CN104834946A - 一种非接触式睡眠监测方法及*** - Google Patents

Abstract

本发明提出了一种非接触式睡眠监测方法及***，所述方法包括如下步骤：利用红外监控摄像机采集人体头部区域和胸腹区域的视频图像，并且利用体感设备采集人体的姿态信息；获取人体的睡眠信息；将所述人体的睡眠信息与预设的标准睡眠信息进行比对，分析所述人体的睡眠质量的健康程度。本发明基于图像处理技术以非接触的方法对人体睡眠信号进行采集，尽量保持用户的自然睡眠状态，通过视频图像处理技术提取出有生理意义的睡眠状态信息。并且设备成本较低，便于家庭日常使用。

Description

一种非接触式睡眠监测方法及***

技术领域

本发明涉及睡眠监测技术领域，特别涉及一种非接触式睡眠监测方法及***。

背景技术

人体睡眠过程是受大脑功能多个区域相互作用与调节而呈现的脑区神经元睡眠的生理状态，是正常人体机能休息和恢复的重要阶段，人生有三分之一的时间是在睡眠中度过的，睡眠质量对人体健康至关重要。近年来医学研究表明，现代人类的许多重大疾病，如高血压、冠心病、心律失常、糖尿病等，往往与睡眠中常发生的睡眠呼吸暂停综合征(Sleep Hypopnea Syn-drome,SAH)有关。SAH已经成为一种严重危害人们生命健康的疾病。此外，睡眠过程人体内部的许多生理功能会发生明显变化,如心率减慢、血压下降、新陈代谢缓慢、呼吸次数减少。由于睡眠过程时间的延续性以及机体功能调节体系的变化，多种慢性病的早期信号往往易于在此期间捕捉。因此，睡眠监测技术已成为现代医学诊断中不可缺少的内容。

目前睡眠障碍监测的主要方法是采用多导睡眠图和微动灵敏床垫。多导睡眠图通过在人体上粘贴电极来测量相关参数，它的监测参数主要包括脑电图、心电图、眼电图、下领颇肌电图、口、鼻呼吸气流、胸腹呼吸运动、血氧饱和度、鼾声、***、胫前肌等10余个生理信号。微动灵敏床垫通过压力传感器将微压力转化为电信号，可以监测呼吸，脉搏和体动等参数，实现了无负荷或低负荷睡眠监测。但是现有的睡眠障碍监测技术基本都是接触式的，它们需要在医院进行，同时需要专业的技术人员操作。这给患者带来很大的心理压力，也可能引起错误的测量结果，监测设备的价格也比较昂贵。

除了上述接触式的方法，还有一种基于视频及图像处理的非接触式监测方法。这类基于视频处理技术的方法主要用到的设备是红外热像仪，但是由于价格十分昂贵，只能在医学研究机构中使用，难以普及。而且由于技术条件的限制，难以对大量的数据进行处理并挖掘有用信息。

发明内容

本发明的目的旨在至少解决所述技术缺陷之一。

为此，本发明的目的在于提出一种非接触式睡眠监测方法和***，通过视频图像处理技术提取出有生理意义的睡眠状态信息。

为了实现上述目的，本发明一方面的实施例提供一种非接触式睡眠监测方法，包括如下步骤：

S1，利用红外监控摄像机采集人体头部区域和胸腹区域的视频图像，并且利用体感设备采集人体的姿态信息；

S2，获取人体的睡眠信息，其中，所述睡眠信息包括：人眼的睁开和闭合信息、人体的呼吸信息和睡眠过程中的姿态信息，包括如下步骤：

分析所述头部区域的视频图像以对头部运动进行监测和跟踪，获取人眼的睁开和闭合信息，以及分析胸腹区域的视频图像，获取所述胸腹区域视频图像的像素点的亮度变化以得到人体的呼吸信息，采用预设分类算法对所述姿态信息进行分类以获取人体睡眠过程中的姿态信息；

S3，将所述人体的睡眠信息与预设的标准睡眠信息进行比对，分析所述人体的睡眠质量的健康程度。

根据本发明实施例的非接触式睡眠监测方法，基于图像处理技术以非接触的方法对人体睡眠信号进行采集，尽量保持用户的自然睡眠状态，通过视频图像处理技术提取出有生理意义的睡眠状态信息。并且，本发明设备成本较低，便于家庭日常使用。

