基于频域特征提取的睡姿识别方法与流程

本发明涉及智能睡眠监测领域，特别涉及基于频域特征提取的睡姿识别方法。

背景技术：

1、睡姿识别作为实现个性化健康管理及枕头自适应调节的核心环节，通常依托压力传感器和惯性测量单元进行判定。

2、现有技术中仅对整体信号做简单的时域统计或全局一维傅里叶变换，从未将柔性压力阵列依照人体头颈生理结构划分为后脑中央区、左右颈肩区、前颈支撑区、后枕缓冲区五个明确分区，更未针对各分区压力子矩阵执行二维傅里叶变换以提取空间频谱特征，导致算法难以刻画压力分布的空间形态与生理微动的频率节律，识别结果不能满足精细场景需求。

3、现有技术中尝试融合压力与惯性测量单元数据，但采用固定权重拼接原始特征，未考量压力频域特征与姿态频域特征之间的物理一致性；在压力预分类、姿态判定与设备指示发生冲突时，致使瞬时干扰易被放大，多源融合结果可信度不足。

4、已有技术大多依靠单帧分类或简单的滑动平均滤波或延时确认，无法区分真实睡姿切换、瞬时噪声与姿态调整中三种轨迹形态，在扰动下错误更新输出，造成睡眠监测数据误差。

5、通用识别模型一经出厂即固定，没有依据青少年、孕妇、通用等人群标签差异化设定周期，从频域基线反推肩宽生长量、孕周进展或体重波动以实现差异化调节，导致设备在用户生长发育、孕期体态变化或普通成人体重波动时，识别精度持续变差。

6、所以我们提出基于频域特征提取的睡姿识别方法，用于解决上述问题。

技术实现思路

1、本发明的目的在于提供基于频域特征提取的睡姿识别方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：基于频域特征提取的睡姿识别方法，包括以下步骤：

3、s1多源同步采集与生理分区映射：同步获取枕面二维压力数据、头部姿态运动数据及关联设备状态数据，按预置的人体头颈生理分区从压力数据中切分出各分区压力子矩阵；

4、s2多维度频域特征提取与向量构建：对各分区压力子矩阵进行二维傅里叶变换以提取空间频谱特征集，对选定区位压力时序及姿态时序分别进行一维傅里叶变换以提取时间与姿态频谱特征，融合上述特征生成高维频域特征向量；

5、s3跨模态融合判决：结合预分类结果及置信度、运动数据频域特征以及设备状态信息进行动态权重分配与多源一致性判断，加权计算融合总置信度，输出候选睡姿及融合置信度；

6、s4频域轨迹稳定性判定：获取连续多帧候选睡姿对应的高维频域特征向量，逐帧计算相邻帧频域特征向量的余弦相似度，拟合形成频域特征演化轨迹曲线；通过计算轨迹的单调性系数与波动方差，仅在判定为真实睡姿切换时更新稳定睡姿标签并输出。

