褥疮是一种常见的临床并发症,多发于长期卧床且无法自主翻身的患者。有效的识别与监测患者的睡姿可以帮助护理人员及时为患者调整睡姿,降低褥疮发生的风险。但目前使用的睡姿识别方法存在泄露隐私、束缚人体以及识别精度不高等问题,难以实现临床应用。为了提高睡姿识别的准确率,本课题以电容式阵列柔性压力传感器为基础,旨在优化传感器及数据采集卡的性能,以获得更高质量的睡姿图像,并根据睡姿具体特点改进睡姿图像的预处理及特征提取方法,研究出性能更好的睡姿识别算法,以实现更高的识别准确率。研究内容主要包含床单式压力传感器的制作及数据采集卡硬件电路主要部分设计、睡姿图像的预处理方法及特征提取、基于人工神经网络的多类睡姿分类算法开发与测试、睡姿采集系统的初步应用,具体的工作内容如下:（1）根据开发的柔性压力传感器,制作了一套长为1900 mm、宽为900 mm大面积的柔性压力床垫,并设计了用于采集人体睡姿图像的睡姿采集系统,主要对采集系统的外围电路进行设计,通过对核心控制电路、电源模块、滤波电路等模块的优化,提高信噪比。（2）为了提高图像质量,对采集的睡姿图像进行了有针对性的图像预处理,并对对其进行特征提取获取用于识别的数据集。通过对图像进行灰度直方图分析,根据实际情况对原始图像进行增强处理（图像反转、直方图均衡化）和除噪处理,最终将提取的方向梯度直方图（Histogram of Oriented Gridients,HOG）特征及灰度共生矩阵（Grey-Level Co-occurrence Matrix,GLCM）特征融合作为训练识别的数据集。（3）在睡姿识别算法方面,基于人工神经网络（Artificial Neural Networks,ANN）算法原理,设计了相应的网络结构,并通过测试优化神经网络隐藏层的节点数;基于优化结果设置网络参数对睡姿样本集进行训练、识别测试,取得了99.17%的识别准确率;最后在识别方式、识别睡姿数量、识别准确率等方面与国内外其他睡姿识别算法进行比较与分析。（4）在睡姿系统的初步应用方面,通过研究翻身意图和各动作执行骨骼肌群之间的内在关联,以及各骨骼肌群运动和动态压力之间的对应关系,初步建立了关于人体起背与翻身（初始为仰卧）的力学模型,并进行了起背初步测试,在实际样机中实验后,能有效判断人体起背意图,为接下来的翻身以及其他功能实现奠定良好的基础。