进一步，所述获取人眼的睁开和闭合信息，包括如下步骤：

对头部区域视频图像中的人脸区域进行初始化；

对初始化的人脸区域分别采用模版匹配方法和光流跟踪方法跟踪人脸运动；

将模版匹配结果和光流跟踪结果进行综合以生成人脸的当前帧跟踪结果；

计算所述当前帧跟踪结果于预设模板库中所有模板的相关系数，以所有系数中最大值作为跟踪结果与模板库的相关系数，如果所述相关系数大于或等于第一阈值，则将所述当前帧跟踪结果加入到模板库中，更新模板库；否则模板库不更新；

统计跟踪结果区域内所有位置点的灰度值，根据第二阈值将区域内的像素点进行二值化，根据大于所述第二阈值的待选点在结果区域所在位置判断是否属于眼睛睁眼的图像区域，在根据位置筛选后，仍有保留的像素点则判断眼睛为睁开状态，若没有像素点则认为眼睛处于闭合状态。

进一步，所述获取人体的呼吸信息，包括如下步骤：

对所述胸腹区域视频图像的胸腹运动信息进行放大，并转化为对应像素点的亮度变化；

获取亮度变化剧烈区域，将像素点的亮度变化转化为呼吸信号，包括：统计所述胸腹 运动剧烈区域内亮度值为最大值或是最小值的像素点数目之和，其中像素点总数的变化为呼吸运动时的胸腹部的起伏变化，根据像素点数目得到的起伏运动变化曲线进行滤波操作，生成呼吸信号；

将所述呼吸信号进行傅里叶变换，在频谱上最高幅度所对应的频率为人体的呼吸频率。

进一步，所述获取人体睡眠过程中的姿态信息，包括如下步骤：

通过所述体感设备发出的结构光获取人体的骨骼数据；

对所述骨骼数据进行均值滤波以对所述骨骼数据进行去抖；

根据去抖后骨骼数据采用SVM分类器在训练集上进行训练，对所述骨骼数据进行分类，确定人体的睡眠姿态信息。

本发明另一方面的实施例提供一种非接触式睡眠监测***，包括：红外监控摄像机，用于采集人体头部区域和胸腹区域的视频图像；体感设备，用于采集人体的姿态信息；图像处理模块，用于获取人体的睡眠信息，其中，所述睡眠信息包括：人眼的睁开和闭合信息、人体的呼吸信息和睡眠过程中的姿态信息，包括所述图像处理模块分析所述头部区域的视频图像以对头部运动进行监测和跟踪，获取人眼的睁开和闭合信息，以及分析胸腹区域的视频图像，获取所述胸腹区域视频图像的像素点的亮度变化以得到人体的呼吸信息，采用预设分类算法对所述姿态信息进行分类以获取人体睡眠过程中的姿态信息；睡眠质量分析模块，用于将所述人体的睡眠信息与预设的标准睡眠信息进行比对，分析所述人体的睡眠质量的健康程度。

根据本发明实施例的非接触式睡眠监测***，基于图像处理技术以非接触的方法对人体睡眠信号进行采集，尽量保持用户的自然睡眠状态，通过视频图像处理技术提取出有生理意义的睡眠状态信息。并且，本发明设备成本较低，便于家庭日常使用。

进一步，所述红外监控摄像机前安装有红外滤镜。

进一步，所述图像处理模块获取人眼的睁开和闭合信息，包括：对头部区域视频图像中的人脸区域进行初始化，对初始化的人脸区域分别采用模版匹配方法和光流跟踪方法跟踪人脸运动，将模版匹配结果和光流跟踪结果进行综合以生成人脸的当前帧跟踪结果，计算所述当前帧跟踪结果与预设模板库中所有模板的相关系数，以所有系数中最大值作为跟踪结果与模板库的相关系数，如果所述相关系数大于或等于第一阈值，则将所述当前帧跟踪结果加入到模板库中，更新模板库，统计跟踪结果区域内所有位置点的灰度值，根据第二阈值将区域内的像素点进行二值化，根据大于所述第二阈值的待选点在结果区域所在位置判断是否属于眼睛睁眼的图像区域，在根据位置筛选后，仍有保留的像素点则判断眼睛为睁开状态，若没有像素点则认为眼睛处于闭合状态。

