用于睡姿识别的头部压力数据深度学习处理方法

技术领域

本专利涉及用于睡姿识别的头部压力数据深度学习处理方法，属于人工智能与智能控制技术领域。

背景技术

睡眠质量的高低直接影响人体的健康。研究表明使用合适高度的睡枕能够有效改善睡眠质量，显然人在侧躺时所需的枕头高度要大于平躺时所需的枕头高度，因此需要一种能根据不同睡姿自动调节枕高的睡枕，而如何识别不同的睡姿成为了亟待解决的问题。

为了识别睡姿，机器视觉引入进来。采用摄像机采用人脸图片，根据人脸的朝向判断睡姿。显然这种解决方案没有考虑用户的隐私保护和使用的便利性，因此无法进行实际应用。也有人提出在用户身上装传感器，检测身体的平躺或者侧躺，这种方案也没有考虑使用的便利性，影响了方案的广泛应用。

发明内容

针对上述问题，本专利提供用于睡姿识别的头部压力数据深度学习处理方法，根据用户头部对枕头的压力分布数据，采用深度神经网络进行睡姿识别，从而进行枕头高度调节，达到最佳的舒适度。

本专利解决其技术问题所采用的技术方案是：

用于睡姿识别的头部压力数据深度学习处理方法，包括枕头，所述的枕头内部包括起支撑作用的枕头底板，所述的枕头底板上设置气囊，所述的气囊上部设置传感器底板，所述的传感器底板上设置柔性阵列式的压敏电阻传感器，所述的压敏电阻传感器上设置柔性填充物，所述的枕头底板、气囊、传感器底板、压敏电阻传感器和柔性填充物的外面包裹枕套，所述的气囊通过气管连接进气阀和气压传感器，所述的进气阀通过气管连接充气泵，所述的压敏电阻传感器、气压传感器、进气阀和充气泵连接控制电路，所述的控制电路内部设置压力采集电路，可通过所述的压敏电阻传感器采集用户头部对所述的枕头的压力分布数据，所述的压力采集电路输出数据为f(x，y)，0≤f(x，y)≤MAX，其中x为行值，y为列值，MAX为信号最大值，通过所述的气压传感器测量所述的气囊的气压值，通过所述的进气阀和充气泵对所述的气囊进行充气和放气，所述的控制电路用于实现数据深度学习处理方法，所述的数据深度学习处理方法包括以下步骤：

(1)数据预处理阶段，具体包括以下步骤：

(1-1)当f(x，y)大于αMAX，则点(x，y)的值取为上下左右四个相邻点的平均值，即f(x，y)＝[f(x+1，y)+f(x-1，y)+f(x，y+1)+f(x，y-1)]/4，其中α为上限系数；

(1-2)将f(x，y)进行二值化处理，得到二值图I

(1-3)对二值图I

(1-4)对腐蚀图I

(1-5)求取I

(1-6)将f(x，y)与I

(2)深度神经网络训练阶段，具体包括以下步骤：

(2-1)采集M个用户正躺和侧躺的压力分布数据，经过步骤(1)处理并进行标注，得到F

(2-2)构建深度神经网络：设置输入层、隐藏层和输出层；所述的输入层用于接收压力分布数据，所述的隐藏层的第1层和第3层为卷积层，用于提取输入压力分布数据F

(2-3)利用训练数据集对深度神经网络进行迭代训练，得到训练完备的深度神经网络，具体步骤如下：

(2-3-1)随机初始化(2-2)中的搭建的深度神经网络模型的参数；

(2-3-2)计算误差损失L

L

(2-3-3)采用梯度下降法，调整当前深度神经网络的参数，使得误差损失L

(2-3-4)递增i的值，重复(2-3-2)和(2-3-3)，当误差Li变化趋于平稳时，即连续5次满足L

(3)睡姿识别阶段，具体为：所述的控制电路实时采集所述的压力采集电路输出信号g(x，y)，经过步骤(1)得到G(x，y)，然后输入到步骤(2)训练得到的深度神经网络中，得到正躺睡姿概率值为z

本专利的有益效果主要表现在：1、以柔性阵列式的压敏电阻传感器检测用户头部对枕头的压力分布，体积小，安装方便，并且不影响用户使用感受；2、采用深度神经网络进行数据处理与识别，特征提取能力强，识别率高。

附图说明

图1是本发明的结构示意图。

图2是本发明的数据深度学习处理方法流程图。

具体实施方式

下面结合附图对本专利作进一步描述：

如图1-2所示，用于睡姿识别的头部压力数据深度学习处理方法，包括枕头，所述的枕头内部包括起支撑作用的枕头底板1，所述的枕头底板1上设置气囊3，所述的气囊3上部设置传感器底板4，所述的传感器底板4上设置柔性阵列式的压敏电阻传感器5，所述的所述的传感器底板4给所述的压敏电阻传感器5提供一个平整的支撑面，所述的压敏电阻传感器5上设置柔性填充物6，所述的枕头底板1、气囊3、传感器底板4、压敏电阻传感器5和柔性填充物6的外面包裹枕套2。

