CN110909876A - 基于多生理参数和cnn的体征信息监测方法和系统 - Google Patents
基于多生理参数和cnn的体征信息监测方法和系统 Download PDFInfo
- Publication number
- CN110909876A CN110909876A CN201911182762.7A CN201911182762A CN110909876A CN 110909876 A CN110909876 A CN 110909876A CN 201911182762 A CN201911182762 A CN 201911182762A CN 110909876 A CN110909876 A CN 110909876A
- Authority
- CN
- China
- Prior art keywords
- physiological parameters
- module
- cnn
- server
- layer
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 230000036772 blood pressure Effects 0.000 claims abstract description 14
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 11
- 239000008280 blood Substances 0.000 claims abstract description 11
- 210000004369 blood Anatomy 0.000 claims abstract description 11
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 11
- 239000001301 oxygen Substances 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000001149 cognitive effect Effects 0.000 claims description 5
- 230000002996 emotional effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 108010064719 Oxyhemoglobins Proteins 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000035790 physiological processes and functions Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 238000009530 blood pressure measurement Methods 0.000 claims description 2
- 238000009529 body temperature measurement Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 238000009532 heart rate measurement Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000012800 visualization Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Fuzzy Systems (AREA)
- Pulmonology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种基于多生理参数和CNN的体征信息监测方法和系统，包括：集成式手环终端、路由协调器、服务器、监护中心和体征信息监测模块，集成式手环终端与路由协调器相连并传输采集到的血压、血氧饱和度、体表温度和心率等，路由协调器与服务器相连并传输多项生理参数经过编码之后的数据帧，服务器通过以太网口接收协调器传输的数据帧，解码之后可得到被测对象的各项生理参数，生理参数经过处理后通过监护中心实时显示，监护中心与服务器相连并实时显示多项生理参数的动态变化曲线，体征信息监测模块与服务器相连，服务器中存储的多项生理参数作为体征信息监测模块的输入。本发明能够自动的从采集到的生理参数中提取特征，并实现高精度的识别。
Description
技术领域
本发明涉及的是一种模式识别领域的技术，具体是一种用于可穿戴式多生理参数监测系统中的体征信息监测方法。
背景技术
