CN113688718B - 一种基于枕头有限元分析的无干扰自适应睡姿识别方法 - Google Patents
一种基于枕头有限元分析的无干扰自适应睡姿识别方法 Download PDFInfo
- Publication number
- CN113688718B CN113688718B CN202110967723.9A CN202110967723A CN113688718B CN 113688718 B CN113688718 B CN 113688718B CN 202110967723 A CN202110967723 A CN 202110967723A CN 113688718 B CN113688718 B CN 113688718B
- Authority
- CN
- China
- Prior art keywords
- pillow
- pressure
- collapse
- human
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004458 analytical method Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 64
- 241000282414 Homo sapiens Species 0.000 claims abstract description 41
- 238000012706 support-vector machine Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims description 38
- 238000006073 displacement reaction Methods 0.000 claims description 32
- 230000036544 posture Effects 0.000 claims description 29
- 230000007958 sleep Effects 0.000 claims description 22
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000005538 encapsulation Methods 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000007665 sagging Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 25
- 230000006399 behavior Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000008093 supporting effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 206010049565 Muscle fatigue Diseases 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000004118 muscle contraction Effects 0.000 description 1
- 230000007830 nerve conduction Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 210000001032 spinal nerve Anatomy 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种基于枕头有限元分析的无干扰自适应睡姿识别方法，包括以下步骤：S1、通过枕具系统获取人‑枕界面的压力分布或压陷形状；S2、使用有限元分析采集的人‑枕界面压力分布或压陷形状并构建人–枕界面压力矩阵或压陷量矩阵数据；S3、通过支持向量机多分类器对人–枕界面压力或压陷量矩阵样本数据进行相应的训练，从而构建精准的识别准则；S4、通过识别准则对待预测的人体睡姿数据进行识别分类，得到分类结果。本发明在不影响真实睡眠的情况下准确识别睡姿，使用人‑枕界面压力分布或压陷形状和有限元分析以及支持向量机多分类器中的最优分类超平面分析，有效地对睡姿进行识别分类，为评价人体睡眠质量，实现枕头的智能化设计、定制化生产提供了技术支持。
Description
技术领域
本发明涉及智能家居技术领域，特别涉及一种基于枕头有限元分析的无干扰自适应睡姿识别方法。
背景技术
