CN114903475A - 基于PCANet神经网络和多传感器信息融合的健康检测仪及其方法 - Google Patents

基于PCANet神经网络和多传感器信息融合的健康检测仪及其方法 Download PDF

Info

Publication number
CN114903475A
CN114903475A CN202210700457.8A CN202210700457A CN114903475A CN 114903475 A CN114903475 A CN 114903475A CN 202210700457 A CN202210700457 A CN 202210700457A CN 114903475 A CN114903475 A CN 114903475A
Authority
CN
China
Prior art keywords
neural network
health
pcanet
data
node
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
CN202210700457.8A
Other languages
English (en)
Inventor
庄庆彬
黄建龙
宫冰雁
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.)
Quanzhou Normal University
Original Assignee
Quanzhou Normal 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 Quanzhou Normal University filed Critical Quanzhou Normal University
Priority to CN202210700457.8A priority Critical patent/CN114903475A/zh
Publication of CN114903475A publication Critical patent/CN114903475A/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
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • 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
    • 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
    • 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
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Dentistry (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Optics & Photonics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开基于PCANet神经网络和多传感器信息融合的健康检测仪及其方法，其包括微控制器以及与微控制器连接的传感器阵列、通信单元和人机交互单元，传感器阵列包括之间实时连接至少两个传感器，至少一个传感器用于测量血氧数据，至少一个传感器用于实时测量心率数据，并相互匹配形成数据集合，微控制器用于控制设备进行健康检测，微控制器利用协同滤波对传感器阵列采集的脉搏特征进行综合特征提取、根据提取的脉搏特征进行健康综合评估、根据用户的健康综合评估给出建议；微控制器通过通信单元接入互联网或与其他终端建立连接；人机交互单元包括触控屏，触控屏提供人机交互界面并采集反馈人机交互操作。本发明方法对亚健康状态识别达到了较高的准确率。

