CN113786205A - 基于卷积网络和长短期记忆网络的二便预警系统及方法 - Google Patents

基于卷积网络和长短期记忆网络的二便预警系统及方法 Download PDF

Info

Publication number
CN113786205A
CN113786205A CN202111360230.5A CN202111360230A CN113786205A CN 113786205 A CN113786205 A CN 113786205A CN 202111360230 A CN202111360230 A CN 202111360230A CN 113786205 A CN113786205 A CN 113786205A
Authority
CN
China
Prior art keywords
long
short term
term memory
network
data
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.)
Pending
Application number
CN202111360230.5A
Other languages
English (en)
Inventor
李琳
柯煜威
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 CN202111360230.5A priority Critical patent/CN113786205A/zh
Publication of CN113786205A publication Critical patent/CN113786205A/zh
Pending legal-status Critical Current

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
    • A61B5/369—Electroencephalography [EEG]
    • 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
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/008—Detecting noise of gastric tract, e.g. caused by voiding
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Psychology (AREA)
  • Cardiology (AREA)
  • Fuzzy Systems (AREA)
  • Gastroenterology & Hepatology (AREA)
  • Power Engineering (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于卷积网络和长短期记忆网络的二便预警系统及方法。所述方法包括以下步骤：采集人体生理参数数据；进行数据增强构建数据集；对数据集进行划分；构建卷积神经网络和长短期记忆网络组合模型并利用划分的数据集对其进行训练，得到训练完成的组合模型；将训练完成的组合模型部署到嵌入式开发平台上；在嵌入式开发平台上利用传感设备构建人体生理参数实时监测部分；在嵌入式开发平台上获取人体实时生理参数数据并利用训练完成的组合模型判断是否产生二便预警信号，若否则返回持续获取生理参数，若是则驱动报警器进行报警。本发明实现对生理参数数据的实时分析，二便预警信号检测的准确率高，能够实时、鲁棒地实现大小便预警。