睡眠是人类必不可少的生理需要，占据着人们三分之一的生命时间，对人的身心健康至关重要。在睡眠中，人通过适当频次的翻身动作来调整睡姿，可以调节人体的受压分布，避免局部长期受压，有利于血液循环和神经传导，缓解肌肉疲劳。因此，良好的睡眠过程一定会伴随多种睡姿的改变，而不同的睡姿会产生不同的人-床、人-枕压力及形状界面，对支撑条件有不同的需求。不适宜的支撑条件，会使人体局部受压过大，造成软组织缺血产生酸痛，而迫使人过度频繁地翻身，影响睡眠休息质量。同时，不良的支撑效果还可能引起脊柱长时间的非自然弯曲，造成脊柱两侧肌肉紧张和椎间盘受压，长此以往会导致椎间盘突出和脊神经压迫，不仅影响人的睡眠舒适性，甚至还给生命健康带来隐患。目前市场上先进的寝具产品，通过分区设计也仅能满足几种特定睡姿的支撑需求，不能动态地调节人体压力分布，更不利于改善老人、婴儿和病患等行为受限人群的睡眠舒适性。每个人有各自不同的睡姿偏好，满足不同的人在睡眠中实时改变的支撑需求是智能寝具的发展目标，而实时监测并有效识别睡姿是实现这一功能的重点和前提。目前，主要的睡姿识别方式有PSG(Polysomnography，多导睡眠图)检测法、红外图像识别法等。前者将电极片、红外光等多种监测器紧贴在人的头部和身体，属于侵入式监测手段，直接影响睡眠舒适性，且操作复杂，专业技术要求高；后者则需要拍摄记录人的睡眠过程，难以保障使用人的隐私。所以，现有方法都不适用于居家情况下的日常睡姿识别，也不利于商业化应用和推广。
发明内容
为解决上述问题，本发明旨在提出一种基于枕头有限元分析的无干扰自适应睡姿识别方法，在不干扰睡眠的前提下，通过人-枕界面压力分布或压陷形状和有限元分析以及支持向量机多分类器中的最优分类超平面分析，有效地对睡姿进行识别分类，为评价人体睡眠质量，实现枕头的智能化设计、定制化生产提供了技术支持。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于枕头有限元分析的无干扰自适应睡姿识别方法，所述方法包括以下步骤：
S1、通过枕具系统获取人-枕界面的压力分布或压陷形状；
S2、使用有限元分析采集的人-枕界面压力分布或压陷形状得到人-枕界面压力或压陷量矩阵数据；
S3、通过支持向量机多分类器对人-枕界面压力或压陷量矩阵样本数据进行相应的训练，从而构建精准的识别准则；
S4、通过识别准则对待预测的人体睡姿数据进行识别分类，得到分类结果。
进一步的，所述枕具系统包括枕头、压力传感器或位移传感器阵列、受试者、信息数据采集器、电脑主机以及显示器，所述枕头包括内、外层的填充层以及裥花层，所述压力传感器或位移传感器阵列设置于填充层中用于测量受试者在枕头上的人-枕界面压力分布或压陷形状的相关数据，所述电脑主机通过信息数据采集器接收压力传感器或位移传感器阵列的测试实时数据，所述显示器与电脑主机相连用于显示数据测量情况。
进一步的，所述压力传感器或位移传感器阵列为若干个呈矩阵排列的压力传感器或位移传感器，压力传感器或位移传感器的采样率为0.5Hz，所述位移传感器设有三个量程区间，分别为0mm-10mm、10mm-40mm以及40mm-100mm。
进一步的，所述受试者采用仰卧、左侧卧、右侧卧以及俯卧四种睡姿。
进一步的，所述枕具系统获取人-枕界面的压力分布或压陷形状的步骤包括：
S11：受试者躺到枕头上；
S12：在人的重量作用下，枕头发生压缩变形，压力传感器或位移传感器同步测得人-枕界面压力或压陷量；
S13：信息数据采集器采集每个压力传感器或位移传感器的人-枕界面压力或压陷量，获得人-枕界面压力或压陷量矩阵，即人-枕界面压力分布或压陷形状，并由电脑主机储存，通过显示器实时显示测量数据。
进一步的，所述使用有限元分析采集的人-枕界面压力分布或压陷形状得到人-枕界面压力或压陷量矩阵数据包括以下步骤：
S21：测量枕头力学性能；
利用枕头软硬度和贴合度测试来测定枕头的力学性能，对实验得到的应力-应变数据进行线性拟合，得到力学常数；
S22：测量枕头体压分布；
利用体压分布测试测量受试者在枕头上的体压分布，获得受试者的体压数据；
S23：获取人体模型；
通过三维扫描仪对人体进行扫描处理从而得到人体模型；
S24：使用有限元验证人-枕界面压力分布或压陷形状
通过有限元验证人-枕界面压力分布或压陷形状信息，对比人体模型，从而获得人-枕界面压力或压陷量矩阵数据。
进一步的，所述通过三维扫描仪对人体进行扫描处理从而得到人体模型包括两个步骤：第一步，使用三维扫描仪对人体的多个不同角度的表面轮廓进行获取和分析，将得到的不同视角的三维扫描数据进行配准，对三维扫描仪获取的点云进行处理和分析，人体全身扫描系统通过电脑对三维扫描仪的多角度扫描数据输出，再将输出的数据导入软件中对三维数据进行深度融合，最后进行自动拼接，获得精确完整的人体点云数据，通过软件处理对点云表面进行降噪和封装过程，形成封闭模型；第二步，对该封闭模型进行直接处理和对实体进行构造，然后进行三维结构模块设计。
进一步的，所述通过支持向量机多分类器对人-枕界面压力或压陷量矩阵样本数据进行相应的训练，从而构建精准的识别准则；具体包括以下步骤：
