基于生物微波雷达的非接触式睡眠状态监测方法和系统

本发明涉及智能模式识别与生理信号处理技术领域，尤其是涉及一种基于生物微波雷达的非接触式睡眠状态监测方法和系统。

背景技术：

随着社会经济的发展，人们对自身健康越来越重视，同时伴随着5g和万物互联时代的来临，关于智能家庭、人体健康监护、医疗保健等方面的传感器设备层出不穷，人体健康实时监护成为了智能穿戴设备的研究热点，例如实时监测人体的呼吸、心跳、血压等生命体征，其中关于人体睡眠状态监测是该领域研究的一大热点。

目前关于人体睡眠状态监测大多是通过佩戴接触式的传感器设备来实现对人体睡眠时的呼吸率和心率的监测，以此来推测人体的睡眠状态，但是这样的睡眠状态监测方式，必须佩戴接触式传感器，具有一定不便性。另外，基于传统视觉图像方法计算开销大，对光照条件要求较高，无法穿透或绕过障碍物，抗干扰能力差，有泄露用户隐私风险等缺陷。

因此非接触式的监测方式已经成为了相关科研机构研究的热点，其中生物微波雷达恰好具有非接触式的特点，因此基于生物微波雷达技术的人体睡眠状态监测的研究日益增多，但是，大多为对人体睡眠状态单一的监测，且容易受到环境因素影响，准确性和可靠性均不高，人体睡眠状态的监测需要结合体动信息与生理特征数据，才能得到较高的准确率，目前在该领域的研究较为稀少。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种便捷可靠、准确率高的基于生物微波雷达的非接触式睡眠状态监测方法和系统。

本发明的目的可以通过以下技术方案来实现：

一种基于生物微波雷达的非接触式睡眠状态监测方法，包括以下步骤：

s1：微波雷达传感器向待测个体发送微波信号，接收雷达回波信号并进行预处理后，得到雷达原始数据；

s2：对雷达原始数据进行雷达信号处理，得到睡眠体动特征数据集和包括生理体征数据的睡眠状态分类数据集；

s3：基于大数据和人工智能算法，结合睡眠体动特征数据集和睡眠状态分类数据集，得到待测个体的睡眠状态结果，完成睡眠状态监测。

进一步地，所述的步骤s3具体包括：

s31：构建并训练体动分类模型和睡眠状态分类模型；

s32：将睡眠体动数据集输入训练完成的体动分类模型，对待测个体的睡眠动作进行识别和分类，筛选出影响生理体征的动作；

s33：将筛选出的动作反馈至步骤s2；

s34：将睡眠状态分类数据集输入训练完成的睡眠状态分类模型，得到待测个体的睡眠状态分类结果；

s35：将睡眠动作进行识别结果和睡眠状态分类结果经过大数据分析，得到待测个体的睡眠状态结果，完成睡眠状态监测。

进一步地，所述的步骤s2具体包括：

s21：将原始雷达数据进行距离fft后进行roi提取；

s22：利用roi提取的数据，得到待测个体的生理体征数据；

s23：对roi提取后的数据进行再处理，得到体动数据，并形成体动特征数据集；

s24：剔除步骤s33中反馈动作在生理体征数据中引起的噪声信号，将生理体征数据进行特征处理，得到睡眠状态分类数据集。

更进一步地，所述的生理体征数据包括呼吸率和心率，所述的影响生理体征的动作具体为导致呼吸率和心率跳变的动作。

更进一步地，所述的s22具体包括：

s221：将roi提取的数据通过相位抽取和相位展开，得到相位差；

s222：经过不同适用带宽的带通滤波，得到呼吸率和心率的频谱估计；

s223：计算出包括呼吸率和心率的生理体征数据；

所述的步骤s23具体包括：

s231：对roi提取后的数据进行多普勒fft；

s232：进行通道平均，得到距离多普勒谱；

s233：利用cfar检测单目标点，获得包括距离、速度、方位角和仰角的体动数据；

s234：将体动数据依次进行提取、选择和多通道特征融合，得到体动特征数据集。

更进一步地，所述的睡眠状态分类数据集包括睡眠阶段分类数据集和osahs分类数据集，所述的睡眠状态分类模型包括睡眠阶段分类模型和osahs分类模型，所述的步骤s24中的特征处理具体包括：

根据时间范围，分段对生理体征数据的进行特征提取，形成睡眠阶段分类数据集；分别提取生理体征数据中呼吸暂停相关的特征和非呼吸暂停相关的特征，形成osahs分类数据集。

