簡介這份PDF文獻(xiàn)面向人工智能與智能硬件方向的開發(fā)者、高校師生及健康監(jiān)測(cè)領(lǐng)域研究者系統(tǒng)講解如何利用脈搏與加速度傳感器構(gòu)建全自動(dòng)睡眠監(jiān)測(cè)方案。核心思路是通過分析脈搏數(shù)與動(dòng)作數(shù)兩組時(shí)間序列的變化趨勢(shì)并借助雙傳感器相互驗(yàn)證精準(zhǔn)捕捉用戶由清醒轉(zhuǎn)入睡眠的臨界時(shí)間點(diǎn)進(jìn)而確定睡眠狀態(tài)下的脈搏閾值與動(dòng)作閾值實(shí)現(xiàn)無需人工干預(yù)的睡眠識(shí)別并可聯(lián)動(dòng)燈光、空調(diào)等電器完成智能控制。資源包共1個(gè)PDF文件約1.15MB內(nèi)容涵蓋睡眠監(jiān)測(cè)原理、參數(shù)采集與數(shù)據(jù)分析算法、智能算法設(shè)計(jì)及多設(shè)備系統(tǒng)整合等關(guān)鍵技術(shù)環(huán)節(jié)同時(shí)涉及機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘方法的應(yīng)用。目前已有459人學(xué)習(xí)適合希望深入理解生理信號(hào)處理、閾值自適應(yīng)設(shè)定與智能家居聯(lián)動(dòng)邏輯的讀者參考也可為睡眠相關(guān)疾病的早期發(fā)現(xiàn)與輔助診斷提供思路。1. 智能睡眠監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)從一份 PDF 標(biāo)題拆出可落地的工程路徑很多人第一次看到「智能睡眠監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf」這個(gè)標(biāo)題會(huì)下意識(shí)覺得這是一份課程設(shè)計(jì)或者畢業(yè)設(shè)計(jì)的文檔。但如果你真的在硬件圈或者健康 IoT 方向待過就會(huì)知道這個(gè)標(biāo)題背后藏著的是一套完整的端到端工程鏈路從傳感器選型、信號(hào)采集、邊緣側(cè)特征提取到睡眠分期算法、數(shù)據(jù)上云、App 可視化每一環(huán)都有它自己的坑。我之所以愿意花時(shí)間把這個(gè)標(biāo)題拆開講是因?yàn)樗弑O(jiān)測(cè)這個(gè)方向這兩年確實(shí)熱雷達(dá)、壓電、PPG、加速度計(jì)各種方案都在往消費(fèi)級(jí)產(chǎn)品里塞但真正能跑通「采集—分期—反饋」閉環(huán)的團(tuán)隊(duì)并不多。這篇文章面向的是想動(dòng)手做一套睡眠監(jiān)測(cè)系統(tǒng)的嵌入式工程師、算法工程師和產(chǎn)品技術(shù)負(fù)責(zé)人我會(huì)按「先立住原理、再動(dòng)手復(fù)現(xiàn)、最后講清邊界」的順序把這條鏈路講透讓你看完能判斷自己該從哪一層切入、參數(shù)怎么定、哪些地方最容易翻車。2. 睡眠監(jiān)測(cè)系統(tǒng)的信號(hào)層選型雷達(dá)、壓電還是 PPG2.1 三種主流傳感方案的物理本質(zhì)與適用邊界做睡眠監(jiān)測(cè)第一步永遠(yuǎn)是決定「用什么感知人在床上的狀態(tài)」。目前消費(fèi)級(jí)和準(zhǔn)醫(yī)療級(jí)產(chǎn)品里最常見的三條路線是毫米波雷達(dá)、壓電薄膜/壓阻帶、以及光電容積脈搏波PPG。它們的物理本質(zhì)完全不同直接決定了后面算法能做到什么程度。毫米波雷達(dá)走的是電磁波反射路徑通常用 60GHz 或 24GHz 頻段通過檢測(cè)胸腔微動(dòng)來提取呼吸和心跳引起的體表位移。它的優(yōu)勢(shì)是非接觸、可以穿透被褥能同時(shí)拿到呼吸率和心率而且對(duì)體位變化不敏感。缺點(diǎn)是雷達(dá)原始數(shù)據(jù)維度高I/Q 兩路信號(hào)加上距離維、多普勒維數(shù)據(jù)率輕松上到每秒幾百 KB對(duì)邊緣算力和內(nèi)存帶寬有要求。另外雷達(dá)對(duì)金屬彈簧床墊和風(fēng)扇葉片這類運(yùn)動(dòng)干擾比較敏感這是實(shí)際部署時(shí)經(jīng)常被忽略的一點(diǎn)。