CN107536602B - 基于脉搏波的吸毒人员筛查方法 - Google Patents
基于脉搏波的吸毒人员筛查方法 Download PDFInfo
- Publication number
- CN107536602B CN107536602B CN201710916341.7A CN201710916341A CN107536602B CN 107536602 B CN107536602 B CN 107536602B CN 201710916341 A CN201710916341 A CN 201710916341A CN 107536602 B CN107536602 B CN 107536602B
- Authority
- CN
- China
- Prior art keywords
- pulse wave
- pulse
- variability
- parameters
- period
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Abstract
一种基于脉搏波的吸毒人员筛查方法,步骤包括:1)首先利用脉搏波采集装置采集到被测人员的脉搏波;2)由脉搏波处理得到脉搏波参数得出被测试者的特征变异性图形;计算脉搏波特征变异性图形;脉搏波参数包括:脉搏波脉搏周期总时间、脉搏波传导时间参数,3)使用大数据模型依据上述参数进行判定。本发明提出一种基于脉搏波的吸毒人员筛查方法,从而降低了检测成本,简化了吸毒人员检测流程,缩短了吸毒人员检测时间,提高了吸毒人员检测成功率。
Description
技术领域
本发明属于警务信息技术应用领域,具体是基于脉搏波提供吸毒人员快速鉴别的方法。
背景技术
毒品危害是当今我国广泛而严重的社会问题。据国家禁毒委员会办公室发布的《2016年中国毒品形势报告》,截止2016年底,我国现有吸毒人口约250.5万,相比2015年增长6.8%。其中,18岁到35岁的吸食人数约146.4万,占比58.4%;36岁到59岁约100.3万名,占比40%。毒品会对人体神经、呼吸、循环等系统与各个脏器产生长期不可逆的损伤,吸毒会严重危害人的身心健康。毒品泛滥使国家遭受了重大损失。第一,吸毒者每年消耗数百亿到上千亿人民币以购买毒品,导致社会财富大批流失;第二,吸毒者本身丧失劳动能力,导致人力资源的巨大浪费;第三,吸毒者由于经济、家庭等问题,可能对社会治安产生很大危害;第四,吸毒者的毒驾行为可能会造成严重交通事故,给公民人生财产安全带来极大危害。在实际工作中,为进行毒品人员的检测,常用的检材有血液、尿液、毛发等,目前采用的主要技术手段有尿液检测与血液检测。
尿液检测方式的原理是检测毒品在人体中代谢产物来判定毒品滥用状况的。尿液检测的缺陷是在毒品代谢周期之后(通常为三天至一周)检测不出毒品摄入。此外,尿液检测的局限性还有吸毒嫌疑人会因紧张或其他原因不能及时配合公安干警排出尿液从而影响检测效率。同时基层缉毒干警的性别组成以男性居多,女性偏少,在针对女嫌疑人进行尿检时,会导致女干警警力不足的现象。某些食品或药品如急支糖浆等感冒药以及不法商家生产的如火锅、麻辣烫等会造成假阳性误检。而且尿液检测使用试纸为一次性耗材,不能重复使用,会有较大的经费开支。
血液检测虽然准确率很高,但是血液分析所需要的仪器设备过于昂贵、需要专业人员操作,不适合在基层禁毒单位部署。
发明内容
脉搏波一种是利用生物传感器对生物外周循环产品的直径、体积和压力等变化产生的生物信号,这些信号包含了生物体中非常丰富的的生理生化特征,这些生理生化特征总体分为如下几类:1、化学信号,例如血液中血氧含量、血液中的葡萄糖含量、血液中的激素含量;2、物理信号,例如血管硬度,血液粘度、血管弹性等;3、生物信号,例如神经系统中的活性,人体主要脏器的功能等;通过处理脉搏波的相关特征,对其进行大数据模型的分类筛选,可以得出被测试人员当下的生理状态。通过这些特征可以得出被测者是否吸食毒品。
本发明提出一种基于脉搏波的吸毒人员筛查方法,从而降低了检测成本,简化了吸毒人员检测流程,缩短了吸毒人员检测时间,提高了吸毒人员检测成功率。
