CN113273998A - 一种基于rfid标签矩阵的人体睡眠信息获取方法及装置 - Google Patents

一种基于rfid标签矩阵的人体睡眠信息获取方法及装置 Download PDF

Info

Publication number
CN113273998A
CN113273998A CN202110403510.3A CN202110403510A CN113273998A CN 113273998 A CN113273998 A CN 113273998A CN 202110403510 A CN202110403510 A CN 202110403510A CN 113273998 A CN113273998 A CN 113273998A
Authority
CN
China
Prior art keywords
image
binary image
human body
label
lying
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.)
Granted
Application number
CN202110403510.3A
Other languages
English (en)
Other versions
CN113273998B (zh
Inventor
刘佳
陈力军
齐子浩
陈星宇
陈明睿
汪付星
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.)
Jiangsu Tuke Robot Co ltd
Nanjing University
Original Assignee
Jiangsu Tuke Robot Co ltd
Nanjing University
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 Jiangsu Tuke Robot Co ltd, Nanjing University filed Critical Jiangsu Tuke Robot Co ltd
Priority to CN202110403510.3A priority Critical patent/CN113273998B/zh
Publication of CN113273998A publication Critical patent/CN113273998A/zh
Application granted granted Critical
Publication of CN113273998B publication Critical patent/CN113273998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A61B5/1127—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using markers
    • 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
    • A61B5/1116—Determining posture transitions
    • 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
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6892—Mats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves

Abstract

本发明涉及一种基于RFID标签矩阵的人体睡眠信息获取方法，所述睡眠信息包括睡眠姿势信息，方法包括：利用RFID读写设备周期性的收集第一标签的标签编号及其信号强度，并根据第一标签的响应构造出关于其信号强度的第一图像，第一图像由若干第一标签的信号强度测量均值组成，其中，第一初始图像是由空床时的第一标签的信号强度所组成；将第一图像与第一初始图像做第一差运算，得到第一待处理图像；第一待处理图像经预处理后转换为第一二值图像；通过计算第一二值图像中第一像素的数量识别人体睡姿。本发明方法提高了用户在进行睡姿识别时的使用舒适度；能够区分仰卧、俯卧睡姿；同时还能够估计人在睡眠时的呼吸频率，功能多元。

