CN113633280A - 在床离床检测方法、检测系统、设备及存储介质 - Google Patents
在床离床检测方法、检测系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113633280A CN113633280A CN202110930008.8A CN202110930008A CN113633280A CN 113633280 A CN113633280 A CN 113633280A CN 202110930008 A CN202110930008 A CN 202110930008A CN 113633280 A CN113633280 A CN 113633280A
- Authority
- CN
- China
- Prior art keywords
- bed
- signal
- online
- state information
- time period
- 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
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
- A61B5/1102—Ballistocardiography
-
- 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
- A61B5/72—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明提供了一种在床离床检测方法,包括提供神经网络和训练信号,将训练信号分割为静卧信号、体动信号、放电信号和平稳信号作为模板信号组;训练神经网络得到训练好的神经网络;将预定时间段内采集到的连续在线信号作为单位输入信号输入训练好的神经网络,训练好的神经网络输出单位输入信号所对应的状态信息;根据预设规则比较按时间顺序相邻的两个单位输入信号的状态信息后,输出在床结果或离床结果;依据在床结果或离床结果判断在床状态和离床状态,提高了在床离床判断准确率,降低了检测时延。本发明还提供了一种检测系统,包括信号处理模块、训练模块和判断模块。本发明还提供了一种设备及存储介质。
Description
技术领域
本发明涉及信号检测技术领域,尤其涉及在床离床检测方法、检测系统、设备及存储介质。
背景技术
心冲击图(BCG,ballistocardiography)是一种无创、非接触式的心血管功能监测信号,是指使用对于压力变化敏感的仪器捕捉由于心脏搏动引起的人体一系列相应的微弱运动产生的压力变化信号,并将这种压力变化信号转化成电信号并绘制成波形记录下来,这种波形信号就是BCG信号。
现有的判断在床离床方法大多是基于BCG信号的幅度和能量的阈值法。如根据经验设定幅值和能量阈值,若当前所测信号的幅值和能量超过阈值,则判定为在床;若当前所测信号的幅值和能量小于阈值,则判定为离床。然而,阈值的选取依赖研究者的经验,阈值的大小也直接影响了算法的性能,因此通过阈值法判断是否在床的精确度不高,其可靠性也不高。
现有技术的检测算法检测的延时很大,因为采集BCG信号主要是靠压电陶瓷传感器阵列完成,在受试者离开床垫后,信号不会立刻变成基线状态,而是会出现放电状态。放电状态通常会维持十几秒,在现有的检测算法中,很难将这一段准确识别出来,导致检测离床的延时很大,在实时状态检测的过程中,难以满足要求。
公开号为CN 106539564 A的发明专利申请,公开了一种基于睡眠带的上下床监测方法,包括如下步骤:步骤S1,所述压力传感器实时感应人体位移信息并产生电信号;步骤S2,所述滤波模块滤除压力传感器输出端的干扰信号;步骤S3,所述放大模块对滤波模块处理后的信号进行放大,并将放大后的信号传输至中央处理单元的AD转换接口;步骤S4,中央处理单元对放大模块的输出数据进行处理,将时间段Ts内输出数据的方差Delta与预设的阈值THDelta相比较,若方差Delta≥阈值THDelta,则判断出人体已上床,若方差Delta<阈值THDelta,则判断出人体已离床。但是该发明关于阈值的选取,依赖研究者的经验,阈值的大小也直接影响了算法的性能,因此利用阈值判断人体是否离床精确度不高。
因此,有必要提供在床离床检测方法、检测系统、设备及存储介质以解决上述的现有技术中存在的问题。
发明内容
本发明的目的在于提供在床离床检测方法、检测系统、设备及存储介质,以解决判断是否离床精确度不高和检测离床的延时大的问题。
为实现上述目的,本发明所述的在床离床检测方法,包括步骤:
S1:提供神经网络和训练信号,依据在床状态信息特征和离床状态信息特征将所述训练信号分割为静卧信号、体动信号、放电信号和平稳信号作为模板信号组;
S2:将所述静卧信号、体动信号、放电信号和平稳信号输入至所述神经网络进行训练,得到训练好的神经网络;
S3:在线采集在线信号,将预定时间段内采集到的连续在线信号作为单位输入信号输入所述训练好的神经网络,所述训练好的神经网络将所述预定时间段内的在线信号与所述模板信号组中的各信号进行比对,以输出所述单位输入信号所对应的状态信息,所述单位输入信号所对应的状态信息包括在线静卧信号、在线体动信号、在线放电信号和在线平稳信号中的任意一种或多种;
S4:根据预设规则比较按时间顺序相邻的两个单位输入信号的状态信息后,输出在床结果或离床结果;
S5:依据所述在床结果或所述离床结果判断在床状态和离床状态。
本发明所述的在床离床检测方法的有益效果在于:
