一种基于模糊粗糙集的睡姿压力图像识别方法
【专利摘要】一种基于模糊粗糙集的睡姿压力图像识别方法，其特征在于所述方法包括以下步骤：第一步数据采集，采集位于睡眠位置下方的力敏传感器阵列检测得到的实时压力数据；第二步图像转换，将第一步采集到的实时压力数据转化为压力图像；第三步图像预处理，对第二步得到的压力图像进行图像预处理；第四步图像特征提取，对经过图像预处理的压力图像进行特征提取；提取到的特征值构成了单幅压力图像的特征集合，第五步采用基于模糊粗糙集方法对第四步提取得到图像特征进行处理实现睡姿识别。
【专利说明】
一种基于模糊粗糙集的睡姿压力图像识别方法
技术领域
[0001] 本发明涉及一种监测系统，具体是一种自动识别睡眠姿态的方法和系统，特别是 一种基于模糊粗糙集的睡姿压力图像识别方法和系统。
【背景技术】
[0002] 人的一生的时间在睡眠中度过有三分之一，睡眠质量通常比睡眠的时间长短更重 要，它关系到人的心理及生理健康，睡眠质量差的人容易产生紧张，疲劳，注意力不集中，或 饮食失调。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。睡眠阶段以及睡 眠障碍都会产生精神疾病，如抑郁症，酗酒和双相情感障碍。确定睡眠质量的指标，如睡眠 阶段，睡眠困难、睡眠姿势，对用于医疗诊断是非常关键的。最常见的是睡眠呼吸暂停的研 究，近年来，许多研究着致力于睡眠呼吸暂停睡眠姿势进行数据分析。据研究表明睡眠呼吸 暂停中良好的睡眠姿势有利于减轻呼吸暂停患者的呼吸障碍程度。
[0003] 在医疗方面，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。不良睡姿如俯卧会使大部份的体重落在肋骨和肠脏，从而压着横隔膜和肺部， 影响呼吸，尤其是对有呼吸暂停综合症的患者影响更为严重。而颈部则由于必须向侧面扭 转来保持呼吸畅通，增加扭屈，容易引致创伤。综上所述，有呼吸暂停综合症患者应避免以 仰卧和俯卧姿势进行睡眠，宜采取侧卧位睡眠，可以减轻或防止咽腔部软组织和舌根后坠； 减轻颈部和胸部脂肪组织对气道压力，从而有助减轻鼾声，甚至防止呼吸暂停。
[0004] 床褥的影响，对睡觉姿势的分析有利于防止压疮的形成，通知易产生床褥的病人 和即将到来的床褥压力点。因此，自动睡眠姿态监测是非常有必要的。
[0005] 到目前为止，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和麦克风。中岛淑贵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，非常 不利于医院患者的健康治疗。这样的工作集中在检测之前姿势改变，而不是认识的身体姿 势。
[0006] 因此，提出使用压力传感器阵列实时监测睡眠状态，提供一种睡姿识别的算法及 系统。大幅度提高睡眠姿势识别的准确度，且更为保护隐私。为医疗中的呼吸暂停减缓、床 褥预防与治疗和智能居家中睡眠质量提高等领域研究人员提供数据支持。
【发明内容】
[0007] 本发明针对现有技术存在的关键问题，提供一种基于模糊粗糙集的睡姿压力图像 识别方法和系统，该系统具有检测精度高，实时性好，识别速度快，可适用于不同性别、身 高、体重患者的睡姿检测等特点。根据目前医疗市场对睡眠姿态的需求和智能居家方向的 发展，对患有呼吸暂停综合症患者的呼吸障碍减缓和患有床褥影响的病人治疗，以及对睡 眠质量的需求从婴幼儿到中老年，不同群体的睡眠质量急需解决，前景可观。
[0008] -种基于模糊粗糙集的睡姿压力图像识别方法，其特征在于所述方法包括以下步 骤
[0009]第一步数据采集
[0010]采集位于睡眠位置下方的力敏传感器阵列检测得到的实时压力数据；
[0011] 第二步图像转换
[0012] 将第一步采集到的实时压力数据转化为压力图像，具体为:建立图像坐标与传感 器阵列分布一致的图像，将每个传感器上采集到的压力数值转化为对应的图像坐标上像素 的灰度值，从而得到反映传感器阵列上压力分布的压力图像；
[0013] 第三步图像预处理
[0014] 对第二步得到的压力图像进行图像预处理；
[0015] 第四步图像特征提取
[0016] 对经过图像预处理的压力图像进行特征提取；