进一步，所述图像处理模块获取人体的呼吸信息，包括：对所述胸腹区域视频图像的胸腹运动信息进行放大，并转化为对应像素点的亮度变化；获取胸腹运动剧烈区域，将像素点的亮度变化转化为呼吸信号，包括：统计所述像素点亮度变化剧烈区域内亮度值为最大值或是最小值的像素点数目之和，其中像素点总数的变化为呼吸运动时的胸腹部的起伏变化，根据像素点数目得到的起伏运动变化曲线进行滤波操作，生成呼吸信号；将所述呼吸信号进行傅里叶变换，在频谱上最高幅度所对应的频率为人体的呼吸频率。

进一步，所述图像处理模块获取人体睡眠过程中的姿态信息，包括如下步骤：

通过所述体感设备发出的结构光获取人体的骨骼数据；

对所述骨骼数据进行均值滤波以对所述骨骼数据进行去抖；

根据去抖后骨骼数据采用SVM分类器在训练集上进行训练，对所述骨骼数据进行分类，确定人体的睡眠姿态信息。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明实施例的非接触式睡眠监测方法的流程图；

图2为根据本发明实施例的获取人体的睡眠信息的流程图；

图3为根据本发明实施例的非接触式睡眠监测***的结构图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

如图1所示，本发明实施例的非接触式睡眠监测方法，包括如下步骤：

步骤S1，利用红外监控摄像机采集人体头部区域和胸腹区域的视频图像，并且利用体感设备采集人体的姿态信息。其中，体感设备可以采用Kinect体感设备。

具体地，在本步骤中，主动式红外监控摄像机用于采集人体头部和胸腹部的视频图像，体感设备用于采集人体的整体姿态。体感设备发出光的波长为830nm，红外监控摄像机接收红外光的波长一般为780-940nm。因此红外监控摄像机成像会受到体感设备发出光的干 扰。为了保证采集的视频数据的质量，减少干扰，需要在主动式红外监控摄像机前安装850nm的红外滤镜。

步骤S2，获取人体的睡眠信息，其中，睡眠信息包括：人眼的睁开和闭合信息、人体的呼吸信息和睡眠过程中的姿态信息。

如图2所示，步骤S2包括如下步骤：

步骤S21，分析头部区域的视频图像以对头部运动进行监测和跟踪，获取人眼的睁开和闭合信息。即，红外监控摄像机利用视频接口将图像传输给图像处理模块，图像处理模块对头部进行检测和跟踪，从而获取眼睛的睁开和闭合信息。

首先，对头部区域视频图像中的人脸区域进行初始化。

具体地，在头部区域视频图像中的第一帧图像上检测人脸所在位置。要求被测试人员在视频获取的初始阶段，应以眼睛睁开的状态正面面向镜头。之后可以按照被测试人员适宜的方式进行睡眠。在视频第一帧图像上提取Haar-like特征。Haar-like特征由线性特征、边缘特征、点特征和对角特征组成。为了加快特征提取速度，使用积分图方法来计算Haar-like特征。提取出特征后，利用Adaboost算法训练能够区分人脸和非人脸的分类器，这种分类器可以将一组弱分类器的分类结果进行综合，并且把强分类器级联在一起提高分类的准确率。之后将第一帧提取出的人脸区域图像存入人脸的模板库。

然后，对初始化的人脸区域分别采用模版匹配方法和光流跟踪方法跟踪人脸运动。

具体地，根据检测出的人脸区域，使用模板匹配和光流跟踪两种方法跟踪其运动过程并将结果进行综合。首先依据前一帧的跟踪结果确定当前帧的匹配和跟踪的搜索范围。在当前帧图像上，以前一帧跟踪结果区域为中心，向结果区域周围进行扩展，所得面积为原跟踪区域面积9倍的区域就是当前帧的搜索区域。然后。在搜索区域内进行模板匹配和光流跟踪。

