相关实验视频
Updated: Jun 23, 2026
07:40
Multi-Modal Home Sleep Monitoring in Older Adults
Published on: January 26, 2019
7.6K
解读最佳雷达组合,通过使用空间无线电回声图 (SREM) 的多视图卷积神经网络 (MVCNN) 方法来推进睡眠姿势预测
Derek Ka-Hei Lai1, Andy Yiu-Chau Tam1, Bryan Pak-Hei So1
1Department of Biomedical Engineering, Faculty of Engineering, The Hong Kong Polytechnic University, Hong Kong 999077, China.
Sensors (Basel, Switzerland)
|August 10, 2024
概括
雷达技术可以准确估计睡眠姿势,甚至在毯子下. 单个头部安装的雷达传感器足以准确检测睡眠姿势,优化睡眠测试.
科学领域:
- 生物医学工程 生物医学工程
- 睡眠科学 睡眠科学
- 传感器技术 传感器技术
背景情况:
- 准确的睡眠姿势评估对于评估睡眠质量和诊断睡眠障碍至关重要.
- 传统方法在低光和受阻的环境中面临挑战.
- 雷达技术为监测睡眠姿势提供了一个有希望的非侵入性解决方案.
研究的目的:
- 确定雷达传感器的最佳数量和位置,以准确估计睡眠姿势.
- 用雷达数据评估不同的深度学习模型来对睡眠姿势进行分类.
- 为实际应用确定最有效的雷达传感器配置.
主要方法:
- 利用雷达传感器监测了70名参与者在不同厚度的毯子下,在九种不同的睡眠姿势下.
- 开发了一种新的空间无线电回声图 (SREM) 技术,用于多雷达数据融合.
- 采用多视图卷积神经网络 (MVCNN) 框架,使用各种深度特征提取器 (ResNet-50,EfficientNet-50,DenseNet-121等). 用于姿势的分类.
主要成果:
- 而DenseNet-121实现了最高的准确性 (粗度分类为0.534,细度分类为0.804).
- 发现单个位于左侧的头部雷达传感器是最佳的,准确度为0.809.
- 分析探讨了传感器数量和分类准确性之间的权衡,使用较少传感器的配置显示出有希望的结果.
结论:
- 在睡眠姿势监测中建立了最佳雷达传感器配置的基础.
- 证明了雷达技术和深度学习对非侵入性睡眠姿势评估的有效性.
- 突出了简化传感器设置的潜力,而不会造成显著的准确性损失.
关键词:
聚类人体图像 (polysomnography) 是一种多人体图像 (polysomnography).雷达 雷达 雷达 雷达 是一个睡眠呼吸暂停 (Sleep Apnea) 是一个睡眠的药物 睡眠的药物睡眠姿势 睡眠姿势无处不在的健康更多相关视频
08:05Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
04:54Author Spotlight: IntelliSleepScorer — A High-Accuracy, Accessible GUI Software for Automated Sleep Stage Scoring in Mice and its Application in Psychiatric Research
Published on: November 8, 2024
481