进一步地，所述的步骤s1中的预处理具体包括：对雷达回波信号进行混频和滤波得到中频信号，然后对中频信号进行模数转换采样后，得到雷达原始数据。

进一步地，所述的微波雷达传感器向待测个体发送微波信号st的表达式为：

其中，tf为一个调频周期内的快时间索引，at为发射信号振幅，fc为信号中心频率，k为信号调频斜率，kτ为τ时刻的信号发射频率；

所述的雷达回波信号sr的表达式为：

其中，ar为接收信号振幅，δtf为信号从发射到接收往返的时间间隔，k(τ-δtf)为τ时刻接收信号的频率，δfd为多普勒频移；

所述的中频信号sif的表达式为：

sif(tf)＝st(tf)sr(tf)＝atarexp{j2π[fcδtf+(fif-δfd)tf]}

fif＝kδtf

其中，fif为tf时刻中频信号的频率。

一种用于实现如所述的基于生物微波雷达的非接触式睡眠状态监测方法的系统，包括微波雷达传感器终端、边缘服务单元、云端服务单元和用户设备端；

所述的微波雷达传感器终端：向待测个体发送微波信号，接收其反射的微波信号并进行预处理后，得到雷达原始数据发送至边缘服务单元；

所述的边缘服务单元：对雷达原始数据进行雷达信号处理，得到睡眠状态分类数据集和睡眠体动特征数据集，并转发至云端服务单元；

所述的云端服务单元：基于大数据和人工智能算法，结合睡眠体动特征数据集和睡眠状态分类数据集，得到待测个体的睡眠状态结果，并发送至用户设备端；

所述的用户设备端：向用户提供睡眠状态结果的实时交互。

更进一步地，所述的云端服务单元存储并训练体动分类模型和睡眠状态分类模型，所述的训练完成的体动分类模型和睡眠状态分类模型通过大数据分析进行实时更新、优化和改进；

所述的训练完成的体动分类模型和睡眠状态分类模型在边缘服务单元进行缓存，当所述的云端服务单元离线后，本地的边缘服务单元调用对应分类模型，对待测个体进行睡眠状态监测。

与现有技术相比，本发明具有以下优点：

1)本发明通过信号处理得到睡眠体动特征数据集和包括生理体征数据的睡眠状态分类数据集，将生理体征数据和睡眠体动特征相结合，通过人工智能算法进行分析，能够滤除在生理体征数据测量过程中，由于睡眠动作而造成的干扰，防止睡眠动作影响生理体征数据测量的准确性和连续性，准确率高；

2)本发明利用微波雷达传感器终端得到雷达原始数据，并通过边缘服务单元和云端服务单元对雷达原始数据进行雷达信号处理、特征提取和分类等，对待测个体进行睡眠状态监测，待测个体无需佩戴穿戴式设备就可以实现睡眠状态监测，实现了对人体睡眠健康状态的非接触式、实时、抗遮挡、不依赖光照、非隐私侵犯、便捷无感的监测；

3)本发明通过对生理体征数据的不同特征处理，获得睡眠阶段分类数据集和osahs分类数据集，分别用于睡眠阶段分期监测和阻塞性睡眠呼吸暂停低通气综合征(osahs)的监测，同时结合睡眠体动监测，能够得出不同睡眠阶段的可持续时间，实现睡眠状态的实时监测，同时可以对阻塞性睡眠呼吸暂停进行预测，全面获得待测个体的睡眠健康情况，可靠性高；

4)本发明中，云端服务单元训练完成的体动分类模型和睡眠状态分类模型在边缘服务单元进行缓存，当云端服务单元离线后，本地的边缘服务单元调用对应分类模型，对待测个体进行睡眠状态监测，保证整个系统的稳定性，受通信线路影响小。

附图说明

图1为本发明方法的流程示意图；

图2为本发明系统的结构和处理过程流程图；

图3为本发明中微波雷达传感器终端可放置方式的俯视图；

图4为本发明中微波雷达传感器终端可放置方式的正视图。

图5为对人体呼吸率数据可视化示意图；

图6为人体心率数据可视化示意图；

图7为微波雷达传感器终端的硬件结构图；

图8为边缘服务单元的硬件结构图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

本发明提供一种基于生物微波雷达的非接触式睡眠状态监测方法，该方法创新性地设计了结合生物微波雷达、人工智能技术和大数据分析的方法，能够从多个微波雷达传感器终端获取到的多个待测个体的生理特征数据(包括呼吸率、心率、血压等)进行睡眠分析，得出不同睡眠阶段的可持续时间，实现睡眠状态的实时监测，同时可以对阻塞性睡眠呼吸暂停进行预测，结合得到的睡眠状态体动信息和人工智能分类算法实现体动特征的分析与判别，二者作为相互补充。

