《Sleep Medicine》：A Systematic Review of Machine Learning Approaches for Sleep Posture Recognition across Sensing Modalities (2023–2025)
编辑推荐：
•回顾了睡眠姿势识别的机器学习研究（2023–2025年）。•45项研究被分为压力、可穿戴、视觉和射频/雷达四种模态。•报告的准确率取决于验证设计、姿势类别和传感配置。•部署需要开放数据集和夜间真实环境验证。引言睡眠健康与整体身体健康密切相关（Garbarino and Br
- •
回顾了睡眠姿势识别的机器学习研究（2023–2025年）。
- •
45项研究被分为压力、可穿戴、视觉和射频/雷达四种模态。
- •
报告的准确率取决于验证设计、姿势类别和传感配置。
- •
部署需要开放数据集和夜间真实环境验证。
引言
睡眠健康与整体身体健康密切相关（Garbarino and Bragazzi 2024），睡眠可能为疾病提供预测性见解（Thapa et al. 2026）。多导睡眠图（PSG）可以评估睡眠、清醒（包括过渡期）以及受睡眠影响的器官生理功能方面的任何异常（Jafari and Mohsenin 2010）。尽管PSG十分全面，但由于其复杂性、高成本和侵入性，在长期使用和实用性方面受到限制（Pan et al. 2020）。这凸显了对非侵入性、无干扰传感方法的日益增长的需求，以便在家庭环境中推广睡眠质量监测设备（Koudys et al. 2025; Mathunjwa et al. 2025）。在其他指标中，睡眠期间的体位对睡眠质量起着重要作用，特别是在仰卧位，打鼾和上气道阻塞较为常见，且与睡眠呼吸暂停高度相关（Olson et al. 2003）。睡眠姿势监测通常需要胸传感器；然而，这些传感器可能无法准确检测受试者的姿势。因此，人们一直在寻求基于各种仪器和方法的更稳健的解决方案（Jafari and Mohsenin 2010）。
近期研究采用各种传感设备开发尽可能非侵入性和非干扰性的睡眠监测方法（Peng et al. 2022; Krauss et al. 2025）。机器学习（ML）已被证明有助于弥补PSG的局限性，通常能达到较高的准确率（Hussain et al. 2022）。该任务被建模为分类任务，并取决于所收集数据的类型，进行序列/过渡检测。Li等人（2023）回顾了机器学习中睡眠姿势识别领域，将研究分为四类：来自传感器阵列的体压云、生理信号、红外/热成像和可穿戴设备。然而，这些传感设备的原始数据通常不够充分。因此，研究人员正在实施预处理和/或特征工程方法以提高识别的鲁棒性。这些步骤可以使经典机器学习算法与深度学习模型相竞争，尽管后者可以直接从数据中学习特征表示。
睡眠监测是一个广泛的领域。除了传感设备的选择外，研究在预处理方法、姿势分类体系、识别算法、评估协议和报告性能方面也存在差异。纳入研究的异质性使得全面比较具有挑战性。本文回顾了睡眠姿势识别的不同方面，将其分为四组：基于非接触射频（RF）和雷达的、基于视觉的、基于可穿戴设备的和基于压力的系统。本文还总结了准确识别睡眠姿势的最新方法和算法。
各部分摘要
材料与方法
本系统综述按照系统综述和荟萃分析首选报告条目（PRISMA）指南进行，以确保透明度和方法学严谨性。整个过程包括文献检索、研究筛选、资格评估、数据提取和定性综合。
结果
本节对纳入研究进行了结构化分析，按传感模态、学习方法、数据集特征、验证策略和报告性能进行组织。在应用基于PRISMA的筛选过程和严格的纳入标准后，45项已发表研究被纳入最终分析。比较结果在标准化提取表格（表1、表2、表3、表4）中总结，并在四个定义的组中进行讨论。
讨论
本系统综述检查了跨四种传感模态的45项关于基于机器学习的睡眠姿势识别的独特研究：基于压力的、可穿戴的、视觉/成像的和射频/雷达系统。在回顾的文献中，出现了几种共同模式。首先，深度学习方法是当传感模态产生空间、类图像或序列表示时，基于CNN和时间架构的方法越来越多地被采用，尽管传统机器学习
局限性
本综述有几个局限性。首先，识别的记录被分给两位审稿人，每条记录由一位审稿人筛选。尽管不确定的案例通过重新应用预定义的纳入标准来解决，但未进行独立的双重筛选；因此，不能完全排除选择偏倚。其次，对于睡眠姿势识别的机器学习研究，没有经过验证的偏倚风险工具可用。质量和偏倚风险标准
未来研究方向
本综述的发现确定了几项未来研究优先事项。首先是数据集的可及性和基准测试。许多研究依赖于独立收集的数据集，包含不同的参与者、传感配置、姿势定义和评估程序。这限制了可重复性并使算法比较变得困难。未来的工作应优先考虑更大的公开可访问数据集，包含多种传感条件、多样化的参与者特征，
结论
本系统综述综合了2023年至2025年间发表的45项关于基于机器学习的睡眠姿势识别的独特研究，并将它们组织为四种传感模态：基于压力的、可穿戴的、视觉/成像的和非接触射频/雷达系统。回顾的研究表明，在所有四种模态中，可靠的姿势识别在技术上都是可行的，但报告的性能不仅取决于学习算法，还取决于传感配置、预处理，
伦理批准
不适用。本系统综述是对已发表研究的回顾，未涉及人类受试者、动物实验或直接数据收集。
生成式AI和AI辅助技术在稿件准备过程中的声明
在本修订版本的准备过程中，作者使用了Claude（Anthropic）以检查稿件的内部一致性，根据Crossref核实文献细节，并改善语言和可读性。使用此工具后，作者根据需要审查和编辑了内容，并对已发表文章的内容承担全部责任。
CRediT作者贡献声明
Tayseer Sawaftah： 写作 – 审阅与编辑，写作 – 原稿，可视化，验证，指导，软件，资源，项目管理，方法学，调查，资金获取，形式分析，数据整理，概念化。Serdar Ko?kanat： 写作 – 审阅与编辑，写作 – 原稿，可视化，验证，指导，软件，资源，项目管理，方法学，调查，资金获取，形式分析，数据整理，
未引用参考文献
M.Z.H.J et al., 2023.
利益冲突声明
? 作者声明，他们没有已知的竞争性经济利益或个人关系可能影响本论文中报告的工作。
致谢
作者衷心感谢审稿人和编辑委员会提供的宝贵评论和建议，这些评论和建议显著提高了本工作的质量。
Tayseer Sawaftah|Vauwez Sam El Fareez|Yavuz Türkay|Serdar Kockanat
