人类大约三分之一的时间是在睡眠中度过的,睡眠质量的好坏影响着工作学习效率。人们迫切需要相关设备用于监测夜间睡眠时身体健康状况。医院中常用多导睡眠仪监测睡眠质量,但需要与人体接触且价格昂贵,尚不能广泛使用。智能床垫有着无需与人体接触,监测准确率高等优点,可以广泛应用于养老院和普通家庭中。夜间睡眠时体动多意味着睡眠质量较差,体动事件的识别对于睡眠监测系统来说具有重要的意义。论文根据不同应用场景提出三种体动识别算法。基于规则的算法充分利用硬件特性,设计简单巧妙。基于阈值的算法数学理论成熟,算法鲁棒性好。论文将体动识别问题转化为机器学习中的分类问题,利用SVM算法识别体动事件。呼吸速率是评价睡眠质量的基本指标。计算呼吸速率时有很多挑战:硬件计算能力有限、呼吸信号受体动事件影响、不同个体间呼吸模式区别较大。为解决上述问题,论文提出了一种基于峰值间隔的呼吸速率计算方法。算法有着消耗硬件资源少和计算准确性高的优点。呼吸暂停是危害人们健康的睡眠疾病,发病多在夜间,很难发现。基于智能床垫的呼吸暂停识别算法研究较少,论文将在线学习算法FTRL引入到呼吸暂停识别中,并结合实际应用场景加以改进和优化。算法从信号时域、频率等角度构造特征,挖掘信号中隐藏的呼吸暂停模式。呼吸速率和体动识别两个模块的算法已经嵌入到硬件系统中,呼吸暂停识别算法也已经能够实际应用。这些睡眠指标可以让床垫使用者对自己的睡眠健康状况有所了解,如若发现睡眠健康问题,可及时解决。