Description

一种基于RFID标签矩阵的人体睡眠信息获取方法及装置
技术领域
本发明涉及射频识别(RFID)领域，具体涉及一种基于RFID标签矩阵的人体睡眠信息获取方法及装置。
背景技术
射频识别技术(Radio Frequency Identification，RFID)，通过无线射频方式进行非接触双向数据通信，利用无线射频方式对记录媒体(电子标签或射频卡)进行读写，从而达到识别目标和数据交换的目的，广泛应用在门禁管制、停车场管制、生产线自动化等领域。此外，临床证据表明，人在睡眠时的身体姿势可作为多种慢性疾病的诊断指标，并可作为药物治疗的辅助手段。因此，监测人体睡眠姿势并估计人体的呼吸频率对评估患者睡眠习惯及医学疾病的预防、监测具有重要意义。
现有技术中，为检测人体睡姿，一种方式是通过测量人体心电图中的心血管信号来识别人体睡姿，但是此种方法需要专门的医疗器械和训练有素的专业人员，因此成本高昂；一种是通过摄像机拍摄视频、图像，而后进行图像处理等方式来识别人体睡姿，但此种方法出于私密性考量受众局限，且人在夜间睡眠时由于被子的遮挡具体的睡姿不易判断，此外，夜间拍摄的图像质量不高，即使选用红外摄像机，在夜间拍摄的视频、图像等仍然会受到不均匀性和伪影的影响；一种是通过压力传感技术来识别人体睡姿，其将若干纺织传感器密集部署在配套床单上用以捕捉压力映射图像，并使用分类器识别不同的睡姿，但此种方式需要将纺织传感器置于床单或床垫的表面，用户使用舒适感较低，此外，此种方式还需要配置额外的电源，致使难以达到小型化的需求。
发明内容
为了克服现有技术中存在的问题，本发明提供一种基于RFID标签矩阵的人体睡眠信息获取方法及装置，能够识别人体睡姿、估计呼吸频率同时提升用户使用舒适感。
基于上述目的，本发明的技术方案如下：
一种基于RFID标签矩阵的人体睡眠信息获取方法，所述睡眠信息包括睡眠姿势信息，在床垫底部设置若干第一标签，所述第一标签间隔排列成若干行和列，组成第一标签矩阵，使用RFID读写设备中的第一天线与所有所述第一标签通信，其中，所述方法包括：利用RFID读写设备周期性的收集所述第一标签的标签编号及其信号强度，并根据所述第一标签的响应构造出关于其信号强度的第一图像，所述第一图像由若干所述第一标签的信号强度测量均值组成，其中，第一初始图像是由空床时的所述第一标签的信号强度所组成；将所述第一图像与所述第一初始图像做第一差运算，得到第一待处理图像；所述第一待处理图像经预处理后转换为第一二值图像；通过计算所述第一二值图像中第一像素的数量识别人体睡姿。
此外，本发明方法在床垫底部还设置有若干第二标签，所述第二标签设置在相邻四个所述第一标签的缝隙中，依次间隔排列成若干行和列，组成第二标签矩阵；在床垫上表面正对所述第二标签的位置以行为单位贴合类锡纸材料，使用RFID读写设备中的第三天线与所有所述第二标签通信；所述方法还包括：利用RFID读写设备周期性的获取所述第二标签的标签编号及其读取频次，并根据所述第二标签的响应构造出关于其读取频次的第二图像，其中，第二初始图像是由空床时的所述第二标签的读取频次所组成；将所述第二图像与所述第二初始图像做第二差运算，得到第二待处理图像；所述第二待处理图像经预处理后转换为第二二值图像；以行为单位对第二待处理图像中的像素值进行累加，得到垂直投影直方图，其中，像素值与第二二值图像中第一像素的位置对应；对垂直投影直方图中的数据进行平滑处理获得平滑后的数据；通过查找平滑后的数据中局部峰值的个数确定睡姿，其中，峰值个数为2对应为仰卧；峰值个数为1对应为俯卧。
本发明具有以下有益效果：
本发明采用RFID读取设备与第一标签通讯获取其标签编号及信号强度信息，经过图像处理后得到第一二值图像，通过计算第一二值图像中第一像素的数量识别人体睡姿的方法提高了用户在进行睡姿识别时的使用舒适度，且利用本发明方法进行睡姿识别时，无需任何个性化的训练过程，方法简单识别效率高；同时，本发明方法额外引入了第二标签矩阵，通过查找平滑后的数据中局部峰值的个数具体区分了仰卧、俯卧睡姿；此外，利用本发明方法在识别出睡姿的基础上还能够估计人在睡眠时的呼吸频率，功能更加多元。
下文将结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例，附图中相同的附图标记标示了相同或类似的部件或部分，本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1为在床垫底部设置第一标签、第二标签的示意图；
图2为将第一天线悬挂在床体上方与第一标签进行通信的简化示意图；
图3为第一待处理图像中人体睡姿为左曲躺的示意图；
图4为本方案定义的六种睡眠姿态，从左到右依次为：仰卧、俯卧、左直躺、右直躺、左曲躺、右曲躺的简化示意图；
图5为对灰度图像进行预处理的示意图，其中，图5(a)为灰度图像示意图；图5(b)为图5(a)经大津算法处理后的二值图像示意图；图5(c)为图5(b)去除散点像素后的示意图；
图6为本发明中层次化识别方法的简化示意图；
图7为二次拟合的示意图，其中，图7(a)为左直躺拟合；图7(b)为右直躺拟合；
图8为三次拟合的示意图，其中，图8(a)为左曲躺拟合；图8(b)为右曲躺拟合；
图9为第二待处理图像的示意图，其中，图9(a)为仰卧；图9(b)为俯卧；
图10为图9经过预处理进行去噪后的第二二值图像示意图，其中，图10(a)为仰卧；图10(b)为俯卧；
图11(a)为人体仰卧时的压力分布图、图11(b)为人体俯卧时的压力分布图；
图12(a)为仰卧时的垂直投影直方图的示意图、图12(b)为俯卧时的垂直投影直方图的示意图；
图13为仰卧、俯卧平滑后垂直投影直方图的示意图；
图14为峰的显著程度示意图；
图15为仰卧、俯卧峰值个数示意图；
图16为人体左曲躺时标签选择的示意图；
图17为本发明方法工作流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
本发明公开了一种基于RFID标签矩阵的人体睡眠信息获取方法，其中，睡眠信息包括睡眠姿势信息，如图1所示，在床垫底部设置若干第一标签11，将若干第一标签11间隔排列成若干行和列，组成第一标签矩阵，本发明中还使用了RFID读写设备，其包括阅读器和若干天线，其中，将第一天线置于床体上方确保对第一标签矩阵的全覆盖，并与所有第一标签11进行通信，周期性的获取第一标签11的标签编号及其信号强度，并根据所述第一标签11的响应构造出关于其信号强度的第一图像，所述第一图像由若干所述第一标签的信号强度测量均值组成，其中，第一初始图像是由空床时的所述第一标签的信号强度所组成；将所述第一图像与所述第一初始图像做第一差运算，得到第一待处理图像；其中，第一差运算是指将第一图像与第一初始图像的对应像素位做差并取绝对值；所述第一待处理图像经预处理后转换为第一二值图像；通过计算所述第一二值图像中第一像素的数量识别人体睡姿。可以理解的，本发明并不具体限制与第一标签矩阵进行通信的天线数量，既能够确保对第一标签矩阵的全覆盖即可，示例性的，可在床体上方分别设置第一天线、第二天线。