同时将待测个体生理特征数据(呼吸率、心率、血压等)测量和睡眠体动信息相结合，睡眠时的体动信息属于干扰信息，会产生呼吸率和心率的跳变，影响呼吸率和心率测量的准确性和连续性，影响待测个体生理特征数据的准确性和连续性，利用对体动信息的分析和判别从而可以滤除干扰的噪声信号，从而实现生理体征数据的精准分析和计算。

同时结合睡眠状态的体动信息，作为判别睡眠分期阶段的一个复合判别手段，利用经过预处理和分段后的呼吸率和心率数据，进行不同睡眠阶段(清醒期、浅睡期、深睡期和快速眼动期)特征提取和特征选择，送入人工神经网络进行训练和分类模型的生成；对于阻塞性睡眠呼吸暂停的监测，将训练数据分为呼吸暂停相关的呼吸率、心率和血压信号和非呼吸暂停相关的呼吸率、心率和血压信号，将这两类数据送入人工神经网络进行训练和分类模型的生成，获取相关特征之间的联系和区别，进而实现睡眠状态中呼吸暂停的判定；同时结合待测个体在睡眠状态时的体动特征数据(包括但不限于距离、速度、加速度、方位角、仰角、高度、能量和统计特征等)经过数据预处理、数据增强后送入人工智能分类模型，实现对待测个体模型的设计动作的分类和判别，将识别到的体动信息用于校准人体睡眠时的生理特征数据，同时实现对人体睡眠状态动作的记录，实现一定的辅助睡眠动作判别的功能。本发明可适应于睡眠状态的健康监测，具有一定的可拓展性和广泛适应性。

如图1所示，该方法包括以下步骤：

s1：微波雷达传感器向待测个体发送微波信号，接收雷达回波信号并进行预处理后，得到雷达原始数据，具体为：对雷达回波信号进行混频和滤波得到中频信号，然后对中频信号进行模数转换采样后，得到雷达原始数据：

微波雷达传感器向待测个体发送微波信号st的表达式为：

其中，tf为一个调频周期内的快时间索引，at为发射信号振幅，fc为信号中心频率，k为信号调频斜率，kτ为τ时刻的信号发射频率；

雷达回波信号sr的表达式为：

其中，ar为接收信号振幅，δtf为信号从发射到接收往返的时间间隔，k(τ-δtf)为τ时刻接收信号的频率，δfd为多普勒频移；

中频信号sif的表达式为：

sif(tf)＝st(tf)sr(tf)＝atarexp{j2π[fcδtf+(fif-δfd)tf]}

fif＝kδtf

其中，fif为tf时刻中频信号的频率。

s2：对雷达原始数据进行雷达信号处理，得到睡眠体动特征数据集和包括生理体征数据的睡眠状态分类数据集，具体包括：

s21：将原始雷达数据进行距离fft后进行roi提取；

s22：利用roi提取的数据，得到待测个体的生理体征数据，具体包括：

s221：将roi提取的数据通过相位抽取和相位展开，得到相位差；

s222：经过不同适用带宽的带通滤波，得到呼吸率和心率的频谱估计；

s223：计算出包括呼吸率和心率的生理体征数据；

s23：对roi提取后的数据进行再处理，得到体动数据，并形成体动特征数据集，具体包括：

s231：对roi提取后的数据进行多普勒fft；

s232：进行通道平均，得到距离多普勒谱；

s233：利用cfar检测单目标点，获得包括距离、速度、方位角和仰角的体动数据；

s234：将体动数据依次进行提取、选择和多通道特征融合，得到体动特征数据集；

s24：剔除步骤s33中反馈动作在生理体征数据中引起的噪声信号，将生理体征数据进行特征处理，得到睡眠状态分类数据集，其中，睡眠状态分类数据集包括睡眠阶段分类数据集和osahs分类数据集，特征处理具体包括：