S31、利用支持向量机(SVMs)对人-枕界面压力或压陷量矩阵数据进行分类训练，识别仰卧、左侧卧、右侧卧和俯卧四种睡姿，采用一对多方式(即one-versus-more)算法，其中的分类器i是将i类数据设置为类1(正类)，其它所有m-1个i类以外的类共同设置为类2(负类)，这样，针对每一个类训练一个二类分类器，最终，获得了4个支持向量机分类器，再针对每个样本构建对应的支持向量机特征矩阵，特征矩阵包括人-枕界面压力或压陷量矩阵的总压力或压陷量T、最大值max、平均值ave、第75百分位P75、第50百分位P50、曲率K、左右侧不对称系数C、左右侧不对称压力或压陷量TC八项指标；其中，总压力或压陷量T即整个枕头表面的总压力或压陷量；最大值max为整个枕头表面压力或压陷量的最大值；平均值ave为整个枕头表面压力或压陷量的平均值；第75百分位P75为将人-枕界面压力或压陷量矩阵的数值从小到大排列，处于75％位置的值；第50百分位P50为将人-枕界面压力或压陷量矩阵的数值从小到大排列，处于50％位置的值；曲率K为头部压力或压陷量最大值至颈部压力或压陷量最大值的斜率；左右侧不对称系数C是对压力对称性的衡量，为头部、颈部下陷对称中心曲线CL至该曲线起止点连线距离的平均值；左右侧不对称压力或压陷量TC为头部、颈部下陷对称中心曲线CL两侧下陷总量之差的绝对值，表达式分别为：
max＝max(Z(i，j)) (2)
ave＝average(Z(i，j)) (3)
C＝average(d(i，j)) (7)
其中，Z为枕头压力或压陷量矩阵，Ztou为头部压力或压陷量矩阵，Zjing为颈部压力或压陷量矩阵，m为侧向压力或压陷量测试点数，n为纵向压力或压陷量测试点数，L为压力或压陷量数值从小到大排列的矩阵；mtou为头部最大值所在的侧向测试点行数，mjing为颈部最大值所在的侧向测试点行数；d(i，j)为头部、颈部下陷对称中心曲线CL上任意一点(i，j)至该曲线起止点连线的距离，I为头部、颈部纵向总压力或压陷量测试点数；
S32、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。
进一步的，所述自动识别之前，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；具体包括以下步骤：
S321：采集训练样本目标人群仰卧、侧卧、俯卧条件下人-枕界面压力分布或压陷形状，并计算人-枕界面压力或压陷量矩阵的总压力或压陷量T、最大值max、平均值ave、第75百分位P75、第50百分位P50、曲率K、左右侧不对称系数C、左右侧不对称压力或压陷量TC八项指标作为支持向量机训练的样本数据；
S322：样本数据的规格化
利用Z-score标准化法将以上八项指标规格化组成；人-枕界面压力或压陷量矩阵的特征向量xi，其中xi＝ai，bi，ci，di，ei，fi，gi，hi，ai，bi，ci，di，ei，fi，gi，hi分别为采集的第i个样本对应的T，max，ave，P75，P50，K，C，TC的标准化值，从而获得训练样本D：
D＝{(x1，y1)，K(xi，yi)}，i＝1，2，3，…，l，x∈Rn，y∈{-1，1}，I为训练样本总数，n为样本空间的维数，yi为样本的类别标志；
S323：通过支持向量机进行训练，寻找最优分类超平面，获得最优分类超平面的分类决策函数模型；
S324：通过分类决策函数模型对样本集进行训练，获得4个支持向量机分类器，即识别准则。
有益效果：(1)本发明所使用压力传感器或位移传感器具有贴合度高、柔韧性好等特点，实现了在自然睡眠状态下进行自适应的睡姿识别，不影响使用者的睡眠舒适程度。克服了多导睡眠图检测法因张贴电极片和佩戴探头而引起的人体不适感；克服了红外图像识别法对受试者隐私不够尊重的局限性。(2)本发明使用枕头为主体的识别方式，克服了将床垫用于姿势识别的不便，由于床垫体积较大，使用床垫进行姿势识别需要耗费更多的成本，价格更加昂贵，并且受原理的限制，不易制作大面积的传感器。使用枕头识别时传感器面积小，可以大幅度的降低成本，增加可操作性，并且可以在非实验室环境便捷的进行测试。(3)本发明采用压力传感器或位移传感器数量可调，可根据实际情况来选择传感器个数，从而保证数据精确度和设备成本，既可以选择较多传感器保证数据最大精确度，也可以减少传感器个数达到节能提效的目的。(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-枕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)本发明结合了三维立体扫描和有限元建模的方法来获取人-枕界面压力分布或压陷形状，建立不同体型的人体模型与不同材料枕头的有限元模型，进一步优化和改良了人-枕压力分布或压陷形状仿真流程和睡姿识别的关键技术，对影响人-枕界面的因素进行了研究和改进，适用范围更加广泛，并且使得睡姿识别精准度大幅度提升，为实现枕头的智能化设计奠定了基础。(6)本发明将睡姿与枕头的力学性能有机地联系了起来，克服了现有睡姿识别技术无法将睡姿与枕头的力学性能有机联系起来的局限性，结合压力分布或压陷形状的图形向量和最优分类超平面分析来识别睡姿，以实现对枕头力学性能的定量化控制，以获得最适合人体颈椎的人-枕界面压力分布或压陷形状。(7)本发明所述睡眠质量的评价方法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，不仅可以测试睡眠行为，同时还可以建立睡姿、睡眠行为模式、枕头力学性能之间的量化关系，以及用于研究人-枕之间的界面关系。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的基于枕头有限元分析的无干扰自适应睡姿识别方法中的枕具系统的结构示意图；