对标签数据进行处理：示例性的，以若干第一标签组成一个M×N的第一标签矩阵A＝{am,n}为例，am,n表示矩阵第m行和第n列位置上的第一标签，其中，1≤m≤M,1≤n≤N。如图2所示，在第一标签矩阵上方，即天花板位置处悬挂第一天线11，周期性地收集所有第一标签11的标签编号ID和信号强度RSSI。在信息收集的过程中，将时间均匀地分割为一个窗口序列，即T＝{t1,t2,t3,…}。此后，在每个时间窗口ti(i>0)，阅读器根据第一标签的响应构造一个关于其信号强度RSSI的第一图像
Figure BDA0003021289390000051
其中，
Figure BDA0003021289390000052
表示窗口ti中第一标签am,n的RSSI测量均值。此外，定义空床时由所有第一标签的信号强度RSSI值构成的空快照为第一初始图像R0。
为提高睡姿识别精度，将第一图像Ri与第一初始图像R0做第一差运算得到第一待处理图像
Figure BDA0003021289390000053
其中，
Figure BDA0003021289390000054
此外，第一待处理图像
Figure BDA0003021289390000055
由各个像素Im,n组成，其中，
Figure BDA0003021289390000056
示例性的，如图3所示，即为同一时间窗口下，由各个像素Im,n组成得到的第一待处理图像
Figure BDA0003021289390000057
的人体睡姿示意图，其中，人体睡姿为左曲躺。
图像处理：对第一待处理图像
Figure BDA0003021289390000058
进行预处理，包括高斯模糊、基于大津算法的灰度图像二值转换及散点像素的去除三个步骤，其中，高斯模糊是用高斯函数对图像进行模糊处理，在图像处理领域属于现有技术。在本方案中，采用二维高斯函数G(x,y)对第一待处理图像
Figure BDA0003021289390000059
进行图像处理，公式如下：
Figure BDA00030212893900000510
其中，σ为标准差，使用高斯矩阵B＝{bi,j}＝G(i,j)，其中，-1≤i,j≤1，σ＝0.5。
将第一待处理图像
Figure BDA00030212893900000511
中的各像素点的坐标值代入公式(1)中，得到灰度图像I′＝{I′(m,n)}，其中，
Figure BDA00030212893900000512
接着，利用大津算法将灰度图像转换为二值图像，大津算法在计算机视觉中用于自动执行基于聚类的图像阈值化，并将灰度图像降为二值图像，属于现有技术。大津算法假设图像遵循双峰分布，包含两类像素(前景像素和背景像素)；然后计算出分离两类像素的最佳阈值，使它们的类内方差最小，类间方差最大；定义前景(本方案中的人体)和背景像素分别为第一像素和第二像素，则不同的睡姿对第一像素的数量和形状有较大影响。如图4所示，本方案中，定义了六种最常见的睡姿，其中，仰卧位是指脸和躯干朝上水平躺卧，俯卧位是脸和躯干朝下水平躺卧；侧直躺是指四肢伸直，朝左边或向右边侧卧；侧曲躺是指膝盖弯曲，双臂向外伸展，当然，如果面朝左边，就是左曲躺；否则是右曲躺。
为避免经大津算法处理后得到的二值图像中的散点对后续睡姿识别造成干扰，需要进行散点像素的去除步骤：即从二值图像中去除第一像素的所有小于P个像素的连通分量，得到第一二值图像，如图5所示，其中，图5(a)为灰度图像示意图；图5(b)为大津算法处理后的二值图像示意图；图5(c)为去除散点像素的第一二值图像示意图。
结合前述对六种睡姿的定义及生活经验可知，同一人处于仰卧位和俯卧位时，相较于侧卧位与床的接触面积大，体现在第一二值图像中即为第一像素的数量较多，因此，可通过计算第一二值图像中第一像素的数量识别出人体睡姿。
接着，首先将上述定义的六种睡姿及空床状态进行分类划分，即为：将空床状态划分为第一类对应于C1；将仰卧、俯卧划分为第二类对应于C2；将左直躺、左曲躺、右直躺、右曲躺划分为第三类对应于C3；
其次，定义个体以仰卧在床上的图像为参考图像I*，并将参考图像I*对应的第一二值图像中第一像素的数量记为参考值λ(I*)，作为本发明方法的唯一输入，其中，λ(·)是第一像素的数量；此外，设置第一类C1的阈值为第一阈值，即为0.1λ(I*)，设置第三类C3的阈值为第三阈值，即为0.8λ(I*)；若待识别的第一二值图像中第一像素的数量不大于第一阈值0.1λ(I*)，则待识别的第一二值图像对应为空床状态；若待识别的第一二值图像中第一像素的数量大于第一阈值0.1λ(I*)小于第三阈值0.8λ(I*)，则待识别的第一二值图像对应为第三类C3中所包含的某种睡姿；若待识别的第一二值图像中第一像素的数量不小于第三阈值0.8λ(I*)，则待识别的第一二值图像对应为第二类中所包含的某种睡姿。此外，本发明只对每个个体拍摄一次参考图像I*，作为本发明方法唯一的初始输入，不需要任意繁琐的训练过程。
因此，在初步区分出第一类C1、第二类C2及第三类C3的基础上，进一步将第三类C3中包含的四种侧卧睡姿划分为第一子类C31与第二子类C32，其中，第一子类包括左直躺和右直躺两种睡姿，第二子类C32包括左曲躺和右曲躺两种睡姿；
由于参考图像I*为人体仰卧图像，其高度接近侧直躺高度，大于人体侧曲躺的高度；且其宽度比侧直躺大，比侧曲躺小。因此，这是一个自然的阈值。结合上述分析，计算图像中人体高度与下半身宽度的比值可区分侧直躺与侧曲躺，公式如下：
Figure BDA0003021289390000071
其中，ψh是指图像中人体的高度，ψw是指图像中人体下半部分的宽度，γ表示ψh与ψw的比率。
将前述参考图像I*中的人体高度与其下半身的宽度之比代入公式中(3)，计算出的结果定义为第四阈值Tγ；将处于第三类C3内的待识别的第一二值图像中的人体高度与其下半身的宽度数值代入公式中(3)中，计算二者比值为γ，若γ≥Tγ，则待识别的第一二值图像对应睡姿为第一子类C31所包括的某种睡姿(左直躺、右直躺)，下述统称侧直躺；否则为第二子类C32所包括的某种睡姿(左曲躺、右曲躺)，下述统称侧曲躺。
值得注意的是，为移除头部、手臂和手的四处移动对睡姿识别造成的干扰，本方法中取人体下半部分的图像宽度代入公式(3)中再进行睡姿判断，可进一步提高睡姿识别的精度。
层次化识别方法：如图6所示，本发明的层次化方法即为在判断出C1、C2、C3的基础上，只需继续分别在C31、C32、C2这三个类别中识别出具体睡姿。
由前述对六种睡姿的定义可知，C31中定义的侧直躺是指双腿伸直，侧卧睡眠。可以理解的，左直躺和右直躺之间最大的区别在于人体朝向不同，即分别向左或向右，此外，若结合双脚的朝向进行考量，则侧直躺睡姿会形成一个“弓”形。因此，通过识别“弓”形的弧度，即能够识别左直躺和右直躺睡姿。
具体的，若待识别的第一二值图像被判断为第一子类C31所包含的某种睡姿，则将前述第一二值图像逆时针旋转九十度，并在此基础上构建二维平面坐标轴，将每个第一像素视为二维平面上的一个点，获得所有第一像素的横、纵坐标，并将其代入二次拟合函数中，公式如下：