壓電薄膜或者壓阻帶走的是力學(xué)路徑人躺在上面時(shí)胸腔起伏和心跳搏動(dòng)會(huì)對(duì)傳感器施加周期性壓力輸出一個(gè)微弱的電荷或電阻變化信號(hào)。它的優(yōu)勢(shì)是成本極低、模擬前端簡單、功耗可以做到微安級(jí)非常適合電池供電的床墊貼片。但它的致命傷是信號(hào)幅度高度依賴體位和體重分布側(cè)睡和仰睡的信號(hào)形態(tài)差異巨大而且無法區(qū)分「兩個(gè)人同床」的場(chǎng)景。PPG 走的是光學(xué)路徑通常集成在指夾、腕帶或者耳塞上通過綠光或紅外光的吸收變化來提取脈搏波。它的優(yōu)勢(shì)是心率精度高、模組成熟、成本可控。但 PPG 在睡眠場(chǎng)景下的最大問題是運(yùn)動(dòng)偽影和佩戴舒適度——沒人愿意睡覺時(shí)手指上夾個(gè)東西腕帶在翻身時(shí)也容易松脫導(dǎo)致信號(hào)丟失。方案感知量典型采樣率功耗量級(jí)主要干擾源適合場(chǎng)景毫米波雷達(dá)體表微動(dòng)位移1k10k SPS幾十到幾百 mW金屬床架、風(fēng)扇、寵物非接觸式整床監(jiān)測(cè)壓電薄膜壓力/電荷變化100500 SPS微安到毫安級(jí)體位變化、同床干擾低成本床墊貼片PPG光吸收變化25100 Hz幾到幾十 mW運(yùn)動(dòng)偽影、佩戴松動(dòng)可穿戴單人多晚監(jiān)測(cè)選型時(shí)我一般會(huì)先問三個(gè)問題第一產(chǎn)品形態(tài)是整床還是可穿戴第二是否需要心率以外的生理參數(shù)第三BOM 成本卡在什么區(qū)間如果答案是「整床、只要呼吸和體動(dòng)、成本敏感」壓電方案優(yōu)先如果「整床、要心率、能接受稍高算力」雷達(dá)更合適如果「可穿戴、要連續(xù)心率、能接受佩戴約束」PPG 是成熟選擇。2.2 模擬前端與采樣參數(shù)的最小可用配置確定傳感方案之后下一步是把模擬信號(hào)變成數(shù)字信號(hào)。這一步的參數(shù)設(shè)置直接決定了后面算法能不能跑出可用的呼吸率和心率。以壓電薄膜為例它的輸出是電荷信號(hào)需要先經(jīng)過電荷放大器轉(zhuǎn)成電壓再經(jīng)過高通和低通濾波最后送入 ADC。呼吸信號(hào)的基頻通常在 0.10.5 Hz心跳信號(hào)在 0.82.0 Hz體動(dòng)信號(hào)則集中在 0.510 Hz 且幅度遠(yuǎn)大于呼吸和心跳。所以模擬前端的通帶一般設(shè)在 0.0510 Hz既能保留呼吸和心跳又能抑制工頻干擾和高頻噪聲。采樣率不需要太高呼吸和心跳的最高頻率不超過 5 Hz按奈奎斯特采樣定理10 Hz 就夠了但實(shí)際工程里我一般會(huì)取 50100 SPS留出足夠的余量做數(shù)字濾波和峰值檢測(cè)。下面是一段用 Python 模擬壓電信號(hào)采集和預(yù)處理的代碼你可以直接拿去驗(yàn)證自己的模擬前端參數(shù)是否合理import numpy as np from scipy import signal # 模擬參數(shù)采樣率 100 Hz時(shí)長 30 秒 fs 100 t np.linspace(0, 30, 30 * fs, endpointFalse) # 構(gòu)造合成信號(hào)呼吸 0.25 Hz 心跳 1.2 Hz 體動(dòng)噪聲 breath 1.0 * np.sin(2 * np.pi * 0.25 * t) heart 0.15 * np.sin(2 * np.pi * 1.2 * t) motion 0.5 * np.random.randn(len(t)) * (np.abs(np.sin(2 * np.pi * 0.05 * t)) 0.7) raw breath heart motion # 帶通濾波0.15 Hz保留呼吸和心跳壓制體動(dòng)高頻 b, a signal.butter(4, [0.1, 5.0], btypebandpass, fsfs) filtered signal.filtfilt(b, a, raw) # 用峰值檢測(cè)估算呼吸率 peaks, _ signal.find_peaks(filtered, distancefs*1.5, height0.3) breath_rate 60.0 / np.mean(np.diff(peaks) / fs) if len(peaks) 1 else 0 print(f估算呼吸率: {breath_rate:.1f} 次/分鐘)這段代碼的邏輯是先用正弦波合成一個(gè)已知頻率的呼吸和心跳信號(hào)再疊加隨機(jī)體動(dòng)噪聲然后用四階巴特沃斯帶通濾波器把 0.15 Hz 之外的成分濾掉最后用find_peaks做峰值檢測(cè)來估算呼吸率。