(1)模板匹配： 

对模板库中的每一个模板，使用该模板在搜索区域中寻找与其相关系数最大的位置，该位置就是当前帧中与搜索模板对应的人脸区域。比较模板库中所有模板对应的人脸区域相关系数，系数最大的位置就是模板匹配的结果。

在上述过程中，通过以下公式计算得到模板在各个位置的相关系数：

$R(x,y)=\frac{{\mathrm{\Σ}}_{x^{\′},y^{\′}}\left(T^{\′}\right(x^{\′},y^{\′})\·I^{\′}(x+x^{\′},y+y^{\′}))}{\sqrt{{\mathrm{\Σ}}_{x^{\′},y^{\′}}{T}^{\′}{(x^{\′},y^{\′})}^2\·{\mathrm{\Σ}}_{x^{\′},y^{\′}}I{(x+x^{\′},y+y^{\′})}^2}},---\left(1\right)$

其中，R(x,y)为相关系数，表示待跟踪目标在图像I的坐标(x,y)处模板T的匹配度， 相关系数越大表示模板与该位置图像区域相似性越高。

(2)光流跟踪： 

首先在前一帧的跟踪结果区域内选取特征点，特征点之间距离固定且均匀分布在整个结果区域中。然后利用光流法比较当前帧和前一帧像素点的灰度，以此估计前一帧特征点在当前帧的位置。过滤位置不变的特征点，根据其余特征点的运动方向和距离确定当前帧的跟踪结果。

将模版匹配结果和光流跟踪结果进行综合以生成人脸的当前帧跟踪结果。具体地，当模板匹配结果区域和光流跟踪结果区域重合的面积大于等于选定的阈值时，以两者跟踪结果中心点横纵坐标位置的中值作为当前帧最终跟踪结果区域的中心点；当重合区域面积小于选定的阈值时，以两者中中心点位置更靠近前一帧最终结果区域的待选区域为当前帧最终跟踪结果。

更新模板库，对当前帧跟踪结果进行判断，判断是否将其添加到模板库中。计算当前帧跟踪结果于预设模板库中所有模板的相关系数，以所有系数中最大值作为跟踪结果与模板库的相关系数，如果相关系数大于或等于第一阈值，则将当前帧跟踪结果加入到模板库中，更新模板库；否则，跟踪结果不加入到模板库中，模板库不更新。

模板库更新完成后，利用得到的跟踪结果来获取眼睛的状态信息。在普通红外监控摄像机下，人眼睁开时眼球区域由于光的反射，在图像上会表现的十分明亮。根据这种现象，在跟踪结果区域就可以判断眼睛的睁闭状态。统计跟踪结果区域内所有位置点的灰度值，根据第二阈值将区域内的像素点进行二值化，根据大于第二阈值的待选点在结果区域所在位置判断是否属于眼睛睁眼的图像区域，在根据位置筛选后，仍有保留的像素点则判断眼睛为睁开状态，若没有像素点则认为眼睛处于闭合状态。最后记录各帧图像的眼睛状态数据。

步骤S22，分析胸腹区域的视频图像，获取胸腹区域视频图像的像素点的亮度变化以得到人体的呼吸信息。即，将胸腹部微小的运动信息进行放大，并转化为像素点的亮度变化，选取亮度变化强度剧烈的区域来获取人体的呼吸信息。

首先，对胸腹区域视频图像的胸腹运动信息进行放大，并转化为对应像素点的亮度变化。

根据胸腹部起伏运动提取呼吸信息。在睡眠过程中，被测者呼吸时的胸腹部运动比较轻微，频率慢，起伏程度小，获取呼吸信息前需要将胸腹运动的状态进行放大。然后，根据放大的运动过程提取呼吸频率曲线。

