耿读艳　董嘉冀　宁琦　赵杰　王晨旭

摘  要： 睡眠姿势是评估睡眠质量的一个重要因素，对呼吸暂停和心血管疾病有着重要影响。为提高心冲击（BCG）睡姿识别的准确性，提出一种通过多路压电薄膜传感器采集心冲击信号实现睡姿识别的方法。首先设计多压电薄膜传感器组成的软垫来获取BCG信号，然后对预处理后的BCG波形进行时域分析，利用特征比值法优化特征向量，最后输入粒子群优化支持向量机（PSO?SVM）实现仰卧、左侧卧、右侧卧、俯卧4种睡姿的准确识别。结果表明，该文方法与已有睡姿识别方法相比准确率提高到97.1%，克服了单路BCG波形受个体差异及环境的影响，为家庭医疗与无感睡眠监测的研究提供了基础。

关键字： 睡姿识别; 睡眠监测; 床垫设计; 心冲击信号采集; 时域分析; 特征向量优化; 对比验证

中图分类号： TN304.055?34; R138               文献标识码： A                      文章编号： 1004?373X（2020）20?0005?04

Research on sleeping posture recognition method based on multi?channel

piezoelectric thin?film sensor

GENG Duyan1，2， DONG Jiaji2， NING Qi2， ZHAO Jie2， WANG Chenxu2

（1. State Key Laboratory of Reliability and Intelligence of Electrical Equipment， Hebei University of Technology， Tianjin 300130， China;

2. Hebei Key Laboratory of Electromagnetic Field and Electrical Apparatus Reliability， Hebei University of Technology， Tianjin 300130， China）

Abstract： Sleeping posture is an important factor for sleep quality assessment and has an important impact on apnea and cardiovascular diseases. A method to realize sleeping posture recognition by collecting bsllistocardiogram （BCG） signals by means of the multi?channel piezoelectric thin?film sensor is proposed to improve the accuracy of BCG sleeping posture recognition.  A cushion with the multi?channel piezoelectric thin?film sensors is designed to acquire the BCG signal， and then the time?domain analysis of the pre?processed BCG waveform is performed. The feature vector is optimized with the feature ratio method， and inputted the particle swarm optimization and support vector machine （PSO?SVM） to realize the accurate recognition of four sleeping postures： supineness， left side lying， right side lying and prone lying. The testing results show that， in comparison with the existing sleeping posture recognition method， the accuracy rate of this method is increased to 97.1%， which overcomes the influence of individual differences and environment on the single?channel BCG waveform， and provides a basis for the research of family medicine and insensible sleep monitoring.

Keywords： sleeping posture recognition; sleep monitoring; mattress design; BCG signal collection; time?domain analysis; feature vector optimization; comparison validation

0  引  言

睡眠姿勢与睡眠质量有着密切的联系，睡姿对心脏、胸腔和脊柱等部位都有着一定的影响[1]，关系着人的生理与心理健康。睡姿对于健康成年人无好坏之分，但特定的睡姿能够起到预防相关疾病的效果。对于体弱多病的人群来说，选择恰当的睡眠姿势对病情的发展有着潜移默化的作用，如阻塞性呼吸暂停的患者，多喜欢仰卧，但仰卧会使患者呼吸更加困难，增加患者呼吸暂停的次数;心血管疾病的患者左侧卧时对心脏的压迫最为严重，避免左侧卧睡姿能有效减少夜间心脏发病概率[2?3]。在实际临床应用中，睡眠监测使用多导睡眠仪最为普遍[4]，但接触式的监测方式对人的睡眠造成很大干扰，无法适用于家庭医疗监测。为避免由束缚监测带来的影响，利用心冲击信号（Ballistocardiogram，BCG）无感监测睡眠的方法广受国内外关注，但研究问题多集中于如何在不同体位和睡姿时准确识别生理信号，忽视了睡姿识别对睡眠监测的重要性。任志斌等人通过压力传感器阵列床垫（32×32个传感器）无接触式采集BCG信号，但硬件工艺繁琐，计算复杂度高[5]。张艺超等人使用单片EMFi压电薄膜传感器[6]，提取HIJKL波的幅值与宽度作为特征向量进行睡姿识别，但其睡姿识别的准确性对信号波形要求高， HI与KL波峰检测定位准确度受采集系统、信号去噪效果及周围环境的束缚，鲁棒性较差。

针对现有方法的不足，本文提出一种基于多路压电薄膜信号分析的睡姿识别方法。首先设计由多片PVDF压电薄膜传感器组成的同步采集设备，采集4种基本睡姿时的多路BCG波形，并分别进行预处理，获取无噪声的BCG信号;然后对去噪后的各波形进行时域分析，提取J波峰值、方差及均值，通过特征比值法加强睡姿与各路特征值之间的联系，并将提取的特征差异值作为特征向量，利用粒子群算法优化的支持向量机（Particle Swarm Optimization and Support Vector Machine，PSO?SVM）方法实现仰卧、左侧卧、右侧卧、俯卧4种基本睡姿的识别。

