CN112263262A - 健康监测设备 - Google Patents

Abstract

本公开实施例公开了一种健康监测设备，包括输出组件、可穿戴组件、处理组件以及电池。其中，可穿戴组件由导电材料和绝缘材料混合编织而成，导电材料在可穿戴组件上形成多个电极以及在多个电极之间形成多模态生理信号采集电路；处理组件包括调度器和多个运算器，调度器被配置为接收多模态生理信号，调度多个运算器以确定使用者的健康状态信息，并控制输出组件输出预警信息，运算器包括可编程逻辑门阵列，运算器内固化地设置有用于确定健康状态信息的二值神经网络模型的任务运算单元；电池，用于向可穿戴组件、处理组件以及输出组件供电。该设备功耗低，体积小，便于长时间佩戴，通过包括生物阻抗信号的多模态生理信号可以更加准确地预测心力衰竭。

Description

健康监测设备

技术领域

本公开涉及可穿戴设备技术领域，具体涉及一种健康监测设备。

背景技术

心血管疾病由于其隐蔽性和突发性等特点，严重威胁着人类的健康，因此早期诊断和预防是非常重要的。目前，医院普遍使用的12导联动态检测仪(Holter)功耗和体积较大，穿戴时一般在医生的指导下进行操作，且无法满足3-7天的医用连续检测需求。并且，目前的Holter的心电监测判断需要把数据传输到后台服务器计算，这种计算滞后非常明显，不能实现实时计算和全天候即时预警的需求。此外，本发明人发现，单独使用心电数据不能很好地预测心力衰竭的情况。

发明内容

为了解决相关技术中的问题，本公开实施例提供一种健康监测设备。

具体地，所述健康监测设备包括：

输出组件；

可穿戴组件，由导电材料和绝缘材料混合编织而成，所述导电材料在所述可穿戴组件上形成多个电极以及在所述多个电极之间形成多模态生理信号采集电路，所述多模态生理信号至少包括心电信号和生物阻抗信号；

处理组件，包括调度器和多个运算器，其中，所述调度器被配置为接收所述多模态生理信号，调度所述多个运算器以确定使用者的健康状态信息，并基于所述健康状态信息控制所述输出组件输出预警信息，所述运算器包括可编程逻辑门阵列，所述运算器内固化地设置有二值神经网络模型的任务运算单元，所述二值神经网络模型的隐藏层的权值和激活值为二值数据，用于基于多模态生理信号确定健康状态信息；以及

电池，用于向所述可穿戴组件、处理组件以及输出组件供电。

根据本公开实施例，所述调度器包括中央处理器，所述运算器还包括通用图形处理器和基于可编程逻辑门阵列定制的集成芯片，所述调度器和运算器部署于印制电路板。

根据本公开实施例，所述处理组件还包括：

预处理单元，被配置为对所述多模态生理信号进行预处理，所述预处理包括噪声处理、基线漂移处理、心拍分割和数据重采样中的至少一种。

根据本公开实施例，所述健康监测设备还包括输入组件，所述处理组件还被配置为基于用户输入的身高体重信息，确定用户的体表面积。

根据本公开实施例，所述多模态生理信号采集电路还用于采集心率、射血前期、心室射血时间、平均动脉压、左心收缩时间、心收缩力指数、中心静脉压、肺动脉阻塞压中的部分或全部。

根据本公开实施例，处理组件还包括特征预提取单元，被配置为执行以下一种或多种：

基于所述生物阻抗信号确定每搏输出量和/或每搏指数；

基于所述射血前期和心室射血时间确定射血分数；

基于所述每搏输出量和射血分数确定左室舒张末期容积；

基于所述每搏输出量和心率确定心输出量；

基于所述心输出量和体表面积确定心脏指数；

基于所述心脏指数、平均动脉压和肺动脉阻塞压确定左心做功指数；

基于所述心输出量、平均动脉压和中心静脉压确定外周血管阻力；

基于所述心脏指数、平均动脉压和中心静脉压确定外周血管阻力指数。

根据本公开实施例，所述二值神经网络模型的输入包括心电信号、生物阻抗信号、左室排血功能指标、心机收缩功能指标、前负荷指标以及后负荷指标，其中：

所述左室排血功能指标包括每搏输出量、每搏指数、心输出量、心脏指数中的至少一种；

所述心肌收缩指标包括心收缩力指数、左心做功指数、左心收缩时间、射血分数中的至少一种；

所述前负荷指标包括中心静脉压和/或左室舒张末期容积；

所述后负荷指标包括外周血管阻力和/或外周血管阻力指数。

根据本公开实施例，所述二值神经网络模型通过以下方法训练得到：

构造实数型神经网络模型，所述实数型神经网络模型的隐藏层的权值和激活值为实数型数据；

交替执行训练操作和压缩操作，直至满足收敛条件，得到二值神经网络模型，其中，在所述训练操作中，通过所述训练数据更新模型中的权值；在所述压缩操作中，通过剪枝和/或二值化压缩模型的大小。

