编辑推荐：
本文针对真实家庭环境中，因棉被等床上用品导致热信号衰减、影响非接触式睡姿监测精度的问题，研究人员开展了基于热敏传感器阵列（TSA）和定制化卷积神经网络（CCNNs）的睡眠姿态分类研究。他们设计了四种面向不同棉被厚度条件的模型，在真实家庭环境中用40,000张热图像进行验证，在无被、薄被、中等被、厚被条件下分别达到了98.60%、97.80%、85.33%和81.40%的识别准确率，整体准确率为90.78%。这项研究为在保护隐私的前提下，实现家庭环境中的长期、稳健睡眠监测提供了有力的概念验证。
睡眠质量与人体健康息息相关，而睡眠姿态是评估睡眠质量、识别睡眠障碍（如位置性睡眠呼吸暂停）的关键生物指标。然而，目前主流的监测工具，如多导睡眠图（Polysomnography, PSG），需要将众多电极贴在身上，不仅令人不适、干扰睡眠，也难以用于家庭环境中的长期监测。因此，开发一种能够在真实家庭场景中长期使用、不侵犯隐私、且能“穿透”床上用品的非接触式睡姿监测技术，成为了一个重要但充满挑战的研究方向。其中，棉被作为一种热绝缘体，会极大地衰减和扩散人体的热信号，给基于热成像的识别方法带来了“棉被屏障”（Blanket Barrier），这正是当前研究中的一个显著空白。针对这一系列问题，一项题为“棉被屏障下的可靠睡姿分类：定制化卷积神经网络与热成像方法”的研究在《IEEE Access》上发表，为我们带来了创新性的解决方案。
为了开展这项研究，研究人员主要采用了以下几项关键技术方法：首先，使用低分辨率、隐私保护型的热敏传感器阵列（Thermal Sensor Array, TSA）在真实家庭环境中采集数据，传感器安装于床铺上方。其次，系统研究了四种不同的床上条件（无棉被、薄棉被、中等厚度棉被、厚棉被），并利用热总体等级（Thermal Overall Grade, TOG）量化其隔热性能。核心创新在于，没有使用单一的通用模型，而是针对四种不同条件，独立设计了四种深度可变的定制化卷积神经网络（Customised Convolutional Neural Networks, CCNNs），其卷积层数从2层到5层递增，以应对随棉被增厚而加剧的热信号衰减。研究共使用了8名健康成年人在真实家庭环境中产生的40,000张热图像进行模型训练与验证。
研究结果：
A. 整体睡姿分类性能与床上条件的影响
研究结果表明，棉被厚度显著影响分类准确性。在无被、薄被、中厚被、厚被四种条件下，CCNNs模型的分类准确率分别为98.60%、97.80%、85.33%和81.40%。将所有条件下的表现综合计算，整体准确率达到90.78%。这证实了棉被作为热绝缘体会导致热信号衰减，使睡姿识别变得困难，但定制的CCNNs方法能有效应对这一挑战，即使在厚被条件下也保持了较强的识别能力。
B. 详细睡姿性能与空床状态讨论
模型对五种状态（空床、左侧卧、右侧卧、俯卧、仰卧）进行了分类。其中，空床状态在所有条件下的平均识别准确率高达97.4%，表明系统能可靠区分床铺是否被占用。在最具挑战性的厚被条件下，仰卧姿势的识别准确率最低，仅为48.3%。分析认为，当人盖着高隔热厚被仰卧时，热信号在胸腹部区域呈现均匀的衰减，缺乏可供区分的明显热梯度或形状特征，而侧卧或俯卧时肢体产生的压力点可能留下相对更可识别的热特征。
C. 数据采集与预处理
研究在真实家庭环境中进行，TSA以4Hz的刷新率连续采集数据。采集的数据涵盖了四种主要睡姿及其多种肢体位置变化（如手臂上举/放下、膝盖弯曲/伸直），以增强模型的鲁棒性。预处理包括将原始温度数据通过全局线性归一化转换为8位灰度热图像，并应用定制阈值滤波（设定为28.6°C）来抑制传感器噪声和背景热延迟，同时使用双三次插值法将图像从32×24上采样至384×384分辨率以供CNN处理。
D. CCNN架构
研究人员为四种床上条件分别设计了独立的CCNN模型。这些模型共享相同的核心组件（输入层、卷积层、批量归一化层、ReLU激活层、最大池化层、全连接层、Softmax层和分类层），但关键区别在于卷积层的数量：无被、薄被、中厚被、厚被条件分别对应2、3、4、5层卷积层。这种“自适应深度”策略旨在通过增加网络深度来从衰减更严重的热信号中提取更抽象的特征。所有卷积层均使用5×5的卷积核和10个滤波器。
结论与讨论：
本研究成功开发并验证了一种适用于家庭环境、保护隐私的热成像睡姿监测系统。其主要贡献在于首次系统量化并应对了不同厚度棉被对热成像睡姿分类带来的“信号衰减屏障”。通过采用面向不同隔热条件的定制化CCNN架构，研究实现了在真实家庭场景中高达90.78%的整体分类精度。尽管准确率随棉被增厚而下降，但即使在最困难的厚被条件下，系统仍保持了超过81%的识别能力，证明了该方法的有效性。
这项研究的意义重大。它为非接触式、长期的家庭睡眠监测提供了一种切实可行的技术路径，特别有助于管理位置性睡眠障碍（如体位性睡眠呼吸暂停），因为准确的体位信息是关键诊断指标。该系统避免了可穿戴设备的不适和侵入性摄像头的隐私顾虑。同时，研究建立的稳健睡姿识别框架，为未来将体位数据与睡眠质量预测、睡眠阶段分析相关联奠定了坚实的技术基础。论文也指出了未来方向，包括扩大参与者样本、探索多模态传感器融合，以及将四个独立模型整合成一个能自动识别棉被类型再进行睡姿分类的单一智能系统，以进一步提升其实用性和智能化水平。
