[發明專利]一種基于特征融合與人工神經網絡的睡姿監測方法

在審

• 申請號: 202010126488.8
• 申請日: 2020-02-28
• 公開（公告）號: CN111353425A
• 公開（公告）日: 2020-06-30
• 發明（設計）人: 劉今越;周志文;賈曉輝
• 申請（專利權）人: 河北工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06K9/46;G06K9/36;G06K9/40;A61B5/11;A61B5/00
• 代理公司: 天津翰林知識產權代理事務所(普通合伙) 12210
• 代理人: 付長杰

本發明為一種基于特征融合與人工神經網絡的睡姿監測方法，該方法針對六種睡姿類型的特點，通過對睡姿圖像進行直方圖分析，采用多種圖像處理技術結合的方式，對圖像進行針對性的預處理，在去除噪聲、提高圖像質量的同時，有效的保留了盡量多的有用信息，為后續的特征提取及整體的監測精度做好準備，針對性地預處理手段，獲得更加完整，特征更加明顯地睡姿圖像。將多特征融合與人工神經網絡聯合使用，獲得了更高地識別準確率，達到了99.17％，具有更好的實時性，實驗表明識別180圖片只需要0.13s即可完成。本發明直接采集人體與床墊之間的壓力數據生成睡姿圖像，數據處理時間短，提高了睡姿識別的實時性，有利于后期建立睡姿變換與動態壓力的關系模型。

技術領域

本發明涉及生理信息監測領域，具體是一種無束縛無干擾的睡姿監測方法，特別是一種基于特征信息融合與人工神經網絡的睡姿監測方法。

背景技術

睡眠是我們生活的重要組成部分，睡眠狀態直接關系到人的心理和生理健康，在睡眠狀態監測中，睡眠姿勢是客觀評價睡眠質量的關鍵之一。在家居環境下對睡眠姿勢的有效監測可以實現呼吸疾病及壓瘡等疾病的早診斷、早預防。

目前無束縛、無干擾的睡姿監測方法逐漸成為主要的研究方向，葉蔭球等人(葉蔭球,姜太平,張蕾.基于水平集方法和神經網絡的人體睡姿識別[J].工業控制計算機(05):91-93.)通過相機獲取人體的靜態睡姿與動態視頻，使用基于BP神經網絡的算法對四種睡姿進行識別，平均識別精度為73％，識別精度較低且容易造成隱私隱患。張藝超等人(張藝超,袁貞明,孫曉燕.基于心沖擊信號的睡姿識別[J].計算機工程與應用(1):135-140.)使用壓電薄膜傳感器以非接觸方式采集人體局部的微小震動信號，使用基于BP神經網絡的算法進行睡姿識別，平均正確識別率為93％，但也只識別了四種睡姿且識別精度較低，難以實現實際應用。

發明內容

本發明旨在克服以上睡姿監測方法的不足與缺點，提供一種基于睡姿特征融合與人工神經網絡的無干擾無束縛的睡姿監測方法，提高無束縛睡姿識別的準確率，為家居環境下的睡姿識別與監測提供技術支持，實現對呼吸疾病及壓瘡等疾病的早診斷、早預防。

本發明解決上述問題采用的技術方案是：

一種基于特征融合與人工神經網絡的睡姿監測方法，該方法的步驟是：

第一步：睡姿圖像的采集

使用床單式的大面積的壓力傳感器陣列采集六種睡姿(仰臥、俯臥、右側樹干型、右側胎兒型、左側樹干型、左側胎兒型)的人體壓力數據，并經過重組和排序后轉換為二維睡姿圖像，二維睡姿圖像中壓力值的坐標與傳感器單元的位置一一對應，切實還原人體在傳感器上躺臥的方向和位置；

第二步：睡姿圖像的預處理

將睡姿圖像與空載情況下傳感器輸出的壓力數據做差，消除傳感器本身帶來的噪聲，得到實際的睡姿壓力圖像，并對其進行直方圖分析，依次通過反轉、局部均衡化、睡姿分割、形態學除噪方式獲取四肢分明特征更加明顯的預處理后睡姿圖像；

第三步：圖像的特征提取與融合

對第二步預處理后睡姿圖像進行特征提取，首先提取圖像的HOG特征，將圖像按m×m像素大小進行單元劃分，并計算其梯度大小與方向，再按n×n單元大小進行塊劃分，以塊為窗口滑動掃描圖像得到HOG特征F_hog；

再對第二步預處理后睡姿圖像提取圖像的GLCM特征，將256個灰度等級的圖像轉換為8個灰度等級，計算不同方向θ和不同距離d的灰度共生矩陣，并求解得到對比度CON、相關COOR、角二階矩陣ASM、逆差分矩HOM共四個特征的值，分別求取其相同距離下不同角度的均值M和方差S作為最終的GLCM特征，各特征求取公式分別為：