为了实现上述目的,本发明的设计思想是,首先利用脉搏波采集装置采集到脉搏波,经由脉搏周期提取计算模块、脉搏波特征变异性图形参数计算模块、脉搏波波形参数计算模块得到脉搏波脉搏周期、脉搏波传导时间等参数,得出被测试者的特征变异性图形,并计算脉搏波特征变异性图形,使用吸毒人员大数据建模及判定模块依据上述参数进行判定,最后将上述步骤产生的数据回传至远程服务器进行存储,查询,分析并显示。
步骤一是脉搏波信号的载入。
由脉搏波采集装置对本方法设计的产品中传入被测人员(包括吸毒人员和未吸毒人员)的脉搏波信号;
步骤二是脉搏波信号的合法性检测:
由产品的合法性检测模块对脉搏波信号进行运算检测,判定此脉搏波是否合法;
步骤三是脉搏波的去噪与变换:
由产品的数字滤波模块对脉搏波进行变换去噪;
步骤四是脉搏波脉搏周期的提取。
由脉搏波脉搏周期提取计算模块提取出步骤三传入的脉搏波的脉搏周期序列;
步骤五是脉搏波特征变异性图形参数的计算。由脉搏波特征变异性图形参数计算模块对步骤四得到的脉搏波脉搏周期序列生成脉搏波特征变异性图形,并计算脉搏波特征变异性图形参数,并输出至吸毒人员样本数据库(包括吸毒人员和未吸毒人员的样本数据),为步骤七的模型构建提供样本支撑。同时输出至吸毒人员分类预测模型进行判定;
步骤六是脉搏波参数的计算。
由产品的脉搏波参数计算模块进行处理得到脉搏波参数,并输出至吸毒人员样本数据库(包括吸毒人员和未吸毒人员的样本数据),为步骤七的模型构建提供样本支撑。同时输出至吸毒人员分类预测模型进行判定;
步骤七是吸毒人员分类预测模型的构建及使用。
由产品的吸毒人员大数据建模及判定模块中的吸毒人员大数据建模子模块根据吸毒人员样本数据库构建模型并使用吸毒人员大数据判定子模块判定被测人员是否为吸毒人员。
步骤八是远程数据处理:由产品利用GPRS网络、3G网络、4G网络或WIFI网络等网络连接方式接入互联网,将以上步骤产生的被测人员(包括吸毒人员和未吸毒人员)数据传输并存储到远程服务器,由远程服务器对被测人员(包括吸毒人员和未吸毒人员)数据进行分类,查询,统计,分析和管理等功能。
步骤九是数据显示:产品的云端数据处理模块实现对远程服务器提供的数据服务功能的结果以报表或图形的方式显示到屏幕上。
附图说明
图1、基于脉搏波的吸毒人员筛查方法结构图;
图2、脉搏波合法性检测流程图;
图3、数字滤波流程图;
图4、吸毒人员大数据建模及判定模块子模块工作流程图;
图5、吸毒人员分类预测模型的构建和使用流程图。
具体实施方式
一种基于脉搏波的吸毒人员筛查方法,步骤包括:
1)首先利用脉搏波采集装置采集到被测人员的脉搏波;
2)把脉搏波处理得到脉搏波脉搏周期、脉搏波传导时间参数,得出被测试者的特征变异性图形;计算脉搏波特征变异性图形;
3)使用大数据模型依据上述参数进行判定。
4)所述脉搏波脉搏周期、脉搏波传导时间参数最后将回传至远程服务器进行存储,查询,分析并显示。
所述步骤2)中,
步骤1是脉搏波信号的合法性检测:对脉搏波信号进行运算检测,判定此脉搏波是否合法;
步骤2是脉搏波的去噪与变换:对脉搏波进行去噪与变换;
步骤3是脉搏波脉搏周期的提取:提取出步骤2传入的脉搏波的脉搏周期序列;
步骤4是脉搏波特征变异性图形参数的计算:
对步骤3得到的脉搏波脉搏周期序列生成脉搏波特征变异性图形,并计算脉搏波特征变异性图形参数,并输出至如图4描述的吸毒人员样本数据库,为步骤3)的模型构建提供样本支撑,同时输出至吸毒人员分类预测模型进行判定;
步骤5是脉搏波参数的计算:
计算出脉搏波参数,并输出至吸毒人员样本数据库,为步骤3)的模型构建提供样本支撑,同时输出至吸毒人员分类预测模型进行判定;
所述步骤3)中,
吸毒人员分类预测模型的构建及使用:构建吸毒人员分类预测模型及使用模块根据步骤2)中的步骤4,步骤5生成的吸毒人员样本数据库构建模型,并使用吸毒人员分类预测模型判定被测人员是否为吸毒人员。
本例结合附图对本方法说明:
图1是本方法的原理示意图。
步骤一是脉搏波信号的载入
由脉搏波采集装置对本方法设计的产品传入脉搏波信号;
步骤二是脉搏波信号的合法性检测。
