CN111588349B - 一种健康分析装置及电子设备 - Google Patents

Abstract

本公开实施例提供了一种健康分析装置及电子设备，健康分析装置，包括：特征提取模块，用于通过预定特征提取算法对按照预定采样周期采集的生物信号进行特征提取，以得到时间序列特征，其中，时间序列特征包括多个健康维度，各个健康维度包括一个或多个子健康维度；特征变换模块，用于按照预定变换规则将时间序列特征变换为图结构特征，其中，图结构特征包括图中节点之间的关联关系及各个节点对应的向量特征；健康分析模块，用于根据预定健康分析算法确定图结构特征对应的生物体的综合健康指数。本公开实施例可以深入挖掘健康特征蕴含的信息，提高分析的准确度，且多线程并行处理，耗时较短，提升了系统的整体性能。

Description

一种健康分析装置及电子设备

技术领域

本公开涉及医疗器械领域，特别涉及一种健康分析装置及电子设备。

背景技术

生物信号是能够反映生物体生命活动状态的信号，常见生物信号例如可以包括心电信号、呼吸信号、脉搏信号、脑电信号、体动信号等。基于上述生物信号可以确定生物体的心脏健康、睡眠健康、呼吸健康、精神健康等，这些关注的健康方面在进行健康分析时，都称为健康维度。

然而，健康分析装置可以现在的生物信号都是单独获取，在获取后单独进行对应的运算处理，最终输出一个单独的健康指数(例如，心脏健康指数)，能够处理的数据较为单一。

现有健康分析装置都是针对一种健康维度进行的分析，即使是能够输出多种维度的健康分析结果，也是分别针对每种健康维度进行的单独处理，最后输出两个独立处理的结果，单线程处理数据耗时较长，当生物信号种类较多时，数据的处理时间更久，健康分析结果的准确度较低，导致系统整体性能较差。

发明内容

有鉴于此，本公开实施例提出了一种健康分析装置及电子设备，用以解决现有技术的如下问题：健康分析装置采用单线程处理数据，耗时较长，当生物信号种类较多时，数据的处理时间较久，健康分析结果的准确度较低，导致系统整体性能较差。

一方面，本公开实施例提出了一种健康分析装置，包括：特征提取模块，用于通过预定特征提取算法对按照预定采样周期采集的生物信号进行特征提取，以得到时间序列特征，其中，所述时间序列特征包括多个健康维度，各个所述健康维度包括一个或多个子健康维度；特征变换模块，用于按照预定变换规则将所述时间序列特征变换为图结构特征，其中，所述图结构特征包括图中节点之间的关联关系及各个节点对应的向量特征；健康分析模块，用于根据预定健康分析算法确定所述图结构特征对应的生物体的综合健康指数。

在一些实施例中，所述特征提取模块包括：第一提取单元，用于采用预设卷积神经网络(Convolutional Neural Networks，简称为CNN)对所述生物信号进行一次特征提取，以得到向量特征序列；第二提取单元，用于采用各个健康维度对应的第一预设多层感知机网络(Multilayer Perceptron，简称为MLP)将所述向量特征序列进行二次特征提取，以得到各个健康维度的节律特征序列。

在一些实施例中，所述特征变换模块包括：节律合并单元，用于合并连续预定采样周期中相同的节律特征序列，以得到每个健康维度的新节律特征序列，并记录所述新节律特征序列中每个子健康维度对应的子节律特征序列所处的时间范围；向量处理单元，用于在向量特征序列中取出每个所述子节律特征序列所处的时间范围内全部的向量特征，对所述全部的向量特征求平均值，以得到每个所述子节律特征序列对应的各个新向量特征，并根据全部的新向量特征得到每个健康维度的新向量特征序列；拼接单元，用于将新节律特征序列与新向量特征序列进行向量拼接，以得到每个健康维度的综合健康特征；构建单元，用于将每个所述综合健康特征确定为一个节点，并按照预定构建规则构建节点之间的结构边，其中，所述预定构建规则包括：确定处于同一健康维度中且时间上首尾相连的两个节点之间存在结构边，确定不处于同一健康维度中且存在时间交集且时间交集时长大于预定阈值的两个节点之间存在结构边；确定单元，用于根据确定的全部结构边和综合健康特征确定所述生物信号的图结构特征。

在一些实施例中，所述健康分析模块，具体用于根据预定健康分析算法确定所述图结构特征对应的各个健康维度的健康指数；根据各个所述健康维度的健康指数以及预定算法确定生物体的综合健康指数。

