CN112837816B - 生理状态预测方法、计算机装置及存储介质 - Google Patents

生理状态预测方法、计算机装置及存储介质 Download PDF

Info

Publication number
CN112837816B
CN112837816B CN202110180615.7A CN202110180615A CN112837816B CN 112837816 B CN112837816 B CN 112837816B CN 202110180615 A CN202110180615 A CN 202110180615A CN 112837816 B CN112837816 B CN 112837816B
Authority
CN
China
Prior art keywords
sample
estimated
function
physiological
principal component
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
Application number
CN202110180615.7A
Other languages
English (en)
Other versions
CN112837816A (zh
Inventor
杨立坚
张园园
黄昆
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202110180615.7A priority Critical patent/CN112837816B/zh
Publication of CN112837816A publication Critical patent/CN112837816A/zh
Application granted granted Critical
Publication of CN112837816B publication Critical patent/CN112837816B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Development Economics (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种生理状态预测方法，包括：采集n个样本，所述n个样本中的每个样本包括N份生理信号数据；将所述每个样本包括的所述N份生理信号数据投影到B样条函数的空间，估计该每个样本的轨迹；基于所估计的所述n个样本中的每个样本的轨迹估计协方差函数；基于所估计的协方差函数估计特征函数，并基于所估计的特征函数获得每个样本对应的主成分的估计值；及基于所述每个样本对应的主成分的估计值，利用预设的预测模型预测每个样本对应的生理状态。本发明还提供实现所述生理状态预测方法的计算机装置及存储介质。本发明可以简化计算负担的同时提升预测的准确性。