根据时间范围，分段对生理体征数据的进行特征提取，形成睡眠阶段分类数据集；分别提取生理体征数据中呼吸暂停相关的特征和非呼吸暂停相关的特征，形成osahs分类数据集。

s3：基于大数据和人工智能算法，结合睡眠体动特征数据集和睡眠状态分类数据集，得到待测个体的睡眠状态结果，完成睡眠状态监测，具体包括：

s31：构建并训练体动分类模型和睡眠状态分类模型，其中，睡眠状态分类模型包括睡眠阶段分类模型和osahs分类模型；

s32：将睡眠体动数据集输入训练完成的体动分类模型，对待测个体的睡眠动作进行识别和分类，筛选出影响生理体征的动作，其中，生理体征数据包括呼吸率和心率，影响生理体征的动作具体为导致呼吸率和心率跳变的动作；

s33：将筛选出的动作反馈至步骤s2；

s34：将睡眠状态分类数据集输入训练完成的睡眠状态分类模型，得到待测个体的睡眠状态分类结果；

s35：将睡眠动作进行识别结果和睡眠状态分类结果经过大数据分析，得到待测个体的睡眠状态结果，完成睡眠状态监测。

如图2所示，本发明还提供一种基于生物微波雷达的非接触式睡眠状态监测系统，包括微波雷达传感器终端、边缘服务单元、云端服务单元和用户设备端。

(1)微波雷达传感器终端：向待测个体发送微波信号，接收其反射的微波信号并进行预处理后，得到雷达原始数据发送至边缘服务单元，具体为：向待测个体发送微波信号，并接收其反射的微波信号，进行混频、低通滤波和模拟数字转换等预处理后，得到包含待测个体睡眠体征信息的中频数据信号，即雷达原始数据。

如图7所示，微波雷达传感器终端包含收发天线模块、雷达芯片模块、微处理器模块(mcu)、通信模块、供电模块和外围电路模块；其中微波雷达传感器终端具有信号发生、信号接收、倍频、混频、滤波、模拟数字转换(adc)、数据缓存、通信接口等主要功能器件；收发天线采用多输入多输出(mimo)的天线阵列；微处理器模块用于对雷达进行控制、参数的配置和数据处理；通信模块用于和边缘服务单元进行通信和数据的传输；供电模块用于为整个微波雷达传感器终端提供电源；外围电路模块用于连接传感器终端其余各个子模块、其他传感器拓展接口和外部系统单元，其处理过程包含以下步骤：

s101：系统初始化，多个微波雷达传感器终端、边缘服务单元和云端服务单元启动；

s102：云端服务单元通过通信链路以有线或无线形式配置多个微波雷达传感器终端的配置参数；

s103：多个微波雷达传感器终端分别向待测个体发送雷达信号并接收雷达回波信号；

s104：多个微波雷达传感器终端获得的雷达回波信号经混频、滤波和模数转换(adc)采样后输出中频原始数据。

(2)边缘服务单元：对雷达原始数据进行雷达信号处理，得到睡眠状态分类数据集和睡眠体动特征数据集，并转发至云端服务单元，具体为：对雷达原始数据进行雷达信号处理和转发，获得待测个体的生理体征信息和体动信息，并通过通信链路以有线或者无线的形式转发至云端服务单元。

如图8所示，边缘服务单元包括dsp模块、mcu模块和通信模块。所述的dsp模块用于雷达原始数据的信号处理，微波雷达传感器终端采集到的数据通过通信链路以有线或者无线的形式，将采集到的原始数据传递给mcu模块和dsp模块，二者进行相互间的数据传递和数据处理，利用一系列的雷达信号处理算法主要包括数据排列、基本数学运算、快速傅里叶变换(fft)、恒虚警率(cfar)检测、到达角计算、滤波器处理等，可以得到待测个体的生理特征数据(呼吸率、心率、血压等)和睡眠体动特征数据，并通过通信链路传至云端服务单元，其处理过程包含以下步骤：

s201，将获取到的原始雷达数据进行距离fft后进行roi提取，将roi提取的数据通过相位抽取和相位展开后，得到相位差，再经过不同适用带宽的带通滤波后可以得到呼吸率和心率的频谱估计，进而计算出呼吸率和心率；

s202，roi提取后，进行多普勒fft，再进行通道平均，得到距离多普勒谱，利用cfar检测单目标点，获取得到距离、速度、方位角和仰角等体动特征数据；

s203，将提取得到的几种体动特征数据进行提取、选择后进行多通道特征融合，形成需要送入人工智能分类模型的睡眠体动特征数据集，将得到的呼吸率和心率进行特征提取和处理后，分别生成睡眠阶段分类数据集和osahs分类数据集；