放大胸腹部的运动状态，将细微的胸腹运动放大为较明显的像素点亮度变化。将彩色 的视频图像有RGB色彩空间变换到YIQ色彩空间。YIQ颜色空间与RGB颜色空间之间的变换计算量小，且YIQ色彩空间对光照强度不断变化的场合适应性较强。将YIQ色彩空间下的每一个通道图像都进行拉普拉斯图像金字塔分解，由此可获得表示一幅图像的多尺度子图像集合。拉普拉斯金字塔分解是先对原图像进行低通滤波和降采样得到一个粗尺度的近似图像，即分解得到的低通近似图像，然后将这个近似图像经过插值、滤波，再计算它和原图像的差值,就得到该尺度下分解的带通分量，之后下一级分解是在得到的低通近似图像上进行,迭代完成多尺度分解。拉普拉斯金字塔中最后一层是图像的低频分量，其余尺度则是图像的高频分量。

对拉普拉斯金字塔中的图像进行滤波。将金字塔中的每一层图像与选定的滤波器进行卷积，从而得到滤波后的图像。滤波器的选择由需要放大的运动的频率决定，即保证滤波器的通过频段包含运动的频率。

图像像素点的亮度放大。对金字塔中每层的图像，把滤波后的图像像素值与选定的放大因子α相乘，然后与滤波前的图像进行相加就得到放大后的每层图像。放大因子α与运动波形的波长有关。其计算公式如下：

$(1+\mathrm{\&alpha;})\mathrm{\&delta;}\left(t\right)<\frac{\mathrm{\&lambda;}}{8},---\left(2\right)$

其中，δ(t)是波形运动的位移，λ是波长。放大因子α在满足上式时，放大结果是不引入噪声的，但是放大程度较小；放大因子不满足上式时，运动放大程度较大，但是会为结果引入噪声。

将放大的分层图像重新组合成原尺度图像。将金字塔的多尺度各层图像按照建立过程的逆向顺序重新组合成和分解前一样的原尺度图像。由此得到的图像序列就是将运动转化为像素点亮度变化并进行放大的结果。

其次，获取胸腹运动剧烈区域，将像素点的亮度变化转化为呼吸信号，包括：统计像素点亮度变化剧烈区域内亮度值为最大值或是最小值的像素点数目之和，其中像素点总数的变化为呼吸运动时的胸腹部的起伏变化，根据像素点数目得到的起伏运动变化曲线进行滤波操作，生成呼吸信号。

首先初始化像素点亮度变化最剧烈的区域。运动放大后会引入一定的噪声信息，干扰了信号提取的过程。为了确保运动状态的准确性，需要选取出亮度变化最为剧烈的图像区域。将整幅图像均匀的划分为9个区域，分别统计各区域内像素点的亮度方差。方差较大的区域就是运动较为剧烈的区域。

在确定亮度变化较为剧烈的区域后，将亮度变化转化为呼吸信号。统计区域内亮度值为最大值或是最小值的像素点数目之和，像素点总数的变化就是呼吸运动时的胸腹部的起伏变化。根据像素点数目得到的起伏运动变化曲线存在一定的噪声信号，需要进行平滑滤波操作。对每一帧的信号值，统计当前帧前后一定间隔内的每一帧信号，取其均值作为当前帧的信号值。间隔的长短影响着滤波的结果，间隔过长呼吸频率有可能被滤掉，而间隔过短噪声去除效果不明显。

最后，根据所得呼吸波形得出被测者呼吸频率。将呼吸信号进行傅里叶变换，在频谱上最高幅度所对应的频率就是被测者的呼吸频率。

步骤S23，采用预设分类算法对姿态信息进行分类以获取人体睡眠过程中的姿态信息。

通过体感设备发出结构光来获取人体骨架的数据信息。在体感设备中，骨架信息是以20个关节点的坐标来表示的。当被测者处于Kinect视野内时，人体姿态以骨骼节点坐标的形式表示出来，被测者运动时，对应的骨骼节点位置也发生改变。于是通过对骨架信息的分析，就可以获得被测者睡眠时的姿态以及姿态变化的信息。