參數(shù)上distancefs*1.5表示兩個(gè)呼吸峰之間至少間隔 1.5 秒對(duì)應(yīng)最高 40 次/分鐘的呼吸率覆蓋了正常成年人的范圍height0.3是峰值幅度閾值實(shí)際使用時(shí)需要根據(jù)信號(hào)幅度做自適應(yīng)調(diào)整。提示filtfilt是零相位濾波不會(huì)引入群延遲適合離線分析如果要在嵌入式端做實(shí)時(shí)處理得換成lfilter并自己補(bǔ)償延遲。3. 睡眠分期算法的工程實(shí)現(xiàn)從特征到階段判定3.1 特征提取時(shí)域、頻域和非線性特征怎么選睡眠分期的本質(zhì)是一個(gè)多分類問題通常按 AASM 標(biāo)準(zhǔn)分成清醒、淺睡N1N2、深睡N3和 REM 四類。但消費(fèi)級(jí)產(chǎn)品不會(huì)直接輸出 AASM 分期而是輸出「深睡時(shí)長」「淺睡時(shí)長」「REM 時(shí)長」這些聚合指標(biāo)。不管輸出形式如何中間都繞不開特征提取。時(shí)域特征最直觀呼吸率變異系數(shù)、心率變異系數(shù)、體動(dòng)指數(shù)、信號(hào)包絡(luò)的均值和方差。這些特征計(jì)算量小適合在 MCU 上實(shí)時(shí)跑。頻域特征需要做 FFT 或者功率譜密度估計(jì)常用的是呼吸頻帶功率、心跳頻帶功率、以及低頻/高頻功率比。非線性特征包括樣本熵、近似熵、去趨勢(shì)波動(dòng)分析DFA這些在區(qū)分 REM 和 NREM 時(shí)有一定價(jià)值但計(jì)算量偏大一般放在云端做。我自己的經(jīng)驗(yàn)是如果只做四分類的粗粒度分期時(shí)域特征加頻域特征就夠用了特征維度控制在 1525 維再高就容易過擬合。如果要做更細(xì)的 N1/N2/N3 區(qū)分才需要引入非線性特征。3.2 用隨機(jī)森林做四分類的最小可跑通流程算法選型上睡眠分期這個(gè)任務(wù)的數(shù)據(jù)量通常不大單個(gè)受試者一晚也就幾百到幾千個(gè) 30 秒 epoch。深度學(xué)習(xí)雖然火但在小樣本上容易翻車我一般會(huì)先用隨機(jī)森林或者梯度提升樹XGBoost/LightGBM跑一個(gè) baseline確認(rèn)特征和標(biāo)簽的對(duì)應(yīng)關(guān)系沒問題再考慮上 LSTM 或者 Transformer。下面是一個(gè)用隨機(jī)森林做四分類的完整流程數(shù)據(jù)格式假設(shè)是每個(gè) epoch 提取好的特征向量import numpy as np from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import cross_val_score from sklearn.preprocessing import StandardScaler # 假設(shè) X 是 n_epochs x n_features 的特征矩陣 # y 是 0清醒, 1淺睡, 2深睡, 3REM # 這里用隨機(jī)數(shù)據(jù)演示流程實(shí)際使用時(shí)替換成自己的特征和標(biāo)簽 np.random.seed(42) n_epochs 800 n_features 20 X np.random.randn(n_epochs, n_features) y np.random.randint(0, 4, n_epochs) # 標(biāo)準(zhǔn)化樹模型其實(shí)不強(qiáng)制但方便后面換模型 scaler StandardScaler() X_scaled scaler.fit_transform(X) # 隨機(jī)森林樹數(shù)量 200最大深度限制在 8 防止過擬合 clf RandomForestClassifier( n_estimators200, max_depth8, min_samples_leaf5, class_weightbalanced, random_state42 ) # 五折交叉驗(yàn)證看每類的 F1 scores cross_val_score(clf, X_scaled, y, cv5, scoringf1_macro) print(f五折 F1-macro: {scores.mean():.3f} ± {scores.std():.3f}) # 訓(xùn)練最終模型并輸出特征重要性 clf.fit(X_scaled, y) importances clf.feature_importances_ top_idx np.argsort(importances)[::-1][:5] print(Top 5 重要特征索引:, top_idx)這段代碼的關(guān)鍵參數(shù)有三個(gè)n_estimators200是樹的數(shù)量太少方差大太多訓(xùn)練慢且收益遞減200 是一個(gè)比較穩(wěn)的起點(diǎn)max_depth8限制單棵樹深度防止把訓(xùn)練集里的噪聲也學(xué)進(jìn)去class_weightbalanced是因?yàn)樗叻制诶餃\睡 epoch 通常占一半以上不加權(quán)的話模型會(huì)偏向多數(shù)類。交叉驗(yàn)證用f1_macro而不是準(zhǔn)確率也是因?yàn)轭悇e不均衡準(zhǔn)確率會(huì)虛高。注意實(shí)際做睡眠分期時(shí)標(biāo)簽的可靠性比模型選擇重要得多。如果標(biāo)簽來自 PSG多導(dǎo)睡眠圖那沒問題如果標(biāo)簽來自用戶手動(dòng)標(biāo)注或者粗略的作息記錄那模型再強(qiáng)也跑不出有意義的精度。4. 數(shù)據(jù)鏈路與邊緣部署從傳感器到 App 的完整通路4.1 邊緣側(cè)數(shù)據(jù)壓縮與上傳策略睡眠監(jiān)測(cè)系統(tǒng)通常要連續(xù)跑 68 小時(shí)原始信號(hào)如果全量上傳流量和功耗都扛不住。以雷達(dá)為例I/Q 兩路 16 位采樣、1k SPS一小時(shí)就是 115 MB 左右一晚接近 1 GB。所以邊緣側(cè)必須做壓縮或者特征提取。常見的做法是分兩級(jí)第一級(jí)在 MCU 上做實(shí)時(shí)特征提取每 30 秒輸出一個(gè)特征向量數(shù)據(jù)量降到幾百字節(jié)第二級(jí)在網(wǎng)關(guān)或者手機(jī)端做原始信號(hào)的降采樣存儲(chǔ)只保留呼吸和心跳頻帶內(nèi)的成分采樣率降到 1025 Hz這樣一晚的數(shù)據(jù)量能壓到 10 MB 以內(nèi)。如果產(chǎn)品要求保留原始波形用于后續(xù)算法迭代那就得用無損或者近無損壓縮。我一般會(huì)推薦差分編碼加 Huffman 或者簡單的 RLE在 MCU 上就能實(shí)現(xiàn)壓縮比能到 35 倍。4.2 用 MQTT 把睡眠數(shù)據(jù)推到后端的配置要點(diǎn)數(shù)據(jù)上云這一步MQTT 是睡眠監(jiān)測(cè)系統(tǒng)里最常用的協(xié)議因?yàn)樗p量、支持 QoS、適合低帶寬場(chǎng)景。下面是一個(gè)用 Python 模擬設(shè)備端發(fā)布睡眠數(shù)據(jù)的例子import paho.mqtt.client as mqtt import json import time # Broker 配置實(shí)際使用時(shí)替換成自己的地址和端口 BROKER your-broker-address PORT 1883 TOPIC sleep/device/001/epoch client mqtt.Client(client_idsleep_device_001) client.connect(BROKER, PORT, keepalive60) # 模擬每 30 秒上報(bào)一個(gè) epoch 的特征和分期結(jié)果 for i in range(10): payload { device_id: 001, epoch_index: i, timestamp: int(time.time()), breath_rate: 14.5 i * 0.1, heart_rate: 62 i * 0.2, stage: light if i % 3 ! 