如图2所示,首先载入脉搏波信号,对脉搏波信号长度进行计数,判断其长度是否满足最低要求,若不满足要求,则该信号不合法;对信号进行长度为2048个点,步长为300个点的切割,分别然后计算信号0值长度,若长度不在目标范围。则该信号不合法;再进行快速傅里叶变换,计算频谱的极大值是否在目标范围内,若不在目标范围,则该信号不合法。计算波形极差,若极差在目标范围内,输出信号;
步骤三是脉搏波的去噪与变换。
如图3所示,将合法信号对信号进行长度为2048个点,步长为300个点的切割,分别进行平滑滤波、中值滤波,然后进行小波分解,小波分解公式为:
其中,X为变换后的信号,a为时间,b为尺度,x(t)为原信号,ψ为小波母函数,t为时间自变量。
使用sym8小波将信号分解为高频,中频,低频三部分,在这里选用sym小波是因为其具有正则性,正交性、具有较大的支撑长度并同时支持离散小波变换,同时,结合小波变换本身对生物信号具有较强的保护性,可以最大限度地保留脉搏波携带的特异性信息,使用分解的小波系数分别重建三部分信号,低于阈值的信号进行舍弃。滤波结果进行重组,得到有效信号。
步骤四是脉搏波脉搏周期的提取
脉搏波脉搏周期总时间t的计算方法为
t=x3-x0
其中,x3为脉搏波最终波谷位置,x0为脉搏波起始波谷位置;首先,载入处理后的脉搏波信号;其次,对脉搏波采样序列进行排序处理,定位脉搏波起始波谷和最终波谷;最后通过脉搏波最终波谷x3和起始波谷x0的位置(时间点)差得出脉搏波时域类参数t。一段脉搏波时域类参数t组成的序列即是脉搏波脉搏周期序列。
步骤五是脉搏波特征变异性图形参数的计算
由产品的脉搏波特征变异性图形参数处理模块对脉搏周期序列进行错位绘图。首先,以前一个脉搏周期长度为横坐标,以相邻的下一个脉搏周期长度为纵坐标进行绘图,得到脉搏波特征变异性图形。此图形可以表现出被测者的总体自主神经功能与微循环功能。
脉搏波特征变异性图形长度计算的方法为:首先,计算脉搏波特征变异性图形坐标之和,再次,对脉搏波坐标进行排序,得到脉搏波特征变异性图形坐标最大值和最小值对应坐标,并进行如下计算:
其中x1为脉搏波特征变异性图形坐标之和最大值对应的横坐标,x2为脉搏波特征变异性图形坐标之和最小值对应的横坐标,y1为脉搏波特征变异性图形坐标之和最大值对应的纵坐标,y2脉搏波特征变异性图形坐标之和为最小值对应的纵坐标。
脉搏波特征变异性图形宽度计算的方法为:首先,计算脉搏波特征变异性图形坐标之差,再次,对脉搏波特征变异性图形坐标之差进行排序,得到脉搏波特征变异性图形坐标之差最大值和最小值对应坐标,并进行如下计算:
其中x3为脉搏波特征变异性图形坐标之差最大值对应的横坐标,x4为脉搏波特征变异性图形坐标之差最小值对应的横坐标,y3为脉搏波特征变异性图形坐标之差最大值对应的纵坐标,y4为脉搏波特征变异性图形坐标之差最小值对应的纵坐标。
图形面积计算方法为:将上述步骤得到的脉搏波特征变异性图形长度L乘以脉搏波特征变异性图形宽度W得到脉搏波特征变异性图形面积S
S=W*L
最后将计算出的脉搏波特征变异性图形参数输出至吸毒人员样本数据库(包括吸毒人员和未吸毒人员的样本数据),为步骤七的模型构建提供样本支撑。同时输出至吸毒人员分类预测模型进行判定;
步骤六是脉搏波参数的计算
脉搏波参数分为三类:脉搏波时域类参数、脉搏波频域类参数、脉搏波统计类参数。这三类参数从不同方面描绘了人体的心血管功能与神经系统功能,描述内容涵盖了人体主要脏器的运转信息,并对人体各项生理指标的定量描述提供了参考。
脉搏波时域类参数:
该类型参数是对脉搏波采样序列的特征点(如波峰、波谷、拐点、重搏点、反射点等)在时间序列上的位置(时间点),幅度,以及各点围成的面积等因素综合分析得出的参数;
脉搏波频域类参数:
该类型参数是对脉搏波频谱的特征点(如最大峰值点,各谐波峰值点,特定频点等)在频域序列上的位置(频点),幅度,以及各点围成的面积等因素综合分析得出的参数;
脉搏波统计类参数:
该类型参数是利用现代统计学对多个脉搏波信号的脉搏波时域类参数和脉搏波频域类参数构造得到的参数。