传统的医疗设备存在体积大、线路多、操作繁琐、移动不便且功能单一等缺点。随着传感器技术、无线传输技术、微型化集成技术的发展，无线监护以其多生理参数集成测量、灵活便携、非侵入、智能高效等优势已被应用至老年人、慢性病患者、术后康复患者等诸多群体。
传统的模式识别方法需要特定领域的专业知识进行特征的设计和提取，设计的特征也不具有普适性，因此在解决不同领域的问题时可能需要重新进行特征设计。近些年来深度学习技术取得了巨大的发展，其中被研究得最多的卷积神经网络(ConvolutionalNeural Networks，CNN)已被应用于图像识别、语音识别、情绪识别以及行为识别等领域，此外，CNN在涉及多通道的生理参数的处理中也有广泛应用。
发明内容
针对现有技术存在的上述不足，以及传统医疗设备在实时监测中存在的问题和传统模式识别方法存在的不足，本发明提出一种基于多生理参数和CNN的体征信息监测方法和系统，在解决了传统医疗设备功能单一、操作繁杂等问题的基础上，使用CNN模型用于体征信息监测，对比传统的模式识别方法，CNN能够自动的从采集到的生理参数中提取特征，并实现高精度的识别。
本发明是通过以下技术方案实现的：
本发明包括：集成式手环终端、路由协调器、服务器、监护中心和体征信息监测模块，其中：集成式手环终端与路由协调器相连并传输采集到的血压、血氧饱和度、体表温度和心率等，路由协调器与服务器相连并传输多项生理参数经过编码之后的数据帧，服务器通过以太网口接收协调器传输的数据帧，解码之后可得到被测对象的各项生理参数，生理参数经过处理后通过监护中心实时显示，监护中心与服务器相连并实时显示多项生理参数的动态变化曲线，体征信息监测模块与服务器相连，服务器中存储的多项生理参数作为体征信息监测模块的输入。
所述的集成式手环终端包括：微处理器模块、血压测量模块、血氧饱和度测量模块、心率测量模块、体表温度测量模块、三轴加速度测量模块、模数转换器模块以及射频模块，其中：微处理器模块与模数转换器相连并接收多项生理参数模数转换后的数字信号，血压测量模块与被测对象相连并采集血压信号，血氧饱和度测量模块与被测对象相连并采集血氧信号，心率测量模块与被测对象相连并采集心率信号，体表温度测量模块与被测对象相连并采集体表温度信号，三轴加速度测量模块与被测对象相连并采集三轴加速度信号，模数转换器模块与血压测量模块、血氧饱和度测量模块、心率测量模块、体表温度测量模块以及三轴加速度测量模块相连并将所述模块采集到的模拟信号转换成数字信号，射频模块与微处理器模块相连并传输多项生理参数。
所述的路由协调器包括：微处理器模块、射频模块和以太网接口，其中：微处理器控制射频模块接收来自手环终端的数据帧，当使用了多个手环终端进行多人的实时监测时，所有手环终端的采集到的数据都将直接或间接的转发至协调器，最后通过协调器的以太网口上传至服务器。
所述的监护中心包括：信息录入单元、存储单元、手环终端的设备绑定单元以及各项生理参数的实时可视化单元，其中：信息录入单元、设备绑定单元嵌入在监护中心的软件界面，存储单元与服务器相连并存储被测对象以及设备信息，实时可视化单元作为显示界面与服务器相连并实时显示各项生理参数，一旦某项参数超过设定的阈值，监护界面会显示预警信息，方便监护人员和医护人员及时了解被测对象的生理状态。
本发明涉及上述系统的基于多生理参数和CNN的体征信息监测方法，包括以下步骤：
1)实时的采集被测对象的多项生理参数，包括血压、血氧饱和度、心率、体表温度以及三轴加速度。
2)利用多项生理参数构造用于体征信息监测的特征向量；
所述的生理参数的采样频率为8Hz，且采集得到的生理参数为时间序列数据。
所述的特征向量的构造过程包括以下步骤：
2.1)将身体多项生理参数分别执行Z-Score标准化；
2.2)将标准化的多项生理参数进行特征融合，具体操作为血压、血氧饱和度、心率、体表温度以及三轴加速度(x轴|y轴|z轴)7个维度的特征组成单个样例作为输入，输出为放松、身体压力、认知压力以及情绪压力4个状态之一。
2.3)利用窗口大小为40重叠率为50％的滑动窗口法对生理参数的时间序列数据进行处理，滑动窗口包含了5s的原始数据流，窗口的单次滑动生成一个训练样例，样例对应的输出为滑窗中出现得最高频的状态，生成的样例用作卷积神经网络的输入。
3)利用(卷积神经网络)CNN模型识别被测对象当前的身体状态，具体为：使用步骤2)中生成的特征向量对CNN模型进行训练，CNN将被测对象的体征信息监测为放松、身体压力、认知压力以及情绪压力4种状态之一。
所述的CNN模型包括：卷积层、池化层、批量归一化层(BatchNormalization，BN)、Dropout层、全连接层。
所述的训练，采用基于梯度下降的反向传播算法，根据模型输出值与真实值之间的误差函数，从输出层依次计算当前层的梯度，并通过负梯度方向更新模型权重参数，从而使模型的损失函数逐渐逼近全局最优值，当模型的损失函数降低到可接受的程度或者迭代到设定的学习次数，停止模型训练，具体步骤包括：
