文/曾進(jìn) 老志輝 許綿渠

圖1：睡眠姿勢(shì)監(jiān)測(cè)系統(tǒng)的整體框圖

隨著經(jīng)濟(jì)的高速發(fā)展，工作生活節(jié)奏快速，人們面臨越來越多的睡眠問題，睡眠質(zhì)量因此在臨床中受到了空前的關(guān)注。不良的睡眠姿勢(shì)是導(dǎo)致睡眠不良的重要因數(shù)之一，而不良的睡眠姿勢(shì)往往與快速生活節(jié)奏下的生活習(xí)慣有關(guān)。例如，在年輕人中，睡前使用手機(jī)是一種普遍現(xiàn)象，這一行為是不良睡姿的主要誘因。不良的睡眠姿勢(shì)不僅會(huì)導(dǎo)致睡眠不良，更嚴(yán)重的是，不良睡姿往往還與小腿痙攣和睡眠呼吸暫停等許多疾病的臨床癥狀高度相關(guān)。而在康復(fù)治療中，患者在通常需要在手術(shù)后保持特定的睡眠姿勢(shì)以獲得更好的康復(fù)效果，不良的睡姿無疑會(huì)降低治療效果。由此可見，對(duì)睡姿的長(zhǎng)期自動(dòng)監(jiān)測(cè)是醫(yī)療、健康領(lǐng)域中的一項(xiàng)關(guān)鍵技術(shù)，在疾病的防治中，睡眠姿勢(shì)信息也占有十分重要的地位。

表1：需要解決的關(guān)鍵問題

表2：項(xiàng)目開發(fā)板主要性能指標(biāo)簡(jiǎn)介

表3：紅外攝像頭參數(shù)

表4：用于睡姿分類的糾錯(cuò)輸出碼（ECΟC）

1 總體設(shè)計(jì)

1.1 系統(tǒng)框圖及算法框圖

系統(tǒng)整體框圖如圖1。

為了對(duì)應(yīng)光線變化明顯的場(chǎng)景，將所有輸入系統(tǒng)的圖像預(yù)先規(guī)約為紅外灰度圖像，這樣就能在實(shí)時(shí)監(jiān)測(cè)中獲得穩(wěn)定的待測(cè)試樣本，圖像分割、特征提取等工作也可順利進(jìn)行。

針對(duì)睡眠姿勢(shì)的分類與識(shí)別問題，在基于紅外攝像頭的前提下，主要采用圖像特征提取、支持向量機(jī)等方法研究睡姿的分類與識(shí)別,并基于嵌入式平臺(tái)設(shè)計(jì)具有成本低、靈活性強(qiáng)、易于維護(hù)、低功耗、實(shí)用性強(qiáng)等特點(diǎn)的實(shí)時(shí)監(jiān)測(cè)系統(tǒng)。核心算法及實(shí)現(xiàn)流程如圖2。

1.2 設(shè)計(jì)核心問題

（1）支持向量機(jī)與卷積神經(jīng)網(wǎng)絡(luò)在FPGA嵌入式平臺(tái)的實(shí)時(shí)性問題

（2）系統(tǒng)功耗控制問題

除了以上2個(gè)關(guān)鍵問題，在系統(tǒng)研發(fā)流程有如表1所列問題需要解決。

2 硬件部分

2.1 系統(tǒng)主控部分

圖2：算法及其實(shí)現(xiàn)的流程

圖3：開發(fā)板芯片運(yùn)算資源框圖

圖4：HOG算法處理流程

圖5：引入潛在變量的分類模型

圖6：人機(jī)交互界面

圖7：不同分類參數(shù)下SVM的識(shí)別精確度

本課題組使用圖像處理性能出眾、連續(xù)工作穩(wěn)定性好的嵌入式開發(fā)平臺(tái)Zedboard，其運(yùn)算資源構(gòu)架及參數(shù)見圖3、表2。