本发明先通过分割为静卧信号、体动信号、放电信号和平稳信号作为模板信号组训练神经网络,使得训练好的神经网络具有自动分类预定时间段内采集到的在线信号的能力,以使训练好的神经网络输出单位输入信号所对应的状态信息,根据预设规则比较按时间顺序相邻的两个单位输入信号的状态信息后,输出在床结果或离床结果,依据在床结果或离床结果判断在床状态和离床状态。不需人工设置判断阈值即可判断在床离床状态,在床离床判断准确率高,降低了检测时延和检测结果与真实情况的误差。
优选地,所述步骤S1中,依据在床状态信息特征和离床状态信息特征将所述训练信号分割为静卧信号、体动信号、放电信号和平稳信号作为模板信号组的步骤包括:
依据所述在床状态信息特征将所述训练信号中的在床信号分割为所述静卧信号和所述体动信号,依据所述离床状态信息特征将所述训练信号中的离床信号分割为所述放电信号和所述平稳信号。其有益效果在于,将训练信号分为了包括静卧信号和体动信号的在床信号以及包括放电信号和平稳信号的离床信号,进一步细化了在床和离床过程中信号的变化,将静卧信号、体动信号、放电信号和平稳信号作为模板信号组输入神经网络对神经网络进行训练,从而使得训练好的神经网络识别信号的状态更加精确,从而降低了后续判断在床和离床状态的延时和误差,提高了在床离床状态判断的实效性和准确性。
优选地,所述步骤S3中,所述训练好的神经网络将所述预定时间段内的在线信号与所述模板信号组中的各信号进行比对,以输出所述单位输入信号所对应的状态信息的步骤包括:
当所述预定时间段内的在线信号与所述静卧信号的特征一致,所述训练好的神经网络输出所述在线静卧信号;
当所述预定时间段内的在线信号与所述体动信号的特征一致,所述训练好的神经网络输出所述在线体动信号;
当所述预定时间段内的在线信号与所述放电信号的特征一致,所述训练好的神经网络输出所述在线放电信号;
当所述预定时间段内的在线信号与所述平稳信号的特征一致,所述训练好的神经网络输出所述在线平稳信号。
优选地,所述步骤S4中,根据预设规则比较按时间顺序相邻的两个单位输入信号的状态信息,输出在床结果或离床结果的步骤包括:
当第一时间段的状态信息为所述在线静卧信号,若第二时间段的状态信息为在线平稳信号或在线放电信号,则将所述第二时间段的状态信息重置为在线静卧信号,并将所述在线静卧信号和重置后的在线静卧信号作为所述在床结果输出,所述第二时间段为所述第一时间段的后一个相邻时间段;
当所述第一时间段的状态信息为所述在线体动信号,若所述第二时间段的状态信息为在线平稳信号,则将所述第二时间段的状态信息重置为在线体动信号,并将所述在线体动信号和重置后的在线体动信号作为所述在床结果输出;
当所述第一时间段的状态信息为所述在线放电信号,若所述第二时间段的状态信息为在线静卧信号或所述在线体动信号,则将所述第二时间段的状态信息重置为在线放电信号,并将所述在线放电信号和重置后的在线放电信号作为所述离床结果输出;
当所述第一时间段的状态信息为所述在线平稳信号,若所述第二时间段的状态信息为所述在线放电信号或所述在线静卧信号,则将所述第二时间段的状态信息重置为在线平稳信号,并将所述在线平稳信号和重置后的在线平稳信号作为所述离床结果输出。其有益效果在于,根据预设规则比较按时间顺序相邻的两个单位输入信号的状态信息,若第一时间段的后一个相邻时间段的状态信息不准确,则将第二时间段的状态信息修正为第一时间段的状态信息,使按时间排序的相邻两个状态信息更符合现实检测,从而使得训练好的神经网络输出的在床结果或离床结果更符合实际,提高了在床离床状态判断结果的可靠性。
优选地,所述步骤S5中,依据所述在床结果或所述离床结果判断在床状态和离床状态的步骤包括:
在所述预定时间段内,依据所述在床结果和所述离床结果的数量分别计算在床结果数和离床结果数,依据所述在床结果数和所述离床结果数计算在床离床总数;
计算所述在床结果数占所述在床离床总数的比例得到在床概率,计算所述离床结果数占所述在床离床总数的比例得到离床概率;
依据所述在床概率和所述离床概率的比较结果判断在床状态和离床状态。
进一步优选地,依据所述在床概率和所述离床概率的比较结果判断在床状态和离床状态的步骤包括:
当判断所述在床概率大于所述离床概率,判定为在床状态;
当判断所述在床概率小于所述离床概率,判定为离床状态。其有益效果在于,依据在床改了和离床概率的大小比较,判断在床状态和离床状态,判断方法简单快速,提高了检测在床状态和离床状态的效率。
优选地,步骤S3中,在线采集在线信号,将预定时间段内采集到的连续在线信号作为单位输入信号输入所述训练好的神经网络的步骤包括:
按时间顺序每5s截取一段连续的在线采集的心冲击图信号以得到若干所述单位输入信号,将若干所述单位输入信号依次输入所述训练好的神经网络,每1s更新一次所述在线采集的心冲击图信号的最新信号段。其有益效果在于,每次5s截取一段连续的在线采集的心冲击图信号,截取的信号的时间长度也为5s,保证连续信号的可靠性,每1s更新一次所述在线采集的心冲击图信号的最新信号段,使得在线采集的心冲击图信号得以更新和补充,从而保证心冲击图信号的实效性和连续性。
优选地,所述步骤S1中,所述神经网络包括第一层的第一卷积层、第二层的均值池化层、第三层的第二卷积层、第四层的第三卷积层、第五层的全连接层和第六层的softmax层,所述第一卷积层、所述均值池化层、所述第二卷积层、所述第三卷积层、所述全连接层和所述softmax层依次连接。
进一步优选地,所述第一卷积层、第二卷积层和所述第三卷积层均为一维卷积神经网络;
所述第一卷积层的卷积核大小为1×7,步长为1,激活函数为线性整流函数;
所述第二卷积层的卷积核大小为1×3,步长为1,激活函数为线性整流函数;
所述第三卷积层的卷积核大小为1×1,步长为1,激活函数为线性整流函数;
所述全连接层的神经元个数为4,激活函数为线性整流函数。