此处,本例方法中使用到的参数有:脉搏波传导时间PWTT、脉搏波上升期指数T1、脉搏波下降期指数T2。
脉搏波传导时间PWTT计算方法为:
PWTT=abs(x1-x2)
其中x1为定位的反射点对应的位置(时间点),x2位定位的脉搏波加速度最大点对应的位置(时间点)。首先,载入处理后的脉搏波信号;其次,对上述信号进行二次微分,定位第一个和第二个波峰,第一个波峰对应x2,第二个波峰对应x1,完成x1和x2特征点的定位;最后通过上述x1和x2所在位置的差的绝对值计算得出脉搏波时域类参数PWTT。
脉搏波上升期指数T1计算方法为
T1=t1/t*100%
其中t是脉搏周期总时间,t1是脉搏周期上升期时间;首先,载入处理后的脉搏波信号;其次,对脉搏波采样序列进行排序处理,定位脉搏波最大值、起始波谷和最终波谷;再次,通过最终波谷x3和起始波谷x0的位置(时间点)差得出t;然后通过脉搏波最大值的位置和起始波谷的位置(时间点)差得出t1,最后通过脉搏周期上升期时间t1和脉搏周期总时间t的比值并进行归一化处理得到T1。
脉搏波下降期指数T2计算方法为
T2=t2/t*100%
其中t是脉搏周期总时间,t2是脉搏周期下降期时间。首先,载入处理后的脉搏波信号;其次,对脉搏波采样序列进行排序处理,定位脉搏波最大值、起始波谷和最终波谷;再次,通过最终波谷x3和起始波谷x0的位置(时间点)差得出t;然后通过脉搏波最大值的位置和最终波谷的位置(时间点)差得出t2,最后通过脉搏周期上升期时间t1和脉搏周期总时间t的比值并进行归一化处理得到T2。
最后将计算出的脉搏波参数输出至吸毒人员样本数据库(包括吸毒人员和未吸毒人员的样本数据),为步骤七的模型构建提供样本支撑。同时输出至吸毒人员大数据建模及判定模块中的吸毒人员大数据判定子模块进行判定;
步骤七是吸毒人员大数据模型的构建和使用,如图5。
第一步,吸毒数据预处理。对数值指标归一化,对类别指标因子化,对目标变量因子化。指标为PWTT(脉搏波传导时间),height(身高),weight(体重),age(年龄),gender(性别),T1(脉搏波上升期指数),T2(脉搏波下降期指数),W(脉搏波特征变异性图形宽度),L(脉搏波特征变异性图形长度),S(脉搏波特征变异性图形面积)。目标变量为TF(是否吸毒)。
第二步,吸毒特征工程。采用lasso逻辑回归筛选生理特征指标,剔除age指标。
第三步,第一次吸毒分类器构建。在训练集通过交叉验证构建决策树,根据信息增益原则以及后剪枝步骤,剔除变量height,weight。形成分类器A。
第四步,第一次吸毒分类器A评估。在测试集上验证分类器A分类效果,发现预测的准确率为75%,召回率为55%,模型质量较差,返回特征工程。
第五步,第二次特征工程和吸毒分类器构建。由于单分类器预测效果差,选择随机森林作为强分类器。在训练集通过交叉验证自动进行特征工程,并构建随机森林分类器,形成分类器B。
第六步,第二次吸毒分类器B评估。在测试集上验证随机森林分类效果,发现预测的准确率为95%,召回率为91%,模型质量较高,不需重新建模,保留分类器B。
第七步,吸毒人员分类预测模型的确定和使用。将第二次构建的吸毒分类器B作为吸毒人员分类预测模型,对该模型进行有效存储并使用该模型对新的被测人员(包括吸毒人员和未吸毒人员)进行分类。
步骤八是远程数据处理:由产品利用GPRS网络、3G网络、4G网络或WIFI网络等网络连接方式接入互联网,将以上步骤产生的被测人员(包括吸毒人员和未吸毒人员)数据传输并存储到远程服务器,由远程服务器对被测人员(包括吸毒人员和未吸毒人员)数据进行分类,查询,统计,分析和管理等功能。
步骤九是数据显示:
产品的显示模块实现对远程服务器提供的数据服务功能的结果以报表或图形的方式显示到屏幕上。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于脉搏波的吸毒人员筛查方法,其特征是步骤包括:
1)首先利用脉搏波采集装置采集到被测人员的脉搏波;
2)具体包括步骤2.1)~2.5):
2.1)是脉搏波信号的合法性检测:对脉搏波信号进行运算检测,判定此脉搏波是否合法;
