棉被下的睡姿

在被子底下,宝宝的睡姿总是千变万化,令人意想不到。考验爸爸的时刻到啦!让爸爸和宝宝一起玩一个“棉被下的睡姿”猜一猜的游戏,看看爸爸能不能猜对吧!

选对睡姿,高效休息

采用合理的睡姿可以更有效地缓解疲劳,而错误的睡姿不但不会缓解疲劳,还可能带来健康危害。那么,什么样的睡姿才是最好的呢?健康睡姿:仰卧与侧卧最佳的睡姿是能够让脊柱从上到下舒展放松的。相对俯卧位、蜷缩式睡姿,仰卧位和侧卧位是适合绝大多数人群的健康睡姿。但如何选择,也要因人而异。仰卧位睡姿可以保持脊柱对齐、均匀分散压力,也可以缓解鼻黏膜充血的症状,减少枕头或床垫对面部皮肤的牵拉。

一种基于改进深度迁移学习的睡姿识别算法

睡枕的高度对睡眠质量有着决定性的影响,研究表明:为保证高质量的睡眠,人体侧卧时的枕头高度应大于平躺时的枕头高度。提出一种基于改进深度迁移学习的自适应睡枕设计方案:首先采用9路压力传感器阵列对肩颈部压力数据进行采集;然后,将9路压力信号转换为柱状分布图图像信号;接着提出一种改进的ResNet18+CBAM深度网络,并引入迁移学习对模型参数进行学习训练。实验结果表明:该方案具有硬件实现简单、识别准确率高的优点,可以满足睡枕产品开发的需求。

基于压力传感阵列的低成本高性能睡姿监测系统

依赖人工监测睡姿的卧床护理效率低下。为了自动收集准确的睡姿信息,并注意改善用户体验和保护用户隐私,通过将理论分析和实验研究相结合,基于柔性压力传感阵列设计了简易、低成本、高精度、快速率的睡姿监测系统。理论上,根据触觉在识别机制上与视觉的相似性,揭示了压力图像分辨率对睡姿分类效果的影响规律;进一步利用公开数据集解析得到24×24的压力传感阵列规模阈值,从而大幅降低了系统的成本和复杂度。实验上,基于柔性压力传感阵列、信号扫描采集电路和睡姿识别算法框架3个模块设计了睡姿监测系统,以Velostat柔性压敏导电片为核心设计压阻式传感阵列;以零电势法阵列扫描理论为基础布局抗串扰信号采集电路;以改进的残差网络训练睡姿分类器。经实验测试,系统对8类睡姿的识别准确率为99.57%,监测速率可达150 ms/帧,有望用于实现商业化的可靠实时睡姿监测。

基于DenseNet睡姿识别的智能枕头设计研究

随着失眠问题的蔓延,人们对健康睡眠的重视程度日益增长。智能睡枕作为一种新型的助眠工具,被广泛关注和研究。睡枕高度与睡眠质量密切相关,人在侧卧、平躺不同睡姿下需要不同的枕头高度。为此,本文基于DenseNet睡姿识别提出一款软硬件结合的智能枕头:通过阵列压力传感器采集压力样本,将其处理为热力图图像,接着传入云服务器中利用DenseNet121模型进行训练和预测,最后将信号传输至单片机控制气囊充放气,并于Android应用端生成用户睡眠习惯报告。本产品具有识别准确率高、硬软件结合等特点。

基于光纤传感的睡姿与鼾声监测结构

本文以光纤传感为基础设计了监测睡姿、鼾声的智能床结构,获取人们在睡眠时身体的鼾声、睡姿等信息,为睡眠健康监测提出新的研究思路与方法。采用级联式FBG传感器,对人体的各处压力进行有效监测,降低外界噪声对光纤传感准确性的影响。

开放场景睡姿识别方法:基于投票的新颖性检测

传统的睡眠姿势识别模型通常是在已知明确类别的数据集上训练的,而这种基于封闭集识别的方法在遇到一些奇特罕见的睡姿时容易将其误分类为已知的睡眠姿势,从而导致睡姿识别系统在开放环境下的可靠性与适用性大大降低。为了解决这个问题,提出一种基于开放集识别的睡姿检测模型。该模型主要完成两个任务:标准监督分类和新颖性检测。当样本被输入到模型时,分类器可以根据样本的新颖性得分,采用阈值比较,判断输入样本是未知或者识别为已知类别。模型分别在压力图和RGB图上做了验证,实验结果表明在开放场景下,该模型不仅能够准确识别已知的睡姿类别,识别率达到99%,而且能够有效地甄别出未知的睡姿,AUROC值达到92%,AUPR值达到95%。

