面向私密医疗场景的智能睡眠姿势监测：一种受跳蛛分布式视觉启发的隐私保护方法

《Journal of Visual Communication and Image Representation》：Intelligent sleep posture monitoring for private medical scenarios: a privacy preservation method inspired by jumping spider distributed vision

　　# 摘要睡眠作为维持人类生命的基本生理需求，与各种健康问题密切相关，而睡眠姿势是衡量睡眠质量的重要指标。准确的睡眠姿势分类对睡眠健康监测具有关键支撑作用。近年来，基于视觉传感器的非接触分类技术因其便捷性而受到关注。然而，高清图像依赖与隐私保护需求之间的矛盾十分突出，现有方案难以在"准确性"与隐私之间取得平衡。自然界跳蛛的分布式视觉系统为解决这一问题提供了灵感，其"局部高精度+全局低冗余"的信息处理模式与睡眠姿势分类中"只需姿势特征、不需身份信息"的需求高度契合。因此，本文提出了一种基于跳蛛分布式视觉的隐私保护睡眠姿势分类方法（JSDP-MPC）。该方法通过计算机视觉模拟跳蛛的分布式视觉输入，设计仿生隐私保护编码机制以实现关键姿势区域增强和非敏感区域降采样，构建受跳蛛启发的多路径特征提取机制与两级多路径协同注意力融合框架，以提高低分辨率输入下的分类精度，并在SLP数据集上验证该算法。实验结果表明，该算法在平衡隐私保护与分类精度方面优于现有方案，为隐私敏感场景下的仿生智能算法提供了新范式。# 引言睡眠作为维持人类生命的基本生理需求，约占个体一生的三分之一，已成为医学和生命科学领域研究其对身心健康影响的重要焦点。大量临床研究表明，长期睡眠质量不佳与心血管疾病、代谢紊乱和免疫系统功能障碍密切相关。全球约30%的成年人存在不同程度的睡眠障碍[1]，而睡眠姿势作为睡眠过程中的关键行为特征，在调节呼吸、血液循环和肌肉放松方面发挥着不可或缺的作用。例如，仰卧睡姿可能导致舌根后坠，加重睡眠呼吸暂停低通气综合征（SAHS）患者的呼吸阻塞风险。此外，特定疾病的康复治疗对睡眠姿势有严格要求，例如骨科术后患者需要保持特定睡姿以促进骨愈合，这进一步凸显了睡眠姿势研究在疾病预防、临床治疗和个人健康管理中的重要价值。作为睡眠质量的重要指标，准确的睡眠姿势分类为睡眠健康监测提供了关键支撑。然而，现有方案在平衡"准确性"与"隐私"方面面临诸多挑战。接触式传感器虽然避免了隐私问题，但因睡眠期间频繁翻身运动而容易受到干扰，难以准确捕获并稳定分类睡眠姿势。基于视觉的方案同样存在明显问题，使用高清摄像头采集影像时存在收集面部等私人信息的风险，面临严重的合规隐患[2]。虽然红外或深度摄像头减少了纹理信息采集，但其单一视角容易混淆相似姿势，如侧卧与俯卧。根本上讲，现有方案缺乏类似"自然智能"的高效信息处理策略，既无法有效提取关键睡眠姿势特征，又难以合理规避隐私敏感细节。自然界中的跳蛛为此问题提供了启发。其独特的分布式视觉系统[3]由一对主眼（前中眼）和三对副眼（前侧眼/后侧眼/后中眼）组成：主眼聚焦于关键目标的局部细节（如猎物），而副眼则通过广域低分辨率感知实现全景环境监测。这种"局部高精度+全局低冗余"的信息处理模式在确保目标识别精度的同时，通过压缩非关键区域信息减少冗余数据——这与睡眠姿势分类中"只需姿势特征、不需身份信息"的需求高度契合。更重要的是，跳蛛在神经层面对多源视觉信号的分级融合机制，为设计低复杂度、高鲁棒性的分类算法提供了天然模板。因此，本文提出了一种基于跳蛛分布式视觉神经机制的隐私保护睡眠姿势分类算法（JSDP-MPC），无需依赖多摄像头硬件，通过计算机视觉技术模拟分布式视觉输入，在隐私敏感场景中实现高精度睡眠姿势分类。