嵌入式技术
• Embedded Technology
168 •电子技术与软件工程 Electronic Technology & Software Engineering
【关键词】睡眠姿势监测 嵌入式 Zedboard 红外摄像头 分类算法 随着经济的高速发展，工作生活节奏快速，人们面临越来越多的睡眠问题，睡眠质量因此在临床中受到了空前的关注。不良的睡眠姿势是导致睡眠不良的重要因数之一，而不良的睡眠姿势往往与快速生活节奏下的生活习惯
文/曾进 老志辉 许绵渠
有关。例如，在年轻人中，睡前使用手机是一种普遍现象，这一行为是不良睡姿的主要诱因。不良的睡眠姿势不仅会导致睡眠不良，更严重的是，不良睡姿往往还与小腿痉挛和睡眠呼吸 暂停等许多疾病的临床症状高度相关。而在康复中，患者在通常需要在手术后保持特定的睡眠姿势以获得更好的康复效果，不良的睡姿无疑会降低效果。由此可见，对睡姿的
为“因果图”。如图4所示。
从项目建成表现与计划目标进行综合对比分析，评价项目在效益方面的表现，如项目的用途满足度、可靠性分析、可维护性分析、可维修性分析如维修难度、维修周期等。6.1 模型输入
规划计划需求、项目实绩。6.2 模型输出
集成度评估、覆盖度评估、时效性评估、成本分析（根据状态）。6.3 模型算法
装备建设综合效益评估同样属于多目标属性的系统工程管理，适合于层次分析方法。
在具体分析过程中，准则层的数据指标包括：装备的经济性分析、技术可达性性、技术革新的促进作用、装备的可靠可用性、作业执行的技术接受便捷性。子准则层的数据指标 就比较广泛了，与装备的规划、采购、实施、使用、维护与报废等关联。
7 结束语
本文针对大数据环境下复杂巨系统中问题建模困难、传统解析方法难以适用的装备计划管理工作建模场景问题，利用数据驱动的自动建模与优化技术，进行了装备计划管理需求分析，基于数据开展规划计划评价模型、规划计划执行情况分析模型和装备建设综合效益评估模型，通过系统应用表明，该方法对解决装备系统计划管理具有明显的效益提升。
参考文献
[1]林小村，马玉林，翁小云.数据中心
建设与运行管理[M].北京：科学出版社,2010:221-237.
[2]米海波，王怀民，尹刚等.一种面向虚拟
化数据中心资源按需重配置方法[J].软件学报,2011.22(09):2193-2205.[3]赵菲.浅议指挥信息系统数据的异地容灾
备份[J].海军军事学术,2011(02):11-
12.
[4]董太安.面向海量信息存储的数字
图书馆整体模型构建[J].情报科学,2011,29(06):902-905.
[5]张立新，赵东伟，章涛.军事数据工程
建设问题研究[J].自动化指挥与计算机,2011(03):47.
[6]林平，刘永辉，陈大勇.军事数据工程
基本问题分析[J].军事运筹与系统工程,2012(03):16.
军用伪装网作者简介
李一（1980-），男，辽宁省锦州市人。学士。高工。主要从事装备数据工程技术总体研究。
作者单位
1.中国人民解放军92493部队13分队 辽宁省葫芦岛市 125000
2.中国人民解放军
92941部队41分队 辽宁省葫芦岛市 125000
3海军航空大学信息融合研究所 山东省烟台市 264000
<<；上接167页
图1：睡眠姿势监测系统的整体框图
Embedded Technology •
嵌入式技术
钢结构轻型楼板
Electronic Technology & Software Engineering 电子技术与软件工程• 169
长期自动监测是医疗、健康领域中的一项关键技术，在疾病的防治中，睡眠姿势信息也占有十分重要的地位。
1 总体设计
1.1 系统框图及算法框图
系统整体框图如图1。
为了对应光线变化明显的场景，将所有输入系统的图像预先规约为红外灰度图像，这样就能在实时监测中获得稳定的待测试样本，图像分割、特征提取等工作也可顺利进行。
针对睡眠姿势的分类与识别问题，在基于红外摄像头的前提下，主要采用图像特征提取、支持向量机等方法研究睡姿的分类与识别，并基于嵌入式平台设计具有成本低、灵活性强、易于维护、低功耗、实用性强等特点的实时监测系统。核心算法及实现流程如图2。1.2 设计核心问题
（1）支持向量机与卷积神经网络在FPGA 嵌入式平台的实时性问题
（2）系统功耗控制问题
除了以上2个关键问题，在系统研发流程有如表1所列问题需要解决。
2 硬件部分
2.1 系统主控部分
表1：需要解决的关键问题
问题类别处理的问题对应算法/解决方案任务核心软件图像预处理高斯模糊、特征提取、边缘检测