根据本公开实施例，所述输出组件具有第一输出模式和第二输出模式，所述处理组件被配置为：

在所述健康状态为第一类状态的情况下，控制所述输出装置按照第一输出模式输出预警信息；

在所述健康状态为第二类状态的情况下，控制所述输出装置按照第二输出模式输出预警信息。

根据本公开实施例，所述输出装置包括三色指示灯，所述处理组件被配置为：

在所述健康状态为正常状态的情况下，控制绿色指示灯点亮；

在所述健康状态为异常状态的情况下，控制黄色指示灯点亮；

在所述健康状态为紧急状态的情况下，控制红色指示灯点亮。

根据本公开实施例提供的技术方案，通过导电材料在所述可穿戴组件上形成多个电极以及在所述多个电极之间形成多模态生理信号采集电路，所述多模态生理信号至少包括心电信号和生物阻抗信号；调度器被配置为接收多模态生理信号，调度多个运算器以确定使用者的健康状态信息，并控制输出组件输出预警信息，运算器包括可编程逻辑门阵列，运算器内固化地设置有二值神经网络模型的任务运算单元，二值神经网络模型用于基于多模态生理信号确定健康状态信息；电池，用于向可穿戴组件、处理组件以及输出组件供电，从而使该健康监测设备的体积可以制作得更小，功耗更低，便于长时间佩戴，通过包括生物阻抗信号的多模态生理信号可以更加准确地预测心力衰竭。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：

图1示出根据本公开实施例的健康监测设备的框图；

图2示出根据本公开实施例的健康监测设备的示意图；

图3示出根据本公开实施例的处理组件的框图；

图4示出根据本公开实施例的主控设备的示意图。

具体实施方式

下文中，将参考附图详细描述本公开的示例性实施例，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施例无关的部分。

在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。

另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

目前，中国乃至全球老龄化平均年龄增高、人数逐年增加，对老龄人口生理数据检测受到越来越多人的重视，同时产生的监护生理数据以指数的增长速度持续增长。

近年来，心血管疾病已成为我国居民死亡的首要原因。其中心肌梗死、心律失常、心脏性猝死等心血管疾病发病突然、变化快、病情重、隐蔽性高，严重威胁着人类的健康。而临床上常见的普通心电图、24小时心电图很难捕捉到患者这种类型异常的心电信号。

发明人通过市场调研发现，包括Holter和植入式心电监测仪等动态心电检测仪在内，大多数的动态心电检测仪仅能实现数据记录的功能，均无本机植入算法来达到心血管事件发生时的本机预警功能，均需要终端临床医学专家解读数据。有部分动态心电检测仪配置有实时蓝牙传输系统，数据可在智能手机端读取，并实现4G网络数据远程传输至后台以达到监控效果。但是，目前尚需要后台工作人员来24小时检测，需要耗费巨大的人力物力，并且在网络不稳定甚至不可用的情况下，被监测的人的心电信号可能发生丢失，从而可能错过重要的异常信号，导致预警作用失效。另一方面，该些动态心电检测仪功耗和体积较大，穿戴时一般在医生的指导下进行操作，且无法满足3-7天的医用连续检测需求。

根据本公开实施例提供的技术方案，通过导电材料在所述可穿戴组件上形成多个电极以及在所述多个电极之间形成多模态生理信号采集电路，所述多模态生理信号至少包括心电信号和生物阻抗信号；调度器被配置为接收多模态生理信号，调度多个运算器以确定使用者的健康状态信息，并控制输出组件输出预警信息，运算器包括可编程逻辑门阵列，运算器内固化地设置有二值神经网络模型的任务运算单元，二值神经网络模型用于基于多模态生理信号确定健康状态信息；电池，用于向可穿戴组件、处理组件以及输出组件供电，从而使该健康监测设备的体积可以制作得更小，功耗更低，便于长时间佩戴，通过包括生物阻抗信号的多模态生理信号可以更加准确地预测心力衰竭。

本公开实施例提供的健康监测设备通过小型、可以随身携带的处理组件对多模态生理信号进行本地分析可以很好的解决网络不稳定的问题。使用者通过佩戴可穿戴设备检测多模态生理信号，信号通过本机植入的算法在本机实时预警，可以帮助居民、患者、健康及卫生管理人员实现突发性心血管疾病预警、解决大量健康管理问题。移动终端实现智能医疗能够全方位实时检测患者生理信号，捕捉到常规短时检测记录不到的阵发性心律异常，同时还能够避免收到医生技术水平、熟练程度、疲劳程度等影响导致的诊断失误。

