CN113768523A - 基于对抗生成网络的二便预警方法与系统 - Google Patents

基于对抗生成网络的二便预警方法与系统 Download PDF

Info

Publication number
CN113768523A
CN113768523A CN202111331075.4A CN202111331075A CN113768523A CN 113768523 A CN113768523 A CN 113768523A CN 202111331075 A CN202111331075 A CN 202111331075A CN 113768523 A CN113768523 A CN 113768523A
Authority
CN
China
Prior art keywords
stool
early warning
stomach
signal data
electrical signal
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
CN202111331075.4A
Other languages
English (en)
Other versions
CN113768523B (zh
Inventor
邹焱飚
吴盛红
张铁
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202111331075.4A priority Critical patent/CN113768523B/zh
Publication of CN113768523A publication Critical patent/CN113768523A/zh
Application granted granted Critical
Publication of CN113768523B publication Critical patent/CN113768523B/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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A61B5/392—Detecting gastrointestinal contractions
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Evolutionary Computation (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Physiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Gastroenterology & Hepatology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种基于对抗生成网络的二便预警方法与系统。所述方法包括以下步骤：采集若干个志愿者的胃电信号数据；对采集的胃电信号数据进行预处理；利用特征提取器对预处理后的数据进行特征提取；将提取的特征样本分为训练集和测试集，构建二便预警模型并利用生成对抗网络对其进行训练，得到训练好的二便预警模型；将训练好的二便预警模型迁移到嵌入式微处理器上，连接EGG胃电传感器，EGG胃电传感器实时采集胃电信号数据输入嵌入式微处理器；嵌入式微处理器对实时采集的胃电信号数据进行预处理并根据预处理后的数据进行二便预警判断。本发明能够解决失能老人长期照护困难、节约社会成本，具有一定的实用价值和社会效益。

