CN105534503A - 老人心率监护定位系统及方法 - Google Patents

Abstract

本发明提供了一种老人心率监护定位系统及其方法，所述系统包括手环、服务器，手环包括智能表头，智能表头的一侧设有智能按键、SIM卡座和开关键，所述智能表头的另一侧设有出声孔和紧急通话键，所述智能表头的底部设有USB座子，所述智能表头的上端设有显示单元和语音采集孔，本发明能够在多种状态和环境下有效采集人体生物数据，并进行人体状态的及时跟踪与报警。本发明结构小巧，具有非常优美的工业设计，简单大方，层次大气，功能强大，同类产品中体积最小，最轻，最薄，功耗极低，待机时间极致，且舒适美感，环保设计，符合人体工程学设计。

Description

老人心率监护定位系统及方法

技术领域

本发明涉及定位手环领域，尤其涉及一种老人心率监护定位手环。

背景技术

截至目前，中国60岁以上老年人数量已超过2个亿，占总人口的14.9％，中国有100万以上失独家庭，每年新增失独家庭7.6万个，且专家预计，到2030年我国老龄人口将近3亿，而空巢老人家庭比例或将达到90％，这意味着届时将有超过两亿的空巢老人，在2011城乡普查结果表明，60岁以上人口中，VD患病率为324/10万人口，而AD患病率为238/10万人口，总数在920万左右，关注我国老年人的健康刻不容缓，他们需要运动健康管理，来更好的调整身体机能和精神健康，而目前没有一款手环可以较好的实时监控老人健康状况，防止老年人意外摔倒。

在现有技术中，采用可穿戴设备，例如智能手环实现老人的身体状态监控及定位功能，已有不少产品面世，但是，该类型产品依然存在较大的缺陷。在例如申请号为CN201520445139.7的专利申请中，其仅仅实现了对老人的心率、体温监控以及与远程终端的信息互通，但并未增加其他的例如摔倒监测、自动警示、血压监控等功能，并且也没有加入在实际生活中佩戴手环时造成的体征参数误读现象的解决设计及方案，远远不能满足当今社会对老年人安全及健康监控的需求；又例如在申请号为CN102410459649.X的专利申请中，仅是将常规的心率监控与行为状态监控(姿态监控)进行了整合，同样未考虑结合其他体征数据实现对老人状态的提前警示提醒作用，也没有提出解决数据误读的问题。

又例如，在公开号为CN201510039875.7、CN201420696695.7的专利申请中，其中大量引入了各类传感器，以实现对老人多项体征指标的监控及报警，甚至加入了可实现除颤功能的放电模块，但是，上述专利申请中同样存在如下的问题：一、没有考虑到各项体征指标间的关联关系，存在由于某一体征的误读而造成的误报警；二、没有很好地在设计上解决佩戴中因外界环境因素而造成的体征指标的误读问题，提高准确率。

鉴于上述社会需求及现有技术中存在的问题，设计出一种佩戴舒适，且能够很好地满足日常监护功能、提高报警准确率的监控手环，成为市场当前的急切需求。

发明内容

为解决上述现有技术中存在的技术问题，本发明提出了一种老人心率监护定位系统及方法。具体而言，本发明提供了以下技术方案：

首先，本发明提供了一种老人心率监护定位系统，该系统包括手环、服务器；所述手环包含心率传感器、血压传感器、体温传感器、呼吸频率传感器、血氧探头、陀螺仪传感器、无线收发模块、处理器模块、定位模块；所述手环通过所述无线收发模块与所述服务器建立通信连接；所述无线收发模块至少包含远程无线通信模块、近场无线通信模块。当检测到特定的近场无线网络时，手环中的近场无线通信模块则自动建立起手环与近场无线网络中的控制终端的无线连接，这样，当老人在例如家中、敬老院、指定的医疗机构等地时，可以方便地将老人的手环与该些地方的无线网络建立连接，从而将老人的信息及身体状况数据等与该些网络中的终端建立传输，方便医疗机构、敬老院等工作人员对老人状态的实时关注该近场无线连接包括RFID、WIFI等方式；此外，手环还可以通过移动通信网络等建立远程的无线连接，例如2G、3G、4G等，以方便出门在外，或者与家人随时保持联系，方便医生、家人对老人的状态进行实时了解。

优选地，所述手环中还包括存储器及电源模块，电源模块可以是充电式电池，也可以是普通电池，或者太阳能电池、手摇电池等形式，也可以是上述多种电池的组合方式，以避免因为电量不足而给使用造成不便。此外，手环中还设置有电源报警，当电量不足时，会提醒用户充电。此外，手环显示屏可以当做普通手表显示屏使用，显示正常的时间、日期等信息，当手环待机时或者用户通过操作切换时，可以显示为手表界面，也可以根据用户操作或者人体状态监控有不健康状态时，切换为人体状态监控界面，也可以设置为周期性地在手表界面与身体状态界面间进行切换，本发明仅作为举例，并不以此为限定。

优选地，所述近场无线通信模块包含RFID模块、ZIGBEE模块、蓝牙模块中的一种或其组合；所述远程无线通信模块包含2G、3G、4G中的一种或其组合；所述定位模块包含北斗、GPS和GLONASS中的一种或其组合。

优选地，为提高手环的佩戴舒适度，并且也要保证手环对身体信号采集的功能不受严重影响，所述手环包括：智能表头(1)，所述智能表头(1)上设有第一连接带(2)和第二连接带(10)，第一连接带(2)上设有两行排列的通孔，第二连接带(10)上设有与通孔相适配的连接扣，所述智能表头(1)的一侧设有智能按键(3)、SIM卡座(9)和开关键(5)，所述智能表头(1)的另一侧设有出声孔(6)和紧急通话键(7)，所述智能表头(1)的底部设有USB座子，所述智能表头(1)的上端设有显示单元(8)和语音采集孔(4)，所述智能表头(1)内包含语音播报单元和语音采集单元。

优选地，所述智能表头(1)、第一连接带(2)和第二连接带(10)为一体成型，且所述智能表头(1)、第一连接带(2)和第二连接带(10)的制作材料均为环保热塑性聚氨酯弹性体橡胶。

优选地，所述SIM卡座(9)为推拉结构，所述SIM卡座(9)支持热插拔。当然本领域技术人员应当明了，该SIM卡座的设计也可以采用其他的可以有通信功能的卡结构代替，该类代替方式均应视为落入本申请的保护范围之内。

优选地，所述处理器模块进一步包含人体状态评估模块，所述人体状态评估模块基于所述心率传感器、血压传感器、体温传感器、呼吸频率传感器、血氧探头搜集的数据，进行人体状态评估。