2.2)是脉搏波的去噪与变换:对脉搏波进行去噪与变换;
2.3)是脉搏波脉搏周期的提取:提取出脉搏波的脉搏周期序列;
2.4)是脉搏波特征变异性图形参数的计算:
对2.3)得到的脉搏波脉搏周期序列生成脉搏波特征变异性图形,并计算脉搏波特征变异性图形参数,并输出至吸毒人员样本数据库,为步骤3)的模型构建提供样本支撑,同时输出至吸毒人员分类预测模型进行判定;
脉搏波特征变异性图形是以前一个脉搏周期长度为横坐标,以相邻的下一个脉搏周期长度为纵坐标进行绘图得到;
2.5)是脉搏波参数的计算:
计算出脉搏波参数,并输出至吸毒人员样本数据库,为步骤3)的模型构建提供样本支撑,同时输出至吸毒人员分类预测模型进行判定;
3)吸毒人员分类预测模型的构建及使用:构建吸毒人员分类预测模型及使用模块根据步骤2.4),步骤2.5)生成的吸毒人员样本数据库构建模型,并使用吸毒人员分类预测模型判定被测人员是否为吸毒人员。
2.根据权利要求1所述的筛查方法,其特征是所述脉搏波脉搏周期、脉搏波传导时间参数最后将回传至远程服务器进行存储,查询,分析并显示。
3.根据权利要求1或2所述的筛查方法,其特征是所述步骤2)中:
2.1)是脉搏波信号的合法性检测:
首先载入脉搏波信号,对脉搏波信号长度进行计数,判断其长度是否满足最低要求,若不满足要求,则该信号不合法;对信号进行长度为2048个点,步长为300个点的切割,分别然后计算信号0值长度,若长度不在目标范围;则该信号不合法;再进行快速傅里叶变换,计算频谱的极大值是否在目标范围内,若不在目标范围,则该信号不合法;计算波形极差,若极差在目标范围内,输出信号;
2.2)是脉搏波的去噪与变换:
将合法信号对信号进行长度为2048个点,步长为300个点的切割,分别进行平滑滤波、中值滤波,然后进行小波分解,小波分解公式为:
其中,X为变换后的信号,a为时间,b为尺度,x(t)为原信号,ψ为小波母函数,t为时间自变量;
使用sym8小波将信号分解为高频,中频,低频三部分,在这里选用sym小波是因为其具有正则性,正交性、具有较大的支撑长度并同时支持离散小波变换,同时,结合小波变换本身对生物信号具有较强的保护性,可以最大限度地保留脉搏波携带的特异性信息,使用分解的小波系数分别重建三部分信号,低于阈值的信号进行舍弃;滤波结果进行重组,得到有效信号;
2.3)是脉搏波脉搏周期的提取:
脉搏波脉搏周期总时间t的计算方法为
t=x3-x0
其中,x3为脉搏波最终波谷位置,x0为脉搏波起始波谷位置;
首先,载入处理后的脉搏波信号;然后,对脉搏波采样序列进行排序处理,定位脉搏波起始波谷和最终波谷;最后,通过脉搏波最终波谷x3和起始波谷x0的表示时间点的位置差得出脉搏波时域类参数t;一段脉搏波时域类参数t组成的序列即是脉搏波脉搏周期序列;
2.4)是脉搏波特征变异性图形参数的计算:
对脉搏周期序列进行错位绘图,得到脉搏波特征变异性图形;此图形总体表现出被测者的总体自主神经功能与微循环功能;
脉搏波特征变异性图形长度计算的方法为:首先,计算脉搏波特征变异性图形坐标之和,然后,对脉搏波坐标进行排序,得到脉搏波特征变异性图形坐标最大值和最小值对应坐标,并进行如下计算:
其中x1为脉搏波特征变异性图形坐标之和最大值对应的横坐标,x2为脉搏波特征变异性图形坐标之和最小值对应的横坐标,y1为脉搏波特征变异性图形坐标之和最大值对应的纵坐标,y2脉搏波特征变异性图形坐标之和为最小值对应的纵坐标;
脉搏波特征变异性图形宽度计算的方法为:首先,计算脉搏波特征变异性图形坐标之差,然后,对脉搏波特征变异性图形坐标之差进行排序,得到脉搏波特征变异性图形坐标之差最大值和最小值对应坐标,并进行如下计算:
其中x3为脉搏波特征变异性图形坐标之差最大值对应的横坐标,x4为脉搏波特征变异性图形坐标之差最小值对应的横坐标,y3为脉搏波特征变异性图形坐标之差最大值对应的纵坐标,y4为脉搏波特征变异性图形坐标之差最小值对应的纵坐标;
图形面积计算方法为:将脉搏波特征变异性图形长度L乘以脉搏波特征变异性图形宽度W得到脉搏波特征变异性图形面积S
S=W*L
