基于迁移学习的床垫压力传感器睡姿分类
计算机视觉与模式识别
2025-05-14 v1
摘要
基于床垫压力敏感垫（PSM）提供了一种非侵入式监测睡眠 patients的方法。我们聚焦于使用PSM置于卧室床垫下方收集的数据进行四向睡姿分类。睡姿会影响睡眠质量以及如呼吸暂停等睡眠障碍的发生率。这些测量是在疑似睡眠障碍患者（referred for assessments at a sleep clinic）进行的。训练深度学习模型在临床环境中具有挑战性，主要因为需要大量标记数据。为克服标记训练数据的不足，我们利用迁移学习来调整预训练的深度学习模型，以准确地从在多项睡眠实验室收集的低分辨率PSM数据集中估计睡姿。我们的方法利用在ImageNet上进行掩码自编码（ViTMAE）预训练的Vision Transformer模型，以及用于人体姿态估计的预训练模型（ViTPose）。这些方法优于以往使用基于PSM的深度睡姿分类（使用TCN）以及使用工程特征的传统机器学习模型（SVM、XGBoost、Random Forest）。我们评估了来自112个夜间患者记录的睡姿分类性能，并在更高分辨率的13名患者数据集上进行了验证。尽管从低分辨率PSM数据中区分睡姿具有挑战性，但我们的方法在临床环境中实际部署方面表现出色。
引用
@article{arxiv.2505.08111,
title = {Sleep Position Classification using Transfer Learning for Bed-based Pressure Sensors},
author = {Olivier Papillon and Rafik Goubran and James Green and Julien Larivière-Chartier and Caitlin Higginson and Frank Knoefel and Rébecca Robillard},
journal= {arXiv preprint arXiv:2505.08111},
year = {2025}
}
备注
Conference publication submitted to IEEE I2MTC 2025