在一些实施例中，所述健康分析模块包括：图处理单元，用于采用预设图神经网络将图结构特征处理为特征向量；分析单元，用于采用预设线性回归网络对所述特征向量进行分析计算，以得到各个健康维度的健康指数。

在一些实施例中，所述预设线性回归网络为第二预设多层感知机网络。

在一些实施例中，还包括：构建模块，用于据预定公式构建所述预设图神经网络，其中，预定公式包括：P＝D^-1*T，F＝P*Wⁱ，Hⁱ⁺¹＝ReLU{F}，H为图结构特征矩阵，A为H的邻接矩阵，I为与A维度相同的单位矩阵，D为/>的度矩阵，W为权重矩阵，ReLU为修正线性单元的非线性传递函数，i表示当前神经网络层数。

在一些实施例中，还包括：采集模块，用于按照预定采样周期采集所述生物信号。

另一方面，本公开实施例提出了一种电子设备，至少包括：本公开实施例中任一所述的健康分析装置。

在一些实施例中，还包括：显示器，用于显示所述生物体的健康指数，其中，所述健康指数至少包括以下之一：各个健康维度的健康指数，综合健康指数。

本公开实施例设计了一种通用的架构可以支持使用一种或多种生物信号进行健康分析，处理时，从生物信号中提取的时间序列特征，再将其转换为图结构特征，通过图结构特征的神经网络模型进行健康分析，可以深入挖掘健康特征蕴含的信息，提高分析的准确度，且多线程并行处理，耗时较短，提升了系统的整体性能。

附图说明

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本公开第一实施例提供的健康分析装置的结构示意图；

图2为本公开第一实施例提供的特征提取模块的工作流程示意图；

图3为本公开第一实施例提供的图结构特征变换过程示意图；

图4为本公开第一实施例提供的健康分析模块的工作流程示意图；

图5为本公开第一实施例提供的预设图神经网络的计算过程示意图一；

图6为本公开第一实施例提供的预设图神经网络的计算过程示意图二。

具体实施方式

为了使得本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。

除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

为了保持本公开实施例的以下说明清楚且简明，本公开省略了已知功能和已知部件的详细说明。

本公开第一实施例提供了一种健康分析装置，该装置的结构示意如图1所示，包括：

特征提取模块10，用于按照预定特征提取算法对按照预定采样周期采集的生物信号进行特征提取，以得到时间序列特征，其中，时间序列特征包括多个健康维度，各个健康维度包括一个或多个子健康维度；特征变换模块20，与特征提取模块10耦合，用于按照预定变换规则将时间序列特征变换为图结构特征，其中，图结构特征包括图中节点之间的关联关系及各个节点对应的向量特征；健康分析模块30，与特征变换模块20耦合，用于根据预定健康分析算法确定图结构特征对应的各个健康维度的健康指数。

现有健康分析装置采用单线程处理数据，耗时较长，且没有深入挖掘生物信号内部及之间的关联信息，各生物信号都是独立计算，进而健康分析结果的准确度也较低，系统整体性能较差。本公开实施例对多种生物信号进行时间序列特征提取并将其转换为图结构特征，增加了各种生物信号内部及之间的关联信息，提升了健康分析结果的准确度，且多生物信号共同处理也减少了处理耗时，提升了系统整体性能。

具体实现时，该装置还可以包括一个采集模块，与特征提取模块耦合，用于按照预定采样周期采集生物信号。由于所有种类的生物信号都是按照预定采样周期采集得到的，进而特征提取模块可以将所有的生物信号进行一同处理，即对所有的生物信号都按照预定特征提取算法进行特征提取。

特征提取模块的输入为全部的生物信号，输出为基础健康特征。基础健康特征为时间序列特征，包括节律特征序列及向量特征序列，节律特征序列又包括心律节律序列、呼吸节律序列、睡眠节律序列、精神压力节律序列等节律中的一种或多种。心律节律再细分为窦性节律、室速节律、室上速节律等子节律，呼吸节律细分为正常呼吸节律、阻塞性呼吸暂停节律、中枢性呼吸暂停节律、阻塞性低通气节律、中枢性低通气节律等子节律，睡眠节律细分为深睡节律、浅睡节律、快速眼动节律、觉醒节律等子节律，精神压力节律细分为低压节律、中压节律、高压节律等子节律。

