卧床人体度量参数估计方法及装置

摘要: 本发明涉及智能传感,尤其涉及一种卧床人体度量参数估计方法及装置。背景技术:1、随着智能家居与无感健康监测技术的发展,基于智能分析的睡眠辅助设备因其在睡眠质量评估...
卧床人体度量参数估计方法及装置

本发明涉及智能传感,尤其涉及一种卧床人体度量参数估计方法及装置。

背景技术:

1、随着智能家居与无感健康监测技术的发展,基于智能分析的睡眠辅助设备因其在睡眠质量评估、疾病早期筛查等方面的巨大应用潜力而备受关注。在卧床场景下,基于rgb或深度相机等视觉方案的姿态感知技术虽然取得了一定进展,但普遍存在受环境光照限制、易被被褥遮挡以及引发用户隐私担忧等固有缺陷。相比之下,铺设于床垫表面的柔性薄膜压阻传感器阵列能够直接获取人体的二维压力分布信息,具备隐私友好、无光照依赖且能穿透被褥的独特优势,为睡姿检测提供了更为理想的感知途径。

2、理论上,二维压力图像不仅包含人体的动态姿态信息,还蕴含着身高、体重等静态人体度量参数的潜力。然而,现有的压力图像处理方法主要基于单帧输入,通过深度神经网络直接回归三维人体模型参数,在实际应用中面临诸多瓶颈。

3、首先,二维压力分布是三维人体在接触平面的投影,存在本质的信息丢失,导致不同三维姿态可能对应相似的二维压力分布,产生多解性问题;其次,身高、体重等静态参数在单帧观测中具有不可随时观测性,尤其在侧卧或蜷缩姿态下,严重的自遮挡现象使得单帧方法难以稳定估计上述参数;最后,也是最关键的,现有方法未能有效解耦环境因素与人体自身重量,导致算法在面对不同床垫或不同个体时泛化能力极差,更换使用环境后估计精度会出现严重偏差。此外,现有技术往往需要预先录入用户的体型体重信息或对特定床垫进行繁琐的手动标定,无法实现真正的无感监测。

4、因此,亟需一种能够在未知用户体型及未知环境条件下,同时实现动态姿态估计与静态人体度量参数在线自校准的监测方案。

技术实现思路

1、本发明提供一种卧床人体度量参数估计方法及装置,用以解决现有卧床人体度量参数估计方法泛化性差、依赖先验信息且单帧估计不准确的问题,实现高精度、强鲁棒性的无感睡眠监测。

2、一方面,本发明提供一种卧床人体度量参数估计方法,包括:获取用户的当前压力分布图像,提取所述当前压力分布图像的空间特征向量,并根据所述空间特征向量的可观测性得分确定有效特征队列;利用所述有效特征队列校准优化静态形体参数和系统缩放系数;所述静态形体参数和系统缩放系数的初始值为预设人群先验值;融合所述空间特征向量与校准优化后的静态形体参数和系统缩放系数,输出人体度量参数;所述人体度量参数包括动态姿态参数估计值、静态形态参数估计值及系统缩放系数估计值。

3、进一步地,根据所述空间特征向量的可观测性得分确定有效特征队列,包括:基于预先训练的可观测性评价模块,对所述空间特征向量进行评分,得到所述可观测性得分;在所述可观测性评分高于预设阈值的情况下,将所述空间特征向量存入有效特征队列;其中,所述可观测性评价模块基于单层全连接网络和非线性激活函数构建。

4、进一步地,将所述当前压力分布图像输入至预先训练的骨干编码器,输出所述空间特征向量;将所述有效特征队列输入至预先训练的时序解码器,得到校准优化后的静态形体参数和系统缩放系数;对所述空间特征向量与校准优化后的静态形体参数和系统缩放系数进行通道级融合、拼接,得到融合特征向量;将所述融合特征向量输入至预先训练的预测解码器,得到输出的人体度量参数。

5、进一步地,对所述骨干编码器、所述可观测性评价模块、所述时序解码器和所述预测解码器进行端到端联合训练,具体包括:采集多组训练样本,每组训练样本包含压阻传感器阵列采集的真实压力分布图像序列,以及同步采集的人体三维姿态真值、静态形体真值、真实体重及对应床垫的环境增益系数真值;构建总损失函数,以所述训练样本为输入,以最小化所述总损失函数为目标,对所述骨干编码器、所述可观测性评价模块、所述时序解码器以及所述预测解码器的网络权重进行端到端联合优化;训练收敛后,将所述骨干编码器、所述可观测性评价模块、所述时序解码器及所述预测解码器的网络权重全部冻结,作为在线应用阶段的预训练模型。