首先，通过体感设备发出的结构光获取人体的骨骼数据。

具体地，通过体感设备获取原始的骨骼数据。利用各个关节点的坐标位置，可以获得关节点空间位置关系。

然后，对骨骼数据进行均值滤波以对骨骼运动轨迹进行去抖，消除骨骼运动轨迹的抖动。

具体地，在骨骼数据的获取阶段，有时会出现骨骼运动出现跳跃式变化。造成这种情况的原因是多方面的，比如被测试者手臂运动较快，Kinect自身硬件性能不足等。骨骼关节的相对位置在帧与帧之间变动过于剧烈，对于后面的姿态分析会产生较大影响，因此需要消除骨骼节点数据的抖动。对于每一个关节点，采用均值滤波的方法，计算以当前帧为中心前后一定间隔内的骨骼坐标数据均值，将均值作为当前帧的坐标结果。所得滤波结果就是平滑后的骨骼数据。

最后，根据去抖后骨骼数据采用SVM分类器在训练集上进行训练，对骨骼数据进行分类，确定人体的睡眠姿态信息。

具体地，人体睡眠姿态先利用骨骼节点空间相对位置进行初始分类。依据手臂和腿部节点与脊柱节点的位置关系，可以初始划分被测者的书面姿态为平躺或是侧卧。平躺时，手臂和腿部节点分布在脊柱节点两侧；侧卧时，手臂和腿部节点分布在脊柱节点同侧。简单的分类可以依据空间位置的规则来划分。复杂情况采用数据点与分类器结合的方式进行。收集多名被测试者的骨架节点数据并进行细致的分类标注，以此作为分类器的训练数据集。 采用SVM分类器在训练集上进行训练。SVM分类器广泛地应用于统计分类以及回归分析，能够同时最小化经验误差与最大化几何边缘区，在解决小样本、非线性及高维模式识别中表现出许多特有的优势。利用训练好的分类器对当前被测者的骨骼数据进行分类，确定被测者的睡眠姿态。此外当骨骼数据有较大幅度的运动时，说明被测者在睡眠过程中有较大幅度身体变动，记录此时数据，最后得到人体睡眠姿态信息和运动过程。

在本发明的一个实施例中，步骤S21、步骤S22和步骤S23可以同时进行。

步骤S3，将人体的睡眠信息与预设的标准睡眠信息进行比对，分析人体的睡眠质量的健康程度。

利用步骤S2得到的被测者睡眠信息与标准数据库中的信息进行对比，当出现某个或某些信号有较大差异时，被测者的睡眠质量存在一定问题；若信号对比相差不大，被测者睡眠质量较为正常。

根据本发明实施例的非接触式睡眠监测方法，基于图像处理技术以非接触的方法对人体睡眠信号进行采集，尽量保持用户的自然睡眠状态，通过视频图像处理技术提取出有生理意义的睡眠状态信息。并且，本发明设备成本较低，便于家庭日常使用。

如图3所示，本发明实施例的非接触式睡眠监测***，包括：红外监控摄像机1、体感设备2、图像处理模块3和睡眠质量分析模块4。

具体地，红外监控摄像机1用于采集人体头部区域和胸腹区域的视频图像。体感设备2用于采集人体的姿态信息。

在本发明的实施例中，红外监控摄像机1前安装有红外滤镜。体感设备可以采用Kinect体感设备。

具体地，体感设备2发出光的波长为830nm，红外监控摄像机1接收红外光的波长一般为780-940nm。因此红外监控摄像机1成像会受到体感设备发出光的干扰。为了保证采集的视频数据的质量，减少干扰，需要在主动式红外监控摄像机1前安装850nm的红外滤镜。

图像处理模块3用于获取人体的睡眠信息。其中，睡眠信息包括：人眼的睁开和闭合信息、人体的呼吸信息和睡眠过程中的姿态信息。

具体地，图像处理模块3分析头部区域的视频图像以对头部运动进行监测和跟踪，获取人眼的睁开和闭合信息。

图像处理模块3获取人眼的睁开和闭合信息，包括：对头部区域视频图像中的人脸区域进行初始化，对初始化的人脸区域分别采用模版匹配方法和光流跟踪方法跟踪人脸运动，将模版匹配结果和光流跟踪结果进行综合以生成人脸的当前帧跟踪结果，计算当前帧跟踪结果于预设模板库中所有模板的相关系数，以所有系数中最大值作为跟踪结果与模板库的 相关系数，如果相关系数大于或等于第一阈值，则将当前帧跟踪结果加入到模板库中，更新模板库，统计跟踪结果区域内所有位置点的灰度值，根据第二阈值将区域内的像素点进行二值化，根据大于第二阈值的待选点在结果区域所在位置判断是否属于眼睛睁眼的图像区域，在根据位置筛选后，仍有保留的像素点则判断眼睛为睁开状态，若没有像素点则认为眼睛处于闭合状态。

