基于RFID嵌入式床垫的运动员睡眠障碍检测技术研究

一、研究背景：运动员睡眠障碍的识别需求

运动员的竞技状态不仅依赖于训练量和技术能力，也高度依赖于恢复质量，而恢复的核心在于深度、高质量的睡眠。睡眠紊乱问题在高强度竞技环境中普遍存在，典型表现为睡眠呼吸暂停综合征（Sleep Apnea）、失眠（Insomnia）与夜间躁动等现象，这些问题严重干扰深度睡眠阶段，影响身体代谢、认知功能与神经系统恢复效率。

其中，仰卧位睡姿对气道压力影响较大，是诱发呼吸暂停的高风险体位；而频繁变换睡姿则往往暗示神经系统激活、焦虑或慢性失眠问题。传统多导睡眠图（PSG）尽管是标准检测手段，但其成本高、舒适性差、场景适应性弱，难以在日常或运动康复场景中广泛部署。因此，需要一种可持续监测、非侵入式、具备动态分析能力的检测机制。

本研究（来源：scientific reports）提出的RFID嵌入式床垫系统，正是针对上述需求，构建一种融合被动射频识别技术与姿态识别算法的低功耗睡眠状态检测平台，以实现对睡姿、动作频率与睡眠行为的高精度解析，为睡眠障碍识别与干预提供技术支撑。

二、系统结构设计：床垫多层构造与传感布局

该智能床垫系统以152 cm × 196 cm标准床垫为基础，共嵌入343个无源RFID传感标签（分布为7 × 49网格），构建三维坐标感知网络。床垫结构分为五层：

1、舒适表层：与人体直接接触，负责压力均匀分布；

2、导电弹性层：通过调节压强和位移改变天线回波特征，反映压力变化，同时作为电磁屏蔽层，防止长时间辐射暴露；

3、传感矩阵层：记录各点压强变化，形成空间位移图；

4、非导电结构层：增强结构稳定性，屏蔽外部金属干扰；

5、底部天线阵列：安装RFID阅读器接收信号并实时回传至计算平台。

用于睡眠行为测试设置的 RFID嵌入式床垫

RFID嵌入式床垫层（侧视图）

此结构确保系统既能保持被动激活条件下的高灵敏度响应，又能满足长时间使用时的人体工学要求和电磁安全标准。

三、数据采集流程与处理方法

在实际应用过程中，床垫下方配置的RFID读取天线以6 dBi增益读取标签数据，传感标签为ISO18000-6C协议下的H47无源标签（40 mm × 40 mm）。系统每秒读取700次，总采集时间为10秒，单次试验产生约120万个数据点。

数据记录结构如下：

（1）每个标签的EPC（电子产品码）；

（2）平均幅度与相位信息；

（3）每点最大值、最小值与标准差；

（4）标签二维坐标（x, y）与因体重压力造成的z方向位移。

数据采集流程如图3所示，分为：

（1）检测床上是否有人；

（2）若有人，延迟10秒后开始采集；

（3）检测是否有移动；

（4）若有移动，暂停采集并判断是否离床；

（5）若离床，计数一次出入行为，并重置状态。

数据经Visual Basic脚本解析并导入Excel，随后用MATLAB执行预处理流程，包括数据标准化与5%高斯滤波，以确保输入模型的数据稳定性。

姿势识别数据采集流程图

四、姿态与行为识别建模：回归算法构建识别模型

实验以五名受试者为样本，分别记录其在仰卧（supine）与俯卧（prone）两种体位下的传感响应。由压力集中度（z方向变形）差异判别体位。因传感点位固定（x、y为常数），z轴变化为分类依据，因此研究选择回归模型分析。

模型选型：

（1）高斯过程回归（GPR）：建模非线性压力分布变化，适用于细微姿态差异与睡眠中段动作捕捉；

（2）线性回归（LR）：快速判别大体姿态方向（仰卧/俯卧）和整体移动趋势。

数据集设置如下：

（1）人体识别任务：5组数据（各对应1人），测试集20%，训练集80%，GPR处理；

（2）姿态识别任务：2组数据（仰卧/俯卧），同样20%测试集，LR处理。

采用5折交叉验证方式，对每组模型计算RMSE（均方根误差）评估模型性能。

五、结果分析：模型性能与系统有效性验证

本研究系统在姿态识别和动作监测方面均展现出良好性能：

（1）姿态识别任务RMSE：0.42165，误差较小，可精确还原体位分布结构；

（2）动作频率检测RMSE：0.14501，响应速度高，可捕捉夜间频繁翻身或躁动行为；

（3）数据实时性强，可实现10秒级别行为响应；

该精度水平在现有无接触式监测体系中具有较强竞争力，特别适合对失眠、睡眠呼吸障碍等问题的早期识别。通过频率与体位结合判断，还可初步区分睡眠阶段或判定行为干扰。

六、系统特性总结与应用价值分析

与其他睡眠监测技术相比（如雷达、压力传感器、图像识别系统），RFID系统具备以下特点：

非接触性：避免贴附穿戴，提升用户舒适度；

无源标签结构：降低系统成本，适用于大范围部署；

空间定位能力强：在床面可达毫米级分辨；

实时性与可扩展性高：便于集成至医院、康复中心、训练基地或家庭场景。

通过体位数据与动作频率结合，该系统具备以下识别能力：

（1）判断睡眠行为是否过于频繁变换，提示失眠风险；

（2）识别长时间仰卧且无移动，提示潜在呼吸暂停；

（3）监测起夜频率，辅助分析夜尿或慢性疼痛等问题。

系统不依赖于主动操作，适合连续观察与趋势判断，为运动心理干预与康复计划提供动态反馈依据。