[0017] 第五步采用基于模糊粗糙集方法对的第四步得到图像特征集合进行处理实现睡 姿识别
[0018] 对经过人工分类的的睡姿压力图像按照第四步所述方法进行图像特征提取，并将 提取到的图像特征集合和压力图像的类别组成训练样本集合，再以睡姿压力图像的类别 (以下简称图像类别)作为决策属性建立决策表;对决策表中作为条件属性的图像特征进行 属性约简，经约简的条件属性即为能够表达图像类别的最少的图像特征，从而得到了图像 分类的决策规则;经过对睡姿识别的压力图像的特征提取，与决策规则进行隶属度计算，以 隶属度最大的图像类别作为识别的睡姿类别。
[0019] 所述的一种基于模糊粗糙集的睡姿压力图像识别方法，其特征在于所述第三步包 括
[0020] 1)图像校正，包括1.1)几何变换校正，1.2)阈值分割;2)区域划分。
[0021] 所述区域划分为沿Y轴方向将经过图像校正的压力图像4等分，并沿Y轴依次划分 出25%区域、50%区域和75%区域。
[0022] 所述的一种基于模糊粗糙集的睡姿压力图像识别方法，其特征在于所述第四步需 要提取的特征包括:压力区域占整个压力图像的比例、25%区域中的压力区域占整个压力 区域的比例、50%区域中的压力区域占整个压力区域的比例和75%区域中的压力区域占整 个压力区域的比例、压力图像的对称性、压力区域数、压力图像方向性、压力图像的平衡性、 肩部区域面积、肩部坐标、臀部区域面积、臀部坐标、肩臀重心距离，上述特征值构成了单幅 压力图像的特征集合。
[0023] 本发明与现有技术相比，其主要优点在于：
[0024] (1)本发明克服了现有对睡眠监测中的相机夜间亮度问题和对隐私的保护问题， 进而使得被监测者在睡姿监测过程中没有心理障碍，更加自然、无束缚地睡眠，极大消除了 被检测者的心理负担。
[0025] (2)图像多特征性最大限度保证了图像信息的完整性，使得在分类过程中更加准 确。
[0026] (3)图像的处理采用基于时序压力数据的方法，相比较传统的图像采集更加快速， 尤其是在处理过程中单幅图像的大小为64X128像素，大大减小了图像处理速度和减小了存 储占用空间。
[0027] (4)由于身体形状的不完整性和自我遮挡身体压力，压力图像分析相比视频图像 分析更具挑战性，而模糊粗糙集是基于对未知信息或者相互矛盾数据的不确定性进行数据 处理和推测，本质是一种机器自我学习的方式，为处理模糊和不确定知识提供了有效的检 测工具。
[0028] 本发明基于模糊粗糙集的睡姿识别方法相较于现有技术，包含更多睡姿图像特征 下更加快速、实时识别，为医疗中的呼吸暂停减缓、床褥预防与治疗和智能居家中睡眠质量 提高等领域研究人员提供了准确数据支持。
【具体实施方式】
[0029]为了使本发明的目的更加突显，以下对本发明详细说明。
[0030] 实施例
[0031] -种基于模糊粗糙集的睡姿压力图像识别方法，包括以下步骤 [0032]第一步数据采集
[0033]采集位于睡眠位置下方的力敏传感器阵列检测得到的实时压力数据
[0034]所述柔性力敏传感器阵列（以下简称传感器阵列）为64X128的矩形阵列，数据的 采集频率为I OHz，每个柔性力敏传感器的取值范围为0-512。
[0035]柔性力敏传感器阵列分布能够恰好覆盖睡眠者的最大投影面积，最大限度地保障 了整个身体压力数据的完整性。采集的实时压力数据包含了实时身体压力的大小。
[0036]第二步图像转换
[0037]将第一步采集到的实时压力数据转化为压力图像，具体为:建立图像坐标与传感 器阵列分布一致的图像，将每个传感器上采集到的压力数值转化为对应的图像坐标上像素 的灰度值，从而得到反映传感器阵列上压力分布的压力图像。
[0038]本实施例中，所述压力图像的每个像素与传感器阵列的传感器一一对应，所述压 力图像为8位灰度图像，将每个传感器测得的压力数据减半后的值作为相应像素的灰度值。 所述压力图像的图像坐标的Y轴和X轴分别对应于传感器阵列的纵轴方向和横轴方向。 [0039]被检测者的脊柱方向与传感器阵列的纵轴方向大致平行。
[0040] 第三步图像预处理
[0041]对第二步得到的压力图像进行图像预处理，包括 [0042] 1)图像校正，所述图像校正包括