最后将计算出的脉搏波特征变异性图形参数输出至吸毒人员样本数据库,同时输出至吸毒人员分类预测模型进行判定;
2.5)是脉搏波参数的计算
脉搏波传导时间PWTT计算方法为:
PWTT=abs(x1-x2)
其中x1为定位的反射点对应的表示时间点的位置,x2为定位的脉搏波加速度最大点对应的表示时间点的位置;
首先,载入处理后的脉搏波信号;然后,对上述信号进行二次微分,定位第一个和第二个波峰,第一个波峰对应x2,第二个波峰对应x1,完成x1和x2特征点的定位;最后通过上述x1和x2所在位置的差的绝对值计算得出脉搏波时域类参数PWTT;
脉搏波上升期指数T1计算方法为
T1=t1/t*100%
其中t是脉搏周期总时间,t1是脉搏周期上升期时间;
首先,载入处理后的脉搏波信号;然后,对脉搏波采样序列进行排序处理,定位脉搏波最大值、起始波谷和最终波谷;再次,通过最终波谷x3和起始波谷x0的表示时间点的位置差得出t;然后通过脉搏波最大值的位置和起始波谷的表示时间点的位置差得出t1,最后通过脉搏周期上升期时间t1和脉搏周期总时间t的比值并进行归一化处理得到T1;
脉搏波下降期指数T2计算方法为
T2=t2/t*100%
其中t是脉搏周期总时间,t2是脉搏周期下降期时间;
首先,载入处理后的脉搏波信号;然后,对脉搏波采样序列进行排序处理,定位脉搏波最大值、起始波谷和最终波谷;接着,通过最终波谷x3和起始波谷x0的表示时间点的位置差得出t;再通过脉搏波最大值的位置和最终波谷的表示时间点的位置差得出t2,最后通过脉搏周期上升期时间t1和脉搏周期总时间t的比值并进行归一化处理得到T2;
最后将计算出的脉搏波参数输出至吸毒人员样本数据库,同时输出至吸毒人员分类预测模型进行判定。
4.根据权利要求3所述的筛查方法,其特征是所述步骤3)中,吸毒人员分类预测模型的构建及使用:
步骤一,吸毒数据预处理:对数值指标归一化,对类别指标因子化,对目标变量因子化;生理特征指标为脉搏波传导时间PWTT,身高height,体重weight,年龄age,性别gender,脉搏波上升期指数T1,脉搏波下降期指数T2,脉搏波特征变异性图形宽度W,脉搏波特征变异性图形长度L,脉搏波特征变异性图形面积S;目标变量为表示是否吸毒的TF;
步骤二,吸毒特征工程:采用lasso逻辑回归筛选生理特征指标,剔除age指标;
步骤三,第一次吸毒分类器构建:在训练集通过交叉验证构建决策树,根据信息增益原则以及后剪枝步骤,剔除变量height,weight;形成吸毒分类器A;
步骤四,第一次吸毒分类器A评估:在测试集上验证分类器A分类效果,发现预测的准确率为75%,召回率为55%,模型质量较差,返回步骤二;
步骤五,第二次特征工程和吸毒分类器构建:由于单分类器预测效果差,选择随机森林作为强分类器;在训练集通过交叉验证自动进行特征工程,并构建随机森林分类器,形成吸毒分类器B;
步骤六,第二次吸毒分类器B评估:在测试集上验证随机森林分类效果,发现预测的准确率为95%,召回率为91%,模型质量较高,不需重新建模,保留分类器B;
步骤七,吸毒人员分类预测模型的确定和使用:将第二次构建的吸毒分类器B作为吸毒人员分类预测模型,对该模型进行有效存储并使用该模型对新的生理数据进行分类。
5.根据权利要求4所述的筛查方法,其特征是还包括:
步骤八是远程数据处理:利用GPRS网络、3G网络、4G网络或WIFI网络连接方式接入互联网,将以上步骤一~七产生的被测人员数据传输并存储到远程服务器,由远程服务器对被测人员数据进行分类,查询,统计,分析和管理;
步骤九是数据显示:对远程服务器提供的数据服务功能的结果以报表或图形的方式进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710916341.7A CN107536602B (zh) | 2017-09-30 | 2017-09-30 | 基于脉搏波的吸毒人员筛查方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710916341.7A CN107536602B (zh) | 2017-09-30 | 2017-09-30 | 基于脉搏波的吸毒人员筛查方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107536602A CN107536602A (zh) | 2018-01-05 |
