录两个界面实时接触或撞击压力状态，通过USB接口把数据传输给计算机，在计算机上显示数据，并进行图像处理。该系统采样频率16Hz，将离散的感测点所测得的体压通过插值的方式绘制体压分布图。将实时压力分布测量系统Tactilus下的睡姿数据转化为Excel表格模式，以及bmp图片格式；

S2、对收集并处理后的数据样本进行小波矩特征提取；

S3、建立LVQ神经网络，将所有的样本随机分为训练集和测试集，将训练集作为输入向量送入到LVQ神经网络中，利用LVQ算法对网络的权值进行调整；

S4、人体睡姿识别，导入用户新测得的实际睡姿数据，用训练好的LVQ神经网络对新的睡姿数据进行睡姿识别，判断并记录人体睡姿，据此得到有效的评估决策信息。

进一步地，所述的睡姿数据转化为Excel表格模式以及bmp图片格式后存储到人体睡姿应力应变数据库。

进一步地，所述的步骤S4过程如下：

S41、采集实际的睡姿数据；

S42、对采集得到的数据进行预期处理，转换为适当的大小以及格式；

S43、对处理后的图像数据进行降维以及特征值提取；

S44、用LVQ神经网络对特征值进行对比，识别睡姿。

进一步地，所述的LVQ神经网络由输入层、竞争层、线性输出层组成，输入层与竞争层之间采用全连接的方式，竞争层与线性输出层之间采用部分连接的方式，计算距离输入向量最近的竞争层神经元，从而找到与之相连接的线性输出层神经元，若输入向量的类别与线性输出层神经元所对应的类别一致，则对应的竞争层神经元权值沿着输入向量的方向移动；反之，若两者的类别不一致，则对应的竞争层神经元权值沿着输入向量的反方向移动。

进一步地，所述的步骤S3中训练集和测试集的样本数比例为16:1。

进一步地，所述的步骤S3中利用LVQ算法对网络的权值进行调整，使得每个睡姿的特征值要求具有正交性或者差异明显。

进一步地，所述的步骤S2中，对矩阵的多个特征值进行相近性和相异性分析，从中找到一个或多个符合要求的特征值，使得不同睡姿的特征充分显现出来，而不同人在不同床垫上的同一个睡姿的差异达到最小。

进一步地，所述的人体睡姿种类包括：左侧蜷缩、左侧伸直、仰卧、俯卧、右侧蜷缩和右侧伸直。

本发明相对于现有技术具有如下的优点及效果：

本发明公开的一种基于神经网络算法的智能识别人体睡眠姿势方法，如实反映出的人体睡姿和应力应变数据，让智能床垫分析产生更加科学化的智能运作，如实现自我调节表面形态提供对人体脊柱弯曲度更加健康的支撑、人体睡眠姿势情况报告、睡姿监控等各种强大而有重要意义的功能。

附图说明

图1是本发明公开的基于神经网络算法的智能识别人体睡眠姿势方法的流程步骤图；

图2是人体睡姿种类的示意图；

图3是LVQ神经网络的基本结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

目前有关于睡姿识别的各环节技术点都不够精准精细，智能睡姿识别技术也还没有形成一个完整完善的识别系统，缺乏智能人机交互体系来实现更加人性化的功能。全面测量整个人体所有部位在床垫上造成的床垫表面材料应力应变的数据，搭建人体睡姿应力应变数据库，这对更精准的人体睡眠姿势识别系统的算法搭建具有重要意义。利用SPI(Sensor Products Inc.in Madison,NJ,USA)实时压力分布测量系统Tactilus来捕捉和记录两个界面实时接触或撞击压力状态，通过USB接口把数据传输给计算机，在计算机上显示数据，并进行图像处理，这为智能睡姿识别系统的算法搭建提供样本。搭建完善且功能强大的人机交互界面，输入样本数据类型和输出处理后数据类型均包括bmp图片格式以及Excel表格模式两种。对收集并处理后的数据样本进行小波矩特征提取，利用LVQ神经网络算法对训练集进行训练、对测试集进行测试，以足够高的识别率对原始数据进行睡姿识别，输出准确可靠的识别结果。通过智能睡姿识别系统反映出的人体睡姿和应力应变数据，可以让智能床垫分析产生更加科学化的智能运作，如实现自我调节表面形态提供对人体脊柱弯曲度更加健康的支撑、人体睡眠姿势情况报告、睡姿监控等各种强大而有重要意义的功能。现下睡姿识别技术的后续应用领域尚未完全充分开发，大都止步于研究阶段，而该技术的应用完全可以渗透到医学，生活睡眠，智能家居等各个方面。将这种更加科学化的智能识别系统应用到智能家居领域，会有更加广阔的发展前景。