优选地，所述陀螺仪传感器同时进行人体姿态检测，并在检测结果为摔倒时，向处理器模块发出信息，并触发报警。

优选地，所述人体状态评估模块将心率传感器、血压传感器、呼吸频率传感器搜集的数据作为一组分析数据，将体温传感器、呼吸频率传感器、血氧探头搜集的数据作为另一组分析数据，并依据上述两组分析数据获得人体状态评估值。这一设计方式，可以充分利用手环中的多个传感器采集的数据，多数据判断，并进行适当融合，避免单一数据的误判，有效提高了判断结论的准确性。

在对数据进行归一化处理时，可以采用本领域中常规的归一化方法，本发明优选地，提供了以下一种归一化处理方法：所述人体状态评估模块将心率传感器、血压传感器、呼吸频率传感器、体温传感器、血氧探头采集的信号转换为数字信号，并进行归一化处理，上述各传感器采样频率相同；

上述各传感器在同一采样时间点采集的信号依次为(x(1)、x(2)、x(3)、x(4)、x(5))，所述归一化按照下式进行：

$X\left(i\right)=\left(x\right(i)-\frac{max\left(x\right(i\left)\right)-min\left(x\right(i\left)\right)}{2})/\left(max\right(x\left(i\right))-min(x\left(i\right)\left)\right)$

其中，x(i)为归一化前的值，X(i)为归一化后的值，i＝1,2，…，5；设每组传感器在一个采样周期中的采样次数为k,则采样并归一化处理后后形成的两组分析数据为：

$\left[\begin{array}{ccc}X(1,1)& X(2,1)& X(3,1)\\ ...& ...& ...\\ X(1,k)& X(2,k)& X(3,k)\end{array}\right],\left[\begin{array}{ccc}X(3,1)& X(4,1)& X(5,1)\\ ...& ...& ...\\ X(3,k)& X(4,k)& X(5,k)\end{array}\right].$

优选地，所述人体状态评估模块预存储两状态判断函数：函数1、函数2；

所述函数1以心率传感器、血压传感器、呼吸频率传感器采集的数据作为输入，所述函数2以呼吸频率传感器、体温传感器、血氧探头采集的数据作为输入；所述函数1、函数2的输出均分为健康、亚健康、报警三个级别；

所述函数1、函数2均通过BP神经网络训练实现。当然，此处对判断函数的获取，也可以采用本领域中的其他常规方式，例如近邻法、遗传算法等，本发明的方法并不以该些具体算法为限定，上述BP网络训练方法仅作为一个可选的优化方式。而对于函数的数量，则是本领域技术人员可以进行调整的，例如当数据类型较多时，可以训练3个或更多的函数，也即设置更多的分类器，进行融合判断，以提高判断结果的精确性，本申请以2个函数为一种优化方式，并不以此为范围限定。

进一步优选地，所述BP神经网络训练过程如下：

(1)设置初始系数及阈值；所述阈值依据临床医疗经验数据获取；获取训练样本，所述训练样本由临床医疗经验数据；

(2)计算各隐含层及输出层的输出值：隐含层第i个单元的输出为：

$a_i^p=f(\underset{j=1}{\overset{m}{\Σ}}{w}_{ij}\×u_j^p+c_j)$

输出层单元的输出为：

$b^p=f(\underset{i=1}{\overset{n}{\Σ}}{w}_i\×a_j^p+c)$

其中，i＝1,2,…,n；j＝1,2,…,m；p＝1,2,…,N；m为输入节点数，n为隐含层节点数，N为训练样本数，w_ij为第j输入对隐含层第i个神经元的系数，w_i为第i隐含层单元对输入的加权系数，c_i为隐含层第i个神经元的阈值，为输入样本，f()为传递函数，c为输出层单元阈值；

(3)计算各层误差，并进行系数及阈值修正：

输出层误差为：

Δ^p＝b^p(1-b^p)(d^p-b^p)，其中d^p为针对样本p的各传感器参数，该传感器参数为本领域公知的经验值；

隐含层误差为：

${\mathrm{\Δ}}_i^p={\mathrm{\Δ}}^p{w}_i{a}_i^p(1-a_i^p)$

则输出层的系数修正及阈值修正分别为：

$w_i(k+1)=w_i\left(k\right)+\mathrm{\ξ}\underset{p=1}{\overset{N}{\Σ}}{\mathrm{\Δ}}_i^p{a}^p;c(k+1)=c\left(k\right)+\mathrm{\ξ}\underset{p=1}{\overset{N}{\Σ}}{\mathrm{\Δ}}^p;$

隐含层系数修正及阈值修正分别为：

$w_{ij}(k+1)=w_{ij}\left(k\right)+\mathrm{\ξ}\underset{p=1}{\overset{N}{\Σ}}{\mathrm{\Δ}}_i^p{a}_i^p;c_i(k+1)=c_i\left(k\right)+\mathrm{\ξ}\underset{p=1}{\overset{N}{\Σ}}{\mathrm{\Δ}}_i^p;$

其中，ξ为学习效率，k为当前时刻，a^p为隐含层第p个样本下的输出；

(4)输出总误差：

$\mathrm{\Ω}=\frac{1}{2}\underset{p=1}{\overset{N}{\Σ}}{(d^p-a^p)}^2$

当总误差满足要求时，完成网络训练，否则，返回步骤(2)，直至满足要求。

优选地，所述人体状态评估模块设置有第一阈值Z1及第二阈值Z2，其输出Z具体为：

Z＝h₁H₁+h₂H₂，其中，h₁+h₂＝1并且h₁,h₂＞0，H₁、H₂分别为函数1、函数2的输出值；

当Z>Z1时，发出报警信号；当Z2≤Z≤Z1时，发出亚健康状态信号；当Z<Z2时，发出健康信号。

为判断老人摔倒，并且避免使用者常规的卧床休息造成的误报警，优选地，本发明还通过陀螺仪增加了摔倒判断方式，所述陀螺仪传感器进行人体姿态检测通过下述方法进行：

在一采样周期内，采集人体在立体空间中3个方向的加速度值(k_x,k_y,k_z)，求取3个方向的加速度应激值K，有：

对连续n个上述加速度应激值K在时间T内进行积分：其中，T为n个连续加速度应激值的总采集时间，n大于等于5；

将L与预设的阈值L'进行比较，当L大于等于L'时，则判断为摔倒，此时，陀螺仪传感器发出摔倒信号。

除上述技术方案之外，本发明还提供了一种老人心率监护定位方法，其特征在于，该方法包含以下步骤：

步骤1、实时采集使用者心率、血压、体温、呼吸频率、血氧数据，实时采集使用者的加速度数据；并与远程终端建立无线联接；

步骤2、依据所述心率、血压、体温、呼吸频率、血氧数据，获取人体状态评估值，并与预设的状态阈值进行比较，并发出对应的人体状态信息；所述状态阈值为两个；依据所述加速度数据获取姿态值，并与预设的姿态阈值进行比较；

步骤3、当人体状态信息为健康时，则发送健康信号至远程终端，并在使用者佩戴的手环上显示健康信号；当人体状态为亚健康时，则发送亚健康信号及提醒信号至远程终端，并在使用者佩戴的手环上显示健康信号；当人体状态为报警时，则发送报警信号至远程终端，并触发手环的报警系统；