本发明还提供一种检测系统,包括:
信号处理模块,用于提供训练信号,依据在床状态信息特征和离床状态信息特征将所述训练信号分割为静卧信号、体动信号、放电信号和平稳信号作为模板信号组;
训练模块,用于将所述静卧信号、体动信号、放电信号和平稳信号输入至神经网络进行训练,得到所述训练好的神经网络;
所述信号处理模块将预定时间段内采集到的连续在线信号作为单位输入信号输入所述训练好的神经网络;
所述训练好的神经网络用于将所述预定时间段内的在线信号与所述模板信号组中的各信号进行比对,以输出所述单位输入信号所对应的状态信息,并根据预设规则比较按时间顺序相邻的两个单位输入信号的状态信息后,输出在床结果或离床结果;
判断模块,依据所述在床结果或所述离床结果判断在床状态和离床状态。
本发明的所述检测系统的有益效果在于:
通过信号处理模块提供训练信号和在线信号并对训练信号和在线信号进行处理,从而得到神经网络所需要的训练信号和在线输入的单位输入信号。通过训练模块对神经网络进行训练,得到训练好的神经网络。通过训练好的神经网络输出所述单位输入信号所对应的状态信息,并根据预设规则比较按时间顺序相邻的两个单位输入信号的状态信息后,输出在床结果或离床结果,通过判断模块判断在床状态和离床状态。不需人工设置判断阈值即可判断在床离床状态,在床离床判断准确率高,降低了检测时延。
本发明还提供一种设备,包括存储器和处理器,所述存储器和所述处理器连接,所述存储器内存储有在床离床检测程序,所述处理器执行所述在床离床检测程序时实现所述在床离床检测方法。
本发明还提供一种存储介质,所述存储介质中存储有在床离床检测程序,所述在床离床检测程序被处理器执行时实现所述在床离床检测方法。
本发明的所述设备及所述存储介质的有益效果均在于:
执行所述在床离床检测程序,以实现所述在床离床检测方法,不需人工设置判断阈值即可判断在床离床状态,提高了在床离床判断准确率,降低了检测时延。
附图说明
图1为本发明实施例的在床离床检测方法的流程图;
图2为本发明实施例的训练信号示意图;
图3为本发明实施例的神经网络的结构示意图;
图4为本发明的在床和离床状态的判断步骤流程图;
图5本发明实施例的心冲击图;
图6为本发明实施例的检测系统的结构框图。
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,下面将结合本发明的附图,对本发明实施例中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发明的一部分实施例,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作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。除非另外定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本文中使用的“包括”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。
针对现有技术存在的问题,本发明的实施例提供了一种在床离床检测方法。
图1为本发明实施例的在床离床检测方法的流程图。参照图1,本发明的在床离床检测方法,包括步骤:
S1:提供神经网络和训练信号,依据在床状态信息特征和离床状态信息特征将训练信号分割为静卧信号、体动信号、放电信号和平稳信号作为模板信号组;
S2:将静卧信号、体动信号、放电信号和平稳信号输入至神经网络进行训练,得到训练好的神经网络;
S3:在线采集在线信号,将预定时间段内采集到的连续在线信号作为单位输入信号输入训练好的神经网络,训练好的神经网络将预定时间段内的在线信号与模板信号组中的各信号进行比对,以输出单位输入信号所对应的状态信息,单位输入信号所对应的状态信息包括在线静卧信号、在线体动信号、在线放电信号和在线平稳信号中的任意一种或多种。
在一些实施方式中,预定时间段可以设置为1-5min。
S4:根据预设规则比较按时间顺序相邻的两个单位输入信号的状态信息后,输出在床结果或离床结果;
S5:依据在床结果或离床结果判断在床状态和离床状态。
本发明的在床离床检测方法的优点在于:
本发明先通过分割为静卧信号、体动信号、放电信号和平稳信号作为模板信号组训练神经网络,使得训练好的神经网络具有自动分类预定时间段内采集到的在线信号的能力,以使训练好的神经网络输出单位输入信号所对应的状态信息,根据预设规则比较按时间顺序相邻的两个单位输入信号的状态信息后,输出在床结果或离床结果,依据在床结果或离床结果判断在床状态和离床状态。不需人工设置判断阈值即可判断在床离床状态,提高了在床离床判断准确率,降低了检测时延。
作为本发明一种优选的实施方式,步骤S1中,依据在床状态信息特征和离床状态信息特征将训练信号分割为静卧信号、体动信号、放电信号和平稳信号作为模板信号组的步骤包括:
依据在床状态信息特征将训练信号中的在床信号分割为静卧信号和体动信号,依据离床状态信息特征将训练信号中的离床信号分割为放电信号和平稳信号。其优点在于,将训练信号分为了包括静卧信号和体动信号的在床信号以及包括放电信号和平稳信号的离床信号,细化了在床和离床过程中信号的变化,将静卧信号、体动信号、放电信号和平稳信号作为模板信号组输入神经网络对神经网络进行训练,从而使得训练好的神经网络识别信号的状态更加精确,从而降低了后续判断在床和离床状态的延时和误差,提高了在床离床状态判断的实效性和准确性。
在一些实施方式中,提供若干具有静卧信号、体动信号、放电信号、平稳信号的样本,静卧信号:体动信号:放电信号:平稳信号的样本数的比例依次为2:2:1:2。