为了便于数据处理，可以根据预定特征提取算法构建一个或多个神经网络，通常情况下，特征提取模块可以包括：第一提取单元，用于采用预设卷积神经网络对生物信号进行一次特征提取，以得到向量特征序列；第二提取单元，与第一提取单元耦合，用于采用各个健康维度对应的第一预设多层感知机网络将向量特征序列进行二次特征提取，以得到各个健康维度的节律特征序列。

上述特征提取模块的工作流程如图2所示，即生物信号输入至预设卷积神经网络，预设卷积神经网络输出向量特征序列，该向量特征序列作为每个子网的输入数据，即同一个向量特征序列输入至不同的第一预设多层感知机网络中，能够得到每个节律对应的向量特征序列，进而通过向量特征序列确定每一个节律对应的节律特征序列。图2中的时间序列即为向量特征序列与节律特征序列的统称。

例如，采集某人一天24小时的生物信号，就可以以60秒作为预定采样周期，则每60秒采集到的生物信号都会作为一个整体。由于心律节律通常细分为窦性节律、室速节律、室上速节律等子节律，则心律节律特征对应的向量特征就可以是一个具有三个维度的向量，24小时就构成了一个矩阵，该矩阵会在第二提取单元进行二次特征提取后得到。

上述特征变换模块可以包括：节律合并单元，用于合并连续预定采样周期中相同的节律特征序列，以得到每个健康维度的新节律特征序列，并记录新节律特征序列中每个子健康维度对应的子节律特征序列所处的时间范围；向量处理单元，与节律合并单元耦合，用于在向量特征序列中取出每个子节律特征序列所处的时间范围内全部的向量特征，对全部的向量特征求平均值，以得到每个子节律特征序列对应的各个新向量特征，并根据全部的新向量特征得到每个健康维度的新向量特征序列；拼接单元，与向量处理单元耦合，用于将新节律特征序列与新向量特征序列进行向量拼接，以得到每个健康维度的综合健康特征；构建单元，与拼接单元耦合，用于将每个综合健康特征确定为一个节点，并按照预定构建规则构建节点之间的结构边，其中，预定构建规则包括：确定处于同一健康维度中且时间上首尾相连的两个节点之间存在结构边，确定不处于同一健康维度中且存在时间交集且时间交集时长大于预定阈值的两个节点之间存在结构边；确定单元，与构建单元耦合，用于根据确定的全部结构边和综合健康特征确定生物信号的图结构特征。

上述节律合并单元在工作时，就可以将连续预定采样周期中相同的节律特征序列进行合并，例如24小时的心律可能存在不同的节律特征，因此，24小时的心律节律就可能被细分为窦性节律、室速节律、室上速节律等子节律，如果在24小时的心律监测中存在窦性节律和室速节律，且室速节律出现在窦性节律之间，则24小时的心律节律序列就会分为三个子节律。

上述过程通过合并连续相同节律特征序列，得到新节律特征序列Nr，记录Nr中各子节律的类型及起止点；随后，在向量特征序列中取出与Nr中各节律范围内的向量特征并求均值，得到与Nr对应的新向量特征序列Nv；最后，将Nr与Nv组合为综合健康特征(该综合健康特征仍然为时间序列特征)，由于Nr与Nv的向量维度不同，该过程通常为向量拼接。

通过上述处理，一个生物信号的不同健康维度对应的节律就会得到一个或多个子节律。例如图3上半部分所示，一个生物信号中包括心律节律序列、呼吸节律序列、睡眠节律序列、精神压力节律序列，不同节律特征序列又被分成了不同的子节律特征序列，心律节律序列被分为Rh1、Rh2、Rh3三个子节律特征序列，呼吸节律序列被分为Rr1、Rr2、Rr3三个子节律特征序列，睡眠节律序列被分为Rsl1、Rsl2两个子节律特征序列，精神压力节律序列被分为Rst1、Rst2两个子节律特征序列。图3的下半部分为数据结构转换的简化示意图，其中上半部分为综合健康特征，下半部分为转换后的图结构特征，图中节点之间的连线即为结构边，图中连线关系仅为一种示例，不对本公开构成限定。

构建单元进行数据结构转换，具体的，先将每个子节律特征序列确定为一个节点，例如，可以每个健康维度下每个种类综合健康特征增加一个标号i，并用综合健康特征i作为图结构特征的第i个结点vi；然后，按照如下规则构建图结构特征的结构边：处于同一健康维度的结点vi与结点vj如果在时间上是前后连续的，则可以构成结构边，不处于同一健康维度不同大类节律的结点vi与结点vj如果在时间上存在交集且交集时长大于阈值T，则可以构成结构边，其中，T是vi与vj中时长小者时长的60％。转换后的数据结构既在时间维度上建立同一健康维度结点之间的关联，同时也在非同一健康维度结点直接建立了关联，极大地丰富了特征的信息，为后续的健康分析打下了坚实的基础。