步骤4、当所述姿态值大于等于所述姿态阈值时，则发送摔倒报警信号至远程终端，并触发手环的报警系统。

优选地，所述报警系统触发时，激活手环中的远程通信功能，并拨打预存的电话号码；当第一预存电话号码无法建立通话时，自动继续依序拨打下一预存的电话号码；若最后一预存的电话号码无法建立通话时，则返回拨打第一预存电话号码，并继续循环，直至成功建立通话。

优选地，所述步骤2中，人体状态信息的获取方法为：

将心率、血压、呼吸频率数据作为一组分析数据，将体温、呼吸频率、血氧数据作为另一组分析数据，并依据上述两组分析数据获得人体状态评估值；

具体过程为：

在同一采样时间点采集的上述信号依次为(x(1)、x(2)、x(3)、x(4)、x(5))，将信号按照下式进行归一化处理：

$X\left(i\right)=\left(x\right(i)-\frac{max\left(x\right(i\left)\right)-min\left(x\right(i\left)\right)}{2})/\left(max\right(x\left(i\right))-min(x\left(i\right)\left)\right)$

其中，x(i)为归一化前的值，X(i)为归一化后的值，i＝1,2，…，5；设每组传感器在一个采样周期中的采样次数为k,则采样并归一化处理后后形成的两组分析数据为：

$\left[\begin{array}{ccc}X(1,1)& X(2,1)& X(3,1)\\ ...& ...& ...\\ X(1,k)& X(2,k)& X(3,k)\end{array}\right],\left[\begin{array}{ccc}X(3,1)& X(4,1)& X(5,1)\\ ...& ...& ...\\ X(3,k)& X(4,k)& X(5,k)\end{array}\right].$

优选地，所述步骤2中，通过预设的两状态判断函数：函数1、函数2，计算人体状态评估值；

所述函数1以心率、血压、呼吸频率数据作为输入，所述函数2以呼吸频率、体温、血氧数据作为输入；所述函数1、函数2的输出均分为健康、亚健康、报警三个级别；

所述函数1、函数2均通过BP神经网络训练实现；

所述状态阈值为：第一阈值Z1及第二阈值Z2，人体状态信息Z的具体求取方法为：：

Z＝h₁H₁+h₂H₂，其中，h₁+h₂＝1并且h₁,h₂＞0，H₁、H₂分别为函数1、函数2的输出值；

当Z>Z1时，发出报警信号；当Z2≤Z≤Z1时，发出亚健康状态信号；当Z<Z2时，发出健康信号。

优选地，所述BP神经网络训练步骤为：

(1)设置初始系数及阈值；所述阈值依据临床医疗经验数据获取；获取训练样本，所述训练样本由临床医疗经验数据；

(2)计算各隐含层及输出层的输出值：隐含层第i个单元的输出为：

$a_i^p=f(\underset{j=1}{\overset{m}{\&Sigma;}}{w}_{ij}\&times;u_j^p+c_j)$

输出层单元的输出为：

$b^p=f(\underset{i=1}{\overset{n}{\&Sigma;}}{w}_i\&times;a_j^p+c)$

其中，i＝1,2,…,n；j＝1,2,…,m；p＝1,2,…,N；m为输入节点数，n为隐含层节点数，N为训练样本数，w_ij为第j输入对隐含层第i个神经元的系数，w_i为第i隐含层单元对输入的加权系数，c_i为隐含层第i个神经元的阈值，为输入样本，f()为传递函数，c为输出层单元阈值；

(3)计算各层误差，并进行系数及阈值修正：

输出层误差为：

Δ^p＝b^p(1-b^p)(d^p-b^p)，其中d^p为针对样本p的各传感器参数，该传感器参数为本领域公知的经验值；

隐含层误差为：

${\mathrm{\&Delta;}}_i^p={\mathrm{\&Delta;}}^p{w}_i{a}_i^p(1-a_i^p)$

则输出层的系数修正及阈值修正分别为：

$w_i(k+1)=w_i\left(k\right)+\mathrm{\&xi;}\underset{p=1}{\overset{N}{\&Sigma;}}{\mathrm{\&Delta;}}_i^p{a}^p;c(k+1)=c\left(k\right)+\mathrm{\&xi;}\underset{p=1}{\overset{N}{\&Sigma;}}{\mathrm{\&Delta;}}^p;$

隐含层系数修正及阈值修正分别为：

$w_{ij}(k+1)=w_{ij}\left(k\right)+\mathrm{\&xi;}\underset{p=1}{\overset{N}{\&Sigma;}}{\mathrm{\&Delta;}}_i^p{a}_i^p;c_i(k+1)=c_i\left(k\right)+\mathrm{\&xi;}\underset{p=1}{\overset{N}{\&Sigma;}}{\mathrm{\&Delta;}}_i^p;$

其中，ξ为学习效率，k为当前时刻，a^p为隐含层第p个样本下的输出；

(4)输出总误差：

$\mathrm{\&Omega;}=\frac{1}{2}\underset{p=1}{\overset{N}{\&Sigma;}}{(d^p-a^p)}^2$

当总误差满足要求时，完成网络训练，否则，返回步骤(2)，直至满足要求。

优选地，所述步骤2中，依据所述加速度数据获取姿态值，并与预设的姿态阈值进行比较的具体方法为：

在一采样周期内，采集人体在立体空间中3个方向的加速度值(k_x,k_y,k_z)，求取3个方向的加速度应激值K，有：

对连续n个上述加速度应激值K在时间T内进行积分：其中，T为n个连续加速度应激值的总采集时间，n大于等于5；

将L与预设的阈值L'进行比较，当L大于等于L'时，则判断为摔倒。

优选地，所述步骤1中的无线连接至少包括近场无线连接、移动通信网络连接；当手环进入特定的近场无线连接覆盖区域时，自动建立手环与该区域中控制终端的无线连接，并进行实时数据传输；所述手环中保存有使用者的基本信息。

本发明具有实时采集，远程监控的优点，通过无线收发单元可以实时数据远程监控采集，并实现健康预测，历史数据分析，提前预防不测，通过监控单元实现生命体征实时数据精准监控，提前报警；通过定位单元实现精确定位，内置的陀螺仪传感器具有动态高灵敏度，准确进行室内定位，简单高效；本发明结构小巧，具有非常优美的工业设计，简单大方，层次大气，功能强大，同类产品中体积最小，最轻，最薄，功耗极低，待机时间极致，且舒适美感，环保设计，符合人体工程学设计。