图像处理模块3分析胸腹区域的视频图像，获取胸腹区域视频图像的像素点的亮度变化以得到人体的呼吸信息。具体地，图像处理模块3对胸腹区域视频图像的胸腹运动信息进行放大，并转化为对应像素点的亮度变化；获取胸腹运动剧烈区域，将像素点的亮度变化转化为呼吸信号，包括：统计像素点亮度变化烈区域内亮度值为最大值或是最小值的像素点数目之和，其中像素点总数的变化为呼吸运动时的胸腹部的起伏变化，根据像素点数目得到的起伏运动变化曲线进行滤波平滑操作，生成呼吸信号；将呼吸信号进行傅里叶变换，在频谱上最高幅度所对应的频率为人体的呼吸频率。

图像处理模块3采用预设分类算法对姿态信息进行分类以获取人体睡眠过程中的姿态信息。

图像处理模块3通过体感设备发出的结构光获取人体的骨骼数据，对骨骼数据进行均值滤波以对骨骼数据进行去抖。根据去抖后骨骼数据采用SVM分类器在训练集上进行训练，对骨骼数据进行分类，确定人体的睡眠姿态信息。

睡眠质量分析模块4用于将人体的睡眠信息与预设的标准睡眠信息进行比对，分析人体的睡眠质量的健康程度。

根据本发明实施例的非接触式睡眠监测***，基于图像处理技术以非接触的方法对人体睡眠信号进行采集，尽量保持用户的自然睡眠状态，通过视频图像处理技术提取出有生理意义的睡眠状态信息。并且，本发明设备成本较低，便于家庭日常使用。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求极其等同限定。

Claims (9)

1.一种非接触式睡眠监测方法，其特征在于，包括如下步骤：

S1，利用红外监控摄像机采集人体头部区域和胸腹区域的视频图像，并且利用体感设备采集人体的姿态信息；

S2，获取人体的睡眠信息，其中，所述睡眠信息包括：人眼的睁开和闭合信息、人体的呼吸信息和睡眠过程中的姿态信息，包括如下步骤：

分析所述头部区域的视频图像以对头部运动进行监测和跟踪，获取人眼的睁开和闭合信息，以及分析胸腹区域的视频图像，利用运动放大算法以得到人体的呼吸信息，采用预设分类算法对所述姿态信息进行分类以获取人体睡眠过程中的姿态信息；

S3，将所述人体的睡眠信息与预设的标准睡眠信息进行比对，分析所述人体的睡眠质量的健康程度。

2.如权利要求1所述的非接触式睡眠监测方法，其特征在于，所述获取人眼的睁开和闭合信息，包括如下步骤：

对头部区域视频图像中的人脸区域进行初始化；

对初始化的人脸区域分别采用模版匹配方法和光流跟踪方法跟踪人脸运动；

将模版匹配结果和光流跟踪结果进行综合以生成人脸的当前帧跟踪结果；

计算所述当前帧跟踪结果与预设模板库中所有模板的相关系数，以所有系数中最大值作为跟踪结果与模板库的相关系数，如果所述相关系数大于或等于第一阈值，则将所述当前帧跟踪结果加入到模板库中，更新模板库；否则模板库不更新；

统计跟踪结果区域内所有位置点的灰度值，根据第二阈值将区域内的像素点进行二值化，根据大于所述第二阈值的待选点在结果区域所在位置判断是否属于眼睛睁眼的图像区域，在根据位置筛选后，仍有保留的像素点则判断眼睛为睁开状态，若没有像素点则认为眼睛处于闭合状态。

