基于柔性压力传感器的睡姿识别方法研究*

刘今越, 周志文, 贾晓辉, 郭士杰

(1.河北工业大学 机械工程学院,天津 300130；2.河北省机器人感知与人机融合重点实验室,天津 300132)

0 引 言

睡姿已经被证明是评估睡眠质量与预防褥疮的关键。通过睡姿调整可以有效地预防褥疮,但目前大多数患者得不到有效护理,因此,患者与护理人员都迫切需要一个可以自主监测与识别睡姿的系统。

传统的睡姿识别系统主要使用相机采集信息,如叶荫球等人[1]使用摄像机获取人体的静态睡姿与动态视频,采用水平集方法与神经网络识别睡姿。但这种基于视觉的方式容易受到光线的影响且存在严重的隐私隐患。许欢等人[2]提出一种基于生物电阻抗技术的睡姿识别方法,对4种睡姿进行了识别,准确率可达94 %,但传感器必须固定在人体上,带来极大的束缚感。近几年,无束缚的睡姿识别成为了主要的研究方向。Jones M H等人[3]发明了一种带有24只压力传感器的床垫系统,制造工艺复杂,成本较高。张艺超等人[4]提出了一种基于心冲击信号的睡姿识别方法,受外界影响较大,识别精度也不高。

在睡姿识别领域中,以无束缚的方式实现高精度识别是目前面临的主要挑战,为了解决这个问题,本文基于自主研发的阵列式柔性压力传感器设计了睡姿采集系统,采集了6种睡姿的静态压力图像(仰卧型、俯卧型、左侧树干型、左侧胎儿型、右侧树干型、右侧胎儿型),提出了一种基于支持向量机(support vector machine,SVM)并使用遗传算法(genetic algorithm,GA)进行参数优化的睡姿识别方法,并结合实验验证了该方法的识别准确率。

1 柔性压力传感器

本文使用柔性电容式压力传感器采集人体睡姿,其结构原理如图1所示,该传感器采用阵列式结构,中间为聚氨酯海绵材质的介电层,电极层上分别均匀分布32条平行电极,两个电极层分别位于介电层上下两侧并且在空间中相互垂直分布,形成“三明治”结构。两层电极层上平行电极相互交叉,每一个电极交叉单元形成一个电容传感单元,每只传感器上分布32×32共1 024个有效传感单元。当有压力施加于传感器表面时,介电层发生压缩变形,传感单元电容值的改变表征对应区域的压力变化。

图1 阵列式传感器结构

通过测试,本文所用传感器的电容传感单元能够感知0～70 kPa的压强,电容灵敏度约为1.07(nF/m2)/kPa,两者关系如图2所示。

图2 电容单元所受压强和电容变化关系

2 睡姿采集系统

基于柔性压力传感器本文设计了可实时显示并识别监测睡姿的采集系统。如图3所示,该系统由压力传感器、数据采集卡以及上位机组成,由于单只传感器传感区域大小为800 mm×800 mm,无法获取完整的人体睡姿,因此,采用两片拼接方式的双传感器对睡姿实现同步采集,实验时将压力传感器放置在床单下方,测试人员躺在床单上,即可实现无束缚、无干扰的睡姿图像采集。

图3 睡姿系统结构原理

系统工作过程如下:压力传感器感知人体压力,并将其转换为对应的电容单元容值；数据采集卡主要由电容—电压信号转换模块、信号放大滤波模块、数模转换模块以及通信模块组成,通过信号转换模块将传感器的电容信号转换为易于处理的电压信号；通过放大滤波模块对弱电压信号进行比例放大、低通滤波、二级放大以及带通滤波；最后经过数模转换后得到压力数据,并经过通信模块将压力数据传输至上位机进行后续处理。

上位机主要负责数据处理与睡姿图像的实时显示。双传感器同步采集人体压力数据,上位机同步接收来自两个采集卡的2组数据,每组数据均包含1 024个压力数据。为了使压力值的坐标与传感器阵列中的电容单元位置一一对应,还原人体卧床的方向与位置,通过图像显示程序处理,每组数据转换为32×32的矩阵形式,两个矩阵拼接后,得到完整的睡姿图像。图4为人体仰卧于压力传感器上时,压力数据经上位机插值处理后显示的仰卧睡姿图像,能将人体各部分的几何特征显示出来。

图4 睡姿系统采集实例

3 睡姿图像预处理

3.1 数据处理与转换

彩色图像比灰度图包含更丰富的信息,但直接识别比较复杂且效率低下,因此,将睡姿信息转变为灰度图进行处理与识别。在采集压力数据的过程中,由于设备及环境的影响,睡姿图像中常包含噪声,因此采用阈值法,通过设定原始压力图像的阈值从中分割睡姿区域。考虑到两只传感器在一致性上存在微小差异,分别使用不同的阈值对两只传感器采集的部分睡姿图像进行分割,以保证在去除一部分噪声的同时保留尽量多的有效信息。转换公式为

(1)

(2)

式中A为原始压力图像,B为睡姿灰度图,T为阈值,N为非零压力值的数量。

3.2 图像预处理

在图像识别中,图像的质量决定了识别的准确率。利用静态压力图像进行睡眠姿势分类时,图像中噪声引起的孤立点、肢体与躯干连接处的不确定性都是识别睡姿特征的技术难点。因此,需要对睡姿灰度图进行预处理以提高识别准确率。本文主要采用了包括闭运算和开运算的图像形态学技术对图像中的噪声进行滤波处理。闭运算可以填补睡姿图像中的小孔和弥合裂缝,使人体的肢体连接更加紧密,而开运算可以去除图像中孤立的点,扩大不相关轮廓的间隔,使人体四肢更加分明[5]。此外,为了提高训练速度,减小实验样本体重和身高差异带来的影响,所有图像进行归一化处理,统一为大小为64×32,像素值在0～1之间的目标图像。过程如图5所示，原始睡姿图像在经过形态学处理后噪点基本去除,且保持了清晰的人体特征。通过归一化处理,图像转换为可用于训练的目标图像。在实际处理中,图像均为灰度图,彩色化只是便于可视化的操作。