Description

基于PCANet神经网络和多传感器信息融合的健康检测仪及其 方法
技术领域
本发明涉及检测仪器设备技术领域，尤其涉及基于PCANet神经网络和多传感器信息融合的健康检测仪及其方法。
背景技术
现代社会快节奏的生活方式，长期的使用电子产品，睡眠时间的减少以及无规律的饮食——极易导致居民在健康方面出现问题，这些问题在初期有可能不属于病态的，而是属于亚健康状态。亚健康是一种介于健康与疾病之间的中间状态，主要表现为身体机能降低、功能和免疫力减退。根据世界卫生组织的全球调查结果显示，75％的人处于亚健康状态，20％处于发病状态，只有5％处于健康状态，亚健康严重危害了居民的健康。目前，亚健康可以通过主观和客观的方法进行考量，主观考量主要是通过问卷或量表调查，如康奈尔医学指数，Delphi法自测表等；而客观的方法主要是通过生理指标或研究对象助兴某项任务时的反应时间，失误次数等来测定，这些方法测量的结果往往受到被测试者主观意志的影响，准确率较低。研究表明生理信号中蕴含了丰富的与人体生理活动，精神状态。以及疾病诊断密切相关的信息,而脉搏信号是人体重要的生理信号,对于人体各种疾病的诊断具有极其重要的价值,因此可以通过分析人体的脉搏信号来实现亚健康状态的检测。
目前，亚健康可以通过主观和客观的方法进行考量，主观考量主要是通过问卷或量表调查，如康奈尔医学指数，Delphi法自测表等；，而客观的方法主要是通过生理指标或研究对象助兴某项任务时的反应时间，失误次数等来测定，这些方法测量的结果往往受到被测试者主观意志的影响，准确率较低。
发明内容
本发明的目的在于提供基于PCANet神经网络和多传感器信息融合的健康检测仪及其方法，通过采集脉搏信号，将其作为预处理的信号，采用PCANet网络来评估使用者人体健康评价，同时也会监测使用者的心率血氧等，可以通过人工智能分析，并把分析结果过程上传到手机App和发出警报，通过这些技术，达到解决问题与提高实用价值性的目的。
本发明采用的技术方案是：
基于PCANet神经网络和多传感器信息融合的健康检测仪，其包括微控制器以及与微控制器连接的传感器阵列、通信单元和人机交互单元，传感器阵列包括至少两个传感器，两个以上的传感器之间实时连接，至少一个传感器用于测量智能健康检测仪器血氧数据，至少一个传感器用于实时测量智能健康检测仪的心率数据，至少两个传感器相互匹配形成数据集合，微控制器用于控制设备进行健康检测，微控制器利用协同滤波对传感器阵列采集的脉搏特征进行综合特征提取、根据提取的脉搏特征进行健康综合评估、根据用户的健康综合评估给出建议；微控制器通过通信单元接入互联网或与其他终端建立连接；人机交互单元包括触控屏，触控屏提供人机交互界面并采集反馈人机交互操作；
进一步地，其还包括外围模块，外围模块包括存储单元和电源单元，存储单元用于存储数据，电源单元为检测仪提供电源。
进一步地，人机交互界面提供的功能包括按键扫描、界面显示、心率测量、计步及能耗监测、与服务器的数据交互，传感器阵列通过通信单元和其他终端(手机)进行数据通信，完成数据到其他终端(手机)的传输。
进一步地，通信单元包括蓝牙模块和GPRS远程通信模块，蓝牙模块与其他具有蓝牙功能的智能终端配对连接；GPRS远程通信模块与移动互联网进行通信连接。
作为改进：本发明可与各种带蓝牙功能的智能终端配对，智能终端与后台数据分析系统通信连接以获取健康建议数据，结合前期健康检测和分析结果情况给出健康的日常保养操作指导和提醒。
进一步地，微控制器采用PCANet网络对多传感器数据进行融合以提取映射特征，并对各个类型特征进行哈希编码和直方图分块后形成特征矩阵，然后利用经典的分类器进行分类，基于分类结果匹配预设的智能家居决策状态，以根据智能家居决策状态控制智能检测仪。
具体地，采用PCANet网络将信号在两层模型中进行逐层映射，在每一层都进行相应的映射特征提取，在亚健康脉搏信号区分健康与亚健康状态；对提取的两类特征进行哈希编码，直方图分块，作为特征矩阵，然后利用经典的分类器：支持向量机－近邻分类器进行分类，得到的准确率和其它的特征提取方法分类结果进行比较。
基于PCANet神经网络和多传感器信息融合的健康检测仪的控制方法，具体步骤如下：
步骤1，获取健康检测仪的多种传感器测量后的工作物理量；
步骤2，将测量得到的健康检测仪的工作物理量转化成所对应的实际输出物理量，即转换得到血氧数据与实时心率数据，并相互匹配形成实际输出物理量的数据集合；
步骤3，将实际输出物理量的数据集合输入构建好的PCANet神经网络，通过PCANet神经网络训练得到与实际输出物理量所对应的智能家居决策状态；
步骤4，根据智能家居决策状态控制智能检测仪。
进一步地，步骤3中将实际输出物理量作为数据集训练PCANet神经网络的数据，训练神经网络的具体步骤如下：
步骤3-1，计算神经网络中多层感知器的每一层的状态和激活值，直到最后一层；