[0043] 1.1)几何变换校正，
[0044]所述几何变换校正具体包括对图像进行平移、旋转、缩放以校正原始压力图像的 几何畸变；由于人体躺在柔性压力传感器阵列床垫上，尤其是夜间被监测者可能出现体动、 翻身等动作，导致反映出来的压力区域分布出现了相对于压力图像的位置变动。通过几何 变换校正可使得采集到的压力图像的几何畸变得到很好的校正；
[0045] 1.2)阈值分割，
[0046]先对压力图像的像素进行阈值设定，按照设定值过滤除压力区域外的其他像素， 进而使压力区域更加明显;然后反转图像像素的灰度值，得到经过图像校正的压力图像。所 述经过图像校正的压力区域以外为白色，压力区域中，压力越大的区域，图像颜色越趋近于 黑色，压力区域外为白色。（现有的灰度值表示方法中，灰度值范围一般从0到255,白色为 255,黑色为0)
[0047] 2)区域划分，沿Y轴方向将经过图像校正的压力图像4等分并沿Y轴依次划分出 25%区域、50%区域和75%区域，完成图像预处理。
[0048]第四步图像特征提取
[0049] 对经过图像预处理的压力图像进行特征提取，需要提取的特征包括
[0050] 压力区域占整个压力图像的比例、25%区域中的压力区域占整个压力区域的比 例、50%区域中的压力区域占整个压力区域的比例和75%区域中的压力区域占整个压力区 域的比例、压力图像的对称性、压力区域数、压力图像方向性、压力图像的平衡性、肩部区域 面积、肩部坐标、臀部区域面积、臀部坐标、肩臀重心距离，上述特征值构成了单幅压力图像 的特征集合。
[0051] 所述压力区域占整个图像的比例，这是指被检测者身体形成的压力区域的总像素 个数占整个压力图像像素的百分比，能够反映出测试者的体型和睡姿变化情况，同一测试 者在不同的睡姿状态下所述比例是不尽相同的；
[0052] 根据25 %区域、50 %区域和75 %区域中的压力区域占整个压力区域的比例的变 化，可以提取出该测试者的体动变化和睡姿变化，尤其是测试者是睡姿接近压力传感器阵 列的上半部分还是下半部分，对改正睡眠监测者的睡眠习惯有很大的帮助；
[0053]压力图像的对称性，是指通过所述图像预处理的压力区域提取得到的压力图像， 而相比较侧卧姿态下，仰卧和俯卧状态更能表现出对称性，对称性的值范围为0-1，样我和 俯卧状态下的对称性值更接近1，而其他状态下的睡姿对称性值都小于0.5;
[0054]压力区域数，是指压力图像所形成的区域数，仰卧姿态时相比较俯卧更能明显显 示出肩部和臀部区域，这是由于人体的肩部和臀部相对比较突出的构造原因，充分利用人 体的构造，更能提取有效的特征反映当前测试者的睡姿；
[0055]压力图像方向性，是指检测身体压力图像的主干部分的曲率方向性，在仰卧和俯 卧状态下，人体表现出更直的压力图像，提取此部分的步骤包括:从压力图像装换成相应的 骨架图，把骨架图中多余像素进行移除，使得骨架图更直接反映侧卧状态下的形状，沿骨架 图发现角平分线，曲率方向为角平分线在y轴方向分量的总和，y轴方向即床单的长边方向； 压力图像的平衡性，是指它不同于图像的对称性，更多的计算压力图像哪一侧包含更多的 压力，此特征更适合对侧卧之间进行区分；
[0056]肩部区域面积，是指肩部压力区域所形成的区域，再次计算的是压力区域内的像 素个数;肩部坐标，是指以肩部压力区域的重心坐标为参考值，标定了肩部的位置坐标； [0057]臀部区域面积，是指臀部压力区域所形成的区域，再次计算臀部压力区域内的像 素个数;臀部坐标，是指以臀部压力区域的重心坐标为参考值，标定了臀部的位置坐标； [0058]肩臀重心距离，是指所述肩部重心坐标与臀部重心坐标的距离。
[0059] 第五步基于模糊粗糙集方法对的第四步得到图像特征集合进行处理实现睡姿识 别，
[0060] 对经过人工分类的的睡姿压力图像按照第四步所述方法进行图像特征提取，并将 提取到的图像特征集合和压力图像的类别组成训练样本集合，再以睡姿压力图像的类别 (以下简称图像类别)作为决策属性建立决策表;对决策表中作为条件属性的图像特征进行 属性约简，经约简的条件属性即为能够表达图像类别的最少的图像特征，从而得到了图像 分类的决策规则;经过对睡姿识别的压力图像的特征提取，与决策规则进行隶属度计算，以 隶属度最大的图像类别作为识别的睡姿类别。
