一種基于模糊粗糙集的睡姿壓力圖像識(shí)別方法
【專(zhuān)利摘要】一種基于模糊粗糙集的睡姿壓力圖像識(shí)別方法，其特征在于所述方法包括以下步驟：第一步數(shù)據(jù)采集，采集位于睡眠位置下方的力敏傳感器陣列檢測(cè)得到的實(shí)時(shí)壓力數(shù)據(jù)；第二步圖像轉(zhuǎn)換，將第一步采集到的實(shí)時(shí)壓力數(shù)據(jù)轉(zhuǎn)化為壓力圖像；第三步圖像預(yù)處理，對(duì)第二步得到的壓力圖像進(jìn)行圖像預(yù)處理；第四步圖像特征提取，對(duì)經(jīng)過(guò)圖像預(yù)處理的壓力圖像進(jìn)行特征提??；提取到的特征值構(gòu)成了單幅壓力圖像的特征集合，第五步采用基于模糊粗糙集方法對(duì)第四步提取得到圖像特征進(jìn)行處理實(shí)現(xiàn)睡姿識(shí)別。
【專(zhuān)利說(shuō)明】
一種基于模糊粗糙集的睡姿壓力圖像識(shí)別方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種監(jiān)測(cè)系統(tǒng)，具體是一種自動(dòng)識(shí)別睡眠姿態(tài)的方法和系統(tǒng)，特別是 一種基于模糊粗糙集的睡姿壓力圖像識(shí)別方法和系統(tǒng)。
【背景技術(shù)】
[0002] 人的一生的時(shí)間在睡眠中度過(guò)有三分之一，睡眠質(zhì)量通常比睡眠的時(shí)間長(zhǎng)短更重 要，它關(guān)系到人的心理及生理健康，睡眠質(zhì)量差的人容易產(chǎn)生緊張，疲勞，注意力不集中，或 飲食失調(diào)。通過(guò)睡眠階段可以證明診斷心血管疾病，糖尿病和肥胖等癥狀。睡眠階段以及睡 眠障礙都會(huì)產(chǎn)生精神疾病，如抑郁癥，酗酒和雙相情感障礙。確定睡眠質(zhì)量的指標(biāo)，如睡眠 階段，睡眠困難、睡眠姿勢(shì)，對(duì)用于醫(yī)療診斷是非常關(guān)鍵的。最常見(jiàn)的是睡眠呼吸暫停的研 究，近年來(lái)，許多研究著致力于睡眠呼吸暫停睡眠姿勢(shì)進(jìn)行數(shù)據(jù)分析。據(jù)研究表明睡眠呼吸 暫停中良好的睡眠姿勢(shì)有利于減輕呼吸暫?；颊叩暮粑系K程度。
[0003] 在醫(yī)療方面，Ambrogio等人發(fā)現(xiàn)睡眠姿勢(shì)和慢性呼吸衰竭的關(guān)系，這直接導(dǎo)致睡 眠呼吸暫停。不良睡姿如俯臥會(huì)使大部份的體重落在肋骨和腸臟，從而壓著橫隔膜和肺部， 影響呼吸，尤其是對(duì)有呼吸暫停綜合癥的患者影響更為嚴(yán)重。而頸部則由于必須向側(cè)面扭 轉(zhuǎn)來(lái)保持呼吸暢通，增加扭屈，容易引致創(chuàng)傷。綜上所述，有呼吸暫停綜合癥患者應(yīng)避免以 仰臥和俯臥姿勢(shì)進(jìn)行睡眠，宜采取側(cè)臥位睡眠，可以減輕或防止咽腔部軟組織和舌根后墜； 減輕頸部和胸部脂肪組織對(duì)氣道壓力，從而有助減輕鼾聲，甚至防止呼吸暫停。
[0004] 床褥的影響，對(duì)睡覺(jué)姿勢(shì)的分析有利于防止壓瘡的形成，通知易產(chǎn)生床褥的病人 和即將到來(lái)的床褥壓力點(diǎn)。因此，自動(dòng)睡眠姿態(tài)監(jiān)測(cè)是非常有必要的。
[0005] 到目前為止，研究人員提出了不同的方法來(lái)自動(dòng)監(jiān)測(cè)睡眠姿勢(shì)。傳統(tǒng)研究睡眠姿 勢(shì)模式是使用攝像機(jī)和麥克風(fēng)。中島淑貴等人提出基于視覺(jué)信號(hào)分析睡眠呼吸和姿勢(shì)變化 的系統(tǒng)，但夜間光線比較低對(duì)成像帶來(lái)很大的噪聲，并且視頻會(huì)帶來(lái)嚴(yán)重的隱私問(wèn)題，非常 不利于醫(yī)院患者的健康治療。這樣的工作集中在檢測(cè)之前姿勢(shì)改變，而不是認(rèn)識(shí)的身體姿 勢(shì)。
