CN111436939A - 健康监测方法、系统、计算机设备及可读存储介质 - Google Patents

健康监测方法、系统、计算机设备及可读存储介质 Download PDF

Info

Publication number
CN111436939A
CN111436939A CN202010184281.6A CN202010184281A CN111436939A CN 111436939 A CN111436939 A CN 111436939A CN 202010184281 A CN202010184281 A CN 202010184281A CN 111436939 A CN111436939 A CN 111436939A
Authority
CN
China
Prior art keywords
piezoelectric
neural network
network model
signal
recurrent neural
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.)
Granted
Application number
CN202010184281.6A
Other languages
English (en)
Other versions
CN111436939B (zh
Inventor
欧阳腾方
叶重荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan Typhoon Networks Technology Co ltd
Original Assignee
Foshan Typhoon Networks Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foshan Typhoon Networks Technology Co ltd filed Critical Foshan Typhoon Networks Technology Co ltd
Priority to CN202010184281.6A priority Critical patent/CN111436939B/zh
Publication of CN111436939A publication Critical patent/CN111436939A/zh
Application granted granted Critical
Publication of CN111436939B publication Critical patent/CN111436939B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
    • A61B5/1115—Monitoring leaving of a patient support, e.g. a bed or a wheelchair
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0247—Pressure sensors
    • 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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency

Abstract

本发明公开了一种基于深度学习的健康监测方法，包括：S1，获取压阻传感器采集的压阻信号；S2，根据所述压阻信号判断被监测者是否在床，判断为否时，返回步骤S1，判断为是时，进入步骤S3；S3，获取压电薄膜传感器采集的压电信号；S4，根据所述压电信号及事先训练的循环神经网络模型识别被监测者的体征信号。本发明还公开了一种基于深度学习的健康监测系统、计算机设备及计算机可读存储介质。采用本发明，可有效地识别体征信号，并提高识别的准确性。