本实施例公开一种基于神经网络算法的智能识别人体睡眠姿势方法，包括以下步骤：

(1)数据采集与数据库搭建。全面测量整个人体所有部位在床垫上造成的床垫表面材料应力应变的数据，整张感应垫由导电织物制成，厚度为2.5mm，其感应区域760mm*1850mm，感应点为27*64的阵列，每个感应点的尺寸为28.148mm*28.906mm。使用SPI(SensorProducts Inc.in Madison,NJ,USA)实时压力分布测量系统Tactilus来捕捉和记录两个界面实时接触或撞击压力状态，通过USB接口把数据传输给计算机，在计算机上显示数据，并进行图像处理。该系统采样频率16Hz，将离散的感测点所测得的体压通过插值的方式绘制体压分布图。将实时压力分布测量系统Tactilus下的睡姿数据转化为Excel表格模式，以及bmp图片格式，并加以保存，至此完整的人体睡眠姿势应力应变数据库搭建完成。

(2)特征值提取。将Excel表格当中的多个睡姿数据进行导入和分离，在Matlab程序当中使用矩阵的运算方式加快算法的运行速度，避免循环结构的出现，降低程序的运行速度。将睡姿数据从Excel表格当中转移到我们计算的矩阵当中，将此矩阵作为后续特征提取的基础。对矩阵的多个特征值进行相近性和相异性分析，从中找到一个或多个符合要求的特征值，使得不同睡姿的特征充分显现出来，而不同人在不同床垫上的同一个睡姿的差异达到最小。以此方式得到的特征值来作为神经网络训练的基础。

(3)LVQ神经网络的建立。将所有的样本随机分为训练集和测试集，训练集和测试集的样本数比例为16:1。建立好一个LVQ神经网络，由输入层、竞争层、线性输出层组成，输入层与竞争层之间采用全连接的方式，竞争层与线性输出层之间采用部分连接的方式。计算距离输入向量最近的竞争层神经元，从而找到与之相连接的线性输出层神经元，若输入向量的类别与线性输出层神经元所对应的类别一致，则对应的竞争层神经元权值沿着输入向量的方向移动；反之，若两者的类别不一致，则对应的竞争层神经元权值沿着输入向量的反方向移动。LVQ神经网络的基本思想如图3。

LVQ神经网络由3层神经元组成，即输入层、竞争层和线性输出层，如图所示。输入层与竞争层之间采用全连接的方式，竞争层与线性输出层之间采用部分连接的方式。竞争层神经元个数总是大于线性输出层神经元个数，每个竞争层神经元只与一个线性输出层神经元相连接且连接权值恒为1。但是，每个线性输出层神经元可以与多个竞争层神经元相连接，竞争层神经元与线性输出层神经元的值只能是1或0.当某个输入模式被送至网络时，与输入模式距离最近的竞争层神经元被激活，神经元的状态为“1”，而其他竞争层神经元的状态均为“0”。因此，与被激活神经元相连接的线性输出层神经元状态也为“1”，而其他线性输出层神经元的状态均为“0”。

