失眠网 > 【阅读笔记】BodyCompass: Monitoring Sleep Posture with Wireless Signals

【阅读笔记】BodyCompass: Monitoring Sleep Posture with Wireless Signals

时间：2019-12-30 16:32:09

本文是研一小白读的一篇论文，目的是做笔记，以免以后忘记，如果有理解不正确的地方希望网友们多多指教

论文名称：

BodyCompass: Monitoring Sleep Posture with Wireless Signals

hichao Yue, Yuzhe Yang, Hao Wang, Hariharan Rahul, Dina KatabiACM International Joint Conference on Pervasive and Ubiquitous Computing (Ubicomp)

论文连接：http://people.csail.mit.edu/scyue/projects/bodycompass/bodycompass.pdf

文章目录

摘要1 介绍2 相关的工作(a)带有身体传感器的监测系统(b)非接触式监测系统 3 BODYCOMPASS4 过滤的多路径轮廓特征提取器稳定睡眠期过滤的多径轮廓 5 特定源的睡姿模型6 传递模型给新的用户迁移模型的简述分布排列目标数据增加多数投票 7 结论阅读体会

摘要

监测睡眠姿势对于避免术后褥疮、减少呼吸暂停事件、跟踪帕金森病的进展，甚至提醒癫痫患者注意潜在的致命睡眠姿势都很重要。如今，追踪睡眠姿势并不容易。过去的研究建议在受试者的卧室里安装摄像头，在受试者的胸部安装加速度计，或者在他们的床单上嵌入压力传感器。不幸的是，这样的解决方案既会危及用户的隐私，也会危及他们的睡眠舒适。

在这篇文章中，我们介绍了BodyCompass，这是第一个基于RF的系统，可以在用户自己家里提供精确的睡眠姿势监测。BodyCompass通过研究环境中的射频反射来开展。它将从受试者身体反射回来的射频信号与其他多路径信号分离开来。然后，它通过一个定制的机器学习算法来分析这些信号，从而推断受试者的睡眠姿势。我们利用26名受试者在自己家里的200多个夜晚的睡眠数据，对BodyCompass进行了实证评估。我们的结果显示，给定受试者一周、一晚或16分钟的标记数据，Body Compass对应的正确率分别为94%、87%和84%。

1 介绍

大量临床研究表明，睡眠姿势是疾病进展的一个有价值的标志，对健康有重大影响。第一类是基于视觉的。这些方法使用摄像机监控用户的睡眠，然后用机器学习系统从录制的视频中提取姿势。然而，在人们的卧室里安装摄像头是侵犯隐私的。此外，如果一个人被遮住了，或者光线不好，摄像机很难跟踪他的身体姿势，这两种情况都是睡觉时的典型情况。第二类使用各种床上传感器。这种方法要求用户将传感器固定在床垫表面，这会影响睡眠舒适度。

理想情况下，人们希望睡姿监测系统是非接触的，非侵入性的，甚至在黑暗的情况下工作。在这篇文章中，在本文中，我们介绍了BodyCompass，一个基于射频技术的睡眠姿势监测系统。BodyCompass通过分析射频信号的反射来推断受试者的睡眠姿势。它不需要用户佩戴或接触任何传感器。它不侵犯隐私，也可以在黑暗中工作。与之前的许多工作不同，BodyCompass已经被证明可以在实验室之外工作——真实的受试者睡在自己家里，并且可以推广到新的环境中，只需要很少的额外训练。图1显示了部署在我们一个用户家中的BodyCompass。

综上所述，本文的贡献有以下几点:

(1) 我们推出了BodyCompass系统，这是第一个基于射频技术的系统，可以在用户家中进行夜间精确的睡眠姿势监测，实现高精度但不牺牲隐私和睡眠舒适。

(2) BodyCompass可以转移模型新房间环境和新的用户，只需要提供很少的额外的训练数据。

(3) 我们在现实世界中广泛实施和评估BodyCompass设置，使用的数据来自26家26个不同实验对象和200多个夜晚的睡眠。

2 相关的工作

以往对睡眠姿势监测的研究主要分为两大类:1)带有身体传感器的监测系统和2)非接触式监测系统。

(a)带有身体传感器的监测系统

例如，一个人可以在他的胸部安装一个加速度计来监测他的睡眠姿势。由于重力总是向下的，加速度计的方向可以通过合并沿三个不同轴的加速度来计算。

(b)非接触式监测系统

首先，基于视觉的系统部署RGB或红外摄像机来记录用户的睡眠视频，然后使用卷积神经网络处理这些视频，以预测睡眠姿势。但是这个方法容易侵犯个人隐私，并且在黑暗的环境下可能精确度不够。