图2为本发明实施例的训练信号示意图。参照图2,在本发明的一些实施方式中,提供的训练信号包括:第一矩形框2内的信号为静卧信号,第二矩形框3内的信号为体动信号,第三矩形框4内的信号为放电信号,第四矩形框5内的信号为平稳信号。
作为本发明一种优选的实施方式,步骤S1中,作为本发明一种优选的实施方式,图3为本发明实施例的神经网络的结构示意图。参照图3,神经网络1包括第一层的第一卷积层11、第二层的均值池化层12、第三层的第二卷积层13、第四层的第三卷积层14、第五层的全连接层15和第六层的softmax层16,第一卷积层11、均值池化层12、第二卷积层13、第三卷积层14、全连接层15和softmax层16依次连接,可说明的是,第一卷积层11、第二卷积层13和第三卷积层14均为一维卷积神经网络,第一卷积层11的输入端连接神经网络的输入,softmax层16的输出端连接神经网络的输出。
在一些实施方式中,第一卷积层11的卷积核大小为1×7,步长为1,激活函数为线性整流函数;
第二卷积层13的卷积核大小为1×3,步长为1,激活函数为线性整流函数;
第三卷积层14的卷积核大小为1×1,步长为1,激活函数为线性整流函数;
全连接层15中设置有批量标准化算法,全连接层的神经元个数为4,激活函数为线性整流函数。
可说明的是,本发明实施例中的第一卷积层11、第二卷积层13和第三卷积层14均为一维卷积层,若改变一维卷积层中的参数,如将步长设置为2,神经网络依然可能实现与本发明训练好的神经网络相同的功能。因此本发明的神经网络可能并不局限于上述的第一卷积层、均值池化层、第二卷积层、第三卷积层、全连接层和softmax层的网络结构,设置的参数也并不局限于上述的参数。
通过第一卷积层11、均值池化层12、第二卷积层13、第三卷积层14和全连接层15将预定时间段内的在线信号与模板信号组中的各信号进行比对,以输出单位输入信号所对应的状态信息,单位输入信号所对应的状态信息包括在线静卧信号、在线体动信号、在线放电信号和在线平稳信号中的任意一种或多种;
在本发明一种具体的实施方式中,本发明对神经网络进行训练步骤中,训练方法采用adam算法,adam算法的参数设置为:学习率lr=0.0005,beta_1=0.9,beta_2=0.999,epsilon=1e-08,clipvalue=0.5;
通过adam算法训练神经网络完毕后,再采用小批梯度下降法(mini-batchGradient Descent)对神经网络进行训练,其中batch_size=64,训练次数为200。训练完成后,得到上述的步骤S3中训练好的神经网络。
作为本发明一种优选的实施方式,单位输入信号所对应的状态信息包括在线静卧信号、在线体动信号、在线放电信号和在线平稳信号中的任意一种或多种,步骤S3中,训练好的神经网络将预定时间段内的在线信号与模板信号组中的各信号进行比对,以输出单位输入信号所对应的状态信息的步骤包括:
当预定时间段内的在线信号与静卧信号的特征一致,训练好的神经网络输出在线静卧信号;
当预定时间段内的在线信号与体动信号的特征一致,训练好的神经网络输出在线体动信号;
当预定时间段内的在线信号与放电信号的特征一致,训练好的神经网络输出在线放电信号;
当预定时间段内的在线信号与平稳信号的特征一致,训练好的神经网络输出在线平稳信号。
在本发明一种具体的实施方式中,本发明通过训练好的神经网络设置多个状态信息的标签,具体的,设置在线静卧信号的标签为“0”,在线体动信号的标签为“1”,在线放电信号的标签为“2”,在线平稳信号的标签为“3”。通过独热编码方式分别对静卧信号、体动信号、放电信号和平稳信号进行编码,具体编码如下:
依据在线静卧信号的标签“0”对在线静卧信号进行编码,得到编码[1,0,0,0];
依据在线体动信号的标签“1”对在线体动信号进行编码,得到编码[0,1,0,0];
依据在线放电信号的标签“2”对在线放电信号进行编码,得到编码[0,0,1,0];
依据在线平稳信号的标签“3”对在线平稳信号进行编码,得到编码[0,0,0,1]。
作为本发明一种优选的实施方式,步骤S3中,在线采集在线信号,将预定时间段内采集到的连续在线信号作为单位输入信号输入训练好的神经网络的步骤包括:
按时间顺序每5s截取一段连续的在线采集的心冲击图信号以得到若干单位输入信号,并将若干单位输入信号依次输入训练好的神经网络,每1s更新一次在线采集的心冲击图信号的最新信号段。其优点在于,每次5s截取一段连续的在线采集的心冲击图信号,截取的信号的时间长度也为5s,保证连续信号的可靠性,每1s更新一次在线采集的心冲击图信号的最新信号段,使得在线采集的心冲击图信号得以更新和补充,从而保证心冲击图信号的实效性和连续性。
作为本发明一种优选的实施方式,步骤S4中,根据预设规则比较按时间顺序相邻的两个单位输入信号的状态信息,输出在床结果或离床结果的步骤包括:
当第一时间段的状态信息为在线静卧信号,若第二时间段的状态信息为在线平稳信号或在线放电信号,则将第二时间段的状态信息重置为在线静卧信号,并将在线静卧信号和重置后的在线静卧信号作为在床结果输出,第二时间段为第一时间段的后一个相邻时间段;
当第一时间段的状态信息为在线体动信号,若第二时间段的状态信息为在线平稳信号,则将第二时间段的状态信息重置为在线体动信号,并将在线体动信号和重置后的在线体动信号作为在床结果输出;
当第一时间段的状态信息为在线放电信号,若第二时间段的状态信息为在线静卧信号或在线体动信号,则将第二时间段的状态信息重置为在线放电信号,并将在线放电信号和重置后的在线放电信号作为离床结果输出;
当第一时间段的状态信息为在线平稳信号,若第二时间段的状态信息为在线放电信号或在线静卧信号,则将第二时间段的状态信息重置为在线平稳信号,并将在线平稳信号和重置后的在线平稳信号作为离床结果输出。