附图说明

图1为本发明提出的老人心率监护定位系统中手环的左视图；

图2为本发明提出的老人心率监护定位系统中手环的右视图；

图3为本发明提出的老人心率监护定位系统中手环的俯视图；

图4为本发明提出的老人心率监护定位系统的系统结构图；

图5为本发明提出的人体状态判断逻辑图。

图中：1智能表头2第一连接带3智能按键4语音采集孔5开关键6出声孔7紧急通话键8显示单元9SIM卡座10第二连接带

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。本领域技术人员应当知晓，下述具体实施例或具体实施方式，是本发明为进一步解释具体的发明内容而列举的一系列优化的设置方式，而该些设置方式之间均是可以相互结合或者相互关联使用的，除非在本发明明确提出了其中某些或某一具体实施例或实施方式无法与其他的实施例或实施方式进行关联设置或共同使用。同时，下述的具体实施例或实施方式仅作为最优化的设置方式，而不作为限定本发明的保护范围的理解。

为更加详细地说明本发明的可选的优化实施方式，下面谨从不同方面以举例方式予以说明。

实施例1：

参照图1-3，本发明提出的一种老人心率监护定位手环，包括智能表头1，所述智能表头1上设有第一连接带2和第二连接带10，第一连接带2上设有两行排列的通孔，第二连接带10上设有与通孔相适配的连接扣，通过第一连接带2和第二连接带10可将该手环固定在使用者手腕上，简单方便，可轻松戴上或取下，所述智能表头1的一侧设有智能按键3、SIM卡座9和开关键5，所述智能按键3通过控制芯片控制，长按智能按键3可在显示单元8显示心率信息，心率采样精度高达16比特，可监测40-200次人体心跳频率，测试时间为15秒，具有高可靠性，在热天排汗情况仍可精确测量，不受表带松紧程度影响，同时具有后台监控，远程告警的功能，短按智能按键3可以通过语音播报单元报时，能为老人提供时间，所述智能表头1的另一侧设有出声孔6和紧急通话键7，紧急通话键7用来紧急通话，避免发生紧急事故无人知晓，所述智能表头1的底部设有USB座子，可实现USB充电，所述智能表头1的上端设有显示单元8和语音采集孔4，显示单元8用来显示时间或信息，所述智能表头1内设有监控单元、无线收发单元、定位单元、控制芯片、语音播报单元和语音采集单元，所述监控单元监控人体健康信息参数并将参数数据传输给控制芯片，控制芯片和远程监控终端通过无线收发单元无线连接，这样远程终端即可实时监控老人，所述监控单元包括心率传感器、血压传感器、温度传感器、陀螺仪传感器、呼吸频率传感器和血氧探头，用来监测老人的心率、血压、体温、方位、呼吸频率和脉搏信息，同时该手环具有运动计步、运动量计算、睡眠监测、防摔报警的功能，陀螺仪传感器具有动态高灵敏度，且支持AGPS，LBS，室内定位，惯性轨迹，所述控制芯片电连接监控单元、无线收发单元、定位单元、电源单元、语音播报单元、语音采集单元、SIM卡座9、开关键5、紧急通话键7和显示单元8，所述定位单元用来对老人进行定位，所述电源单元用来供电，所述语音播报单元用来播报时间或发出报警，所述语音采集单元用来采集语音信息。

本发明中所述智能表头1、第一连接带2和第二连接带10为一体成型，且智能表头1、第一连接带2和第二连接带10的制作材料均为环保热塑性聚氨酯弹性体橡胶。所述无线收发单元为3G、4G、RFID、ZIGBEE和蓝牙中的一个或多个，支持四频段，全球可拨打或接听设置亲情号码，紧急号码，支持短信设置号码，支持号码管理中心，所述定位单元包括北斗、GPS和GLONASS，支持全球定位，覆盖北斗、GPS、GLONASS三大标准，支持室内定位，LBS定位，精度在50-400米，定位时间为冷启动40秒、热启动5秒，定位数据可以实时传送给远程监控。所述SIM卡座9为推拉结构，且支持热插拔。

在一具体的实施方式中，所述手环中还包括存储器及电源模块，电源模块可以是充电式电池，也可以是普通电池，或者太阳能电池、手摇电池等形式，也可以是上述多种电池的组合方式，以避免因为电量不足而给使用造成不便。此外，手环中还设置有电源报警，当电量不足时，会提醒用户充电。此外，手环显示屏可以当做普通手表显示屏使用，显示正常的时间、日期等信息，当手环待机时或者用户通过操作切换时，可以显示为手表界面，也可以根据用户操作或者人体状态监控有不健康状态时，切换为人体状态监控界面，也可以设置为周期性地在手表界面与身体状态界面间进行切换，本发明仅作为举例，并不以此为限定。

本发明的血压传感器具有线性优良、噪声小、响应迅速的特点，并且在恒流源供电的情况下具有温度白补偿挣陛。压力传感器的输出信号先经过滤波电路，然后进行放大，同时医用第一连接带2单片机将产生1：10脉宽控制锯齿波发生器，产生锯齿波与经过处理的压力信号相比较，将电平信号转换为脉宽信号。控制芯片测量脉宽，然后经过相应的运算处理转换为收缩压、舒张压、平均压。

温度传感器可以采用如下具体传感器：单线数字温度传感器DS18B20与单片机连接，引脚1接地(GND)，引脚3(VCC)接电源+5V，引脚2(DQ)接单片机输入\输出一个端口，电压+5V和信号线(DQ)之间接有一个4.7k的电阻。由于每片DS18B20含有唯一的串行数据口，所以在一条总线上可以挂接多个DS18B20芯片。多个DS18B20可以并联在唯一的三线上，实现多点组网功能。不需要外部器件。在寄生电源方式下可由数据线供电，电压范围为3.0～5.5V，零待机功耗，温度以9～12位数字量读出，用户可定义的非易失性温度报警设置，报警搜索命令识别并标识超过程序限定温度(温度报警条件)的器件。

本发明在手环中加入了血氧探头，从而可以有效监控人体血氧状况，为身体状态判断提供又一可靠的依据。脉搏血氧饱和度SpO2指的是血氧含量与血氧容量的百分比值。SpO2作为一种无创的、反应快速的、安全的、可靠的连续监测指标，已经得到公认。由大量试验获知，根据氧合血红蛋白(HbO2)和还原血红蛋白(Hb)在红光和红外光区域的光谱特性，可知在红光区(600～700nm)HbO2和Hb的吸收差别很大，血液的光吸收程度和光散射程度极大地依赖于血氧饱和度；而在红外光谱区(800～1000nm)，则吸收差别较大，血液的光吸收程度和光散射程度主要与血红蛋白含量有关，所以，HbO2和Hb的含量不同吸收光谱也不同，因此血氧饱和度仪血液导管中的血无论是动脉血还是静脉血饱和度仪均能根据HbO2和Hb的含量准确地反映出血氧饱和度。血液在波长660nm附近和900nm附近反射之比(ρ660/900)最敏感地反映出血氧饱和度的变化。在光传导的途径上，除动脉血血红蛋白吸收光外，其他组织(如皮肤、软组织、静脉血和毛细血管血液)也可吸收光。但入射光经过手指或耳垂时，光可被搏动性血液和其他组织同时吸收，但两者吸收的光强度是不同的，搏动性动脉血吸收的光强度(AC)随着动脉压力波的变化而改变。而其他组织吸收的光强度(DC)不随搏动和时间而改变，由此，就可计算出在两个波长中的光吸收比率R。R＝(AC660/DC660)/(AC940/DC940)。R与SpO2呈负相关，根据R值，由标准曲线可得出相应的SpO2值，也即血氧值。