图2为本发明实施例所述的基于枕头有限元分析的无干扰自适应睡姿识别方法中的枕具系统的枕头剖视图；
图3为本发明实施例所述的基于枕头有限元分析的无干扰自适应睡姿识别方法中的枕具系统的枕头水平剖视图；
图4为本发明实施例所述的基于枕头有限元分析的无干扰自适应睡姿识别方法中的受试者仰卧在枕具系统的枕头上获取人-枕界面的压力分布或压陷形状的示意图；
图5为本发明实施例所述的基于枕头有限元分析的无干扰自适应睡姿识别方法中的受试者的三维立体扫描获得的人体模型图；
图6为本发明实施例所述的基于枕头有限元分析的无干扰自适应睡姿识别方法中的有限元分析得到的人-枕界面压力分布或压陷形状图；
图7为本发明实施例所述的基于枕头有限元分析的无干扰自适应睡姿识别方法的整体算法流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
实施例1
参见图1-7：一种基于枕头有限元分析的无干扰自适应睡姿识别方法，所述方法包括以下步骤：
S1、通过枕具系统获取人-枕界面的压力分布或压陷形状，所述枕具系统包括枕头1、压力传感器或位移传感器阵列4、受试者5、信息数据采集器6、电脑主机7以及显示器8，所述枕头1包括内、外层的填充层2以及裥花层3，所述压力传感器或位移传感器阵列4设置于填充层2中用于测量受试者5在枕头1上的人-枕界面压力分布或压陷形状的相关数据，所述电脑主机7通过信息数据采集器6接收压力传感器或位移传感器阵列4的测试实时数据，所述显示器8与电脑主机7相连用于显示数据测量情况；所述压力传感器或位移传感器阵列4为若干个呈矩阵排列的压力传感器或位移传感器，压力传感器或位移传感器的采样率为0.5Hz，所述位移传感器设有三个量程区间，分别为0mm-10mm、10mm-40mm以及40mm-100mm，所述受试者5采用仰卧、左侧卧、右侧卧以及俯卧四种睡姿。
需要说明的是，本实施例的压力传感器或位移传感器的数量可调，数量最多可选用1024个(呈32列32行矩阵排列方案)，最少可选用64个(呈8列8行矩阵排列方案)。本实施例的受试者采用四种睡姿，因此，人-枕界面压力分布或压陷形状的相关数据为四种睡姿类型下采集的数据。
所述枕具系统获取人-枕界面的压力分布或压陷形状的步骤包括：
S11：受试者5躺到枕头1上；
S12：在人的重量作用下，枕头1发生压缩变形，压力传感器或位移传感器同步测得人-枕界面压力或压陷量；
S13：信息数据采集器6采集每个压力传感器或位移传感器的人-枕界面压力或压陷量，获得人-枕界面压力或压陷量矩阵，即人-枕界面压力分布或压陷形状，并由电脑主机7储存，通过显示器8实时显示测量数据。
S2、使用有限元分析采集的人-枕界面压力分布或压陷形状得到人-枕界面压力或压陷量矩阵数据，包括以下具体步骤；
S21：测量枕头力学性能；
利用枕头软硬度和贴合度测试来测定枕头的力学性能，对实验得到的应力-应变数据进行线性拟合，得到力学常数；
S22：测量枕头体压分布；
利用体压分布测试测量受试者在枕头上的体压分布，获得受试者的体压数据；
S23：获取人体模型；
通过三维扫描仪对人体进行扫描处理从而得到人体模型；包括两个步骤：第一步，使用三维扫描仪对人体的多个不同角度的表面轮廓进行获取和分析，将得到的不同视角的三维扫描数据进行配准，对三维扫描仪获取的点云进行处理和分析，人体全身扫描系统通过电脑对三维扫描仪的多角度扫描数据输出，再将输出的数据导入软件中对三维数据进行深度融合，最后进行自动拼接，获得精确完整的人体点云数据，通过软件处理对点云表面进行降噪和封装过程，形成封闭模型；第二步，对该封闭模型进行直接处理和对实体进行构造，然后进行三维结构模块设计。
S24：使用有限元验证人-枕界面压力分布或压陷形状
通过有限元验证人-枕界面压力分布或压陷形状信息，对比人体模型，从而获得人-枕界面压力或压陷量矩阵数据。
需要说明的是，本实施例使用压力传感器或位移传感器进行人-枕界面的压力或压陷量数据采集，得到用户在仰卧、左侧卧、右侧卧、俯卧四种姿势下的人-枕压力或压陷量数据。结合三维立体扫描获取的人体模型，利用有限元模型构建人-枕界面的压陷形状，模拟人体模型与枕头之间的接触压力；由于人睡在枕头上时，界面的形状是非线性的，此外，采用不同姿势睡在枕头上，枕头的形状也具有很大不同，本实施例可以模拟了多种体型的人体(主要是头部和肩部差异较大的人群)和枕头在不同睡姿下的接触应力，比较分析各种模拟情况下的最大接触应力、平均应力值和相关度的变化规律及影响因素，模拟结果与实际测量结果吻合良好。
S3、通过支持向量机多分类器对人-枕界面压力或压陷量矩阵样本数据进行相应的训练，从而构建精准的识别准则；具体包括以下步骤：
