【技术实现步骤摘要】
一种基于特征融合与人工神经网络的睡姿监测方法
本专利技术涉及生理信息监测领域，具体是一种无束缚无干扰的睡姿监测方法，特别是一种基于特征信息融合与人工神经网络的睡姿监测方法。
技术介绍
睡眠是我们生活的重要组成部分，睡眠状态直接关系到人的心理和生理健康，在睡眠状态监测中，睡眠姿势是客观评价睡眠质量的关键之一。在家居环境下对睡眠姿势的有效监测可以实现呼吸疾病及压疮等疾病的早诊断、早预防。目前无束缚、无干扰的睡姿监测方法逐渐成为主要的研究方向，叶荫球等人(叶荫球,姜太平,张蕾.基于水平集方法和神经网络的人体睡姿识别[J].工业控制计算机(05):91-93.)通过相机获取人体的静态睡姿与动态视频，使用基于BP神经网络的算法对四种睡姿进行识别，平均识别精度为73％，识别精度较低且容易造成隐私隐患。张艺超等人(张艺超,袁贞明,孙晓燕.基于心冲击信号的睡姿识别[J].计算机工程与应用(1):135-140.)使用压电薄膜传感器以非接触方式采集人体局部的微小震动信号，使用基于BP神经网络的算法进行睡姿识别，平均正确识别率为93％，...
【技术保护点】
1.一种基于特征融合与人工神经网络的睡姿监测方法，该方法的步骤是：/n第一步：睡姿图像的采集/n使用床单式的大面积的压力传感器阵列采集六种睡姿(仰卧、俯卧、右侧树干型、右侧胎儿型、左侧树干型、左侧胎儿型)的人体压力数据，并经过重组和排序后转换为二维睡姿图像，二维睡姿图像中压力值的坐标与传感器单元的位置一一对应，切实还原人体在传感器上躺卧的方向和位置；/n第二步：睡姿图像的预处理/n将睡姿图像与空载情况下传感器输出的压力数据做差，消除传感器本身带来的噪声，得到实际的睡姿压力图像，并对其进行直方图分析，依次通过反转、局部均衡化、睡姿分割、形态学除噪方式获取四肢分明特征更加明显的...
【技术特征摘要】
1.一种基于特征融合与人工神经网络的睡姿监测方法，该方法的步骤是：
第一步：睡姿图像的采集
使用床单式的大面积的压力传感器阵列采集六种睡姿(仰卧、俯卧、右侧树干型、右侧胎儿型、左侧树干型、左侧胎儿型)的人体压力数据，并经过重组和排序后转换为二维睡姿图像，二维睡姿图像中压力值的坐标与传感器单元的位置一一对应，切实还原人体在传感器上躺卧的方向和位置；
第二步：睡姿图像的预处理
将睡姿图像与空载情况下传感器输出的压力数据做差，消除传感器本身带来的噪声，得到实际的睡姿压力图像，并对其进行直方图分析，依次通过反转、局部均衡化、睡姿分割、形态学除噪方式获取四肢分明特征更加明显的预处理后睡姿图像；
第三步：图像的特征提取与融合
对第二步预处理后睡姿图像进行特征提取，首先提取图像的HOG特征，将图像按m×m像素大小进行单元划分，并计算其梯度大小与方向，再按n×n单元大小进行块划分，以块为窗口滑动扫描图像得到HOG特征Fhog；
再对第二步预处理后睡姿图像提取图像的GLCM特征，将256个灰度等级的图像转换为8个灰度等级，计算不同方向θ和不同距离d的灰度共生矩阵，并求解得到对比度CON、相关COOR、角二阶矩阵ASM、逆差分矩HOM共四个特征的值，分别求取其相同距离下不同角度的均值M和方差S作为最终的GLCM特征，各特征求取公式分别为：
其中：
i和j是像素的灰度；p(i,j,d,θ)为在θ方向上，相隔距离为d的一对像素灰度值分别为i和j的频率；L为图像的灰度等级；设共有四个方向，d的取值个数为k；
设d＝1时，MCON1是对比度的均值，SCON1是对比度的方差，则其具体公式为：
其余3个特征的求取公式同理，最终可得d＝1时，四个特征的向量集合为：
M1＝{MCON1,SCON1,MCOOR1,SCOOR1,MASM1,SASM1,MHOM1,SHOM1}(8)
改变距离d的取值，则最终得到GLCM特征向量Fglcm其表达式为：
Fglcm＝{M1,M2,...,Mk}(9)
接下来对第二步预处理后睡姿图像提取局部特征：局部特征为睡姿区域面积A、腿部区域个数N、头部区域中心坐标点H、头部区域中心坐标点H与腿部区域中心坐标点H1的连线与水平方向所成夹角α；
睡姿区域面积A，即睡姿区域的像素个数，预处理后睡姿图像大小为64×32，背景区域的灰度值为255，则根据图像中非255的像素个数可计算出睡姿区域面积A；
然后对图像进行边缘提取，获取睡姿轮廓后，以预处理后的睡姿图像的左下角为坐标原点，以床长度方向为Y方向，且定义Y正方向为由腿部到头部的方向，以床宽度方向为X方向建立坐标系，X轴为列数，Y轴为行数，将Y∈[576...
【专利技术属性】
技术研发人员：刘今越，周志文，贾晓辉，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：天津;12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。