| 摘 要： | 目的针对用于无扰睡姿检测的心冲击图(Ballistocardiogram,BCG)信号特征微弱,并且具有非线性、非平稳性强、存在噪声干扰以及信号本身具有空间和时域信息的特点,提出了一种基于注意力机制融合空时特征的深度学习睡姿检测模型(Deep Learning Sleeping Posture Monitoring Model,CTAM)。方法CTAM是一种可实现端到端的实时睡姿检测方案,通过睡眠带测试真实睡眠状态下睡姿的BCG信号,并构建数据集进行仿真对比实验。结果与具有类似结构的传统卷积神经网络(Convolutional Neural Networks,CNN)模型和空时融合的卷积-长短时记忆网络(Convolutional Long Short-Term Memory Network,CNN-LSTM)相比,CTAM在训练集的收敛性和测试集的准确率上均有显著的提升,其中,在测试集上的准确率分别较CNN模型和CNN-LSTM模型提升了1.46%和4.61%。结论CTAM这种算法模型在基于BCG信号下能实现睡姿的实时、有效、无扰监测,在改善睡眠质量监测领域具有较好的应用前景。
|
