一种基于深度神经网络的睡姿识别方法及系统技术方案

本发明专利技术公开一种基于深度神经网络的睡姿识别方法及系统，包括步骤：将体压样本数据输入到深度神经网络进行训练学习，获取睡姿识别模型；利用检测装置实时获取体压二维数组，检测装置通过压力传感器阵列获取体压二维模拟信号数据，并通过A/D转换模块将体压二维模拟数据转换为体压二维数组；将体压二维数组传输到服务器进行预处理，将预处理后的体压二维数组输入到睡姿识别模型进行识别。实施本发明专利技术，通过在床垫的睡躺位置设置压力传感器阵列，获取不同睡姿的体压数据，利用睡姿识别模型对实时获取的体压二维数组进行睡姿识别，提高了睡姿识别的准确性，解决了现有技术中通过摄像头难以在夜间识别用户睡姿，并且还存在侵犯用户隐私的问题。隐私的问题。隐私的问题。

【技术实现步骤摘要】
一种基于深度神经网络的睡姿识别方法及系统


[0001]本专利技术涉及睡姿识别
，特别涉及一种基于深度神经网络的睡姿识别方法及系统。

技术介绍

[0002]睡眠占据人生约三分之一的时间，对人的工作、学习、生活有着非常重大的影响。睡眠是生命的基本需要，也是人类保持身心健康的基础；保持良好的睡眠质量，对于人体自我修复并生长具有极其重要的作用。研究表明，睡眠姿势是决定睡眠质量(如睡眠阶段和睡眠困难)的最重要的因素之一，被广泛用于医学诊断和睡眠疾病治疗。
[0003]现有技术中，通常做法是通过摄像头获取睡姿照片，并利用算法进行图像识别，来判断不同睡姿。
[0004]但通常人们在夜间睡眠会盖被子，严重影响摄像头获取数据；并且，通过摄像头获取睡姿的方式严重侵犯用户的隐私。

