任志斌，李 洋，郭士杰，郭志红，刘秀丽

河北工业大学 机械工程学院，天津 300130

1 引言

人的睡眠时间约占一生的三分之一，睡眠质量直接关系到人的心理和生理健康。而睡眠姿势作为睡眠质量的指标之一，通过睡眠阶段可以证明诊断心血管疾病、糖尿病和肥胖等症状[1]，其对用于医疗诊断是非常关键的。

睡眠呼吸暂停与睡姿有密切联系，良好的睡眠姿势有利于缓解呼吸暂停患者的呼吸障碍[2]。而且，Ambrogio等人发现睡眠姿势和慢性呼吸衰竭的关系，这直接导致睡眠呼吸暂停病发的严重程度[3]。

目前为止，研究人员提出了不同的方法来自动监测睡眠姿势。传统研究睡眠姿势模式是使用摄像机，Nakajima等人提出基于视觉信号分析睡眠呼吸和姿势变化的系统，但夜间光线比较低对成像带来很大的噪声，并且视频会带来严重的隐私问题[4]。最近的使用无约束心电图测量来估计睡眠姿势[5]。其他方法使用陀螺仪等，接触式的测量对人体产生不舒适，不利于对睡姿的检测。然而，多数工作集中在检测睡姿改变而不是认识并对睡姿本身进行深刻的研究。

本文采用柔性压力传感器阵列实时监测睡眠姿势，并提出一种基于模糊粗糙集算法框架识别睡姿。首先，预处理阶段。由于身体形状的不完整性和自我遮挡身体压力，静态压力图像分析相比视频图像分析更具挑战性。定义压力图像的特征，从压力姿势分析图像的几何特性。其次，基于模糊粗糙集的简约与识别。提出基于模糊粗糙集的属性约简方法，对条件属性进行高效约简，提高睡姿准确分类的速度，以达到识别睡姿的目的。该方法相比传统的分类方法在精度和鲁棒性上表现出更好的性能。

2 阵列式柔性压力传感器与图像获取

2.1 柔性压力传感器

采用的大面积柔性压力传感器阵列床垫能够记录睡眠时身体压力分布和睡姿变化。柔性压力传感器阵列床垫由32×32传感器组成，分别为32行与32列[6-7]，柔性压力传感器阵列床垫结构原理图如图1所示。其响应速度是20 Hz，单个传感器可测量压力范围为25～250 kPa。通过柔性压力传感器阵列实时采集人体作用于床垫的动态压力，对压力值进行图像像素转换，把32×32个传感器数据按照传感器阵列的位置进行复原，可以得到实时的静态睡姿压力图像如图2所示，即当前睡姿图像。

图1 压力传感器阵列结构示意图

图2 睡姿压力图像样本

2.2 图像预处理

原始图像是由压力时间序列产生的，其中包含了噪声和人为污染，并且压力阈值的设定也关系到图像的可见性，其次，预处理还可以使图像标准化以减少图像分类的难度。

（1）图像局部位置定位，有利于对有效区域特征值的提取。

（2）几何变换可以校正变形压力图像，其中包括图像的平移、旋转、缩放、分割，从而达到对原始图像的处理。

（3）使用中值滤波消除图像中随机噪声，同时使图像模糊不清的轮廓或线条变得更加清晰。

（4）正规化处理，消除不同体重对压力图像的影响。

2.3 特征提取

图像特征的提取是图像识别中一个至关重要的步骤，传统的特征提取方法主要是降维，例如主成分分析（Principal Component Analysis，PCA），解释压力图像含义变得模糊，使得原始图像变量含义不清晰。提取的主成分若不符合实际图像解释，则不能表达真实图像的含义。特征提取和选择是模式识别中处于数据采集和分类中间的关键步骤，选用的特征将直接影响识别结果[8]。

