基于生物电阻抗技术的睡眠姿势识别方法的探讨

对于睡眠姿势的有效监测可以对某些疾病的诊断、预防、治疗提供直接参考。本文提出了一种基于生物电阻抗技术的睡眠姿势识别新方法。该方法采用无创、连续的生物电阻抗技术采集左右胸部呼吸电阻抗信号,从呼吸电阻抗信号中提取睡眠姿态信息,达到睡眠姿势识别的目的。该系统硬件部分采用Agilent E4980A电阻抗仪,通过多通道开关实时采集人体左右胸部两通道的呼吸信号。软件部分分为实时的计算机Labview显示和存储部分以及线下Matlab分类识别处理算法部分。实验共召集了19名测试者参与,每人4次实验。测试者在指导下依次保持仰卧位、左侧卧位、右侧卧位、俯卧位4种姿势,分别在4种姿势下做正常呼吸运动。根据提取的特征值使用支持向量机的方法对4种姿势进行分类识别,结果显示测试组的最高分类识别精度可以达到94.6%。

基于软件定义智能的睡眠动作识别

基于软件定义智能层次化模型设计了一种睡眠动作识别系统,该系统可通过规则推理来应对智能环境中的各种变化因素.设计了一种时间队列实时提取动作特征来训练模型,提出了一种规则提取算法从该模型中提取系统所需规则.该系统基于这些规则可识别9种睡眠动作,每种动作的识别精确率均可达到96%以上,总识别准确率达到98.9%,且比其它系统适应性更强.实验结果表明,该系统通过更新规则可快速应对节点位置、节点数量和用户需求的变化.

加速度传感器在空调器上的睡眠场景应用研究

睡眠占到用户约1/3的生活时间,是智能家电的一个重要场景。为了低成本、无感、准确的采集睡眠状态,介绍一种通过遥控器获取用户睡眠状态的方法。将加速度传感器置于小型遥控器上,遥控器放在用户枕边,采集加速度数据实现对睡眠的识别和睡眠质量的判断,无需穿戴且成本低廉。研究了有效的进入/退出睡眠识别方法,基于匹兹堡睡眠质量指数提取了睡眠质量判断方法,设计了相应的空调睡眠场景应用。

基于一维宽核卷积神经网络—长短时记忆网络的单导脑电信号睡眠状态识别研究

针对睡眠脑电(EEG)信号数据不均衡分布以及多导睡眠图采集过程中舒适性差,从而降低了模型分类能力的问题,本文提出一种基于一维宽核卷积神经网络(WKCNN)和长短时记忆网络(LSTM)的单导EEG信号睡眠状态识别方法(WKCNN-LSTM)。首先,通过小波去噪,并以合成少数过采样技术(SMOTE)与托梅克联系对(Tomek)联合的算法(SMOTE-Tomek)对原始睡眠EEG信号进行预处理;其次,以一维睡眠EEG信号作为模型的输入,利用WKCNN提取频域特征并抑制高频噪声;然后,利用LSTM层挖掘时域特征;最后,全连接层采用归一化指数函数实现睡眠状态识别。实验表明,本文一维WKCNN-LSTM模型的分类准确率为91.80%,分类效果优于近年的同类研究,并且该模型具有良好的泛化性能。本研究不仅提高了单导睡眠EEG信号的分类准确率,也有利于促进便携式睡眠监测设备性能的提高。