Description

基于对抗生成网络的二便预警方法与系统
技术领域
本发明涉及医疗技术、数据处理技术，尤其是一种基于对抗生成网络的二便预警系统与方法。
背景技术
我国人口老龄化问题自进入21世纪以来，日渐突出，大量的老人需要照顾，如果全部采用人工照看，有诸多不便之处。如何实现失能老人的半自动监护甚至全自动监护，解决失能老年人的照顾需求，引发了人们的广泛关注。我国人口老龄化问题日趋严重，其中失能老人的数量占相当一部分比例。失能老人长期卧床会出现各种并发症，包括行动不便或排便相关功能丧失从而影响大小便的正常排泄，会严重影响老人的生活质量和心里健康，甚至会影响老人的寿命。目前市面上大部分的护理床都是在大小便之后专人清理，或者通过穿戴式设备对使用者的排便部位进行清洗，这些护理设备都存在一定的局限性，而且全部是便后处理，并没有能够在便前发出预警信号的系统设备。因此急需一种简单而准确的二便预警方法，用以解决老人长期照护困难的难题。
论文《基于数据融合的智能护理床排便监测方法研究》（太原理工大学刘晓军硕士学位论文）中提供了一种多传感器融合的排便监测的智能护理床，设计了基于STM32的数据采集系统对温湿度和氨气传感器信息进行采集，对实验数据进行预处理之后，利用神经网络与改进后的D-S证据理论对智能护理床进行排便监测。
现有技术存在一些不足与缺陷：
（1）由于氨气和温湿度数据容易受环境影响，无法将其进行广泛应用。
（2）现有的方法电路复杂，成本较高。
因此，急需一种能够实时监测预警、成本较低的用于二便预警的信号采集设备。
发明内容
本发明的目的是提供一种利用胃电采集系统的基于对抗生成网络的二便预警系统与方法，旨在通过实时监测预警解决长期卧床老人因排泄相关功能丧失导致的大小便失禁进而产生的老人长期照护困难问题。本发明从人口老龄化趋势和临床需求出发，采用卷积神经网络和对抗生成网络策略训练二便预警模型，建立受护理人的生理参数与二便预警的关系，探索新型科学养老模式。
为了解决上述问题，基于对人体胃电生理参数的实时监测，采用卷积神经网络和GAN生成对抗学习策略，结合硬件EGG胃电传感器，嵌入式微处理器，提出了一种利用胃电信号采集系统的基于生成对抗网络（GAN）的二便预警系统。
本发明的目的至少通过如下技术方案之一实现。
基于对抗生成网络的二便预警系统，包括胃电传感器、信号预处理模块、特征提取器、二便预警模型训练模块和嵌入式微处理器；
其中，胃电传感器采集胃电信号数据发送至信号预处理模块进行预处理，信号预处理模块将预处理后的胃电信号数据发送至特征提取器进行特征提取；二便预警模型训练模块将提取的特征样本分为训练集和测试集，构建二便预警模型并利用生成对抗网络对其进行训练，得到训练好的二便预警模型；嵌入式微处理器上迁移训练好的二便预警模型，实时接收胃电传感器采集的胃电信号数据进行预处理后进行二便预警判断。
进一步地，分别在早中晚三个时间段，利用胃电传感器采集若干个志愿者的胃电信号数据，采集的胃电信号数据根据志愿者当时的状态分为空腹和非空腹、有便意和无便意，其中，对二便前设定时间段内的数据标记为有便意，其余时间段的数据均为无便意。
进一步地，信号预处理模块中，先对胃电传感器采集到的胃电信号数据进行滤波处理去除背景噪声，然后利用快速傅里叶变换对去除背景噪声后的胃电信号数据进行处理，得到频域信息。
进一步地，所述特征提取器为一维卷积神经网络，特征提取器包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、4个归一化层、2个池化层和2个全连接层；第一卷积层和第二卷积层之间通过一个归一化层连接，第二卷积层的输出经过一个归一化层和一个池化层连接第三卷积层，第三卷积层和第四卷积层之间通过一个归一化层连接，第四卷积层的输出经过一个归一化层和一个池化层连接两个全连接层，其中神经网络的卷积核为一维；
将采用快速傅里叶变换得到的频域信息作为一维频谱输入特征提取器，提取有便意时的胃电信号数据的特征。
进一步地，二便预警模型训练模块中，所述生成对抗网络包括生成器G和判别器D，生成器G和判别器D采用极大极小博弈同时训练，生成器G的目的是学得输入真实数据的特征，从而生成能够欺骗判别器D的胃电信号数据；判别器D经过训练后提高判别能力，区分出真实胃电信号数据与生成胃电信号数据；