经过上述的比对修正后,将重置后的在线静卧信号、重置后的在线体动信号、未重置的在线静卧信号和未重置的在线体动信号均作为在床结果输出,在床结果可以用标签“10”表示;
经过上述的比对修正后,将重置后的在线放电信号、重置后的在线平稳信号、未重置的在线放电信号和未重置的在线平稳信号均作为离床结果输出,离床结果可以用标签“16”表示。
其优点在于,根据预设规则比较按时间顺序相邻的两个单位输入信号的状态信息,若第一时间段的后一个相邻时间段的状态信息不准确,则将第二时间段的状态信息修正为第一时间段的状态信息,使按时间排序的相邻两个状态信息更符合现实检测,从而使得训练好的神经网络输出的在床结果或离床结果更符合实际,提高了在床离床状态判断结果的可靠性。
作为本发明一种优选的实施方式,图4为本发明的在床和离床状态的判断步骤流程图,参照图4,步骤S5中,依据在床结果或离床结果判断在床状态和离床状态的步骤包括:
S501:在预定时间段内,依据在床结果和离床结果的数量分别计算在床结果数和离床结果数,依据在床结果数和离床结果数计算在床离床总数;
S502:计算在床结果数占在床离床总数的比例得到在床概率,计算离床结果数占在床离床总数的比例得到离床概率;
S503:依据在床概率和离床概率的比较结果判断在床状态和离床状态。
作为本发明一种优选的实施方式,步骤S503中,依据在床概率和离床概率的比较结果判断在床状态和离床状态的步骤包括:
S5031:当判断在床概率大于离床概率,判定为在床状态;
S5032:当判断在床概率小于离床概率,判定为离床状态。其优点在于,依据在床改了和离床概率的大小比较,判断在床状态和离床状态,判断方法简单快速,提高了检测在床状态和离床状态的效率。
图5本发明实施例的心冲击图,图5中的心冲击图的数据的采集频率为50Hz,纵坐标为信号的能量,纵坐标无量纲,横坐标的单位为20ms,即横坐标中的100表示时间为100×20ms。参照图5,第一矩形框2内的信号为静卧信号,第一矩形框3内的信号为体动信号,第一矩形框4内的信号为放电信号,第一矩形框5内的信号为平稳信号。L1线为现有技术中在床离床算法输出的结果图线,L2线为本发明的神经网络的输出结果图线,从图中可以明显看出,L2中的竖直线比L1线中的横坐标要小,即本发明的判断离床状态的时间比现有技术中判断离床状态的时间点早,本发明的检测方法可以比现有技术更快地检测到在床状态转变为离床状态时的变化,从而降低了在床或离床状态检测的延时。
本发明还提供一种检测系统,图6为本发明实施例的检测系统结构图,参照图6,检测系统包括:
信号处理模块6,用于提供训练信号,依据在床状态信息特征和离床状态信息特征将训练信号分割为静卧信号、体动信号、放电信号和平稳信号作为模板信号组;在实时检测在床离床状态时,信号处理模块6将在线采集的心冲击图信号按时间顺序截取以得到若干单位输入信号,并将若干单位输入信号依次输入训练好的神经网络;
训练模块7,用于将静卧信号、体动信号、放电信号和平稳信号输入至神经网络进行训练,得到训练好的神经网络;
训练好的神经网络1用于将预定时间段内的单位输入信号进行分类,以输出单位输入信号所对应的状态信息,并根据预设规则比较按时间顺序相邻的两个单位输入信号的状态信息后,输出在床结果或离床结果;
判断模块8,依据在床结果或离床结果判断在床状态和离床状态。
具体的,判断模块8包括计算单元80。在预定时间段内,计算单元80依据在床结果和离床结果的数量分别计算在床结果数和离床结果数,依据在床结果数和离床结果数计算在床离床总数;
计算单元80计算在床结果数占在床离床总数的比例得到在床概率,计算离床结果数占在床离床总数的比例得到离床概率。
当判断模块8判断在床概率大于离床概率,判定为在床状态;
当判断模块8判断在床概率小于离床概率,判定为离床状态。
本发明的检测系统的优点在于:
通过信号处理模块6提供训练信号和在线信号并对训练信号和在线信号进行处理,从而得到神经网络所需要的训练信号和在线输入的单位输入信号。通过训练模块7对神经网络进行训练,得到训练好的神经网络。通过训练好的神经网络输出所述单位输入信号所对应的状态信息,并根据预设规则比较按时间顺序相邻的两个单位输入信号的状态信息后,输出在床结果或离床结果,通过判断模块8判断在床状态和离床状态。不需人工设置判断阈值即可判断在床离床状态,在床离床判断准确率高,降低了检测时延和检测结果与真实情况的误差。
参照图6,还包括嵌有压电陶瓷传感器阵列9的床垫和显示心冲击图的计算机90,压电陶瓷传感器阵列9和计算机90电连接。计算机90用于采集压电陶瓷传感器传输的信号并依据信号生成心冲击图信号,计算机90与信号处理模块6连接,用于向信号处理模块6提供心冲击图信号。
本发明还提供一种设备,包括存储器和处理器,存储器和处理器连接,存储器内存储有在床离床检测程序,处理器执行在床离床检测程序时实现在床离床检测方法。
本发明还提供一种存储介质,存储介质中存储有在床离床检测程序,在床离床检测程序被处理器执行时实现在床离床检测方法。
本发明的设备及存储介质的优点均在于:
执行在床离床检测程序,以实现在床离床检测方法,不需人工设置判断阈值即可判断在床离床状态,在床离床判断准确率高,降低了检测时延。
虽然在上文中详细说明了本发明的实施方式,但是对于本领域的技术人员来说显而易见的是,能够对这些实施方式进行各种修改和变化。但是,应理解,这种修改和变化都属于权利要求书中所述的本发明的范围和精神之内。而且,在此说明的本发明可有其它的实施方式,并且可通过多种方式实施或实现。
Claims (12)
1.一种在床离床检测方法,其特征在于,包括步骤:
S1:提供神经网络和训练信号,依据在床状态信息特征和离床状态信息特征将所述训练信号分割为静卧信号、体动信号、放电信号和平稳信号作为模板信号组;
S2:将所述静卧信号、体动信号、放电信号和平稳信号输入至所述神经网络进行训练,得到训练好的神经网络;
S3:在线采集在线信号,将预定时间段内采集到的连续在线信号作为单位输入信号输入所述训练好的神经网络,所述训练好的神经网络将所述预定时间段内的在线信号与所述模板信号组中的各信号进行比对,以输出所述单位输入信号所对应的状态信息,所述单位输入信号所对应的状态信息包括在线静卧信号、在线体动信号、在线放电信号和在线平稳信号中的任意一种或多种;
S4:根据预设规则比较按时间顺序相邻的两个单位输入信号的状态信息后,输出在床结果或离床结果;
S5:依据所述在床结果或所述离床结果判断在床状态和离床状态。
2.如权利要求1所述的在床离床检测方法,其特征在于,所述步骤S1中,依据在床状态信息特征和离床状态信息特征将所述训练信号分割为静卧信号、体动信号、放电信号和平稳信号作为模板信号组的步骤包括:
依据所述在床状态信息特征将所述训练信号中的在床信号分割为所述静卧信号和所述体动信号,依据所述离床状态信息特征将所述训练信号中的离床信号分割为所述放电信号和所述平稳信号。
3.如权利要求1所述的在床离床检测方法,其特征在于,所述步骤S3中,所述训练好的神经网络将所述预定时间段内的在线信号与所述模板信号组中的各信号进行比对,以输出所述单位输入信号所对应的状态信息的步骤包括:
当所述预定时间段内的在线信号与所述静卧信号的特征一致,所述训练好的神经网络输出所述在线静卧信号;
当所述预定时间段内的在线信号与所述体动信号的特征一致,所述训练好的神经网络输出所述在线体动信号;
当所述预定时间段内的在线信号与所述放电信号的特征一致,所述训练好的神经网络输出所述在线放电信号;
当所述预定时间段内的在线信号与所述平稳信号的特征一致,所述训练好的神经网络输出所述在线平稳信号。
4.如权利要求3所述的在床离床检测方法,其特征在于,所述步骤S4中,根据预设规则比较按时间顺序相邻的两个单位输入信号的状态信息,输出在床结果或离床结果的步骤包括:
当第一时间段的状态信息为所述在线静卧信号,若第二时间段的状态信息为在线平稳信号或在线放电信号,则将所述第二时间段的状态信息重置为在线静卧信号,并将所述在线静卧信号和重置后的在线静卧信号作为所述在床结果输出,所述第二时间段为所述第一时间段的后一个相邻时间段;
当所述第一时间段的状态信息为所述在线体动信号,若所述第二时间段的状态信息为在线平稳信号,则将所述第二时间段的状态信息重置为在线体动信号,并将所述在线体动信号和重置后的在线体动信号作为所述在床结果输出;
当所述第一时间段的状态信息为所述在线放电信号,若所述第二时间段的状态信息为在线静卧信号或所述在线体动信号,则将所述第二时间段的状态信息重置为在线放电信号,并将所述在线放电信号和重置后的在线放电信号作为所述离床结果输出;
当所述第一时间段的状态信息为所述在线平稳信号,若所述第二时间段的状态信息为所述在线放电信号或所述在线静卧信号,则将所述第二时间段的状态信息重置为在线平稳信号,并将所述在线平稳信号和重置后的在线平稳信号作为所述离床结果输出。
5.如权利要求1所述的在床离床检测方法,其特征在于,所述步骤S5中,依据所述在床结果或所述离床结果判断在床状态和离床状态的步骤包括:
在所述预定时间段内,依据所述在床结果和所述离床结果的数量分别计算在床结果数和离床结果数,依据所述在床结果数和所述离床结果数计算在床离床总数;
计算所述在床结果数占所述在床离床总数的比例得到在床概率,计算所述离床结果数占所述在床离床总数的比例得到离床概率;
依据所述在床概率和所述离床概率的比较结果判断在床状态和离床状态。
6.如权利要求5所述的在床离床检测方法,其特征在于,依据所述在床概率和所述离床概率的比较结果判断在床状态和离床状态的步骤包括:
当判断所述在床概率大于所述离床概率,判定为在床状态;
当判断所述在床概率小于所述离床概率,判定为离床状态。
7.如权利要求1所述的在床离床检测方法,其特征在于,步骤S3中,在线采集在线信号,将预定时间段内采集到的连续在线信号作为单位输入信号输入所述训练好的神经网络的步骤包括:
按时间顺序每5s截取一段连续的在线采集的心冲击图信号以得到若干所述单位输入信号,将若干所述单位输入信号依次输入所述训练好的神经网络,每1s更新一次所述在线采集的心冲击图信号的最新信号段。
8.如权利要求1所述的在床离床检测方法,其特征在于,所述步骤S1中,所述神经网络包括第一层的第一卷积层、第二层的均值池化层、第三层的第二卷积层、第四层的第三卷积层、第五层的全连接层和第六层的softmax层,所述第一卷积层、所述均值池化层、所述第二卷积层、所述第三卷积层、所述全连接层和所述softmax层依次连接。
9.如权利要求8所述的在床离床检测方法,其特征在于,所述第一卷积层、第二卷积层和所述第三卷积层均为一维卷积神经网络;
所述第一卷积层的卷积核大小为1×7,步长为1,激活函数为线性整流函数;
所述第二卷积层的卷积核大小为1×3,步长为1,激活函数为线性整流函数;
所述第三卷积层的卷积核大小为1×1,步长为1,激活函数为线性整流函数;
所述全连接层的神经元个数为4,激活函数为线性整流函数。
10.一种检测系统,其特征在于,包括:
信号处理模块,用于提供训练信号,依据在床状态信息特征和离床状态信息特征将所述训练信号分割为静卧信号、体动信号、放电信号和平稳信号作为模板信号组;
训练模块,用于将所述静卧信号、体动信号、放电信号和平稳信号输入至神经网络进行训练,得到所述训练好的神经网络;
所述信号处理模块将预定时间段内采集到的连续在线信号作为单位输入信号输入所述训练好的神经网络;