a)初始化CNN的权重参数和偏置；
b)输入滑动窗口法生成的特征向量，计算前向过程中CNN各层的输出；
c)根据CNN输出层的输出值与训练样本真实值计算CNN的损失函数；
d)基于梯度下降的反向传播算法，逐层计算网络各层的梯度值；
e)通过负梯度方向更新网络各层权重；
f)检查网络损失函数是否达到精度要求或者设定的迭代次数，若达到则停止网络训练，转向g)，否则转向步骤b)；
g)输出训练好的CNN模型。
所述的识别，即通过训练好的卷积神经网络模型识别身体状态，具体为：
3.1)输入测试样本，测试样本同样采用滑动窗口法进行构造特征向量，与训练样本的区别在于没有对应的输出，即无对应的身体状态；
3.2)采用训练好的CNN模型识别测试样本，输出测试样本的身体状态。
技术效果
与现有技术相比，本发明由于采用了如上的技术方案，具有以下优点：
1)采用CNN模型识别被测对象的身体状态，具有特征自动提取、识别精度高；
2)使用穿戴式手环实时采集被测对象的多个生理参数，并利用无线传输技术上传至服务器，通过监护中心实时监测被测对象的生理参数，具有多生理参数实时采集、测量方便等。
附图说明
图1为本发明系统结构示意图；
图2为实施例中体征信息监测流程图；
图3为实施例中体征信息监测网络结构图。
具体实施方式
如图1所示，为本实施例涉及的一种无线多生理参数实时监测系统，包括：手环测量终端，无线传感网络，服务器和监护中心。手环终端实时采集被测对象的多项生理参数，包括血压、血氧饱和度、心率、体表温度以及三轴加速度，之后被输入到手环内部的微处理器。本实施例中使用TI的CC2538芯片，该芯片支持TI公司开源的ZigBee无线通信协议，其配备的射频模块可实现数据的无线收发。微处理器通过模数转换器将模拟量转换为数字量，之后将生理数据打包成数据帧，通过射频模块发送至最近的路由协调器或者协调器。
如图1所示，当同时采集多个人的生理参数时，本实施例的无线传感网络使用ZigBee的树形拓扑结构，网络中包含了一个协调器，若干路由协调器和手环终端节点。协调器和路由协调器使用的主控芯片为TI公司的LM3S9B96，该芯片同样支持ZigBee无线通信协议，其射频模块完成数据的无线收发。此外，协调器配置了以太网接口，方便数据上传至服务器，其中：协调器负责ZigBee无线的建立和维护，路由协调器负责生理参数数据的中转和路由，协调器和路由协调器的子设备可以是路由协调器或者终端节点，终端节点作为叶子节点没有子设备。因此手环终端节点发送的数据可由相邻的路由协调器中转至协调器或者直接传输至协调器，最后通过以太网上传至服务器。
如图1所示，服务器接收协调器传输的数据帧，通过解码之后得到生理参数，通过监护中心对各项生理参数进行可视化，一旦某项参数超过设定的阈值，监护界面会显示预警信息，方便监护人员和医护人员及时了解被测对象的生理状态。同时，生理参数将作为后续的CNN模型输入，用于识别被测对象的身体状态。
如图2所示，所述的一种基于多生理参数和CNN的体征信息监测方法，其特征在于该方法包括以下步骤：
1)实时的采集被测对象的多项生理参数；
2)利用多项生理参数构造用于体征信息监测的特征向量；
3)利用CNN模型识别被测对象当前的身体的状态；
所述的一种基于多生理参数和CNN的体征信息监测方法的步骤1)由上述的无线多生理参数实时监测系统完成。
所述的一种基于多生理参数和CNN的体征信息监测方法的步骤2)，操作细节如下：
以温度数据为例，本实施例生理参数的采样频率为8Hz，某一时刻t温度的数据记录有8个，则由温度数据组成的向量Temp＝(Tp1,…,Tp1,Tp2,…,Tpt-1,Tpt,…,Tpt)，则根据Z-Score的标准化后的温度数据
其中：
其中μtemp和σtemp分别代表温度数据的均值和方差。之后使用窗口大小为40，重叠率为50％的滑动窗口法处理原始数据，窗口的每一次滑动都包含40个原始的温度记录，即5s的原始数据流，滑窗的每一次滑动包含的数据流将作为CNN网络模型输入的单个样例。
使用Z-Score标准化以及滑动窗口法对其他的生理参数进行同样的处理，之后将被测对象的血压(BP)、血氧饱和度(SpO2)、心率(HR)、温度(Temp)以及三轴加速度(AcX、AcY、AcZ)组合作为CNN模型的训练样例，则单个训练样例可表示为(xi,yi)，其中xi＝(BPi,SpO2i,HRi,Tempi,AcXi,AcYi,AcZi)，xi的每个通道的生理参数，均为滑动窗口法单次滑动生成的向量，其维度为40，以温度为例，则Tempi∈R40。训练样例对应的输出yi为放松、身体压力、认知压力和情绪压力中某一个，且yi采用one-hot编码，即当xi被判定为某个状态时，该状态对应的维度为1，其余维度为0。以放松状态对应one-hot编码为例，此时yi＝(1,0,0,0)，即yi∈R4。
