基于红外摄像头的睡眠姿势嵌入式监测系统设计

文/曾进 老志辉 许绵渠

图1：睡眠姿势监测系统的整体框图

随着经济的高速发展，工作生活节奏快速，人们面临越来越多的睡眠问题，睡眠质量因此在临床中受到了空前的关注。不良的睡眠姿势是导致睡眠不良的重要因数之一，而不良的睡眠姿势往往与快速生活节奏下的生活习惯有关。例如，在年轻人中，睡前使用手机是一种普遍现象，这一行为是不良睡姿的主要诱因。不良的睡眠姿势不仅会导致睡眠不良，更严重的是，不良睡姿往往还与小腿痉挛和睡眠呼吸暂停等许多疾病的临床症状高度相关。而在康复治疗中，患者在通常需要在手术后保持特定的睡眠姿势以获得更好的康复效果，不良的睡姿无疑会降低治疗效果。由此可见，对睡姿的长期自动监测是医疗、健康领域中的一项关键技术，在疾病的防治中，睡眠姿势信息也占有十分重要的地位。

表1：需要解决的关键问题

表2：项目开发板主要性能指标简介

表3：红外摄像头参数

表4：用于睡姿分类的纠错输出码（ECΟC）

1 总体设计

1.1 系统框图及算法框图

系统整体框图如图1。

为了对应光线变化明显的场景，将所有输入系统的图像预先规约为红外灰度图像，这样就能在实时监测中获得稳定的待测试样本，图像分割、特征提取等工作也可顺利进行。

针对睡眠姿势的分类与识别问题，在基于红外摄像头的前提下，主要采用图像特征提取、支持向量机等方法研究睡姿的分类与识别,并基于嵌入式平台设计具有成本低、灵活性强、易于维护、低功耗、实用性强等特点的实时监测系统。核心算法及实现流程如图2。

1.2 设计核心问题

（1）支持向量机与卷积神经网络在FPGA嵌入式平台的实时性问题

（2）系统功耗控制问题

除了以上2个关键问题，在系统研发流程有如表1所列问题需要解决。

2 硬件部分

2.1 系统主控部分

图2：算法及其实现的流程

图3：开发板芯片运算资源框图

图4：HOG算法处理流程

图5：引入潜在变量的分类模型

图6：人机交互界面

图7：不同分类参数下SVM的识别精确度

本课题组使用图像处理性能出众、连续工作稳定性好的嵌入式开发平台Zedboard，其运算资源构架及参数见图3、表2。

2.2 红外摄像头

经技术处理，红外摄像头可在光照变化明显的情况下提供稳定的灰度图像，这类图像易于对各项指标进行识别，在本设计中摄像头的相关参数如表3。

3 软件部分

3.1 HOG特征提取及边缘检测

如图4所示，在采集视频的一幅图像中，方向梯度直方图（Histogram of Οriented Gradient,HΟG）能够很好地描述局部目标区域的特征，是一种常用的特征提取方法，HΟG+SVM在行人检测中有着优异的效果。在HΟG中，对一幅图像进行了如下划分：

图像(image)-＞检测窗口(win)-＞图像块(block)-＞细胞单元(cells)

3.2 机器学习：支持向量机与卷积神经网络

3.2.1 支持向量机

以睡姿中左卧、右卧、仰卧3种模型建立过程为例简述支持向量机在本课题睡眠姿势识别的应用，图5为引入潜在变量的分类模型。

对给定训练集，经过数学分析推导最终构造分类函数，并将数据分类为左卧、右卧或仰卧三个特定的卧床姿势。根据纠错输出码(ECΟC)训练三个分类器，如表4所示。在检测过程中，只有第一个分类器将目标定位到最优位置后才使用潜在变量。在姿态识别阶段，不需要再次对潜在变量进行优化调整。该设计的优点是降低了计算量，提高了系统的实时性。

3.2.2 卷积神经网络

前期睡眠姿势的分类采用了支持向量机（SVM）算法，后续研究中拟尝试卷积神经网络作为新的分类监测识别算法，进一步提高识别率。

3.3 人机交互界面

该界面主要向用户反馈睡眠信息，如图6。

4 测试验证

对系统进行了如下测试：

4.1 识别准确度分析

本作品对支持向量机的训练参数定义了综合参量，并将综合参量对识别准确度的影响绘制如图7。

支持向量机在不同综合参数下训练出的模型识别精确度有所不同，经过调整与测试，相关综合指标在取值为15左右的时候可以训练出最佳模型。

4.2 系统健壮性测试

本系统的软件操作平台基于ubuntu，是目前最稳定的嵌入式操作系统。经测试，本系统在存储空间充足的情况下可以连续正常工作。

5 结束语

综上所述，本设计突破了传统压力传感垫睡姿识别系统成本过高的弊端，所提供的解决方案适合于医院等应用场景大规模普及，方便医院或个人收集睡姿数据，为医疗健康提供高效的大数据辅助。