Description

基于卷积网络和长短期记忆网络的二便预警系统及方法
技术领域
本发明涉及信号检测预警领域，具体涉及一种基于卷积网络和长短期记忆网络的二便预警系统及方法。
背景技术
随着我国老龄化的加剧，老年人口越来越多。许多老人由于身体机能的下降，需要长期卧床休养，难于自行大小便，甚至有些失能老人如痴呆、瘫痪患者，无法自行感知大小便意，若照顾不周，大小便的污物若没有及时清理，容易出现各种并发症，严重影响老人的生活质量和寿命。
专利《一种穿戴式大小便坐便器及设有该坐便器的护理床》中提供了一种穿戴式大小便坐便器及设有该坐便器的护理床。穿戴式大小便坐便器通过包带包紧大便斗和小便斗，使坐便器主体内部形成密闭空间，使用者大小便的时候，大小便均在密闭空间中排出。但是上述大小便护理方式为便后处理，且长期穿戴不透气不舒适，还不利于血液流通。
因此，急需一种能实现便前预警，不需要长期穿戴的大小便处理系统。
发明内容
本发明为解决老人大小便护理不方便的技术问题，基于对人体生理信息数据的实时监测，利用卷积神经网络和长短期记忆网络（CNN-LSTM）组合模型，结合Jetson TX2嵌入式开发平台，提供了一种轻量型二便预警系统及其方法，能够实时、鲁棒地实现大小便预警。
本发明的目的至少通过如下技术方案之一实现。
基于卷积网络和长短期记忆网络的二便预警系统，包括人体生理参数实时监测模块、组合模型训练模块和嵌入式开发平台；
其中，人体生理参数实时监测模块采集人体生理参数数据，进行数据增强构建数据集并对数据集进行划分；组合模型训练模块构建卷积神经网络和长短期记忆网络组合模型并利用划分的数据集对其进行训练，得到训练完成的卷积神经网络和长短期记忆网络组合模型；嵌入式开发平台上部署训练完成的卷积神经网络和长短期记忆网络组合模型，获取人体生理参数实时监测模块实时采集的人体生理参数数据并进行二便预警判断。
进一步地，人体生理参数数据包括脑电信号、胃电信号、心电信号和肠鸣音信号。
进一步地，人体生理参数实时监测模块包括脑电传感器、胃电传感器、心电传感器和肠鸣音听诊器，分别用于采集人体的脑电信号、胃电信号、心电信号和肠鸣音信号，具体如下：
被测者以躺姿采集数据，每次采集若干时长，按照被测者有无真实便意给数据添加有便意或无便意的标签；
使用带通滤波器对采集的人体生理参数数据进行零相位滤波，其幅度平方响
Figure 100002_DEST_PATH_IMAGE001
应满足：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE003
为频率，
Figure 100002_DEST_PATH_IMAGE004
为复数单位，
Figure 100002_DEST_PATH_IMAGE005
为截止频率，N为阶数，A为常数，以去除基线 漂移和噪声；
将滤波后的每种人体生理参数数据分割成若干个样本段，其中，保留每个样本段内的时间序列的连续性。
进一步地，人体生理参数实时监测模块中，基于数据增强理论，对分割样本段后的若干个人体生理参数数据样本段进行数据增强，构建人体生理参数信息数据集，具体包括以下步骤：
S1、使用z变换，用随机确定的均值和标准偏差对分割样本段后的若干个人体生理 参数数据样本段进行重新归一化，公式为：
Figure 100002_DEST_PATH_IMAGE006
其中，
Figure 100002_DEST_PATH_IMAGE007
为样本段原始数据值，
Figure 100002_DEST_PATH_IMAGE008
为样本段原始数据均值，
Figure 100002_DEST_PATH_IMAGE009
为样本段原始数据 标准差，
Figure 100002_DEST_PATH_IMAGE010
为归一化后样本段数据值；
S2、生成起始相位随机从-180°到-90°，结束相位随机从90°到180°的正弦信号
Figure 100002_DEST_PATH_IMAGE011
，正弦信号的振幅随机设置在归一化值±2之间，其 中t为时间，
Figure 100002_DEST_PATH_IMAGE012
为初始相位，K为振幅，
Figure 100002_DEST_PATH_IMAGE013
为角速度；
S3、产生一个随机高斯噪声信号p(x)，其概率密度函数
Figure 100002_DEST_PATH_IMAGE014
满足：
Figure 100002_DEST_PATH_IMAGE015
其中，