本发明的一种老人心率监护定位手环，具有非常优美的工业设计，简单大方，层次大气，功能强大，在同类产品中体积最小，重量最轻，厚度最薄，功耗极低，待机时间达到极致，造型舒适具有美感，且为环保设计，符合人体工程学设计，适合有定位需求，特别是经常需要外出、对心率监护有一定需求、爱运动、比较关注健康、有摔倒告警需求的老人，同时还适合心脏病易发人群、必须实时监护的老人。

实施例2：

如图4所示，本发明提供了一种老人心率监护定位系统，该系统包括手环、服务器；所述手环包含心率传感器、血压传感器、体温传感器、呼吸频率传感器、血氧探头、陀螺仪传感器、无线收发模块、处理器模块、定位模块；所述手环通过所述无线收发模块与所述服务器建立通信连接；所述无线收发模块至少包含远程无线通信模块、近场无线通信模块。当检测到特定的近场无线网络时，手环中的近场无线通信模块则自动建立起手环与近场无线网络中的控制终端的无线连接，这样，当老人在例如家中、敬老院、指定的医疗机构等地时，可以方便地将老人的手环与该些地方的无线网络建立连接，从而将老人的信息及身体状况数据等与该些网络中的终端建立传输，方便医疗机构、敬老院等工作人员对老人状态的实时关注该近场无线连接包括RFID、WIFI等方式；此外，手环还可以通过移动通信网络等建立远程的无线连接，例如2G、3G、4G等，以方便出门在外，或者与家人随时保持联系，方便医生、家人对老人的状态进行实时了解。

在一具体的实施方式中，所述近场无线通信模块包含RFID模块、ZIGBEE模块、蓝牙模块中的一种或其组合；所述远程无线通信模块包含2G、3G、4G中的一种或其组合；所述定位模块包含北斗、GPS和GLONASS中的一种或其组合。

在一具体的实施方式中，为提高手环的佩戴舒适度，并且也要保证手环对身体信号采集的功能不受严重影响，所述手环包括：智能表头(1)，所述智能表头(1)上设有第一连接带(2)和第二连接带(10)，第一连接带(2)上设有两行排列的通孔，第二连接带(10)上设有与通孔相适配的连接扣，所述智能表头(1)的一侧设有智能按键(3)、SIM卡座(9)和开关键(5)，所述智能表头(1)的另一侧设有出声孔(6)和紧急通话键(7)，所述智能表头(1)的底部设有USB座子，所述智能表头(1)的上端设有显示单元(8)和语音采集孔(4)，所述智能表头(1)内包含语音播报单元和语音采集单元。

在一具体的实施方式中，所述智能表头(1)、第一连接带(2)和第二连接带(10)为一体成型，且所述智能表头(1)、第一连接带(2)和第二连接带(10)的制作材料均为环保热塑性聚氨酯弹性体橡胶。

在一具体的实施方式中，所述SIM卡座(9)为推拉结构，所述SIM卡座(9)支持热插拔。当然本领域技术人员应当明了，该SIM卡座的设计也可以采用其他的可以有通信功能的卡结构代替，该类代替方式均应视为落入本申请的保护范围之内。

在一具体的实施方式中，所述处理器模块进一步包含人体状态评估模块，所述人体状态评估模块基于所述心率传感器、血压传感器、体温传感器、呼吸频率传感器、血氧探头搜集的数据，进行人体状态评估。

在一具体的实施方式中，所述陀螺仪传感器同时进行人体姿态检测，并在检测结果为摔倒时，向处理器模块发出信息，并触发报警。

在一具体的实施方式中，如图5所示，所述人体状态评估模块将心率传感器、血压传感器、呼吸频率传感器搜集的数据作为一组分析数据，将体温传感器、呼吸频率传感器、血氧探头搜集的数据作为另一组分析数据，并依据上述两组分析数据获得人体状态评估值。这一设计方式，可以充分利用手环中的多个传感器采集的数据，多数据判断，并进行适当融合，避免单一数据的误判，有效提高了判断结论的准确性。

在对数据进行归一化处理时，可以采用本领域中常规的归一化方法，本发明优选地，提供了以下一种归一化处理方法：所述人体状态评估模块将心率传感器、血压传感器、呼吸频率传感器、体温传感器、血氧探头采集的信号转换为数字信号，并进行归一化处理，上述各传感器采样频率相同；

上述各传感器在同一采样时间点采集的信号依次为(x(1)、x(2)、x(3)、x(4)、x(5))，所述归一化按照下式进行：

$X\left(i\right)=\left(x\right(i)-\frac{max\left(x\right(i\left)\right)-min\left(x\right(i\left)\right)}{2})/\left(max\right(x\left(i\right))-min(x\left(i\right)\left)\right)$

其中，x(i)为归一化前的值，X(i)为归一化后的值，i＝1,2，…，5；设每组传感器在一个采样周期中的采样次数为k,则采样并归一化处理后后形成的两组分析数据为：

$\left[\begin{array}{ccc}X(1,1)& X(2,1)& X(3,1)\\ ...& ...& ...\\ X(1,k)& X(2,k)& X(3,k)\end{array}\right],\left[\begin{array}{ccc}X(3,1)& X(4,1)& X(5,1)\\ ...& ...& ...\\ X(3,k)& X(4,k)& X(5,k)\end{array}\right].$

在一具体的实施方式中，所述人体状态评估模块预存储两状态判断函数：函数1、函数2；

所述函数1以心率传感器、血压传感器、呼吸频率传感器采集的数据作为输入，所述函数2以呼吸频率传感器、体温传感器、血氧探头采集的数据作为输入；所述函数1、函数2的输出均分为健康、亚健康、报警三个级别；

所述函数1、函数2均通过BP神经网络训练实现。当然，此处对判断函数的获取，也可以采用本领域中的其他常规方式，例如近邻法、遗传算法等，本发明的方法并不以该些具体算法为限定，上述BP网络训练方法仅作为一个可选的优化方式。而对于函数的数量，则是本领域技术人员可以进行调整的，例如当数据类型较多时，可以训练3个或更多的函数，也即设置更多的分类器，进行融合判断，以提高判断结果的精确性，本申请以2个函数为一种优化方式，并不以此为范围限定。