步骤3-2，计算神经网络中多层感知器的每一层的误差，
当节点i为输出层时，则输出层的误差项的计算公式如下：
δi＝yi(1-yi)(ti-yi)
其中：δi表示节点i的误差项，yi表示节点i的输出值，ti表示样本对应于节点i的目标值；
当节点i为隐藏层时，则隐藏层的误差项计算公式如下：
Figure BDA0003703763630000031
其中：ai是节点i的输出值，ωki是节点i到下一层节点k的连接的权重，δk是节点i的下一层节点k的误差项；
步骤3-3，基于所得误差项更新权重参数，具体更新公式如下：
ωji←ωji+ηδixji
其中：ωji是节点i到节点j的权重，η是一个成为学习速率的常数，δi是节点i的误差项，xji是节点i传递给节点j的输入值。
进一步地，步骤3-1中的多层感知器包括三层结构，分别为输入层、隐藏层和输出层。
进一步地，步骤3-2中在计算神经网络中多层感知器的每一层误差时，由最后一层向第一层推进计算，即误差计算结构为输出层→隐藏层→输入层。
进一步地，步骤3中得到的实际输出物理量通过神经网络训练后得到的参数数据与智能健康检测的决策状态下的参数数据相匹配，根据匹配结果执行智能健康检测仪的决策状态。
本发明采用以上技术方案，智能健康仪包括采集数据、显示数据、网络通讯以及复位等功能。本发明采集了正常者和亚健康者的脉搏信号，将其作为预处理的信号，采用PCANet网络将信号在两层模型中进行逐层映射，在每一层都进行相应的映射特征提取，对提取的两类特征进行哈希编码，直方图分块，作为特征矩阵，然后利用经典的分类器：支持向量机－近邻分类器进行分类，得到的准确率和其它的特征提取方法分类结果进行比较。
健康检测仪运用神经网络技术对多传感器数据进行融合，从而最大化利用海量数据，提升处理多传感器数据的效果。采用PCANet模型在亚健康脉搏信号区分健康与亚健康状态。基于PCANet神经网络和多传感器信息融合的人机交互智能健康检测仪对人体健康状况判断结果准确度明显提高。
健康检测仪连接其他终端，将检测数据上传其他终端并对检测数据进行数据查询得到健康评价。健康检测仪的采集数据可提取，可录入，方便配合软件研究使用，便于用户利用其它统计分析软件进行各种研究和统计分析。健康检测仪通过接入互联网基于物联网技术可以将用户检测数据上传至同一个数据中心，当检测参数指标有异常时，可以及时预警。
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明；
图1为本发明基于PCANet神经网络和多传感器信息融合的健康检测仪的结构示意图；
图2为本发明基于PCANet神经网络和多传感器信息融合的健康检测仪的功能架构示意图；
图3为本发明基于PCANet神经网络和多传感器信息融合的健康检测仪的检测仪功能流程示意图；
图4为本发明基于PCANet神经网络和多传感器信息融合的健康检测仪的数据处理流程示意图；
图5为本发明终端APP的功能构图；
图6为传感器神经网络示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图对本申请实施例中的技术方案进行清楚、完整地描述。
如图1至6之一所示，本发明公开了基于PCANet神经网络和多传感器信息融合的健康检测仪，其包括微控制器以及与微控制器连接的传感器阵列、通信单元和人机交互单元，传感器阵列包括至少两个传感器，两个以上的传感器之间实时连接，至少一个传感器用于测量智能健康检测仪器血氧数据，至少一个传感器用于实时测量智能健康检测仪的心率数据，至少两个传感器相互匹配形成数据集合，微控制器用于控制设备进行健康检测，微控制器利用协同滤波对传感器阵列采集的脉搏特征进行综合特征提取、根据提取的脉搏特征进行健康综合评估、根据用户的健康综合评估给出建议；微控制器通过通信单元接入互联网或与其他终端建立连接；人机交互单元包括触控屏，触控屏提供人机交互界面并采集反馈人机交互操作；
如图2所示，智能健康仪包括采集数据、显示数据、网络通讯以及复位等功能。本发明采集了正常者和亚健康者的脉搏信号，将其作为预处理的信号，采用PCANet网络将信号在两层模型中进行逐层映射，在每一层都进行相应的映射特征提取，对提取的两类特征进行哈希编码，直方图分块，作为特征矩阵，然后利用经典的分类器：支持向量机－近邻分类器进行分类，得到的准确率和其它的特征提取方法分类结果进行比较。
进一步地，其还包括外围模块，外围模块包括存储单元和电源单元，存储单元用于存储数据，电源单元为检测仪提供电源。
进一步地，人机交互界面提供的功能包括按键扫描、界面显示、心率测量、计步及能耗监测、与服务器的数据交互，传感器阵列通过通信单元和其他终端(手机)进行数据通信，完成数据到其他终端(手机)的传输。
进一步地，通信单元包括蓝牙模块和GPRS远程通信模块，蓝牙模块与其他具有蓝牙功能的智能终端配对连接；GPRS远程通信模块与移动互联网进行通信连接。