(3)云端服务单元：基于大数据和人工智能算法，结合睡眠体动特征数据集和睡眠状态分类数据集，得到待测个体的睡眠状态结果，并发送至用户设备端，具体为：汇集多个待测个体的生理特征数据和体动数据，基于大数据和人工智能分类，实现多种睡眠状态分析与识别，并将处理结果通过通信链路反馈至用户设备端。

云端服务单元相当于云服务器的功能，具备实时通信控制、高速读写、数据存储、数据转发、高速计算、大数据分析、深度学习运算和处理等能力。所述的云服务单元通过对多个微波雷达传感器终端进行命令控制，用于微波雷达传感器终端的启动、关闭、参数配置和信号收发，实现统一的调度。所述的云端服务器具有可视化的人机交互界面，便于后台管理人员进行数据的分析和控制。云端服务器单元将处理和分析后的人体睡眠状态结果，通过通信链路以有线或无线的形式传送至用户设备端，其处理过程包含以下步骤：

s301，将睡眠体动特征数据集、睡眠阶段分类数据集和osahs分类数据集分别送入对应的人工智能分类模型，如果不存在分类模型，则经过相应的人工神经网络训练后输出各自的分类模型；

s302，如果已经存在训练好的分类模型，将从边缘服务单元得到的经过特征选择和处理后的睡眠体动数据、呼吸率和心率特征数据经过分类模型预测，得到相应的预测结果，实现睡眠体动信息的识别和判断、睡眠状态的阶段分期的预测和睡眠过程中阻塞性睡眠呼吸暂停的预测；

s303，将预测的睡眠体动信息，筛选出导致呼吸率和心率跳变的动作，通过通信链路反馈至边缘服务单元特征处理的过程，将呼吸率和心率的由该动作引起的噪声信号进行剔除，得到准确和可持续的人在安静睡眠状态时的呼吸率和心率信号，再次送入各自的分类模型，实现更加精准的预测；

s304，将云端服务单元训练、更新和优化后得到的各自的分类模型，定期通过通信链路以有线或无线的形式下载至边缘服务单元，实现边缘服务单元和云端服务单元都可以实现睡眠状态的监测，边缘服务单元是本地形式，保证睡眠状态监测的基本功能；

s305，云端服务单元将各分类模型输出的人体睡眠时的身体动信息、睡眠状态的阶段分期结果和阻塞性睡眠呼吸暂停的预测结果经过大数据的分析后，判断和分析出待测个体前一段时间的睡眠健康状态；

s306，将分类模型预测的结果和经过大数据分析后的待测个体睡眠健康状态结果通过通信立链路以有线和无线的形式发送至用户终端，使得用户可以了解到自己前一段时间的睡眠健康状态。

云端服务单元从边缘服务单元获取体动分类数据集中的体动数据(包括但不限于距离、速度、加速度、方位角、仰角、高度、能量和统计特征等)，经过数据预处理、数据增强后送入体动分类模型，实现对待测个体动作的分类和判别，实现对人体睡眠状态动作的记录，实现一定的辅助功能，例如床上跌下检测、翻身检测等，并筛选出影响生理体征数据的动作，反馈至边缘服务单元。

云端服务单元从边缘服务单元获取睡眠状态数据集中的生理体征数据，通过传统机器学习方法(包括主成分分析、决策树模型和支持向量机等)或深度学习模型(包括人工神经网络、rnn等)，实现睡眠阶段分期和阻塞性睡眠呼吸暂停低通气综合征(osahs)的监测，具体为，将其分别送入训练完成的睡眠阶段分类模型和osahs分类模型，实现睡眠阶段分期和阻塞性睡眠呼吸暂停低通气综合征(osahs)的监测。其中，对于睡眠阶段分期，输入的生理体征数据是通过特征提取(例如隐马尔可夫模型(hmm)、fft法、自相关法、峰值检测法等)，提取出在一定时间范围的呼吸率、心率等特征，将计算出的相应睡眠时期对应的特征结果；对于阻塞性睡眠呼吸暂停，输入的生理体征数据分为呼吸暂停相关的呼吸率、心率和血压信号和非呼吸暂停相关的呼吸率、心率和血压信号，将这两类数据送入osahs分类模型，获取相关特征之间的联系和区别，实现对阻塞性睡眠呼吸暂停的预测和识别。

