GA-SPARF：一种基于遗传算法优化的随机森林模型，用于利用加速度计监测睡眠姿势

《Sleep and Breathing》：GA-SPARF: Genetic algorithm-tuned random forest for sleep position monitoring using accelerometer

GA-SPARF是一种基于可穿戴物联网的实时睡眠姿势监测系统，旨在辅助胃食管反流病（GERD）管理。该系统采用单ADXL345加速度计与ESP8266微控制器，通过Wi-Fi实现实时数据传输。针对20名受试者的12种睡眠姿势进行数据采集，预处理包括噪声过滤、缺失值填补和统计/运动学特征提取。研究对比了随机森林（RF）模型经遗传算法（GA）优化后的性能，与决策树、梯度提升树、支持向量机及K近邻等基线模型相比，GA-SPARF在平均准确率（99.79±0.02%）和F1值上显著提升，推理时间仅3ms，功耗极低。临床关键姿势（仰卧、右/左侧卧）分类准确率达100%，验证了其在GERD护理中的实用价值及长期家庭监测的可行性。

　　

摘要

目的

本研究介绍了一种名为GA-SPARF的可穿戴物联网（IoT）系统，该系统用于实时监测睡眠姿势，旨在辅助胃食管反流病（GERD）的管理。与以往通常仅对有限数量睡眠姿势（例如4-5类）进行分类的研究不同，GA-SPARF能够以高精度和低功耗实现对12种不同睡眠姿势的实时分类，从而提高了其在临床应用中的适用性和长期家庭监测的可扩展性。

方法

该系统集成了一个安装在腹部的ADXL345加速度计、一个ESP8266微控制器以及Wi-Fi连接功能，以实现实时数据传输。数据来自20名参与者在受控环境下的12种标记睡眠姿势的测量结果。预处理包括噪声过滤、缺失值填充以及统计特征和运动学特征的提取。随机森林（RF）模型通过遗传算法（GA）进行了优化，并使用5折交叉验证方法与决策树（DT）、梯度提升决策树（GBDT）、支持向量机（SVM）和K近邻（KNN）分类器进行了性能对比。

结果

经过遗传算法优化的随机森林模型平均准确率和F1分数达到了99.79±0.02%，优于所有基线模型。每次预测的推理时间为3毫秒，且功耗极低。临床上重要的睡眠姿势——仰卧位（D）、右侧卧位（R）和左侧卧位（DL）的分类准确率、阳性预测值（PPV）和阴性预测值（NPV）均达到100%，突显了该系统的临床价值。尽管相邻姿势之间存在一定的混淆，但整体分类性能依然保持较高水平。

结论

GA-SPARF在使用紧凑且低成本的设备上进行睡眠姿势分类时展现了先进的性能。与以往研究不同，它支持更广泛的姿势分类，并能在资源有限的硬件上实现实时运行。这项工作为GERD的护理提供了实用工具，也为未来可穿戴健康监测技术的创新奠定了基础。