图1示出根据本公开实施例的健康监测设备100的框图。

如图1所示，该健康监测设备100包括：

输出组件110；

可穿戴组件120，由导电材料和绝缘材料混合编织而成，所述导电材料在所述可穿戴组件上形成多个电极以及在所述多个电极之间形成多模态生理信号采集电路，所述多模态生理信号至少包括心电信号和生物阻抗信号；

处理组件130，包括调度器和多个运算器，其中，所述调度器被配置为接收所述多模态生理信号，调度所述多个运算器以确定使用者的健康状态信息，并基于所述健康状态信息控制所述输出组件输出预警信息，所述运算器包括可编程逻辑门阵列，所述运算器内固化地设置有二值神经网络模型的任务运算单元，所述二值神经网络模型的隐藏层的权值和激活值为二值数据，用于基于多模态生理信号确定健康状态信息；以及

电池140，用于向所述可穿戴组件、处理组件以及输出组件供电。

根据本公开实施例提供的技术方案，通过导电材料在所述可穿戴组件上形成多个电极以及在所述多个电极之间形成多模态生理信号采集电路，所述多模态生理信号至少包括心电信号和生物阻抗信号；调度器被配置为接收多模态生理信号，调度多个运算器以确定使用者的健康状态信息，并控制输出组件输出预警信息，运算器包括可编程逻辑门阵列，运算器内固化地设置有二值神经网络模型的任务运算单元，二值神经网络模型用于基于多模态生理信号确定健康状态信息；电池，用于向可穿戴组件、处理组件以及输出组件供电，从而使该健康监测设备的体积可以制作得更小，功耗更低，便于长时间佩戴，通过包括生物阻抗信号的多模态生理信号可以更加准确地预测心力衰竭。

根据本公开实施例，输出组件110、处理组件130和电池140可以通过外壳封装为主控装置，该外壳上可以设置有固定结构，例如弹簧夹、固定带等，用于将主控装置固定于使用者衣物、可穿戴组件或使用者身体。例如，主控设备可以固定在使用者的裤子上。

图2示出根据本公开实施例的健康监测设备的示意图。

如图2所示，该健康监测设备可以包括可穿戴组件210和主控装置220。

根据本公开实施例，可穿戴组件210由导电材料和绝缘材料混合编织而成，例如可以包括多条弹性束身环带以及连接所述多条弹性束身环带的弹性连接带，所述导电材料在所述可穿戴组件上形成多个电极以及在所述多个电极之间形成多模态生理信号采集电路。

根据本公开实施例，该导电材料可以是弹性导电纱线，例如可以包含铜镍材料或导电海绵材料。该绝缘材料例如可以是棉、麻、蚕丝或各种化学纤维。导电材料与绝缘材料通过混合编制形成可穿戴组件210，在可穿戴组件210的内表面形成具有良好生物导电性的电极，从而获取体表电生理信号。该纺织物具有舒适、固定、高回弹、超轻、透气等功能。

根据本公开实施例，多条弹性束身环带例如可以包括所述健康监测设备被使用者穿戴时处于使用者颈部、胸部和腹部的三条弹性束身环带，或者也可以设置更多或更少的弹性束身环带。其中，位于使用者胸部附近的弹性束身环带通常情况下是必要的，因为许多标准化的指标需要该位置的电极进行采集。但如果不需要这些标准化的指标，也可以不在使用者胸部附近设置弹性束身环带。

根据本公开实施例提供的技术方案，由于仅采用弹性束身环带，相对于制成整体衣物而言，具有更好的透气性，在长时间使用的情况下，例如24h以上，或者在炎热的夏季，本公开实施例的可穿戴组件为使用带来更加舒适的体验。

另外，多条弹性束身环带之间几乎不会产生相互干扰，可以更好地适应身体局部的情况，例如不同的胸围和腰围，使弹性束身环带与身体之间固定得更为稳定，弹性束身环带上的电极与身体之间不易脱落。

Holter等设备需要在医生的帮助下，将患者的皮肤打磨平滑才能将电极贴在皮肤上，但也只能维持24h左右，无法长期佩戴。本公开实施例的健康监测设备在长期佩戴的场景中，使用者甚至可以中途脱下该可穿戴组件，再次穿戴时，无需复杂的准备，由于具有较强的弹性，弹性束身环带在佩戴时可以自动与使用者的身体贴合，降低操作难度。