Figure BDA0003021289390000081
其中，ci为第一系数，x、y为第一像素的坐标。
其中，第一系数c2的值决定了“弓”形的方向。将所有第一像素的横、纵坐标代入公式(4)中，计算第一系数c2的数值，如图7所示，若第一系数c2为正，则代表旋转后的“弓”形朝上，表明未逆时针旋转九十度的原始“弓”形向左，则判断与其对应的睡姿为左直躺；否则，为右直躺。
接着，由前述对六种睡姿的定义可知，C32中左曲躺的整体轮廓近似于“S”，而右曲躺则与“S”的镜像相似。因此，通过识别“S”的弧度，即能够识别左曲躺和右曲躺睡姿。
具体的，若待识别的第一二值图像被判断为第二子类C32所包含的某种睡姿，则将前述第一二值图像逆时针旋转九十度，并在此基础上构建二维平面坐标轴，将每个第一像素视为二维平面上的一个点，获得所有第一像素的横、纵坐标，并将其代入三次拟合函数中，公式如下：
Figure BDA0003021289390000082
其中，ci为第二系数，x、y为第一像素的坐标。
其中，第二系数c3的值决定了“S”形的方向。将所有第一像素的横、纵坐标代入公式(5)中，计算第二系数c3的数值，如图8所示，若第二系数c3为负，表示人体形态近似为“S”形，从而表明未逆时针旋转九十度的图像对应的睡姿是左曲躺；若第二系数c3为正，表示人体形态近似“S”的镜像，睡姿对应为右曲躺。
此外，由于仰卧位与俯卧位的图像较为相似，为进一步区分出仰卧与俯卧睡姿，本发明方法还在第一标签基础上额外增加了第二标签，如图1所示，在床垫底部还设置有若干第二标签12，其中，第二标签12设置在相邻四个第一标签11的缝隙中，依次间隔排列成若干行和列，组成第二标签矩阵；
在床垫上表面正对第二标签的位置以行为单位贴合类锡纸材料，从俯视角度来看，类锡纸材料正好覆盖一行行第二标签，而不对第一标签矩阵造成遮挡。本发明中还使用了RFID读写设备，其包括阅读器和若干天线，其中，将第三天线置于床体下方确保对第二标签矩阵的全覆盖，并与所有第二标签12进行通信，周期性的获取第二标签12的标签编号及其读取频次信息，并根据第二标签的响应构造出关于其读取频次的第二图像，其中，组成第二图像的像素点为对应位置上第二标签的读取频次。可以理解的，本发明并不具体限制与第二标签矩阵进行通信的天线数量，既能够确保对第二标签矩阵的全覆盖即可，示例性的，可在床体下方分别设置第三天线、第四天线。采用类锡纸材料以行为单位贴合在床垫上表面是因为，当人体出现在床垫上时，人体的压力会迫使床垫上的类锡纸材料贴近第二标签，这些类锡纸材料同样将改变第二标签从阅读器获取的反向散射射频信号，通过观察所有第二标签之间射频信号变化，阅读器可以构造出第二图像(压力敏感图)，从而为进一步区分仰卧和俯卧睡姿做准备。
接着，定义第二初始图像，即为空床时的所有第二标签的读取频次信息所组成；将第二图像与第二初始图像的对应像素做第二差运算，得到第二待处理图像。其中，第二差运算是指第二图像与第二初始图像的对应像素位做差并进行斜坡函数处理，即：y＝max(x,0)；然后将计算后的差值除以第二初始图像中的对应像素值。
其中，对上述差值进行斜坡函数处理的目的是为使第二待处理图像的像素值大于0；示例性的，以若干第二标签组成一个M×N的第二标签矩阵B＝{bm,n}为例，bm,n表示矩阵第m行和第n列位置上的第二标签，其中，1≤m≤M,1≤n≤N。将第三天线置于第二标签矩阵的下方，周期性地收集所有第二标签的标签编号ID，从而得到时间窗口内第二标签的读取频次信息。在上述信息收集的过程中，将时间均匀地分割为一个窗口序列，即T′＝{t′1,t′2,t′3,…}。此后，在每个时间窗口t′i(i>0)，阅读器根据第二标签的响应构造一个关于其读取频次的第二图像
Figure BDA0003021289390000091
其中，
Figure BDA0003021289390000092
表示窗口t′i中第二标签bm,n的读取频次。此外，定义空床时由所有第二标签的读取频次值构成的空快照为第二初始图像R′0。将第二图像R′i与第二初始图像R′0的对应像素做第二差运算得到第二待处理图像
Figure BDA0003021289390000093
其中，
Figure BDA0003021289390000094
此外，第二待处理图像
Figure BDA0003021289390000095
由各个像素I′m,n组成，其中，
Figure BDA0003021289390000096
如图9所示，为第二待处理图像的示意图，其中，图9(a)为仰卧；图9(b)为俯卧。
将第二待处理图像进行预处理转换为第二二值图像；其中，将第二待处理图像转换为第二二值图像的过程与前述将第一待处理图像转换为第一二值图像的方法相似，即经过基于大津算法的灰度图像二值化转换及散点像素的去除两个步骤(属于现有技术)，即可获得第二二值图像。示例性的，如图10所示，为经过预处理进行去噪后的第二二值图像示意图，其中，图10(a)为仰卧；图10(b)为俯卧。
值得注意的是，现有技术中设计了压力敏感床垫获取人体不同睡姿下的压力分布图，根据获取的压力分布图及其水平、垂直投影直方图可以发现人体在不同睡姿下人体压力分布的差异。具体的，人体呈仰卧位时，人体压力主要分布在肩部和臀部，而四肢和腰部压力较小，因此在压力分布图中将形成两个重压点。当人体呈俯卧位时，人体压力主要分布胸部和腹部区域，因此在压力分布图中将会形成一个较大的、连续的重压点，且人体头部和四肢压力较小，图11(a)为人体仰卧时的压力分布图、图11(b)为人体俯卧时的压力分布图。
现有技术中将上述二维压力图分别投影到水平、垂直方向，以图11(a)所示的仰卧位为例，即创建出图11(a)水平、垂直两个方向的投影直方图。其中，以垂直方向的直方图为例，图中x轴对应于床垫的垂直方向，y轴对应于床垫上具有相同水平轴的压力点的压力和。通过压力分布图发现仰卧姿态的垂直投影直方图有两个峰，两个峰值分别对应于肩部和臀部两个部位，同时两个主要峰值所代表的压力和有明显差异，即相较于臀部来说，肩部的峰值更大，表示肩部的压力更大；而俯卧姿态在垂直投影直方图上呈现出对称的压力分布，且只有一个压力峰值，该压力峰值对应于人体胸部和腹部的连通体，这与其它姿势的压力分布不同。
结合前述对仰卧、俯卧睡姿的分析可知，同一人处于仰卧位时存在两个较小的重压点，反映到垂直投影直方图上即呈现两个峰值，且两峰值数值不同；而处于俯卧位时存在一个较大的、连续的重压点，反映到垂直投影直方图上即仅呈现一个峰值。该特点体现在第二二值图像中，即：仰卧位图像中第一像素的连通分量较多，而俯卧位图像中第一像素的连通分量较少，其中，第二二值图像中第一像素的所在位置即为人体覆盖压力点。(第一像素的连通分量是指：一个连通分量内只包含第一像素，且任意两个第一像素之间一定存在某种路径相连接，该路径只包含第一像素，不经过第二像素。)同时观察第二待处理图像可发现对应于第二二值图像中第一像素位置的像素值较高，而对应于非第一像素位置的像素值较低，这是由于第二待处理图像像素值是对应位置RFID读取频次变化率，对于人体压力较大的部位来讲，由于类锡纸材料对RFID标签影响较大，其读取频次变化较大，因此像素值高；而人体压力较小的部位对应的像素值低，因此，第二待处理图像中的像素值大小表示该位置的受力大小。此外，由于人体四肢及头部压力较小，导致对应部位的类锡纸材料与第二标签矩阵的距离较大，体现在第二待处理图像中即四肢及头部模糊不清(参见图9)。本发明方法通过对第二待处理图像进行预处理(即进行二值化)，可以将四肢头部等像素值低的位置二值化为“0”像素，以避免其对后续算法的干扰(参见图10)。