技术实现思路

[0005]现有技术中，通过摄像头难以在夜间识别用户睡姿，并且还存在侵犯用户隐私的问题。
[0006]针对上述问题，提出一种基于CNN深度网络的睡姿识别方法及系统，通过在床垫的睡躺位置设置压力传感器阵列，获取不同睡姿的体压数据，然后利用体压样本数据对深度神经网络进行训练学习，获取睡姿识别模型，并对实时获取的体压二维数组进行睡姿识别，提高了睡姿识别的准确性，解决了现有技术中通过摄像头难以在夜间识别用户睡姿，并且还存在侵犯用户隐私的问题。
[0007]第一方面，一种基于深度神经网络的睡姿识别方法，包括：
[0008]步骤100、将体压样本数据输入到深度神经网络进行训练学习，获取睡姿识别模型；
[0009]步骤200、利用检测装置实时获取体压二维数组，其中，所述体压二维数组通过在床垫上的睡躺位置设置检测装置检测获取，所述检测装置通过压力传感器阵列获取体压二维模拟信号数据，并通过A/D转换模块将所述体压二维模拟数据转换为体压二维数组；
[0010]步骤300、将所述体压二维数组传输到服务器进行预处理，将预处理后的体压二维数组输入到所述睡姿识别模型进行识别，并输出识别结果。
[0011]结合本专利技术第一方面所述的基于深度神经网络的睡姿识别方法，第一种可能的实施方式中，所述步骤100包括：
[0012]步骤110、所述服务器对收到的体压二维数组进行预处理，获取体压样本数据。
[0013]结合本专利技术第一方面第一种可能的实施方式，第二种可能的实施方式中，所述步骤100还包括：
[0014]步骤120、设置深度神经网络的迭代次数、权重及偏值；
[0015]步骤130、输入体压样本数据到所述深度神经网络，计算期望输出与实际输出之间的输出误差；
[0016]步骤140、将所述输出误差与误差预设值进行比较判断；
[0017]步骤150、重复步骤130
‑
步骤140，直到完成迭代次数或所述输出误差小于所述误差预设值，获取睡姿识别模型。
[0018]结合本专利技术第一方面第二种可能的实施方式，第三种可能的实施方式中，所述步骤150包括步骤：
[0019]步骤151、根据输入体压样本数据反向传播计算，获取所述深度神经网络的每个节点的节点误差及增量；
[0020]步骤152、根据所述增量更新深度神经网络的每层节点的权重参数。
[0021]结合本专利技术第一方面第三种可能的实施方式，第四种可能的实施方式中，所述步骤200包括：
[0022]步骤210、在床垫上的睡躺位置设置柔性压阻薄膜；
[0023]步骤220、将横向电极、纵向电极分别贴合设置在所述柔性压阻薄膜的两侧，构成M
×
N阵列电极；
[0024]其中，所述柔性压阻薄膜的面积为Hcm
×
Lcm，以覆盖人体躯干部分面积。
[0025]结合本专利技术第一方面第四种可能的实施方式，第五种可能的实施方式中，所述步骤200还包括：
[0026]步骤230、将检测到的体压二维模拟信号数据转换为体压二维数字信号数据，获取体压二维数组；
[0027]步骤240、将所述体压二维数组传输到服务器。
[0028]结合本专利技术第一方面第五种可能的实施方式，第六种可能的实施方式中，所述步骤300包括步骤：
[0029]步骤310、获取所述体压二维数组中体压最大值对应的睡姿图像的第一灰度值；
[0030]步骤320、利用式子(1)：
[0031][0032]获取灰度矩阵，以减少睡姿图像的噪点，其中，单个灰度值，指所述二维数组中的元素对应的睡姿图像中的单个灰度值。
[0033]第二方面，一种基于深度神经网络的睡姿识别系统，采用第一方面所述的识别方法，包括：
[0034]服务器；
[0035]检测装置；
[0036]所述检测装置与所述服务器通讯连接；
[0037]所述检测装置设置在床垫上睡躺位置，用于检测不同睡姿的体压数据，并将所述体压数据进行转换，获取体压二维数组；
[0038]所述服务器用于：
[0039]对收到的体压二维数组进行预处理，获取体压样本数据，并将所述体压样本数据输入深度神经网络进行训练学习，获取睡姿识别模型并利用所述睡姿识别模型对实时获取
的经过预处理的身体压力数据进行识别，并输出识别结果；
[0040]其中，所述检测装置包括：
[0041]压力传感器阵列；
[0042]所述压力传感器阵列用于获取体压二维模拟信号数据。
[0043]结合本专利技术第二方面所述的睡姿识别系统，第一种可能的实施方式中，所述检测装置还包括：
[0044]A/D转换模块；
[0045]所述A/D转换模块与所述压力传感器阵列电连接，用于将所述体压二维模拟信号数据转换为体压二维数组。
[0046]结合本专利技术第二方面所述的基于深度神经网络的睡姿识别系统，第二种可能的实施方式中，所述压力传感器阵列包括：
[0047]柔性压阻薄膜；
[0048]横向电极；
[0049]纵向电极；
[0050]所述横向电极、纵向电极分别贴合设置在所述柔性压阻薄膜的两侧，构成M
×
N阵列电极；
[0051]所述柔性压阻薄膜的面积为Hcm
×
Lcm，以覆盖人体躯干部分面积。
[0052]实施本专利技术所述的基于深度神经网络的睡姿识别方法及系统，通过在床垫的睡躺位置设置压力传感器阵列，获取不同睡姿的体压数据，然后利用体压样本数据对深度神经网络进行训练学习，获取睡姿识别模型，并对实时获取的体压二维数组进行睡姿识别，提高了睡姿识别的准确性，解决了现有技术中通过摄像头难以在夜间识别用户睡姿，并且还存在侵犯用户隐私的问题。
附图说明
[0053]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的睡姿识别方法，其特征在于，包括：步骤100、将体压样本数据输入到深度神经网络进行训练学习，获取睡姿识别模型；步骤200、利用检测装置实时获取体压二维数组，其中，所述体压二维数组通过在床垫上的睡躺位置设置检测装置检测获取，所述检测装置通过压力传感器阵列获取体压二维模拟信号数据，并通过A/D转换模块将所述体压二维模拟数据转换为体压二维数组；步骤300、将所述体压二维数组传输到服务器进行预处理，将预处理后的体压二维数组输入到所述睡姿识别模型进行识别，并输出识别结果。2.根据权利要求1所述的基于深度神经网络的睡姿识别方法，其特征在于，所述步骤100包括：步骤110、所述服务器对收到的体压二维数组进行预处理，获取体压样本数据。3.根据权利要求2所述的基于深度神经网络的睡姿识别方法，其特征在于，所述步骤100还包括：步骤120、设置深度神经网络的迭代次数、权重及偏值；步骤130、输入体压样本数据到所述深度神经网络，计算期望输出与实际输出之间的输出误差；步骤140、将所述输出误差与误差预设值进行比较判断；步骤150、重复步骤130
‑
步骤140，直到完成迭代次数或所述输出误差小于所述误差预设值，获取睡姿识别模型。4.根据权利要求3所述的基于深度神经网络的睡姿识别方法，其特征在于，所述步骤150包括步骤：步骤151、根据输入体压样本数据反向传播计算，获取所述深度神经网络的每个节点的节点误差及增量；步骤152、根据所述增量更新深度神经网络的每层节点的权重参数。5.根据权利要求4所述的基于深度神经网络的睡姿识别方法，其特征在于，所述步骤200包括：步骤210、在床垫上的睡躺位置设置柔性压阻薄膜；步骤220、将横向电极、纵向电极分别贴合设置在所述柔性压阻薄膜的两侧，构成M
×
N阵列电极；其中，所述柔性压阻薄膜的面积为Hcm
×
Lcm，以覆盖人体躯干...

【专利技术属性】
技术研发人员：刘众，卢坤涛，苏明亮，
申请(专利权)人：深圳市三分之一睡眠科技有限公司，
类型：发明
国别省市：