训练好的二便预警模型采用训练好的判别器D，利用判别器D判断实时采集到的胃电信号数据是否有便意；
生成对抗网络的目标函数如下：
Figure 160209DEST_PATH_IMAGE001
其中，E(⋅)表示数学期望，x表示训练数据，z表示输入的随机噪声，
Figure 107305DEST_PATH_IMAGE002
表示 训练数据的分布，
Figure 639918DEST_PATH_IMAGE003
表示随机噪声的分布，D(⋅)表示该输入来自训练数据的概率，G(z) 表示生成器G生成的图像数据。
进一步地，嵌入式微处理器包括蓝牙模块和USB3.0接口，胃电传感器实时采集的胃电信号数据通过蓝牙实时传输到嵌入式微处理器上；
在嵌入式微处理器上将胃电信号数据进行预处理之后输入训练好的二便预警模型中，判断被测者是否有便意，若无便意，则继续实时监测；若有便意则产生二便预警。
进一步地，嵌入式微处理器采用Jetson tx2开发板。
基于对抗生成网络的二便预警方法，包括以下步骤：
S1、采集若干个志愿者的胃电信号数据；
S2、对采集的胃电信号数据进行预处理；
S3、利用特征提取器对预处理后的数据进行特征提取；
S4、将提取的特征样本分为训练集和测试集，构建二便预警模型并利用生成对抗网络对其进行训练，得到训练好的二便预警模型；
S5、将训练好的二便预警模型迁移到嵌入式微处理器上，连接胃电传感器，胃电传感器实时采集胃电信号数据输入嵌入式微处理器；
S6、嵌入式微处理器对实时采集的胃电信号数据进行预处理并根据预处理后的数据进行二便预警判断。
相比于现有技术，本发明的有益效果如下：
（1）本发明基于生成对抗网络策略对胃电信号与二便预警的关系开展研究，训练好的模型能够较准确地对大小便进行预警，整个预警系统具有实时同步、预测准确率高的特点。（2）本发明有望应用于医院、养老机构、家庭等多场景，能够解决失能老人长期照护困难、节约社会成本，具有一定的实用价值和社会效益。
附图说明
图1为本发明实施例中基于对抗生成网络（GAN）的二便预警方法的步骤流程图；
图2为本发明实施例中胃电传感器的结构示意图；
图3为本发明实施例中胃电传感器电极位置图；
图4为本发明实施例中特征提取器结构示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步的详细描述，但本发明的实施方式不限于此。
实施例：
基于对抗生成网络的二便预警系统，包括胃电传感器、信号预处理模块、特征提取器、二便预警模型训练模块和嵌入式微处理器；
其中，胃电传感器采集胃电信号数据发送至信号预处理模块进行预处理，信号预处理模块将预处理后的胃电信号数据发送至特征提取器进行特征提取；二便预警模型训练模块将提取的特征样本分为训练集和测试集，构建二便预警模型并利用生成对抗网络对其进行训练，得到训练好的二便预警模型；嵌入式微处理器上迁移训练好的二便预警模型，实时接收胃电传感器采集的胃电信号数据进行预处理后进行二便预警判断。
分别在早中晚三个时间段，利用胃电传感器采集若干个志愿者的胃电信号数据，采集的胃电信号数据根据志愿者当时的状态分为空腹和非空腹、有便意和无便意，本实施例中，对二便前15分钟的数据标记为有便意，其余时间段的数据均为无便意；采集数据时，志愿者需躺在床上且不能说话，保持平稳的呼吸。
在一个实施例中，如图2所示，胃电传感器包括三个测量电极4和信号传输接口5；将胃电传感器（EGG胃电传感器）的三个测量电极4贴在病人胃部附近，如图3所示，胃电传感器的三个测量电极4分别贴在1、2、3的位置，如图3所示，3为参考电极位置，图中，三条虚线等距，距离都为5cm，通过胃电传感器采集人体的胃电信号，实时监测胃电信号数据。
信号预处理模块中，先对胃电传感器采集到的胃电信号数据进行滤波处理去除背景噪声，然后利用快速傅里叶变换对去除背景噪声后的胃电信号数据进行处理，得到频域信息。
如图4所示，所述特征提取器为一维卷积神经网络，特征提取器包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、4个归一化层、2个池化层和2个全连接层；第一卷积层和第二卷积层之间通过一个归一化层连接，第二卷积层的输出经过一个归一化层和一个池化层连接第三卷积层，第三卷积层和第四卷积层之间通过一个归一化层连接，第四卷积层的输出经过一个归一化层和一个池化层连接两个全连接层，其中神经网络的卷积核为一维；