图3中，p为R维的输入模式；S¹为竞争层神经元个数；IW¹为输入层与竞争层之间的连接权系数矩阵；n¹为竞争层神经元的输入；a¹为竞争层神经元的输出；LW²为竞争层与线性输出层之间的连接权系数矩阵；n²为线性输出层神经元的输入；a²为线性输出层神经元的输出。

LVQ神经网络的学习算法如下：

LVQ神经网络算法是在有教师状态下对竞争层进行训练的一种学习算法，因此LVQ算法可以认为是把自组织特征映射算法改良成有教师学习的算法，LVQ神经网络算法可分为LVQ1算法和LVQ2算法两种。

(1)LVQ1算法

向量化是利用输入向量的固有结构进行数据压缩的技术，学习向量量化是在向量量化基础上能将输入向量分类的监督学习技术。Kohoncn把自组织特征映射算法改良成有教师学习算法，首先设计了LVQ1算法。LVQ1的训练过程开始于随机地自“标定”训练集合选择一个输入向量以及该向量的正确类别。

LVQ1算法的基本思想是：计算距离输入向量最近的竞争层神经元，从而找到与之相连接的线性输出层神经元，若输入向量的类别与线性输出层神经元所对应的类别一致，则对应的竞争层神经元权值沿着输入向量的方向移动；反之，若两者的类别不一致，则对应的竞争层神经元权值沿着输入向量的反方向移动。基本的LVQ1算法步骤为：

步骤1：初始化输入层与竞争层之间的权值ω_ij及学习率η(η>0)。

步骤2：将输入向量x＝(x₁,x₂,...,x_R)^T送入到输入层，并根据式(1)计算竞争层神经元与输入向量的距离：

式中，ω_ij为输入层的神经元j与竞争层的神经元i之间的权值。

步骤3：选择与输入向量距离最小的竞争层神经元，若d_i最小，则记与之连接的线性输出层神经元的类标签为C_i。

步骤4：记输入向量对应的类标签为C_x，若C_i＝C_x，则根据式(2)调整权值；否则，根据式(3)进行权值更新：

ω_{ij_new}＝ω_{ij_old}+η(x-ω_{ij_old}) (2)

ω_{ij_new}＝ω_{ij_new}-η(x-ω_{ij_old}) (3)

式中，ω_{ij_new}为更新后的输入层的神经元j与竞争层的神经元i之间的权值，ω_{ij_old}为更新前的输入层的神经元j与竞争层的神经元i之间的权值。

(2)LVQ2算法

在LVQ1算法中，只有一个神经元可以获胜，即只有一个神经元的权值可以得到更新调整。为了提高分类的正确率，改进LVQ1，并且被称为LVQ2。LVQ2算法基于移动决策边界逼近Bayes极限，引入了“次获胜”神经元，获胜神经元的权值向量和“次获胜”神经元的权值向量都被更新。具体步骤如下：

步骤1：利用LVQ1算法对所有输入模式进行学习。

步骤2：将输入向量x＝(x₁,x₂,…,x_R)^T送入到输入层，并根据式(4)计算竞争层与输入向量的距离。

步骤3：选择与输入向量距离最小的两个竞争层神经元i,j。

步骤4：如果神经元i和神经元j满足一下两个条件：

①神经元i和神经元j对应不同的类别；

②神经元i和神经元j与当前输入向量的距离d_i和d_j满足式(4)：

其中，ρ为输入向量可能落进的接近于两个向量中段平面窗口宽度，一般取2/3左右。

则有：

①若神经元i对应的类别C_x与输入向量对应类别C_y一致，即C_x＝C_y，则神经元i和神经元j的权值根据式(5)进行修正。

②若神经元j对应的类别C_y与输入向量对应类别C_x一致，即C_y＝C_x，则神经元i和神经元j的权值根据式(6)进行修正。

步骤5：若神经元i和神经元j不满足步骤4中的条件，则只更新距离输入向量最近的神经元权值，更新公式与LVQ1算法中步骤4相同。

(4)网络训练与智能评估。LVQ神经网络建立完成后，便可以将训练集作为输入向量送入到LVQ神经网络中，利用LVQ算法对网络的权值进行调整，直到满足训练要求，迭代终止。为了使神经网络能够更好的学习和识别睡姿，每个睡姿的特征值要求最好具有正交性，或者差异越大越好。