7、优选的，基于步骤s1多个生理分区具体包括：

8、后脑中央区，对应传感阵列的中心标定区域，对应人体后脑勺正中部位；

9、左侧颈肩区，对应传感阵列左侧的肩颈标定区域，对应人体左侧颈部与肩部；

10、右侧颈肩区，对应传感阵列右侧的肩颈标定区域，对应人体右侧颈部与肩部；

11、前颈支撑区，对应传感阵列前缘的颈椎标定区域，对应人体脖颈前方部位；

12、后枕缓冲区，对应传感阵列后缘的颈窝标定区域，对应人体后脑勺下方靠近颈窝区域；

13、各分区的坐标范围基于人体头颈生理接触分布预先标定并固化于mcu固件中，采集完成后直接按标定坐标裁切各分区数据。

14、优选的，基于步骤s2，空间频谱基础特征包括：频谱质心、频谱熵、频谱峭度、低空间频率段能量占比、高空间频率段能量占比、频谱峰值幅值；

15、其中，频谱质心为功率谱的加权平均空间频率，用于反映压力分布的空间变化尺度；

16、频谱熵为归一化功率谱的信息熵，用于反映压力分布图案的规整度；

17、频谱峭度为功率谱的四阶矩，用于反映频谱的尖峰程度；

18、低空间频率段能量占比为预设径向频率范围内的能量占总能量的比值，对应大面积缓变压力分布；

19、高空间频率段能量占比为预设高频径向范围内的能量占总能量的比值，对应扰动与噪声信号；

20、频谱峰值幅值为功率谱排除直流分量后的最大值，用于反映主空间压力模式的强度。

21、优选的，基于步骤s2，频谱差异与对称度高阶特征包括：

22、左右颈肩区频谱质心对称度，为左右颈肩区频谱质心的差值归一化结果，用于区分仰卧与侧卧姿态；

23、左右颈肩区能量对称度，为左右颈肩区低空间频率段能量占比的比值，用于量化左右压力分布的对称程度；

24、前后区域频谱能量差，为前颈支撑区与后枕缓冲区的频谱能量差值，用于识别头部前倾或后仰姿态；

25、中央与边缘频谱衰减斜率，为后脑中央区与后枕缓冲区的频谱质心差值除以区域标定间距，用于反映压力分布的过渡平滑度；

26、径向奇偶环能量比，为按空间频率半径划分的奇偶环带能量比值；

27、偶次径向环能量占比，为偶数半径环带能量占总能量的比值；

28、全局频谱方差，为所有生理分区频谱质心的方差；

29、全局频谱偏度，为所有生理分区频谱质心的偏度。

30、优选的，基于步骤s2中，时间维度的频谱特征包括：呼吸频段能量占比、微动频段能量占比、动作频段能量占比、时间域频谱熵；

31、其中，呼吸频段能量占比反映呼吸导致的压力波动，微动频段能量占比反映心跳与肌肉微动，动作频段能量占比反映翻身震动，时间域频谱熵用于区分睡眠稳定状态与扰动状态；

32、姿态维度的频谱特征包括：动作频段能量占比与频谱峰值频率；

33、其中，动作频段能量占比反映头部翻身动作的频域能量，频谱峰值频率为功率谱最大幅值对应的频率，用于判定头部主导运动节律。

34、优选的，基于步骤s2中的双轨机制具体为：

35、快速匹配通道：预存用户专属的各类睡姿频域模板，将当前高维频域特征向量与各模板逐一计算余弦相似度，若最高相似度满足预设匹配阈值，则直接输出对应睡姿标签与置信度，跳过模型推理以降低算力消耗；

36、模型推理通道：当最高相似度未达到预设匹配阈值时，调用经轻量化优化的分类模型进行推理，输出各类睡姿的概率分布，取最高概率类别作为预分类结果，对应概率值作为置信度。

37、优选的，基于步骤s4，相干系数为压力频域特征向量与姿态频域特征向量之间的余弦相似度；依据相干系数所处区间动态设定压力特征、姿态特征及设备状态的权重比例；当关联电子设备亮屏且屏幕角度处于预设区间时，对特定睡姿类型的融合置信度予以加权提升；若多源结果一致则直接输出候选睡姿，若不一致则结合历史稳定模板进行二次校验后输出。

38、优选的，基于步骤s4中，轨迹判定规则具体为：

39、当单调性系数满足预设过渡阈值、相似度序列存在明显谷值且波动方差低于预设平滑阈值，同时连续多帧候选标签保持一致时，判定为真实睡姿切换，更新稳定睡姿标签并输出；

40、当波动方差高于预设噪声阈值且单调性系数未达到过渡阈值时，判定为瞬时噪声干扰，维持上一稳定睡姿输出；

41、当波动方差处于中间过渡区间、单调性系数未达到过渡阈值，且连续多帧候选标签不唯一时，判定为姿态调整中，暂不更新稳定睡姿，维持原输出并持续监测。

42、优选的，还包括步骤s5周期迭代更新与生理反推，在完成稳定性判定并输出有效稳定睡姿后，系统对应进行周期触发，提取周期内稳定睡姿的频域特征数据集，统计各类睡姿的频域特征基线变化，并结合用户人群标签进行生理状态反推，为后续自适应迭代提供输入；

43、用户人群标签包括青少年标签、孕妇标签与通用成人标签，不同人群标签对应设置不同的外循环更新周期。

44、优选的，基于步骤s5，还包括内循环与外循环：内循环以第一周期或累计第一数量的高置信度样本触发，采用无监督聚类算法生成用户专属的各类睡姿频域模板并优化分类模型；外循环根据用户人群标签以第二周期触发，反推生理状态并自适应调整模板匹配范围、识别灵敏度或分类阈值。

45、本发明的技术效果和优点：

46、1.通过柔性压力阵列、6轴陀螺仪、蓝牙设备状态的数据，将枕面阵列划分为后脑中央区、左右颈肩区、前颈支撑区、后枕缓冲区五个生理分区，对各分区压力子矩阵执行二维傅里叶变换提取空间特征，对关键点位与imu时序执行一维fft提取时域频域特征，融合为标准化高维频域特征向量，便于对应进行精细场景区分需求。

47、2.定义压力与姿态同维时域频域特征的余弦相似度为相干系数，据此动态划分压力、姿态、设备状态权重，多源一致则直出，冲突时借历史稳定模板进行二次校验，削弱了干扰信号，显著提升了融合置信度的可靠性。

48、3.输入连续多帧高维频域向量，计算相邻帧余弦相似度形成演化轨迹，以单调性系数与波动方差双指标判定：真实切换需满足单调下降、谷底、单调回升且方差极小，噪声则方差超大且非单调，调整中居间，系统默认维持上一稳定标签，仅当确认真实切换时更新，保证了调整的准确性。

49、4.内循环定期以高置信度样本无监督聚类刷新用户睡姿专属频域模板，自动适应用户独特的睡姿习惯与体型特征，解决通用模型个体适配性差的问题；外循环按青少年/孕妇/通用标签差异化周期，从频域基线反推肩宽生长量、孕周进展或体重波动，实现差异化调节。