S31、利用支持向量机(SVMs)对人-枕界面压力或压陷量矩阵数据进行分类训练，识别仰卧、左侧卧、右侧卧和俯卧四种睡姿，采用一对多方式(即one-versus-more)算法，其中的分类器i是将i类数据设置为类1(正类)，其它所有m-1个i类以外的类共同设置为类2(负类)，这样，针对每一个类训练一个二类分类器，最终，获得了4个支持向量机分类器，再针对每个样本构建对应的支持向量机特征矩阵，特征矩阵包括人-枕界面压力或压陷量矩阵的总压力或压陷量T、最大值max、平均值ave、第75百分位P75、第50百分位P50、曲率K、左右侧不对称系数C、左右侧不对称压力或压陷量TC八项指标；其中，总压力或压陷量T即整个枕头表面的总压力或压陷量；最大值max为整个枕头表面压力或压陷量的最大值；平均值ave为整个枕头表面压力或压陷量的平均值；第75百分位P75为将人-枕界面压力或压陷量矩阵的数值从小到大排列，处于75％位置的值；第50百分位P50为将人-枕界面压力或压陷量矩阵的数值从小到大排列，处于50％位置的值；曲率K为头部压力或压陷量最大值至颈部压力或压陷量最大值的斜率；左右侧不对称系数C是对压力对称性的衡量，为头部、颈部下陷对称中心曲线CL至该曲线起止点连线距离的平均值；左右侧不对称压力或压陷量TC为头部、颈部下陷对称中心曲线CL两侧下陷总量之差的绝对值，表达式分别为：
max＝max(Z(i，j)) (2)
ave＝average(Z(i，j)) (3)
C＝average(d(i，j)) (7)
其中，Z为枕头压力或压陷量矩阵，Ztou为头部压力或压陷量矩阵，Zjing为颈部压力或压陷量矩阵，m为侧向压力或压陷量测试点数，n为纵向压力或压陷量测试点数，L为压力或压陷量数值从小到大排列的矩阵；mtou为头部最大值所在的侧向测试点行数，mjing为颈部最大值所在的侧向测试点行数；d(i，j)为头部、颈部下陷对称中心曲线CL上任意一点(i，j)至该曲线起止点连线的距离，l为头部、颈部纵向总压力或压陷量测试点数；
S32、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；具体包括以下步骤：
S321：采集训练样本目标人群仰卧、侧卧、俯卧条件下人-枕界面压力分布或压陷形状，并计算人-枕界面压力或压陷量矩阵的总压力或压陷量T、最大值max、平均值ave、第75百分位P75、第50百分位P50、曲率K、左右侧不对称系数C、左右侧不对称压力或压陷量TC八项指标作为支持向量机训练的样本数据；
S322：样本数据的规格化
利用Z-score标准化法将以上八项指标规格化组成；人-枕界面压力或压陷量矩阵的特征向量xi，其中xi＝ai，bi，ci，di，ei，fi，gi，hi，ai，bi，ci，di，ei，fi，gi，hi分别为采集的第i个样本对应的T，max，ave，P75，P50，K，C，TC的标准化值，从而获得训练样本D：
D＝{(x1，y1)，K(xi，yi)}，i＝1，2，3，…，l，x∈Rn，y∈{-1，1}，I为训练样本总数，n为样本空间的维数，yi为样本的类别标志；
S323：通过支持向量机进行训练，寻找最优分类超平面，获得最优分类超平面的分类决策函数模型；
S324：通过分类决策函数模型对样本集进行训练，获得4个支持向量机分类器，即识别准则。
S4、通过识别准则对待预测的人体睡姿数据进行识别分类，得到分类结果。
可以理解的是，睡姿识别时，通过固定于枕头填充层内的压力传感器或位移传感器采集受试者人-枕界面压力或压陷量矩阵，包括总压力或压陷量T、最大值max、平均值ave、第75百分位P75、第50百分位P50、曲率K、左右侧不对称系数C、左右侧不对称压力或压陷量TC八项指标，对上述指标规格化，组成用以睡姿识别的特征向量；最后将待预测的数据代入利用获得的4个支持向量机分类器对睡姿进行分类和识别。对于一个需要分类的数据，通常选择置信度最大的类别标记为分类结果。
在具体实现中：
(1)受试者要求：
为了保证试验的顺利开展，实验之前告知受试者试验的目的、实验的内容和测试的方式，但对枕头的结构、材料和力学性能全盲。并且要求：
①在实验前一天，不进行剧烈运动，且充分休息，实验每隔一天进行一次；
②测试时，穿戴要宽松舒适，尽量穿棉质衣服；
③要求受试者在整个实验过程，按照实验要求，积极配合实验者完成实验；
④在实验过程中，受试者如有明显的其它不适感，需及时、主动地告知实验操作者；测试过程中，受试者尽量不要讲话，讲话时不可大声或激动，以免肌肉收缩受力；受试者不能刻意调整卧姿；
⑤受试者在测量过程中不自觉地改变卧姿，属于正常生理现象，实验视为有效。
(2)受试者躺倒床上睡眠开始；
(3)采集的人-枕界面压力分布或压陷形状；
(4)针对每张人-枕界面压力分布或压陷形状，计算人-枕界面压力或压陷量矩阵的总压力或压陷量T、最大值max、平均值ave、第75百分位P75、第50百分位P50、曲率K、左右侧不对称系数C、左右侧不对称压力或压陷量TC，从而获得睡姿识别的待分类数据，如表1所示：
表1
| Test |
| a1，b1，c1，d1，e1，f1，g1，h1 |
| a2，b2，c2，d2，e2，f2，g2，h2 |
| a3，b3，c3，d3，e3，f3，g3，h3 |
| ...... |
| ai，bi，ci，di，ei，fi，gi，hi |
(5)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。
(6)以时间为序列，记录整晚睡眠的睡姿变化数据，如表2所示。
表2
| 时间 | 睡姿代码 | 睡姿 |
