基于Velostat压阻材料的智能压力电子垫系统及其在人体睡姿与动态活动识别中的应用研究

《IEEE Journal of Selected Areas in Sensors》：Smart Pressure E-Mat for Human Sleeping Posture and Dynamic Activity Recognition

　　本文介绍了一种基于Velostat压阻材料的智能压力电子垫（SPeM）系统，该系统通过深度学习算法实现了对人体睡姿和动态活动的高精度识别。研究团队设计了可折叠、低成本的传感器阵列，采用分离式传感元件设计节省了64%的材料消耗，并通过卷积循环神经网络（CRNN）等架构处理压力图像流数据。实验结果表明，该系统在4种睡姿和13种动态活动识别中准确率分别达到99.3%和96.6%，为医疗监护、健身娱乐等领域提供了非侵入式、可视化的创新解决方案。

　　

随着医疗健康、幼儿教育和健身领域的快速发展，非侵入式的人体活动监测技术日益受到重视。传统的人体活动识别（HAR）技术主要依赖可穿戴传感器和视觉系统，但前者需要佩戴多个传感器设备，后者则受光照环境影响且涉及隐私问题。压力传感技术因其结构简单、无害化和可视化等优势成为新兴研究方向，但现有系统在灵活性、成本和精度方面仍存在局限。

在这项发表于《IEEE Journal of Selected Areas in Sensors》的研究中，研究人员开发了一套基于Velostat压阻材料的智能压力电子垫（SPeM）系统。该系统通过特殊设计的传感器阵列采集人体压力分布数据，生成压力图像流，并利用深度神经网络（DNN）进行睡姿和动态活动识别。研究团队创新性地采用分离式传感元件设计，不仅节省材料，还减少了信号串扰问题。

关键技术方法包括：1）设计27×27分辨率的压阻传感器阵列，尺寸为2.030×1.525米，单价220美元；2）开发信号处理子系统，包含模拟多路复用器和运算放大器；3）构建三种DNN架构（3D-CNN、CRNN、CDNN）处理压力图像流；4）采集14名受试者（11男3女，年龄21-30岁）的30000个样本数据，每个样本包含10帧图像。

睡姿识别实验结果

系统成功识别仰卧（Supine）、俯卧（Prone）、左侧卧（Left Lateral）和右侧卧（Right Lateral）四种常见睡姿。通过压力图像可以清晰显示人体轮廓和压力分布，三种DNN模型的识别准确率均超过98.5%，其中CDNN架构达到最高99.3%的准确率。

动态活动识别结果

受任天堂Switch健身环大冒险（RFA）启发，研究设置了13种动态活动（如深蹲、平板支撑、瑜伽姿势等）。实验发现，宽距深蹲（Wide Squat）和过头深蹲（Overhead Squat）因压力模式相似易被误判，但整体识别准确率仍达95.9%以上。CRNN模型在动态活动识别中表现最佳，准确率为96.6%。

分辨率影响分析

通过下采样实验发现，分辨率从27×27降低至10×10时识别准确率仅轻微下降，表明系统在保持精度的同时具备成本优化空间。这种特性使其在不同应用场景（如医疗护理vs家庭娱乐）中可灵活调整参数。

研究团队指出，Velostat材料的非线性电阻特性会导致电压信号波动，这是采用压力图像流而非单张图像作为样本的主要原因。未来工作将重点推进三方面应用：在专业医师指导下开发医疗级产品，与惯性测量单元（IMU）等多传感器融合提升鲁棒性，以及优化阵列设计提高图像分辨率。

该研究首次实现了大规模压力模态数据的系统化采集与分析，为智能医疗监护、人机交互和健康管理提供了创新技术路径。特别是其非侵入式特性和可视化优势，在预防压疮、跌倒检测等老年健康领域展现出重要应用价值。