1  多路BCG信号采集

1.1  多路传感器的拓扑结构设计

目前，对于睡姿的识别，压电传感器采集的BCG信号均为单一波形，睡姿识别的准确性受人体与传感器接触情况影响严重。为解决此问题，本文以信号采集准确、采集通道少、硬件成本低为原则，设计将三片压电薄膜传感器（80 cm×4.5 cm）以“H”形放置于床垫，此放置情况几乎所有体位均能保障采集到至少2路准确的BCG信号。在保障准确采集心脏信号的同时更有利于实现睡姿的识别，本文仅对典型的4种基本睡姿进行分析与识别。

如图1所示，将传感器缝合于90 cm×90 cm的软垫内，铺于床垫下，①号压电薄膜传感器大致位于胸腔下方，②③号压电薄膜传感器以床横向中心线对称放置（相间12 cm）。

1.2  获取原始BCG信号

选取30名健康受试者（20名男性，10名女性，年龄20～30岁，身高160～185 cm，体重45～85 kg）参与实验，躺在如图1所示铺有软垫的床上，分别采集安静状态下仰卧、左侧卧、右侧卧和俯卧4种睡姿，体位不做要求，但为避免受试者对实验环境和睡姿不适应等干扰，要求受试者平稳躺下1 min后开始采集，通过信号处理后传输至上位机进行线下信号处理。

2  多路BCG信号预处理

BCG图相比于ECG信号可以在无束缚的情况下反映监测人的心脏情况，由于压电薄膜传感器具有很高的灵敏度，采集的信号中含有胃肠蠕动、呼吸与体动等噪声干扰[7]，导致信号出现毛刺与基线漂移等问题，影响睡姿的识别。因此，本文采用自适应白噪声完备经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN）與排列熵（Permutation Entropy，PE）相结合的BCG信号去噪方法。该方法相比于小波变换法更加简便，同时在模态经验分解（Empirical Mode Decomposition，EMD）的基础上，对每个尺度增加不同的白噪声，解决EMD的模态混叠问题[8?9]。

通过CEEMDAN方法，3路BCG信号分解得13个IMF分量和1个余项。其中IMF分量按频率由高到低排列，不同频率段的模态分量分别代表高频噪声、有效信号和基线漂移。人为设定如何选择重构的IMF过于主观与绝对，因此本文采用PE算法，PE算法需要选取合适的维数M和时延τ两个参数，M值过小会导致重构向量的状态变少，过大会因维数过高而导致计算量大，运算时间长。本文设定参数[10]M=3，τ=1，经分析在阈值0.706 0≤PE≤0.812 0内的IMF分量重构出的无噪声BCG信号，信噪比最低，去噪后的3路BCG波形如图2所示。 图中的BCG1，BCG2，BCG3分别对应①②③号传感器所采集的信号。

3  多路BCG睡姿相关信号的特征提取

3.1  时域分析

由图2可以看出，不同睡姿时各传感器采集的波形在时域上有明显差异，而与频域几乎无关。根据已有的睡姿识别方法[11]，并结合本文多路传感器采集的信号特点，采用时域分析方法，选择J波峰值特征[HJ]、BCG方差特征S和平均幅值[H]作为睡姿特征。在心冲击中IJK波与心电信号中QRS波有相似的生理意义和波形特征，IJK是心冲击图中变化最为明显的间隔段，对应的斜率与其他波有着很大的差异，且在波群中幅值最大，如图3所示。因此，对于BCG信号中J波的定位，采用经典的差分阈值检测方法[12]，该方法利用J波峰值最为突出且上升和下降斜率最大的特点，主要步骤如下：

一阶和二阶差分形式为：

[y′（n）=y（n+1）-y（n-1）]     （1）

[y″（n）=y′（n+1）-y（n-1）]     （2）

对式（1）和式（2）做平方和运算，相当于对差分后的波形信号进行增强，突出J波特征：

[Y（n）=（y′（n））2+（y″（n））2]     （3）

最后通过经验阈值法定位J波，获得准确的[HJ]特征值。

3.2  特征融合

每一种睡姿，心脏与三片传感器的相对位置不同，既而波形差异能够很好地反映睡姿，因此将每一种睡姿时的三路信号特征进行融合作为睡姿特征，能够更好的识别睡姿。本文提出“特征比值法”，将各传感器提取的特征做交叉比值，公式如下：

[HJ12=HJ1HJ2]       （4）

[HJ13=HJ1HJ3]        （5）

[HJ23=HJ2HJ3]        （6）

[S12=S1S2]            （7）

[S13=S1S3]            （8）

[S23=S2S3]            （9）

[H12=H1H2]          （10）

[H13=H1H3]          （11）

[H23=H2H3]          （12）

式中，[HJ1]，[HJ2]，[HJ3]，[S1]，[S2]，[S3]和[H1]，[H2]，[H3]分别为从图1软垫中①②③号传感器采集的BCG信号所提取的J波峰值，方差和平均值特征。