鸟类奇奇怪怪的睡姿

鸟类是我们的好朋友。我们常常看到鸟在天空中飞翔或在水中嬉戏,却鲜少见到它们睡觉的样子。你知道鸟是怎么睡觉的吗?告诉你,鸟类的睡姿多种多样。

身体最爱的“专属睡姿”,不同疾病需对号入座

近日,“美国新闻与世界报道”网站发文指出,不同睡姿各有优缺点,大家最好“对号入座”,选择最合适自己的,只要选对了,接下来的一天都能过得更舒适。存在特定健康问题或骨科疾病的人尤应重视。仰卧:适合背痛、颈痛人群,自然放松最佳优点:减轻背部和颈部疼痛;可支撑脊柱,有助肌肉放松和恢复。

基于注意力机制的空时融合深度学习睡姿监测算法研究

目的针对用于无扰睡姿检测的心冲击图(Ballistocardiogram,BCG)信号特征微弱,并且具有非线性、非平稳性强、存在噪声干扰以及信号本身具有空间和时域信息的特点,提出了一种基于注意力机制融合空时特征的深度学习睡姿检测模型(Deep Learning Sleeping Posture Monitoring Model,CTAM)。方法CTAM是一种可实现端到端的实时睡姿检测方案,通过睡眠带测试真实睡眠状态下睡姿的BCG信号,并构建数据集进行仿真对比实验。结果与具有类似结构的传统卷积神经网络(Convolutional Neural Networks,CNN)模型和空时融合的卷积-长短时记忆网络(Convolutional Long Short-Term Memory Network,CNN-LSTM)相比,CTAM在训练集的收敛性和测试集的准确率上均有显著的提升,其中,在测试集上的准确率分别较CNN模型和CNN-LSTM模型提升了1.46%和4.61%。结论CTAM这种算法模型在基于BCG信号下能实现睡姿的实时、有效、无扰监测,在改善睡眠质量监测领域具有较好的应用前景。

睡姿指导对早产儿扁头综合征发生率的影响

目的探讨睡姿指导对早产儿扁头综合征发生率的影响。方法 2012年10月~2015年9月,321例入住新生儿重症监护室（NICU）的早产儿随机分为睡姿指导组（n=159）和对照组（n=162）。睡姿指导组在婴儿入住NICU后及出院后儿保门诊随访时给予睡姿指导,对照组给予常规治疗。比较两组婴儿6月龄时扁头综合征发生率。结果睡姿指导组轻度（χ^2=6.591,P=0.010）、中度（χ^2=4.862,P=0.027）、重度（χ^2=11.261,P=0.001）扁头综合征发生率均少于对照组。结论睡姿指导可降低早产儿扁头综合征的发生率。

基于模糊粗糙集的睡姿压力图像识别

睡姿作为评估睡眠质量和疾病预防治疗的指标之一,不仅影响人心理和生理健康的睡眠质量,而且对呼吸暂停综合症、褥疮等疾病诊断意义重大。为实现睡姿压力图像的自动识别,对基于模糊粗糙集算法进行了应用研究,首先采用柔性压力传感器阵列获取静态睡姿压力图像,并对其进行图像预处理以完成基于简单图像几何特征的提取;通过引入模糊粗糙集对图像条件属性离散化约简,剔除冗余信息推导模糊决策规则,进而实现睡姿类别有效分类。实验结果表明,与已有算法相比该算法的分类精确度可达92.9%,具有较好的准确度。

口服敏使朗及改变睡姿减少耳石症复发的临床研究

目的研究口服敏使朗合并改变睡姿对单侧耳后半规管良性阵发性位置性眩晕(BPPV)患者手法复位成功后减少复发的价值。方法回顾性分析117例单侧耳后半规管BPPV老年患者的睡眠史,患者平均年龄(62.1±8.2)岁,均要求能确定优势侧睡姿。所有患者均详细询问病史并进行神经系统体格检查,包括姿势和步态、眼球运动、Dix-Hallpike试验、仰卧侧头位试验等。117例患者按随机数表分为三组,对照组35例采取改良Epley复位,治疗A组40例采取改良Epley复位结合改变睡姿,治疗B组42例采取改良Epley复位结合敏使朗及改变睡姿,分析三组复发率。结果 117例患者中,右侧Dix-Hallpike试验阳性74例,左侧Dix-Hallpike试验阳性43例。睡眠时,64例习惯右侧卧位,32例习惯左侧卧位,21例习惯仰卧位。在117例单侧Dix-Hallpike试验阳性患者中,患耳与睡姿在同侧者80例,其中54例右侧,26例左侧;16例患耳与睡姿在不同侧,其中10例右侧卧位者左侧Dix-Hallpike试验阳性,6例左侧卧位者右侧Dix-Hallpike试验阳性,21例仰卧位患者中,14例右侧Dix-Hallpike试验阳性,7例左侧Dix-Hallpike试验阳性。患耳与同侧睡姿呈正相关(r=0.367,P<0.01)。治疗后对照组患者复发11例,复发率为31.43%,治疗A组患者复发5例,复发率为12.50%,治疗B组患者复发4例,复发率为9.52%,治疗A组和B组的复发率均低于对照组,差异均有统计学意义(P<0.05),而治疗A组和治疗B组的复发率比较差异无统计学意义(P>0.05)。结论单侧耳后半规管良性阵发性位置性眩晕患耳与睡姿的偏侧性具有相关性,改变睡姿和联合口服敏使朗对预防良性阵发性位置性眩晕可能有一定价值。