3.如权利要求1所述的非接触式睡眠监测方法，其特征在于，所述获取人体的呼吸信息，包括如下步骤：

对所述胸腹区域视频图像的胸腹运动信息进行放大，并转化为对应像素点的亮度变化；

获取亮度变化剧烈区域，将像素点的亮度变化转化为呼吸信号，包括：统计所述胸腹运动剧烈区域内亮度值为最大值或是最小值的像素点数目之和，其中像素点总数的变化为呼吸运动时的胸腹部的起伏变化，根据像素点数目得到的起伏运动变化曲线进行滤波操作，生成呼吸信号；

将所述呼吸信号进行傅里叶变换，在频谱上最高幅度所对应的频率为人体的呼吸频率。

4.如权利要求1所述的非接触式睡眠监测方法，其特征在于，所述获取人体睡眠过程中的姿态信息，包括如下步骤：

通过所述体感设备发出的结构光获取人体的骨骼数据；

对所述骨骼数据进行均值滤波以对所述骨骼数据进行去抖；

根据去抖后骨骼数据采用SVM分类器在训练集上进行训练，对所述骨骼数据进行分类，确定人体的睡眠姿态信息。

5.一种非接触式睡眠监测***，其特征在于，包括：

红外监控摄像机，用于采集人体头部区域和胸腹区域的视频图像；

体感设备，用于采集人体的姿态信息；

图像处理模块，用于获取人体的睡眠信息，其中，所述睡眠信息包括：人眼的睁开和闭合信息、人体的呼吸信息和睡眠过程中的姿态信息，包括所述图像处理模块分析所述头部区域的视频图像以对头部运动进行监测和跟踪，获取人眼的睁开和闭合信息，以及分析胸腹区域的视频图像，获取所述胸腹区域视频图像的像素点的亮度变化以得到人体的呼吸信息，采用预设分类算法对所述姿态信息进行分类以获取人体睡眠过程中的姿态信息；

睡眠质量分析模块，用于将所述人体的睡眠信息与预设的标准睡眠信息进行比对，分析所述人体的睡眠质量的健康程度。

6.如权利要求5所述的非接触式睡眠监测***，其特征在于，所述红外监控摄像机前安装有红外滤镜。

7.如权利要求5所述的非接触式睡眠监测***，其特征在于，所述图像处理模块获取人眼的睁开和闭合信息，包括：对头部区域视频图像中的人脸区域进行初始化，对初始化的人脸区域分别采用模版匹配方法和光流跟踪方法跟踪人脸运动，将模版匹配结果和光流跟踪结果进行综合以生成人脸的当前帧跟踪结果，计算所述当前帧跟踪结果于预设模板库中所有模板的相关系数，以所有系数中最大值作为跟踪结果与模板库的相关系数，如果所述相关系数大于或等于第一阈值，则将所述当前帧跟踪结果加入到模板库中，更新模板库，统计跟踪结果区域内所有位置点的灰度值，根据第二阈值将区域内的像素点进行二值化，根据大于所述第二阈值的待选点在结果区域所在位置判断是否属于眼睛睁眼的图像区域，在根据位置筛选后，仍有保留的像素点则判断眼睛为睁开状态，若没有像素点则认为眼睛处于闭合状态。

8.如权利要求5所述的非接触式睡眠监测***，其特征在于，所述图像处理模块获取人体的呼吸信息，包括：对所述胸腹区域视频图像的胸腹运动信息进行放大，并转化为对应像素点的亮度变化；获取胸腹运动剧烈区域，将像素点的亮度变化转化为呼吸信号，包括：统计所述胸腹运动剧烈区域内亮度值为最大值或是最小值的像素点数目之和，其中像素点总数的变化为呼吸运动时的胸腹部的起伏变化，根据像素点数目得到的起伏运动变化曲线进行滤波操作，生成呼吸信号；将所述呼吸信号进行傅里叶变换，在频谱上最高幅度所对应的频率为人体的呼吸频率。

9.如权利要求5所述的非接触式睡眠监测***，其特征在于，所述图像处理模块获取人体睡眠过程中的姿态信息，包括如下步骤：

通过所述体感设备发出的结构光获取人体的骨骼数据；

对所述骨骼数据进行均值滤波以对所述骨骼数据进行去抖；

根据去抖后骨骼数据采用SVM分类器在训练集上进行训练，对所述骨骼数据进行分类，确定人体的睡眠姿态信息。