其次，床上传感器用一系列压力传感器或RFID标签覆盖床垫。这些解决方案比相机系统更能保护隐私。然而，床上传感器如图2所示，会改变床的感觉，从而影响受试者的睡眠舒适度。

3 BODYCOMPASS

BodyCompass利用配备了天线阵列的FMCW无线电进行测量。它们的工作原理是发射一个低功率的无线电信号，然后观察它在周围环境中的反射。天线阵列与FMCW相结合的使用使无线电能够解决空间中多个点的射频反射。具体来说，在每个时间点上，无线电输出来自空间中不同体素的信号值数组，我们称之为RF快照。

BodyCompass从FMCW雷达获取一整晚的一系列射频快照，然后生成晚上的睡眠姿势。如图3a所示，睡眠姿势是由两个法向量之间的夹角来描述的，即使用者的床面和躯干前表面的夹角。例如，0°表示用户面向上方，90°表示用户面向右侧。

BodyCompass使用三个组件计算睡眠姿势:

• 过滤的多路径轮廓特征提取器，用于估计直接或间接从人身上反射回来的射频反射信号。

• 一个源特定的神经网络，利用多路径轮廓特征来估计一个特定的人在一个特定的家庭中的睡眠姿势。

• 迁移学习模型，该模型适应源特定的模型，以添加最少的数据标签来估计一个新的人在新的家里的睡姿。

4 过滤的多路径轮廓特征提取器

对于空间的每个点(RF体素)，RF快照由该空间点的RF反射强度组成。一个RF体素由两个坐标表示，它与设备的距离，以及该位置相对于设备的法线的角度。具体来说，坐标(i, j)处的RF体素表示距离设备移动距离dj点周围的一个小立方体，以及αi 的到达角，如图4所示，相当于极坐标系。我们将空间划分为N个角度和M个距离，因此每个RF快照都是一个N x M矩阵。

稳定睡眠期

我们首先注意到睡眠姿势并不是随时间而独立的，因为人们通常在一段时间内以一种姿势睡觉，接着是一个动作，然后他们就会进入另一种睡眠姿势，以此类推。因此，BodyCompass首先将夜晚划分为一系列稳定的睡眠阶段。在每个稳定时期，身体的方向几乎是恒定的，BodyCompass从这一时期提取出一个睡眠姿势。BodyCompass利用之前的工作（Extracting multi-person respiration from entangled rf signals.）从RF快照中识别运动事件，并将这些运动事件之间的间隔定义为稳定的睡眠期。

过滤的多径轮廓

人们不能直接利用稳定睡眠时期的总体多路径轮廓来推断睡眠姿势。这是因为这样的多路径轮廓既包含来自环境的反射，也包含来自主体的反射。我们的想法受到以下观察的启发: 呼吸时，人体的胸部和腹部区域向前和向后移动。这些运动将以与呼吸信号相关的方式改变人体对应的多路径贡献，而其他环境相关的多路径贡献不会以与人呼吸相关的方式改变。图5显示了这一点的一个说明性例子，一个人面对着设备睡觉，旁边有一个风扇。

BodyCompass使用(Extracting multi-person respiration from entangled rf signals)先前工作中的方法，从平稳期的RF快照中提取受试者在床上的呼吸信号。然后，对于每个RF体素，BodyCompass将提取的呼吸信号与从RF快照中获得的RF体素的信号强度的时间序列相关联。具体地说，对于每个体素，Bodycompass计算人的呼吸和从该体素接收到的射频信号强度之间的皮尔逊相关系数的绝对值，以RF快照序列的形式表示。这种相关性提供了一个空间滤波器，允许我们提取多路径轮廓中的体素，这些体素的信号与人的呼吸高度相关。

