定义、输出与任务边界
睡姿识别算法把整夜的惯性、压力、雷达或影像信号转换为仰卧、俯卧、左侧卧、右侧卧、直立、离床或未知等姿势,并可输出连续的滚转、俯仰角度、翻身时点、各姿势时长与置信度。它关注身体朝向和姿势转换,不等同于一般体动强度、睡眠分期或呼吸事件检测。
算法必须说明识别的是头部、颈部、躯干、骨盆还是全身姿态。一个人可在躯干仰卧时把头转向侧方,也可呈半侧卧、蜷缩、床头抬高或上身扭转。把胸前传感器的方向称为“睡姿”而不标注解剖部位,会掩盖对位置性呼吸或体位干预真正重要的差异。
姿势类别本身不是疾病诊断。位置性 OSA、压疮风险、疼痛管理、康复、癫痫安全研究和一般睡眠习惯对姿势的定义、时间分母和风险含义不同。模型应绑定具体用途,不能用成人位置性呼吸验证结果支持婴幼儿安全监护,也不能由仰卧时长直接推出病情或治疗建议。
标签体系与解剖坐标
常见离散体系包含仰卧、俯卧、左侧、右侧和直立,但每一类覆盖多大的角度范围并无天然统一答案。接近边界的斜卧可能在不同系统中被分到不同类别。标签规范应给出人体坐标轴、角度边界、半侧卧与未知的处理,并说明左右是以受检者而非观察者视角定义。
连续角度能保留离散类别丢失的细节,例如躯干从仰卧旋转多少、床头抬高或颈部屈伸;但单个三轴加速度计只能稳定确定相对于重力的部分方向,无法在所有情况下恢复完整三维朝向。磁力计、陀螺仪或多部位传感器可补充信息,也会引入漂移、磁干扰和同步问题。
睡姿还包含形态而不只方向,例如手臂位置、膝髋屈曲、枕头支撑、床边位置和接触面积。压力阵列或视频可识别这些细节,胸部惯性传感器通常不能。若产品输出“胎儿式”“星形”等细粒度姿态,必须为每类建立可复现标注,而不能从粗略左右侧卧推断。
传感器、固定与标定
胸部、颈部或头部惯性传感器利用重力向量识别方向,体积小且便于连续记录,但依赖牢固固定和初始校准。贴片倾斜、绑带松动、睡衣拉扯或夜间旋转会使设备坐标相对身体改变。系统应记录佩戴位置、初始化姿势和重新标定,检测不连续偏移并输出传感器移位状态。
床垫压力阵列、床脚称重和雷达可非接触观察身体轮廓或反射分布,却会受床垫材料、被褥、床架、房间几何、床伴和宠物影响。视频提供直观参考,但被褥遮挡、黑暗、视角、多人和隐私会降低可用性。不同传感器看到的是接触压力、表面轮廓或运动回波,类别不能未经验证直接互换。
腕表与戒指主要反映手臂或手指朝向,不能可靠代表躯干侧别;手机放在床上还会混合床体振动。声称用这些设备识别全身睡姿时,需要专门证明手臂与躯干关系在目标人群和整夜中足够稳定。无法确定受检者或身体部位时,应降级到体动、在床或未知输出。
分类流程与姿势转换
惯性流程通常先校正零偏与坐标,估计重力方向或姿态角,再用阈值、状态机或学习模型赋类。压力和影像模型则从空间分布提取轮廓、重心或深度特征。无论输入如何,分类边界都应包含迟滞与最短稳定时间,避免呼吸微动或轻微摇摆让标签在两类之间反复切换。
翻身检测应区分快速姿势转换、短暂抬身、起床、设备碰撞和传感器脱落。事件起止、转换前后姿势、过渡态和合并间隔需要明确规则。只在检测到大动作后重新分类可节省计算,却可能漏掉缓慢滚动;逐帧分类则容易产生噪声,因此应验证两种路径对转换次数和姿势时长的影响。
睡眠状态与姿势是相关但独立的轴。人在清醒时也会躺卧,坐起可能发生在短暂觉醒中,而姿势传感器通常不能确认脑电睡眠。报告应分别保存记录时间、有效在床时间和各姿势下的估计或 PSG 睡眠时间,避免把清醒仰卧纳入睡眠姿势分母。
参考标签与数据治理
参考标准可采用同步红外视频、多角度深度影像、人工观察或经机械标定的身体传感器。标注者应能区分头、颈和躯干,记录被褥遮挡、多人、离床和不可判定区间;时间轴还需与算法信号精确同步。把 PSG 位置通道直接当作无误真值并不充分,因为它本身也可能错位或脱落。
训练、调参与测试必须按受试者和记录夜隔离,覆盖体型、年龄、活动能力、枕头、床头高度、床垫、睡衣、传感器安装和睡眠障碍。姿势类通常不平衡,俯卧和直立可能很少;按帧随机划分会把同一长姿势片段泄漏到训练与测试。应报告每类受试者和整夜暴露,而不只报告图像或窗口数量。
家庭资料还要包含床伴、宠物、被褥遮挡、设备移位和不同卧室。过采样、旋转图像或模拟压力可以帮助训练,却不能替代自然整夜外部测试。面向儿童、老年人、行动受限者、孕妇或使用定位辅助器具的人群,应另行验证姿势形态、传感器固定和安全边界。
性能验证与位置性应用
逐时点评价应报告每类灵敏度、阳性预测值、F1、混淆矩阵、宏平均指标和不可判定率;连续角度还需报告方向性误差。记录级应比较各姿势累计时长、仰卧比例、转换次数和边界偏差。总体准确率容易被长时间仰卧或侧卧主导,必须展示少见姿势和每位受试者的误差分布。
位置性呼吸分析需把呼吸事件、有效睡眠和同步姿势共同匹配,分别计算各姿势的事件率。姿势错误会把事件分到错误分子,自动睡眠误差又会改变分母;某一姿势时间过短时,比值极不稳定。验证应评价完整的姿势—事件—睡眠链,并报告每种姿势的有效暴露。
用于体位反馈或干预时,还要验证实时延迟、误触发、用户能否正确响应、睡眠干扰、不适及长期依从性。离线分类准确不代表闭环系统安全有效。头位和躯干不一致、半坐位、治疗设备管路或疼痛限制都可能导致错误提示,系统应允许个体化禁用、调整或人工复核。
部署、隐私与发展方向
部署界面应显示姿势时间线、角度、质量、未知区间、传感器移位和参考部位,并允许技术人员或用户更正明显错误。系统必须保留不可判定和离床状态,不能强制给每一秒贴上睡姿。设备、固件、床型、安装、模型和类别边界变化都需回归测试与版本追踪。
视频、深度图和压力分布可能暴露身体形态、健康状态、床伴与卧室活动。采集应最小化,说明是否存储原始影像、谁能访问、保留多久以及是否用于训练。端侧提取姿势后及时删除原始帧可降低风险,但派生轨迹和多夜行为模式仍需访问控制及删除机制。
未来方向包括头颈—躯干多部位联合估计、被褥下姿态重建、跨床型域适配、连续角度与不确定性建模,以及将姿势与呼吸事件作可审计融合。更好的系统应知道传感器滑动或视野不足时无法判断。自适应更新仍要限定修改范围、预定验证、漂移监测与回退,保持纵向结果可比。