Description

生理状态预测方法、计算机装置及存储介质
技术领域
本发明涉及生理状态监测技术领域，具体涉及一种生理状态预测方法、计算机装置及存储介质。
背景技术
传统的生理状态预测方法通常需要对生理信号例如脑电压测量成千上万次。然而，由于实验对象的数量往往很少(大多数情况下只有几百个)，使得传统的生理状态预测失效。此外，所收集的生理信号数据还可能受到许多因素的影响，例如头皮的厚度，打入脑电膏的体积等，使得所收集到的生理信号含有巨大噪音，而获取无噪音生理信号例如脑电信号则非常困难。
传统的生理状态预测方法通常包括从生理信号中手动提取生理特征(例如频率，频谱功率等)，将这些生理特征作为自变量来对生理状态进行预测。这种手动提取生理特征的策略的一个普遍问题是选择何种特征以及如何定义特征。例如脑电数据包含过于复杂的结构，以至于仅通过预先定义好的特征很难过滤有用的信息。而传统的生理状态预测方法通常会考虑对脑电信号做傅里叶变换。傅里叶变换的本质是将脑电信号表示成一组三角函数基的线性组合，而事先选定好的三角函数基则不一定能够充分反映脑电信号的内在结构。此外，发明人在实施本发明的过程中，发现利用递归神经网络(RNN)来实现预测则需要大量的样本量，这与脑电等生理信号数据采集的实际情况不符。因此，对于基于脑电等生理信号数据的预测问题，需要一种更有效的统计方法。
发明内容
鉴于以上内容，有必要提出一种生理状态预测方法、计算机装置及存储介质，可以简化计算负担的同时提升预测的准确性。
所述生理状态预测方法包括：采集n个样本，所述n个样本中的每个样本包括N份生理信号数据；将所述每个样本包括的所述N份生理信号数据投影到B样条函数的空间，估计该每个样本的轨迹；基于所估计的所述n个样本中的每个样本的轨迹估计协方差函数；基于所估计的协方差函数估计特征函数，并基于所估计的特征函数获得每个样本对应的主成分的估计值；及基于每个样本对应的所述主成分的估计值，利用预设的预测模型预测每个样本对应的生理状态。
所述计算机装置包括存储器和至少一个处理器，所述存储器中存储有至少一个指令，所述至少一个指令被所述至少一个处理器执行时实现所述的生理状态预测方法。
所述存储介质存储有至少一个指令，所述至少一个指令被至少一个处理器执行时实现所述的生理状态预测方法。
相较于现有技术，本发明提供的生理状态预测方法、计算机装置及存储介质，可以简化计算负担的同时提升预测的准确性。
附图说明
为了更清楚地说明本发明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发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1是本发明较佳实施例提供的生理状态预测方法的流程图。
图2是本发明较佳实施例提供的生理状态预测系统的功能模块图。
图3是本发明较佳实施例提供的计算机装置的结构图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
图1是本发明较佳实施例提供的生理状态预测方法的流程图。
在本实施例中，所述生理状态预测方法可以应用于计算机装置(例如图3所示的计算机装置4)中，对于需要进行生理状态预测的计算机装置，可以直接在计算机装置上集成本发明的方法所提供的用于生理状态预测的功能，或者以软件开发工具包(SoftwareDevelopment Kit，SDK)的形式运行在计算机装置上。
在对生理状态进行预测时，可采用函数型数据的分析方法，例如将函数型数据的分析方法应用到脑电数据中，以此来预测人的工作记忆能力并取得较高的准确性。函数型数据的分析方法通过一组基函数的线性组合来近似所观测到的离散数据点。基函数的引入将无穷维函数空间缩减为有限维向量空间，从而可以改善维度过高而带来的问题。例如，根据数据推导出基函数的形式并用B样条函数近似基函数，降维后的到的特征相比于传统的傅里叶分析方法有更好的性质。然而，在计算B样条函数内积矩阵的算法采用了近似求和方法，这种算法在分割点太少的时候不够精确，在分割点太多时又显著增加了计算负担。
本申请实施例提供的生理状态预测方法可以利用B样条函数对每个样本的轨迹以及模型中的特征函数进行估计，因此，只需要简单的矩阵运算便能够快速地逼近所估计的函数。此外，在函数型主成分以及特征函数的估计过程中，本技术采用迭代的算法精确计算其内积矩阵。采用精确计算的结果后，计算量大大下降，最后的估计也更加准确，代码的效率和准确度都有所提高。
本申请的实施例中，可以假设每个样本的轨迹为某个平方可积的随机过程{η(t),t∈[0,1]}的一个实现。则计算机装置将该随机过程的协方差函数(即真实的协方差函数)记作G(t,t′)＝Cov(η(t),η(t′))，并构建模型：
Figure GDA0003743784970000041
其中，εi(·)表示第i个样本的误差。
根据函数型数据分析理论，即存在一组标准正交基
Figure GDA0003743784970000042
以及一列实数λ1≥λ2≥…≥0,使得
Figure GDA0003743784970000043
以及∫G(t,t′)ψk(t′)dt′＝λkψk(t)对所有k≥0成立，其中，λk与ψk(·)分别代表G(t,t′)的特征根与特征函数，计算机装置可以根据Karhunen-Loève表示transfer(K-L转换)，将所构建的模型可以改写成：
Figure GDA0003743784970000044
其中，m(·)为所述n个样本的均值函数，
Figure GDA0003743784970000045
表示函数m(·)在
Figure GDA0003743784970000046
处的取值，
Figure GDA0003743784970000047
表示函数φk(·)在
Figure GDA0003743784970000048
处的取值，ξik表示第i个样本的第k个主成分，
Figure GDA0003743784970000049
为一系列均值为0，方差为1且互不相关的随机变量，也即是该组函数型数据的主成分。计算机装置通过对所述模型中的
Figure GDA00037437849700000410
进行估计，从而达到降维和特征提取的目的。之后将所得到的主成分的估计值
Figure GDA00037437849700000411
作为自变量，将要预测的生理状态指标作为因变量，运用传统的机器学习方法便可实现预测。
具体实施步骤可参考下文针对图1的描述。