对此，提出一种基于静态压力图像几何特征的图像特征提取方法，它更易表达身体作用于床垫的物理形状。基于简单的几何特性相比于PCA在处理特征值方面大大减少了提取这些特征所需的处理时间。

Liu等人[9]在睡姿图像识别中提取32个特征表征，但在32个特征部分与睡姿识别的相关度很低，例如对肩部和臀部局部定位的包围盒的特征信息、图像的方向性、肩臀部的坐标特征信息和区域面积等；Ostadabbas等人[10]采用13个局部特征研究睡姿识别，然而并没有考虑压力图像的整体性对识别的影响。本文从每个静态压力图像中提取包含全局特征和局部特征的13个显著特征。如图3为压力图像比例划分图，是睡姿压力图像局部特征的一部分。全局特征描述睡姿静态压力图像宏观方面的特点，如目标部位占图像的比例、对称性、平衡性和压力图像区域数等。局部特征描述压力图像的局部特点，如肩膀的位置和大小、臀部的坐标位置和区域大小等。表1列出了全部特征，特性更详细的解释如下。设X轴是床单横向坐标，Y轴是床单的纵向坐标，以图像左上角为坐标原点，建立图像的坐标系。

图3 压力图像比例划分

表1 特征列表

占有率特征（1）：第一个特征是经过滤波显示后压力个数与整个图像像素个数的比例。

区域占有率特征（2～4）：第二个特征是压力图像以y轴为等分，25%区域内压力个数在静态压力图像中的占有率。第三特征是50%区域内压力个数在静态压力图像中的占有率。第四特征是75%区域内压力个数在静态压力图像中的占有率。如图3压力图像比例划分。

对称性特征（5）：提取整幅图像中压力图像部分，并以图像的中心点分割为左右两部分，计算两部分压力像素个数的差对整体压力个数的比例。相比于侧卧状态下仰卧和俯卧状态下的对称性更显著。如图4所示。

图4 对称性特征图

平衡性特征（6）：提取整个图像中压力图像部分，并以图像人体压力的背部纵轴为中点轴线分为为左右两部分，计算左侧部分的压力总和压力图像总和的比例。右侧卧状态的比例比左侧卧状态比例显得更大，而右侧胎儿型比右侧树干型所占像素比例和压力比例更大，平衡性更多地反映了哪一侧的压力更为显著。

压力区域个数特征（7）：对作用于图像的身体压力区域进行显著的区域分割，当仰卧和侧卧状态下，压力图像由于身体结构不同而显著不同，采用阈值设定可以很好地区分两者的不同。仰卧睡姿比俯卧睡姿更能显著突出肩部和臀部的位置，并且仰卧时腰部作用于图像的力相比于侧卧状态下更小更不突出。

上半身重心特征（8～9）：主要是计算上半身的重心位置，中心位置的提取决定了肩部的具体位置和区域重点压力分布 ，其中包围盒为局部区域压力像素个数的75%，如图5包围盒像素比例的选择主要是提高局部区域定位准确率。

图5 上下半身重心特征图

下半身重心特征（10～11）：上半身特征提取方法也适用于下半身。如图5是侧卧时的上半身与下半身区域和重心位置。

上下身重心距离特征（12）：根据上半身重心到下半身重心计算得到上下身重心距离特征。

3 基于模糊粗糙集的简约与识别

粗糙集（Rough Set，RS）[11]理论是对基于观察或者检测到的部分信息对数据进行分类的手段，对不确定、不完整乃至于部分信息相互矛盾的数据或者描述来对数据进行分析、推测未知信息[12]。