图5 睡姿图像预处理

4 基于SVM的睡姿识别算法

SVM是目前解决非线性及高维模式识别问题表现最好的方法之一,通过训练可以得到样本点之间最优超平面,实现两种或多种类别样本的分类[6]。超平面表达式为

〈ω,x〉+b=0

(3)

式中ω为超平面参数向量,x为训练样本,b为超平面的截距。

训练分类模型的过程就是寻找最优超平面,使得不同类型样本点到最优超平面的几何距离最大,SVM将这个求解过程转化成了凸优化问题[7],其表达式为

yi(〈ω,xi〉+b)≥1-ξi,i=1,…,n

(4)

为了处理少数偏离超平面过大的样本点,本文引入了惩罚因子C和松弛变量ξ以提高模型的拟合能力。此外,选用高斯径向基函数作为核函数,其表达式为

K(xi,xj)=exp(-gamma·‖xi-xj‖2)

(5)

其中,gamma=1/2σ2(以下简称为g)。

通过核函数的映射,睡姿图像被映射到高维空间,实现了不同睡姿样本之间的线性可分。

定义六种睡姿(仰卧型、右侧树干型、右侧胎儿型、左侧树干型、左侧胎儿型、俯卧型)的类型标签分别为yi={0,1,2,3,4,5},定义睡姿图像的样本集为X={x1,x2,…,xn},其中,n为样本的总数量;则训练样本集可定义为T={(x1,y1),(x2,y2),…,(xm,yi)},其中,m为训练样本的数量。此外,本文采用基于有向无环图的SVM分类模型,与传统的SVM分类方法相比,有向无环图SVM可以将六种睡姿的分类简化为二分类问题,训练时间短通用性好。本文需要分类六种睡姿,训练后可生成(6×(6-1))/2共15个子SVM分类器,在识别过程中根据分类模型可快速输出对应睡姿的类型标签。

4.1 基于GA的SVM参数优化

在SVM中,核函数参数g与惩罚因子C是影响算法性能的重要因素。为了使算法的性能得到进一步提升,使用遗传算法对参数C与参数g进行优化[8],优化过程中,参数C和g的取值范围为[0,100],以Libsvm工具箱[9]中的Svmtrain函数作为目标函数,使用训练样本集通过K折交叉验证的方式得出交叉验证精度,并将最大精度作为适应度函数,获取更加精确的C和g。首先C和g以二进制编码的方式产生规模大小为20的初始种群,然后,计算出初始种群的适应度函数,若不满足终止条件则不断对种群进行选择、交叉以及变异等操作产生新的种群,直到新种群的适应度函数达到终止条件,则优化结束,输出对应的参数C和g。此外,最大进化代数被设置为100,K为10,优化过程中平均适应度和最佳适应度的变化曲线如图6所示,根据优化得到最佳的SVM参数为:C=0.960 25,g=1.839 4。

图6 最优个体及平均适应度值的变化

4.2 算法的测试与分析

采集10位测试者睡姿图像,其中,男生9名、女生1名,测试者身高为163～183 cm,体重为45～83 kg。实验时,测试者模拟日常家庭睡眠环境下的6种睡姿,每种睡姿在保持5 s后开始采集,图7为采集的部分睡姿图像样本,其中图(a)～(f)为同一名测试者的6种睡姿,图(h)～(m)为6名测试者仰卧的睡姿图像。

图7 部分睡姿图像样本

实验共采集了360个测试样本,随机抽取5位测试者的睡姿图像作为训练样本集,其余5位实验人员的睡姿图像作为测试样本集,识别准确率如表1所示。由表1可知:仰卧、左侧树干型和左侧胎儿型的分类准确率高达100 %,其他三种睡姿的分类准确率略低,但仍然超过了83 %。由于俯卧与仰卧的睡姿图的四肢与躯体特征差别不大,右侧树干型和右侧胎儿型主要差别在于腿部弯曲程度,容易发生混淆,因此错误率最高为10 %。使用该算法对睡姿进行识别,平均识别准确率为93.33 %。

表1 睡姿识别混合矩阵

将本文实验结果与其他算法进行比较,如表2所示,文献[10]、文献[11]、文献[12]的睡姿分类准确率均超过了90 %,但只对三种或四种睡姿进行了识别,睡姿类型较少。其中文献[11]准确率最高达到了99.7 %,但需要将加速度传感器绑在受试者的胸骨和右大腿上,给人带来极强的束缚。文献[12]的识别准确率也达到了97.1 %,但深度神经网络算法训练复杂,运算时间长。文献[13]的稀疏分类算法采用32个特征对六种睡姿进行分类,识别准确率仅为83.2 %。

表2 5种睡姿识别算法比较

5 结束语

为了通过监测与识别患者的睡姿,达到预防褥疮等临床综合征的目的,设计了一类基于大面积柔性压力传感器的睡姿采集系统实现无束缚人体睡姿的采集及识别。针对六种常见睡姿压力图像,提出一种基于SVM并通过遗传算法对SVM关键参数进行优化的睡姿识别方法。实验结果表明：该方法平均准确率达到93.33 %。但是,由于大面积阵列式压力传感器的结构特性以及采集卡的电路特性,睡姿图像受噪声影响明显,因此,传感器及采集电路的性能有待进一步提高。