在一具体的实施方式中，所述BP神经网络训练过程如下：

(1)设置初始系数及阈值；所述阈值依据临床医疗经验数据获取；获取训练样本，所述训练样本由临床医疗经验数据；该些临床医疗经验数据，来源于医疗工作中，对人体状态判断的常规依据，例如当心率、血压、呼吸频率三类数据处于一特定范围内时，往往是发病的前兆等，这类经验数据可以是针对不同年龄的，例如针对60-65岁与针对65-70岁时，其判断依据是有区别的，而这类具体判断依据，则可以通过用户在手环中或者通过建立无线连接的终端上输入老人的年龄，而进行自动设置的。

(2)计算各隐含层及输出层的输出值：隐含层第i个单元的输出为：

$a_i^p=f(\underset{j=1}{\overset{m}{\&Sigma;}}{w}_{ij}\&times;u_j^p+c_j)$

输出层单元的输出为：

$b^p=f(\underset{i=1}{\overset{n}{\&Sigma;}}{w}_i\&times;a_j^p+c)$

其中，i＝1,2,…,n；j＝1,2,…,m；p＝1,2,…,N；m为输入节点数，n为隐含层节点数，N为训练样本数，w_ij为第j输入对隐含层第i个神经元的系数，w_i为第i隐含层单元对输入的加权系数，c_i为隐含层第i个神经元的阈值，为输入样本，f()为传递函数，c为输出层单元阈值；

(3)计算各层误差，并进行系数及阈值修正：

输出层误差为：

Δ^p＝b^p(1-b^p)(d^p-b^p)，其中d^p为针对样本p的各传感器参数，该传感器参数为本领域公知的经验值；

隐含层误差为：

${\mathrm{\&Delta;}}_i^p={\mathrm{\&Delta;}}^p{w}_i{a}_i^p(1-a_i^p)$

则输出层的系数修正及阈值修正分别为：

$w_i(k+1)=w_i\left(k\right)+\mathrm{\&xi;}\underset{p=1}{\overset{N}{\&Sigma;}}{\mathrm{\&Delta;}}_i^p{a}^p;c(k+1)=c\left(k\right)+\mathrm{\&xi;}\underset{p=1}{\overset{N}{\&Sigma;}}{\mathrm{\&Delta;}}^p;$

隐含层系数修正及阈值修正分别为：

$w_{ij}(k+1)=w_{ij}\left(k\right)+\mathrm{\&xi;}\underset{p=1}{\overset{N}{\&Sigma;}}{\mathrm{\&Delta;}}_i^p{a}_i^p;c_i(k+1)=c_i\left(k\right)+\mathrm{\&xi;}\underset{p=1}{\overset{N}{\&Sigma;}}{\mathrm{\&Delta;}}_i^p$

其中，ξ为学习效率，k为当前时刻，a^p为隐含层第p个样本下的输出；

(4)输出总误差：

$\mathrm{\&Omega;}=\frac{1}{2}\underset{p=1}{\overset{N}{\&Sigma;}}{(d^p-a^p)}^2$

当总误差满足要求时，完成网络训练，否则，返回步骤(2)，直至满足要求。

在一具体的实施方式中，所述人体状态评估模块设置有第一阈值Z1及第二阈值Z2，其输出Z具体为：

Z＝h₁H₁+h₂H₂，其中，h₁+h₂＝1并且h₁,h₂＞0，H₁、H₂分别为函数1、函数2的输出值；

当Z>Z1时，发出报警信号；当Z2≤Z≤Z1时，发出亚健康状态信号；当Z<Z2时，发出健康信号。

在一具体的实施方式中，为判断老人摔倒，并且避免使用者常规的卧床休息造成的误报警，本发明还通过陀螺仪增加了摔倒判断方式，所述陀螺仪传感器进行人体姿态检测通过下述方法进行：

在一采样周期内，采集人体在立体空间中3个方向的加速度值(k_x,k_y,k_z)，求取3个方向的加速度应激值K，有：

对连续n个上述加速度应激值K在时间T内进行积分：其中，T为n个连续加速度应激值的总采集时间，n大于等于5；

将L与预设的阈值L'进行比较，当L大于等于L'时，则判断为摔倒，此时，陀螺仪传感器发出摔倒信号。

实施例3：

此外，本发明还提供了一种老人心率监护定位方法，该方法包含以下步骤：

步骤1、实时采集使用者心率、血压、体温、呼吸频率、血氧数据，实时采集使用者的加速度数据；并与远程终端建立无线联接；

步骤2、依据所述心率、血压、体温、呼吸频率、血氧数据，获取人体状态评估值，并与预设的状态阈值进行比较，并发出对应的人体状态信息；所述状态阈值为两个；依据所述加速度数据获取姿态值，并与预设的姿态阈值进行比较；

步骤3、当人体状态信息为健康时，则发送健康信号至远程终端，并在使用者佩戴的手环上显示健康信号；当人体状态为亚健康时，则发送亚健康信号及提醒信号至远程终端，并在使用者佩戴的手环上显示健康信号；当人体状态为报警时，则发送报警信号至远程终端，并触发手环的报警系统；

步骤4、当所述姿态值大于等于所述姿态阈值时，则发送摔倒报警信号至远程终端，并触发手环的报警系统。

在一具体的实施方式中，所述报警系统触发时，激活手环中的远程通信功能，并拨打预存的电话号码；当第一预存电话号码无法建立通话时，自动继续依序拨打下一预存的电话号码；若最后一预存的电话号码无法建立通话时，则返回拨打第一预存电话号码，并继续循环，直至成功建立通话。在紧急通话中，这类预存的电话号码可以是例如多个家人的号码，或者各个值班大夫的号码，或者是120等急救中心号码，该些号码可以根据用户的不同需求进行编辑或排序，也可以根据日期的不同来自动调用预存的不同的号码组合，例如按照值班大夫的值班日期，星期一，以大夫甲的好为排在第一位，星期二，以大夫乙的号码排在第一位，而大夫甲的号码排在第二位或第三位等等，这样更方便了用户的使用。

在一具体的实施方式中，如图5所示，所述步骤2中，人体状态信息的获取方法为：

将心率、血压、呼吸频率数据作为一组分析数据，将体温、呼吸频率、血氧数据作为另一组分析数据，并依据上述两组分析数据获得人体状态评估值；

具体过程为：

在同一采样时间点采集的上述信号依次为(x(1)、x(2)、x(3)、x(4)、x(5))，将信号按照下式进行归一化处理：

$X\left(i\right)=\left(x\right(i)-\frac{max\left(x\right(i\left)\right)-min\left(x\right(i\left)\right)}{2})/\left(max\right(x\left(i\right))-min(x\left(i\right)\left)\right)$

其中，x(i)为归一化前的值，X(i)为归一化后的值，i＝1,2，…，5；设每组传感器在一个采样周期中的采样次数为k,则采样并归一化处理后后形成的两组分析数据为：