2.2 紅外攝像頭

經(jīng)技術(shù)處理，紅外攝像頭可在光照變化明顯的情況下提供穩(wěn)定的灰度圖像，這類圖像易于對(duì)各項(xiàng)指標(biāo)進(jìn)行識(shí)別，在本設(shè)計(jì)中攝像頭的相關(guān)參數(shù)如表3。

3 軟件部分

3.1 HOG特征提取及邊緣檢測(cè)

如圖4所示，在采集視頻的一幅圖像中，方向梯度直方圖（Histogram of Οriented Gradient,HΟG）能夠很好地描述局部目標(biāo)區(qū)域的特征，是一種常用的特征提取方法，HΟG+SVM在行人檢測(cè)中有著優(yōu)異的效果。在HΟG中，對(duì)一幅圖像進(jìn)行了如下劃分：

圖像(image)-＞檢測(cè)窗口(win)-＞圖像塊(block)-＞細(xì)胞單元(cells)

3.2 機(jī)器學(xué)習(xí)：支持向量機(jī)與卷積神經(jīng)網(wǎng)絡(luò)

3.2.1 支持向量機(jī)

以睡姿中左臥、右臥、仰臥3種模型建立過程為例簡(jiǎn)述支持向量機(jī)在本課題睡眠姿勢(shì)識(shí)別的應(yīng)用，圖5為引入潛在變量的分類模型。

對(duì)給定訓(xùn)練集，經(jīng)過數(shù)學(xué)分析推導(dǎo)最終構(gòu)造分類函數(shù)，并將數(shù)據(jù)分類為左臥、右臥或仰臥三個(gè)特定的臥床姿勢(shì)。根據(jù)糾錯(cuò)輸出碼(ECΟC)訓(xùn)練三個(gè)分類器，如表4所示。在檢測(cè)過程中，只有第一個(gè)分類器將目標(biāo)定位到最優(yōu)位置后才使用潛在變量。在姿態(tài)識(shí)別階段，不需要再次對(duì)潛在變量進(jìn)行優(yōu)化調(diào)整。該設(shè)計(jì)的優(yōu)點(diǎn)是降低了計(jì)算量，提高了系統(tǒng)的實(shí)時(shí)性。

3.2.2 卷積神經(jīng)網(wǎng)絡(luò)

前期睡眠姿勢(shì)的分類采用了支持向量機(jī)（SVM）算法，后續(xù)研究中擬嘗試卷積神經(jīng)網(wǎng)絡(luò)作為新的分類監(jiān)測(cè)識(shí)別算法，進(jìn)一步提高識(shí)別率。

3.3 人機(jī)交互界面

該界面主要向用戶反饋睡眠信息，如圖6。

4 測(cè)試驗(yàn)證

對(duì)系統(tǒng)進(jìn)行了如下測(cè)試：

4.1 識(shí)別準(zhǔn)確度分析

本作品對(duì)支持向量機(jī)的訓(xùn)練參數(shù)定義了綜合參量，并將綜合參量對(duì)識(shí)別準(zhǔn)確度的影響繪制如圖7。

支持向量機(jī)在不同綜合參數(shù)下訓(xùn)練出的模型識(shí)別精確度有所不同，經(jīng)過調(diào)整與測(cè)試，相關(guān)綜合指標(biāo)在取值為15左右的時(shí)候可以訓(xùn)練出最佳模型。

4.2 系統(tǒng)健壯性測(cè)試

本系統(tǒng)的軟件操作平臺(tái)基于ubuntu，是目前最穩(wěn)定的嵌入式操作系統(tǒng)。經(jīng)測(cè)試，本系統(tǒng)在存儲(chǔ)空間充足的情況下可以連續(xù)正常工作。

5 結(jié)束語

綜上所述，本設(shè)計(jì)突破了傳統(tǒng)壓力傳感墊睡姿識(shí)別系統(tǒng)成本過高的弊端，所提供的解決方案適合于醫(yī)院等應(yīng)用場(chǎng)景大規(guī)模普及，方便醫(yī)院或個(gè)人收集睡姿數(shù)據(jù)，為醫(yī)療健康提供高效的大數(shù)據(jù)輔助。