0 else deep } client.publish(TOPIC, json.dumps(payload), qos1) time.sleep(1) client.disconnect()這里qos1表示至少送達(dá)一次適合睡眠數(shù)據(jù)這種不能丟的場(chǎng)景keepalive60是心跳間隔如果設(shè)備在 60 秒內(nèi)沒有發(fā)任何包broker 會(huì)認(rèn)為連接斷開。實(shí)際部署時(shí)還要考慮斷網(wǎng)重連和本地緩存否則用戶家里路由器重啟一次整晚數(shù)據(jù)就斷了。5. 避坑與排查睡眠監(jiān)測(cè)系統(tǒng)落地時(shí)最容易翻車的五個(gè)地方5.1 呼吸率忽高忽低像坐過山車現(xiàn)象同一晚的呼吸率曲線在 825 次/分鐘之間反復(fù)跳變完全沒有生理合理性。原因最常見的是體動(dòng)偽影沒有被正確剔除。翻身時(shí)壓電信號(hào)會(huì)出現(xiàn)一個(gè)遠(yuǎn)大于呼吸的尖峰峰值檢測(cè)算法會(huì)把它當(dāng)成一個(gè)呼吸周期導(dǎo)致瞬時(shí)呼吸率被拉高。另一個(gè)原因是帶通濾波器的截止頻率設(shè)得太寬把體動(dòng)頻帶也放進(jìn)來了。解決在峰值檢測(cè)前加一個(gè)體動(dòng)檢測(cè)環(huán)節(jié)用滑動(dòng)窗口的方差或者短時(shí)能量判斷當(dāng)前 epoch 是否處于體動(dòng)狀態(tài)如果是就標(biāo)記為無效 epoch不參與呼吸率計(jì)算。同時(shí)把帶通濾波的上限從 5 Hz 降到 2 Hz犧牲一點(diǎn)心跳信號(hào)質(zhì)量換呼吸率的穩(wěn)定性。5.2 深睡時(shí)長每晚都是零現(xiàn)象連續(xù)多晚的分期結(jié)果里深睡階段占比始終低于 1%但用戶主觀感覺睡得很沉。原因深睡期的特征和淺睡期在時(shí)域上差異不大主要區(qū)別在呼吸變異性降低和體動(dòng)減少。如果特征集里沒有包含呼吸率變異系數(shù)和體動(dòng)指數(shù)模型根本學(xué)不到深睡的模式。另一個(gè)可能是訓(xùn)練數(shù)據(jù)里深睡樣本太少模型直接放棄了這一類。解決在特征里顯式加入呼吸率標(biāo)準(zhǔn)差、心率標(biāo)準(zhǔn)差、以及每分鐘體動(dòng)次數(shù)。如果深睡樣本占比低于 5%用 SMOTE 做 oversampling 或者調(diào)高class_weight里深睡類的權(quán)重。5.3 雷達(dá)方案在金屬床架上完全失效現(xiàn)象同一套雷達(dá)設(shè)備在木板床上工作正常換到金屬彈簧床架后信號(hào)幅度下降 80% 以上呼吸率完全算不出來。原因金屬床架對(duì) 60GHz 毫米波的反射率極高雷達(dá)接收到的回波里床架反射占主導(dǎo)胸腔微動(dòng)信號(hào)被淹沒。這不是算法能解決的問題是物理層的信噪比不夠。解決換用 24GHz 頻段穿透性和反射特性不同對(duì)金屬的敏感度低一些或者把雷達(dá)安裝位置從床底改到床頭側(cè)面避開床架的正反射路徑。如果都不行只能換傳感方案。5.4 MQTT 數(shù)據(jù)在凌晨 3 點(diǎn)集中丟失現(xiàn)象白天測(cè)試一切正常但用戶反饋凌晨 3 點(diǎn)左右的數(shù)據(jù)經(jīng)常缺失App 上顯示一段空白。原因很多家用路由器會(huì)在凌晨做信道優(yōu)化或者固件更新導(dǎo)致 Wi-Fi 短暫斷開。如果設(shè)備端沒有本地緩存和斷線重連機(jī)制這段時(shí)間的數(shù)據(jù)就永久丟了。解決在設(shè)備端加一個(gè)環(huán)形緩沖區(qū)斷網(wǎng)時(shí)把數(shù)據(jù)先存本地 Flash重連后按時(shí)間戳補(bǔ)傳。同時(shí)把 MQTT 的clean_session設(shè)為False讓 broker 保留會(huì)話狀態(tài)重連后能收到離線期間的消息。5.5 模型在實(shí)驗(yàn)室精度 90%上線后掉到 60%現(xiàn)象交叉驗(yàn)證 F1 穩(wěn)定在 0.9 以上但部署到真實(shí)用戶家里后分期結(jié)果和用戶主觀感受嚴(yán)重不符。原因?qū)嶒?yàn)室數(shù)據(jù)通常來自健康成年人、標(biāo)準(zhǔn)作息、固定床位真實(shí)用戶里有打鼾的、有起夜的、有寵物的、有兩個(gè)人同床的。