[0006] 因此，提出使用壓力傳感器陣列實(shí)時(shí)監(jiān)測(cè)睡眠狀態(tài)，提供一種睡姿識(shí)別的算法及 系統(tǒng)。大幅度提高睡眠姿勢(shì)識(shí)別的準(zhǔn)確度，且更為保護(hù)隱私。為醫(yī)療中的呼吸暫停減緩、床 褥預(yù)防與治療和智能居家中睡眠質(zhì)量提高等領(lǐng)域研究人員提供數(shù)據(jù)支持。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明針對(duì)現(xiàn)有技術(shù)存在的關(guān)鍵問(wèn)題，提供一種基于模糊粗糙集的睡姿壓力圖像 識(shí)別方法和系統(tǒng)，該系統(tǒng)具有檢測(cè)精度高，實(shí)時(shí)性好，識(shí)別速度快，可適用于不同性別、身 高、體重患者的睡姿檢測(cè)等特點(diǎn)。根據(jù)目前醫(yī)療市場(chǎng)對(duì)睡眠姿態(tài)的需求和智能居家方向的 發(fā)展，對(duì)患有呼吸暫停綜合癥患者的呼吸障礙減緩和患有床褥影響的病人治療，以及對(duì)睡 眠質(zhì)量的需求從嬰幼兒到中老年，不同群體的睡眠質(zhì)量急需解決，前景可觀。
[0008] -種基于模糊粗糙集的睡姿壓力圖像識(shí)別方法，其特征在于所述方法包括以下步 驟
[0009]第一步數(shù)據(jù)采集
[0010]采集位于睡眠位置下方的力敏傳感器陣列檢測(cè)得到的實(shí)時(shí)壓力數(shù)據(jù)；
[0011] 第二步圖像轉(zhuǎn)換
[0012] 將第一步采集到的實(shí)時(shí)壓力數(shù)據(jù)轉(zhuǎn)化為壓力圖像，具體為:建立圖像坐標(biāo)與傳感 器陣列分布一致的圖像，將每個(gè)傳感器上采集到的壓力數(shù)值轉(zhuǎn)化為對(duì)應(yīng)的圖像坐標(biāo)上像素 的灰度值，從而得到反映傳感器陣列上壓力分布的壓力圖像；
[0013] 第三步圖像預(yù)處理
[0014] 對(duì)第二步得到的壓力圖像進(jìn)行圖像預(yù)處理；
[0015] 第四步圖像特征提取
[0016] 對(duì)經(jīng)過(guò)圖像預(yù)處理的壓力圖像進(jìn)行特征提?。?br>[0017] 第五步采用基于模糊粗糙集方法對(duì)的第四步得到圖像特征集合進(jìn)行處理實(shí)現(xiàn)睡 姿識(shí)別
[0018] 對(duì)經(jīng)過(guò)人工分類(lèi)的的睡姿壓力圖像按照第四步所述方法進(jìn)行圖像特征提取，并將 提取到的圖像特征集合和壓力圖像的類(lèi)別組成訓(xùn)練樣本集合，再以睡姿壓力圖像的類(lèi)別 (以下簡(jiǎn)稱(chēng)圖像類(lèi)別)作為決策屬性建立決策表;對(duì)決策表中作為條件屬性的圖像特征進(jìn)行 屬性約簡(jiǎn)，經(jīng)約簡(jiǎn)的條件屬性即為能夠表達(dá)圖像類(lèi)別的最少的圖像特征，從而得到了圖像 分類(lèi)的決策規(guī)則;經(jīng)過(guò)對(duì)睡姿識(shí)別的壓力圖像的特征提取，與決策規(guī)則進(jìn)行隸屬度計(jì)算，以 隸屬度最大的圖像類(lèi)別作為識(shí)別的睡姿類(lèi)別。
[0019] 所述的一種基于模糊粗糙集的睡姿壓力圖像識(shí)別方法，其特征在于所述第三步包 括
[0020] 1)圖像校正，包括1.1)幾何變換校正，1.2)閾值分割;2)區(qū)域劃分。