针对睡姿因不同个体之间的差异从而造成压力图像的微动变化以及图像的不完整和自我遮挡，图像的信息包含了不确定性和矛盾性，从而更具挑战性。而粗糙集具有能够根据已知信息并推导出不同图像类别合适的属性描述集的优点，其缺点是压力图像的特征描述应尽可能包含全部图像信息，无效的特征解释压力图像含义变得模糊，使得原始图像变量含义不清晰，不能表达真实图像的含义；其次图像的训练样本的选择必须包含图像信息准确，样本图像的信息足够完善将有利于提高图像的识别率。从图像提取视觉信息，如颜色、纹理、形状等，这些特征都是低层的[12]。实际上，图像检索可以根据图像之间的高层语义特征，对图像建立分类规则，样本图像由分类规则自动划分类别，因而这就包含了图像的训练。

3.1 训练样本

睡姿压力图像的自动识别系统可以看作是通过训练样本进行知识表达的信息系统或决策表。而压力图像是决策表的对象集合，图像的特征是决策表中的条件属性，图像的类别是决策属性。

睡姿图像的自动分类系统可以用形式化方式表示[13]。定义一个图像自动分类信息系统S可以表示为一个四元组S={U ,A,V,f}，其中U={x1,x2,…,xn} 是n维欧式空间中图像对象的非空有限集合，即压力图像的集合。A是U上所有模糊等价关系的集合，A=C⋃D且C⋂D=φ，C是条件属性子集，即压力图像的特征集合，且C=φ。D是决策属性子集，即图像的分类类别集合，且D=φ，则称此信息系统为一个决策表，记作是属性 p的域。f:U×A→V是图像分类函数，使得对每个图像xi∈U，每个特征q∈A，有 f(x,q)∈Vq。分类样本训练集可以表示为一个二维决策表见表2。其中U={x1,x2,…,xn}是图像训练样本是图像特征1～12的集合，是俯卧型（P）、仰卧型（S）、左侧胎儿型（LF）、左侧树干型（LL）、右侧胎儿型（RF）和右侧树干型（RL）的集合，图6分别为上述六种睡姿。

图6 实验中示意的六种睡姿图

表2给出部分训练数据，图像特征值的边界部分，对于它的划分，需在进行大量样本训练中，找到合理的选择界限。压力图像特征属性的值域可看作一个连续值区间，所以某一条件属性在某一类图像中的值也应是连续模糊的值，而不同的特征连续区间，代表不同图像类别信息，故需要对特征值区间进行模糊化和离散化处理[13]。

3.2 条件属性离散化处理

粗糙集模型适用于离散属性值决策表，但不适用于表达属性值连续的决策表，对于具有连续属性的图像属性需要进行离散化处理[14]。

由于图像特征的值域是连续区间的特点，可将通过对决策表进行等价处理，产生一个更为简单的模糊决策表。而传统的离散化算法适用于离散性条件属性值，在对连续性条件属性值时往往把不同实值对应不同隶属度的重要性忽视，导致一些重要信息丢失[14]。把模糊集与粗糙集结合，把连续性条件属性值转化为对于应的隶属度值。

对压力图像信息系统S，di为预定义的某一类图像类别，设其确定的对象等价类为Ui，des(cji)表示条件特征属性cj对于等价类Ui的所取值，表示Ui中包含的对象个数在对属性区间的划分中有组内归并和组间归并，使得区间划分更符合实际图像分类要求，可以确定条件属性cj对于图像类别di的取值区间为[a,b]，定义为cj对di的最佳取值，故对于类别di条件特征属性cj的取值为[a,b]/n，则可进一步对决策表进行约简[13]，确保特征值在确定的范围内对决策属性的影响最大，完成对决策表条件属性的约简。由表1可约简为模糊决策表（见表3）。

表2 训练集样例

表3 模糊决策表

3.3 属性约简

属性约简是粗糙集研究核心内容，在考虑一些度量的标准前提下，用更少的条件属性表达决策属性。特性是从压力图像中提取图像分类特征，利用条件属性和决策属性的关联度约简重要度差、功能冗余或对分类的结果没有任何影响的特征。