将采用快速傅里叶变换得到的频域信息作为一维频谱输入特征提取器，提取有便意时的胃电信号数据的特征。
在一个实施例中，特征提取器的具体结构如表1所示。
Figure 494610DEST_PATH_IMAGE004
进一步地，二便预警模型训练模块中，所述生成对抗网络包括生成器G和判别器D，生成器G和判别器D采用极大极小博弈同时训练，生成器G的目的是学得输入真实数据的特征，从而生成能够欺骗判别器D的胃电信号数据；判别器D经过训练后提高判别能力，区分出真实胃电信号数据与生成胃电信号数据；
训练好的二便预警模型采用训练好的判别器D，利用判别器D判断实时采集到的胃电信号数据是否有便意；
生成对抗网络的目标函数如下：
Figure 288123DEST_PATH_IMAGE005
其中，E(⋅)表示数学期望，x表示训练数据，z表示输入的随机噪声，
Figure 674629DEST_PATH_IMAGE002
表示 训练数据的分布，
Figure 225696DEST_PATH_IMAGE003
表示随机噪声的分布，D(⋅)表示该输入来自训练数据的概率，G(z) 表示生成器G生成的图像数据。
嵌入式微处理器包括蓝牙模块和USB3.0接口，胃电传感器实时采集的胃电信号数据通过蓝牙实时传输到嵌入式微处理器上；
在嵌入式微处理器上将胃电信号数据进行预处理之后输入训练好的二便预警模型中，判断被测者是否有便意，若无便意，则继续实时监测；若有便意则产生二便预警。
在一个实施例中，嵌入式微处理器采用Jetson TX2开发板。Jetson TX2开发板包括：NVIDIA PascalTM架构，配有256个NVIDIA CUDA核心的GPU,双核CPU和四核ARM A57Complex的cpu,通过Micro USB、USB3.0、HDMI，蓝牙模块等与外部设备连接。在本实例中，Jetson TX2开发板能够满足硬件要求，并且搭载Open CV图像处理平台，能够通过蓝牙实时接收胃电信号。
在一个实施例中，胃电传感器采用的是上海形宙数字技术有限公司的Biosignals系列4通道生理记录监测仪配置的胃电传感器，旨在方便用户记录胃的电活动，可以以经济高效且直接的方式同时使用多个传感器来评估肠蠕动和整体胃活动。双极配置具有两个测量电极，可检测所选特定胃区域相对于参考电极的电位（放置在生物电活动低的区域）。产生的信号是这两条引线之间放大的差异，消除了常见的不需要的信号。其方便的形状因数可在典型的EGG位置上离散应用。
基于对抗生成网络的二便预警方法，包括以下步骤：
S1、采集若干个志愿者的胃电信号数据；
S2、对采集的胃电信号数据进行预处理；
S3、利用特征提取器对预处理后的数据进行特征提取；
S4、将提取的特征样本分为训练集和测试集，构建二便预警模型并利用生成对抗网络对其进行训练，得到训练好的二便预警模型；
S5、将训练好的二便预警模型迁移到嵌入式微处理器上，连接EGG胃电传感器，EGG胃电传感器实时采集胃电信号数据输入嵌入式微处理器；
S6、嵌入式微处理器对实时采集的胃电信号数据进行预处理并根据预处理后的数据进行二便预警判断。
本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举，凡在本发明的精神和原则之内所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.基于对抗生成网络的二便预警系统，其特征在于，包括胃电传感器、信号预处理模块、特征提取器、二便预警模型训练模块和嵌入式微处理器；
其中，胃电传感器采集胃电信号数据发送至信号预处理模块进行预处理，信号预处理模块将预处理后的胃电信号数据发送至特征提取器进行特征提取；二便预警模型训练模块将提取的特征样本分为训练集和测试集，构建二便预警模型并利用生成对抗网络对其进行训练，得到训练好的二便预警模型；嵌入式微处理器上迁移训练好的二便预警模型，实时接收胃电传感器采集的胃电信号数据进行预处理后进行二便预警判断。