Figure 100002_DEST_PATH_IMAGE016
为均值，
Figure 100002_DEST_PATH_IMAGE017
为标准差；
S4、将归一化信号
Figure 100002_DEST_PATH_IMAGE018
、正弦信号
Figure 100002_DEST_PATH_IMAGE019
和随机高斯噪声信号
Figure 100002_DEST_PATH_IMAGE020
进行结 合产生新的信号，完成数据增强，产生的所有新的信号构成人体生理参数信息数据集。
进一步地，人体生理参数实时监测模块中，将人体生理参数信息数据集中80%的数据作为训练集，用于对卷积神经网络和长短期记忆网络组合模型进行训练、验证和优化，20%的数据作为测试集，用于对训练后卷积神经网络和长短期记忆网络组合模型进行评估；
其中，训练集和测试集中记录的数据是唯一的，即在卷积神经网络和长短期记忆网络组合模型的训练过程中不包括测试集记录的数据。
进一步地，组合模型训练模块中，所述卷积神经网络和长短期记忆网络组合模型包括依次连接的输入层、若干一维卷积层、若干长短期记忆网络层、结合丢失层和密集层；
其中，采用零填充使得输入层和一维卷积层保持相同的维数；丢失层用于避免在模型训练过程中的过拟合问题；密集层将长短期记忆网络层配置为用于序列预测，包括2个隐藏单元；
使用逻辑回归函数作为激活函数，将输入信号的样本赋值在0到1之间。
进一步地，组合模型训练模块中，对卷积神经网络和长短期记忆网络组合模型进行训练时使用交叉熵损失函数作为损失函数：
Figure 100002_DEST_PATH_IMAGE021
其中，
Figure 100002_DEST_PATH_IMAGE022
为第i个样本的真实标签，
Figure 100002_DEST_PATH_IMAGE023
为第i个样本的预测标签，M为样本的总 数，i为样本的序号；
对卷积神经网络和长短期记忆网络组合模型进行评估时，使用F分数作为评估标准：
Figure 100002_DEST_PATH_IMAGE024
其中，P为精确率，R为召回率，β为平衡精确率和召回率的权重。
进一步地，组合模型训练模块中，使用Adam优化法优化卷积神经网络和长短期记忆网络组合模型的参数，具体公式为：
Figure 100002_DEST_PATH_IMAGE025
其中，
Figure 100002_DEST_PATH_IMAGE026
，
Figure 100002_DEST_PATH_IMAGE027
为一 阶矩估计的指数衰减率，
Figure 100002_DEST_PATH_IMAGE028
为第k次迭代时的一阶矩估计的指数衰减率，
Figure 100002_DEST_PATH_IMAGE029
为二阶矩估计 的指数衰减率，
Figure 100002_DEST_PATH_IMAGE030
为第k次迭代时的二阶矩估计的指数衰减率，
Figure 100002_DEST_PATH_IMAGE031
为当前梯度值，
Figure 100002_DEST_PATH_IMAGE032
为 一阶矩估计，
Figure 100002_DEST_PATH_IMAGE033
为一阶矩估计的修正，
Figure 100002_DEST_PATH_IMAGE034
为二阶矩估计，
Figure 100002_DEST_PATH_IMAGE035
为二阶矩估计的修正，
Figure 100002_DEST_PATH_IMAGE036
为 学习率、
Figure 100002_DEST_PATH_IMAGE037
为第k次迭代优化前的参数值，
Figure 100002_DEST_PATH_IMAGE038
为不为0的常数。
进一步地，所述嵌入式开发平台采用英伟达Jetson TX2 嵌入式开发平台。
基于卷积网络和长短期记忆网络的二便预警方法，包括以下步骤：
S1、采集人体生理参数数据；进行数据增强构建数据集；
S2、对数据集进行划分；
S3、构建卷积神经网络和长短期记忆网络组合模型并利用划分的数据集对其进行训练，得到训练完成的卷积神经网络和长短期记忆网络组合模型；
S4、将训练完成的卷积神经网络和长短期记忆网络组合模型部署到嵌入式开发平台上；
S5、在嵌入式开发平台上获取人体实时生理参数数据并利用训练完成的卷积神经网络和长短期记忆网络组合模型判断是否产生二便预警信号，若否则返回步骤S5，若是则驱动报警器进行报警。
相比于现有技术，本发明发明的有益效果是：