[0021] 所述區(qū)域劃分為沿Y軸方向?qū)⒔?jīng)過(guò)圖像校正的壓力圖像4等分，并沿Y軸依次劃分 出25%區(qū)域、50%區(qū)域和75%區(qū)域。
[0022] 所述的一種基于模糊粗糙集的睡姿壓力圖像識(shí)別方法，其特征在于所述第四步需 要提取的特征包括:壓力區(qū)域占整個(gè)壓力圖像的比例、25%區(qū)域中的壓力區(qū)域占整個(gè)壓力 區(qū)域的比例、50%區(qū)域中的壓力區(qū)域占整個(gè)壓力區(qū)域的比例和75%區(qū)域中的壓力區(qū)域占整 個(gè)壓力區(qū)域的比例、壓力圖像的對(duì)稱(chēng)性、壓力區(qū)域數(shù)、壓力圖像方向性、壓力圖像的平衡性、 肩部區(qū)域面積、肩部坐標(biāo)、臀部區(qū)域面積、臀部坐標(biāo)、肩臀重心距離，上述特征值構(gòu)成了單幅 壓力圖像的特征集合。
[0023] 本發(fā)明與現(xiàn)有技術(shù)相比，其主要優(yōu)點(diǎn)在于：
[0024] (1)本發(fā)明克服了現(xiàn)有對(duì)睡眠監(jiān)測(cè)中的相機(jī)夜間亮度問(wèn)題和對(duì)隱私的保護(hù)問(wèn)題， 進(jìn)而使得被監(jiān)測(cè)者在睡姿監(jiān)測(cè)過(guò)程中沒(méi)有心理障礙，更加自然、無(wú)束縛地睡眠，極大消除了 被檢測(cè)者的心理負(fù)擔(dān)。
[0025] (2)圖像多特征性最大限度保證了圖像信息的完整性，使得在分類(lèi)過(guò)程中更加準(zhǔn) 確。
[0026] (3)圖像的處理采用基于時(shí)序壓力數(shù)據(jù)的方法，相比較傳統(tǒng)的圖像采集更加快速， 尤其是在處理過(guò)程中單幅圖像的大小為64X128像素，大大減小了圖像處理速度和減小了存 儲(chǔ)占用空間。
[0027] (4)由于身體形狀的不完整性和自我遮擋身體壓力，壓力圖像分析相比視頻圖像 分析更具挑戰(zhàn)性，而模糊粗糙集是基于對(duì)未知信息或者相互矛盾數(shù)據(jù)的不確定性進(jìn)行數(shù)據(jù) 處理和推測(cè)，本質(zhì)是一種機(jī)器自我學(xué)習(xí)的方式，為處理模糊和不確定知識(shí)提供了有效的檢 測(cè)工具。
[0028] 本發(fā)明基于模糊粗糙集的睡姿識(shí)別方法相較于現(xiàn)有技術(shù)，包含更多睡姿圖像特征 下更加快速、實(shí)時(shí)識(shí)別，為醫(yī)療中的呼吸暫停減緩、床褥預(yù)防與治療和智能居家中睡眠質(zhì)量 提高等領(lǐng)域研究人員提供了準(zhǔn)確數(shù)據(jù)支持。
【具體實(shí)施方式】
[0029]為了使本發(fā)明的目的更加突顯，以下對(duì)本發(fā)明詳細(xì)說(shuō)明。
[0030] 實(shí)施例
[0031] -種基于模糊粗糙集的睡姿壓力圖像識(shí)別方法，包括以下步驟 [0032]第一步數(shù)據(jù)采集
[0033]采集位于睡眠位置下方的力敏傳感器陣列檢測(cè)得到的實(shí)時(shí)壓力數(shù)據(jù)
[0034]所述柔性力敏傳感器陣列（以下簡(jiǎn)稱(chēng)傳感器陣列）為64X128的矩形陣列，數(shù)據(jù)的 采集頻率為I OHz，每個(gè)柔性力敏傳感器的取值范圍為0-512。
[0035]柔性力敏傳感器陣列分布能夠恰好覆蓋睡眠者的最大投影面積，最大限度地保障 了整個(gè)身體壓力數(shù)據(jù)的完整性。采集的實(shí)時(shí)壓力數(shù)據(jù)包含了實(shí)時(shí)身體壓力的大小。
[0036]第二步圖像轉(zhuǎn)換