2.根据权利要求1所述的基于对抗生成网络的二便预警系统，其特征在于，分别在早中晚三个时间段，利用胃电传感器采集若干个志愿者的胃电信号数据，采集的胃电信号数据根据志愿者当时的状态分为空腹和非空腹、有便意和无便意，其中，对二便前设定时间段内的数据标记为有便意，其余时间段的数据均为无便意。
3.根据权利要求2所述的基于对抗生成网络的二便预警系统，其特征在于，信号预处理模块中，先对胃电传感器采集到的胃电信号数据进行滤波处理去除背景噪声，然后利用快速傅里叶变换对去除背景噪声后的胃电信号数据进行处理，得到频域信息。
4.根据权利要求3所述的基于对抗生成网络的二便预警系统，其特征在于，所述特征提取器为一维卷积神经网络，特征提取器包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、4个归一化层、2个池化层和2个全连接层；第一卷积层和第二卷积层之间通过一个归一化层连接，第二卷积层的输出经过一个归一化层和一个池化层连接第三卷积层，第三卷积层和第四卷积层之间通过一个归一化层连接，第四卷积层的输出经过一个归一化层和一个池化层连接两个全连接层，其中神经网络的卷积核为一维；
将采用快速傅里叶变换得到的频域信息作为一维频谱输入特征提取器，提取有便意时的胃电信号数据的特征。
5.根据权利要求4所述的基于对抗生成网络的二便预警系统，其特征在于，二便预警模型训练模块中，所述生成对抗网络包括生成器G和判别器D，生成器G和判别器D采用极大极小博弈同时训练，生成器G的目的是学得输入真实数据的特征，从而生成能够欺骗判别器D的胃电信号数据；判别器D经过训练后提高判别能力，区分出真实胃电信号数据与生成胃电信号数据；
训练好的二便预警模型采用训练好的判别器D，利用判别器D判断实时采集到的胃电信号数据是否有便意；
生成对抗网络的目标函数如下：
Figure 33119DEST_PATH_IMAGE002
其中，E(⋅)表示数学期望，x表示训练数据，z表示输入的随机噪声，
Figure 330633DEST_PATH_IMAGE003
表示训练 数据的分布，
Figure 240689DEST_PATH_IMAGE004
表示随机噪声的分布，D(⋅)表示该输入来自训练数据的概率，G(z)表示 生成器G生成的图像数据。
6.根据权利要求5所述的基于对抗生成网络的二便预警系统，其特征在于，嵌入式微处理器包括蓝牙模块和USB3.0接口。
7.根据权利要求6所述的基于对抗生成网络的二便预警系统，其特征在于，胃电传感器实时采集的胃电信号数据通过蓝牙或USB3.0接口实时传输到嵌入式微处理器上。
8.根据权利要求7所述的基于对抗生成网络的二便预警系统，其特征在于，在嵌入式微处理器上将胃电信号数据进行预处理之后输入训练好的二便预警模型中，判断被测者是否有便意，若无便意，则继续实时监测；若有便意则产生二便预警。
9.根据权利要求8所述的基于对抗生成网络的二便预警系统，其特征在于，嵌入式微处理器采用Jetson tx2开发板。
10.基于对抗生成网络的二便预警方法，其特征在于，包括以下步骤：
S1、采集若干个志愿者的胃电信号数据；
S2、对采集的胃电信号数据进行预处理；
S3、利用特征提取器对预处理后的数据进行特征提取；
S4、将提取的特征样本分为训练集和测试集，构建二便预警模型并利用生成对抗网络对其进行训练，得到训练好的二便预警模型；
S5、将训练好的二便预警模型迁移到嵌入式微处理器上，连接胃电传感器，胃电传感器实时采集胃电信号数据输入嵌入式微处理器；
S6、嵌入式微处理器对实时采集的胃电信号数据进行预处理并根据预处理后的数据进行二便预警判断。
CN202111331075.4A 2021-11-11 2021-11-11 基于对抗生成网络的二便预警方法与系统 Active CN113768523B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111331075.4A CN113768523B (zh) 2021-11-11 2021-11-11 基于对抗生成网络的二便预警方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111331075.4A CN113768523B (zh) 2021-11-11 2021-11-11 基于对抗生成网络的二便预警方法与系统