一种基于多生理参数和CNN的体征信息监测方法的步骤3)中的CNN模型的网络结构如图3所示，网络包含两层一维的深度可分离卷积(1D Depthwise Convolution)，深度可分离卷积执行的运算是：将输入按通道进行卷积，输入的每个卷积都和多个1D时间滤波器进行卷积，之后把所有通道的卷积输出堆叠到一起作为当前层的输出。
如图3所示，最大池化层被添加在深度卷积之后，其作用是减少网络的参数和计算量。此外，BN层和Dropout层被添加至卷积层和全连接层之后，其作用是防止网络过拟合并提升网络的训练和收敛速度，网络的最后两层是全连接层。网络卷积层和全连接层的输出通过线性整流函数(Rectified Linear Unit，ReLu)对网络的输出进行非线性激活，此外，输出层使用了Softmax激活函数。
本实施例的CNN模型训练步骤如下：
1)设置好CNN模型训练的超参数，包括学习率、模型输入的batch大小、模型训练的迭代次数以及卷积层、全连接层、输出层使用的激活函数等；
2)初始化图3所示的CNN模型各层的权重参数、偏置量等；
3)将滑动窗口法生成的特征向量作为训练样本，计算前向过程中CNN各层的输出；
4)根据CNN输出层的输出值与训练样本真实值计算CNN的损失函数；
5)基于梯度下降的反向传播算法，反向地逐层计算网络各层的梯度值；
6)通过负梯度方向更新网络各层权重；
7)检查网络损失函数是否达到精度要求或者设定的迭代次数，若达到则停止网络训练，转向步骤8)，否则转向步骤3)；
8)输出训练好的卷积神经网络模型
经过具体实际实验，当使用生理参数数据的80％作为训练集，20％的数据作为测试集，模型的初始学习率设为0.001，迭代次数设为20次，模型输入的batch设为32，使用带Adam更新规则的小批量梯度下降法并通过最小化交叉熵损失函数进而优化网络参数。提出的基于多生理参数和CNN的体征信息监测方法针对大部分的被测对象的生理参数，可达到99％的识别精度。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。
Claims (10)
1.一种基于多生理参数和CNN的体征信息监测系统，其特征在于，包括：集成式手环终端、路由协调器、服务器、监护中心和体征信息监测模块，其中：集成式手环终端与路由协调器相连并传输采集到的血压、血氧饱和度、体表温度和心率等，路由协调器与服务器相连并传输多项生理参数经过编码之后的数据帧，服务器通过以太网口接收协调器传输的数据帧，解码之后可得到被测对象的各项生理参数，生理参数经过处理后通过监护中心实时显示，监护中心与服务器相连并实时显示多项生理参数的动态变化曲线，体征信息监测模块与服务器相连，服务器中存储的多项生理参数作为体征信息监测模块的输入。
2.根据权利要求1所述的系统，其特征是，所述的集成式手环终端包括：微处理器模块、血压测量模块、血氧饱和度测量模块、心率测量模块、体表温度测量模块、三轴加速度测量模块、模数转换器模块以及射频模块，其中：微处理器模块与模数转换器相连并接收多项生理参数模数转换后的数字信号，血压测量模块与被测对象相连并采集血压信号，血氧饱和度测量模块与被测对象相连并采集血氧信号，心率测量模块与被测对象相连并采集心率信号，体表温度测量模块与被测对象相连并采集体表温度信号，三轴加速度测量模块与被测对象相连并采集三轴加速度信号，模数转换器模块与血压测量模块、血氧饱和度测量模块、心率测量模块、体表温度测量模块以及三轴加速度测量模块相连并将所述模块采集到的模拟信号转换成数字信号，射频模块与微处理器模块相连并传输多项生理参数。
3.根据权利要求1所述的系统，其特征是，所述的路由协调器包括：微处理器模块、射频模块和以太网接口，其中：微处理器控制射频模块接收来自手环终端的数据帧，当使用了多个手环终端进行多人的实时监测时，所有手环终端的采集到的数据都将直接或间接的转发至协调器，最后通过协调器的以太网口上传至服务器。
4.根据权利要求1所述的系统，其特征是，所述的监护中心包括：信息录入单元、存储单元、手环终端的设备绑定单元以及各项生理参数的实时可视化单元，其中：信息录入单元、设备绑定单元嵌入在监护中心的软件界面，存储单元与服务器相连并存储被测对象以及设备信息，实时可视化单元作为显示界面与服务器相连并实时显示各项生理参数，一旦某项参数超过设定的阈值，监护界面会显示预警信息，方便监护人员和医护人员及时了解被测对象的生理状态。
5.一种基于上述任一权利要求所述系统的基于多生理参数和CNN的体征信息监测方法，其特征在于，包括以下步骤：
1)实时的采集被测对象的多项生理参数，包括血压、血氧饱和度、心率、体表温度以及三轴加速度；