根据本公开实施例，弹性连接带可以位于使用者脊椎的前侧和后侧，可以从前后两侧拉动位于颈部的弹性束身环带，使其固定。弹性连接带不限于图中所示意的形式，例如位于腹侧和背侧的弹性连接带可以仅设置在位于颈部附近与胸部附近的弹性束身环带之间，而胸部附近与腹部附近的弹性束身环带之间的弹性连接带可以设置于人体的左右两侧。

根据本公开实施例，弹性束身环带的长度可以是可调节的，例如可以在背侧设置长度调节结构，从而可以进一步提高可穿戴组件的适应性，降低电极脱落的概率。

根据本公开实施例，所述处于使用者胸部的弹性束身环带在左右方向上具有非对称的结构。由于心脏位置在偏左的位置，为了在心脏位置周围可以布置较多的采集电极，本公开实施例的胸部附近的弹性束身环带在左右方向上具有非对称的结构，如图2所示，左侧的面积比右侧的面积更大，以容纳更多的电极。而右侧不需要更多采集电极的情况下，可以具有较小的面积，以保持舒适性。

根据本公开实施例，通过导电材料的混合编织，在可穿戴组件210的内表面形成具有良好生物导电性的电极，从而获取体表电生理信号。健康监测设备被使用者穿戴时，这些电极例如可以处于使用者以下部位中的至少两种：胸骨右缘第四肋间，胸骨左缘第四肋间、左锁骨中线与第五肋间交点、胸骨左缘第四肋间与所述交点连线的中点、左腋前线与所述交点同一水平处、左腋中线与所述交点同一水平处、左腋后线与所述交点同一水平处、脊柱旁与所述交点同一水平处、腹部左右前侧、左右锁骨前侧、颈部附近、背部的脊椎中央位置附近。通过以上设置，可以方便地采集人体12导联的心电数据和生物阻抗数据，其中，四肢的电极被替换为锁骨和腹部附近的电极。

根据本公开实施例，该健康监测设备上还可以设置更多的传感器，例如用于检测心率、射血前期、心室射血时间、平均动脉压、左心收缩时间、心收缩力指数、中心静脉压、肺动脉阻塞压中的部分或全部的各种传感器，多模态生理信号采集电路可以将该些数据传输到处理组件，即，除了心电数据和生物阻抗数据之外，多模态生理信号采集电路还可以采集心率、射血前期、心室射血时间、平均动脉压、左心收缩时间、心收缩力指数、中心静脉压、肺动脉阻塞压中的部分或全部。

根据本公开实施例，所述处理组件还可以包括预处理单元，被配置为对所述多模态生理信号进行预处理，所述预处理包括噪声处理、基线漂移处理、心拍分割和数据重采样中的至少一种。

根据本公开实施例，采集的原始数据直接输入到健康状态识别模型难以取得较好的识别效果。可以对多模态生理信号进行预处理，例如通过噪声处理和基线漂移处理使多模态生理信号中的信息得到更加有效地表达；通过心拍分割，使输入数据以心拍为单位，简化模型的处理难度，易于训练；通过数据重采样，可以减小输入数据的大小，降低计算量，提高处理效率。

根据本公开实施例，该健康监测设备还可以包括输入组件，用户可使用输入组件输入必要的信息，例如身高体重信息。该输入组件例如可以是键盘、触摸屏、手写笔、摄像头、无线信号接收装置等。

根据本公开实施例，处理组件还可以包括特征预提取单元，用于初步处理已获得的数据，将得到的初步处理结果作为预提取的特征，与心电信号和生物阻抗信号共同输入到二值神经网络模型中。通过特征预提取，可以利用已有的经验，提高模型预测的准确度。

根据本公开实施例，特征预提取例如可以包括以下一种或多种。

(1)基于身高体重信息确定用户的体表面积BSA，例如可以通过下式确定，BSA＝0.024265×身高^0.3964×体重^0.5378。

(2)基于所述生物阻抗信号Z确定每搏输出量SV和/或每搏指数SVI，例如，可以在生物阻抗的一阶导数dZ/dT上确定TFIT，该TFIT为心动周期开始后的第一个过零点位置与心室射血速率峰值(dZ/dT_max)之后的第一个极小值位置之间的间隔，然后通过如下公式计算SVI和SV：

SVI＝k×((dZ/dT_max)/(Zmax-Zmin))×W(TFIT_cal)(在校准阶段)

SV＝SVI×((dZ/dT_max)/(dZ/dT_max)_cal×TFIT_cal/TFIT)^1/3×BSA(在校准之后)

其中，k是常数，下标cal表示在校准阶段测量的参数，W(TFIT_cal)是用于平衡TFIT_cal、心率HR、(收缩期动脉压SAP-舒张期动脉压DAP)三者关系的权重。