在得到图结构特征后，健康分析模块就可以对图结构特征进行处理，具体的，健康分析模块可以包括：图处理单元，用于采用预设图神经网络将图结构特征处理为特征向量；分析单元，用于采用预设线性回归网络对特征向量进行分析计算，以得到每个健康维度的健康指数。其中的预设线性回归网络可以为第二预设多层感知机网络，即也采用多层感知机网络，但与第一预设多层感知机网络不同，每个多层感知机网络都需要根据实际处理需求进行算法的变换，此处不再赘述。

为了更加全面的分析健康状况，上述健康分析模块还用于根据各个健康维度的健康指数以及预定算法确定生物体的综合健康指数。综合健康指数的计算公式可以根据需求进行相应的设置，此处不再赘述。

本公开实施例还可以包括拥有构建各个神经网络的构建模块，该构建模块可以用于据预定公式构建预设图神经网络，其中，预定公式包括： P＝D^-1*T，F＝P*Wⁱ，Hⁱ⁺¹＝ReLU{F}，H为图结构特征矩阵，A为H的邻接矩阵，I为与A维度相同的单位矩阵，D为/>的度矩阵，W为权重矩阵，ReLU为修正线性单元的非线性传递函数，i表示当前神经网络层数。

具体实现时，健康分析模块的工作流程可以如图4所示，本模块输入为图结构特征，输出为综合健康指数及专项健康指数。当然，图4中的综合健康指数的计算网络与各个健康维度的计算网络同时并行处理数据仅为一种示例，也可以设置在每个专项健康指数生成之后，进而减少了数据处理量。

预设图神经网络之间的前向传播处理由公式1到公式5定义。其中H为图结构特征矩阵，W为权重矩阵(可学习的参数)，A为H的邻接矩阵，A用于反应节点之间是否相邻，I为与A维度相同的单位矩阵，D为的度矩阵，D反应/>的一个属性，即一个节点有多少个边的节点和它相邻，ReLU为修正线性单元非线性传递函数。

P＝D^-1*T 公式3

F＝P*Wⁱ 公式4

Hⁱ⁺¹＝ReLU{F} 公式5

上述由公式1到公式5的过程即为描述一层图神经网络的计算过程，i指代第i层，如果有10个节点，则相当于存在10层，最终输出图神经网络的是一个特征向量，随后再输入到不同的第二预设多层感知机网络中进行处理。

上述公式形成的图结构网络可以高效地提取图结构特征的信息：首先，通过邻接矩阵在相邻结点间进行信息传递与综合，然后，通过度矩阵D均衡结点之间的影响避免部分结点的影响过大或过小，导致反向传播时梯度爆炸或消失，最后，通过权重矩阵W和非线性传递函数对结点特征进行非线性变换。

如图5和图6所示，为简化描述从图3中图结构特征中抽取出5个结点和6条边形成图5中新图结构特征G1，再将G1简化为图结构特征G2。

图5中Hⁱ为与G2对应的图结构特征矩阵(从上到下依次为结点①-⑤的特征向量，为简化描述每个结点的特征向量仅列出2个特征)，A为与G2对应的邻接矩阵(从上到下依次为结点①-⑤与其它结点的相邻关系，相邻则为1，否则为0，如第一行的[0,1,0,1,0]代表结点①与结点②④相邻)，I为与A相同维度的单位矩阵。图6中D为的度矩阵，Wⁱ为当前状态的权重矩阵。具体实现时，本领域可以参考图5和图6中的公式处理过程而构建图神经网络，此处不再赘述。

本公开实施例设计了一种通用的架构可以支持使用一种或多种生物信号进行健康分析，处理时，从生物信号中提取的时间序列特征，再将其转换为图结构特征，通过图结构特征的神经网络模型进行健康分析，可以深入挖掘健康特征蕴含的信息，提高分析的准确度，且多线程并行处理，耗时较短，提升了系统的整体性能。