2)利用多项生理参数构造用于体征信息监测的特征向量；
3)利用CNN模型识别被测对象当前的身体状态，具体为：使用步骤2)中生成的特征向量对CNN模型进行训练，CNN将被测对象的体征信息监测为放松、身体压力、认知压力以及情绪压力4种状态之一；
所述的生理参数的采样频率为8Hz，且采集得到的生理参数为时间序列数据。
6.根据权利要求5所述的方法，其特征是，所述的特征向量的构造过程包括以下步骤：
2.1)将身体多项生理参数分别执行Z-Score标准化；
2.2)将标准化的多项生理参数进行特征融合，具体操作为血压、血氧饱和度、心率、体表温度以及三轴加速度(x轴|y轴|z轴)7个维度的特征组成单个样例作为输入，输出为放松、身体压力、认知压力以及情绪压力4个状态之一；
2.3)利用窗口大小为40重叠率为50％的滑动窗口法对生理参数的时间序列数据进行处理，滑动窗口包含了5s的原始数据流，窗口的单次滑动生成一个训练样例，样例对应的输出为滑窗中出现得最高频的状态，生成的样例用作卷积神经网络的输入。
7.根据权利要求5所述的方法，其特征是，所述的CNN模型包括：卷积层、池化层、批量归一化层(BatchNormalization，BN)、Dropout层、全连接层。
8.根据权利要求5所述的方法，其特征是，所述的训练，采用基于梯度下降的反向传播算法，根据模型输出值与真实值之间的误差函数，从输出层依次计算当前层的梯度，并通过负梯度方向更新模型权重参数，从而使模型的损失函数逐渐逼近全局最优值，当模型的损失函数降低到可接受的程度或者迭代到设定的学习次数，停止模型训练。
9.根据权利要求5或8所述的方法，其特征是，所述的训练，具体步骤包括：
a)初始化CNN的权重参数和偏置；
b)输入滑动窗口法生成的特征向量，计算前向过程中CNN各层的输出；
c)根据CNN输出层的输出值与训练样本真实值计算CNN的损失函数；
d)基于梯度下降的反向传播算法，逐层计算网络各层的梯度值；
e)通过负梯度方向更新网络各层权重；
f)检查网络损失函数是否达到精度要求或者设定的迭代次数，若达到则停止网络训练，转向g)，否则转向步骤b)；
g)输出训练好的CNN模型。
10.根据权利要求5所述的方法，其特征是，所述的识别，即通过训练好的卷积神经网络模型识别身体状态，具体为：
3.1)输入测试样本，测试样本同样采用滑动窗口法进行构造特征向量，与训练样本的区别在于没有对应的输出，即无对应的身体状态；
3.2)采用训练好的CNN模型识别测试样本，输出测试样本的身体状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911182762.7A CN110909876A (zh) | 2019-11-27 | 2019-11-27 | 基于多生理参数和cnn的体征信息监测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911182762.7A CN110909876A (zh) | 2019-11-27 | 2019-11-27 | 基于多生理参数和cnn的体征信息监测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110909876A true CN110909876A (zh) | 2020-03-24 |
Family
ID=69819885
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911182762.7A Pending CN110909876A (zh) | 2019-11-27 | 2019-11-27 | 基于多生理参数和cnn的体征信息监测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110909876A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111493828A (zh) * | 2020-04-23 | 2020-08-07 | 四川大学 | 基于全卷积网络的序列到序列的睡眠障碍检测方法 |
| CN112370058A (zh) * | 2020-11-11 | 2021-02-19 | 西北工业大学 | 一种基于移动端对用户的情感进行识别与监测方法 |
| CN113095732A (zh) * | 2021-05-10 | 2021-07-09 | 广州宏途教育网络科技有限公司 | 一种现实场景职业测评方法 |
| CN113080901A (zh) * | 2021-04-29 | 2021-07-09 | 深圳市优云健康管理科技有限公司 | 一种基于ai技术的健康管理系统 |