具体的，对第二待处理图像进行预处理获取第二二值图像后，以行为单位对第二待处理图像中的像素值(对应于第二二值图像中第一像素位置)进行累加，得到垂直投影直方图H＝{hm}，则hm表示第二标签矩阵第m行位置的受力之和。示例性的，第二待处理图像
Figure BDA0003021289390000111
由各个像素I′m,n组成，第二二值图像B′由各个像素b′m,n组成，其中，b′m,n＝{0,1}即取值为0或1。定义H＝{hm}，其中，1≤m≤M，
Figure BDA0003021289390000112
结合上述分析可知，当人体处于仰卧位时，垂直投影直方图有两个峰值，分别对应于肩部和臀部，两峰值之间的数值较小，对应于无支撑的人体腰部，从而形成双峰结构；而人体处于俯卧位时，垂直投影直方图只有一个峰值，对应于胸部和腹部的连通部位，该峰值两侧的压力值逐渐变小，从而形成单峰结构。
此外，为了消除不同人体导致的覆盖面积不同、不同人体体重不同所带来的受力(hm)的差异，在进行算法处理前可对hm进行最大值归一化处理，即
Figure BDA0003021289390000113
处理后得到的垂直投影直方图H如图12所示，其中，图12(a)为仰卧时的垂直投影直方图的示意图；图12(b)为俯卧时的垂直投影直方图的示意图。
此外，由于RFID标签射频信号容易受到环境因素的影响，本发明实验部署中的标签读取频次数据除了受人体压力的影响以外，还受到环境噪声的干扰，即垂直投影直方图H的数值存在抖动。为抓住数据中主要的单峰、双峰结构，同时去除环境噪声的干扰，本发明在执行睡姿识别算法前，采用Savitzky-Golay滤波器(S-G滤波器)对指定窗口内的数据进行平滑处理。其中，S-G滤波器被广泛应用于数据流平滑去噪，是一种基于局部多项式最小二乘法集合的滤波方法，这种滤波器的最大特点在于滤除噪声的同时可以确保数据的形状、宽度不变，属于现有技术。平滑后的示意图如图13所示，可以发现平滑去除了原始数据的抖动，同时保留了原有的单峰、双峰结构。
接着，通过寻找平滑后数据的局部峰值个数确定单峰、双峰结构。
其中，仰卧峰值的个数为2；俯卧峰值的个数为1。
具体的：通过观察来自不同志愿者的数据，发现仰卧时双峰之间的距离较大，且峰值突出显著。为进一步避免数据抖动带来的影响，定义峰值距离阈值为3，即只选取峰值距离内的最高峰，而忽略其它所有峰。同时，定义峰的显著程度如下：
1.在峰顶处做标记；
2.从峰顶分别向左右延伸一条水平线，直到水平线达到以下条件之一：
a)由于旁边存在更高峰从而穿过数据
b)达到数据的最左端或最右端
3.分别在步骤2中定义的两个区间中找到数据的最小值。该最小值要么是谷点，要么是数据的端点之一。
4.将步骤3定义的两个最小值中的较高值指定为参考线，参考线直到峰顶的高度即为该峰的显著程度。
以图14中的峰顶6为例，分别向其两端寻找最低点即点e、f，取这两最低点e、f中的较高点即点f为参考线，则从f直到峰顶6之间的高度即为峰顶6的显著程度。
此外，本发明方法定义峰的显著程度阈值为0.1，即忽略显著程度小于0.1的峰。通过设置峰值距离阈值、显著程度阈值可以查找数据局部峰值个数。如图15所示，仰卧的峰值个数为2；俯卧的峰值个数为1。
基于PCA的图像旋转：此外，由于人在睡眠时，其身体可能以不同的角度躺在床上的任何位置，而人体的旋转角度会对后续的睡姿识别造成一定干扰，因此，在识别人体睡姿之前，可以先对旋转后的图像进行纠正，使得人体主轴在图像中垂直对齐，即对前述经过预处理步骤后得到的第一二值图像进行标准化处理，包括：利用线性滤波器对待识别的第一二值图像进行去噪处理得到第四二值图像，并基于第四二值图像构建二维平面坐标轴，获得第四二值图像中由所有第一像素的横、纵坐标所组成的二维数据；推导协方差矩阵，计算前述二维数据的特征向量及特征值；选取其中较大的特征值作为目标特征值，根据与目标特征值对应的特征向量确定人体主轴；计算人体主轴与床体长边的夹角；将第一二值图像沿床体长边旋转前述计算出的夹角，使人体主轴在第一二值图像中垂直对齐。
具体的，将人体的几何形态近似地看成一个椭圆，其中，椭圆的主轴与Y轴(床的长边方向)之间的夹角设为夹角α。本发明方法中，先采用主成分分析(Principal ComponentAnalysis，PCA)方法求出主轴，之后结合Y轴(床体长边所在的位置)即可计算出夹角α。其中，主成分分析是一种数据降维算法，属于现有技术。
对其原理简要介绍如下：PCA的主要思想是将n维数据映射到k维上，其中，k维是全新的正交特征，也即主成分。为使损失最小，其通过保留包含绝大部分方差的维度特征，忽略方差几乎为0的特征维度，实现对数据的降维处理。其中，主轴即第一主成分，在该轴上原始数据方差最大，即原始数据在该特征上差异性更大。
此外，由于人体四肢可能放置在床体上的任何地方，有时会偏离身体的主轴，因此，在求主轴前需要先消除人体四肢的影响，即对于待识别的第一二值图像，对其运行线性滤波器，即可从人体中移除四肢，再去除一些散点，即可得到第四二值图像；
接着，基于第四二值图像构建二维平面坐标轴，获得第四二值图像中由所有第一像素的横、纵坐标所组成的二维数据；为了使PCA正常工作，针对每个数据维度，将数据值减去该维度均值。然后，推导出协方差矩阵如下：
Figure BDA0003021289390000131
其中，x是X轴坐标的集合，y是Y轴坐标的集合，cov(x,y)是x和y的协方差，即
Figure BDA0003021289390000132
获取协方差矩阵之后，既可计算出该二维数据的特征向量和特征值，选取较大的特征值作为目标特征值，其对应的特征向量即为数据主轴，即人体主轴；再结合Y轴(床体长边所在的位置)即可计算出夹角α，之后根据计算得到的夹角α对第一二值图像进行相应角度的旋转，以使人体主轴在第一二值图像中垂直对齐，从而提高本发明方法中睡姿识别算法的精准度。
此外，采用本发明方法能够获取的睡眠信息还包括呼吸频率估计信息，其中，呼吸频率估计方法包括：利用线性滤波器对第一二值图像进行去噪处理得到第五二值图像；选取若干第一标签作为备选标签并使用RFID读写设备获取所述备选标签的相位信息，组成相位集合；定义相位正常值范围，若相位集合中的相位信息处于相位正常值范围之中，则确定与该相位信息对应的备选标签为待用标签，否则，舍弃该备选标签；使用RFID读写设备对待用标签进行若干次采样，获得呼吸信号；通过离散小波变换对该呼吸信号进行去噪，再进行快速傅里叶变换，根据其输出的峰值获得呼吸频率估计信息。