代码编写与调试软件数据降维主成分分析代码编写与调试、数据分析
软件睡姿分类支持向量机
代码编写与调试软件/硬件
嵌入式实现
搭建操作系统及开发环境、功能调试
软硬件协同设计
表2：项目开发板主要性能指标简介
处理器处理器类型器件类型速度(MHz)
DMIPs ARM cortex-A9
硬核
排水帽
Zynq-7000800
2000表3：红外摄像头参数
参量名称参数指标整机功耗 5.0W
像素指标1080P 全高清分辨率
输入参数5V —1A
无线连接Wi-Fi IEEE 802.11b/g/n 2.4GHz
数据传输速率CLASS10以上存储支持MicroSD 存储卡红外图像拍摄距离
10米范围内
怎么自制纳米胶带表4：用于睡姿分类的纠错输出码（ECOC ）
睡姿SVM1SVM2SVM3P 1110P 2-101P 3
-1
-1
图2：算法及其实现的流程
图3：开发板芯片运算资源框图
嵌入式技术
• Embedded Technology
170 •电子技术与软件工程 Electronic Technology & Software Engineering
本课题组使用图像处理性能出众、连续工作稳定性好的嵌入式开发平台Zedboard ，其运算资源构架及参数见图3、表2。2.2 红外摄像头
经技术处理，红外摄像头可在光照变化明显的情况下提供稳定的灰度图像，这类图像易于对各项指标进行识别，在本设计中摄像头的相关参数如表3。
3 软件部分
3.1 HOG特征提取及边缘检测
悠悠球轴承如图4所示，在采集视频的一幅图像中，方向梯度直方图（Histogram of Oriented Gradient, HOG ）能够很好地描述局部目标区域的特征，是一种常用的特征提取方法，HOG+SVM 在行人检测中有着优异的效果。在HOG 中，对一幅图像进行了如下划分：
图像(image)->检测窗口(win)->图像块(block)->细胞单元(cells)
3.2 机器学习：支持向量机与卷积神经网络3.2.1 支持向量机
以睡姿中左卧、右卧、仰卧3种模型建立过程为例简述支持向量机在本课题睡眠姿势识别的应用，图5为引入潜在变量的分类模型。
对给定训练集，经过数学分析推导最终构造分类函数，并将数据分类为左卧、右卧或仰卧三个特定的卧床姿势。根据纠错输出码(ECOC)训练三个分类器，如表4所示。在检测过程中，只有第一个分类器
将目标定位到最优位置后才使用潜在变量。在姿态识别阶段，不需要再次对潜在变量进行优化调整。该设计的优点是降低了计算量，提高了系统的实时性。3.2.2 卷积神经网络
前期睡眠姿势的分类采用了支持向量机（SVM ）算法，后续研究中拟尝试卷积神经网络作为新的分类监测识别算法，进一步提高识别率。3.3 人机交互界面
该界面主要向用户反馈睡眠信息，如图6
。
4 测试验证
对系统进行了如下测试：
4.1 识别准确度分析
本作品对支持向量机的训练参数定义了综合参量，并将综合参量对识别准确度的影响绘制如图7。
支持向量机在不同综合参数下训练出的模型识别精确度有所不同，经过调整与测试，相关综合指标在取值为15左右的时候可以训练出最佳模型。4.2 系统健壮性测试
本系统的软件操作平台基于ubuntu ，是目前最稳定的嵌入式操作系统。经测试，本系统在存储空间充足的情况下可以连续正常工作。
5 结束语
综上所述，本设计突破了传统压力传感垫睡姿识别系统成本过高的弊端，所提供的解决方案适合于医院等应用场景大规模普及，方便医院或个人收集睡姿数据，为医疗健康提供高效的大数据辅助。
参考文献
[1]叶荫球.基于计算机视觉的人体睡姿识别
系统的研究[D].安徽工业大学,2013.[2]任志斌，李洋，郭士杰，郭志红,
刘秀丽.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(03):172-177.
作者简介
曾进（1996-），男，广东省广州市人。大学本科学历。
老志辉（1998-），男，广东省佛山市人。大学本科学历。
美容加湿器
许绵渠（1997-），男，广东省汕头市人。大学本科学历。
作者单位
广东药科大学医药信息工程学院 广东省广州
市 510006
图4：HOG 算法处理流程
图5：引入潜在变量的分类模型
图6：人机交互界面
图7：不同分类参数下SVM 的识别精确度
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议