耿讀艷　董嘉冀　寧琦　趙杰　王晨旭

摘? 要： 睡眠姿勢是評估睡眠質(zhì)量的一個重要因素，對呼吸暫停和心血管疾病有著重要影響。為提高心沖擊（BCG）睡姿識別的準確性，提出一種通過多路壓電薄膜傳感器采集心沖擊信號實現(xiàn)睡姿識別的方法。首先設(shè)計多壓電薄膜傳感器組成的軟墊來獲取BCG信號，然后對預處理后的BCG波形進行時域分析，利用特征比值法優(yōu)化特征向量，最后輸入粒子群優(yōu)化支持向量機（PSO?SVM）實現(xiàn)仰臥、左側(cè)臥、右側(cè)臥、俯臥4種睡姿的準確識別。結(jié)果表明，該文方法與已有睡姿識別方法相比準確率提高到97.1%，克服了單路BCG波形受個體差異及環(huán)境的影響，為家庭醫(yī)療與無感睡眠監(jiān)測的研究提供了基礎(chǔ)。

關(guān)鍵字： 睡姿識別; 睡眠監(jiān)測; 床墊設(shè)計; 心沖擊信號采集; 時域分析; 特征向量優(yōu)化; 對比驗證

中圖分類號： TN304.055?34; R138? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）20?0005?04

Research on sleeping posture recognition method based on multi?channel

piezoelectric thin?film sensor

GENG Duyan1，2， DONG Jiaji2， NING Qi2， ZHAO Jie2， WANG Chenxu2

（1. State Key Laboratory of Reliability and Intelligence of Electrical Equipment， Hebei University of Technology， Tianjin 300130， China;

2. Hebei Key Laboratory of Electromagnetic Field and Electrical Apparatus Reliability， Hebei University of Technology， Tianjin 300130， China）

Abstract： Sleeping posture is an important factor for sleep quality assessment and has an important impact on apnea and cardiovascular diseases. A method to realize sleeping posture recognition by collecting bsllistocardiogram （BCG） signals by means of the multi?channel piezoelectric thin?film sensor is proposed to improve the accuracy of BCG sleeping posture recognition.? A cushion with the multi?channel piezoelectric thin?film sensors is designed to acquire the BCG signal， and then the time?domain analysis of the pre?processed BCG waveform is performed. The feature vector is optimized with the feature ratio method， and inputted the particle swarm optimization and support vector machine （PSO?SVM） to realize the accurate recognition of four sleeping postures： supineness， left side lying， right side lying and prone lying. The testing results show that， in comparison with the existing sleeping posture recognition method， the accuracy rate of this method is increased to 97.1%， which overcomes the influence of individual differences and environment on the single?channel BCG waveform， and provides a basis for the research of family medicine and insensible sleep monitoring.

Keywords： sleeping posture recognition; sleep monitoring; mattress design; BCG signal collection; time?domain analysis; feature vector optimization; comparison validation

0? 引? 言

睡眠姿勢與睡眠質(zhì)量有著密切的聯(lián)系，睡姿對心臟、胸腔和脊柱等部位都有著一定的影響[1]，關(guān)系著人的生理與心理健康。睡姿對于健康成年人無好壞之分，但特定的睡姿能夠起到預防相關(guān)疾病的效果。對于體弱多病的人群來說，選擇恰當?shù)乃咦藙輰Σ∏榈陌l(fā)展有著潛移默化的作用，如阻塞性呼吸暫停的患者，多喜歡仰臥，但仰臥會使患者呼吸更加困難，增加患者呼吸暫停的次數(shù);心血管疾病的患者左側(cè)臥時對心臟的壓迫最為嚴重，避免左側(cè)臥睡姿能有效減少夜間心臟發(fā)病概率[2?3]。在實際臨床應(yīng)用中，睡眠監(jiān)測使用多導睡眠儀最為普遍[4]，但接觸式的監(jiān)測方式對人的睡眠造成很大干擾，無法適用于家庭醫(yī)療監(jiān)測。為避免由束縛監(jiān)測帶來的影響，利用心沖擊信號（Ballistocardiogram，BCG）無感監(jiān)測睡眠的方法廣受國內(nèi)外關(guān)注，但研究問題多集中于如何在不同體位和睡姿時準確識別生理信號，忽視了睡姿識別對睡眠監(jiān)測的重要性。任志斌等人通過壓力傳感器陣列床墊（32×32個傳感器）無接觸式采集BCG信號，但硬件工藝繁瑣，計算復雜度高[5]。張藝超等人使用單片EMFi壓電薄膜傳感器[6]，提取HIJKL波的幅值與寬度作為特征向量進行睡姿識別，但其睡姿識別的準確性對信號波形要求高， HI與KL波峰檢測定位準確度受采集系統(tǒng)、信號去噪效果及周圍環(huán)境的束縛，魯棒性較差。