云端服务单元可以利用大数据结合人工智能算法对从多个终端获取到的多个待测个体的生理体征数据进行睡眠分析，得出不同睡眠状态的可持续时间，实现睡眠状态的实时监测，同时睡眠状态体动信息结合人工智能分类模型实现体动特征的分析与判别，二者作为相互补充，睡眠时的体动数据属于干扰信息，影响待测个体生理特征数据的准确性和连续性，利用对体动信息的分析和判别，可以在特征处理过程中滤除干扰的噪声信号，从而实现生理体征数据的精准分析和计算，对于睡眠健康监测准确度进一步得到提高。

另外，云端服务单元训练好的人工智能分类模型可以通过大数据的分析实现实时的更新、优化和改进，使其适应于不同待测个体，将其在云端训练好的模型在云端服务单元进行训练、更新后，可以在云端服务单元进行备份，同时可以在边缘服务单元进行缓存，在本地实现模型的调用，通过通信链路以有线或无线的形式将云端服务单元的训练、优化、更新后的分类模型，在边缘服务单元实现模型的下载和备份，避免了边缘服务单元与云端服务单元发生通信断路后，无法实现云端服务单元访问的局限性，离线后依然可以对待测个体进行睡眠健康状态的监测和分析，保证本地用户对于设备的基本功能的正常使用，提高了系统的稳健性。

(4)用户设备端：向用户提供睡眠状态结果的实时交互，如用户实时查看睡眠状态检测和分析结果。

为达到较好的实时性要求，可以将微波雷达传感器终端和边缘服务单元集成于同一嵌入式硬件终端，以实现原始数据的高速数据传输和处理，直接在嵌入式的硬件终端实现特征的提取和选择，也可以将其单独分开，微波雷达传感器终端仅仅用来采集原始数据，而边缘服务单元用于原始数据的处理和特征的提取等功能，用于同时处理多个微波传感器终端采集到的原始数据。

本实施例给出的应用场景如图3和图4所示，微波雷达传感器终端的可放置位置如图中展示的共有6个位置，图3中为俯视图，分别为前后左右(图中a、b、c、d四个位置)4种方式，图4为正视图，分别为上下(图中e、f两个位置)2种方式。可根据场景分别选择一种微波雷达传感器终端的放置方式，但又不限于此6种放置位置方式，用于待测个体的睡眠健康状态的监测，可根据实际场景进行适当调整，本实施例中采用的是位置a所示的雷达放置方式。

本实施例中，体动分类中共预设14种动作，分别包括右翻靠近雷达跌下床、左翻靠近雷达跌下床、右翻远离雷达跌下床、左翻远离雷达跌下床、床上起身、床上起身后躺下、水平躺右翻身、水平躺左翻身、右侧躺转左侧躺、左侧躺转右侧躺、右侧躺左翻身水平、左侧躺右翻身水平、周围人走动和床上挥手，其经过数据处理后的特征样本如下表所示。

动作与特征样本对应表

通过微波雷达传感器前端采集到的生理体征数据(呼吸率、心率)如图5和图6所示，经过数据特征的提取、优化和选择后，送入相适用的人工智能分类模型，将得到的特征样本进行训练得到特征样本的分类模型。

每种人体睡眠动作由不同体型、性别、年龄的主体(人)在作用空间内特定位置分别采集100个样本数据，通过对比同类样本之间的特征相似性，将异常样本剔除，确保类内样本特征相似且类间不同，用适用的人工智能分类模型对14种人体睡眠状态动作和干扰动作的所有特征样本进行训练得到特征样本的分类模型。

微波雷达传感器终端实时发射雷达微波信号，并接收作用空间反馈的回波信号，人体在作用空间内运动时，微波雷达传感器终端捕捉到包含了当前人体所处睡眠体态和个体生理特征的原始数据；

在边缘服务单元中对原始数据进行一系列信号处理，得到距离、速度、加速度、方位角、仰角、高度、能量和统计特征等特征数据，组合多种特征信息得到人体睡眠状态时的动作数据，通过相应信号处理算法，提取出原始数据中所包含的人体生理特征数据(呼吸率、心率)，并将这些特征数据发送到云端服务单元；

云端服务单元接收到多个待测个体的睡眠时的生理特征数据和体动数据，利用大数据和人工智能分类的方法，根据每个个体的呼吸率和心率、血压数据和体动信息，实现睡眠分期的预测、阻塞性睡眠呼吸暂停和睡眠时的身体动作的分析与识别，二者相结合实现对人体睡眠过程的多种睡眠状态相关信息的深入分析与识别，利用大数据实现对睡眠健康状态的分析，并将处理结果定期通过通信链路反馈至用户设备端。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。