(1)本发明可以有效适用于医院、养老机构、家庭等多场景应用，能够解决失能老人难以及时提供便前照顾的困难，具有重大的实用价值和社会效益；(2)本发明利用深度学习技术建立了受护理人的生理参数与二便预警的神经网络；(3)本发明基于Jetson TX2嵌入式开发板组成轻量型二便预警系统，设备布置简单轻便；(4)本发明作为二便预警信号检测方法，对生理参数数据进行实时分析，二便预警信号检测的准确率高。
附图说明
图1是本发明基于卷积网络和长短期记忆网络的二便预警系统的整体流程图。
图2是本发明实施例中基于卷积网络和长短期记忆网络的二便预警系统的框架原理图。
图3是本发明实施例中卷积神经网络和长短期记忆网络（CNN-LSTM）组合模型图。
具体实施方式
下面结合附图对本发明进一步详细描述，但本发明的实施方式不限于此。
实施例：
基于卷积网络和长短期记忆网络的二便预警系统，如图1和图2所示，包括人体生理参数实时监测模块、组合模型训练模块和嵌入式开发平台；
其中，人体生理参数实时监测模块采集人体生理参数数据，进行数据增强构建数据集并对数据集进行划分；组合模型训练模块构建卷积神经网络和长短期记忆网络组合模型并利用划分的数据集对其进行训练，得到训练完成的卷积神经网络和长短期记忆网络组合模型；嵌入式开发平台上部署训练完成的卷积神经网络和长短期记忆网络组合模型，获取人体生理参数实时监测模块实时采集的人体生理参数数据并进行二便预警判断。
人体生理参数数据包括脑电信号、胃电信号、心电信号和肠鸣音信号。
本实施例中，人体生理参数实时监测模块包括Biosignals系列4通道生理记录监测仪配置的脑电传感器、胃电传感器、心电传感器和3M的Littmann3200型电子听诊器，分别用于采集人体的脑电信号、胃电信号、心电信号和肠鸣音信号，所述胃电传感器可记录胃的电活动，用来评估肠道运动和整体胃活动；所述心电信号与二便功能相关度达65%-70%；所述肠鸣音信号是在肠蠕动时肠管内气体和液体之间产生的一种气过水声，可以作为肠道运动的一个重要指标，具体如下：
被测者以躺姿采集数据，每次采集若干时长，按照被测者有无真实便意给数据添加有便意或无便意的标签；
使用带通滤波器对采集的人体生理参数数据进行零相位滤波，其幅度平方响应满足：
Figure 880620DEST_PATH_IMAGE002
其中，
Figure 594405DEST_PATH_IMAGE005
为截止频率，N为阶数，A为常数，以去除基线漂移和噪声；
将滤波后的每种人体生理参数数据分割成若干个样本段，其中，保留每个样本段内的时间序列的连续性。
人体生理参数实时监测模块中，基于数据增强理论，对分割样本段后的若干个人体生理参数数据样本段进行数据增强，构建人体生理参数信息数据集，具体包括以下步骤：
S1、使用z变换，用随机确定的均值和标准偏差对分割样本段后的若干个人体生理参数数据样本段进行重新归一化，公式为：
Figure 476487DEST_PATH_IMAGE006
其中，
Figure 716227DEST_PATH_IMAGE007
为样本段原始数据值，
Figure 384092DEST_PATH_IMAGE008
为样本段原始数据均值，
Figure 210223DEST_PATH_IMAGE009
为样本段原始数据 标准差，
Figure 822178DEST_PATH_IMAGE010
为归一化后样本段数据值；
S2、生成起始相位随机从-180°到-90°，结束相位随机从90°到180°的正弦信号
Figure 91874DEST_PATH_IMAGE011
，正弦信号的振幅随机设置在归一化值±2之间，其 中t为时间，
Figure 684718DEST_PATH_IMAGE012
为初始相位，K为振幅，
Figure 764140DEST_PATH_IMAGE013
为角速度；
S3、产生一个随机高斯噪声信号p(x)，其概率密度函数
Figure 92586DEST_PATH_IMAGE014
满足：
Figure 270533DEST_PATH_IMAGE015
其中，
Figure 551007DEST_PATH_IMAGE016
为均值，
Figure 466743DEST_PATH_IMAGE017
为标准差；
S4、将归一化信号
Figure 367804DEST_PATH_IMAGE018
、正弦信号
Figure 678170DEST_PATH_IMAGE019
和随机高斯噪声信号
Figure 747072DEST_PATH_IMAGE020