針對現(xiàn)有方法的不足，本文提出一種基于多路壓電薄膜信號分析的睡姿識別方法。首先設(shè)計由多片PVDF壓電薄膜傳感器組成的同步采集設(shè)備，采集4種基本睡姿時的多路BCG波形，并分別進行預處理，獲取無噪聲的BCG信號;然后對去噪后的各波形進行時域分析，提取J波峰值、方差及均值，通過特征比值法加強睡姿與各路特征值之間的聯(lián)系，并將提取的特征差異值作為特征向量，利用粒子群算法優(yōu)化的支持向量機（Particle Swarm Optimization and Support Vector Machine，PSO?SVM）方法實現(xiàn)仰臥、左側(cè)臥、右側(cè)臥、俯臥4種基本睡姿的識別。

1? 多路BCG信號采集

1.1? 多路傳感器的拓撲結(jié)構(gòu)設(shè)計

目前，對于睡姿的識別，壓電傳感器采集的BCG信號均為單一波形，睡姿識別的準確性受人體與傳感器接觸情況影響嚴重。為解決此問題，本文以信號采集準確、采集通道少、硬件成本低為原則，設(shè)計將三片壓電薄膜傳感器（80 cm×4.5 cm）以“H”形放置于床墊，此放置情況幾乎所有體位均能保障采集到至少2路準確的BCG信號。在保障準確采集心臟信號的同時更有利于實現(xiàn)睡姿的識別，本文僅對典型的4種基本睡姿進行分析與識別。

如圖1所示，將傳感器縫合于90 cm×90 cm的軟墊內(nèi)，鋪于床墊下，①號壓電薄膜傳感器大致位于胸腔下方，②③號壓電薄膜傳感器以床橫向中心線對稱放置（相間12 cm）。

1.2? 獲取原始BCG信號

選取30名健康受試者（20名男性，10名女性，年齡20～30歲，身高160～185 cm，體重45～85 kg）參與實驗，躺在如圖1所示鋪有軟墊的床上，分別采集安靜狀態(tài)下仰臥、左側(cè)臥、右側(cè)臥和俯臥4種睡姿，體位不做要求，但為避免受試者對實驗環(huán)境和睡姿不適應(yīng)等干擾，要求受試者平穩(wěn)躺下1 min后開始采集，通過信號處理后傳輸至上位機進行線下信號處理。

2? 多路BCG信號預處理

BCG圖相比于ECG信號可以在無束縛的情況下反映監(jiān)測人的心臟情況，由于壓電薄膜傳感器具有很高的靈敏度，采集的信號中含有胃腸蠕動、呼吸與體動等噪聲干擾[7]，導致信號出現(xiàn)毛刺與基線漂移等問題，影響睡姿的識別。因此，本文采用自適應(yīng)白噪聲完備經(jīng)驗模態(tài)分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN）與排列熵（Permutation Entropy，PE）相結(jié)合的BCG信號去噪方法。該方法相比于小波變換法更加簡便，同時在模態(tài)經(jīng)驗分解（Empirical Mode Decomposition，EMD）的基礎(chǔ)上，對每個尺度增加不同的白噪聲，解決EMD的模態(tài)混疊問題[8?9]。