算法整体架构如图1所示，核心组件包括"仿生隐私保护编码、多路径特征提取、跨路径协同融合及睡眠姿势分类"模块，各模块均对应跳蛛视觉仿生逻辑设计。具体核心工作包括以下几点：1. **跳蛛视觉功能抽象与仿生隐私保护编码实现：** 在跳蛛主眼对关键区域高分辨率聚焦、副眼对全局低分辨率感知等功能特征基础上，我们抽象出"关键姿势保留?隐私区域隐匿"的双目标处理逻辑，并设计了仿生隐私保护编码机制（BPPE）。将原始图像转换为三种隐私保护视角图像：增强关节、躯干等关键特征的主眼视角、聚焦边缘的前侧眼视角，以及降低隐私细节的后侧眼视角，实现隐私与特征的协同保护。2. **受跳蛛神经机制启发的多路径特征提取与跨路径协同融合设计：** 借鉴跳蛛视觉系统"局部细节捕获?全局结构感知?神经分层融合"的信号处理策略，我们构建了多路径特征提取机制（MFE）和两级多路径协同注意力融合框架（TS-MCAF）。在MFE中，每条路径连接不同的注意力模块以增强局部、中尺度及全局特征；TS-MCAF通过两阶段融合侧眼与主-侧眼特征，解决低分辨率姿势混淆问题，提高分类精度。3. **JSDP-MPC算法的系统验证与性能对比：** 为验证算法在隐私敏感场景中的有效性，我们构建了模拟跳蛛分布式视觉的睡眠姿势数据集。实验以隐私保护程度和分类性能为指标，讨论了各算法模块的有效性，并与其他睡眠姿势分类方案进行比较，以验证其"隐私?精度"平衡优势。本研究旨在通过仿生设计为隐私敏感场景中的智能算法应用提供新范式，同时丰富分布式视觉在计算机视觉任务中的应用场景。# 章节摘要## 睡眠姿势分类技术目前睡眠姿势分类技术研究主要聚焦于传感技术和数据处理算法，旨在实现准确识别睡眠姿势并为睡眠健康监测提供支持[4]。从传感技术角度，这些方法可分为接触式和非接触式两类[5]。接触式传感技术需要与人体或床铺接触，可分为床内嵌式和可穿戴传感器。## 基于跳蛛分布式视觉的仿生隐私保护编码（BPPE）基于跳蛛分布式视觉灵敏度的仿生隐私保护编码核心逻辑，源自对生物视觉系统核心参数的精确映射与功能适配。生物视觉系统的有效性由视觉灵敏度（空间细节感知能力）、视野（空间覆盖角度）和时间分辨率（动态响应速度）[40]共同决定，为理解……提供了基本参考## 数据集本研究采用用于睡眠姿势检测任务的公开常用数据集SLP数据集[43]。该数据集通过多模态传感器记录卧床人体数据，采集自家庭环境"danaLab"和医院环境"simLab"，共包含109名受试者（102名来自danaLab，7名来自simLab；77名男性，28名女性）。数据采集期间，受试者完成了三大类共15种姿势，即仰卧、左侧卧和右侧卧，每种姿势……## 结论本文通过提出一种受跳蛛分布式视觉启发的分类算法，解决了睡眠姿势分类中平衡精度与隐私的难题。实验表明，通过多分支特征提取网络和TS-MCAF融合模块，该算法在SLP数据集上达到97.3%的精度，左右侧卧误分类率仅为2.8%，有效平衡了特征保留与隐私保护，性能优于现有……## CRediT作者贡献声明**刘嘉鑫：** 撰写–原始草稿，可视化，验证，指导，软件，资源，项目管理，方法论，调查，正式分析，数据整理，概念化。**金雅琪：** 撰写–原始草稿，可视化，验证，软件，方法论，调查，正式分析，数据整理。**杨海根：** 撰写–审阅与编辑，指导，基金获取。## 利益冲突声明作者声明不存在已知可能影响本文所报告工作的竞争性财务利益或个人关系。## 致谢本工作由中国国家重点研发计划（项目编号：2021YFB3300300）和中国国防基础研究计划（项目编号：JCKY2019210B005）资助。---刘嘉鑫 | 金雅琪 | 杨海根