所述训练好的神经网络用于将所述预定时间段内的在线信号与所述模板信号组中的各信号进行比对,以输出所述单位输入信号所对应的状态信息,并根据预设规则比较按时间顺序相邻的两个单位输入信号的状态信息后,输出在床结果或离床结果;
判断模块,依据所述在床结果或所述离床结果判断在床状态和离床状态。
11.一种设备,其特征在于,包括存储器和处理器,所述存储器和所述处理器连接,所述存储器内存储有在床离床检测程序,所述处理器执行所述在床离床检测程序时实现如权利要求1-9中任一项所述的在床离床检测方法。
12.一种存储介质,其特征在于,所述存储介质中存储有在床离床检测程序,所述在床离床检测程序被处理器执行时实现如权利要求1-9中任一项所述的在床离床检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110930008.8A CN113633280B (zh) | 2021-08-13 | 2021-08-13 | 在床离床检测方法、检测系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110930008.8A CN113633280B (zh) | 2021-08-13 | 2021-08-13 | 在床离床检测方法、检测系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113633280A true CN113633280A (zh) | 2021-11-12 |
CN113633280B CN113633280B (zh) | 2023-08-22 |
Family
ID=78421692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110930008.8A Active CN113633280B (zh) | 2021-08-13 | 2021-08-13 | 在床离床检测方法、检测系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113633280B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070100666A1 (en) * | 2002-08-22 | 2007-05-03 | Stivoric John M | Devices and systems for contextual and physiological-based detection, monitoring, reporting, entertainment, and control of other devices |
US20120245439A1 (en) * | 2008-11-20 | 2012-09-27 | David Andre | Method and apparatus for determining critical care parameters |
JP2016022294A (ja) * | 2014-07-24 | 2016-02-08 | 積水化学工業株式会社 | 生体監視システム |
WO2017067010A1 (zh) * | 2015-10-24 | 2017-04-27 | 深圳市迈迪加科技发展有限公司 | 睡眠评价显示方法和装置及评价设备 |
CN108764190A (zh) * | 2018-06-04 | 2018-11-06 | 山东财经大学 | 老年人离床与在床状态的视频监测方法 |
US20190201265A1 (en) * | 2017-12-28 | 2019-07-04 | Sleep Number Corporation | Bed having presence detecting feature |
JP2020081667A (ja) * | 2018-11-29 | 2020-06-04 | 株式会社村田製作所 | ベッド離床就床検知システム |
CN111568437A (zh) * | 2020-06-01 | 2020-08-25 | 浙江大学 | 一种非接触式离床实时监测方法 |
WO2021135672A1 (zh) * | 2019-12-31 | 2021-07-08 | 华南师范大学 | 一种用于判断睡眠呼吸暂停的信号检测方法及系统 |
-
2021
- 2021-08-13 CN CN202110930008.8A patent/CN113633280B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070100666A1 (en) * | 2002-08-22 | 2007-05-03 | Stivoric John M | Devices and systems for contextual and physiological-based detection, monitoring, reporting, entertainment, and control of other devices |
US20120245439A1 (en) * | 2008-11-20 | 2012-09-27 | David Andre | Method and apparatus for determining critical care parameters |
JP2016022294A (ja) * | 2014-07-24 | 2016-02-08 | 積水化学工業株式会社 | 生体監視システム |
