无接触雷达睡眠监测算法与技术架构解析

睡眠质量对身体和情绪健康的益处已得到充分证明，但仍有三分之一的成年人睡眠不足。基于某中心在机器学习和雷达技术领域的专长，旨在发明一种设备，通过全面审视影响良好夜间休息的因素，帮助用户改善睡眠。因此，某中心兴奋地发布了其首款专用睡眠设备——Halo Rise，它是一款集床边睡眠追踪器、唤醒灯和智能闹钟于一体的设备。

Halo Rise 由定制机器学习算法和一套内置传感器驱动，能准确判断用户的睡眠阶段，并提供可用于优化睡眠的宝贵见解，包括关于睡眠环境的信息。该设备无需佩戴传感器、无需充电或打开应用程序。鉴于良好的唤醒体验是优质睡眠的核心，Halo Rise 配备了唤醒灯和智能闹钟，旨在帮助用户以休息充分、精神焕发的状态开始新的一天。

以用户信任为基础的设计

客户隐私和安全是 Halo Rise 的基础，这在其硬件设计和支撑体验的技术中都有体现。Halo Rise 既没有摄像头也没有麦克风，而是依靠环境雷达技术和机器学习来准确判断睡眠阶段：深度睡眠、浅度睡眠、快速眼动睡眠和清醒状态。

Halo Rise 的核心技术是内置的雷达传感器，它能安全地发射和接收超低功率无线电信号。该传感器利用不同天线上反射信号之间的相位差来测量运动和距离。通过芯片上的信号处理，Halo Rise 产生与用户呼吸相对应的离散波形。该设备无法检测与单个用户相关的噪音或视觉标识符，例如身体图像。

使用内置雷达技术能够优先考虑用户隐私，同时仍能提供准确的测量和有用的结果。用户可以选择手动将 Halo Rise 置于待机模式，该模式会关闭设备检测人员存在或追踪睡眠的功能。

直观且准确的体验

为了设计驱动 Halo Rise 的睡眠追踪算法，我们考虑了最常见的就寝行为以及用户及其家人（包括宠物）与卧室互动的方式。这促使我们在五个主要技术领域进行创新：

存在检测：仅当有人在传感器探测范围内时，Halo Rise 才会激活其睡眠检测功能。否则，设备保持在监控模式，不会向云端传输任何数据。
主要用户追踪：Halo Rise 将主要用户（离设备最近的用户）的睡眠与同床其他人或宠物的睡眠区分开来，尽管呼吸信号无法与个体用户关联。
睡眠意图检测：Halo Rise 能检测用户何时开始尝试入睡，并将此尝试与其他床上活动（例如阅读或看电视）区分开，以准确测量入睡所需时间，这是睡眠健康的重要指标。
睡眠阶段分类：Halo Rise 可靠地将呼吸驱动的运动信号与睡眠阶段关联起来。
智能闹钟集成：在用户的闹钟窗口期间，Halo Rise 智能闹钟每隔几分钟检查一次用户的睡眠阶段，以检测浅睡眠，同时最大化睡眠时长。

存在检测

Halo Rise 具有简单的设置过程。用户只需将 Halo Rise 放在床头柜上，使其面向自己的胸部，并在应用程序中注明自己睡在床的哪一侧即可。雷达传感器探测从传感器扇形展开的三维几何体积（称为检测区域）内的运动。在该区域内，存在检测算法估算床的位置以及床与设备之间的“离床”区域。

芯片上的算法检测检测区域内呼吸事件的运动和位置。对于运动和呼吸两种情况，算法都会评估信号的质量。在此基础上，它计算一个置信度分数，表示其认为读数可靠且用户存在的把握程度。只有当置信度分数超过可靠性阈值时，Halo Rise 才会开始将传感器数据流式传输到云端，由主要用户追踪算法进行处理。

主要用户追踪

许多用户会与他人或宠物同床共枕，因此算法设计为仅追踪主要用户的睡眠。Halo Rise 在检测到有人在检测区域内停留超过五分钟后开始睡眠会话。随后，主要用户追踪算法在后台持续运行，感知最近用户的睡眠阶段。只要用户睡在自己的那侧床，其伴侣睡在另一侧，Halo Rise 就会追踪主要用户的睡眠质量，无论谁先上床睡觉，谁最后起床。

在睡眠会话期间，Halo Rise 动态监测用户与传感器距离的变化、呼吸信号质量以及表示他人存在的呼吸模式突变。这些变化促使算法重新评估是否正在感知目标用户，并忽略与主要用户无关的数据。例如，如果用户在伴侣已经睡着后上床，或者如果他们在半夜上厕所，Halo Rise 会检测到这些情况并相应调整睡眠结果。