所述的气囊3通过充气或者放气来改变所述的枕头的高度。为了实现充气和放气，所述的气囊3通过气管连接进气阀和气压传感器，所述的进气阀通过气管连接充气泵。当所述的进气阀打开，并且所述的充气泵工作，则对所述的气囊3进行充气；当所述的进气阀打开，并且所述的充气泵不工作，则对所述的气囊3进行放气。所述的气压传感器可测量所述的气囊3中的气压值，与所述的枕头的高度成正比关系。

为了进行集中控制，所述的压敏电阻传感器5、气压传感器、进气阀和充气泵连接控制电路。所述的控制电路内部设置压力采集电路，可通过所述的压敏电阻传感器5采集用户头部对所述的枕头的压力分布数据，所述的压力采集电路输出数据为f(x，y)，0≤f(x，y)≤MAX，其中x为行值，y为列值，MAX为信号最大值。所述的控制电路通过所述的气压传感器测量所述的气囊3的气压值，通过所述的进气阀和充气泵对所述的气囊3进行充气和放气。

所述的控制电路用于实现数据深度学习处理方法，所述的数据深度学习处理方法包括以下步骤：

(1)数据预处理阶段，将所述的压力采集电路输出的数据f(x，y)进行预处理，具体包括以下步骤：

(1-1)当f(x，y)大于αMAX，则点(x，y)的值取为上下左右四个相邻点的平均值，即f(x，y)＝[f(x+1，y)+f(x-1，y)+f(x，y+1)+f(x，y-1)]/4，其中α为上限系数；

在实际工况下，超过αMAX的数据已经不是实际产生的压力数据，为检测噪声，采用与周边数据均值处理的方法进行滤除。

(1-2)将f(x，y)进行二值化处理，得到二值图I

通过下限阈值T，提取压力分布数据I

(1-3)对二值图I

(1-4)对腐蚀图I

(1-5)求取I

因为头部会在所述的压敏电阻传感器5上形成一个完整的压力区，并且占据所述的枕头的大部分区域，因此求得最大连通区域，即得到头部压力区I

(1-6)将f(x，y)与I

通过步骤(1-6)得到最大连通区域，即头部与所述的枕头的接触区域的压力分布。

(2)深度神经网络训练阶段，构建可以进行睡姿识别的深度神经网络，具体包括以下步骤：

(2-1)采集M个用户正躺和侧躺的压力分布数据，经过步骤(1)处理并进行标注，得到F

所述的训练样本用于训练深度神经网络，形成最优的网络参数，识别平躺和侧躺睡姿的特征。

(2-2)构建深度神经网络：设置输入层、隐藏层和输出层；所述的输入层用于接收压力分布数据，所述的隐藏层的第1层和第3层为卷积层，用于提取输入压力分布数据的特征，卷积核大小为3*3，卷积核个数分别为32和16，所述的隐藏层的第2层和第4层为最大池化层，可对特征进行降采样，窗口大小设置为2*2，窗口滑动步长为2，所述的隐藏层的第5层设置为扁平化层，用于将多维的数据展开为一维的数据，所述的隐藏层的第6层和第7层为全连接层，分别设置1024和512个神经节点，所述的隐藏层的第8层设置为dropout层，用于减少深度神经网络的过拟合问题，增强深度神经网络泛化能力；所述的输出层设置为由softmax函数激活的全连接层，维数设置为2，用于对睡姿进行分类，输出正躺睡姿概率值为z

(2-3)利用训练数据集对深度神经网络进行迭代训练，得到训练完备的深度神经网络，具体步骤如下：

(2-3-1)随机初始化(2-2)中的搭建的深度神经网络模型的参数；

(2-3-2)计算误差损失L

L

(2-3-3)采用梯度下降法，调整当前深度神经网络的参数，使得误差损失L

其中，Θ

(2-3-4)递增i的值，重复(2-3-2)和(2-3-3)，当误差Li变化趋于平稳时，即连续5次满足L

(3)睡姿识别阶段，经过步骤(2)，深度神经网络已经可用于实际的睡姿识别，具体为：所述的控制电路实时采集所述的压力采集电路输出信号g(x，y)，经过步骤(1)得到G(x，y)，然后输入到步骤(2)训练得到的深度神经网络中，得到正躺睡姿概率值为z

综上所述，本发明公开的方案是以柔性阵列式的压敏电阻传感器检测用户头部对枕头的压力分布，体积小，安装方便，不影响用户使用感受，采用深度神经网络进行数据处理与识别，可判断用户的睡姿，从而调整所述的智慧枕头的高度，改善睡眠过程中枕头对头部和颈部的支撑效果，提高睡眠质量。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。