在睡姿压力图像信息系统S={U ,C⋃D,V,f}中，设D={d1,d2,…,di}，条件属性子集B⊆C关于决策属性D的“正区域”定义：

其中B关于D的“正区域”表示那些根据属性子集B就能分入正确类别的所有对象。

假设P和Q是图像论域U上的两门知识，则

条件属性子集B⊆C与决策属性D相关程度定义为：

其中cad(X)表示X集合中元素的个数；显然，0≤k(B,D)≤1，k(B,D)为计算条件属性B与决策属性D之间的相关程度提供了手段。

在决策系统中，一个属性b∈B⊆C有效值定义为：

属性b的有效值越大，说明其对条件属性与决策属性之间的影响越大，即其重要性也越大。所构造的压力图像特征属性间的有效性，满足上述性质，还应有最优选择值n，在图像类别的特征属性中都存在对该图像的最优选择。经上述相关度计算后可约简为表4。

表4 属性约简表

3.4 图像分类

设图像Pic的c属性对D类别中c属性的隶属度可用公式f(c)表示，其中图像Pic的c属性值为e，D类图像c属性取值范围为[a,b]/n，则：

执行睡姿静态压力图像自动分类时，需要提取属性约简表中图像的条件属性值，与图像分类决策规则匹配，可求得该图像与每一类别的隶属度，根据隶属度的取值决定睡姿图像的类别[16]。

4 实验结果与分析

4.1 实验设置

为了验证本文识别方法的准确性，以自主研制的柔软、适于与人接触的床单式大面积柔性压力传感器和计算机等组成硬件实验平台，如图7为一种睡姿的实验演示。

图7 实验中系统睡姿示意图

参与实验的14位测试者（其中男性10位，女性4位）年龄22～28岁，身高152～183 cm，体重46～83 kg。在实验室环境中，床单式压力传感器被平铺在床上，位置不变，减小环境影响因素，保障实验条件的一致性 。该实验的目的是评估在一般软床环境下，对睡姿识别的有效性。在实验过程中，受试者被允许选择他们的舒适的六种常见姿势，共计84个测试样本。

以上实验，通过摄像机对检测过程的睡姿进行记录，最后通过检测结果与实际睡姿进行比较，得到实验算法的准确率。

4.2 实验结果分析

图像分类算法对每种睡姿的检测精确度平均达到92.9%，如表5所示。

考虑精确度和召回率，树干型侧睡的精确度相比其他睡姿要低。树干型睡姿检测比较困难，因为在睡姿测试过程中，测试对象的胳膊和腿部并没有做出特别的要求，即此处较大的变化易造成睡姿的误判。而胎儿型睡姿相对于树干型睡姿是比较明显的，通过对压力区域的中点自动设定分成左右两幅图像，胎儿型的两侧压力相比树干型更加明显，从而识别率相对较高，同理左右侧胎儿型睡姿也可以很大程度上区分开。树干型的对称性对识别造成了很大干扰，为此通过对压力图像进行阈值设定通过检测压力图像区域数量区别树干型与仰卧、俯卧睡姿图像。而在仰卧和俯卧的识别中关键的因素是仰卧压力图像的肩部和臀部的受力明显区别于俯卧状态。

表5 睡姿识别混合矩阵%

文献[9]中的混合高斯聚类算法通过引入13个局部特征对三种睡姿的综合识别率高达91.6%，文献[8]中的稀疏分类算法采用32个特征对六种睡姿进行分类识别率达83.2%，本文结合压力图像的特点，引入全局特征和局部特征对图像详细描述，通过模糊粗糙集对图像条件属性离散化约简，剔除冗余信息推导模糊决策规则，进而使得算法对六种睡姿分类准确率综合可达92.9%，相比其他算法具有一定的先进性，如表6所示。

表6 三种算法识别准确率

此外，本算法存在误差原因的产生部分来自于柔性压力传感器阵列的精度。现有的硬件不能保障对身体压力图像的完整反映，在一定程度上身体压力的图像细节部分被忽略，造成了图像特征提取的不准确，进而影响睡姿识别准确率。