CN107536602B true CN107536602B (zh) | 2020-02-18 |
Family
ID=60963793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710916341.7A Active CN107536602B (zh) | 2017-09-30 | 2017-09-30 | 基于脉搏波的吸毒人员筛查方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107536602B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111803031A (zh) * | 2020-07-03 | 2020-10-23 | 赵永翔 | 一种非接触式吸毒人员复吸监测方法及系统 |
CN111839482A (zh) * | 2020-07-30 | 2020-10-30 | 杭州艺兴科技有限公司 | 一种基于ippg的非接触式吸毒人员监测方法和系统 |
CN111870235A (zh) * | 2020-08-04 | 2020-11-03 | 杭州艺兴科技有限公司 | 一种基于ippg的吸毒人员筛查方法 |
CN112869717B (zh) * | 2021-02-25 | 2023-02-24 | 佛山科学技术学院 | 一种基于bl-cnn的脉搏特征识别分类系统及方法 |
CN116392076A (zh) * | 2023-04-06 | 2023-07-07 | 杭州臻稀生物科技有限公司 | 一种基于边缘计算的吸毒人员检测系统及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4841973A (en) * | 1987-09-21 | 1989-06-27 | Stecker Harold D | Electrical stimulators |
US9101264B2 (en) * | 2006-06-15 | 2015-08-11 | Peerbridge Health, Inc. | Wireless electrode arrangement and method for patient monitoring via electrocardiography |
CN104715139B (zh) * | 2015-02-02 | 2017-12-01 | 张振声 | 一种特殊人员风险行为评估方法 |
CN105354956B (zh) * | 2015-11-10 | 2017-06-23 | 成都智慧数联信息技术有限公司 | 基于数据挖掘和大数据分析的云计算平台及方法 |
CN106137263B (zh) * | 2016-07-25 | 2019-04-02 | 南京市小鲸鲨信息科技有限公司 | 一种基于云端分析技术的排卵测定仪及其测定方法 |
-
2017
- 2017-09-30 CN CN201710916341.7A patent/CN107536602B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107536602A (zh) | 2018-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107536602B (zh) | 基于脉搏波的吸毒人员筛查方法 | |
Lenton et al. | Early warning of climate tipping points from critical slowing down: comparing methods to improve robustness | |