如图1所示，所述生理状态预测方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
步骤S1、计算机装置采集n个样本，所述n个样本中的每个样本包括N份生理信号数据。
本实施例中，n和N均为大于0的整数。
本实施例中，所述生理信号数据可以是指脑电压、心电图、血压或者其他生理信号数据例如脉搏等。具体地，计算机装置可以利用数据采集装置(例如脑电采集器、心电图采集器、智能血压计)来采集所述生理信号数据。
本实施例中，针对每个样本而言，数据采集装置每隔预定的时间间隔(例如1秒)采集一次所述生理信号数据，共采集N次，由此获得N份生理信号数据。
举例而言，数据采集装置对10个不同的对象(例如，10个成年人)分别每隔1秒采集一次血压，分别采集100次，则可以获得10个样本，该10个样本中的每个样本包括100份血压数据。
本实施例中，计算机装置可以将所述n个样本所包括的所有生理信号数据记为数据集{Yij}1≤i≤n,1≤j≤N,Yij代表第i个样本第j次测量的生理信号数据。
步骤S2、计算机装置将所述每个样本包括的所述N份生理信号数据投影到B样条函数的空间，估计该每个样本的轨迹。
在一个实施例中，所述将所述每个样本包括的所述N份生理信号数据投影到B样条函数的空间，估计该每个样本的轨迹包括(a1)-(a4)：
(a1)采用等距离分割节点的方法，根据De Boor算法，在[0，1]区间上获得Ns+p个B样条函数，记作{Bl,p(·),1≤l≤Ns+p}，其中，p为B样条函数的阶数，Ns为B样条函数对应的内部节点数目；
(a2)定义B(·)为由所述Ns+p个B样条函数构成的向量，则B(·)＝[B1,p(·),B2,p(·),……,BNs+p,p(·)]′；
(a3)定义矩阵
Figure GDA0003743784970000051
其中，
Figure GDA0003743784970000052
代表BNs+p,p(·)在
Figure GDA0003743784970000053
的取值；
(a4)基于最小二乘估计法，估计得到所述每个样本的轨迹为
Figure GDA0003743784970000054
Figure GDA0003743784970000055
其中，B(·)′代表B(·)的转置，B′代表B的转置，Yi＝[Yi1,……,YiN]′，Yi为第i个样本的所述N份生理信号数据张成的向量，记
Figure GDA0003743784970000056
Figure GDA0003743784970000061
Figure GDA0003743784970000062
表示用B样条函数逼近时B样条基函数对应系数所组成的向量。
步骤S3、计算机装置基于所估计的所述n个样本中的每个样本的轨迹估计协方差函数。
本实施例中，所估计的协方差函数为：
Figure GDA0003743784970000063
其中，
Figure GDA0003743784970000064
Figure GDA0003743784970000065
是
Figure GDA0003743784970000066
中第j个元素，
Figure GDA0003743784970000067
为由
Figure GDA0003743784970000068
生成的矩阵，
Figure GDA0003743784970000069
步骤S4、计算机装置基于所估计的协方差函数估计特征函数，并基于所估计的特征函数获得每个样本对应的主成分的估计值。
具体地，所述基于所估计的协方差函数估计特征函数，并基于所估计的特征函数获得每个样本对应的主成分的估计值包括(b1)-(b3)：
(b1)基于所述协方差函数估计特征函数：
具体地，根据特征函数的性质，有∫G(t,t′)ψk(t′)dt′＝λkψk(t)；用B样条函数近似特征函数ψk(·)，即
Figure GDA00037437849700000610
其中，
Figure GDA00037437849700000611
为用来近似特征函数ψk(·)的B样条函数的线性组合系数；用步骤S3中得到的
Figure GDA00037437849700000612
代替∫G(t,t′)ψk(t′)dt′＝λkψk(t)中的G(t,t′)，得到
Figure GDA00037437849700000613
Figure GDA00037437849700000614
为矩阵
Figure GDA00037437849700000615
对应的特征值，
Figure GDA00037437849700000616
为矩阵
Figure GDA00037437849700000617
对应的特征向量，由此可以得到所估计的特征函数和特征值；其中，D′是矩阵D的转置，D为对矩阵H进行Cholesky分解得到的矩阵，矩阵H的定义为：
Figure GDA00037437849700000618
其中，Bl,p(·)表示第l个B样条函数；
(b2)根据所构建的模型
Figure GDA00037437849700000619
1≤j≤N，以及等式：∫(ηi(t)-m(t))φk(t)dt＝λkξik，将所估计的特征函数和特征值代替真实值，得到每个样本对应的主成分的估计值
Figure GDA0003743784970000071
其中，
Figure GDA0003743784970000072
需要说明的是，(b2)是利用了特征函数的正交性质，
(b3)从每个样本对应的所述主成分的估计值中选择κ个主成分值。
具体地，可以根据准则
Figure GDA0003743784970000073
选出前κ个主成分值。其中，δ为预设值。
需要说明的是，κ个主成分值解释了数据中δ的变异程度，δ为一个可调的参数，可选为95％或其他数值。
在一个实施例中，可以根据经验来设定δ的取值。在一个实施例中，若δ的取值为95％，则κ的取值可能为10，略大于或小于10。由于κ的值通常远远小于每个样本对应的生理信号数据的份数即N的值，因此，在步骤S5时，不会出现维数太高而产生后续预测无法进行的问题。
步骤S5、计算机装置基于每个样本对应的所述主成分的估计值，利用预设的预测模型预测每个样本对应的生理状态。
在一个实施例中，所述基于所述主成分的估计值，利用预设的预测模型预测生理状态包括：将每个样本对应的所述κ个主成分值输入到所述预设的预测模型得到每个样本对应的生理状态。