进行结 合产生新的信号，完成数据增强，产生的所有新的信号构成人体生理参数信息数据集。
人体生理参数实时监测模块中，将人体生理参数信息数据集中80%的数据作为训练集，用于对卷积神经网络和长短期记忆网络组合模型进行训练、验证和优化，20%的数据作为测试集，用于对训练后卷积神经网络和长短期记忆网络组合模型进行评估；
其中，训练集和测试集中记录的数据是唯一的，即在卷积神经网络和长短期记忆网络组合模型的训练过程中不包括测试集记录的数据。
如图3所示，组合模型训练模块中，所述卷积神经网络和长短期记忆网络组合模型包括依次连接的输入层、若干一维卷积层（CNN）、若干长短期记忆网络层（LSTM）、结合丢失层（dropout）和密集层（dense）；
本实施例中，在三个一维卷积层（CNN）中使用M = 3的核大小，对应的三个卷积层分别使用32、64、128个滤波器(nfilters)。为了在输入层和卷积层保持相同的维数，采用了零填充。第一个的双向长短期记忆网络层（BiLSTM）具有250个隐藏单元，以最后一个卷积层的输出作为输入。第二个双向长短期记忆网络层（BiLSTM）具有125个隐藏单位。丢失层（dropout）的丢失概率设为0.2。
其中，采用零填充使得输入层和一维卷积层保持相同的维数；丢失层用于避免在模型训练过程中的过拟合问题；密集层将长短期记忆网络层配置为用于序列预测，包括2个隐藏单元；
使用逻辑回归函数（softmax）作为激活函数，将输入信号的样本赋值在0到1之间。
进一步地，组合模型训练模块中，对卷积神经网络和长短期记忆网络组合模型进行训练时使用交叉熵损失函数作为损失函数：
Figure 650520DEST_PATH_IMAGE021
其中，
Figure 53167DEST_PATH_IMAGE022
为第i个样本的真实标签，
Figure 579890DEST_PATH_IMAGE023
为第i个样本的预测标签，M为样本的总 数，i为样本的序号；
对卷积神经网络和长短期记忆网络组合模型进行评估时，使用F分数作为评估标准：
Figure 873988DEST_PATH_IMAGE024
其中，P为精确率，R为召回率，β为平衡精确率和召回率的权重。
组合模型训练模块中，使用Adam优化法优化卷积神经网络和长短期记忆网络组合模型的参数，具体公式为：
Figure 899486DEST_PATH_IMAGE025
其中，
Figure 694131DEST_PATH_IMAGE026
，
Figure 204805DEST_PATH_IMAGE027
为一 阶矩估计的指数衰减率，
Figure 156838DEST_PATH_IMAGE028
为第k次迭代时的一阶矩估计的指数衰减率，
Figure 36427DEST_PATH_IMAGE029
为二阶矩估计 的指数衰减率，
Figure 698960DEST_PATH_IMAGE030
为第k次迭代时的二阶矩估计的指数衰减率，
Figure 373012DEST_PATH_IMAGE031
为当前梯度值，
Figure 123926DEST_PATH_IMAGE032
为 一阶矩估计，
Figure 253876DEST_PATH_IMAGE033
为一阶矩估计的修正，
Figure 207134DEST_PATH_IMAGE034
为二阶矩估计，
Figure 331049DEST_PATH_IMAGE035
为二阶矩估计的修正，
Figure 756209DEST_PATH_IMAGE036
为 学习率、
Figure 735856DEST_PATH_IMAGE037
为第k次迭代优化前的参数值，
Figure 565791DEST_PATH_IMAGE038
为不为0的常数。
本实施例中，所述嵌入式开发平台采用英伟达Jetson TX2 嵌入式开发平台。
基于卷积网络和长短期记忆网络的二便预警方法，包括以下步骤：
S1、采集人体生理参数数据；进行数据增强构建数据集；
S2、对数据集进行划分；
S3、构建卷积神经网络和长短期记忆网络组合模型并利用划分的数据集对其进行训练，得到训练完成的卷积神经网络和长短期记忆网络组合模型；
S4、将训练完成的卷积神经网络和长短期记忆网络组合模型部署到嵌入式开发平台上；
S5、在嵌入式开发平台上获取人体实时生理参数数据并利用训练完成的卷积神经网络和长短期记忆网络组合模型判断是否产生二便预警信号，若否则返回步骤S5，若是则驱动报警器进行报警。