[0037]將第一步采集到的實(shí)時(shí)壓力數(shù)據(jù)轉(zhuǎn)化為壓力圖像，具體為:建立圖像坐標(biāo)與傳感 器陣列分布一致的圖像，將每個(gè)傳感器上采集到的壓力數(shù)值轉(zhuǎn)化為對(duì)應(yīng)的圖像坐標(biāo)上像素 的灰度值，從而得到反映傳感器陣列上壓力分布的壓力圖像。
[0038]本實(shí)施例中，所述壓力圖像的每個(gè)像素與傳感器陣列的傳感器一一對(duì)應(yīng)，所述壓 力圖像為8位灰度圖像，將每個(gè)傳感器測(cè)得的壓力數(shù)據(jù)減半后的值作為相應(yīng)像素的灰度值。 所述壓力圖像的圖像坐標(biāo)的Y軸和X軸分別對(duì)應(yīng)于傳感器陣列的縱軸方向和橫軸方向。 [0039]被檢測(cè)者的脊柱方向與傳感器陣列的縱軸方向大致平行。
[0040] 第三步圖像預(yù)處理
[0041]對(duì)第二步得到的壓力圖像進(jìn)行圖像預(yù)處理，包括 [0042] 1)圖像校正，所述圖像校正包括
[0043] 1.1)幾何變換校正，
[0044]所述幾何變換校正具體包括對(duì)圖像進(jìn)行平移、旋轉(zhuǎn)、縮放以校正原始?jí)毫D像的 幾何畸變；由于人體躺在柔性壓力傳感器陣列床墊上，尤其是夜間被監(jiān)測(cè)者可能出現(xiàn)體動(dòng)、 翻身等動(dòng)作，導(dǎo)致反映出來(lái)的壓力區(qū)域分布出現(xiàn)了相對(duì)于壓力圖像的位置變動(dòng)。通過(guò)幾何 變換校正可使得采集到的壓力圖像的幾何畸變得到很好的校正；
[0045] 1.2)閾值分割，
[0046]先對(duì)壓力圖像的像素進(jìn)行閾值設(shè)定，按照設(shè)定值過(guò)濾除壓力區(qū)域外的其他像素， 進(jìn)而使壓力區(qū)域更加明顯;然后反轉(zhuǎn)圖像像素的灰度值，得到經(jīng)過(guò)圖像校正的壓力圖像。所 述經(jīng)過(guò)圖像校正的壓力區(qū)域以外為白色，壓力區(qū)域中，壓力越大的區(qū)域，圖像顏色越趨近于 黑色，壓力區(qū)域外為白色。（現(xiàn)有的灰度值表示方法中，灰度值范圍一般從0到255,白色為 255,黑色為0)
[0047] 2)區(qū)域劃分，沿Y軸方向?qū)⒔?jīng)過(guò)圖像校正的壓力圖像4等分并沿Y軸依次劃分出 25%區(qū)域、50%區(qū)域和75%區(qū)域，完成圖像預(yù)處理。
[0048]第四步圖像特征提取
[0049] 對(duì)經(jīng)過(guò)圖像預(yù)處理的壓力圖像進(jìn)行特征提取，需要提取的特征包括
[0050] 壓力區(qū)域占整個(gè)壓力圖像的比例、25%區(qū)域中的壓力區(qū)域占整個(gè)壓力區(qū)域的比 例、50%區(qū)域中的壓力區(qū)域占整個(gè)壓力區(qū)域的比例和75%區(qū)域中的壓力區(qū)域占整個(gè)壓力區(qū) 域的比例、壓力圖像的對(duì)稱(chēng)性、壓力區(qū)域數(shù)、壓力圖像方向性、壓力圖像的平衡性、肩部區(qū)域 面積、肩部坐標(biāo)、臀部區(qū)域面積、臀部坐標(biāo)、肩臀重心距離，上述特征值構(gòu)成了單幅壓力圖像 的特征集合。
[0051] 所述壓力區(qū)域占整個(gè)圖像的比例，這是指被檢測(cè)者身體形成的壓力區(qū)域的總像素 個(gè)數(shù)占整個(gè)壓力圖像像素的百分比，能夠反映出測(cè)試者的體型和睡姿變化情況，同一測(cè)試 者在不同的睡姿狀態(tài)下所述比例是不盡相同的；