进一步地，如图5所示，本发明可与各种带蓝牙功能的智能终端配对，智能终端与后台数据分析系统通信连接以获取健康建议数据，结合前期健康检测和分析结果情况给出健康的日常保养操作指导和提醒。
具体地，使用用户本人的脉搏数据特征存入健康检测系统中，根据专家系统对脉诊中脉搏的频率、振幅、力度和周期性变化规律的先验知识给出对用户的脉诊诊断评估。
进一步地，微控制器采用PCANet网络对多传感器数据进行融合以提取映射特征，并对各个类型特征进行哈希编码和直方图分块后形成特征矩阵，然后利用经典的分类器进行分类，基于分类结果匹配预设的智能家居决策状态，以根据智能家居决策状态控制智能检测仪。
具体地，采用PCANet网络将信号在两层模型中进行逐层映射，在每一层都进行相应的映射特征提取，在亚健康脉搏信号区分健康与亚健康状态；对提取的两类特征进行哈希编码，直方图分块，作为特征矩阵，然后利用经典的分类器：支持向量机－近邻分类器进行分类，得到的准确率和其它的特征提取方法分类结果进行比较。
基于PCANet神经网络和多传感器信息融合的健康检测仪的控制方法，具体步骤如下：
步骤1，获取健康检测仪的多种传感器测量后的工作物理量；
步骤2，将测量得到的健康检测仪的工作物理量转化成所对应的实际输出物理量，即转换得到血氧数据与实时心率数据，并相互匹配形成实际输出物理量的数据集合；
步骤3，将实际输出物理量的数据集合输入构建好的PCANet神经网络，通过PCANet神经网络训练得到与实际输出物理量所对应的智能家居决策状态；
步骤4，根据智能家居决策状态控制智能检测仪。
进一步地，步骤3中将实际输出物理量作为数据集训练PCANet神经网络的数据，训练神经网络的具体步骤如下：
步骤3-1，计算神经网络中多层感知器的每一层的状态和激活值，直到最后一层；
步骤3-2，计算神经网络中多层感知器的每一层的误差，
当节点i为输出层时，则输出层的误差项的计算公式如下：
δi＝yi(1-yi)(ti-yi)
其中：δi表示节点i的误差项，yi表示节点i的输出值，ti表示样本对应于节点i的目标值；
当节点i为隐藏层时，则隐藏层的误差项计算公式如下：
Figure BDA0003703763630000061
其中：ai是节点i的输出值，ωki是节点i到下一层节点k的连接的权重，δk是节点i的下一层节点k的误差项；
步骤3-3，基于所得误差项更新权重参数，具体更新公式如下：
ωji←ωji+ηδixji
其中：ωji是节点i到节点j的权重，η是一个成为学习速率的常数，δi是节点i的误差项，xji是节点i传递给节点j的输入值。
进一步地，步骤3-1中的多层感知器包括三层结构，分别为输入层、隐藏层和输出层。
进一步地，步骤3-2中在计算神经网络中多层感知器的每一层误差时，由最后一层向第一层推进计算，即误差计算结构为输出层→隐藏层→输入层。
进一步地，步骤3中得到的实际输出物理量通过神经网络训练后得到的参数数据与智能健康检测的决策状态下的参数数据相匹配，根据匹配结果执行智能健康检测仪的决策状态。
下面就本发明的具体工作原理做详细说明：
PCANet是一种基于卷积神经网络(Convolutional Neural Network,CNN)简化的深度学习模型，是一种分层级联的特征学习结构，在DPCA算法基础上进行了一定的扩展，只使用了第二层的输出特征作为提取到的深度特征。
(1)输入层：假设给定N个不同的训练样本{Ti}，Ni＝1，其中Ti为m×n的矩阵，对于第i个样本Ti，以k1×k2第i个原始样本预处理的结果：
Figure BDA0003703763630000062
对所有的样本进行相同的处理后，此时的样本矩阵可以表示为：
Figure BDA0003703763630000063
(2)特征提取设两阶段：
PCA的滤波参数分别是L1,L2，使用PCA算法学习映射矩阵，以最小化重构误差作为损失函数，学习PCA滤波器核：
Figure BDA0003703763630000064
s.t.VTV＝IL1
其中，IL1为L1×L1的单位矩阵，训练得到的第一层滤波器核为：
Figure BDA0003703763630000071
作用是提取X的协方差矩阵的前L1个最大特征值对应的特征向量来组成特征映射矩阵，其中
Figure BDA0003703763630000072
表示将向量
Figure BDA0003703763630000073
投影为矩阵
Figure BDA0003703763630000074
ql(XXT)表示计算XXTX的第l(字母l)个主成分特征向量。将特征映射矩阵与样本信号做卷积操作，得到第一阶段映射的输出，表示为：
Figure BDA0003703763630000075