本公开第二实施例提供了一种电子设备，其至少包括上述第一实施例中公开的任一种健康分析装置，该健康分析装置的具体结构此处不再赘述。

为了方便用户观看健康分析结果，该电子设备还可以包括用于显示生物体的健康指数的显示器，其中，健康指数至少包括以下之一：各个健康维度的健康指数，综合健康指数。

增加了显示器的电子设备更加方便用户观察健康分析的结果，当然，对于没有显示器的电子设备，还可以通过语音播报的方式将健康指数告诉用户，还可以通过无线模块建立该电子设备与另一电子设备之间的连接，进而通过将健康指数传输到另一电子设备上供用户查看。

此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本公开的具有等同元件、修改、省略、组合(例如，各种实施例交叉的方案)、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本申请的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。

以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本公开。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本公开的主题可以少于特定的公开的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本公开的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。

以上对本公开多个实施例进行了详细说明，但本公开不限于这些具体的实施例，本领域技术人员在本公开构思的基础上，能够做出多种变型和修改实施例，这些变型和修改都应落入本公开所要求保护的范围之内。

Claims (8)

1.一种健康分析装置，其特征在于，包括：

特征提取模块，用于通过预定特征提取算法对按照预定采样周期采集的生物信号进行特征提取，以得到时间序列特征，其中，所述时间序列特征包括多个健康维度，各个所述健康维度包括一个或多个子健康维度；

特征变换模块，用于按照预定变换规则将所述时间序列特征变换为图结构特征，其中，所述图结构特征包括图中节点之间的关联关系及各个节点对应的向量特征；

健康分析模块，用于根据预定健康分析算法确定所述图结构特征对应的生物体的综合健康指数；

其中，所述特征提取模块包括：

第一提取单元，用于采用预设卷积神经网络对所述生物信号进行一次特征提取，以得到向量特征序列；

第二提取单元，用于采用各个健康维度对应的第一预设多层感知机网络将所述向量特征序列进行二次特征提取，以得到各个健康维度的节律特征序列；

所述特征变换模块包括：

节律合并单元，用于合并连续预定采样周期中相同的节律特征序列，以得到每个健康维度的新节律特征序列，并记录所述新节律特征序列中每个子健康维度对应的子节律特征序列所处的时间范围；

向量处理单元，用于在向量特征序列中取出每个所述子节律特征序列所处的时间范围内全部的向量特征，对所述全部的向量特征求平均值，以得到每个所述子节律特征序列对应的各个新向量特征，并根据全部的新向量特征得到每个健康维度的新向量特征序列；

拼接单元，用于将新节律特征序列与新向量特征序列进行向量拼接，以得到每个健康维度的综合健康特征；

构建单元，用于将每个所述综合健康特征确定为一个节点，并按照预定构建规则构建节点之间的结构边，其中，所述预定构建规则包括：确定处于同一健康维度中且时间上首尾相连的两个节点之间存在结构边，确定不处于同一健康维度中且存在时间交集且时间交集时长大于预定阈值的两个节点之间存在结构边；

确定单元，用于根据确定的全部结构边和综合健康特征确定所述生物信号的图结构特征。

2.如权利要求1所述的健康分析装置，其特征在于，

所述健康分析模块，具体用于根据预定健康分析算法确定所述图结构特征对应的各个健康维度的健康指数；根据各个所述健康维度的健康指数以及预定算法确定生物体的综合健康指数。

3.如权利要求2所述的健康分析装置，其特征在于，所述健康分析模块包括：

图处理单元，用于采用预设图神经网络将图结构特征处理为特征向量；

分析单元，用于采用预设线性回归网络对所述特征向量进行分析计算，以得到各个健康维度的健康指数。

4.如权利要求3所述的健康分析装置，其特征在于，所述预设线性回归网络为第二预设多层感知机网络。

5.如权利要求3所述的健康分析装置，其特征在于，还包括：

构建模块，用于据预定公式构建所述预设图神经网络，其中，预定公式包括：H为图结构特征矩阵，A为H的邻接矩阵，I为与A维度相同的单位矩阵，D为/>的度矩阵，W为权重矩阵，ReLU为修正线性单元的非线性传递函数，i表示当前神经网络层数。

6.如权利要求1至5中任一项所述的健康分析装置，其特征在于，还包括：

采集模块，用于按照预定采样周期采集所述生物信号。

7.一种电子设备，其特征在于，至少包括：权利要求1至6中任一项所述的健康分析装置。

8.如权利要求7所述的电子设备，其特征在于，还包括：

显示器，用于显示所述生物体的健康指数，其中，所述健康指数至少包括以下之一：各个健康维度的健康指数，综合健康指数。