| CN113712711A (zh) * | 2021-09-13 | 2021-11-30 | 北京信息科技大学 | 假肢接受腔体的舒适度评估方法、装置及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106137161A (zh) * | 2015-04-07 | 2016-11-23 | 刘红超 | 一种心率和血压测定装置和方法 |
| CN108765876A (zh) * | 2018-05-31 | 2018-11-06 | 东北大学 | 基于多模信号的驾驶疲劳深度分析预警系统及方法 |
| CN109359610A (zh) * | 2018-10-26 | 2019-02-19 | 齐鲁工业大学 | 构建cnn-gb模型的方法及系统、数据特征分类方法 |
| CN109375497A (zh) * | 2018-12-29 | 2019-02-22 | 北京工业大学 | 基于卷积神经网络的可检测情绪变化的无线充电式智能手表 |
| CN110169756A (zh) * | 2019-07-01 | 2019-08-27 | 南京国科医工科技发展有限公司 | 一种无感式睡眠监测装置和监测系统 |
| WO2019209986A1 (en) * | 2018-04-24 | 2019-10-31 | The Texas A&M University System | Anxiety detection apparatus, systems, and methods |
-
2019
- 2019-11-27 CN CN201911182762.7A patent/CN110909876A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106137161A (zh) * | 2015-04-07 | 2016-11-23 | 刘红超 | 一种心率和血压测定装置和方法 |
| WO2019209986A1 (en) * | 2018-04-24 | 2019-10-31 | The Texas A&M University System | Anxiety detection apparatus, systems, and methods |
| CN108765876A (zh) * | 2018-05-31 | 2018-11-06 | 东北大学 | 基于多模信号的驾驶疲劳深度分析预警系统及方法 |
| CN109359610A (zh) * | 2018-10-26 | 2019-02-19 | 齐鲁工业大学 | 构建cnn-gb模型的方法及系统、数据特征分类方法 |
| CN109375497A (zh) * | 2018-12-29 | 2019-02-22 | 北京工业大学 | 基于卷积神经网络的可检测情绪变化的无线充电式智能手表 |
| CN110169756A (zh) * | 2019-07-01 | 2019-08-27 | 南京国科医工科技发展有限公司 | 一种无感式睡眠监测装置和监测系统 |
Non-Patent Citations (2)
| Title |
|---|
| 孙兵 等: "《太阳能风能电站远程监控技术》", 31 August 2013, 中国铁道出版社, pages: 88 - 89 * |
| 朱凌云;李连杰;孟春艳;: "远程多生理参数实时监测云服务平台的构建与分析", vol. 31, no. 6, pages 1377 - 1383 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111493828A (zh) * | 2020-04-23 | 2020-08-07 | 四川大学 | 基于全卷积网络的序列到序列的睡眠障碍检测方法 |
| CN111493828B (zh) * | 2020-04-23 | 2021-11-16 | 四川大学 | 基于全卷积网络的序列到序列的睡眠障碍检测方法 |
| CN112370058A (zh) * | 2020-11-11 | 2021-02-19 | 西北工业大学 | 一种基于移动端对用户的情感进行识别与监测方法 |
| WO2022100187A1 (zh) * | 2020-11-11 | 2022-05-19 | 西北工业大学 | 一种基于移动端对用户的情感进行识别与监测方法 |
| CN113080901A (zh) * | 2021-04-29 | 2021-07-09 | 深圳市优云健康管理科技有限公司 | 一种基于ai技术的健康管理系统 |