各特征值之间无权重比，利用特征比值法分析的特征值，充分反映了各路BCG信号与睡姿的关系，构建特征向量[P]：

[P=HJ12，HJ13，HJ23，S12，S13，S23，H12，H13，H23]

4  多路BCG睡姿识别方法

本文利用粒子群优化（PSO）支持向量机的方法， PSO?SVM率先由Abdulhamit Subasi等人应用于肌电信号分类[13]，提出PSO?SVM可用于非平稳生物医学信号的分类的观点。PSO?SVM方法相比于SVM方法具有分类精度高、准确性高等特点，针对本文所构造的特征向量，PSO?SVM明显优于BP神经网络，识别效率更高，更适用于本文小样本的睡姿分类与识别。

在本文研究中，将30名受试者仰卧、左侧卧、右侧卧和俯卧4种基本睡姿各采集一次，提取120个特征向量作为样本容量，并标记标签。其中，仰卧特征向量[Ps1～Ps30]标签为0;左侧卧特征向量[Pl1～Pl30]标签为1;右侧卧特征向量[Pr1～Pr30]标签为2;俯卧特征向量[Pp1～Pp30]标签为3。将30名受试者按照男女比例随机分为两组，第一组21名受试者（14男，7女），第二组9名（6男，3女）。第一组受试者提取的特征向量作为训练集，第二组作为测试集，即训练识别过程中，84个为训练样本，36个为测试样本。通过PSO?SVM分类器，利用PSO方法，对训练集中每种睡姿的SVM模型进行迭代寻优，训练出最优参数的睡姿识别模型，最后用于识别测试集的睡姿。

5  实验结果

为验证本文所述方法的有效性，通过对30名受试者4种睡姿的多路BCG采集，利用特征比值法建立各传感器间的特征联系构造出特征向量P，用PSO?SVM方法实现睡姿的识别。训练结果如图4所示，经计算，仰卧、左侧卧、右侧卧的识别率为100%，俯卧的识别率为88.9%，各睡姿综合识别率达到97.1%。

6  結  论

本文通过设计多压电薄膜传感器床垫进行同步采集，经CEEMDAN?PE方法进行去噪处理，对去噪后的3路BCG波形进行时域分析，提出特征比值法将3路BCG特征融合并作为特征向量，利用PSO优化SVM的方法识别4种基本睡姿，睡姿识别准确率提高到97.1%，有较强的鲁棒性，验证了本文方法的有效性。相比于传统的睡姿检测装置与算法，该方法克服了传统单传感器对单一信号分析时受体位与外界环境干扰影响的问题，为无束缚睡眠姿势监测提供了新方法，为相关疾病的预防、诊断与治疗提供了参考依据。

参考文献

[1] 刘绵诗.基于心率信号的睡眠监测仪的设计与实现[D].南京：南京邮电大学，2018.

[2] KALOLELLA A B. Sleeping position and reported night?time asthma symptoms and medication [J]. Pan African medical journal， 2016， 24： 59.

[3] 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.

[4] 梁超，王鹏，曹贝贝，等.可穿戴智能睡眠质量检测系统[J].电子测量与仪器学报，2018，32（5）：159?167.

[5] 任志斌，李洋，郭士杰，等.基于模糊粗糙集的睡姿压力图像识别[J].计算机工程与应用，2018，54（3）：172?177.

[6] 张艺超，袁贞明，孙晓燕.基于心冲击信号的睡姿识别[J].计算机工程与应用，2018，54（17）：135?140.

[7] 王春武，王旭，龙哲，等.基于心冲击信号的心率提取算法[J].东北大学学报（自然科学版），2012，33（8）：1103?1106.

[8] MARCELO A， GAST?N S， MAR?A E. Improved complete ensemble EMD： a suitable tool for biomedical signal processing [J]. Biomed signal process control， 2014， 14： 19?29.

[9] 王金海，史梦颖，张兴华.基于EMD和ApEn特征提取的心律失常分类研究[J].仪器仪表学报，2016，37（z1）：168?173.

[10] 李军，李青.基于CEEMDAN?排列熵和泄漏积分ESN的中期电力负荷预测研究[J].电机与控制学报，2015，19（8）：70?80.

[11] 姜星，耿读艳，张园园，等.基于EMD?ICA的心冲击信号降噪研究[J].中国生物医学工程学报，2019，38（2）：138?145.

[12] 张加宏，潘周光，李敏，等.基于压电电缆传感器的心率测量与反馈系统设计[J].电子器件，2019，42（1）：259?266.

[13] ABDULHAMIT Subasi. Classification of EMG signals using PSO optimized SVM for diagnosis of neuromuscular disorders [J]. Computers in biology and medicine， 2013， 43（5）： 576?586.