本实施例中，人体睡姿分为：左侧蜷缩、左侧伸直、仰卧、俯卧、右侧蜷缩、右侧伸直，其示意图如附图2所示。

(5)人体睡姿识别。导入用户新测得的Excel表格模式或者bmp图片格式的睡姿数据，用训练好的神经网络对新的睡姿数据进行睡姿识别，判断并记录人体睡姿，据此得到有效的评估决策信息。

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)

1.一种基于神经网络算法的智能识别人体睡眠姿势方法，其特征在于，所述的智能识别人体睡眠姿势方法包括下列步骤：

S1、数据采集与数据库搭建，测量整个人体所有部位在床垫上造成的床垫表面材料应力应变的数据，搭建人体睡姿应力应变数据库，利用SPI实时压力分布测量系统Tactilus来捕捉和记录两个界面实时接触或撞击压力状态，将实时压力分布测量系统Tactilus下的睡姿数据存储到人体睡姿应力应变数据库；

S2、对收集并处理后的数据样本进行小波矩特征提取；

S3、建立LVQ神经网络，将所有的样本随机分为训练集和测试集，将训练集作为输入向量送入到LVQ神经网络中，利用LVQ算法对网络的权值进行调整；

S4、人体睡姿识别，导入用户新测得的实际睡姿数据，用训练好的LVQ神经网络对新的睡姿数据进行睡姿识别，判断并记录人体睡姿，据此得到有效的评估决策信息。

2.根据权利要求1所述的基于神经网络算法的智能识别人体睡眠姿势方法，其特征在于，所述的睡姿数据转化为Excel表格模式以及bmp图片格式后存储到人体睡姿应力应变数据库。

3.根据权利要求1所述的基于神经网络算法的智能识别人体睡眠姿势方法，其特征在于，所述的步骤S4过程如下：

S41、采集实际的睡姿数据；

S42、对采集得到的数据进行预期处理，转换为适当的大小以及格式；

S43、对处理后的图像数据进行降维以及特征值提取；

S44、用LVQ神经网络对特征值进行对比，识别睡姿。

4.根据权利要求1所述的基于神经网络算法的智能识别人体睡眠姿势方法，其特征在于，所述的LVQ神经网络由输入层、竞争层、线性输出层组成，输入层与竞争层之间采用全连接的方式，竞争层与线性输出层之间采用部分连接的方式，计算距离输入向量最近的竞争层神经元，从而找到与之相连接的线性输出层神经元，若输入向量的类别与线性输出层神经元所对应的类别一致，则对应的竞争层神经元权值沿着输入向量的方向移动；反之，若两者的类别不一致，则对应的竞争层神经元权值沿着输入向量的反方向移动。

5.根据权利要求1所述的基于神经网络算法的智能识别人体睡眠姿势方法，其特征在于，所述的步骤S3中训练集和测试集的样本数比例为16:1。

6.根据权利要求1所述的基于神经网络算法的智能识别人体睡眠姿势方法，其特征在于，所述的步骤S3中利用LVQ算法对网络的权值进行调整，使得每个睡姿的特征值要求具有正交性或者差异明显。

7.根据权利要求1所述的基于神经网络算法的智能识别人体睡眠姿势方法，其特征在于，所述的步骤S2中，对矩阵的多个特征值进行相近性和相异性分析，从中找到一个或多个符合要求的特征值，使得不同睡姿的特征充分显现出来，而不同人在不同床垫上的同一个睡姿的差异达到最小。

8.根据权利要求1至7任一所述的基于神经网络算法的智能识别人体睡眠姿势方法，其特征在于，所述的人体睡姿种类包括：左侧蜷缩、左侧伸直、仰卧、俯卧、右侧蜷缩和右侧伸直。