(3)基于所述射血前期PEP和心室射血时间VET确定射血分数EF，例如可以通过下式确定射血分数，EF＝0.84-(0.64×PEP)/VET。

(4)基于所述每搏输出量SV和射血分数EF确定左室舒张末期容积EDV，EDV＝SV/EF。

(5)基于所述每搏输出量SV和心率HR确定心输出量CO，CO＝SV×HR/1000。

(6)基于所述心输出量CO和体表面积BSA确定心脏指数CI，CI＝CO/BSA。

(7)基于所述心脏指数CI、平均动脉压MAP和肺动脉阻塞压PAOP确定左心做功指数LCWi，例如可以通过下式确定，LCWi＝0.0144×CI×(MAP-PAOP)。

(8)基于所述心输出量CO、平均动脉压MAP和中心静脉压CVP确定外周血管阻力SVR，SVR＝80×(MAP-CVP)/CO。

(9)基于所述心脏指数CI、平均动脉压MAP和中心静脉压CVP确定外周血管阻力指数SVRi，SVR＝80×(MAP-CVP)/CI。

(10)基于心电数据确定例如P波长度，PQ间长度，QRS波长度等。

根据本公开实施例，二值神经网络模型的输入可以包括心电信号、生物阻抗信号、左室排血功能指标、心机收缩功能指标、前负荷指标以及后负荷指标。其中，所述左室排血功能指标包括每搏输出量SV、每搏指数SVI、心输出量CO、心脏指数CI中的至少一种；所述心肌收缩指标包括心收缩力指数CTI、左心做功指数LCWi、左心收缩时间LVET、射血分数EF中的至少一种；所述前负荷指标包括中心静脉压CVP和/或左室舒张末期容积EDV；所述后负荷指标包括外周血管阻力SVR和/或外周血管阻力指数SVRi。通过上述指标的引入，可以有效提高神经网络模型的预测准确率。

本发明人发现，用于心电信号处理的传统算法的准确率不是很高，必须依靠大量的手动特征提取，具有很强的主观性，获得的特征也没有层次可言，需要由相关领域的专家来进行人工鉴别，对相关专业知识要求较高。基于深度学习的健康状态识别模型拥有更多网络层数来进行特征的分类，能够提高准确率。然而，随着芯片设计规模的与日俱增，其功能日趋复杂，功能、架构、设计思路都存在较大差异，现有的单一商用半导体平台在算力和功耗上往往难以平衡。一方面，随着功能和能力的演进，相关算法变得越来越复杂，因此完成特定任务所需的计算量也越来越大，从而运行时所产生的功耗也随之增大。另一方面，由于对可穿戴设备的便携性要求，很难部署复杂的智能算法。在载荷和能耗有限的环境中，也很难放置体积大，质量大，高能耗的高性能图形处理器(GPU)板卡来处理复杂的应用。因此，往往由于载荷、功耗、体积的限制，大大约束了可穿戴设备处理器的处理能力。

本公开实施例提供了一种定制化的处理组件，可以有效缓解上述问题。

图3示出根据本公开实施例的处理组件300的框图。

如图3所示，该处理组件300包括调度器311和多个运算器321、322、323，其中，调度器311被配置为接收多模态生理信号，调度多个运算器以确定使用者的健康状态信息，并基于所述健康状态信息控制所述输出组件110输出预警信息，所述运算器包括可编程逻辑门阵列(FPGA)，所述运算器内固化地设置有二值神经网络模型的任务运算单元，所述二值神经网络模型的隐藏层的权值和激活值为二值数据，用于基于多模态生理信号确定健康状态信息。

通过将隐藏层的权值和激活值限制为二值数据，并将神经网络模型固化于如FPGA等运算器中，由调度器进行调度，可以极大地降低计算量，减少设备的复杂度和功耗，能够适应便携设备的需求。

根据本公开实施例，该处理组件300可以实现为印制电路板(PCB)。该印制电路板例如可以包括固定部分310和可重新配置部分320。其中，固定部分310包括调度器311，用于根据调度策略将计算任务分配到运算器；可重新配置部分320包括多个运算器，例如运算器321、322、323，所述多个运算器中的部分或全部固化地设置有二值神经网络模型的任务运算单元。上述布局可以减少原始硬件电路的面积，减小处理组件的体积。可重新配置部分320例如可以包含数百个并行内核，计算资源的空间冗余允许安全性和非安全性关键应用程序共存，从而提供适当的分区机制，能够用于实现高可靠性，可安全认证和重认证的多核计算处理系统。