Publications (2)

Publication Number Publication Date
CN113768523A true CN113768523A (zh) 2021-12-10
CN113768523B CN113768523B (zh) 2022-04-22

Family

ID=78873759

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111331075.4A Active CN113768523B (zh) 2021-11-11 2021-11-11 基于对抗生成网络的二便预警方法与系统

Country Status (1)

Country Link
CN (1) CN113768523B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114266786A (zh) * 2021-12-21 2022-04-01 北京工业大学 基于生成对抗网络的胃病变分割方法及系统

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100298741A1 (en) * 2007-07-24 2010-11-25 Betastim, Ltd. Duodenal eating sensor
US20160338634A1 (en) * 2014-01-30 2016-11-24 University Of Florida Research Foundation, Inc. Methods and systems for feeding readiness diagnosis
US20180317800A1 (en) * 2015-10-23 2018-11-08 The Regents Of The University Of California Characterizing gastrointestinal functions from surface electrophysiology recording
CN109086658A (zh) * 2018-06-08 2018-12-25 中国科学院计算技术研究所 一种基于生成对抗网络的传感器数据生成方法与系统
CN109620203A (zh) * 2018-12-18 2019-04-16 安徽心之声医疗科技有限公司 一种基于一维卷积神经网络的心电信号特征自动提取方法
CN109674469A (zh) * 2019-01-02 2019-04-26 哈尔滨工业大学 基于cnn模型的癫痫发作预警算法
CN109998500A (zh) * 2019-04-30 2019-07-12 陕西师范大学 一种基于生成式对抗网络的脉搏信号生成方法及系统
US20190216384A1 (en) * 2018-01-16 2019-07-18 Boston Scientific Scimed, Inc. Devices, systems, and methods for monitoring gastrointestinal motility
US20190350484A1 (en) * 2016-05-20 2019-11-21 The Regents Of The University Of California Devices, system and methods for monitoring physiological functions from surface electrophysiological sensors
CN110575141A (zh) * 2019-09-09 2019-12-17 西北大学 一种基于生成对抗网络的癫痫检测方法
CN110897634A (zh) * 2019-12-17 2020-03-24 安徽心之声医疗科技有限公司 一种基于生成对抗网络的心电信号生成方法
CN110916672A (zh) * 2019-11-15 2020-03-27 中南民族大学 一种基于一维卷积神经网络的老年人日常活动监测方法
US20200107781A1 (en) * 2012-10-10 2020-04-09 G-Tech Medical, Inc. Wearable wireless patches containing electrode pair arrays for gastrointestinal electrodiagnostics
US20200401852A1 (en) * 2019-06-20 2020-12-24 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for generating information assessment model
US20200402608A1 (en) * 2013-04-08 2020-12-24 Ilan Sadeh Method and system for predicting an event or condition
US20210128070A1 (en) * 2019-10-31 2021-05-06 Lg Electronics Inc. Method and apparatus for analysing signal
CN113080990A (zh) * 2021-03-25 2021-07-09 南京蝶谷健康科技有限公司 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法
WO2021189705A1 (zh) * 2020-03-26 2021-09-30 五邑大学 一种脑电信号生成网络、方法及存储介质