[0061 ] 具体包括
[0062] 1)组成训练样本集合，
[0063] 按照仰卧型、俯卧型、左侧胎儿型、左侧树干型、右侧胎儿型、右侧树干型6大类对 作为训练样本的睡姿压力图像进行人工分类，所述仰卧型、俯卧型、左侧胎儿型、左侧树干 型、右侧胎儿型、右侧树干型，分别简称为3、？、1^、1^、1^、此;对经过人工分类的睡姿压力图 像，按照第四步所述方法进行图像特征提取，并将提取到的图像特征集合和压力图像的类 别组成训练样本集合
[0064] 2)建立决策表
[0065] 将训练样本集合作为模糊粗糙集方法中的一个信息系统建立决策表，所述决策表 即通过训练样本进行知识表达的信息系统，
[0066] 以压力图像作为决策表的对象集合，将经过第四步提取的图像特征集合作为决策 表中的条件属性，将图像的类别作为决策属性。
[0067] 一个信息系统S可以表示为一个四元组S= {U，A，V，f}，其中
[0068] U={X1，X2, · · ·，^}是11维欧式空间中对象的非空有限集合，即压力图像的集 合；
[0069] A是u上所有模糊等价关系的集合，A=Cud^d=Ic是条件属性子集，即图像的 特征集合，且G0, D是决策属性子集，即图像的分类类别集合，且~0，以信息系统T作为 一个决策表，记作T={U，A，C，D}。
[0070] V = UpeAVp, Vp 是属性 P 的域。
[0071] f: U X A-V是图像分类函数，使得对每个图像Xi e U，每个特征q GA，有f(x，q)eVq。
[0072] 分类样本训练集可以表示为一个二维决策表，其中U= {χι，Χ2, · · ·，X6}，C = {C1，C2，· · ·，C12}，D={dl，d2，· · ·，d6}〇
[0073] 在信息系统S={U，A，V，f}中，设X e疗是个体全域上的子集'e ^，则X的下和上 近似集及边界区域分别为：M = P e Li P :y eζ = P e e n f，0 } /siMj0 = Λ P , fX是Z C V上必然被分类的那些特征元素的集合，即包含在X在内的最大可定义集;PX是 U上可能被分类的那些特征元素的集合，即包含X的最小可定义集；Bndp(X)是既不能在 X e ￡/上被分类，又不能在U-X上被分类的那些特征元素的集合。图像特征值范围的边界 部分决定它的归属，需要在进行大量样本训练中，找到合理的选择界限。
[0074] 3)属性约简
[0075] 接下来，在属性约简部分，通过上述训练样本的信息系统S的建立，形成了包含图 像对象、图像特征、图像类别和分类知识函数的集合，信息系统S由S c={U，C，V，fWPSD={U， 〇，￥，打两个信息系统组成，它们通过1]，￥3紧密结合。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，产生一个更为简单的模糊决策表。在决策表中，不同条件 属性对决策属性的重要性不同，为了考察分类的变化情况，需要去除决策表中的某一属性 或属性集合，由此判断条件特征属性与决策特征属性的关联程度。在信息系统S= {U，CUD， V，f}中，设D={di，d2, · · ·，di}，条件属性子集.5_.S C*关于决策属性D的"正区域"定义为 POSb(D)= U {PX:XeD}；
[0076] 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。条 件属性子集〃 ^ C与决策属性D的相关程度定义为：
[0077]
[0078]其中cad(X)表示X集合中元素的个数;显然，0彡k(B，D)彡l，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。在不重要的属性，即接近于0的属性，此可以 舍去，达到属性约简的目的，同时减少属性匹配的运行时间。
[0079] 4)产生决策规则
[0080]每一个决策表，都有与之对应的一条决策规则，这些相关的决策规则被称为决策 算法。T={U，A，C，D}是一个决策表，令 XeU/C，YeU/D。
[0081 ]记：des(X) = {f(x，c)xeXVceC}，