在一个实施例中，所述预设的预测模型包括，但不限于，LASSO算法(leastabsolute shrinkage and selection operator，最小绝对值收敛和选择算子、套索算法)、岭回归(ridge regression,Tikhonov regularization)、K最近邻(KNN，K-NearestNeighbor)分类算法或者其他预测模型。
根据本申请的上述流程步骤可以看出，本申请利用B样条函数对每个样本的轨迹以及模型中的特征函数进行估计。由于B样条曲线具有结构简单，灵活性高等优点，因此，只需要简单的矩阵运算便能够快速地逼近所估计的函数。此外，在函数型主成分以及特征函数的估计过程中，需要计算B样条函数间的内积矩阵，本技术采用迭代的算法精确计算其内积矩阵。采用精确计算的结果后，计算量大大下降，最后的估计也更加准确，代码的效率和准确度都有所提高。
具体以如下实验数据证明本申请所提供的生理状态预测方法的所具有有益效果。具体地，以取B样条函数的内部节点数Ns＝10，样条阶数p＝3。记在用求和近似积分时，在[0，1]区间上等距划分得到的分割点的数目为N，得到的近似内积矩阵为HN，记真实的内积矩阵为H，计算真实内积矩阵H与近似内积矩阵HN的差距δN＝||H-HN||F，所得到的结果如下表所示：
Figure GDA0003743784970000081
可以看出，随着分割点N的增加，近似矩阵HN与真实内积矩阵H越来越接近，但是计算负担也会越来越重。本申请采用迭代的方法直接精确计算内积矩阵H，有效提升了计算的准确性。
上述图1详细介绍了本发明的生理状态预测方法，下面结合图2和图3，对实现所述生理状态预测方法的软件系统的功能模块以及实现所述生理状态预测方法的硬件装置架构进行介绍。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
参阅图2所示，是本发明较佳实施例提供的生理状态预测系统的模块图。
在一些实施例中，所述生理状态预测系统30运行于计算机装置4中。所述生理状态预测系统30可以包括多个由程序代码段所组成的功能模块。所述生理状态预测系统30中的各个程序段的程序代码可以存储于计算机装置4的存储器41中，并由至少一个处理器42所执行，以实现生理状态预测功能(详见图1描述)。
本实施例中，所述生理状态预测系统30根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：获取模块301、执行模块302，。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
具体地，获取模块301可以采集n个样本，所述n个样本中的每个样本包括N份生理信号数据。所述执行模块302可以将所述每个样本包括的所述N份生理信号数据投影到B样条函数的空间，估计该每个样本的轨迹；基于所估计的所述n个样本中的每个样本的轨迹估计协方差函数；基于所估计的协方差函数估计特征函数，并基于所估计的特征函数获得主成分的估计值；及基于所述主成分的估计值，利用预设的预测模型预测生理状态。
参阅图3所示，为本发明较佳实施例提供的计算机装置的结构示意图。在本发明较佳实施例中，所述计算机装置4包括存储器41、至少一个处理器42。本领域技术人员应该了解，图3示出的计算机装置的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述计算机装置4还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
在一些实施例中，所述计算机装置4包括一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的终端，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。
需要说明的是，所述计算机装置4仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
在一些实施例中，所述存储器41用于存储程序代码和各种数据，例如安装在所述计算机装置4中的生理状态预测系统30，并在计算机装置4的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器41包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者任何其他能够用于携带或存储数据的计算机可读的存储介质。
在一些实施例中，所述至少一个处理器42可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器42是所述计算机装置4的控制核心(Control Unit)，利用各种接口和线路连接整个计算机装置4的各个部件，通过运行或执行存储在所述存储器41内的程序或者模块，以及调用存储在所述存储器41内的数据，以执行计算机装置4的各种功能和处理数据，例如执行生理状态预测的功能。
尽管未示出，所述计算机装置4还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器42逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机装置4还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是计算机装置、个人电脑等)或处理器(processor)执行本发明各个实施例所述方法的部分。
在进一步的实施例中，结合图2，所述至少一个处理器42可执行所述计算机装置4的操作装置以及安装的各类应用程序(如所述的生理状态预测系统30)、程序代码等，例如，上述的各个模块。
所述存储器41中存储有程序代码，且所述至少一个处理器42可调用所述存储器41中存储的程序代码以执行相关的功能。例如，图3中所述的各个模块是存储在所述存储器41中的程序代码，并由所述至少一个处理器42所执行，从而实现所述各个模块的功能以达到生理状态预测的目的。
在本发明的一个实施例中，所述存储器41存储一个或多个指令(即至少一个指令)，所述至少一个指令被所述至少一个处理器42所执行以实现图1所示的生理状态预测的目的。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳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，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (6)