Claims (10)

1.基于卷积网络和长短期记忆网络的二便预警系统，其特征在于，包括人体生理参数实时监测模块、组合模型训练模块和嵌入式开发平台；
其中，人体生理参数实时监测模块采集人体生理参数数据，进行数据增强构建数据集并对数据集进行划分；组合模型训练模块构建卷积神经网络和长短期记忆网络组合模型并利用划分的数据集对其进行训练，得到训练完成的卷积神经网络和长短期记忆网络组合模型；嵌入式开发平台上部署训练完成的卷积神经网络和长短期记忆网络组合模型，获取人体生理参数实时监测模块实时采集的人体生理参数数据并进行二便预警判断。
2.根据权利要求1所述的基于卷积网络和长短期记忆网络的二便预警系统，其特征在于，人体生理参数数据包括脑电信号、胃电信号、心电信号和肠鸣音信号。
3.根据权利要求2所述的基于卷积网络和长短期记忆网络的二便预警系统，其特征在于，人体生理参数实时监测模块包括脑电传感器、胃电传感器、心电传感器和肠鸣音听诊器，分别用于采集人体的脑电信号、胃电信号、心电信号和肠鸣音信号，具体如下：
被测者以躺姿采集数据，每次采集若干时长，按照被测者有无真实便意给数据添加有便意或无便意的标签；
使用带通滤波器对采集的人体生理参数数据进行零相位滤波，其幅度平方响应
Figure DEST_PATH_IMAGE001
满足：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为频率，
Figure DEST_PATH_IMAGE004
为复数单位，
Figure DEST_PATH_IMAGE005
为截止频率，N为阶数，A为常数，以去除基线漂移 和噪声；
将滤波后的每种人体生理参数数据分割成若干个样本段，其中，保留每个样本段内的时间序列的连续性。
4.根据权利要求3所述的基于卷积网络和长短期记忆网络的二便预警系统，其特征在于，人体生理参数实时监测模块中，基于数据增强理论，对分割样本段后的若干个人体生理参数数据样本段进行数据增强，构建人体生理参数信息数据集，具体包括以下步骤：
S1、使用z变换，用随机确定的均值和标准偏差对分割样本段后的若干个人体生理参数数据样本段进行重新归一化，公式为：
Figure DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
为样本段原始数据值，
Figure DEST_PATH_IMAGE008
为样本段原始数据均值，
Figure DEST_PATH_IMAGE009
为样本段原始数据标准 差，
Figure DEST_PATH_IMAGE010
为归一化后样本段数据值；
S2、生成起始相位随机从-180°到-90°，结束相位随机从90°到180°的正弦信号
Figure DEST_PATH_IMAGE011
，正弦信号的振幅随机设置在归一化值±2之间，其 中t为时间，
Figure DEST_PATH_IMAGE012
为初始相位，K为振幅，
Figure DEST_PATH_IMAGE013
为角速度；
S3、产生一个随机高斯噪声信号p(x)，其概率密度函数
Figure DEST_PATH_IMAGE014
满足：
Figure DEST_PATH_IMAGE015
其中，
Figure DEST_PATH_IMAGE016
为均值，
Figure DEST_PATH_IMAGE017
为标准差；
S4、将归一化信号
Figure DEST_PATH_IMAGE018
、正弦信号
Figure DEST_PATH_IMAGE019
和随机高斯噪声信号
Figure DEST_PATH_IMAGE020
进行结合产 生新的信号，完成数据增强，产生的所有新的信号构成人体生理参数信息数据集。
5.根据权利要求4所述的基于卷积网络和长短期记忆网络的二便预警系统，其特征在于，人体生理参数实时监测模块中，将人体生理参数信息数据集中80%的数据作为训练集，用于对卷积神经网络和长短期记忆网络组合模型进行训练、验证和优化，20%的数据作为测试集，用于对训练后卷积神经网络和长短期记忆网络组合模型进行评估；
其中，训练集和测试集中记录的数据是唯一的，即在卷积神经网络和长短期记忆网络组合模型的训练过程中不包括测试集记录的数据。