$\left[\begin{array}{ccc}X(1,1)& X(2,1)& X(3,1)\\ ...& ...& ...\\ X(1,k)& X(2,k)& X(3,k)\end{array}\right],\left[\begin{array}{ccc}X(3,1)& X(4,1)& X(5,1)\\ ...& ...& ...\\ X(3,k)& X(4,k)& X(5,k)\end{array}\right].$

在一具体的实施方式中，所述步骤2中，通过预设的两状态判断函数：函数1、函数2，计算人体状态评估值；

所述函数1以心率、血压、呼吸频率数据作为输入，所述函数2以呼吸频率、体温、血氧数据作为输入；所述函数1、函数2的输出均分为健康、亚健康、报警三个级别；

所述函数1、函数2均通过BP神经网络训练实现；

所述状态阈值为：第一阈值Z1及第二阈值Z2，人体状态信息Z的具体求取方法为：：

Z＝h₁H₁+h₂H₂，其中，h₁+h₂＝1并且h₁,h₂＞0，H₁、H₂分别为函数1、函数2的输出值；

当Z>Z1时，发出报警信号；当Z2≤Z≤Z1时，发出亚健康状态信号；当Z<Z2时，发出健康信号。

在一具体的实施方式中，所述BP神经网络训练步骤为：

(1)设置初始系数及阈值；所述阈值依据临床医疗经验数据获取；获取训练样本，所述训练样本由临床医疗经验数据；

(2)计算各隐含层及输出层的输出值：隐含层第i个单元的输出为：

$a_i^p=f(\underset{j=1}{\overset{m}{\&Sigma;}}{w}_{ij}\&times;u_j^p+c_j)$

输出层单元的输出为：

$b^p=f(\underset{i=1}{\overset{n}{\&Sigma;}}{w}_i\&times;a_j^p+c)$

其中，i＝1,2,…,n；j＝1,2,…,m；p＝1,2,…,N；m为输入节点数，n为隐含层节点数，N为训练样本数，w_ij为第j输入对隐含层第i个神经元的系数，w_i为第i隐含层单元对输入的加权系数，c_i为隐含层第i个神经元的阈值，为输入样本，f()为传递函数，c为输出层单元阈值；

(3)计算各层误差，并进行系数及阈值修正：

输出层误差为：

Δ^p＝b^p(1-b^p)(d^p-b^p)，其中d^p为针对样本p的各传感器参数，该传感器参数为本领域公知的经验值；

隐含层误差为：

${\mathrm{\&Delta;}}_i^p={\mathrm{\&Delta;}}^p{w}_i{a}_i^p(1-a_i^p)$

则输出层的系数修正及阈值修正分别为：

$w_i(k+1)=w_i\left(k\right)+\mathrm{\&xi;}\underset{p=1}{\overset{N}{\&Sigma;}}{\mathrm{\&Delta;}}_i^p{a}^p;c(k+1)=c\left(k\right)+\mathrm{\&xi;}\underset{p=1}{\overset{N}{\&Sigma;}}{\mathrm{\&Delta;}}^p;$

隐含层系数修正及阈值修正分别为：

$w_{ij}(k+1)=w_{ij}\left(k\right)+\mathrm{\&xi;}\underset{p=1}{\overset{N}{\&Sigma;}}{\mathrm{\&Delta;}}_i^p{a}_i^p;c_i(k+1)=c_i\left(k\right)+\mathrm{\&xi;}\underset{p=1}{\overset{N}{\&Sigma;}}{\mathrm{\&Delta;}}_i^p$

其中，ξ为学习效率，k为当前时刻，a^p为隐含层第p个样本下的输出；

(4)输出总误差：

$\mathrm{\&Omega;}=\frac{1}{2}\underset{p=1}{\overset{N}{\&Sigma;}}{(d^p-a^p)}^2$

当总误差满足要求时，完成网络训练，否则，返回步骤(2)，直至满足要求。

在一具体的实施方式中，所述步骤2中，依据所述加速度数据获取姿态值，并与预设的姿态阈值进行比较的具体方法为：

在一采样周期内，采集人体在立体空间中3个方向的加速度值(k_x,k_y,k_z)，求取3个方向的加速度应激值K，有：

对连续n个上述加速度应激值K在时间T内进行积分：其中，T为n个连续加速度应激值的总采集时间，n大于等于5；

将L与预设的阈值L'进行比较，当L大于等于L'时，则判断为摔倒。

在一具体的实施方式中，所述步骤1中的无线连接至少包括近场无线连接、移动通信网络连接；当手环进入特定的近场无线连接覆盖区域时，自动建立手环与该区域中控制终端的无线连接，并进行实时数据传输；所述手环中保存有使用者的基本信息。具体的数据传输内容，可以通过用户或者医疗机构的具体要求而进行更改，例如传输老人的病史或者家庭信息，或者个人信息等，本发明并不以此为限。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种老人心率监护定位系统，所述系统包括手环、服务器；所述手环包含心率传感器、血压传感器、体温传感器、呼吸频率传感器、血氧探头、陀螺仪传感器、无线收发模块、处理器模块、定位模块；所述手环通过所述无线收发模块与所述服务器建立通信连接；所述无线收发模块至少包含远程无线通信模块、近场无线通信模块；其特征在于：所述近场无线通信模块包含RFID模块、ZIGBEE模块、蓝牙模块中的一种或其组合；所述远程无线通信模块包含2G、3G、4G中的一种或其组合；所述定位模块包含北斗、GPS和GLONASS中的一种或其组合。

2.根据权利要求1所述的系统，其特征在于，所述手环包括：智能表头，所述智能表头上设有第一连接带和第二连接带，第一连接带上设有两行排列的通孔，第二连接带上设有与通孔相适配的连接扣，所述智能表头的一侧设有智能按键、SIM卡座和开关键，所述智能表头的另一侧设有出声孔和紧急通话键，所述智能表头的底部设有USB座子，所述智能表头的上端设有显示单元和语音采集孔，所述智能表头内包含语音播报单元和语音采集单元。

3.根据权利要求2所述的系统，其特征在于：所述智能表头、第一连接带和第二连接带为一体成型，且所述智能表头、第一连接带和第二连接带的制作材料均为环保热塑性聚氨酯弹性体橡胶；

或者，所述SIM卡座为推拉结构，所述SIM卡座支持热插拔；

或者，所述陀螺仪传感器同时进行人体姿态检测，并在检测结果为摔倒时，向处理器模块发出信息，并触发报警。

4.根据权利要求1所述的系统，其特征在于：所述处理器模块进一步包含人体状态评估模块，所述人体状态评估模块基于所述心率传感器、血压传感器、体温传感器、呼吸频率传感器、血氧探头搜集的数据，进行人体状态评估；

优选的，所述人体状态评估模块将心率传感器、血压传感器、呼吸频率传感器搜集的数据作为一组分析数据，将体温传感器、呼吸频率传感器、血氧探头搜集的数据作为另一组分析数据，并依据上述两组分析数据获得人体状态评估值。