可以理解的，人体一个呼吸循环包含两个过程：吸气和呼气。吸气时，横隔膜收缩并向下移动，扩张肺部，扩大胸腔；呼气时，横膈膜放松并向上移动，这时会收缩肺部，减少胸腔的空间。可见，呼吸引起胸部的循环运动，可周期性地影响第一标签的反向散射信号。此外，由于第一标签的反向散射信号中的相位信息较其信号强度信息具有度量分辨率更高，距离变化更为敏感的优点，因此，本发明中采用第一标签反向散射信号中的相位信息来估计人体的呼吸频率。
具体包含以下步骤：可以理解的，对人体呼吸频率进行估计时，第一标签的选取主要集中在人体胸腔位置，因此，利用线性滤波器对待识别的第一二值图像进行去噪处理(去掉四肢)，得到第五二值图像；
选取若干第一标签并使用RFID读写设备获取前述若干第一标签的相位信息，组成相位集合，具体的，挑选出设置在人体两侧的第一标签作为估计人体呼吸频率的备选标签，这种挑选模式主要适用于仰卧及俯卧睡姿；而对于侧直躺及侧曲躺睡姿，则需要挑选人体左侧或右侧的第一标签作为备选标签，如图16所示，当人体左曲躺时，人体胸部的运动发生在人体左侧，右侧标签的相位则可忽略不计，其中，图16中较深颜色的标签即为备选标签51。
接着，使用RFID读写设备与若干备选标签进行通信，获得一段时间(如一分钟)内该备选标签的相位变化，即获得该备选标签的相位集合，记为{(θi,ti)}，其中，θi为阅读器在ti时刻测量到的第i个相位值。
接着，定义相位正常值范围，若相位集合中的相位信息处于相位正常值范围之中，则确定与该相位信息对应的第一标签为待用标签，否则，舍弃该第一标签；具体的，由于人在睡眠时偶尔的肢体运动会对相位的测量产生较大影响，因此需要进一步检查上述若干备选标签是否可以添加到最终的呼吸估计列表中。示例性的，当人的手臂或腿发生移动时，第一标签的相位将急剧跳跃；当人的四肢静止时，第一标签的相位又可能在一个新的水平线保持稳定。因此，为了检查这些异常值(通常为数值明显偏离其余观测值的个别观测值)，本发明采用箱型图算法，该算法通过数据的四分位数来识别出可能的异常值。具体来说，针对前述获取的备用标签的相位集合{θi}，定义下四分位(Q1)和上四分位(Q3)，即可得到相位正常值的范围如下：
Figure BDA0003021289390000151
其中，ρ是系数(ρ＝3)。
如果所有备选标签的相位值{θi}都在上述区间内，则没有异常值出现，确定该备选标签为待用标签。否则，则舍弃该备选标签。值得注意的是，利用本发明方法收集相位信息时，假定人体除胸部以外的其余部位都是静止的，即在该指定的时间窗口内不允许人体进行姿势转换。幸运的是，在大多数情况下，人体睡觉姿态都是保持静止的；因此划定没有发生姿态转变的时间窗口(例如30秒)是可行的，当然，如果人体在睡眠时发生了姿态转变，则丢弃该段相位信息。
使用RFID读写设备对待用标签进行若干次采样，获得呼吸信号；具体的，可以通过执行阅读器中的Select命令来实现，其中，Select命令是EPC Gen2中的一个强制性命令，它允许阅读器选择参与后续查询轮次的特定标签子集，即可以根据用户自定义的标准定义选择原则，此处的选择标准遵循上述待用标签的选取方式。通过这种方式，待用标签的采样率将大幅提高。示例性的，阅读器型号为Impinj R420的读吞吐量超过每秒200个标签，即如果待用便签的数量为10，则其平均采样频率为20Hz，远远大于人体呼吸频率的两倍。
采集到上述呼吸信号后，通过离散小波变换对该呼吸信号进行去噪，具体是去除硬件缺陷和周围环境造成的噪声，即只通过特定的频率范围。其中，该频率范围是根据人体实际呼吸频率经验确定的，在统计学上，成年人在休息时常见的呼吸频率为每分钟10-20次，婴儿的呼吸频率更高，接近每分钟37次。因此，呼吸频率通常在[0.16，0.62]Hz的频率范围内。本发明中，通过使用小波滤波器对上述呼吸信号进行衰减来去除残余噪声。
其中，离散小波变换是指：在数据处理中，需要将连续的小波及其小波变换离散化，计算机实现中一般使用二进制离散处理，将经过这种离散化的小波及其对应的小波变换称为离散小波变换。
示例性的，采用小波分解的方法在不同尺度上对呼吸信号进行分解。对于信号来说，低频成分常常蕴含着信号的特征，而高频成分则给出信号的细节或差别。例如人的话音如果去掉高频成分，听起来与以前可能不同，但仍能知道所说的内容；但如果去掉足够的低频成分，则听到的是一些没有意义的声音。在小波分析中，将信号分为近似(表示低频信息)和细节(表示高频信息)。通过不断对近似进行分解，可以将信号分解为多个成分。因此，对呼吸信号进行不断地分解近似，并抛弃细节，直至近似不再包含高频信息，只保留需要使用的低频率范围。
最后，对滤波后的呼吸信号进行快速傅里叶变换(fast Fourier transform，FFT)，其输出的峰值就是呼吸频率的估计值。当然，本发明方法也可在所选择的多个标签上运行，并对结果进行平均，以获得更稳定、更准确的人体呼吸频率估计信息。
其中，快速傅里叶变换是离散傅里叶变换的快速算法。傅立叶原理表明：任何连续测量的时序或信号，都可以表示为不同频率的正弦波信号的无限叠加。而根据该原理创立的傅立叶变换算法利用直接测量到的原始信号，以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位。因此，本发明采用FFT将时域信号变换到频域，提取频率特征。
值得注意的是，对待用标签来说，采样率的提高是以沉默大多数其他标签为代价的，这将导致图像碎片化，使得暂时不能使用上述睡姿识别方法来识别人体某种睡姿。因此，如图17所示，本发明方法可以设置两种模式，分别为正常模式和选择性读取模式，其中，正常模式即为前述所阐述的包括空床状态在内的人体睡姿识别方法；选择性读取模式即为人体呼吸频率估计的方法。
在实际使用中，根据本发明方法，一旦识别出了睡眠姿势，那么即从正常模式切换到选择性阅读模式，以获得人体的呼吸频率估计信息。另外，可以实时检查待用标签的信号，如果人体姿态保持不变，那么待用标签的信号仅会发生轻微变化，即仅由噪音和胸部运动引起，此时，可以认为这个人保持着和之前一样的睡姿；而一旦检测到人体姿态发生变化，则可以快速转换到正常模式，执行本发明所阐述的睡姿识别方法。
本发明还公开了一种基于RFID标签矩阵的人体睡眠信息获取装置，其中，装置包括RFID读写设备和主控器，RFID读写设备包括阅读器和若干天线，其中，主控器与阅读器进行通讯，装置执行本发明所阐述的上述睡眠信息获取方法。
本发明采用RFID读取设备与第一标签通讯获取其标签编号及信号强度信息，经过图像处理后得到第一二值图像，通过计算第一二值图像中第一像素的数量识别人体睡姿的方法提高了用户在进行睡姿识别时的使用舒适度，且利用本发明方法进行睡姿识别时，无需任何个性化的训练过程，方法简单识别效率高；同时，本发明方法额外引入了第二标签矩阵，通过查找平滑后的数据中局部峰值的个数具体区分了仰卧、俯卧睡姿；此外，利用本发明方法在识别出睡姿的基础上还能够估计人在睡眠时的呼吸频率，功能更加多元。
至此，本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。