1.一种生理状态预测方法，其特征在于，该方法包括：
采集n个样本，所述n个样本中的每个样本包括N份生理信号数据，将所述n个样本包括的所有生理信号数据记为数据集{Yij}1≤i≤n,1≤j≤N,Yij代表第i个样本第j次测量的生理信号数据；
将所述每个样本包括的所述N份生理信号数据投影到B样条函数的空间，估计所述每个样本的轨迹，包括：采用等距离分割节点的方法，根据De Boor算法，在[0，1]区间上获得Ns+p个B样条函数，记作{Bl,p(·),1≤l≤Ns+p}，其中，p为B样条函数的阶数，Ns为B样条函数对应的内部节点数目；定义B(·)为由所述Ns+p个B样条函数构成的向量，则B(·)＝[B1,p(·),B2,p(·),……,BNs+p,p(·)]′；
定义矩阵
Figure FDA0003743784960000011
基于最小二乘估计法，估计得到所述每个样本的轨迹为
Figure FDA0003743784960000012
其中，Yi＝[Yi1,……,YiN]′，Yi为第i个样本的所述N份生理信号数据张成的向量，记
Figure FDA0003743784960000013
Figure FDA0003743784960000014
表示用B样条函数逼近时B样条基函数对应系数所组成的向量；
基于所估计的所述n个样本中的每个样本的轨迹估计协方差函数为：
Figure FDA0003743784960000015
其中，
Figure FDA0003743784960000016
Figure FDA0003743784960000017
是
Figure FDA0003743784960000018
中第j个元素，
Figure FDA0003743784960000019
为由
Figure FDA00037437849600000110
生成的矩阵，
Figure FDA00037437849600000111
基于所估计的协方差函数估计特征函数，并基于所估计的特征函数获得每个样本对应的主成分的估计值，包括：将所
Figure FDA00037437849600000112
代替∫G(t,t′)ψk(t′)dt′＝λkψk(t)中的G(t,t′)，得到
Figure FDA00037437849600000113
并得到所估计的特征函数和特征值，其中，
Figure FDA00037437849600000114
为用于近似特征函数的B样条函数的线性组合系数；
Figure FDA00037437849600000115
为矩阵
Figure FDA00037437849600000116
对应的特征值；
Figure FDA00037437849600000117
为矩阵
Figure FDA00037437849600000118
对应的特征向量，D为对矩阵H进行Cholesky分解得到的矩阵，矩阵H的定义为：
Figure FDA00037437849600000119
根据所构建的模型
Figure FDA00037437849600000120
以及等式∫(ηi(t)-m(t))φk(t)dt＝λkξik，将所估计的特征函数和特征值代替真实值，得到每个样本对应的主成分的估计值
Figure FDA0003743784960000021
其中，
Figure FDA0003743784960000022
及从所述每个样本对应的主成分的估计值中选择κ个主成分值；及
基于所述每个样本对应的主成分的估计值，利用预设的预测模型预测每个样本对应的生理状态。
2.如权利要求1所述的生理状态预测方法，其特征在于，所述方法还包括：
依据预定的时间间隔，利用数据采集装置分别对n个样本采集N次生理信号数据，获得N份生理信号数据。
3.如权利要求2所述的生理状态预测方法，其特征在于，所述从所述每个样本对应的主成分的估计值中选择κ个主成分值包括：
根据准则
Figure FDA0003743784960000023
选出前κ个主成分值，其中，δ为预设值且使得κ的值小于每个样本对应的生理信号数据的份数N。
4.如权利要求3所述的生理状态预测方法，其特征在于，所述基于每个样本对应的所述主成分的估计值，利用预设的预测模型预测每个样本对应的生理状态包括：
将每个样本对应的所述κ个主成分值输入到所述预设的预测模型得到每个样本对应的生理状态。
5.一种计算机装置，其特征在于，该计算机装置包括存储器和至少一个处理器，所述存储器中存储有至少一个指令，所述至少一个指令被所述至少一个处理器执行时实现如权利要求1至4中任意一项所述的生理状态预测方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至4中任意一项所述的生理状态预测方法。
CN202110180615.7A 2021-02-09 2021-02-09 生理状态预测方法、计算机装置及存储介质 Active CN112837816B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110180615.7A CN112837816B (zh) 2021-02-09 2021-02-09 生理状态预测方法、计算机装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110180615.7A CN112837816B (zh) 2021-02-09 2021-02-09 生理状态预测方法、计算机装置及存储介质