WO2017067010A1 (zh) * | 2015-10-24 | 2017-04-27 | 深圳市迈迪加科技发展有限公司 | 睡眠评价显示方法和装置及评价设备 |
US20190201265A1 (en) * | 2017-12-28 | 2019-07-04 | Sleep Number Corporation | Bed having presence detecting feature |
CN108764190A (zh) * | 2018-06-04 | 2018-11-06 | 山东财经大学 | 老年人离床与在床状态的视频监测方法 |
JP2020081667A (ja) * | 2018-11-29 | 2020-06-04 | 株式会社村田製作所 | ベッド離床就床検知システム |
WO2021135672A1 (zh) * | 2019-12-31 | 2021-07-08 | 华南师范大学 | 一种用于判断睡眠呼吸暂停的信号检测方法及系统 |
CN111568437A (zh) * | 2020-06-01 | 2020-08-25 | 浙江大学 | 一种非接触式离床实时监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113633280B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11727279B2 (en) | Method and apparatus for performing anomaly detection using neural network | |
EP3698707A1 (en) | Electrocardiogram information dynamic monitoring method and dynamic monitoring system | |
Small et al. | Is breathing in infants chaotic? Dimension estimates for respiratory patterns during quiet sleep | |
CN109480783B (zh) | 一种呼吸暂停检测方法、装置及计算设备 | |
EP2155061B1 (en) | Method of automatically monitoring the movement activity of a fetus | |
US20200074281A1 (en) | Computer-readable recording medium, abnormality determination method, and abnormality determination device | |
CN108697352B (zh) | 生理信息测量方法及生理信息监测装置、设备 | |
John et al. | A 1D-CNN based deep learning technique for sleep apnea detection in iot sensors | |
CN110638460A (zh) | 一种相对于床的对象的状态检测方法、装置和设备 | |
CN105581775A (zh) | 投射电容式人体动作检测系统 | |
US8949072B2 (en) | Novelty detection with missing parameters | |
CN107019501B (zh) | 基于遗传算法和概率神经网络的远程摔倒检测方法及系统 | |
CN113633280B (zh) | 在床离床检测方法、检测系统、设备及存储介质 | |
CN112957018A (zh) | 基于人工智能的心脏状态检测方法和装置 | |
CN113823403A (zh) | 基于神经网络的早期肺癌呼气组分检测识别系统 | |
Paul et al. | Similarity analysis of IPMC and EMG signal with comparative study of statistical features | |
KR102570665B1 (ko) | 맥파를 이용한 cnn 기반의 운동 강도 분류 시스템 | |
CN105395191A (zh) | 基于年龄段检测的人员生理状态检测装置 | |
Al Rasyid et al. | Anomaly detection in wireless body area network using Mahalanobis distance and sequential minimal optimization regression | |
US11903718B2 (en) | Automatic noise signal interval detection method and device | |
CN117379021B (zh) | 基于智能穿戴设备的老年人健康指标监测系统 | |
CN116999040A (zh) | 一种应用于早产儿的间歇性缺氧事件预警方法及系统 | |
CN105433925A (zh) | 一种基于人种检测的生理参数检测方法 | |
CN105433939A (zh) | 一种基于年龄段检测的人员生理状态检测方法 | |
CN117807551A (zh) | 基于智能戒指的心率异常捕获方法及系统 |
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 |