5.一种老人心率监护定位方法，其特征在于，该方法包含以下步骤：

步骤1、实时采集使用者心率、血压、体温、呼吸频率、血氧数据，实时采集使用者的加速度数据；并与远程终端建立无线联接；

步骤2、依据所述心率、血压、体温、呼吸频率、血氧数据，获取人体状态评估值，并与预设的状态阈值进行比较，并发出对应的人体状态信息；所述状态阈值为两个；依据所述加速度数据获取姿态值，并与预设的姿态阈值进行比较；

步骤3、当人体状态信息为健康时，则发送健康信号至远程终端，并在使用者佩戴的手环上显示健康信号；当人体状态为亚健康时，则发送亚健康信号及提醒信号至远程终端，并在使用者佩戴的手环上显示健康信号；当人体状态为报警时，则发送报警信号至远程终端，并触发手环的报警系统；

步骤4、当所述姿态值大于等于所述姿态阈值时，则发送摔倒报警信号至远程终端，并触发手环的报警系统。

6.根据权利要求5所述的方法，其特征在于：所述报警系统触发时，激活手环中的远程通信功能，并拨打预存的电话号码；当第一预存电话号码无法建立通话时，自动继续依序拨打下一预存的电话号码；若最后一预存的电话号码无法建立通话时，则返回拨打第一预存电话号码，并继续循环，直至成功建立通话。

7.根据权利要求5所述的方法，其特征在于，所述步骤2中，人体状态信息的获取方法为：

将心率、血压、呼吸频率数据作为一组分析数据，将体温、呼吸频率、血氧数据作为另一组分析数据，并依据上述两组分析数据获得人体状态评估值；

具体过程为：

在同一采样时间点采集的上述信号依次为(x(1)、x(2)、x(3)、x(4)、x(5))，将信号按照下式进行归一化处理：

$X\left(i\right)=\left(x\right(i)-\frac{max\left(x\right(i\left)\right)-min\left(x\right(i\left)\right)}{2})/\left(max\right(x\left(i\right))-min(x\left(i\right)\left)\right)$

其中，x(i)为归一化前的值，X(i)为归一化后的值，i＝1,2，…，5；设每组传感器在一个采样周期中的采样次数为k,则采样并归一化处理后后形成的两组分析数据为：

$\left[\begin{array}{ccc}X(1,1)& X(2,1)& X(3,1)\\ ...& ...& ...\\ X(1,k)& X(2,k)& X(3,k)\end{array}\right],\left[\begin{array}{ccc}X(3,1)& X(4,1)& X(5,1)\\ ...& ...& ...\\ X(3,k)& X(4,k)& X(5,k)\end{array}\right].$

8.根据权利要求5所述的方法，其特征在于，

所述步骤2中，通过预设的两状态判断函数：函数1、函数2，计算人体状态评估值；

所述函数1以心率、血压、呼吸频率数据作为输入，所述函数2以呼吸频率、体温、血氧数据作为输入；所述函数1、函数2的输出均分为健康、亚健康、报警三个级别；

所述函数1、函数2均通过BP神经网络训练实现；

所述状态阈值为：第一阈值Z1及第二阈值Z2，人体状态信息Z的具体求取方法为：

Z＝h₁H₁+h₂H₂，其中，h₁+h₂＝1并且h₁,h₂＞0，H₁、H₂分别为函数1、函数2的输出值；

当Z>Z1时，发出报警信号；当Z2≤Z≤Z1时，发出亚健康状态信号；当Z<Z2时，发出健康信号。

9.根据权利要求17所述的方法，其特征在于，所述BP神经网络训练步骤为：

(1)设置初始系数及阈值；所述阈值依据临床医疗经验数据获取；获取训练样本，所述训练样本由临床医疗经验数据；

(2)计算各隐含层及输出层的输出值：隐含层第i个单元的输出为：

$a_i^p=f(\underset{j=1}{\overset{m}{\&Sigma;}}{w}_{ij}\&times;u_j^p+c_j)$

输出层单元的输出为：

$b^p=f(\underset{i=1}{\overset{n}{\&Sigma;}}{w}_i\&times;a_j^p+c)$

其中，i＝1,2,…,n；j＝1,2,…,m；p＝1,2,…,N；m为输入节点数，n为隐含层节点数，N为训练样本数，w_ij为第j输入对隐含层第i个神经元的系数，w_i为第i隐含层单元对输入的加权系数，c_i为隐含层第i个神经元的阈值，为输入样本，f()为传递函数，c为输出层单元阈值；

(3)计算各层误差，并进行系数及阈值修正：

输出层误差为：

Δ^p＝b^p(1-b^p)(d^p-b^p)，其中d^p为针对样本p的各传感器参数，该传感器参数为本领域公知的经验值；

隐含层误差为：

${\mathrm{\&Delta;}}_i^p={\mathrm{\&Delta;}}^p{w}_i{a}_i^p(1-a_i^p)$

则输出层的系数修正及阈值修正分别为：

$w_i(k+1)=w_i\left(k\right)+\mathrm{\&xi;}\underset{p=1}{\overset{N}{\&Sigma;}}{\mathrm{\&Delta;}}_i^p{a}^p;c(k+1)=c\left(k\right)+\mathrm{\&xi;}\underset{p=1}{\overset{N}{\&Sigma;}}{\mathrm{\&Delta;}}^p;$

隐含层系数修正及阈值修正分别为：

$w_{ij}(k+1)=w_{ij}\left(k\right)+\mathrm{\&xi;}\underset{p=1}{\overset{N}{\&Sigma;}}{\mathrm{\&Delta;}}_i^p{a}_i^p;c_i(k+1)=c_i\left(k\right)+\mathrm{\&xi;}\underset{p=1}{\overset{N}{\&Sigma;}}{\mathrm{\&Delta;}}_i^p$

其中，ξ为学习效率，k为当前时刻，a^p为隐含层第p个样本下的输出；

(4)输出总误差：

$\mathrm{\&Omega;}=\frac{1}{2}\underset{p=1}{\overset{N}{\&Sigma;}}{(d^p-a^p)}^2$

当总误差满足要求时，完成网络训练，否则，返回步骤(2)，直至满足要求。

10.根据权利要求14所述的方法，其特征在于，所述步骤2中，依据所述加速度数据获取姿态值，并与预设的姿态阈值进行比较的具体方法为：

在一采样周期内，采集人体在立体空间中3个方向的加速度值(k_x,k_y,k_z)，求取3个方向的加速度应激值K，有： $K=\frac{1}{3}(\sqrt{k_x^2+k_y^2}+\sqrt{k_y^2+k_z^2}+\sqrt{k_x^2+k_z^2});$

对连续n个上述加速度应激值K在时间T内进行积分：其中，T为n个连续加速度应激值的总采集时间，n大于等于5；

将L与预设的阈值L'进行比较，当L大于等于L'时，则判断为摔倒。