接下来，BodyCompass将多路径配置文件与上面的过滤器相乘，以提取过滤后的多路径轮廓聚焦于被测对象直接或间接反弹的信号。

为了帮助理解这个过程，我们在图6中绘制了一个示例。具体地说，图6a显示了原始多路径配置文件中空间中每个体素的相对功率。图6c为呼吸滤波器，图6b为滤波后的多路径轮廓。正如我们所看到的，像素A在原始的多路径轮廓中非常明亮(图6a)，这意味着相对于其他像素，它有非常高的反射功率。然而，由于它与呼吸的相关系数非常低(图6c)，它在最终滤波后的多径轮廓中被删除(图6b)。在这个例子中，像素A实际是由在环境中行走的另一个人的环境运动所贡献的。相比之下，虽然像素B和C的功率比A低，但它们在滤波后的多路径轮廓中被强调，因为它们与呼吸信号具有很强的相关性。值得注意的是，像素B实际上是直接路径反射，而像素C是间接路径反射之一。

接下来，我们在图7中显示了两种不同姿态的典型滤波多路径轮廓。当用户以仰卧姿势睡觉时，过滤后的多路径轮廓显示出更多的色散，因为主体向天花板反射了很大一部分信号，导致更多的间接反射。相反，当用户面对设备时，大部分信号直接从用户反射到设备，因此滤波多路径轮廓中的功率集中在用户的位置，即直接路径。

5 特定源的睡姿模型

在计算出与一个源(即一个特定家庭中的用户)对应的每个稳定睡眠期的过滤多路径轮廓后，BodyCompass使用一个神经网络来预测该源在每个稳定睡眠期的睡眠姿势。

为了训练神经网络，我们要求受试者佩戴加速度计来收集身体的地面真实角度方向。回忆一下，我们用躯干相对于床旋转的角度来表示睡眠姿势。BodyCompass对加速度计在一个稳定周期内测量的角度值进行平均，得到受试者在该稳定周期内睡眠姿态的地面真实值。BodyCompass训练神经网络来预测与每个经过过滤的多路径轮廓相关联的睡眠角度。为了训练网络，我们需要将预测角与地面真角进行比较。我们对循环损耗的定义如下:

其中 x 是输入特征向量(即过滤多路径的稳定段)，y 是真实的角度，F ( · ，θ) 是模型，将特征向量映射到一个复字, θ是模型参数，arccos表示反余弦函数，E为期望。

arccos的结果可以解释为两个向量之间的余弦相似度，预测时的相似度达到最大向量具有相同的角(0)的一个arccos地面真理。

6 传递模型给新的用户

迁移模型的简述

给定一组源域，即很多人的睡眠姿势训练集,和一个目标域即一新的人在自己的家里，我们设计一个模型从源域的训练数据进行学习，如何用少量的校准点来推断目标域的睡眠姿势。在较高的层次上，我们的迁移模型首先对训练数据进行预处理，以确保源域的概率分布尽可能接近目标域。接下来,考虑到目标域的数据量是不够的训练模型，我们试图增加目标，通过从源域中筛选类似于目标域的数据，根据它的特征映射(即过滤多路径)和相应的姿态。我们使用这个增强数据来创建一个虚拟目标，这个虚拟目标与原始目标相似，但是有更多的标记数据。现在我们可以调整来自每个源域的模型，使其在虚拟目标上很好地工作。最后的预测是通过对所有这些调整过的模型进行多数投票来完成的。