Claims (9)

1.一种基于RFID标签矩阵的人体睡眠信息获取方法，所述睡眠信息包括睡眠姿势信息，在床垫底部设置若干第一标签，所述第一标签间隔排列成若干行和列，组成第一标签矩阵，使用RFID读写设备中的第一天线与所有所述第一标签通信，其特征在于，所述方法包括：利用RFID读写设备周期性的收集所述第一标签的标签编号及其信号强度，并根据所述第一标签的响应构造出关于其信号强度的第一图像，所述第一图像由若干所述第一标签的信号强度测量均值组成，其中，第一初始图像是由空床时的所述第一标签的信号强度所组成；将所述第一图像与所述第一初始图像做第一差运算，得到第一待处理图像；所述第一待处理图像经预处理后转换为第一二值图像；通过计算所述第一二值图像中第一像素的数量识别人体睡姿。
2.根据权利要求1所述的方法，其特征在于，所述识别人体睡姿的步骤包括：定义六种睡姿及空床状态，其中，所述六种睡姿包括仰卧、俯卧、左直躺、左曲躺、右直躺、右曲躺；将所述空床状态划分为第一类，将所述仰卧、俯卧划分为第二类，将所述左直躺、左曲躺、右直躺、右曲躺划分为第三类；定义个体以所述仰卧在床上的图像为参考图像，并将所述参考图像中第一像素的数量记为参考值，作为所述方法的唯一输入；其中，设置所述第一类的阈值为第一阈值，所述第三类的阈值为第三阈值，所述第一阈值小于所述第三阈值；若所述第一二值图像中第一像素的数量不大于所述第一阈值，则判断所述第一二值图像对应为空床状态；若所述第一二值图像中第一像素的数量大于所述第一阈值小于所述第三阈值，则判断所述第一二值图像对应为第三类中所包含的某种睡姿；若所述第一二值图像中第一像素的数量不小于所述第三阈值，则判断所述第一二值图像对应为第二类中所包含的某种睡姿。
3.根据权利要求2所述的方法，其特征在于，将所述第三类包含的四种睡姿划分为第一子类与第二子类，其中，第一子类包括左直躺和右直躺两种睡姿，第二子类包括左曲躺和右曲躺两种睡姿；将所述参考图像中的人体高度与其下半身的宽度之比设置为第四阈值，计算所述第一二值图像中人体高度与其下半身的宽度之比，若其不小于所述第四阈值，则所述第一二值图像对应为所述第一子类所包括的某种睡姿；若其小于所述第四阈值，则所述第一二值图像对应为所述第二子类所包括的某种睡姿。
4.根据权利要求3所述的方法，其特征在于，若所述第一二值图像被判断为所述第一子类所包含的某种睡姿，则将所述第一二值图像逆时针旋转九十度，构建二维平面坐标轴，获得所有所述第一像素的横、纵坐标，并将其代入二次拟合函数中，计算所述二次拟合函数的第一系数，若所述第一系数为正，则判断所述第一二值图像对应于左直躺；否则，所述第一二值图像对应于右直躺。
5.根据权利要求3所述的方法，其特征在于，若所述第一二值图像被判断为所述第二子类所包含的某种睡姿，则将所述第一二值图像逆时针旋转九十度，构建二维平面坐标轴，获得所有所述第一像素的横、纵坐标，并将其代入三次拟合函数中，计算所述三次拟合函数的第二系数，若所述第二系数为负，则判断所述第一二值图像对应于左曲躺；否则，所述第一二值图像对应于右曲躺。
6.根据权利要求2所述的方法，其特征在于，在床垫底部还设置有若干第二标签，所述第二标签设置在相邻四个所述第一标签的缝隙中，依次间隔排列成若干行和列，组成第二标签矩阵；在床垫上表面正对所述第二标签的位置以行为单位贴合类锡纸材料，使用RFID读写设备中的第三天线与所有所述第二标签通信；所述方法还包括：利用RFID读写设备周期性的获取所述第二标签的标签编号及其读取频次，并根据所述第二标签的响应构造出关于其读取频次的第二图像，其中，第二初始图像是由空床时的所述第二标签的读取频次所组成；将所述第二图像与所述第二初始图像做第二差运算，得到第二待处理图像；所述第二待处理图像经预处理后转换为第二二值图像；以行为单位对第二待处理图像中的像素值进行累加，得到垂直投影直方图，其中，像素值与第二二值图像中第一像素的位置对应；对垂直投影直方图中的数据进行平滑处理获得平滑后的数据；通过查找平滑后的数据中局部峰值的个数确定睡姿，其中，峰值个数为2对应为仰卧；峰值个数为1对应为俯卧。
7.根据权利要求1所述的方法，其特征在于，在识别人体睡姿之前，对所述第一二值图像进行标准化处理，包括：利用线性滤波器对所述第一二值图像进行去噪处理得到第四二值图像，基于所述第四二值图像构建二维平面坐标轴，获得所述第四二值图像中由所有所述第一像素的横、纵坐标所组成的二维数据；推导协方差矩阵，计算所述二维数据的特征向量及特征值；根据与目标特征值对应的特征向量确定人体主轴；计算人体主轴与床体长边的夹角；将所述第一二值图像沿床体长边旋转所述夹角，使人体主轴与床体长边平行。
8.根据权利要求1所述的方法，其特征在于，所述睡眠信息还包括呼吸频率估计信息，所述呼吸频率估计方法包括：利用线性滤波器对所述第一二值图像进行去噪处理得到第五二值图像；选取若干第一标签作为备选标签并使用所述RFID读写设备获取所述备选标签的相位信息，组成相位集合；定义相位正常值范围，若所述相位集合中的相位信息处于所述相位正常值范围之中，则确定与该相位信息对应的备选标签为待用标签，否则，舍弃所述备选标签；使用所述RFID读写设备对所述待用标签进行若干次采样，获得呼吸信号；通过离散小波变换对所述呼吸信号进行去噪，再进行快速傅里叶变换，根据其输出的峰值获得所述呼吸频率估计信息。
9.一种基于RFID标签矩阵的人体睡眠信息获取装置，其特征在于，所述装置包括RFID读写设备和主控器，所述RFID读写设备包括阅读器和若干天线，其中，所述主控器与所述阅读器进行通讯，所述装置执行权利要求1-8任一项所述的信息获取方法。
CN202110403510.3A 2021-07-08 2021-07-08 一种基于rfid标签矩阵的人体睡眠信息获取方法及装置 Active CN113273998B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110403510.3A CN113273998B (zh) 2021-07-08 2021-07-08 一种基于rfid标签矩阵的人体睡眠信息获取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110403510.3A CN113273998B (zh) 2021-07-08 2021-07-08 一种基于rfid标签矩阵的人体睡眠信息获取方法及装置