在卷积之前需要对样本进行边缘补零操作，以保证卷积前后样本大小相同。第二阶段的计算与第一阶段完全相同，类似于公式(1)和(2)操作，进行去平均处理后第二阶段的样本输入表示为：
Figure BDA0003703763630000076
Figure BDA0003703763630000077
Figure BDA0003703763630000078
Figure BDA0003703763630000079
l＝1,2,…,L2
将第二阶段的PCA卷积核与第一阶段的输出做卷积，第二阶段的每个输入
Figure BDA00037037636300000710
产生L2个输出，表示为：
Figure BDA00037037636300000711
(3)输出层使用类Heaviside阶跃函数H(·)对提取到的特征进行二值化处理，去除特征值中的负值部分之后再进行哈希编码得到如下结果：
Figure BDA00037037636300000712
编码完成后，对得到的特征图进行直方图分块处理，得到最终的特征输出：
Figure BDA00037037636300000713
其中Bhist表示分块及直方图统计，fi表示采用PCANet提取第i个原始样本Ti的最终特征向量。
实施例1：如图3或4所示，人机交互智能健康检测仪的整体工作流程如下：
第一步：基于PCANet神经网络和多传感器信息融合的人机交互智能健康检测仪固定在桡动脉和肱动脉处，按下电源按钮，由于OLED初始化将会黑屏一段时间，大致是1.5s时间，然后OLED显示屏幕上出现健康检测设备人机交互界面。
第二步：人机交互检测模式界面分为四个功能模块：开始检测，停止检测，健康状态和网络通讯。在开机显示界面保持显示3秒后，点击开始检测，开始采集脉搏波信号，屏幕显示“开始检测”。
第三步：待屏幕清屏时，点击停止检测，表示采集“停止采集”界面会维持5s左右时间，然后屏幕清屏，微控制器内部正在计算心率、动脉血氧饱和度和血压。
第四步：待屏幕再次亮起时，此时会显示数据。按下复位按键，程序重新开始加载，又回到了开机显示界面。至此，各个功能模块正常工作。
第五步：将神经网络的智能健康检测仪多传感器数据融合，具体步骤如下：步骤A：使用多种传感器测量工作物理量；步骤B：将测量到的工作物理量转化成所对应的实际输出物理量；步骤C：构建深度神经网络，将步骤B中得到的实际输出物理量作为输入，通过深度神经网络的训练后，得到与实际输出物理量所对应的智能家居决策状态，并将此作为输出，根据智能家居决策状态控制智能检测仪。本发明提出一种基于神经网络的智能家电多传感器数据融合方法，运用神经网络技术对多传感器数据进行融合，从而最大化利用海量数据，提升处理多传感器数据的效果。包括建立数据集，并将所述实际输出物理量作为所述数据集训练神经网络的数据。在步骤C中，得到与实际输出物理量所对应的决策状态包括：在步骤B中得到的实际输出物理量通过神经网络训练后得到的参数数据与智能健康检测的决策状态下的参数数据相匹配，根据匹配结果执行智能健康检测仪的决策状态。将测量到的智能健康检测仪的工作物理量转化成所对应的实际输出物理量包括：设置至少两个传感器，传感器之间实时连接，一个传感器用于测量智能健康检测工作物理量，另一个传感器用于实时测量智能健康仪工作时的电压值，并相互匹配形成数据集合。
第六步：采集了脉搏信号,将其作为预处理的信号,采用PCANet网络将信号在两层模型中进行逐层映射，在每一层都进行相应的映射特征提取,对提取的两类特征进行哈希编码,直方图分块,作为特征矩阵，然后利用经典的分类器进行分类,得到的准确率。
第七步：健康建议数据来自后台数据分析系统，分析判断的软件流程图所示。结合前期健康检测和分析结果等情况，给出健康的日常保养操作指导和提醒。使用用户本人的脉搏数据特征存入健康检测专家系统中，根据系统对脉诊中脉搏的频率、振幅、力度和周期性变化规律的先验知识给出对用户的脉诊诊断评估。
本发明基于PCANet神经网络和多传感器信息融合的人机交互智能健康检测仪，用于脉搏信号亚健康检测对脉搏特征进行提取；再根据用户的健康综合评估给出建议。实验结果表明本发明方法对亚健康状态识别达到了较高的准确率，相比传统的特征提取方法，PCANet方法在识别率上提高了10％以上，证明了PCANet模型在亚健康脉搏信号检测领域的有效性。
本发明人机交互智能健康检测仪，实现健康检测理疗：1，针对用户：利用每天早上的时段，脉搏信息采集模块对自身的健康状态进行监控；2，通过采集到用户的脉搏特征—可以使用具有中医脉诊专家知识库的递归神经网络系统对用户的健康状态进行精准评估；3，针对长期处于亚健康状态的用户—可以建立用户个体专用数据库，以此训练深度学习模型进行改进；4，理解用户并预测他们如何使用，制作有效，高效，安全的人机交互。
显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