Description

健康监测方法、系统、计算机设备及可读存储介质
技术领域
本发明涉及健康监测技术领域，尤其涉及一种基于深度学习的健康监测方法、基于深度学习的健康监测系统、计算机设备及计算机可读存储介质。
背景技术
压电薄膜(PVDF)是一种独特的高分子传感材料，能相对于压力或拉伸力的变化输出电压信号，因此是一种理想的动态应变片，可加工成为高效可靠、低成本的振动传感器。将PVDF传感器放置在床垫中，并靠近人体心脏位置，可以得到人体心跳、呼吸、翻身、鼾声所产生震动的信号。
现有技术中，主要通过模式识别和信号处理的方法，分析心跳、呼吸、翻身所产生的时间位置，从而得出人体的心率、呼吸频率、翻身等体征信号。比如，使用模式识别的方法，将超过某个特定值达一段时间记录为一个体动点；或者，使用信号处理的方法，用带通滤波器分别过滤心跳和呼吸的震动，然后分别进行傅里叶变换得出心跳和呼吸的频率。但是，使用这两种方法具有以下明显的缺陷：
(1)只使用PVDF传感器的方法，对于在床和离床检测不敏感，需要3～5秒才能对在床/离床状态变化做出反应，同时也无法检测出在床停止心跳和呼吸的情况，无法区别在床停止心跳还是离床的状态；
(2)使用信号处理的方法，只能得到心跳以及呼吸的频率信息，无法得知心跳、呼吸发生的准确时间点，因此无法利用这些信息进行进一步的疾病分析；同时，使用信号处理的方法需要较长时间的信号片段进行信号处理，处理延时较大，也无法分析频率范围较广的信息，比如鼾声(频率范围在0～2000Hz)；
(3)体动所产生的震动信号与心跳/呼吸的震动互相叠加导致会影响分析结果。
发明内容
本发明所要解决的技术问题在于，提供一种基于深度学习的健康监测方法、系统、计算机设备及计算机可读存储介质，可有效地识别体征信号，并提高识别的准确性。
为了解决上述技术问题，本发明提供了一种基于深度学习的健康监测方法，包括：S1，获取压阻传感器采集的压阻信号；S2，根据所述压阻信号判断被监测者是否在床，判断为否时，返回步骤S1，判断为是时，进入步骤S3；S3，获取压电薄膜传感器采集的压电信号；S4，根据所述压电信号及事先训练的循环神经网络模型识别被监测者的体征信号。
作为上述方案的改进，所述循环神经网络模型的训练步骤包括：构建循环神经网络模型；获取人体睡眠时压电薄膜传感器采集的压电信号，并对所述压电信号进行标注处理；将标注后的压电信号输入所述循环神经网络模型进行训练。
作为上述方案的改进，所述循环神经网络模型包括两层多对多循环神经网络模型。
作为上述方案的改进，所述将标注后的压电信号输入循环神经网络模型进行训练的步骤包括：将所述标注后的压电信号划分为训练压电信号和验证压电信号；将所述训练压电信号输入所述循环神经网络模型，输出初始结果；将所述初始结果与实际结果经过损失函数计算以得出所述循环神经网络模型的初始损失张量，并将所述初始损失张量通过自适应矩估计优化器计算以调整所述循环神经网络模型中神经元权重；将所述验证压电信号输入调整后的循环神经网络模型，输出预测结果；将所述预测结果与实际结果经过损失函数计算以得出所述循环神经网络模型的预测损失张量，并将所述预设损失张量通过二值准确率评估方法计算出评估准确率；判断所述评估准确率是否合乎预期，判断为否时，则继续重复训练，判断为是时，则完成训练。
作为上述方案的改进，所述根据压电信号及事先训练的循环神经网络模型识别被监测者的体征信号的步骤包括：将压电信号按时序排列；将排序后的压电信号输入事先训练的循环神经网络模型，输出体征信号的发生位置；根据所述体征信号的发生位置计算体征信号。
作为上述方案的改进，所述根据压阻信号判断被监测者是否在床的步骤包括：判断所述压阻信号是否小于预设阈值，判断为是时，则被监测者在床，判断为否时，则被监测者离床。
相应地，本发明还提供了一种基于深度学习的健康监测系统，包括：压阻获取模块，用于获取压阻传感器采集的压阻信号；判断模块，用于根据所述压阻信号判断被监测者是否在床，当判断出被监测者离床时，驱动压阻获取模块，当判断出被监测者在床时，驱动压电获取模块；压电获取模块，用于获取压电薄膜传感器采集的压电信号；识别模块，用于根据所述压电信号及事先训练的循环神经网络模型识别被监测者的体征信号。
作为上述方案的改进，所述识别模块包括：排列单元，用于将压电信号按时序排列；训练单元，用于将排序后的压电信号输入事先训练的循环神经网络模型，输出体征信号的发生位置；计算单元，用于根据所述体征信号的发生位置计算体征信号。
相应地，本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行上述健康监测方法的步骤。