| CN113095732A (zh) * | 2021-05-10 | 2021-07-09 | 广州宏途教育网络科技有限公司 | 一种现实场景职业测评方法 |
| CN113095732B (zh) * | 2021-05-10 | 2024-06-11 | 广州宏途数字科技有限公司 | 一种现实场景职业测评方法 |
| CN113712711A (zh) * | 2021-09-13 | 2021-11-30 | 北京信息科技大学 | 假肢接受腔体的舒适度评估方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110909876A (zh) | 基于多生理参数和cnn的体征信息监测方法和系统 | |
| CN110444263B (zh) | 基于联邦学习的疾病数据处理方法、装置、设备及介质 | |
| Ghasemzadeh et al. | Physical movement monitoring using body sensor networks: A phonological approach to construct spatial decision trees | |
| US9060714B2 (en) | System for detection of body motion | |
| CN107909023B (zh) | 运动参数的识别方法、装置、终端及存储介质 | |
| CN106503799A (zh) | 基于多尺度网络的深度学习模型及在脑状态监测中的应用 | |
| CN110659677A (zh) | 一种基于可移动传感器组合设备的人体跌倒检测方法 | |
| US20180353090A1 (en) | Adaptive Heart Rate Estimation | |
| CN112183314A (zh) | 一种表情信息采集装置和表情识别方法及系统 | |
| US20190066845A1 (en) | Distributed analytics system for identification of diseases and injuries | |
| CN113780223A (zh) | 假肢的步态识别方法、装置及存储介质 | |
| CN115661856A (zh) | 一种基于Lite-HRNet的自定义康复训练监测与评估方法 | |
| CN109119155B (zh) | 基于深度学习的icu死亡危险性评估系统 | |
| CN114267430A (zh) | 基于路线及环境对游客体能及其消耗推算的方法及系统 | |
| CN109740418A (zh) | 一种基于多加速度传感器的瑜伽动作识别方法 | |
| Mekruksavanich et al. | LSTM-XGB: a new deep learning model for human activity recognition based on LSTM and XGBoost | |
| CN110598789A (zh) | 一种基于模糊感知器的人体疲劳状态预测方法及系统 | |
| Pillai et al. | Personalized step counting using wearable sensors: A domain adapted LSTM network approach | |
| Wilson et al. | Domain Adaptation Under Behavioral and Temporal Shifts for Natural Time Series Mobile Activity Recognition | |
| KR102455016B1 (ko) | 비콘 신호를 이용한 생체 데이터 통합 모니터링 시스템 | |
| CN110705599A (zh) | 一种基于在线迁移学习的人体动作识别方法 | |
| Gandomkar et al. | TrainingPal: An algorithm for recognition and counting popular exercises using smartphone sensors | |
| Sun et al. | An overview of aiomt applications | |
| Heroy et al. | Stationary exercise classification using IMUs and deep learning | |
| CN110400639A (zh) | 一种基于人工智能技术的多模婴儿语言生活管理车 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200324 |