一种睡姿识别方法及枕头与流程

摘要: 本申请涉及睡眠,尤其涉及一种睡姿识别方法及枕头。背景技术:1、现有传统枕头普遍采用固定高度的静态支撑结构,无法在整夜睡眠过程中,根据人体仰卧、侧卧等不同睡姿转换...
一种睡姿识别方法及枕头与流程

本申请涉及睡眠,尤其涉及一种睡姿识别方法及枕头。

背景技术:

1、现有传统枕头普遍采用固定高度的静态支撑结构,无法在整夜睡眠过程中,根据人体仰卧、侧卧等不同睡姿转换时头颈部对支撑高度的差异化需求进行动态响应。这导致大量用户因枕高不适引发颈椎生理曲度异常、颈肩肌肉劳损、气道受阻(打鼾)以及睡眠连续性中断等问题。

2、为解决上述问题,现有技术通常通过压力传感器监测用户睡姿,然而现有技术采用单一识别算法,识别准确率较低。

3、因此,需要对现有技术进行改进。

4、以上信息作为背景信息给出只是为了辅助理解本申请,并没有确定或者承认任意上述内容是否可用作相对于本申请的现有技术。

技术实现思路

1、本申请提供一种睡姿识别方法及枕头,以解决现有技术中存在的睡姿识别准确率低的问题。

2、为实现上述目的,本申请提供以下技术方案:

3、第一方面,本申请实施例提供了一种睡姿识别方法,包括:

4、通过部署于头部和/或肩颈承托区域的多通道压力传感器实时采集原始压力信号;

5、基于所述原始压力信号提取当前压力统计特征和当前压力分布向量;所述当前压力统计特征包括基线变化特征、幅值特征、时间特征、位置特征、统计特征、差分特征、频域特征、压力分布特征和历史均值特征中的任意组合;

6、将所述当前压力统计特征输入预训练的睡姿检测模型,由所述睡姿检测模型推理计算得到各类睡姿分别对应的第一置信度;

7、将所述当前压力分布向量分别与预存储的多种睡姿模板进行相似度匹配,计算得到当前压力分布向量与各种所述睡姿模板的综合匹配度,根据各所述综合匹配度确定各类睡姿分别对应的第二置信度;

8、将各类睡姿对应的所述第一置信度与所述第二置信度进行加权融合,得到各类睡姿的融合置信度,选取其中融合置信度最大的睡姿类别作为最终的睡姿识别结果。

9、可选地,所述睡姿检测模型的训练方法包括:

10、通过所述压力传感器获取历史原始压力信号;

11、对所述历史原始压力信号进行预处理,基于经所述预处理且处于稳定状态的所述历史压力信号提取历史压力统计特征;

12、对所述历史压力统计特征进行相关性筛选以剔除其中的冗余特征,得到优化训练特征集;

13、采用预设学习算法,利用所述训练样本集进行模型训练,生成所述睡姿检测模型。

14、可选地,所述预设学习算法包括随机森林算法。

15、可选地,所述当前压力统计特征的提取方法包括:

16、当所述原始压力信号的当前采样值与压力信号基线之间的差值的绝对值超过预设突变阈值时,判定当前存在体动和/或翻身事件;

17、判定当前存在体动和/或翻身事件时,持续监测所述原始压力信号在预设时间窗口内的波动幅度;

18、当所述波动幅度持续小于预设稳定阈值时,判定当前进入睡姿稳定状态,触发执行特征提取动作;所述特征提取动作包括:获取当前睡姿稳定状态下预设时长内的原始压力信号,基于所述预设时长内的原始压力信号计算所述当前压力统计特征中的各类别特征。

19、可选地,所述压力信号基线通过对所述原始压力信号采用滑动平均法计算得到。

20、可选地,所述当前压力分布向量与各种所述睡姿模板的综合匹配度的计算方法,包括:

21、针对每种睡姿模板,计算当前睡姿模板与所述当前压力分布向量之间的多个匹配度衡量指标;将所述多个匹配度衡量指标归一化后融合,得到当前压力分布向量与当前睡姿模板的综合匹配度。

22、可选地,所述多个匹配度衡量指标包括距离指标、散度指标和相似度指标;

23、所述距离指标包括欧氏距离、曼哈顿距离、wasserstein距离及巴氏距离;所述散度指标包括kl散度和js散度;所述相似度指标包括余弦相似度、皮尔逊相关系数及重叠系数。

24、可选地,所述融合的计算式为:

25、;

26、其中,为当前压力分布向量,为第i类睡姿模板,为当前压力分布向量与第i类睡姿模板的综合匹配度得分,为当前压力分布向量与第i类睡姿模板的第k个距离/散度指标,为当前压力分布向量与第i类睡姿模板的第 k 个相似度指标。

27、第二方面,本申请实施例提供了一种枕头,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如以上任一项所述的睡姿识别方法。

28、第二方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机可执行指令,所述计算机可执行指令由计算机处理器执行,以实现以上任一项所述的睡姿识别方法。

29、与现有技术相比,本申请具有以下有益效果:

30、本申请实施例将ai识别与模板匹配进行双引擎融合,能够显著提升睡姿识别的准确率和鲁棒性。ai模型在大样本训练下具有良好的泛化能力,但在面对体型特殊的用户(如极度消瘦或肩宽异常者)时,其压力分布模式与训练集中心分布的偏离会导致识别偏差;模板匹配方式对用户自身的个体形态高度敏感,但容易因用户躺卧位置的左右偏移等而产生误判。因此,本申请实施例通过置信度加权融合,在ai模型置信度较高时以模型判断为主导、在模板匹配置信度较高时以匹配结果为主导,使两种算法在不同场景下得以互补,从而使整体识别准确率获得显著提升。经验证,两种算法结合后睡姿识别准确率可以由91.6%提升到95.1%。

31、本申请具有其他的特性和优点,这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的,或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述,这些附图和具体实施方式共同用于解释本申请的特定原理。

1.一种睡姿识别方法,其特征在于,包括:

2.按照权利要求1所述的睡姿识别方法,其特征在于,所述睡姿检测模型的训练方法包括:

3.按照权利要求2所述的睡姿识别方法,其特征在于,所述预设学习算法包括随机森林算法。

4.按照权利要求1所述的睡姿识别方法,其特征在于,所述当前压力统计特征的提取方法包括:

5.按照权利要求4所述的睡姿识别方法,其特征在于,所述压力信号基线通过对所述原始压力信号采用滑动平均法计算得到。

6.按照权利要求1所述的睡姿识别方法,其特征在于,所述当前压力分布向量与各种所述睡姿模板的综合匹配度的计算方法,包括:

7.按照权利要求6所述的睡姿识别方法,其特征在于,所述多个匹配度衡量指标包括距离指标、散度指标和相似度指标;

8.按照权利要求7所述的睡姿识别方法,其特征在于,所述融合的计算式为:

9.一种枕头,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-8中任一项所述的睡姿识别方法。

10.一种计算机可读存储介质,其上存储有计算机可执行指令,其特征在于,所述计算机可执行指令由计算机处理器执行,以实现如权利要求1-8中任一项所述的睡姿识别方法。