| 11:00 | 1 | 仰卧 |
| 11:45 | 2 | 左侧卧 |
| 3:07 | 3 | 右侧卧 |
| ...... | ...... | ...... |
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于枕头有限元分析的无干扰自适应睡姿识别方法，其特征在于，所述方法包括以下步骤：
S1、通过枕具系统获取人-枕界面的压力分布或压陷形状；
所述枕具系统包括枕头（1）、压力传感器或位移传感器阵列（4）、受试者（5）、信息数据采集器（6）、电脑主机（7）以及显示器（8），所述枕头（1）包括内、外层的填充层（2）以及裥花层（3），所述压力传感器或位移传感器阵列（4）设置于填充层（2）中用于测量受试者（5）在枕头（1）上的人-枕界面压力分布或压陷形状的相关数据，所述电脑主机（7）通过信息数据采集器（6）接收压力传感器或位移传感器阵列（4）的测试实时数据，所述显示器（8）与电脑主机（7）相连用于显示数据测量情况；
S2、使用有限元分析采集的人-枕界面压力分布或压陷形状并构建人–枕界面压力矩阵或压陷量矩阵数据；
S3、通过支持向量机多分类器对人–枕界面压力或压陷量矩阵样本数据进行相应的训练，从而构建精准的识别准则；
具体包括以下步骤：
S31、利用支持向量机对人–枕界面压力或压陷量矩阵数据进行分类训练，识别仰卧、左侧卧、右侧卧和俯卧四种睡姿，采用一对多方式算法，其中的分类器i是将i类数据设置为类1，其它所有m-1个i类以外的类共同设置为类2，这样，针对每一个类训练一个二类分类器，最终，获得了4个支持向量机分类器，再针对每个样本构建对应的支持向量机特征矩阵，特征矩阵包括人-枕界面压力或压陷量矩阵的总压力或压陷量T、最大值max、平均值ave、第75百分位P75、第50百分位P50、曲率K、左右侧不对称系数C、左右侧不对称压力或压陷量TC八项指标；其中，总压力或压陷量T即整个枕头表面的总压力或压陷量；最大值max为整个枕头表面压力或压陷量的最大值；平均值ave为整个枕头表面压力或压陷量的平均值；第75百分位P75为将人–枕界面压力或压陷量矩阵的数值从小到大排列，处于75%位置的值；第50百分位P50为将人–枕界面压力或压陷量矩阵的数值从小到大排列，处于50%位置的值；曲率K为头部压力或压陷量最大值至颈部压力或压陷量最大值的斜率；左右侧不对称系数C是对压力对称性的衡量，为头部、颈部下陷对称中心曲线CL至该曲线起止点连线距离的平均值；左右侧不对称压力或压陷量TC为头部、颈部下陷对称中心曲线CL两侧下陷总量之差的绝对值，表达式分别为：
（1）
（2）
（3）
（4）
（5）
（6）
（7）
（8）
其中，Z为枕头压力或压陷量矩阵，为头部压力或压陷量矩阵，/>为颈部压力或压陷量矩阵，m为侧向压力或压陷量测试点数，n为纵向压力或压陷量测试点数，L为压力或压陷量数值从小到大排列的矩阵；/>为头部最大值所在的侧向测试点行数，/>为颈部最大值所在的侧向测试点行数；/>为头部、颈部下陷对称中心曲线CL上任意一点(i，j)至该曲线起止点连线的距离，l为头部、颈部纵向总压力或压陷量测试点数；
S32、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；
S4、通过识别准则对待预测的人体睡姿数据进行识别分类，得到分类结果。
2.根据权利要求1所述的基于枕头有限元分析的无干扰自适应睡姿识别方法，其特征在于，所述压力传感器或位移传感器阵列（4）为若干个呈矩阵排列的压力传感器或位移传感器，压力传感器或位移传感器的采样率为0.5Hz，所述位移传感器设有三个量程区间，分别为0mm-10mm、10mm-40mm以及40mm-100mm。
3.根据权利要求1所述的基于枕头有限元分析的无干扰自适应睡姿识别方法，其特征在于，所述受试者（5）采用仰卧、左侧卧、右侧卧以及俯卧四种睡姿。
4.根据权利要求1-3任一所述的基于枕头有限元分析的无干扰自适应睡姿识别方法，其特征在于，所述枕具系统获取人-枕界面的压力分布或压陷形状的步骤包括：
S11：受试者（5）躺到枕头（1）上；
S12：在人的重量作用下，枕头（1）发生压缩变形，压力传感器或位移传感器同步测得人-枕界面压力或压陷量；
S13：信息数据采集器（6）采集每个压力传感器或位移传感器的人-枕界面压力或压陷量，获得人-枕界面压力或压陷量矩阵，即人-枕界面压力分布或压陷形状，并由电脑主机（7）储存，通过显示器（8）实时显示测量数据。
5.根据权利要求1所述的基于枕头有限元分析的无干扰自适应睡姿识别方法，其特征在于，所述使用有限元分析采集的人-枕界面压力分布或压陷形状得到人–枕界面压力或压陷量矩阵数据包括以下步骤：
S21：测量枕头力学性能；
利用枕头软硬度和贴合度测试来测定枕头的力学性能，对实验得到的应力-应变数据进行线性拟合，得到力学常数；
S22：测量枕头体压分布；
利用体压分布测试测量受试者在枕头上的体压分布，获得受试者的体压数据；
S23：获取人体模型；
通过三维扫描仪对人体进行扫描处理从而得到人体模型；
S24：使用有限元验证人-枕界面压力分布或压陷形状；