[0052] 根據(jù)25 %區(qū)域、50 %區(qū)域和75 %區(qū)域中的壓力區(qū)域占整個(gè)壓力區(qū)域的比例的變 化，可以提取出該測(cè)試者的體動(dòng)變化和睡姿變化，尤其是測(cè)試者是睡姿接近壓力傳感器陣 列的上半部分還是下半部分，對(duì)改正睡眠監(jiān)測(cè)者的睡眠習(xí)慣有很大的幫助；
[0053]壓力圖像的對(duì)稱(chēng)性，是指通過(guò)所述圖像預(yù)處理的壓力區(qū)域提取得到的壓力圖像， 而相比較側(cè)臥姿態(tài)下，仰臥和俯臥狀態(tài)更能表現(xiàn)出對(duì)稱(chēng)性，對(duì)稱(chēng)性的值范圍為0-1，樣我和 俯臥狀態(tài)下的對(duì)稱(chēng)性值更接近1，而其他狀態(tài)下的睡姿對(duì)稱(chēng)性值都小于0.5;
[0054]壓力區(qū)域數(shù)，是指壓力圖像所形成的區(qū)域數(shù)，仰臥姿態(tài)時(shí)相比較俯臥更能明顯顯 示出肩部和臀部區(qū)域，這是由于人體的肩部和臀部相對(duì)比較突出的構(gòu)造原因，充分利用人 體的構(gòu)造，更能提取有效的特征反映當(dāng)前測(cè)試者的睡姿；
[0055]壓力圖像方向性，是指檢測(cè)身體壓力圖像的主干部分的曲率方向性，在仰臥和俯 臥狀態(tài)下，人體表現(xiàn)出更直的壓力圖像，提取此部分的步驟包括:從壓力圖像裝換成相應(yīng)的 骨架圖，把骨架圖中多余像素進(jìn)行移除，使得骨架圖更直接反映側(cè)臥狀態(tài)下的形狀，沿骨架 圖發(fā)現(xiàn)角平分線，曲率方向?yàn)榻瞧椒志€在y軸方向分量的總和，y軸方向即床單的長(zhǎng)邊方向； 壓力圖像的平衡性，是指它不同于圖像的對(duì)稱(chēng)性，更多的計(jì)算壓力圖像哪一側(cè)包含更多的 壓力，此特征更適合對(duì)側(cè)臥之間進(jìn)行區(qū)分；
[0056]肩部區(qū)域面積，是指肩部壓力區(qū)域所形成的區(qū)域，再次計(jì)算的是壓力區(qū)域內(nèi)的像 素個(gè)數(shù);肩部坐標(biāo)，是指以肩部壓力區(qū)域的重心坐標(biāo)為參考值，標(biāo)定了肩部的位置坐標(biāo)； [0057]臀部區(qū)域面積，是指臀部壓力區(qū)域所形成的區(qū)域，再次計(jì)算臀部壓力區(qū)域內(nèi)的像 素個(gè)數(shù);臀部坐標(biāo)，是指以臀部壓力區(qū)域的重心坐標(biāo)為參考值，標(biāo)定了臀部的位置坐標(biāo)； [0058]肩臀重心距離，是指所述肩部重心坐標(biāo)與臀部重心坐標(biāo)的距離。
[0059] 第五步基于模糊粗糙集方法對(duì)的第四步得到圖像特征集合進(jìn)行處理實(shí)現(xiàn)睡姿識(shí) 別，
[0060] 對(duì)經(jīng)過(guò)人工分類(lèi)的的睡姿壓力圖像按照第四步所述方法進(jìn)行圖像特征提取，并將 提取到的圖像特征集合和壓力圖像的類(lèi)別組成訓(xùn)練樣本集合，再以睡姿壓力圖像的類(lèi)別 (以下簡(jiǎn)稱(chēng)圖像類(lèi)別)作為決策屬性建立決策表;對(duì)決策表中作為條件屬性的圖像特征進(jìn)行 屬性約簡(jiǎn)，經(jīng)約簡(jiǎn)的條件屬性即為能夠表達(dá)圖像類(lèi)別的最少的圖像特征，從而得到了圖像 分類(lèi)的決策規(guī)則;經(jīng)過(guò)對(duì)睡姿識(shí)別的壓力圖像的特征提取，與決策規(guī)則進(jìn)行隸屬度計(jì)算，以 隸屬度最大的圖像類(lèi)別作為識(shí)別的睡姿類(lèi)別。
[0061 ] 具體包括
[0062] 1)組成訓(xùn)練樣本集合，