根据本公开实施例，该调度器例如可以由中央处理器CPU实现，该调度器仅用于任务调度而不参与任何运算，所有运算任务由运算器执行，可以降低系统功耗。

根据本公开实施例，除调度器311外，固定部分310还可以包括运行时环境312、操作系统313、输入输出管理314等功能模块，以保障处理组件实现必要的功能。例如，运行时环境RTE(Runtime Environment)是为了聚合不同的设备，构建了可安装的客户端驱动程序加载程序，并充当用户程序和实际实现之间的代理，这样，可以顺利调用不同供应商的OpenCL实现，而不会发生任何冲突。该些模块可以通过软件的方式实现，可以通过可编程硬件的方式来实现，也可以通过软硬结合的方式实现，本公开对此不做限定。

根据本公开实施例，该运算器可以为支持PCIe的加速器。运算器可以包括以下一种或多种：通用图形处理组件(GPGPU，General-purpose computing on graphicsprocessing units)、现场可编程逻辑门阵列(FPGA，Field Programmable Gate Array)、基于现场可编程逻辑门阵列的集成芯片。

其中，FPGA是作为特殊应用电路领域中的一种半定制电路而出现的，既解决了全定制电路的不足，又克服了原有可编程逻辑器件门电路数有限的缺点。其一个显著的特点是低功耗。GPGPU由于现代图形处理组件强大的并行处理能力和可编程流水线，令流处理组件可以处理非图形数据。特别在面对单指令流多数据流(SIMD)，且数据处理的运算量远大于数据调度和传输的需要时，GPGPU在性能上大大超越了传统的中央处理器。

根据本公开实施例，在上述FPGA的基础上，通过仿真技术验证件FPGA制成芯片的可行性，从而将FPGA制成体积更小的基于现场可编程逻辑门阵列的集成芯片，可以进一步降低处理器的尺寸、重量和功耗。

根据本公开实施例，运算器中的FPGA是基于已训练的神经网络模型定制的。定制FPGA的过程包括：构造基于神经网络的健康状态识别模型，使用心电数据作为训练数据训练并压缩所述健康状态识别模型，基于压缩后的健康状态模型定制可编程逻辑门阵列。其中，压缩的步骤可以包括剪枝或参数二值化，剪枝减少了神经元之间的关联，参数二值化使神经元方便地实现为硬件电路，二者极大地降低了神经网络的计算量，也降低了被部署的FPGA的复杂度，能够提高计算效率并降低功耗。

根据本公开实施例，所述二值神经网络的权值为-1或1，由此，神经元之间的权值乘法计算可以简化为位运算，通过补码即可实现乘以-1的运算，极大地提高了模型计算的效率。

根据本公开实施例，所述二值神经网络模型可以通过以下方法训练得到：

构造实数型神经网络模型，该实数型神经网络模型的隐藏层的权值和激活值为实数型数据；

使用训练数据训练并压缩该实数型神经网络模型，得到二值神经网络模型。

根据本公开实施例，可以首先在具有较高运算能力的平台上训练一个实数型神经网络，该实数型神经网络例如可以包括一个输入层，四个隐藏层和一个输出层，通过压缩该神经网络得到小型的二值神经网络模型，再基于压缩后的二值神经网络模型设计FPGA。

根据本公开实施例，所述使用训练数据训练并压缩所述实数型神经网络模型，得到二值神经网络模型，包括：

获取训练数据；

交替执行训练操作和压缩操作，直至满足收敛条件，得到二值神经网络模型，其中，在所述训练操作中，通过所述训练数据更新模型中的权值；在所述压缩操作中，通过剪枝和/或二值化压缩模型的大小。

根据本公开实施例，获取训练数据包括：

获取不同健康状态的人的心电数据；

对所述心电数据进行预处理得到训练样本，所述预处理包括噪声处理、基线漂移处理、心拍分割、特征预提取和数据重采样中的至少一种；

对所述训练样本标注得到样本标签，所述样本标签表示所述心电数据对应的不同健康状态，将所述训练样本和样本标签确定为训练数据。

根据本公开实施例，可以先对多模态生理信号(包括心脏异常患者和正常人的多模态生理信号)进行去噪处理，如可以通过带阻滤波器去除信号中的工频干扰噪声、通过低通滤波器消除肌电干扰噪声、通过IIR零相移数字滤波器纠正基线漂移等，本发明实施例对去除噪声的方式不加以限制。

根据本公开实施例，对于其中的心电信号，在去噪处理后，可以对其分割心拍得到每个心电信号的多个心拍信号，对心拍信号进行数据重采样获得的采样数据作为训练样本，心拍信号所属的心电信号属于心电异常患者还是正常人作为训练样本的样本标签，训练样本和样本标签即构成训练数据。