6.根据权利要求5所述的基于卷积网络和长短期记忆网络的二便预警系统，其特征在于，组合模型训练模块中，所述卷积神经网络和长短期记忆网络组合模型包括依次连接的输入层、若干一维卷积层、若干长短期记忆网络层、结合丢失层和密集层；
其中，采用零填充使得输入层和一维卷积层保持相同的维数；丢失层用于避免在模型训练过程中的过拟合问题；密集层将长短期记忆网络层配置为用于序列预测，包括2个隐藏单元；
使用逻辑回归函数作为激活函数，将输入信号的样本赋值在0到1之间。
7.根据权利要求6所述的基于卷积网络和长短期记忆网络的二便预警系统，其特征在于，组合模型训练模块中，对卷积神经网络和长短期记忆网络组合模型进行训练时使用交叉熵损失函数作为损失函数：
Figure DEST_PATH_IMAGE021
其中，
Figure DEST_PATH_IMAGE022
为第i个样本的真实标签，
Figure DEST_PATH_IMAGE023
为第i个样本的预测标签，M为样本的总数，i 为样本的序号；
对卷积神经网络和长短期记忆网络组合模型进行评估时，使用F分数作为评估标准：
Figure DEST_PATH_IMAGE024
其中，P为精确率，R为召回率，β为平衡精确率和召回率的权重。
8.根据权利要求7所述的基于卷积网络和长短期记忆网络的二便预警系统，其特征在于，组合模型训练模块中，使用Adam优化法优化卷积神经网络和长短期记忆网络组合模型的参数，具体公式为：
Figure DEST_PATH_IMAGE025
其中，
Figure DEST_PATH_IMAGE026
，
Figure DEST_PATH_IMAGE027
为一 阶矩估计的指数衰减率，
Figure DEST_PATH_IMAGE028
为第k次迭代时的一阶矩估计的指数衰减率，
Figure DEST_PATH_IMAGE029
为二阶矩估计 的指数衰减率，
Figure DEST_PATH_IMAGE030
为第k次迭代时的二阶矩估计的指数衰减率，
Figure DEST_PATH_IMAGE031
为当前梯度值，
Figure DEST_PATH_IMAGE032
为 一阶矩估计，
Figure DEST_PATH_IMAGE033
为一阶矩估计的修正，
Figure DEST_PATH_IMAGE034
为二阶矩估计，
Figure DEST_PATH_IMAGE035
为二阶矩估计的修正，
Figure DEST_PATH_IMAGE036
为 学习率、
Figure DEST_PATH_IMAGE037
为第k次迭代优化前的参数值，
Figure DEST_PATH_IMAGE038
为不为0的常数。
9.根据权利要求8所述的基于卷积网络和长短期记忆网络的二便预警系统，其特征在于，所述嵌入式开发平台采用英伟达Jetson TX2 嵌入式开发平台。
10.利用权利要求1~9任一项所述二便预警系统的基于卷积网络和长短期记忆网络的二便预警方法，其特征在于，包括以下步骤：
S1、采集人体生理参数数据；进行数据增强构建数据集；
S2、对数据集进行划分；
S3、构建卷积神经网络和长短期记忆网络组合模型并利用划分的数据集对其进行训练，得到训练完成的卷积神经网络和长短期记忆网络组合模型；
S4、将训练完成的卷积神经网络和长短期记忆网络组合模型部署到嵌入式开发平台上；
S5、在嵌入式开发平台上获取人体实时生理参数数据并利用训练完成的卷积神经网络和长短期记忆网络组合模型判断是否产生二便预警信号，若否则返回步骤S5，若是则驱动报警器进行报警。
CN202111360230.5A 2021-11-17 2021-11-17 基于卷积网络和长短期记忆网络的二便预警系统及方法 Pending CN113786205A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111360230.5A CN113786205A (zh) 2021-11-17 2021-11-17 基于卷积网络和长短期记忆网络的二便预警系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111360230.5A CN113786205A (zh) 2021-11-17 2021-11-17 基于卷积网络和长短期记忆网络的二便预警系统及方法