通過CEEMDAN方法，3路BCG信號分解得13個IMF分量和1個余項。其中IMF分量按頻率由高到低排列，不同頻率段的模態(tài)分量分別代表高頻噪聲、有效信號和基線漂移。人為設(shè)定如何選擇重構(gòu)的IMF過于主觀與絕對，因此本文采用PE算法，PE算法需要選取合適的維數(shù)M和時延τ兩個參數(shù)，M值過小會導致重構(gòu)向量的狀態(tài)變少，過大會因維數(shù)過高而導致計算量大，運算時間長。本文設(shè)定參數(shù)[10]M=3，τ=1，經(jīng)分析在閾值0.706 0≤PE≤0.812 0內(nèi)的IMF分量重構(gòu)出的無噪聲BCG信號，信噪比最低，去噪后的3路BCG波形如圖2所示。 圖中的BCG1，BCG2，BCG3分別對應(yīng)①②③號傳感器所采集的信號。

3? 多路BCG睡姿相關(guān)信號的特征提取

3.1? 時域分析

由圖2可以看出，不同睡姿時各傳感器采集的波形在時域上有明顯差異，而與頻域幾乎無關(guān)。根據(jù)已有的睡姿識別方法[11]，并結(jié)合本文多路傳感器采集的信號特點，采用時域分析方法，選擇J波峰值特征[HJ]、BCG方差特征S和平均幅值[H]作為睡姿特征。在心沖擊中IJK波與心電信號中QRS波有相似的生理意義和波形特征，IJK是心沖擊圖中變化最為明顯的間隔段，對應(yīng)的斜率與其他波有著很大的差異，且在波群中幅值最大，如圖3所示。因此，對于BCG信號中J波的定位，采用經(jīng)典的差分閾值檢測方法[12]，該方法利用J波峰值最為突出且上升和下降斜率最大的特點，主要步驟如下：

一階和二階差分形式為：

[y′（n）=y（n+1）-y（n-1）]? ? ?（1）

[y″（n）=y′（n+1）-y（n-1）]? ? ?（2）

對式（1）和式（2）做平方和運算，相當于對差分后的波形信號進行增強，突出J波特征：

[Y（n）=（y′（n））2+（y″（n））2]? ? ?（3）

最后通過經(jīng)驗閾值法定位J波，獲得準確的[HJ]特征值。

3.2? 特征融合

每一種睡姿，心臟與三片傳感器的相對位置不同，既而波形差異能夠很好地反映睡姿，因此將每一種睡姿時的三路信號特征進行融合作為睡姿特征，能夠更好的識別睡姿。本文提出“特征比值法”，將各傳感器提取的特征做交叉比值，公式如下：

[HJ12=HJ1HJ2] ? ? ? （4）

[HJ13=HJ1HJ3]? ? ? ? （5）

[HJ23=HJ2HJ3]? ? ? ? （6）

[S12=S1S2]? ? ? ? ? ? （7）

[S13=S1S3]? ? ? ? ? ? （8）

[S23=S2S3]? ? ? ? ? ? （9）

[H12=H1H2]? ? ? ? ? （10）

[H13=H1H3]? ? ? ? ? （11）

[H23=H2H3]? ? ? ? ? （12）

式中，[HJ1]，[HJ2]，[HJ3]，[S1]，[S2]，[S3]和[H1]，[H2]，[H3]分別為從圖1軟墊中①②③號傳感器采集的BCG信號所提取的J波峰值，方差和平均值特征。

各特征值之間無權(quán)重比，利用特征比值法分析的特征值，充分反映了各路BCG信號與睡姿的關(guān)系，構(gòu)建特征向量[P]：

[P=HJ12，HJ13，HJ23，S12，S13，S23，H12，H13，H23]

4? 多路BCG睡姿識別方法

本文利用粒子群優(yōu)化（PSO）支持向量機的方法， PSO?SVM率先由Abdulhamit Subasi等人應(yīng)用于肌電信號分類[13]，提出PSO?SVM可用于非平穩(wěn)生物醫(yī)學信號的分類的觀點。PSO?SVM方法相比于SVM方法具有分類精度高、準確性高等特點，針對本文所構(gòu)造的特征向量，PSO?SVM明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，識別效率更高，更適用于本文小樣本的睡姿分類與識別。