[0063] 按照仰臥型、俯臥型、左側(cè)胎兒型、左側(cè)樹(shù)干型、右側(cè)胎兒型、右側(cè)樹(shù)干型6大類(lèi)對(duì) 作為訓(xùn)練樣本的睡姿壓力圖像進(jìn)行人工分類(lèi)，所述仰臥型、俯臥型、左側(cè)胎兒型、左側(cè)樹(shù)干 型、右側(cè)胎兒型、右側(cè)樹(shù)干型，分別簡(jiǎn)稱(chēng)為3、？、1^、1^、1^、此;對(duì)經(jīng)過(guò)人工分類(lèi)的睡姿壓力圖 像，按照第四步所述方法進(jìn)行圖像特征提取，并將提取到的圖像特征集合和壓力圖像的類(lèi) 別組成訓(xùn)練樣本集合
[0064] 2)建立決策表
[0065] 將訓(xùn)練樣本集合作為模糊粗糙集方法中的一個(gè)信息系統(tǒng)建立決策表，所述決策表 即通過(guò)訓(xùn)練樣本進(jìn)行知識(shí)表達(dá)的信息系統(tǒng)，
[0066] 以壓力圖像作為決策表的對(duì)象集合，將經(jīng)過(guò)第四步提取的圖像特征集合作為決策 表中的條件屬性，將圖像的類(lèi)別作為決策屬性。
[0067] 一個(gè)信息系統(tǒng)S可以表示為一個(gè)四元組S= {U，A，V，f}，其中
[0068] U={X1，X2, · · ·，^}是11維歐式空間中對(duì)象的非空有限集合，即壓力圖像的集 合；
[0069] A是u上所有模糊等價(jià)關(guān)系的集合，A=Cud^d=Ic是條件屬性子集，即圖像的 特征集合，且G0, D是決策屬性子集，即圖像的分類(lèi)類(lèi)別集合，且~0，以信息系統(tǒng)T作為 一個(gè)決策表，記作T={U，A，C，D}。
[0070] V = UpeAVp, Vp 是屬性 P 的域。
[0071] f: U X A-V是圖像分類(lèi)函數(shù)，使得對(duì)每個(gè)圖像Xi e U，每個(gè)特征q GA，有f(x，q)eVq。
[0072] 分類(lèi)樣本訓(xùn)練集可以表示為一個(gè)二維決策表，其中U= {χι，Χ2, · · ·，X6}，C = {C1，C2，· · ·，C12}，D={dl，d2，· · ·，d6}〇
[0073] 在信息系統(tǒng)S={U，A，V，f}中，設(shè)X e療是個(gè)體全域上的子集'e ^，則X的下和上 近似集及邊界區(qū)域分別為：M = P e Li P :y eζ = P e e n f，0 } /siMj0 = Λ P , fX是Z C V上必然被分類(lèi)的那些特征元素的集合，即包含在X在內(nèi)的最大可定義集;PX是 U上可能被分類(lèi)的那些特征元素的集合，即包含X的最小可定義集；Bndp(X)是既不能在 X e ￡/上被分類(lèi)，又不能在U-X上被分類(lèi)的那些特征元素的集合。圖像特征值范圍的邊界 部分決定它的歸屬，需要在進(jìn)行大量樣本訓(xùn)練中，找到合理的選擇界限。
[0074] 3)屬性約簡(jiǎn)
[0075] 接下來(lái)，在屬性約簡(jiǎn)部分，通過(guò)上述訓(xùn)練樣本的信息系統(tǒng)S的建立，形成了包含圖 像對(duì)象、圖像特征、圖像類(lèi)別和分類(lèi)知識(shí)函數(shù)的集合，信息系統(tǒng)S由S c={U，C，V，fWPSD={U， 〇，￥，打兩個(gè)信息系統(tǒng)組成，它們通過(guò)1]，￥3緊密結(jié)合。由于圖像特征的值域是連續(xù)區(qū)間的特 點(diǎn)，可將通過(guò)對(duì)決策表進(jìn)行等價(jià)，產(chǎn)生一個(gè)更為簡(jiǎn)單的模糊決策表。在決策表中，不同條件 屬性對(duì)決策屬性的重要性不同，為了考察分類(lèi)的變化情況，需要去除決策表中的某一屬性 或?qū)傩约?，由此判斷條件特征屬性與決策特征屬性的關(guān)聯(lián)程度。在信息系統(tǒng)S= {U，CUD， V，f}中，設(shè)D={di，d2, · · ·，di}，條件屬性子集.5_.S C*關(guān)于決策屬性D的"正區(qū)域"定義為 POSb(D)= U {PX:XeD}；