相应地，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现健康监测方法的步骤。
实施本发明，具有如下有益效果：
本发明中将压阻传感器的压阻信号及压电薄膜传感器的压电信号一起进行识别；具体地，将压阻信号于预设阈值进行比对，以识别被监测者的在床状态；同时，采用深度学习的方法对压电信号进行识别，以识别被监测者的体征信号，并以此分析被监测者的心跳频率、呼吸频率、体动次数以及其他睡眠特征；
另外，本发明通过对循环神经网络模型进行特殊的训练，以形成体征信号的识别模型，针对性强，准确性高。
附图说明
图1是本发明基于深度学习的健康监测方法的实施例流程图；
图2是本发明中循环神经网络模型的训练方法的第一实施例流程图；
图3是本发明中循环神经网络模型识别原理图；
图4是本发明中循环神经网络模型的训练方法的第二实施例流程图；
图5是本发明基于深度学习的健康监测系统的结构示意图；
图6是图5中识别模块的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
参见图1，图1显示了本发明基于深度学习的健康监测方法的流程图，其包括：
S101，获取压阻传感器采集的压阻信号。
S102，根据所述压阻信号判断被监测者是否在床，判断为否时，返回步骤S101，判断为是时，进入步骤S103。
压阻传感器，即电阻式薄膜压力传感器，其对压力的变化非常敏感，因此本发明中加入压阻传感器，并通过压阻传感器的压阻信号变化，判断被监测者的在床/离床状态；其中，若被监测者在床，则将压电信号输入事先训练的循环神经网络模型，若被监测者离床，则等待下一时刻的压阻信号。
具体地，所述根据压阻信号判断被监测者是否在床的步骤包括：判断所述压阻信号是否小于预设阈值，判断为是时(即电阻小)，则被监测者在床，判断为否时(即电阻大)，则被监测者离床。
S103，获取压电薄膜传感器采集的压电信号。
S104，根据所述压电信号及事先训练的循环神经网络模型识别被监测者的体征信号。
需要说明的是，由于获取的压电信号是时间序列，因此本发明采用循环神经网络模型(Recurrent Neural Network，RNN)进行识别处理。优选地，所述循环神经网络模型包括两层多对多循环神经网络模型，其中，两层多对多循环神经网络模型的泛化能力比较强，能更好处理抽象的人体体征所产生的复杂电压时间序列的特征；同时，两层多对多循环神经网络模型兼顾考虑训练时需要的时间复杂度和空间复杂度，适应较高的实时处理要求；而且，多对多循环神经网络可以准确判断体征发生的具体时间点，除去可以得到体征值外，还可以为后续分析提供很详细具体的数据。
具体地，当被监测者在床时，所述根据压电信号及事先训练的循环神经网络模型识别被监测者的体征信号的步骤包括：
(1)将压电信号按时序排列；
(2)将排序后的压电信号输入事先训练的循环神经网络模型，输出体征信号的发生位置；其中，所述体征信号的发生位置包括呼吸的发生位置、心跳的发生位置、体动的发生位置。
(3)根据所述体征信号的发生位置计算体征信号。其中，可根据呼吸的发生位置、心跳的发生位置、体动的发生位置分别计算呼吸频率、心跳频率、体动频率等数据。需要说明的是，所述体征信号的发生位置是指体征信号在整个检测过程中发生的具体时间点，例如可以得出两次心跳发生的时间差，从而可以计算心跳的频率；呼吸频率也同理，计算两次呼吸发生具体时间差，计算得出呼吸频率。
与现有技术不同的是，本发明中同时设有压阻传感器及压电薄膜传感器，并将压阻传感器的压阻信号及压电薄膜传感器的压电信号一起进行识别；具体地，将压阻信号于预设阈值进行比对，以识别被监测者的在床状态；同时，采用深度学习的方法对压电信号进行识别，识别被监测者每次心跳、呼吸、体动所发生的准确时间点，并以此分析用户的心跳频率、呼吸频率、体动次数以及其他睡眠特征，准确性高。
参见图2，图2显示了本发明中循环神经网络模型的训练方法的第一实施例，其包括：
S201，构建循环神经网络模型。
优选地，所述循环神经网络模型为多对多循环神经网络模型。
S202，获取人体睡眠时压电薄膜传感器采集的压电信号，并对所述压电信号进行标注处理。
通过标准处理后，可将压电信号划分为呼吸的发生位置、心跳的发生位置、体动的发生位置。
S203，将标注后的压电信号输入所述循环神经网络模型进行训练。
如图3所示，所述循环神经网络模型为多对多循环神经网络模型，输入一系列压电信号(以标注好呼吸的发生位置、心跳的发生位置、体动的发生位置)后，通过多对多循环神经网络模型的识别后，可获取这个压电信号中呼吸、心跳、体动的具体位置。