在本文研究中，將30名受試者仰臥、左側(cè)臥、右側(cè)臥和俯臥4種基本睡姿各采集一次，提取120個特征向量作為樣本容量，并標記標簽。其中，仰臥特征向量[Ps1～Ps30]標簽為0;左側(cè)臥特征向量[Pl1～Pl30]標簽為1;右側(cè)臥特征向量[Pr1～Pr30]標簽為2;俯臥特征向量[Pp1～Pp30]標簽為3。將30名受試者按照男女比例隨機分為兩組，第一組21名受試者（14男，7女），第二組9名（6男，3女）。第一組受試者提取的特征向量作為訓練集，第二組作為測試集，即訓練識別過程中，84個為訓練樣本，36個為測試樣本。通過PSO?SVM分類器，利用PSO方法，對訓練集中每種睡姿的SVM模型進行迭代尋優(yōu)，訓練出最優(yōu)參數(shù)的睡姿識別模型，最后用于識別測試集的睡姿。

5? 實驗結(jié)果

為驗證本文所述方法的有效性，通過對30名受試者4種睡姿的多路BCG采集，利用特征比值法建立各傳感器間的特征聯(lián)系構(gòu)造出特征向量P，用PSO?SVM方法實現(xiàn)睡姿的識別。訓練結(jié)果如圖4所示，經(jīng)計算，仰臥、左側(cè)臥、右側(cè)臥的識別率為100%，俯臥的識別率為88.9%，各睡姿綜合識別率達到97.1%。

6? 結(jié)? 論

本文通過設(shè)計多壓電薄膜傳感器床墊進行同步采集，經(jīng)CEEMDAN?PE方法進行去噪處理，對去噪后的3路BCG波形進行時域分析，提出特征比值法將3路BCG特征融合并作為特征向量，利用PSO優(yōu)化SVM的方法識別4種基本睡姿，睡姿識別準確率提高到97.1%，有較強的魯棒性，驗證了本文方法的有效性。相比于傳統(tǒng)的睡姿檢測裝置與算法，該方法克服了傳統(tǒng)單傳感器對單一信號分析時受體位與外界環(huán)境干擾影響的問題，為無束縛睡眠姿勢監(jiān)測提供了新方法，為相關(guān)疾病的預防、診斷與治療提供了參考依據(jù)。

參考文獻

[1] 劉綿詩.基于心率信號的睡眠監(jiān)測儀的設(shè)計與實現(xiàn)[D].南京：南京郵電大學，2018.

[2] KALOLELLA A B. Sleeping position and reported night?time asthma symptoms and medication [J]. Pan African medical journal， 2016， 24： 59.

[3] LEE H J， HWANG S H， LEE S M， et al. Estimation of body postures on bed using unconstrained ECG measurements [J]. IEEE journal of biomedical and health informatics， 2013， 17（6）： 985?993.

[4] 梁超，王鵬，曹貝貝，等.可穿戴智能睡眠質(zhì)量檢測系統(tǒng)[J].電子測量與儀器學報，2018，32（5）：159?167.

[5] 任志斌，李洋，郭士杰，等.基于模糊粗糙集的睡姿壓力圖像識別[J].計算機工程與應(yīng)用，2018，54（3）：172?177.

[6] 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(yīng)用，2018，54（17）：135?140.

[7] 王春武，王旭，龍哲，等.基于心沖擊信號的心率提取算法[J].東北大學學報（自然科學版），2012，33（8）：1103?1106.

[8] MARCELO A， GAST?N S， MAR?A E. Improved complete ensemble EMD： a suitable tool for biomedical signal processing [J]. Biomed signal process control， 2014， 14： 19?29.

[9] 王金海，史夢穎，張興華.基于EMD和ApEn特征提取的心律失常分類研究[J].儀器儀表學報，2016，37（z1）：168?173.

[10] 李軍，李青.基于CEEMDAN?排列熵和泄漏積分ESN的中期電力負荷預測研究[J].電機與控制學報，2015，19（8）：70?80.

[11] 姜星，耿讀艷，張園園，等.基于EMD?ICA的心沖擊信號降噪研究[J].中國生物醫(yī)學工程學報，2019，38（2）：138?145.

[12] 張加宏，潘周光，李敏，等.基于壓電電纜傳感器的心率測量與反饋系統(tǒng)設(shè)計[J].電子器件，2019，42（1）：259?266.

[13] ABDULHAMIT Subasi. Classification of EMG signals using PSO optimized SVM for diagnosis of neuromuscular disorders [J]. Computers in biology and medicine， 2013， 43（5）： 576?586.