根据本公开实施例，在获取训练数据之后，可以通过所述训练数据训练所述实数型神经网络模型，以更新实数型神经网络模型的实数型权值，然后对所述实数型神经网络模型进行剪枝，并将所述实数型权值二值化，得到二值神经网络模型，并通过所述训练数据训练所述二值神经网络模型直至收敛。以上通过一次压缩得到二值神经网络模型并训练至收敛，或者，也可以分多个轮次进行压缩，每次压缩可以对部分节点进行剪枝和/或二值化，压缩后继续进行训练，然后进入下一轮压缩，直至模型大小和预测准确度都满足预定的收敛条件。

根据本公开实施例，由于该FPGA是基于特定神经网络定制的，其相对于通用处理组件而言具有更小的体积、更低的功耗和更高的效率。根据本公开实施例的处理组件的综合指标可以达到如下水平：

表1

根据本公开实施例，处理组件的电源接口例如可以采用两个TPS54386双3A非同步转换器，以确保稳定且充足的双电源。

根据本公开实施例，所述处理组件还可以包括供电管理单元，被配置为基于当前任务负载调整被供电的运算器的数量。例如，在当前任务负载不小于第一阈值时，可以启用全部的运算器；在当前任务负载小于第一阈值时，可以根据当前任务负载的情况确定启用预算器的数量。可以根据当前任务负载与第一阈值的比例确定启用运算器的数量，也可以划定区间，根据预定的对应关系确定启用运算器的数量。通过供电管理单元，本公开实施例的处理器可以有效地降低其功耗。

根据本公开实施例所描述的供电管理单元、预处理单元或特征预提取单元可以通过软件的方式实现，也可以通过可编程硬件的方式来实现。电源管理单元、预处理单元或特征预提取单元例如可以设置在调度器中，这些单元或模块的名称并不构成对该单元或模块本身的限定。

根据本公开实施例，该输出组件可以至少具有第一输出模式和第二输出模式，所述处理组件被配置为：

在所述健康状态为第一类状态的情况下，控制所述输出装置按照第一输出模式输出预警信息；

在所述健康状态为第二类状态的情况下，控制所述输出装置按照第二输出模式输出预警信息。

图4示出根据本公开实施例的主控设备400的示意图。

如图4所示，该主控设备400例如可以包括屏幕410、指示灯421、422、423、按键431、432等。当然，以上输入/输出单元的种类和数量只是示例性的，可以设置更多或更少的输入/输出单元，或者设置不同种类的输入/输出单元，也可以省略以上输入/输出单元中的一种或多种。

根据本公开实施例，输出装置可以具有不同的输出模式，用于提示不同的健康状态类型。例如，第一输出模式可以是指示灯421或屏幕410点亮，还可以通过屏幕410显示提示信息，第二输出模式可以指示灯422或屏幕410点亮，并且发出声音提示(设有声音播放装置的情况下)。在本公开另一些实施例中，第一输出模式可以是指示灯423或屏幕410闪烁，第二输出模式可以是指示灯423或屏幕410常亮。在本公开又一些实施例中，第一输出模式可以是本地提示，第二输出模式可以是将预警信息发送到预定设备，以提醒预定联系人。当然，在其他的实施例中，无论是否健康状态的类型如何，都可以将预警信息发送到预定设备，以提醒预定联系人。

根据本公开实施例，所述输出装置包括三色指示灯，例如，指示灯421、422、423可以分别为绿色指示灯、黄色指示灯和红色指示灯，或者，在同一个指示灯内可以集成三种不同颜色的灯珠。所述处理组件被配置为：

在所述健康状态为正常状态的情况下，控制绿色指示灯点亮；

在所述健康状态为异常状态的情况下，控制黄色指示灯点亮；

在所述健康状态为紧急状态的情况下，控制红色指示灯点亮。

一些相关算法处理心电信号得到患者的疾病名称，例如心律失常、心房颤动、心力衰竭、心源性猝死等。如果将这些内容直接用于健康监测设备的提示，缺乏相关知识的患者不能很好地采取应对措施。根据本公开实施例提供的技术方案，使用者无需掌握医学知识，即可了解监测的结果，从而采取合适的应对措施。例如，发现红色指示灯点亮的情况可立即呼叫救护车，发现黄色指示灯点亮的情况可自行去医院就诊，对于绿色指示灯电亮的情况则无需采取措施。