CN109961017A (zh) | 一种基于卷积循环神经网络的心音信号分类方法 | |
Zhao et al. | How well do acoustic indices measure biodiversity? Computational experiments to determine effect of sound unit shape, vocalization intensity, and frequency of vocalization occurrence on performance of acoustic indices | |
CN103989485A (zh) | 基于脑电波的人体疲劳度评价方法 | |
CN111513730B (zh) | 基于多通道生理数据的心理压力预测方法和系统 | |
US20110257556A1 (en) | Systems and methods for quantitatively characterizing slow wave activities and states in sleep | |
CN110037668A (zh) | 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统 | |
CN103971702A (zh) | 声音监控方法、装置及系统 | |
CN109171678B (zh) | 一种脉搏波的分析方法及装置 | |
CN107348964B (zh) | 基于因子分析的特长隧道环境驾驶人心理负荷测量方法 | |
CN108090509A (zh) | 一种数据长度自适应的心电图分类方法 | |
CN103198211A (zh) | 2型糖尿病发病危险因素对血糖影响的定量分析方法 | |
Cheng et al. | Atrial fibrillation identification with PPG signals using a combination of time-frequency analysis and deep learning | |
CN107808663A (zh) | 基于dbn和rf算法的帕金森病语音数据分类系统 | |
CN109106345A (zh) | 脉搏信号特征检测方法和装置 | |
Klco et al. | Novel computer algorithm for cough monitoring based on octonions | |
CN113796873B (zh) | 穿戴式动态心电信号分类方法及系统 | |
CN106901689A (zh) | 基于实物交互的认知和运动功能检测系统及数据处理方法 | |
Xiao et al. | AMResNet: An automatic recognition model of bird sounds in real environment | |
Tseng et al. | Automatic bird sound detection: logistic regression based acoustic occupancy model | |
CN208677390U (zh) | 一种脑电波获取仪 | |
CN109036552A (zh) | 中医诊断终端及其存储介质 | |
CN110477932B (zh) | 一种基于互联网与云计算的学生心理压力评估方法及系统 | |
RU2480156C1 (ru) | Адаптивный способ дистанционного выявления реакций человека на неосознаваемые психические раздражители путем анализа вариабельности сердечного ритма |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |