Research 主题：研究一下光纤和床垫结合实现人体健康监测功能
阅读相关论文
主要通过三个传感器，Ring sensor、Pulse oximeter、Band sensor来实现心率监测，实现路径应该是光强路径，提出了三种不同的数据处理办法：
1. 方法详述
1.1 方法1：滤波信号与峰值检测
1
2
3
4
5
6
7
| \begin{aligned}
&\textbf{技术流程} \\
&1.\ \text{预处理：对原始信号}X\text{应用10点移动平均滤波} \\
&2.\ \text{脉冲检测：计算相邻峰值时间差}T_i \\
&3.\ \text{心率计算：取中值时间}T_m = \text{median}(T_i) \\
&\qquad HR1 = \frac{60}{T_m}\quad(\text{Eq.7})
\end{aligned}
|
1.2 方法2：一阶导数与傅里叶变换
1
2
3
4
5
6
7
| \begin{aligned}
&\textbf{技术流程} \\
&1.\ \text{基线校正：对}X\text{计算一阶导数} \\
&2.\ \text{预处理：10点移动平均滤波} \\
&3.\ \text{频谱分析：FFT后取主频}f_{\text{max}} \\
&\qquad HR2 = f_{\text{max}} \times 60\quad(\text{Eq.8})
\end{aligned}
|
1.3 方法3：已知频率信号卷积
1
2
3
4
5
6
7
8
| \begin{aligned}
&\textbf{技术流程} \\
&1.\ \text{预处理：10点移动平均滤波} \\
&2.\ \text{频率匹配：与预存正弦波}S_c = \sin(2\pi f_c t)\text{卷积} \\
&3.\ \text{最优选择：取最大响应频率} \\
&\qquad HR3 = \arg\max_{f_c}(X \ast S_c)\quad(\text{Eq.9-10}) \\
&\qquad \text{扫描范围：0.33Hz(20BPM)至4Hz(240BPM)}
\end{aligned}
|
2. 性能评估体系
2.1 误差指标
| 指标类型 |
计算公式 |
物理意义 |
| 平均绝对误差 |
$\frac{1}{N}\sum\ |
HR{\text{meas}}-HR{\text{ref}}\ |
$ |
全程测量平均偏差 |
| 时间百分比误差 |
$\frac{\text{帧数}(\ |
\Delta HR\ |
>10\%)}{\text{总帧数}}\times100\%$ |
瞬时精度可靠性 |
2.2 运动检测机制
1
2
3
4
5
| graph TD
A[原始信号] --> B{方差检测}
B -->|超出阈值| C[标记红色区域]
C --> D[暂停数据采集]
B -->|正常范围| E[持续监测]
|
3. 方法对比分析
3.1 计算性能
| 参数 |
方法1 |
方法2 |
方法3 |
| 单帧耗时(ms) |
0.25 |
0.35 |
38.0 |
| CPU占用率 |
★☆☆ |
★★☆ |
★★★ |
| 内存需求 |
5MB |
8MB |
32MB |
3.2 临床精度
| 测试场景 |
方法1(Error%) |
方法2(Error%) |
方法3(Error%) |
| 头部-侧卧 |
2.48 |
7.41 |
4.15 |
| 头部-仰卧 |
2.09 |
6.45 |
2.91 |
| 尾骨-侧卧 |
30.89 |
33.95 |
25.69 |
| 长时睡眠监测 |
20.65 |
22.20 |
21.06 |
多模光纤散斑智能床传感器阵列研究总结
1. 技术实现与核心创新
- 硬件设计：
- 光纤束：7根商用OM1多模光纤（62.5 μm纤芯）捆扎成六边形阵列，两端固定于针头并抛光，形成低成本、可扩展的传感单元。
- 光学系统：633 nm激光通过单模光纤准直后过满激发光纤束，输出端经10倍物镜成像至CCD相机（2 Hz帧率，1928×1448像素）。
- 算法分析：
- ZNCC算法：截取每根光纤200×200像素区域，计算零均值归一化互相关值，量化运动强度。
- 双方法定位：
- 乘法算法：垂直与水平光纤ZNCC值直接相乘$s_{ij} = \text{ZNCC}_i \times \text{ZNCC}_j$，简单实时但假设信号独立。
- 线性规划法：构建欠定方程组（7方程→12未知数），通过MATLAB
linprog求解正矩阵$S_{ij}$，数学严谨但计算复杂。
2. 实验结果与性能验证
- 运动检测：
- 大范围动作：上下床、翻身动作可被精确检测（ZNCC均值显著变化），交叉点信号（(s_{ij})）实现左右侧空间区分（图5a-b）。
- 微动灵敏度：静态呼吸信号（0.0091±0.0037 ZNCC）与离床状态（0.0019±0.0013）显著区分，验证亚毫米级位移检测能力（图5c）。
- 生理响应：剧烈运动后传感器响应增强（图6），反映心率/呼吸变化，但受限于2 Hz采样率。
- 静态监测：即使患者静止，传感器通过心跳/呼吸微动判断在床状态（ZNCC差异达3倍标准差）。
3. 医疗应用场景与价值
| 应用方向 |
技术优势 |
临床价值 |
| 跌倒风险预警 |
空间运动模式分析（如起身预动作） |
提前5-10秒预警，降低住院患者跌倒率 |
| 压疮预防 |
生成“压力-时间热图”，量化翻身频率 |
减少压疮发生率30%-50%，优化护理资源 |
| 呼吸监测 |
无创连续检测呼吸频率（未来可扩展至心率） |
替代接触式设备，提升ICU/老年病房监测覆盖率 |
4. 当前局限与未来优化
- 技术瓶颈：
- 分辨率限制：12交叉点空间覆盖有限，2 Hz采样率无法解析呼吸/心跳细节。
- 环境干扰：床垫材质振动可能影响信号稳定性。
- 升级路径：
- 硬件：扩展至19光纤（90交叉点），采用高速相机（≥100 Hz）。
- 算法：融合机器学习（如CNN）实现复杂动作分类，结合多模态数据（温度/压力）。
- 集成设计：开发嵌入式床垫，确保舒适性与耐久性。
5. 行业影响与展望
- 医疗护理革新：
- 院内应用：替代传统压力传感器，实现离床报警、压疮风险提示、呼吸监测三合一功能，预计降低护理人力成本20%-30%。
多模光纤散斑传感（FSS）与深度学习在呼吸监测中的研究总结
1. 技术原理与动态传感机制
- 散斑形成：相干光在多模光纤中激发多个导模，其干涉形成复杂散斑图，峰值数量与模式数正相关。
- 动态响应：外界扰动（如呼吸、弯曲、温度）改变模式相位差或耦合，导致散斑动态变化，包含光纤状态信息。
- 静态 vs 动态分析：静态散斑图无法捕捉动态生理信号（测试准确率仅32%），验证了时序信息在呼吸监测中的必要性。
2. 实验设计与数据采集
- 光纤参数：50 μm芯径、0.22数值孔径多模光纤（理论支持740模式/偏振），缝制于医用床垫形成7圈传感网络。
- 光学系统：633 nm激光经准直与非球面透镜耦合至光纤，40倍物镜成像至CMOS相机（2048×1536像素，3.45 μm/像素）。
- 数据构建：
- 呼吸控制：受试者按10/15/20/25/30 bpm呼吸，覆盖正常至恶化范围。
- 多场景模拟：4种体位（胸、背、左右侧）、不同衣物与环境参数（20天采集），增强数据多样性。
- 视频处理：1分钟视频（1800帧）降采样至150×150像素，分割为30段（60帧/段）并重组为2D时空图像（60×22500像素）。
3. 深度学习模型与性能
- CNN架构：
- 浅层模型：单卷积层+双全连接层（7k参数），测试准确率75%，高频呼吸分类能力弱。
- 深层模型：多级卷积+全连接层（46M参数），测试准确率98%，显著捕捉动态模式。
- 控制实验：
- 静态图像分类：验证动态信息必要性（测试准确率32%）。
- 阴性对照（AM/PM分类）：测试准确率53%，排除昼夜环境干扰。
4. 创新点与临床价值
- 动态传感突破：首次将光纤散斑动态变化与CNN结合，实现非侵入式呼吸监测，准确率98%。
- 医疗场景适配：光纤网络可集成于床垫，实时监测生命体征（呼吸、心率、体动），缓解医护人力短缺。
- 成本与扩展性：利用低成本多模光纤，无需复杂修饰，支持分布式传感。
自己的一些想法
三篇论文的对比
第一篇主要走的是光强信号获取和提取信息的路线，物理结构上有band、ring形态。
第二篇也是光强信号获取，同时用了相关归一化手段ZNCC，比较特别地采用了线性规划方式及，通过3+4个光强信号来判定3X4的位置点的状态。
第三篇则是利用时间序列的散斑图像卷积得出分类结果，只是用了单通道光纤。思路有点像之前数据挖掘大作业中做的动作预测，我认为可以用LSTM相关模型优化，但是这里将心率测试问题转化为了分类问题，我觉得有所不妥。
| 维度 |
第一篇（光强信号+物理结构） |
第二篇（光强信号+ZNCC+线性规划） |
第三篇（散斑时序图像+CNN分类） |
| 核心原理 |
基于光纤弯曲/拉伸引起的光强变化，通过特定物理结构（band/ring）增强局部灵敏度。 |
利用光强信号的相关性（ZNCC归一化）和线性规划算法，通过多通道信号联合定位（3×4网格）。 |
动态散斑模式的时间序列特征提取，通过CNN分类实现呼吸/心率监测。 |
| 信号类型 |
单点/多点光强信号（标量）。 |
多通道光强信号（3+4通道）的联合分析。 |
散斑图像序列（二维时空矩阵）。 |
| 数据处理方法 |
直接光强阈值或简单滤波（如滑动平均）。 |
归一化互相关（ZNCC）消除基线漂移，线性规划模型解算位置状态。 |
图像降采样+时空重组+CNN特征提取。 |
| 硬件复杂度 |
低（单通道光纤+简单结构）。 |
中（多通道光纤+布局优化）。 |
中（高分辨率相机+精密光路）。 |
| 适用场景 |
粗粒度动作检测（如体动、离床）。 |
高精度位置/压力分布监测（如体压点定位）。 |
高灵敏度生理信号监测（如呼吸、心率）。 |
| 优缺点 |
优点：低成本、实时性强；
缺点：易受环境干扰、灵敏度低。 |
优点：抗干扰性强、空间分辨率高；
缺点：多通道布线复杂、计算开销大。 |
优点：信息密度高、动态特征丰富；
缺点：需高算力设备、数据预处理复杂。 |
一些必要搞清楚的问题
- 床垫健康检测需要有什么样的功能（心率？呼吸？动作？睡眠质量？）
- 信号处理和分析的落实设备（手机还是直连电脑，还是单独处理器）
- 实现路径该如何确定，算法上要走光强路线、散斑图像分析路线？硬件上要设立几通道光纤？光纤的布置形式该如何？（band、coil、ring）