Publications (2)

Publication Number Publication Date
CN112837816A CN112837816A (zh) 2021-05-25
CN112837816B true CN112837816B (zh) 2022-11-29

Family

ID=75933254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110180615.7A Active CN112837816B (zh) 2021-02-09 2021-02-09 生理状态预测方法、计算机装置及存储介质

Country Status (1)

Country Link
CN (1) CN112837816B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115415851B (zh) * 2022-10-08 2023-09-26 清华大学 一种基于函数型数据主成分分析的刀具健康监测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6092033A (en) * 1997-04-16 2000-07-18 Uhlmann; Jeffrey K. Method and apparatus for fusing mean and covariance estimates

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107421566B (zh) * 2017-08-25 2020-08-11 北京理工大学 一种无人车多源传感器信息仿真平台
CN107844627A (zh) * 2017-09-25 2018-03-27 北京理工大学 一种仅输出时变结构模态参数贝叶斯估计方法
JP7046637B2 (ja) * 2018-02-16 2022-04-04 株式会社三菱総合研究所 飲料の特性予測方法、特性予測プログラムおよび特性予測装置
CN110006844A (zh) * 2019-05-22 2019-07-12 安徽大学 基于函数性主元分析的近红外光谱特征提取方法和系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6092033A (en) * 1997-04-16 2000-07-18 Uhlmann; Jeffrey K. Method and apparatus for fusing mean and covariance estimates

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于回声状态网络的电力负荷采样概率分布估计;肖利群等;《电气应用》;20160920(第18期);全文 *

Also Published As

Publication number Publication date
CN112837816A (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
Ryali et al. Multivariate dynamical systems models for estimating causal interactions in fMRI
Frei et al. Intrinsic time-scale decomposition: time–frequency–energy analysis and real-time filtering of non-stationary signals
Haufe et al. Modeling sparse connectivity between underlying brain sources for EEG/MEG
Rui et al. Dimensionality reduction of brain imaging data using graph signal processing
CN109171754B (zh) 血糖预测模型的训练方法、装置、终端及存储介质
Sharma et al. Efficient methodology for electrocardiogram beat classification
Güler et al. A modified mixture of experts network structure for ECG beats classification with diverse features
CN114819054B (zh) 一种基于物理信息神经网络的电力电子系统状态监测方法
Zou et al. Robust algorithm for estimation of time-varying transfer functions
CN112837816B (zh) 生理状态预测方法、计算机装置及存储介质
CN111860102A (zh) 用于在含噪环境中分析系统的状态的设备和方法
CN118033459A (zh) 一种电动汽车电池系统渐进性故障诊断与预警方法
Anıl et al. Deep learning based prediction model for the next purchase
Franke Markov switching time series models
Haslbeck et al. A Tutorial on Estimating Time-Varying Vector Autoregressive Models
Pagnotta et al. A regularized and smoothed general linear kalman filter for more accurate estimation of time-varying directed connectivity
CN116826739A (zh) 基于单变量时序的超短期农业电力负荷预测方法及装置
Bohlin Comparison of two methods of modeling stationary EEG signals
CN113343877B (zh) 基于不同Prony方法的电器指纹特征提取方法
EP3000058A1 (en) Latent feature models estimation device, method, and program
Lytvynenko et al. Method of evaluation of discrete rhythm structure of cyclic signals with the help of adaptive interpolation
Ting et al. Estimating time-varying effective connectivity in high-dimensional fmri data using regime-switching factor models
Wu et al. Comparison of orthogonal search and canonical variate analysis for the identification of neurobiological systems
Singh et al. Efficient state and parameter estimation for high-dimensional nonlinear system identification with application to meg brain network modeling
Kallas et al. Modeling electrocardiogram using Yule-Walker equations and kernel machines

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