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100298741A1 (en) * 2007-07-24 2010-11-25 Betastim, Ltd. Duodenal eating sensor
US20200107781A1 (en) * 2012-10-10 2020-04-09 G-Tech Medical, Inc. Wearable wireless patches containing electrode pair arrays for gastrointestinal electrodiagnostics
US20200402608A1 (en) * 2013-04-08 2020-12-24 Ilan Sadeh Method and system for predicting an event or condition
US20160338634A1 (en) * 2014-01-30 2016-11-24 University Of Florida Research Foundation, Inc. Methods and systems for feeding readiness diagnosis
US20180317800A1 (en) * 2015-10-23 2018-11-08 The Regents Of The University Of California Characterizing gastrointestinal functions from surface electrophysiology recording
US20190350484A1 (en) * 2016-05-20 2019-11-21 The Regents Of The University Of California Devices, system and methods for monitoring physiological functions from surface electrophysiological sensors
US20190216384A1 (en) * 2018-01-16 2019-07-18 Boston Scientific Scimed, Inc. Devices, systems, and methods for monitoring gastrointestinal motility
CN109086658A (zh) * 2018-06-08 2018-12-25 中国科学院计算技术研究所 一种基于生成对抗网络的传感器数据生成方法与系统
CN109620203A (zh) * 2018-12-18 2019-04-16 安徽心之声医疗科技有限公司 一种基于一维卷积神经网络的心电信号特征自动提取方法
CN109674469A (zh) * 2019-01-02 2019-04-26 哈尔滨工业大学 基于cnn模型的癫痫发作预警算法
CN109998500A (zh) * 2019-04-30 2019-07-12 陕西师范大学 一种基于生成式对抗网络的脉搏信号生成方法及系统
US20200401852A1 (en) * 2019-06-20 2020-12-24 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for generating information assessment model
CN110575141A (zh) * 2019-09-09 2019-12-17 西北大学 一种基于生成对抗网络的癫痫检测方法
US20210128070A1 (en) * 2019-10-31 2021-05-06 Lg Electronics Inc. Method and apparatus for analysing signal
CN110916672A (zh) * 2019-11-15 2020-03-27 中南民族大学 一种基于一维卷积神经网络的老年人日常活动监测方法
CN110897634A (zh) * 2019-12-17 2020-03-24 安徽心之声医疗科技有限公司 一种基于生成对抗网络的心电信号生成方法
WO2021189705A1 (zh) * 2020-03-26 2021-09-30 五邑大学 一种脑电信号生成网络、方法及存储介质
CN113080990A (zh) * 2021-03-25 2021-07-09 南京蝶谷健康科技有限公司 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114266786A (zh) * 2021-12-21 2022-04-01 北京工业大学 基于生成对抗网络的胃病变分割方法及系统

Also Published As

Publication number Publication date
CN113768523B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN106937808B (zh) 一种智能床垫的数据采集系统
CN105147248B (zh) 基于生理信息的抑郁症评估系统及其评估方法
RU2757048C1 (ru) Способ и система оценки здоровья тела человека на основе данных большого объема о сне
Roy et al. A combined sEMG and accelerometer system for monitoring functional activity in stroke
CN110604565A (zh) 一种基于便携式eeg设备的脑部健康筛查方法
CN107194191A (zh) 一种健康看护智能生态系统
CN113317794B (zh) 一种生命体征分析方法与系统
Zhao et al. An IoT-based wearable system using accelerometers and machine learning for fetal movement monitoring
CN109171686B (zh) 一种智能可穿戴医疗设备及家庭便携式实时监测系统
JP2009507601A (ja) 前頭葉で測定した脳波データの高速フーリエ変換を通じる累積データのパターン分析を利用した健康診断装置及びその方法
CN110269611A (zh) 患者意识障碍程度监测、预警系统及方法
CN106901727A (zh) 一种基于脑电信号的抑郁症风险筛查装置
CN113768523B (zh) 基于对抗生成网络的二便预警方法与系统
CN113598790A (zh) 基于听觉刺激的意识障碍脑功能网络的意识评估方法
CN113855053A (zh) 基于肌电的佩戴式肌肉阈值监测系统
CN204445835U (zh) 一种老年智能监测护理系统
CN201926979U (zh) 一种脑机接口设备
Wang et al. Flexible dual-channel digital auscultation patch with active noise reduction for bowel sound monitoring and application
CN205268157U (zh) 非接触式心电传感器及其可穿戴式多通道心电采样内衣
CN113647973B (zh) 一种基于卷积神经网络的二便无损检测装置
CN114587301A (zh) 体征信号的解析方法、装置以及存储介质
CN111202516B (zh) 一种基于胸骨柄前区脑电波判断睡眠深度的方法及系统
CN209118778U (zh) 用于医疗床的健康信息连续监测设备
CN105595973A (zh) 一种睡眠异常报警装置
CN219763346U (zh) 脑卒中预警与病情实时监测装置

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