通过有限元验证人-枕界面压力分布或压陷形状信息，对比人体模型，从而获得人–枕界面压力或压陷量矩阵数据。
6.根据权利要求5所述的基于枕头有限元分析的无干扰自适应睡姿识别方法，其特征在于，所述通过三维扫描仪对人体进行扫描处理从而得到人体模型包括两个步骤：第一步，使用三维扫描仪对人体的多个不同角度的表面轮廓进行获取和分析，将得到的不同视角的三维扫描数据进行配准，对三维扫描仪获取的点云进行处理和分析，人体全身扫描系统通过电脑对三维扫描仪的多角度扫描数据输出，再将输出的数据导入软件中对三维数据进行深度融合，最后进行自动拼接，获得精确完整的人体点云数据，通过软件处理对点云表面进行降噪和封装过程，形成封闭模型；第二步，对该封闭模型进行直接处理和对实体进行构造，然后进行三维结构模块设计。
7.根据权利要求1所述的基于枕头有限元分析的无干扰自适应睡姿识别方法，其特征在于，所述自动识别之前，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；具体包括以下步骤：
S321：采集训练样本目标人群仰卧、侧卧、俯卧条件下人–枕界面压力分布或压陷形状，并计算人–枕界面压力或压陷量矩阵的总压力或压陷量T、最大值max、平均值ave、第75百分位P75、第50百分位P50、曲率K、左右侧不对称系数C、左右侧不对称压力或压陷量TC八项指标作为支持向量机训练的样本数据；
S322：样本数据的规格化
利用Z-score标准化法将以上八项指标规格化组成；人–枕界面压力或压陷量矩阵的特征向量，其中/>，/>分别为采集的第i个样本对应的/>的标准化值，从而获得训练样本D：
，l为训练样本总数，n为样本空间的维数，/>为样本的类别标志；
S323：通过支持向量机进行训练，寻找最优分类超平面，获得最优分类超平面的分类决策函数模型；
S324：通过分类决策函数模型对样本集进行训练，获得4个支持向量机分类器，即识别准则。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110967723.9A CN113688718B (zh) | 2021-08-23 | 2021-08-23 | 一种基于枕头有限元分析的无干扰自适应睡姿识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110967723.9A CN113688718B (zh) | 2021-08-23 | 2021-08-23 | 一种基于枕头有限元分析的无干扰自适应睡姿识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113688718A CN113688718A (zh) | 2021-11-23 |
| CN113688718B true CN113688718B (zh) | 2024-06-07 |
Family
ID=78581446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110967723.9A Active CN113688718B (zh) | 2021-08-23 | 2021-08-23 | 一种基于枕头有限元分析的无干扰自适应睡姿识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113688718B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116115051B (zh) * | 2022-12-21 | 2024-07-05 | 深圳正井科技有限责任公司 | 高度可调节枕头和枕高调节方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103169477A (zh) * | 2013-02-01 | 2013-06-26 | 安徽农业大学 | 一种无干扰睡眠的睡姿脊柱形态测试方法 |
| CN104732250A (zh) * | 2015-03-25 | 2015-06-24 | 安徽农业大学 | 一种无干扰睡眠的睡姿和睡眠行为测试识别方法 |
| WO2018133029A1 (zh) * | 2017-01-20 | 2018-07-26 | 无限极（中国）有限公司 | 一种青少年枕生物力学性能分析及设计优化方法及装置 |
| CN108764123A (zh) * | 2018-05-25 | 2018-11-06 | 暨南大学 | 基于神经网络算法的智能识别人体睡眠姿势方法 |
| 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 |
| CN113269096A (zh) * | 2021-05-18 | 2021-08-17 | 浙江理工大学 | 用于睡姿识别的头部压力数据深度学习处理方法 |
-
2021