因此，为了能使用深度学习的方法识别心跳、呼吸、体动，本发明构建出多对多循环神经网络模型，并使用标注后的压电信号对多对多循环神经网络模型进行训练，得出用于识别的模型，准确性高。
参见图4，图4显示了本发明中循环神经网络模型的训练方法的第二实施例，其包括：
S301，构建循环神经网络模型；
S302，获取人体睡眠时压电薄膜传感器采集的压电信号，并对所述压电信号进行标注处理；
S303，将所述标注后的压电信号划分为训练压电信号和验证压电信号；
划分时，需将标注后的压电信号打乱顺序，再划分为训练压电信号和验证压电信号。
S304，将所述训练压电信号输入所述循环神经网络模型，输出初始结果；
S305，将所述初始结果与实际结果经过损失函数计算以得出所述循环神经网络模型的初始损失张量，并将所述初始损失张量通过自适应矩估计优化器(Adam AdaptiveMoment Estimation)计算以调整所述循环神经网络模型中神经元权重；
需要说明的是，标注结果中，大部分压电信号的数值为0，而标注为1的压电信号只占少数，比如一秒里100个采样，只有1～2个压电信号的数值标注为1。与现有直接利用损失函数计算损失张量的方法不同的是，本发明需调整神经元权重对损失函数的影响。具体地，本发明将1的权重调整为采样频率的两倍，若采样频率为100Hz时，1的权重为200，0的权重为1。这样的调整，有利于增加模型的准确性，也更准确评估训练结果。不会出现预测全为0，但准确率也达到99％的情况。
S306，将所述验证压电信号输入调整后的循环神经网络模型，输出预测结果；
需说明的是，循环神经网络模型经过训练压电信号的批量训练后，可形成调整后的循环神经网络模型，然后再将批量的验证压电信号输入调整后的循环神经网络模型进行验证处理。
S307，将所述预测结果与实际结果经过损失函数计算以得出所述循环神经网络模型的预测损失张量，并将所述预设损失张量通过二值准确率评估方法(Binary Accuracy)计算出评估准确率；
需要说明的是，使用二值准确率评估方法，可将预测损失张量按0.5为门槛进行四舍五入，以转换为0和1的数值，从而得出评估准确率。
优选地，所述损失函数使用二值交叉熵计算循环神经网络模型的损失张量，评估指标使用二值准确率进行评估。
S308，判断所述评估准确率是否合乎预期，判断为否时，则继续重复训练，判断为是时，则完成训练，从而获得训练好的循环神经网络模型。
因此，本发明通过对循环神经网络模型进行特殊的训练，以形成体征信号的识别模型，针对性强，准确性高。
参见图5，图5显示了本发明基于深度学习的健康监测系统100的具体结构，其包括：
压阻获取模块1，用于获取压阻传感器采集的压阻信号。
判断模块2，用于根据所述压阻信号判断被监测者是否在床，当判断出被监测者离床时，驱动压阻获取模块1，当判断出被监测者在床时，驱动压电获取模块3。具体地，判断模块可通过判断所述压阻信号是否小于预设阈值的方式确定被监测者是否在床，判断为是时，则被监测者在床，判断为否时，则被监测者离床。
压电获取模块3，用于获取压电薄膜传感器采集的压电信号。
识别模块4，用于根据所述压电信号及事先训练的循环神经网络模型识别被监测者的体征信号。需要说明的是，由于获取的压电信号是时间序列，因此本发明采用循环神经网络模型(Recurrent Neural Network，RNN)进行识别处理。优选地，所述循环神经网络模型为多对多循环神经网络模型，以便能输入一系列数据，从而获取这个系列数据中呼吸、心跳、体动的具体位置。
如图6所示，所述识别模块4包括：
排列单元41，用于将压电信号按时序排列。
训练单元42，用于将排序后的压电信号输入事先训练的循环神经网络模型，输出体征信号的发生位置。具体地，所述体征信号的发生位置包括呼吸的发生位置、心跳的发生位置、体动的发生位置。
计算单元43，用于根据所述体征信号的发生位置计算体征信号。具体地，可根据呼吸的发生位置、心跳的发生位置、体动的发生位置分别计算呼吸频率、心跳频率、体动频率等数据。
因此，本发明并将压阻传感器的压阻信号及压电薄膜传感器的压电信号一起进行识别；具体地，将压阻信号于预设阈值进行比对，以识别被监测者的在床状态；同时，采用深度学习的方法对压电信号进行识别，识别被监测者每次心跳、呼吸、体动所发生的准确时间点，并以此分析用户的心跳频率、呼吸频率、体动次数以及其他睡眠特征，准确性高。