Publications (1)

Publication Number Publication Date
CN113786205A true CN113786205A (zh) 2021-12-14

Family

ID=78877309

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111360230.5A Pending CN113786205A (zh) 2021-11-17 2021-11-17 基于卷积网络和长短期记忆网络的二便预警系统及方法

Country Status (1)

Country Link
CN (1) CN113786205A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170293846A1 (en) * 2016-04-12 2017-10-12 GOGO Band, Inc. Urination Prediction and Monitoring
CN109583567A (zh) * 2018-11-29 2019-04-05 四川大学 一种基于CNN的Web自动扫描器指纹识别模型
CN111274395A (zh) * 2020-01-19 2020-06-12 河海大学 基于卷积和长短期记忆网络的电网监控告警事件识别方法
CN111465938A (zh) * 2017-12-11 2020-07-28 大陆汽车有限责任公司 用于自动行驶的确定道路标记的装置
CN111724904A (zh) * 2019-03-22 2020-09-29 西门子医疗有限公司 用于针对医学扫描的患者建模的多任务渐进式网络
CN111767521A (zh) * 2020-06-22 2020-10-13 中国石油化工股份有限公司 一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法
CN113205203A (zh) * 2021-03-29 2021-08-03 北京金茂绿建科技有限公司 基于cnn-lstm的建筑能耗预测方法和系统
CN113627239A (zh) * 2021-06-28 2021-11-09 上海交通大学 一种结合驾驶员换道意图的远程驾驶车辆轨迹预测方法
CN113647973A (zh) * 2021-10-15 2021-11-16 华南理工大学 一种基于卷积神经网络的二便无损检测装置
CN113662578A (zh) * 2021-10-20 2021-11-19 华南理工大学 一种基于残差网络的人体排便预测系统
CN113705398A (zh) * 2021-08-17 2021-11-26 陕西师范大学 基于卷积-长短期记忆网络音乐脑电时空特征分类方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170293846A1 (en) * 2016-04-12 2017-10-12 GOGO Band, Inc. Urination Prediction and Monitoring
CN111465938A (zh) * 2017-12-11 2020-07-28 大陆汽车有限责任公司 用于自动行驶的确定道路标记的装置
CN109583567A (zh) * 2018-11-29 2019-04-05 四川大学 一种基于CNN的Web自动扫描器指纹识别模型
CN111724904A (zh) * 2019-03-22 2020-09-29 西门子医疗有限公司 用于针对医学扫描的患者建模的多任务渐进式网络
CN111274395A (zh) * 2020-01-19 2020-06-12 河海大学 基于卷积和长短期记忆网络的电网监控告警事件识别方法
CN111767521A (zh) * 2020-06-22 2020-10-13 中国石油化工股份有限公司 一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法
CN113205203A (zh) * 2021-03-29 2021-08-03 北京金茂绿建科技有限公司 基于cnn-lstm的建筑能耗预测方法和系统
CN113627239A (zh) * 2021-06-28 2021-11-09 上海交通大学 一种结合驾驶员换道意图的远程驾驶车辆轨迹预测方法
CN113705398A (zh) * 2021-08-17 2021-11-26 陕西师范大学 基于卷积-长短期记忆网络音乐脑电时空特征分类方法
CN113647973A (zh) * 2021-10-15 2021-11-16 华南理工大学 一种基于卷积神经网络的二便无损检测装置
CN113662578A (zh) * 2021-10-20 2021-11-19 华南理工大学 一种基于残差网络的人体排便预测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗伊•希尔克罗特等: "《深入理解OpenCV实用计算机视觉项目解析》", 31 March 2020 *

Similar Documents

Publication Publication Date Title
Chowdhury et al. Time-frequency analysis, denoising, compression, segmentation, and classification of PCG signals
Belkacem et al. End-to-end AI-based point-of-care diagnosis system for classifying respiratory illnesses and early detection of COVID-19: A theoretical framework
CN104305961B (zh) 肠鸣音监测识别系统
De Vos et al. Automated pediatric cardiac auscultation
CN107495962A (zh) 一种单导联脑电的睡眠自动分期方法
Singh et al. Short PCG classification based on deep learning
Azimi et al. Machine learning-based automatic detection of central sleep apnea events from a pressure sensitive mat
EP3695782A2 (en) Handheld home monitoring sensors network device and method
JP7197922B2 (ja) 機械学習装置、解析装置、機械学習方法および解析方法
CN113633260B (zh) 多导睡眠监测方法、监测仪、计算机设备及可读存储介质
CN116098602B (zh) 一种基于ir-uwb雷达的非接触式睡眠呼吸监测方法及装置
Golabbakhsh et al. Automated acoustic analysis in detection of spontaneous swallows in Parkinson’s disease
Zhao et al. A CNN based human bowel sound segment recognition algorithm with reduced computation complexity for wearable healthcare system
Palaniappan et al. Classification of pulmonary pathology from breath sounds using the wavelet packet transform and an extreme learning machine
Yin et al. Diagnosis of exercise-induced cardiac fatigue based on deep learning and heart sounds
CN113786205A (zh) 基于卷积网络和长短期记忆网络的二便预警系统及方法
CN113647973B (zh) 一种基于卷积神经网络的二便无损检测装置
CN113662578B (zh) 一种基于残差网络的人体排便预测系统
CN113768523B (zh) 基于对抗生成网络的二便预警方法与系统
Gong et al. Accurate cirrhosis identification with wrist-pulse data for mobile healthcare
Barúa et al. Classification of impulse oscillometric patterns of lung function in asthmatic children using artificial neural networks
Zhang et al. Deriving relationships between physiological change and activities of daily living using wearable sensors
Wang et al. Filter banks and neural network-based feature extraction and automatic classification of electrogastrogram
CN109350017A (zh) 一种基于多传感器阵列的生命体征监测装置及方法
CN203208022U (zh) 一种脑电仪

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211214

RJ01 Rejection of invention patent application after publication