- 2021-08-23 CN CN202110967723.9A patent/CN113688718B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103169477A (zh) * | 2013-02-01 | 2013-06-26 | 安徽农业大学 | 一种无干扰睡眠的睡姿脊柱形态测试方法 |
| CN104732250A (zh) * | 2015-03-25 | 2015-06-24 | 安徽农业大学 | 一种无干扰睡眠的睡姿和睡眠行为测试识别方法 |
| WO2018133029A1 (zh) * | 2017-01-20 | 2018-07-26 | 无限极（中国）有限公司 | 一种青少年枕生物力学性能分析及设计优化方法及装置 |
| CN108764123A (zh) * | 2018-05-25 | 2018-11-06 | 暨南大学 | 基于神经网络算法的智能识别人体睡眠姿势方法 |
| 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 |
| CN113269096A (zh) * | 2021-05-18 | 2021-08-17 | 浙江理工大学 | 用于睡姿识别的头部压力数据深度学习处理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于多压电薄膜传感器的睡姿识别方法研究;耿读艳;董嘉冀;宁琦;赵杰;王晨旭;;现代电子技术;20201015(20);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113688718A (zh) | 2021-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pouyan et al. | A pressure map dataset for posture and subject analytics | |
| CN106842979B (zh) | 一种辅助睡眠的床垫 | |
| CN104633866B (zh) | 基于环境参数和人体生理参数的热舒适度测评系统 | |
| CN107028427A (zh) | 新型的自动智能调节的睡眠系统的传感方法 | |
| CN113688720B (zh) | 一种基于神经网络识别的预测睡姿的方法 | |
| KR20090047674A (ko) | 수면 질 관리 장치 및 방법 | |
| CN104732250B (zh) | 一种无干扰睡眠的睡姿和睡眠行为测试识别方法 | |
| CN109087706A (zh) | 基于睡眠大数据的人体健康评估方法及评估系统 | |
| 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 | |
| CN113688718B (zh) | 一种基于枕头有限元分析的无干扰自适应睡姿识别方法 | |
| Xin et al. | Recent progress on the wearable devices based on piezoelectric sensors | |
| WO2018133029A1 (zh) | 一种青少年枕生物力学性能分析及设计优化方法及装置 | |
| CN106344034A (zh) | 一种睡眠质量评估系统及其方法 | |
| CN107822593A (zh) | 一种人体生理信号的柔性采集装置及系统 | |
| CN112806770A (zh) | 床垫调节控制方法、系统及计算机可读存储介质 | |
| CN116563887B (zh) | 一种基于轻量化卷积神经网络的睡姿监测方法 | |
| US20210307680A1 (en) | System for evaluating sleeping comfort of bedding system | |
| Bogatu et al. | Human physiology for personal thermal comfort-based HVAC control–A review | |
| Chen et al. | Body dimension measurements for pillow design for Taiwanese | |
| Adami et al. | A method for classification of movements in bed | |
| CN110693510A (zh) | 一种注意力缺陷多动障碍辅助诊断装置及其使用方法 | |
| CN202960534U (zh) | 红外热成像心理测试仪 | |
| CN114813183A (zh) | 一种床垫舒适性评价系统、评价方法及床垫优选方法 | |
| CN108956959A (zh) | 被类产品舒适性评价方法及装置 | |
| Dabiri et al. | Exploring video based thermal perception identification |
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 |