根据本公开实施例提供的技术方案，该健康监测设备能够及时对使用者的健康状态进行预警；通过小型、可以随身携带的处理组件对多模态生理信号进行本地分析可以很好的解决网络不稳定的问题。使用者通过佩戴可穿戴设备检测多模态生理信号，信号通过本机植入的算法在本机实时预警，可以帮助居民、患者、健康及卫生管理人员实现突发性心血管疾病预警、解决大量健康管理问题。移动终端实现智能医疗能够全方位实时检测患者生理信号，捕捉到常规短时检测记录不到的阵发性心律异常，同时还能够避免收到医生技术水平、熟练程度、疲劳程度等影响导致的诊断失误。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种健康监测设备，包括：

输出组件；

可穿戴组件，由导电材料和绝缘材料混合编织而成，所述导电材料在所述可穿戴组件上形成多个电极以及在所述多个电极之间形成多模态生理信号采集电路，所述多模态生理信号至少包括心电信号和生物阻抗信号；

处理组件，包括调度器和多个运算器，其中，所述调度器被配置为接收所述多模态生理信号，调度所述多个运算器以确定使用者的健康状态信息，并基于所述健康状态信息控制所述输出组件输出预警信息，所述运算器包括可编程逻辑门阵列，所述运算器内固化地设置有二值神经网络模型的任务运算单元，所述二值神经网络模型的隐藏层的权值和激活值为二值数据，用于基于多模态生理信号确定健康状态信息；以及

电池，用于向所述可穿戴组件、处理组件以及输出组件供电。

2.根据权利要求1所述的设备，其特征在于，所述调度器包括中央处理器，所述运算器还包括通用图形处理器和基于可编程逻辑门阵列定制的集成芯片，所述调度器和运算器部署于印制电路板。

3.根据权利要求1所述的设备，其特征在于，所述处理组件还包括：

预处理单元，被配置为对所述多模态生理信号进行预处理，所述预处理包括噪声处理、基线漂移处理、心拍分割和数据重采样中的至少一种。

4.根据权利要求1所述的设备，其特征在于，还包括输入组件，所述处理组件还被配置为基于用户输入的身高体重信息，确定用户的体表面积。

5.根据权利要求4所述的设备，其特征在于，所述多模态生理信号采集电路还用于采集心率、射血前期、心室射血时间、平均动脉压、左心收缩时间、心收缩力指数、中心静脉压、肺动脉阻塞压中的部分或全部。

6.根据权利要求5所述的方法，其特征在于，处理组件还包括特征预提取单元，被配置为执行以下一种或多种：

基于所述生物阻抗信号确定每搏输出量和/或每搏指数；

基于所述射血前期和心室射血时间确定射血分数；

基于所述每搏输出量和射血分数确定左室舒张末期容积；

基于所述每搏输出量和心率确定心输出量；

基于所述心输出量和体表面积确定心脏指数；

基于所述心脏指数、平均动脉压和肺动脉阻塞压确定左心做功指数；

基于所述心输出量、平均动脉压和中心静脉压确定外周血管阻力；

基于所述心脏指数、平均动脉压和中心静脉压确定外周血管阻力指数。

7.根据权利要求6所述的设备，其特征在于，所述二值神经网络模型的输入包括心电信号、生物阻抗信号、左室排血功能指标、心机收缩功能指标、前负荷指标以及后负荷指标，其中：

所述左室排血功能指标包括每搏输出量、每搏指数、心输出量、心脏指数中的至少一种；

所述心肌收缩指标包括心收缩力指数、左心做功指数、左心收缩时间、射血分数中的至少一种；

所述前负荷指标包括中心静脉压和/或左室舒张末期容积；

所述后负荷指标包括外周血管阻力和/或外周血管阻力指数。

8.根据权利要求1所述的设备，其特征在于，所述二值神经网络模型通过以下方法训练得到：

构造实数型神经网络模型，所述实数型神经网络模型的隐藏层的权值和激活值为实数型数据；

交替执行训练操作和压缩操作，直至满足收敛条件，得到二值神经网络模型，其中，在所述训练操作中，通过所述训练数据更新模型中的权值；在所述压缩操作中，通过剪枝和/或二值化压缩模型的大小。

9.根据权利要求1～8任一项所述的设备，其中，所述输出组件具有第一输出模式和第二输出模式，所述处理组件被配置为：

在所述健康状态为第一类状态的情况下，控制所述输出装置按照第一输出模式输出预警信息；

在所述健康状态为第二类状态的情况下，控制所述输出装置按照第二输出模式输出预警信息。

10.根据权利要求9所述的设备，其中，所述输出装置包括三色指示灯，所述处理组件被配置为：

在所述健康状态为正常状态的情况下，控制绿色指示灯点亮；

在所述健康状态为异常状态的情况下，控制黄色指示灯点亮；

在所述健康状态为紧急状态的情况下，控制红色指示灯点亮。

Images