[0076] 其中B關(guān)于D的正區(qū)域表示那些根據(jù)屬性子集B就能分入正確類(lèi)別的所有對(duì)象。條 件屬性子集〃 ^ C與決策屬性D的相關(guān)程度定義為：
[0077]
[0078]其中cad(X)表示X集合中元素的個(gè)數(shù);顯然，0彡k(B，D)彡l，k(B，D)為計(jì)算條件屬 性B與決策屬性D之間的相關(guān)程度提供了手段。在不重要的屬性，即接近于0的屬性，此可以 舍去，達(dá)到屬性約簡(jiǎn)的目的，同時(shí)減少屬性匹配的運(yùn)行時(shí)間。
[0079] 4)產(chǎn)生決策規(guī)則
[0080]每一個(gè)決策表，都有與之對(duì)應(yīng)的一條決策規(guī)則，這些相關(guān)的決策規(guī)則被稱(chēng)為決策 算法。T={U，A，C，D}是一個(gè)決策表，令 XeU/C，YeU/D。
[0081 ]記：des(X) = {f(x，c)xeXVceC}，
[0082] des(Y) = {f(x,d)xeXVdeC}
[0083] 若Xm^￡0，則定義由X，Y可以得出決策規(guī)則為rxy:deS(X)-d eS(Y)，定義該規(guī)則的 確定性為M
'當(dāng)μ(Χ，Υ) = ?即HF時(shí)，該規(guī)則是確定的，否則稱(chēng)該規(guī)則 是不確定的。評(píng)價(jià)屬性子集對(duì)分類(lèi)的質(zhì)量，由屬性子集P E』確定的分類(lèi)ψ的分類(lèi)質(zhì)量為：
[0084]
[0085]分類(lèi)質(zhì)量表示通過(guò)屬性子集P正確分類(lèi)的對(duì)象數(shù)量與信息系統(tǒng)中所有對(duì)象的比 值，這是評(píng)價(jià)屬性子集的重要性的關(guān)鍵指標(biāo)之一。
[0086] 3)壓力圖像自動(dòng)分類(lèi)
[0087] 根據(jù)屬性約簡(jiǎn)的結(jié)果，對(duì)將要進(jìn)行睡姿識(shí)別的睡姿壓力圖像進(jìn)行特征提取，提取 約簡(jiǎn)后的條件屬性。
[0088] 計(jì)算睡姿壓力圖像與決策規(guī)則中圖像類(lèi)別的隸屬度，具體如下:設(shè)圖像P的條件屬 性中的c屬性值為n，D類(lèi)別圖像的c屬性的取值范圍為[g，h]/m，用f (c)表示P的c屬性屬于D 類(lèi)別的c屬性隸屬度：
[0089]
[0090]進(jìn)行圖像自動(dòng)匹配分類(lèi)過(guò)程中，提取輸入的壓力圖像約簡(jiǎn)屬性，即可求出該壓力 圖像對(duì)每一類(lèi)別的隸屬度，根據(jù)隸屬度取值決定該圖像的類(lèi)別。
[0091] 以上結(jié)合具體實(shí)施例描述了本發(fā)明中糊粗糙集分類(lèi)方法的基本原理，本發(fā)明的睡 姿識(shí)別技術(shù)方案與傳統(tǒng)的基于內(nèi)容的底層語(yǔ)義圖像分類(lèi)技術(shù)方案在圖像分類(lèi)性能上表現(xiàn) 出該方法具有很好的精確性和有效性，能較好地實(shí)現(xiàn)圖像自動(dòng)分類(lèi)。
[0092] 本發(fā)明未述及之處適用于公知技術(shù)。