基于柔性压力传感器的睡姿识别方法研究

目前使用的睡姿识别系统存在泄露隐私、束缚人体以及识别精度不高等问题,难以实现临床应用。为了提高睡姿识别的实用性,使用自主开发的柔性压力传感器无束缚采集六种睡姿图像,提出了一种基于支持向量机(SVM)并使用遗传算法(GA)进行关键参数优化的睡姿识别方法。实验表明:提出的方法能准确识别人体睡姿,平均识别准确率可达93.3%,在临床护理领域具有良好的应用前景。

睡姿和床垫对人体睡眠舒适性的影响

本文对人体睡姿进行了分类总结,分析了不同睡姿对体压分布和脊柱形态的影响,并通过人体压力分布测量和脊柱形态测量来评估不同睡姿在床垫上的体压分布和脊柱形态情况,结果表明:不同的睡姿和不同床垫类型对体压分布和脊柱形态有不同的影响;体压分布和脊柱形态测量可用来评估不同睡姿对人体舒适性的影响,为床垫设计提供理论依据。

基于多压电薄膜传感器的睡姿识别方法研究

睡眠姿势是评估睡眠质量的一个重要因素,对呼吸暂停和心血管疾病有着重要影响。为提高心冲击(BCG)睡姿识别的准确性,提出一种通过多路压电薄膜传感器采集心冲击信号实现睡姿识别的方法。首先设计多压电薄膜传感器组成的软垫来获取BCG信号,然后对预处理后的BCG波形进行时域分析,利用特征比值法优化特征向量,最后输入粒子群优化支持向量机(PSO-SVM)实现仰卧、左侧卧、右侧卧、俯卧4种睡姿的准确识别。结果表明,该文方法与已有睡姿识别方法相比准确率提高到97.1%,克服了单路BCG波形受个体差异及环境的影响,为家庭医疗与无感睡眠监测的研究提供了基础。

一种智能婴儿睡姿调整系统的设计

所设计的智能婴儿睡姿调整系统能自动调解婴儿睡眠姿态,避免婴儿保持固定睡姿时间过长,以达到预防和辅助矫正婴儿扁头症的目的。该系统由婴儿睡姿检测模块、核心控制器以及睡姿调整充气睡垫三大部分构成。睡姿监测模块由薄膜压力传感器阵列构成,通过比对各节点压力值获取婴儿睡眠姿态。核心控制器在获取睡姿信息后,通过静音气泵以及泄压阀调整婴儿两侧充气睡垫高度,帮助婴儿改变睡姿。该设计相对常见的扁头症矫正头盔更为舒适安全,从根本上避免了扁头症的发生。

调整ERCP术后病人卧位睡姿的效果观察

[目的]探讨内镜下进行胰胆管造影(ERCP)术后调整病人卧位睡姿在临床护理中的意义。[方法]筛选2016年2月—5月在某医院普外科诊断为胆管结石接受ERCP治疗的病人136例。按照随机对照原则分为试验组和对照组,各68例。试验组术后进行睡姿调整,对照组病人不进行睡姿调整,观察两组病人手术完毕到出院前的血尿淀粉酶、24h睡眠时间、24h胆汁排出量、术后到正常进食时间及术后留院时间等。[结果]术后第1周,试验组病人的血淀粉酶低于对照组,差异有统计学意义(P<0.05);试验组病人术后第1周24h胆汁排出量达到正常,排出量高于对照组,差异有统计学意义(P<0.05),对照组24h胆汁排出量在术后达到正常,高于试验组,差异有统计学意义(P<0.05);术后2周,试验组病人的24h睡眠时间高于对照组,差异有统计学意义(P<0.05),试验组中手术结束到术后正常进食时间短于对照组,差异有统计学意义(P<0.05)。[结论]对胆管结石ERCP术后病人进行睡姿调节及睡眠指导可促进病人康复,并提高病人护理满意度。

基于心冲击信号的睡姿识别

研究证明,睡眠质量与睡姿有着密切关系,不良的睡姿甚至会加剧多种疾病的潜在风险。为了更精准地进行睡眠健康监控,提出了一种基于心冲击(BCG)信号的睡姿模式识别算法,使用非接触、无干扰的压电薄膜传感器采集BCG信号,在腰腹部采集仰卧、俯卧、左侧卧和右侧卧4种睡姿信号,经小波变换降噪等预处理后提取基于J波的特征值,设计并比较基于神经网络和KNN的睡姿识别分类器。实验结果表明,神经网络睡眠识别算法的平均正确识别率为93%,KNN算法为84%,因此基于BCG信号的神经网络睡姿识别算法可以广泛用于睡眠监测应用。