相应地，本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述健康监测方法的步骤。同时，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述健康监测方法的步骤。
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，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种基于深度学习的健康监测方法，其特征在于，包括：
S1，获取压阻传感器采集的压阻信号；
S2，根据所述压阻信号判断被监测者是否在床，判断为否时，返回步骤S1，判断为是时，进入步骤S3；
S3，获取压电薄膜传感器采集的压电信号；
S4，根据所述压电信号及事先训练的循环神经网络模型识别被监测者的体征信号。
2.如权利要求1所述的健康监测方法，其特征在于，所述循环神经网络模型的训练步骤包括：
构建循环神经网络模型；
获取人体睡眠时压电薄膜传感器采集的压电信号，并对所述压电信号进行标注处理；
将标注后的压电信号输入所述循环神经网络模型进行训练。
3.如权利要求2所述的健康监测方法，其特征在于，所述循环神经网络模型包括两层多对多循环神经网络模型。
4.如权利要求2所述的健康监测方法，其特征在于，所述将标注后的压电信号输入循环神经网络模型进行训练的步骤包括：
将所述标注后的压电信号划分为训练压电信号和验证压电信号；
将所述训练压电信号输入所述循环神经网络模型，输出初始结果；
将所述初始结果与实际结果经过损失函数计算以得出所述循环神经网络模型的初始损失张量，并将所述初始损失张量通过自适应矩估计优化器计算以调整所述循环神经网络模型中神经元权重；
将所述验证压电信号输入调整后的循环神经网络模型，输出预测结果；
将所述预测结果与实际结果经过损失函数计算以得出所述循环神经网络模型的预测损失张量，并将所述预设损失张量通过二值准确率评估方法计算出评估准确率；
判断所述评估准确率是否合乎预期，判断为否时，则继续重复训练，判断为是时，则完成训练。
5.如权利要求1所述的健康监测方法，其特征在于，所述根据压电信号及事先训练的循环神经网络模型识别被监测者的体征信号的步骤包括：
将压电信号按时序排列；
将排序后的压电信号输入事先训练的循环神经网络模型，输出体征信号的发生位置；
根据所述体征信号的发生位置计算体征信号。
6.如权利要求1所述的健康监测方法，其特征在于，所述根据压阻信号判断被监测者是否在床的步骤包括：判断所述压阻信号是否小于预设阈值，判断为是时，则被监测者在床，判断为否时，则被监测者离床。
7.一种基于深度学习的健康监测系统，其特征在于，包括：
压阻获取模块，用于获取压阻传感器采集的压阻信号；
判断模块，用于根据所述压阻信号判断被监测者是否在床，当判断出被监测者离床时，驱动压阻获取模块，当判断出被监测者在床时，驱动压电获取模块；
压电获取模块，用于获取压电薄膜传感器采集的压电信号；
识别模块，用于根据所述压电信号及事先训练的循环神经网络模型识别被监测者的体征信号。
8.如权利要求7所述的健康监测系统，其特征在于，所述识别模块包括：
排列单元，用于将压电信号按时序排列；
训练单元，用于将排序后的压电信号输入事先训练的循环神经网络模型，输出体征信号的发生位置；
计算单元，用于根据所述体征信号的发生位置计算体征信号。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202010184281.6A 2020-03-17 2020-03-17 基于深度学习的识别体征信号的方法、系统、设备及介质 Active CN111436939B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010184281.6A CN111436939B (zh) 2020-03-17 2020-03-17 基于深度学习的识别体征信号的方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010184281.6A CN111436939B (zh) 2020-03-17 2020-03-17 基于深度学习的识别体征信号的方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN111436939A true CN111436939A (zh) 2020-07-24
CN111436939B CN111436939B (zh) 2023-04-18

