基于紅外攝像頭的睡眠姿勢嵌入式監測系統設計

文/曾進 老志輝 許綿渠

圖1：睡眠姿勢監測系統的整體框圖

隨著經濟的高速發展，工作生活節奏快速，人們面臨越來越多的睡眠問題，睡眠質量因此在臨床中受到了空前的關注。不良的睡眠姿勢是導致睡眠不良的重要因數之一，而不良的睡眠姿勢往往與快速生活節奏下的生活習慣有關。例如，在年輕人中，睡前使用手機是一種普遍現象，這一行為是不良睡姿的主要誘因。不良的睡眠姿勢不僅會導致睡眠不良，更嚴重的是，不良睡姿往往還與小腿痙攣和睡眠呼吸暫停等許多疾病的臨床癥狀高度相關。而在康復治療中，患者在通常需要在手術后保持特定的睡眠姿勢以獲得更好的康復效果，不良的睡姿無疑會降低治療效果。由此可見，對睡姿的長期自動監測是醫療、健康領域中的一項關鍵技術，在疾病的防治中，睡眠姿勢信息也占有十分重要的地位。

表1：需要解決的關鍵問題

表2：項目開發板主要性能指標簡介

表3：紅外攝像頭參數

表4：用于睡姿分類的糾錯輸出碼（ECΟC）

1 總體設計

1.1 系統框圖及算法框圖

系統整體框圖如圖1。

為了對應光線變化明顯的場景，將所有輸入系統的圖像預先規約為紅外灰度圖像，這樣就能在實時監測中獲得穩定的待測試樣本，圖像分割、特征提取等工作也可順利進行。

針對睡眠姿勢的分類與識別問題，在基于紅外攝像頭的前提下，主要采用圖像特征提取、支持向量機等方法研究睡姿的分類與識別,并基于嵌入式平臺設計具有成本低、靈活性強、易于維護、低功耗、實用性強等特點的實時監測系統。核心算法及實現流程如圖2。

1.2 設計核心問題

（1）支持向量機與卷積神經網絡在FPGA嵌入式平臺的實時性問題

（2）系統功耗控制問題

除了以上2個關鍵問題，在系統研發流程有如表1所列問題需要解決。

2 硬件部分

2.1 系統主控部分

圖2：算法及其實現的流程

圖3：開發板芯片運算資源框圖

圖4：HOG算法處理流程

圖5：引入潛在變量的分類模型

圖6：人機交互界面

圖7：不同分類參數下SVM的識別精確度

本課題組使用圖像處理性能出眾、連續工作穩定性好的嵌入式開發平臺Zedboard，其運算資源構架及參數見圖3、表2。

2.2 紅外攝像頭

經技術處理，紅外攝像頭可在光照變化明顯的情況下提供穩定的灰度圖像，這類圖像易于對各項指標進行識別，在本設計中攝像頭的相關參數如表3。

3 軟件部分

3.1 HOG特征提取及邊緣檢測

如圖4所示，在采集視頻的一幅圖像中，方向梯度直方圖（Histogram of Οriented Gradient,HΟG）能夠很好地描述局部目標區域的特征，是一種常用的特征提取方法，HΟG+SVM在行人檢測中有著優異的效果。在HΟG中，對一幅圖像進行了如下劃分：

圖像(image)-＞檢測窗口(win)-＞圖像塊(block)-＞細胞單元(cells)

3.2 機器學習：支持向量機與卷積神經網絡

3.2.1 支持向量機

以睡姿中左臥、右臥、仰臥3種模型建立過程為例簡述支持向量機在本課題睡眠姿勢識別的應用，圖5為引入潛在變量的分類模型。

對給定訓練集，經過數學分析推導最終構造分類函數，并將數據分類為左臥、右臥或仰臥三個特定的臥床姿勢。根據糾錯輸出碼(ECΟC)訓練三個分類器，如表4所示。在檢測過程中，只有第一個分類器將目標定位到最優位置后才使用潛在變量。在姿態識別階段，不需要再次對潛在變量進行優化調整。該設計的優點是降低了計算量，提高了系統的實時性。

3.2.2 卷積神經網絡

前期睡眠姿勢的分類采用了支持向量機（SVM）算法，后續研究中擬嘗試卷積神經網絡作為新的分類監測識別算法，進一步提高識別率。

3.3 人機交互界面

該界面主要向用戶反饋睡眠信息，如圖6。

4 測試驗證

對系統進行了如下測試：

4.1 識別準確度分析

本作品對支持向量機的訓練參數定義了綜合參量，并將綜合參量對識別準確度的影響繪制如圖7。

支持向量機在不同綜合參數下訓練出的模型識別精確度有所不同，經過調整與測試，相關綜合指標在取值為15左右的時候可以訓練出最佳模型。

4.2 系統健壯性測試

本系統的軟件操作平臺基于ubuntu，是目前最穩定的嵌入式操作系統。經測試，本系統在存儲空間充足的情況下可以連續正常工作。

5 結束語

綜上所述，本設計突破了傳統壓力傳感墊睡姿識別系統成本過高的弊端，所提供的解決方案適合于醫院等應用場景大規模普及，方便醫院或個人收集睡姿數據，為醫療健康提供高效的大數據輔助。