睡眠意图检测

面临的另一个重大算法挑战是确定用户何时是在床上安静地坐着阅读电子书或看电视，而不是试图入睡。入睡所需时间（也称为睡眠潜伏期）是睡眠健康的重要指标。时间过短可能是由于睡眠不足，而时间过长则可能是因为难以放松。

为了解决这个问题，我们结合了存在检测和主要用户追踪，以及一个在数万小时睡眠日记数据上训练和评估的机器学习模型，以准确识别用户何时试图入睡。该模型使用从设备流式传输的传感器数据——包括呼吸、运动和距离——来生成睡眠意图分数。然后，该分数通过一个正则化的变点检测算法进行后处理，以确定用户何时试图入睡或醒来。

睡眠阶段分类

像 Halo Band 和 Halo View 这样的可穿戴健康追踪器使用心率和运动信号来判定夜间的睡眠阶段，但 Halo Rise 使用呼吸。为了学习如何可靠地识别这些阶段，需要开发新的机器学习模型。

我们使用了一个丰富多样的临床数据集对一个深度学习模型进行预训练，以预测睡眠阶段。该数据集包括来自学术和研究来源收集的数万小时睡眠数据，其中包含使用临床金标准——多导睡眠图测量的睡眠数据。PSG 研究使用附着在身体上的大量传感器来测量睡眠，包括呼吸感应体积描记术传感器，其输出类似于 Halo Rise 测量的呼吸数据。

使用 RIP 传感器数据预训练模型预测睡眠阶段，使其能够在额外使用与 PSG 同步收集的雷达数据集进行训练之前，就建立起呼吸与睡眠之间关系的有意义表征。为了收集模型的雷达训练数据，与睡眠诊所合作进行了数千小时的 PSG 研究。最终，这使得我们的模型能够仅使用内置雷达，在用户家中舒适的环境下对睡眠阶段进行分类。

更智能的唤醒体验

当在浅睡眠阶段自然醒来时，人们最有可能感到休息充分、精神焕发并准备好迎接新的一天。因此，Halo Rise 配备了模拟日出色彩和逐渐变亮过程的唤醒灯，以及智能闹钟。用户还可以设置与睡眠阶段分类算法集成的可听见的智能闹钟，优化唤醒体验。在计划的唤醒时间之前，可听见的智能闹钟会监测用户的睡眠阶段，并在起床的理想时间唤醒他们。事实证明，这种唤醒灯和智能闹钟的结合可以提高全天的认知和身体表现。

智能闹钟算法的训练围绕两个因素：感知用户何时处于浅睡眠状态以及最大化用户的睡眠时长。对于第一个组件，Halo Rise 需要在闹钟窗口（用户计划闹钟前的 30 分钟）内持续监测睡眠阶段，以识别用户何时进入浅睡眠阶段，即“唤醒窗口”。

在此阶段，算法致力于感知“可唤醒事件”，例如运动或呼吸的变化。这需要增量计算睡眠阶段，以便以低延迟触发闹钟。与许多睡眠算法不同，Halo Rise 不需要整个睡眠会话的数据来对睡眠阶段进行分类，从而允许预测结果在数据流式传输时直接用于闹钟触发。

对于第二个组件，系统的模型经过训练，可以预测在唤醒窗口内触发闹钟的最晚时刻。这确保了当用户在睡眠阶段之间转换时，在闹钟响起之前能获得那些关键的额外睡眠分钟数。

值得信赖的解决方案

为了评估机器学习算法，收集了数千小时的睡眠研究数据，将 Halo Rise 与一百多名睡眠者的 PSG 数据进行比较，并在领先睡眠实验室的指导下开发。虽然睡眠研究通常在睡眠实验室进行，但我们在注册 PSG 技术员的监督下，在参与者家中进行了居家 PSG 研究，以在自然环境下测试设备。

使用了三位不同的注册 PSG 技术员，根据美国睡眠医学会的评分规则可靠地标注真实睡眠阶段。随后，按照睡眠阶段分类评估标准化框架的分析指南，将 Halo Rise 的输出与涵盖 14 项不同睡眠指标（包括睡眠时间、清醒时间、入睡时间以及每 30 秒的准确性）的真实睡眠数据进行比较。这项评估得到了来自 Beta 测试的数千份睡眠日记的补充，将评估范围扩大到多样化的成年人群，以考虑偏好的睡姿、年龄、体型和其他背景条件的差异。
更多精彩内容请关注我的个人公众号公众号（办公AI智能小助手）或者我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）