6、进一步地,所述总损失函数包括动态姿态监督损失、静态形体监督损失、系统缩放系数监督损失及可微前向压力一致性损失;其中,所述动态姿态监督损失为所述预测解码器输出的姿态参数与三维姿态真值之间的l2范数平方;所述静态形体监督损失为所述预测解码器输出的形体参数与静态形体真值之间的l2范数平方;所述系统缩放系数监督损失为所述预测解码器输出的系统缩放系数与由环境增益系数真值和真实体重乘积得到的缩放系数真值之间的l2范数平方;所述可微前向压力一致性损失为重建压力图像与真实压力分布图像之间的frobenius范数;所述重建压力图像通过将当前迭代的姿态参数、形体参数及缩放系数输入可微前向压力映射函数生成得到。

7、进一步地,所述将所述空间特征向量存入有效特征队列,包括:计算所述空间特征向量与所述有效特征队列中已有特征向量的特征相似度;在所述特征相似度低于预设相似度阈值的情况下,将所述空间特征向量存入有效特征队列;在所述特征相似度低于预设相似度阈值,且所述有效特征队列达到最大存储容量的情况下,移除有效特征队列中最早存入的特征向量,并将所述空间特征向量存入。

8、进一步地,所述获取用户的当前压力分布图像,包括:通过布置于支撑表面的压阻传感器阵列,按预设采样频率连续采集各传感节点的压力值;将各传感节点的压力值排列为预设尺寸的二维压力分布图像,得到所述当前压力分布图像。

9、进一步地,所述系统缩放系数为环境增益系数与用户真实体重的乘积;所述环境增益系数表征生成所述当前压力分布图像的采集环境及承载介质的物理特性,用于消除不同采集条件下的压力读数偏差。

10、进一步地,在部署阶段对所述静态形体参数和所述系统缩放系数进行内置初始化,包括:将所述静态形体参数初始化为预设的人群平均形体参数,并将所述系统缩放系数初始化为预设的人群平均系统缩放系数;将初始化后的静态形体参数和系统缩放系数进行预先存储,以供在线自校准估计时调用。

11、进一步地,还包括:持续监测所述当前压力分布图像的全局统计量,所述全局统计量包括压力均值、压力方差、压力中心位置中的一项或多项组合;在所述全局统计量的变化幅度超过预设变化阈值的情况下,确定系统首次启动或所述用户为新用户,直接调用预先存储的初始化后的静态形体参数和系统缩放系数,并清空所述有效特征队列。

12、进一步地,所述融合所述空间特征向量与校准优化后的静态形体参数和系统缩放系数,输出人体度量参数,之后包括:将所述当前压力分布图像对应的动态姿态参数强制为零;将所述人体度量参数中的静态形态参数估计值输入至人体动力学模型中,驱动标准人体模板网格发生形变,解算得到对应当前用户体型的三维人体网格;遍历所述三维人体网格的所有顶点,提取垂直方向坐标的最大值与最小值;计算所述最大值与所述最小值的差值,将所述差值确定为当前用户的真实身高值。

13、第二方面,本发明还提供一种卧床人体度量参数估计装置,包括:图像采集与特征提取模块,用于获取用户的当前压力分布图像,提取所述当前压力分布图像的空间特征向量,并根据所述空间特征向量的可观测性得分确定有效特征队列;长时自校准模块,用于利用所述有效特征队列校准优化静态形体参数和系统缩放系数;所述静态形体参数和系统缩放系数的初始值为预设人群先验值;融合输出模块,用于融合所述空间特征向量与校准优化后的静态形体参数和系统缩放系数,输出人体度量参数;所述人体度量参数包括动态姿态参数估计值、静态形态参数估计值及系统缩放系数估计值。

14、第三方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述卧床人体度量参数估计方法。

15、第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述卧床人体度量参数估计方法。

16、第五方面,本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述卧床人体度量参数估计方法。

17、本发明提供的卧床人体度量参数估计方法,通过获取用户的当前压力分布图像,提取当前压力分布图像的空间特征向量,并根据空间特征向量的可观测性得分确定有效特征队列,进而利用有效特征队列校准优化静态形体参数和系统缩放系数;静态形体参数和系统缩放系数的初始值为预设人群先验值,从而融合空间特征向量与校准优化后的静态形体参数和系统缩放系数,输出人体度量参数;人体度量参数包括动态姿态参数估计值、静态形态参数估计值及系统缩放系数估计值。该方法通过可观测性筛选构建高质量特征队列,结合人群先验初始化与长时自校准机优化,无需用户手动录入身高、体重等先验信息,即可实现无感冷启动;同时通过多姿态特征互补抵消单帧观测偏差,利用系统缩放系数消除床垫硬度、传感器灵敏度等硬件差异,实现跨床场景下人体度量参数的高精度稳定估计。