Family

ID=71650500

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010184281.6A Active CN111436939B (zh) 2020-03-17 2020-03-17 基于深度学习的识别体征信号的方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN111436939B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114027667A (zh) * 2021-12-01 2022-02-11 慕思健康睡眠股份有限公司 一种在离床状态判定方法、装置、智能床垫及介质

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07204166A (ja) * 1994-01-26 1995-08-08 Matsushita Electric Ind Co Ltd 監視装置
US20140169639A1 (en) * 2011-06-28 2014-06-19 Zte Corporation Image Detection Method and Device
JP2016028662A (ja) * 2014-07-25 2016-03-03 船井電機株式会社 睡眠評価装置および睡眠評価方法
CN108254741A (zh) * 2018-01-16 2018-07-06 中国人民解放军海军航空大学 基于循环神经网络的目标航迹预测方法
CN108553108A (zh) * 2018-03-05 2018-09-21 叶伟 一种基于Wi-Fi中CSI信号的人体动作与呼吸的检测方法和系统
CN108814584A (zh) * 2018-04-12 2018-11-16 深圳竹信科技有限公司 心电信号检测方法、终端和计算机可读存储介质
CN109086865A (zh) * 2018-06-11 2018-12-25 上海交通大学 一种基于切分循环神经网络的序列模型建立方法
CN109272164A (zh) * 2018-09-29 2019-01-25 清华大学深圳研究生院 学习行为动态预测方法、装置、设备及存储介质
US20190050715A1 (en) * 2018-09-28 2019-02-14 Intel Corporation Methods and apparatus to improve data training of a machine learning model using a field programmable gate array
CN109363659A (zh) * 2018-09-30 2019-02-22 平安科技（深圳）有限公司 基于深度学习的心率监控方法、装置及存储介质
CN109448852A (zh) * 2018-11-29 2019-03-08 平安科技（深圳）有限公司 基于预测模型的健康管理方法、装置和计算机设备
CN109614885A (zh) * 2018-11-21 2019-04-12 齐鲁工业大学 一种基于lstm的脑电信号快速分类识别方法
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
CN110575139A (zh) * 2019-08-13 2019-12-17 珠海市万瑙特健康科技有限公司 一种睡眠监测方法及设备
CN110766070A (zh) * 2019-10-22 2020-02-07 北京威信通信息技术股份有限公司 一种基于循环自编码器的稀少信号识别方法及装置
CN110876621A (zh) * 2018-09-06 2020-03-13 南京大学 一种基于神经网络的睡眠呼吸暂停综合症检测系统