Claims (10)

1.基于PCANet神经网络和多传感器信息融合的健康检测仪，其特征在于：其包括微控制器以及与微控制器连接的传感器阵列、通信单元和人机交互单元，传感器阵列包括至少两个传感器，两个以上的传感器之间实时连接，至少一个传感器用于测量智能健康检测仪器血氧数据，至少一个传感器用于实时测量智能健康检测仪的心率数据，至少两个传感器相互匹配形成数据集合，微控制器用于控制设备进行健康检测，微控制器利用协同滤波对传感器阵列采集的脉搏特征进行综合特征提取、根据提取的脉搏特征进行健康综合评估、根据用户的健康综合评估给出建议；微控制器通过通信单元接入互联网或与其他终端建立连接；人机交互单元包括触控屏，触控屏提供人机交互界面并采集反馈人机交互操作。
2.根据权利要求1所述的基于PCANet神经网络和多传感器信息融合的健康检测仪，其特征在于：其还包括外围模块，外围模块包括存储单元和电源单元，存储单元用于存储数据，电源单元为检测仪提供电源。
3.根据权利要求1所述的基于PCANet神经网络和多传感器信息融合的健康检测仪，其特征在于：人机交互界面提供的功能包括按键扫描、界面显示、心率测量、计步及能耗监测、与服务器的数据交互，传感器阵列通过通信单元和其他终端进行数据通信，完成数据到其他终端的传输。
4.根据权利要求1所述的基于PCANet神经网络和多传感器信息融合的健康检测仪，其特征在于：通信单元包括蓝牙模块和GPRS远程通信模块，蓝牙模块与其他具有蓝牙功能的智能终端配对连接；GPRS远程通信模块与移动互联网进行通信连接；智能终端与后台数据分析系统通信连接以获取健康建议数据，结合前期健康检测和分析结果情况给出健康的日常保养操作指导和提醒。
5.根据权利要求1所述的基于PCANet神经网络和多传感器信息融合的健康检测仪，其特征在于：微控制器采用PCANet网络对多传感器数据进行融合以提取映射特征，并对各个类型特征进行哈希编码和直方图分块后形成特征矩阵，然后利用经典的分类器进行分类，基于分类结果匹配预设的智能家居决策状态，以根据智能家居决策状态控制智能检测仪。
6.基于PCANet神经网络和多传感器信息融合的健康检测仪的控制方法，采用权利要求1至5任一项所述的基于PCANet神经网络和多传感器信息融合的健康检测仪，其特征在于：方法包括以下步骤：
步骤1，获取健康检测仪的多种传感器测量后的工作物理量；
步骤2，将测量得到的健康检测仪的工作物理量转化成所对应的实际输出物理量，即转换得到血氧数据与实时心率数据，并相互匹配形成实际输出物理量的数据集合；
步骤3，将实际输出物理量的数据集合输入构建好的PCANet神经网络，通过PCANet神经网络训练得到与实际输出物理量所对应的智能家居决策状态；
步骤4，根据智能家居决策状态控制智能检测仪。
7.根据权利要求6所述的基于PCANet神经网络和多传感器信息融合的健康检测仪的控制方法，其特征在于：步骤3中得到的实际输出物理量通过神经网络训练后得到的参数数据与智能健康检测的决策状态下的参数数据相匹配，根据匹配结果执行智能健康检测仪的决策状态。
8.根据权利要求6所述的基于PCANet神经网络和多传感器信息融合的健康检测仪的控制方法，其特征在于：步骤3中将实际输出物理量作为数据集训练PCANet神经网络的数据，训练神经网络的具体步骤如下：
步骤3-1，计算神经网络中多层感知器的每一层的状态和激活值，直到最后一层；
步骤3-2，计算神经网络中多层感知器的每一层的误差，
当节点i为输出层时，则输出层的误差项的计算公式如下：
δi＝yi(1-yi)(ti-yi)
其中：δi表示节点i的误差项，yi表示节点i的输出值，ti表示样本对应于节点i的目标值；当节点i为隐藏层时，则隐藏层的误差项计算公式如下：
Figure FDA0003703763620000021
其中：ai是节点i的输出值，ωki是节点i到下一层节点k的连接的权重，δk是节点i的下一层节点k的误差项；
步骤3-3，基于所得误差项更新权重参数，具体更新公式如下：
ωji←ωji+ηδixji
其中：ωji是节点i到节点j的权重，η是一个成为学习速率的常数，δi是节点i的误差项，xji是节点i传递给节点j的输入值。
9.根据权利要求8所述的基于PCANet神经网络和多传感器信息融合的健康检测仪的控制方法，其特征在于：步骤3-1中的多层感知器包括三层结构，分别为输入层、隐藏层和输出层。
10.根据权利要求8所述的基于PCANet神经网络和多传感器信息融合的健康检测仪的控制方法，其特征在于：步骤3-2中在计算神经网络中多层感知器的每一层误差时，由最后一层向第一层推进计算，即误差计算结构为输出层→隐藏层→输入层。
CN202210700457.8A 2022-06-20 2022-06-20 基于PCANet神经网络和多传感器信息融合的健康检测仪及其方法 Pending CN114903475A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210700457.8A CN114903475A (zh) 2022-06-20 2022-06-20 基于PCANet神经网络和多传感器信息融合的健康检测仪及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210700457.8A CN114903475A (zh) 2022-06-20 2022-06-20 基于PCANet神经网络和多传感器信息融合的健康检测仪及其方法