Publications (2)

Publication Number Publication Date
CN113273998A true CN113273998A (zh) 2021-08-20
CN113273998B CN113273998B (zh) 2022-07-05

Family

ID=77276840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110403510.3A Active CN113273998B (zh) 2021-07-08 2021-07-08 一种基于rfid标签矩阵的人体睡眠信息获取方法及装置

Country Status (1)

Country Link
CN (1) CN113273998B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359975A (zh) * 2022-03-16 2022-04-15 慕思健康睡眠股份有限公司 智能垫体的姿势识别方法、装置及系统
CN115278081A (zh) * 2022-07-29 2022-11-01 慕思健康睡眠股份有限公司 一种睡姿的重现方法及相关产品
CN116563887A (zh) * 2023-04-21 2023-08-08 华北理工大学 一种基于轻量化卷积神经网络的睡姿监测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722715A (zh) * 2012-05-21 2012-10-10 华南理工大学 一种基于人体姿势状态判决的跌倒检测方法
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
US20160377704A1 (en) * 2015-06-29 2016-12-29 Echocare Technologies Ltd. Human posture feature extraction in personal emergency response systems and methods
CN107330352A (zh) * 2016-08-18 2017-11-07 河北工业大学 基于hog特征和机器学习的睡姿压力图像识别方法
CN109431465A (zh) * 2018-10-26 2019-03-08 南京邮电大学 一种基于射频标签技术的老年人睡眠质量监测方法
CN111353425A (zh) * 2020-02-28 2020-06-30 河北工业大学 一种基于特征融合与人工神经网络的睡姿监测方法
CN112183586A (zh) * 2020-09-10 2021-01-05 浙江工业大学 在线多任务学习的人体姿态射频识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722715A (zh) * 2012-05-21 2012-10-10 华南理工大学 一种基于人体姿势状态判决的跌倒检测方法
US20160377704A1 (en) * 2015-06-29 2016-12-29 Echocare Technologies Ltd. Human posture feature extraction in personal emergency response systems and methods
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
CN107330352A (zh) * 2016-08-18 2017-11-07 河北工业大学 基于hog特征和机器学习的睡姿压力图像识别方法
CN109431465A (zh) * 2018-10-26 2019-03-08 南京邮电大学 一种基于射频标签技术的老年人睡眠质量监测方法
CN111353425A (zh) * 2020-02-28 2020-06-30 河北工业大学 一种基于特征融合与人工神经网络的睡姿监测方法
CN112183586A (zh) * 2020-09-10 2021-01-05 浙江工业大学 在线多任务学习的人体姿态射频识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
潘锋: "基于RFID的人员基本姿态识别", 《信息技术》 *
潘锋: "基于RFID的人员基本姿态识别", 《信息技术》, no. 4, 30 April 2020 (2020-04-30), pages 135 - 138 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359975A (zh) * 2022-03-16 2022-04-15 慕思健康睡眠股份有限公司 智能垫体的姿势识别方法、装置及系统
CN115278081A (zh) * 2022-07-29 2022-11-01 慕思健康睡眠股份有限公司 一种睡姿的重现方法及相关产品
CN115278081B (zh) * 2022-07-29 2023-05-26 慕思健康睡眠股份有限公司 一种睡姿的重现方法、系统及存储介质
CN116563887A (zh) * 2023-04-21 2023-08-08 华北理工大学 一种基于轻量化卷积神经网络的睡姿监测方法
CN116563887B (zh) * 2023-04-21 2024-03-12 华北理工大学 一种基于轻量化卷积神经网络的睡姿监测方法

Also Published As

Publication number Publication date
CN113273998B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN113273998B (zh) 一种基于rfid标签矩阵的人体睡眠信息获取方法及装置
Liu et al. TagSheet: Sleeping posture recognition with an unobtrusive passive tag matrix
US11373303B2 (en) Systems and methods for ultrasound imaging
Ostadabbas et al. In-bed posture classification and limb identification
US8923594B2 (en) Spiculated malignant mass detection and classification in radiographic image
Yang et al. Estimating heart rate and rhythm via 3D motion tracking in depth video
CN109993068B (zh) 一种基于心率和面部特征的非接触式的人类情感识别方法
CN105701331A (zh) 计算机辅助诊断设备和计算机辅助诊断方法
Kim et al. 1D CNN based human respiration pattern recognition using ultra wideband radar
CN107847146B (zh) 在ecg数据上自动标记活动的方法和系统
CN112363139A (zh) 基于幅度特征的人体呼吸时长检测方法、装置和存储介质
Liu et al. Vidaf: A motion-robust model for atrial fibrillation screening from facial videos
Nait-Ali Beyond classical biometrics: When using hidden biometrics to identify individuals
CN113456061A (zh) 一种基于无线信号睡眠姿势监测方法及系统
Stough et al. Regional appearance in deformable model segmentation
Salas-Gonzalez et al. Selecting regions of interest in SPECT images using Wilcoxon test for the diagnosis of Alzheimer’s disease
Erden et al. Breathing detection based on the topological features of IR sensor and accelerometer signals
CN114511544A (zh) 吞咽检测方法及装置、设备、存储介质
CN113920071A (zh) 一种基于卷积神经网络算法的新冠病毒图像识别方法
CN112907635A (zh) 基于几何分析提取眼部异常运动特征的方法
CN112270287A (zh) 一种基于旋转不变的手掌静脉识别方法
CN113628205B (zh) 基于深度图像的非接触呼吸频率检测方法
Cho et al. An Extraction Algorithm for Deep Characterization Using DeepCNN in Diagnostic Ultrasound Images
Awais et al. Face and its features detection during nap
Gil et al. A deterministic-statistic adventitia detection in IVUS images

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