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07204166A (ja) * 1994-01-26 1995-08-08 Matsushita Electric Ind Co Ltd 監視装置
US20140169639A1 (en) * 2011-06-28 2014-06-19 Zte Corporation Image Detection Method and Device
JP2016028662A (ja) * 2014-07-25 2016-03-03 船井電機株式会社 睡眠評価装置および睡眠評価方法
CN108254741A (zh) * 2018-01-16 2018-07-06 中国人民解放军海军航空大学 基于循环神经网络的目标航迹预测方法
CN108553108A (zh) * 2018-03-05 2018-09-21 叶伟 一种基于Wi-Fi中CSI信号的人体动作与呼吸的检测方法和系统
CN108814584A (zh) * 2018-04-12 2018-11-16 深圳竹信科技有限公司 心电信号检测方法、终端和计算机可读存储介质
CN109086865A (zh) * 2018-06-11 2018-12-25 上海交通大学 一种基于切分循环神经网络的序列模型建立方法
CN110876621A (zh) * 2018-09-06 2020-03-13 南京大学 一种基于神经网络的睡眠呼吸暂停综合症检测系统
US20190050715A1 (en) * 2018-09-28 2019-02-14 Intel Corporation Methods and apparatus to improve data training of a machine learning model using a field programmable gate array
CN109272164A (zh) * 2018-09-29 2019-01-25 清华大学深圳研究生院 学习行为动态预测方法、装置、设备及存储介质
CN109363659A (zh) * 2018-09-30 2019-02-22 平安科技（深圳）有限公司 基于深度学习的心率监控方法、装置及存储介质
CN109614885A (zh) * 2018-11-21 2019-04-12 齐鲁工业大学 一种基于lstm的脑电信号快速分类识别方法
CN109448852A (zh) * 2018-11-29 2019-03-08 平安科技（深圳）有限公司 基于预测模型的健康管理方法、装置和计算机设备
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
CN110575139A (zh) * 2019-08-13 2019-12-17 珠海市万瑙特健康科技有限公司 一种睡眠监测方法及设备
CN110766070A (zh) * 2019-10-22 2020-02-07 北京威信通信息技术股份有限公司 一种基于循环自编码器的稀少信号识别方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114027667A (zh) * 2021-12-01 2022-02-11 慕思健康睡眠股份有限公司 一种在离床状态判定方法、装置、智能床垫及介质
CN114027667B (zh) * 2021-12-01 2023-08-15 慕思健康睡眠股份有限公司 一种在离床状态判定方法、装置、智能床垫及介质

Also Published As

Publication number Publication date
CN111436939B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN108472006B (zh) 胎儿监测系统和方法
US20180000408A1 (en) Baby sleep monitor
KR20150113700A (ko) 진단 시스템 및 방법
CN105051799A (zh) 用于检测跌倒的方法和跌倒检测器
RU2016125502A (ru) Устройство для контроля сна
WO2018160248A1 (en) Deep learning algorithms for heartbeats detection
Polat Freezing of gait (fog) detection using logistic regression in parkinson's disease from acceleration signals
US9474472B2 (en) Apparatus, method, and system for accurate estimation of total energy expenditure in daily activities
JP6127739B2 (ja) 睡眠状態判定装置
WO2019216378A1 (ja) 演算装置、検知装置、演算方法、及び、コンピュータプログラム
WO2019000338A1 (zh) 生理信息测量方法及生理信息监测装置、设备
CN111436939B (zh) 基于深度学习的识别体征信号的方法、系统、设备及介质
JP2021048965A (ja) 特徴量抽出装置、状態推定装置、特徴量抽出方法、状態推定方法及びプログラム
CN104274165B (zh) 确定设备和确定方法
CA3139034A1 (en) System and method for filtering time-varying data for physiological signal prediction
WO2018104970A1 (en) Pulse detection, measurement and analysis based health management system, method and apparatus
Garg et al. An accelerometer based fall detection system using deep neural network
CN115770028A (zh) 血压检测方法、系统、装置及存储介质
CN107007292B (zh) 用于获知疲劳的方法
EP4140392A1 (en) Noise removal in physiological signals
JP2006068458A (ja) 生理状態推定装置及び方法
CN113208573B (zh) 一种支持ppg+ecg功能的可穿戴设备
KR20160096895A (ko) 심탄도 신호를 이용한 누운 자세 분류 시스템 및 방법
WO2021045616A1 (en) A computer-implemented method and an apparatus for determining body positions and/or sleep stages of a person during sleep.
JP2017124014A (ja) 眠気検知プログラム、眠気検知方法および眠気検知装置

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