[0082] des(Y) = {f(x,d)xeXVdeC}
[0083] 若Xm^￡0，则定义由X，Y可以得出决策规则为rxy:deS(X)-d eS(Y)，定义该规则的 确定性为M
'当μ(Χ，Υ) = ?即HF时，该规则是确定的，否则称该规则 是不确定的。评价属性子集对分类的质量，由属性子集P E』确定的分类ψ的分类质量为：
[0084]
[0085]分类质量表示通过属性子集P正确分类的对象数量与信息系统中所有对象的比 值，这是评价属性子集的重要性的关键指标之一。
[0086] 3)压力图像自动分类
[0087] 根据属性约简的结果，对将要进行睡姿识别的睡姿压力图像进行特征提取，提取 约简后的条件属性。
[0088] 计算睡姿压力图像与决策规则中图像类别的隶属度，具体如下:设图像P的条件属 性中的c属性值为n，D类别图像的c属性的取值范围为[g，h]/m，用f (c)表示P的c属性属于D 类别的c属性隶属度：
[0089]
[0090]进行图像自动匹配分类过程中，提取输入的压力图像约简属性，即可求出该压力 图像对每一类别的隶属度，根据隶属度取值决定该图像的类别。
[0091] 以上结合具体实施例描述了本发明中糊粗糙集分类方法的基本原理，本发明的睡 姿识别技术方案与传统的基于内容的底层语义图像分类技术方案在图像分类性能上表现 出该方法具有很好的精确性和有效性，能较好地实现图像自动分类。
[0092] 本发明未述及之处适用于公知技术。
[0093] 以上对本发明的实施进行了详细说明，但所述内容为本发明的较佳实施过程，不 能被认为用于限定本申请权利要求的保护范围。凡以本发明申请权利要求范围所做的均等 变化与改进，均应归属于本申请权利要求的保护范围之内。
【主权项】
1. 一种基于模糊粗糙集的睡姿压力图像识别方法，其特征在于所述方法包括以下步 骤： 第一步数据采集 采集位于睡眠位置下方的力敏传感器阵列检测得到的实时压力数据； 第二步图像转换 将第一步采集到的实时压力数据转化为压力图像，具体为：建立图像坐标与传感器阵 列分布一致的图像，将每个传感器上采集到的压力数值转化为对应的图像坐标上像素的灰 度值，从而得到反映传感器阵列上压力分布的压力图像； 第三步图像预处理 对第二步得到的压力图像进行图像预处理； 第四步图像特征提取 对经过图像预处理的压力图像进行特征提取;提取到的特征值构成了单幅压力图像的 特征集合 第五步采用基于模糊粗糙集方法对第四步提取得到图像特征进行处理实现睡姿识别 对经过人工分类的的睡姿压力图像按照第四步所述方法进行图像特征提取，并将提取 到的图像特征集合和压力图像的类别组成训练样本集合，再以睡姿压力图像的类别作为决 策属性建立决策表;对决策表中作为条件属性的图像特征进行属性约简，经约简的条件属 性即为能够表达图像类别的最少的图像特征，从而得到了图像分类的决策规则;经过对睡 姿识别的压力图像的特征提取，与决策规则进行隶属度计算，以隶属度最大的图像类别作 为识别的睡姿类别。2. 如权利要求1所述的一种基于模糊粗糙集的睡姿压力图像识别方法，其特征在于所 述第三步包括1)图像校正，包括1.1)几何变换校正，1.2)阈值分割;2)区域划分。3. 如权利要求2所述的一种基于模糊粗糙集的睡姿压力图像识别方法，其特征在于所 述区域划分为沿Y轴方向将经过图像校正的压力图像4等分，并沿Y轴依次划分出25%区域、 50%区域和75 %区域。4. 如权利要求3所述的一种基于模糊粗糙集的睡姿压力图像识别方法，其特征在于所 述第四步需要提取的特征包括:压力区域占整个压力图像的比例、25%区域中的压力区域 占整个压力区域的比例、50%区域中的压力区域占整个压力区域的比例和75%区域中的压 力区域占整个压力区域的比例、压力图像的对称性、压力区域数、压力图像方向性、压力图 像的平衡性、肩部区域面积、肩部坐标、臀部区域面积、臀部坐标、肩臀重心距离，上述特征 值构成了单幅压力图像的特征集合。
【文档编号】G06K9/32GK106056116SQ201610378199
【公开日】2016年10月26日
【申请日】2016年5月31日
【发明人】郭士杰, 任志斌, 郭志红, 刘佳斌, 任东城, 刘秀丽
【申请人】河北工业大学