域偏移domain shift是睡眠監(jiān)測(cè)落地最大的黑匣子。解決在訓(xùn)練集里盡可能覆蓋不同年齡段、不同 BMI、不同睡眠習(xí)慣的受試者。如果做不到至少在推理端加一個(gè)置信度輸出當(dāng)模型對(duì)某個(gè) epoch 的預(yù)測(cè)概率低于閾值時(shí)標(biāo)記為「不確定」而不是強(qiáng)行給一個(gè)分期結(jié)果。6. 用 SHAP 做特征歸因判斷你的睡眠分期模型是不是在瞎猜模型跑通之后我一般不會(huì)只看 F1而是會(huì)做一次特征歸因看看模型到底在依賴哪些特征做判斷。這一步在睡眠監(jiān)測(cè)里特別重要因?yàn)槿绻Ｐ椭饕俊阁w動(dòng)指數(shù)」來區(qū)分清醒和睡眠那它本質(zhì)上就是一個(gè)活動(dòng)記錄儀呼吸和心跳特征根本沒起作用換個(gè)場(chǎng)景就會(huì)翻車。SHAP 是目前做樹模型歸因最順手的工具計(jì)算量可控輸出也直觀。下面是一個(gè)最小示例import shap import numpy as np from sklearn.ensemble import RandomForestClassifier # 復(fù)用前面的特征矩陣和標(biāo)簽 np.random.seed(42) X np.random.randn(800, 20) y np.random.randint(0, 4, 800) clf RandomForestClassifier(n_estimators200, max_depth8, random_state42) clf.fit(X, y) # 用 TreeExplainer 計(jì)算 SHAP 值 explainer shap.TreeExplainer(clf) shap_values explainer.shap_values(X[:100]) # 輸出每個(gè)特征對(duì)「深睡」類別的平均絕對(duì)貢獻(xiàn) deep_sleep_idx 2 mean_abs_shap np.mean(np.abs(shap_values[deep_sleep_idx]), axis0) top_features np.argsort(mean_abs_shap)[::-1][:5] print(對(duì)深睡判定貢獻(xiàn)最大的 5 個(gè)特征索引:, top_features) print(對(duì)應(yīng)貢獻(xiàn)值:, mean_abs_shap[top_features])這段代碼的核心是TreeExplainer它利用樹模型的結(jié)構(gòu)精確計(jì)算每個(gè)特征對(duì)每個(gè)樣本預(yù)測(cè)結(jié)果的貢獻(xiàn)值。shap_values是一個(gè)列表每個(gè)類別對(duì)應(yīng)一個(gè)矩陣矩陣的每一行是一個(gè)樣本每一列是一個(gè)特征。取絕對(duì)值再按樣本平均就能看出哪些特征對(duì)某個(gè)類別的判定影響最大。我自己的習(xí)慣是如果排名前五的特征里沒有呼吸率相關(guān)特征那這個(gè)模型我是不敢上線的。因?yàn)樗叻制诘纳韺W(xué)基礎(chǔ)就是呼吸和心率的節(jié)律變化如果模型繞過了這些特征說明它找到了一條捷徑而捷徑在真實(shí)場(chǎng)景里往往不成立。提示SHAP 在特征維度超過 50 之后計(jì)算會(huì)明顯變慢如果特征太多先用隨機(jī)森林的feature_importances_做一次粗篩再對(duì) Top 20 做 SHAP。做睡眠監(jiān)測(cè)系統(tǒng)這幾年我最大的教訓(xùn)是不要迷信算法精度先確認(rèn)信號(hào)質(zhì)量。傳感器貼錯(cuò)位置、模擬前端參數(shù)設(shè)錯(cuò)、體動(dòng)沒剔除干凈后面用再深的網(wǎng)絡(luò)也救不回來。每次拿到一個(gè)新的硬件方案我都會(huì)先用示波器看原始波形確認(rèn)呼吸和心跳的節(jié)律肉眼可見再開始寫特征提取。這個(gè)習(xí)慣幫我省下了至少三個(gè)月在錯(cuò)誤方向上折騰的時(shí)間。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取