在接下来的小节,我们扩大高层描述,提供三个关键组件的细节我们的传输模型：

(1)分布排列:我们在用户显式地对齐数据分布,其差异是由不同的房间布局导致。

(2)数据增加:我们通过选择数据点生成增广数据从源对象,类似于校准点。

(3)整体学习:我们使用多数表决产生一个最终的预测是稳健的和准确的。

分布排列

在没有任何对齐的情况下，源用户和目标用户之间的分布偏移将极大地阻碍模型的泛化能力。这种分布变化的一个主要原因是不同的房间布局造成的。例如，我们有用户A和用户B，他们的平面图如图8所示。用户A的床离设备非常近(设备在床的正上方)，相比之下，用户B的床离设备很远。我们在图9 (a)和(b)中显示了两个用户的多径分布。从这些图中可以清楚地看出，床层位置相对于无线电的差异以两种方式影响滤波后的多径分布。首先，用户B的直接路径反射需要比用户a移动更长的距离。因此，在多路径配置文件中相同位置的像素不能直接比较。第二，射频反射功率随着传输距离的增加而下降。因此，用户B的像素呼吸功率远小于用户a。因此，如图10所示，用户a和用户B的数据分布存在明显的失配。

下面，我们将解释用于对齐分布的两种方法。

(a)调整床的位置：对于每个用户，我们对所有经过过滤的多路径轮廓进行像素化的汇总。由于直接信号路径的传播距离最短，通常在滤波后的多路径轮廓中具有最大的呼吸功率。因此，和值最大的像素会给我们一个准确的床层位置估计。我们另外应用一个sigma为1的高斯滤波器来消除小的位置不匹配。

回头看图8，还有另一个不匹配。在用户A的情况下，无线电设备在用户的右手边，而对于用户B，设备在其左手边。这表明，当两个用户同时面向设备时，他们实际上是面向不同的方向(图9a中向右，图9b中向左)。因此，我们也通过翻转角度来对齐方向。在下面所有的讨论和结果中，-90°(左)表示面向设备的方向(用户A为右，用户B为左)，90°(右)表示相反的方向。

图11显示了上述用户A和B在对床位置后的多路径过滤配置文件。我们可以看到，A和B的直接路径像素现在在相同的位置。

(b)功率归一化：射频信号随距离衰减，因此，滤波后的多路径轮廓中特定像素的功率取决于路径长度，而不是睡眠姿势，如图11所示。如果目标的房间布局不同于源用户，这种依赖关系可以防止模型泛化到新目标用户。因此，我们希望消除这种依赖性。为了解决这个问题，我们对滤波后的多路径轮廓的每个像素的功率分布进行归一化(即，对于每个数据点，我们减去分布的平均值并除以其标准差)。用户A和用户B在对床位和功率归一化后的数据分布如图12所示，与图10相比，两者的对齐情况要好得多。

目标数据增加

我们使用来自源用户的数据点，这些数据点与来自目标用户的校准点相似。具体来说，我们的增强过程包含以下步骤:首先，我们对齐所有用户(包括校准点)的所有数据点，如前一节所述。然后给定一个定标点(xo, yo)，首先选取所有满足yo和yi的角度差小于某一阈值(默认为20度)的点(xi, yi)。然后，对于这些选定的点，我们进一步对它们进行排序，基于它们的多路径轮廓与L2距离捕获的校准点的相似度:Ilxi xoll2。最后，我们挑选与校准点最相似的数据点(具体来说，我们挑选与每个校准点最相似的30个源点)。我们将这组增强数据点称为虚拟目标。

多数投票

我们过滤掉验证精度差的模型(与最佳模型相比，精度低于10%)，并在精度较好的模型中进行多数投票。多数投票的执行如下:我们创建一个预测的直方图，其中每个角度都有自己的bin。然后我们用标准差为20的高斯滤波器平滑这个直方图。最后我们选择经过平滑处理后的最大的角作为我们最终的预测角。值得一提的是，平滑是用循环的方式进行的，即最后一个bin和第一个bin是连通的。

7 结论

我们介绍了BodyCompass，这是一种无线系统，可以在实验室外提供准确的睡眠姿势监测。通过明确提取用户的射频反射信号和设计适当的机器学习算法，我们的系统可以准确捕捉用户的姿势，并能够以最小的额外数据将其知识传输到一个新家。一项针对26个不同家庭、26个受试者、200多个夜晚的用户研究表明，BodyCompass是非常精确的，使用用户一周的数据，准确率为94%，仅使用16分钟的数据，准确率为83.7%。我们相信，这项工作可以作为一个实用的睡眠姿势监测系统，使易于采用，并帮助医生和患者解决这一未得到满足的需求。