Publications (1)

Publication Number Publication Date
CN114903475A true CN114903475A (zh) 2022-08-16

Family

ID=82772029

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210700457.8A Pending CN114903475A (zh) 2022-06-20 2022-06-20 基于PCANet神经网络和多传感器信息融合的健康检测仪及其方法

Country Status (1)

Country Link
CN (1) CN114903475A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117907731A (zh) * 2024-03-19 2024-04-19 成都瑞虎电子科技有限公司 一种电子产品老化测试系统及装置
CN117907731B (zh) * 2024-03-19 2024-05-31 成都瑞虎电子科技有限公司 一种电子产品老化测试系统及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117907731A (zh) * 2024-03-19 2024-04-19 成都瑞虎电子科技有限公司 一种电子产品老化测试系统及装置
CN117907731B (zh) * 2024-03-19 2024-05-31 成都瑞虎电子科技有限公司 一种电子产品老化测试系统及装置

Similar Documents

Publication Publication Date Title
CN105877766B (zh) 一种基于多生理信号融合的精神状态检测系统及方法
CN104287706B (zh) 一种人体健康状态实时监测及诊疗推荐系统
CN109009017B (zh) 一种智能健康监测系统及其数据处理方法
RU2757048C1 (ru) Способ и система оценки здоровья тела человека на основе данных большого объема о сне
Candás et al. An automatic data mining method to detect abnormal human behaviour using physical activity measurements
CN109171756A (zh) 基于深度置信网络模型的糖尿病指标预测方法及其系统
CN115064246B (zh) 一种基于多模态信息融合的抑郁症评估系统及设备
CN110659677A (zh) 一种基于可移动传感器组合设备的人体跌倒检测方法
CN107803843A (zh) 一种基于树莓派的人体健康监测机器人
CN109767836A (zh) 一种医学诊断人工智能系统、装置及其自我学习方法
Roza et al. Citizen emotion analysis in Smart City
CN112043252A (zh) 基于脉搏信号中呼吸成分的情绪识别系统及方法
CN109091126A (zh) 一种基于多传感器的人体生理状态判别可视化方法及设备
Gan et al. Human-computer interaction based interface design of intelligent health detection using PCANet and multi-sensor information fusion
CN109065163A (zh) 中医诊断服务平台
CN107970027A (zh) 一种桡动脉检测与人体体质识别系统和方法
CN115089139A (zh) 结合生物特征识别的个性化生理参数测量方法
Tseng et al. Human identification with electrocardiogram
CN113133762B (zh) 一种无创血糖预测方法及装置
Tiwari et al. Stress and anxiety measurement" in-the-wild" using quality-aware multi-scale hrv features
CN108962379B (zh) 一种脑神经系统疾病的手机辅助检测系统
CN109036552A (zh) 中医诊断终端及其存储介质
CN105708441A (zh) 可佩戴指套及心电图和脉象采集终端
CN116434979A (zh) 生理状态云监测方法、监测系统及储存介质
CN114903475A (zh) 基于PCANet神经网络和多传感器信息融合的健康检测仪及其方法

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