[0093] 以上對(duì)本發(fā)明的實(shí)施進(jìn)行了詳細(xì)說(shuō)明，但所述內(nèi)容為本發(fā)明的較佳實(shí)施過(guò)程，不 能被認(rèn)為用于限定本申請(qǐng)權(quán)利要求的保護(hù)范圍。凡以本發(fā)明申請(qǐng)權(quán)利要求范圍所做的均等 變化與改進(jìn)，均應(yīng)歸屬于本申請(qǐng)權(quán)利要求的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于模糊粗糙集的睡姿壓力圖像識(shí)別方法，其特征在于所述方法包括以下步 驟： 第一步數(shù)據(jù)采集 采集位于睡眠位置下方的力敏傳感器陣列檢測(cè)得到的實(shí)時(shí)壓力數(shù)據(jù)； 第二步圖像轉(zhuǎn)換 將第一步采集到的實(shí)時(shí)壓力數(shù)據(jù)轉(zhuǎn)化為壓力圖像，具體為：建立圖像坐標(biāo)與傳感器陣 列分布一致的圖像，將每個(gè)傳感器上采集到的壓力數(shù)值轉(zhuǎn)化為對(duì)應(yīng)的圖像坐標(biāo)上像素的灰 度值，從而得到反映傳感器陣列上壓力分布的壓力圖像； 第三步圖像預(yù)處理 對(duì)第二步得到的壓力圖像進(jìn)行圖像預(yù)處理； 第四步圖像特征提取 對(duì)經(jīng)過(guò)圖像預(yù)處理的壓力圖像進(jìn)行特征提取;提取到的特征值構(gòu)成了單幅壓力圖像的 特征集合 第五步采用基于模糊粗糙集方法對(duì)第四步提取得到圖像特征進(jìn)行處理實(shí)現(xiàn)睡姿識(shí)別 對(duì)經(jīng)過(guò)人工分類(lèi)的的睡姿壓力圖像按照第四步所述方法進(jìn)行圖像特征提取，并將提取 到的圖像特征集合和壓力圖像的類(lèi)別組成訓(xùn)練樣本集合，再以睡姿壓力圖像的類(lèi)別作為決 策屬性建立決策表;對(duì)決策表中作為條件屬性的圖像特征進(jìn)行屬性約簡(jiǎn)，經(jīng)約簡(jiǎn)的條件屬 性即為能夠表達(dá)圖像類(lèi)別的最少的圖像特征，從而得到了圖像分類(lèi)的決策規(guī)則;經(jīng)過(guò)對(duì)睡 姿識(shí)別的壓力圖像的特征提取，與決策規(guī)則進(jìn)行隸屬度計(jì)算，以隸屬度最大的圖像類(lèi)別作 為識(shí)別的睡姿類(lèi)別。2. 如權(quán)利要求1所述的一種基于模糊粗糙集的睡姿壓力圖像識(shí)別方法，其特征在于所 述第三步包括1)圖像校正，包括1.1)幾何變換校正，1.2)閾值分割;2)區(qū)域劃分。3. 如權(quán)利要求2所述的一種基于模糊粗糙集的睡姿壓力圖像識(shí)別方法，其特征在于所 述區(qū)域劃分為沿Y軸方向?qū)⒔?jīng)過(guò)圖像校正的壓力圖像4等分，并沿Y軸依次劃分出25%區(qū)域、 50%區(qū)域和75 %區(qū)域。4. 如權(quán)利要求3所述的一種基于模糊粗糙集的睡姿壓力圖像識(shí)別方法，其特征在于所 述第四步需要提取的特征包括:壓力區(qū)域占整個(gè)壓力圖像的比例、25%區(qū)域中的壓力區(qū)域 占整個(gè)壓力區(qū)域的比例、50%區(qū)域中的壓力區(qū)域占整個(gè)壓力區(qū)域的比例和75%區(qū)域中的壓 力區(qū)域占整個(gè)壓力區(qū)域的比例、壓力圖像的對(duì)稱(chēng)性、壓力區(qū)域數(shù)、壓力圖像方向性、壓力圖 像的平衡性、肩部區(qū)域面積、肩部坐標(biāo)、臀部區(qū)域面積、臀部坐標(biāo)、肩臀重心距離，上述特征 值構(gòu)成了單幅壓力圖像的特征集合。
【文檔編號(hào)】G06K9/32GK106056116SQ201610378199
【公開(kāi)日】2016年10月26日
【申請(qǐng)日】2016年5月31日
【發(fā)明人】郭士杰, 任志斌, 郭志紅, 劉佳斌, 任東城, 劉秀麗
【申請(qǐng)人】河北工業(yè)大學(xué)