5 结论与展望

针对睡姿对人的睡眠质量的影响，尤其是对SAS、褥疮患者、心脏病患者的健康影响。本文提出了使用模糊粗糙集对睡姿进行识别，通过对基于简单几何特征的睡姿压力图像的特征属性提取与约简，大大减小了压力图像特征处理时间，并且压力图像分类准确率得到提高，在对睡姿识别的同时，还可以追踪局部区域的压力变化。而针对现有压力图像细节不显著造成的识别误差，未来的工作是将研发高精度大面积柔性压力传感器阵列，提高压力图像的采集精度，并将此方法应用于睡眠连续监测和睡眠阶段的准确识别以及褥疮的预防和治疗。尤其是对褥疮患者的高危压力区域监测和及时提醒，有利于患者的稳定康复。

[1]Spiegel K，Knutson K，Leproult R，et al.Sleep loss：A novel risk factor for insulin resistance and Type 2 diabetes[J].Journal of Applied Physiology，2005，99（5）：2008-2019.

[2]Lee J B，Park Y H，Hong J H，et al.Determing optimal sleep position in patients with positional sleep-disordered breathing using response surface analysis[J].Journal of Sleep Research，2009，18（1）：26-35.

[3]Ambrogio C，Lowman X，Kuo M，et al.Sleep and noninvasive ventilation in patients with chronic respiratory insufficiency[J].Intensive Care Medicine，2009，35（2）：306-313.

[4]Nakajima K，Matsumoto Y，Tamura T.A monitor for posture changes and respiration in bed using real time image sequence analysis[C]//Proceedings of 22nd IEEE Engineering in Medicine and Biology Society，2000，1：51-54.

[5]Lee H J，Hwang S H，Lee S M，et al.Estimation of body postures on bed using unconstrained ECG measurements[J].IEEE Journal of Biomedical and Health Informatics，2013，17（6）：985-993.

[6]Guo S，Shiraoka T，Inada S，et al.A two-ply polymerbased flexible tactile sensor sheet using electric capacitance[J].Sensors，2014，14（2）：2225-2238.

[7]Mukai T，Matsuo K，Kato Y，et al.Unconstrained measurement of lying posture，respiration and heartbeat using a tactile sensor on a bed[J].Transactions of the Japanese Society of Mechanical Engineerings，2014，80（815）.

[8]翟俊海，赵文秀，王熙照.图像特征提取研究[J].河北大学学报：自然科学版，2009，29（1）：106-112.

[9]Liu J J，Xu W，Huang M C，et al.Sleep posture analysis using a dense pressure sensitive bedsheet[J].Pervasive and Mobile Computing，2014，10：34-50.

[10]Ostadabbas S，Pouyan M B，Nourani M，et al.In-bed posture classification and limb identification[C]//Proceedings IEEE 2014 Biomedical Circuits and Systems Conference（BioCAS），2014：133-136.

[11]He Q，Wu C，Chen D，et al.Fuzzy rough set based attribute reduction for information systems with fuzzy decisions[J].Knowledge-Based Systems，2011，24（5）:689-696.

[12]张盛.基于模糊粗糙集的森林火灾与气象因子的相关性研究[D].长沙：中南林业科技大学，2015.

[13]胡学伟，蒋芸，邹丽，等.基于邻域关系模糊粗糙集的医学图像分类研究[J].计算机工程与科学，2016，38（4）：739-746.

[14]Pawlak Z.Rough sets[J].International Journal of Information Computer Science，1982，11（5）：341-356.

[15]王丽，冯山.基于模糊粗糙集的两种属性约简算法[J].计算机应用，2006，26（3）：635-637．

[16]陈载清，石俊生，白凤翔.基于模糊粗糙集的图像自动分类研究[J]，吉林大学学报：工学版，2013，3（43）：209-212.