CN115040095A - 适老化多功能自主非侵入式动态生理信号监测分析系统 - Google Patents
适老化多功能自主非侵入式动态生理信号监测分析系统 Download PDFInfo
- Publication number
- CN115040095A CN115040095A CN202210971382.7A CN202210971382A CN115040095A CN 115040095 A CN115040095 A CN 115040095A CN 202210971382 A CN202210971382 A CN 202210971382A CN 115040095 A CN115040095 A CN 115040095A
- Authority
- CN
- China
- Prior art keywords
- module
- signal
- sensor
- value
- physiological 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 230000002431 foraging effect Effects 0.000 claims abstract description 8
- 238000013186 photoplethysmography Methods 0.000 claims description 23
- 230000003993 interaction Effects 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 19
- 239000007789 gas Substances 0.000 claims description 11
- 230000036772 blood pressure Effects 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 10
- 230000018109 developmental process Effects 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 210000000577 adipose tissue Anatomy 0.000 claims description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 7
- 239000008280 blood Substances 0.000 claims description 7
- 210000004369 blood Anatomy 0.000 claims description 7
- 210000000476 body water Anatomy 0.000 claims description 7
- 230000037182 bone density Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000001301 oxygen Substances 0.000 claims description 7
- 229910052760 oxygen Inorganic materials 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—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
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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]
- A61B5/33—Heart-related electrical modalities, e.g. electrocardiography [ECG] specially adapted for cooperation with other devices
-
- 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]
- A61B5/346—Analysis of electrocardiograms
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Pulmonology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种适老化多功能自主非侵入式动态生理信号监测分析系统，包括基于图神经网络的多传感器融合生理信号检测模型，该模型包含阵列式生理信号采集模块和基于图模型的生理信号特征提取与计算的协处理器模块。本发明采用上述的一种适老化多功能自主非侵入式动态生理信号监测分析系统，根据多传感器采集及图神经网络的多传感器融合生理信号检测模型，实现多功能自主非侵入式的动态生理信号监测及分析，具有高实时性、多样性、可解释性。
Description
技术领域
本发明涉及医工融合技术领域，尤其是涉及一种适老化多功能自主非侵入式动态生理信号监测分析系统。
背景技术
随着人口老龄化时代的到来，老年人对生活品质、便捷性的要求逐年提高，对健康监测、健康管理的需求也越发强烈。各类型适老化生理检测、监测类产品与设备应运而生，并且迭代更新速度加快，其中小型化、集成度高、动态性能强等需求成为迭代更新的主要方向。
当前，面向老年人的生理检测、监测类的居家或便携式设备主要存在具备至少一项的生理指标检测、具备一定程度的通信能力和具备基本的数字信息显示功能等特点。该设备典型的产品类型可根据携带方式与测量方式分为嵌入式可穿戴、非嵌入式小型化设备、及时测量类、点动测量类。进一步组合形成的四种典型产品有嵌入式可穿戴即时型产品、嵌入式可穿戴的点动型产品、非嵌入式小型化及时测量型产品和非嵌入式小型化点动测量型产品。
上述有适老化生理检测相关类设备，在单一生理指标检测上基本做到了一体化并具备一定的持续监测的能力。但适老化设计不足、设备集成度低、动态监测实时性差、检测指标单一、存在侵入性、无创化检测程度不高、检测精度低等问题仍未得到应有的解决。
发明内容
本发明的目的是提供一种适老化多功能自主非侵入式动态生理信号监测分析系统，根据多传感器采集及图神经网络的多传感器融合生理信号检测模型，实现多功能自主非侵入式的动态生理信号监测及分析，具有高实时性、多样性、可解释性、结构简单的优点。
为实现上述目的，本发明提供了一种适老化多功能自主非侵入式动态生理信号监测分析系统，包括基于图神经网络的多传感器融合生理信号检测模型，该模型包含阵列式生理信号采集模块和基于图模型的生理信号特征提取与计算的协处理器模块。
优选的，还包括电源模块、主控模块、交互模块组成，电源模块由电源、充电与电池管理模块、输出驱动模块组成，交互模块包括人机交互界面和语音模块。电源为整机提供不间断电力，充电及电池管理模块包括锂电池平衡放电、静电保护、反向保护、低电量保护、软开关及type-c快充等功能，输出驱动模块可产生驱动电压，驱动主控模块、交互模块、小功率参数采集及协处理器模块等。
优选的，采集模块为多传感器模组，协处理器模块的协处理器通过二次开发接口与主控模块连接。
主控模块为软件及操作系统提供支撑，强大的运算能力可对参数采集及协处理器模块的采集数据进行模型计算。参数采集及协处理器模块由多传感器模组、协处理器、二次开发接口组成。多传感器模组包括生理信号感知和环境参数感知，传感器信号发送至协处理器；协处理器解析主控命令后触发多传感器模组序列；二次开发接口分别于主控模块和协处理器直连，用于二次开发。交互模块包括人机交互界面和语音模块，负责整机与用户交互，监测用户指令，展示输出的生理指标计算结果。
优选的，多传感器模组包括但不限于PPG信号传感器、ECG信号传感器、气体压力传感器、生物电阻抗传感器、EEG信号传感器、GSR信号传感器。
一种适老化多功能自主非侵入式动态生理信号监测分析系统，基于图神经网络的多传感器融合生理信号检测模型的计算过程中，通过多传感器模组和协处理器采集处理信号，以向量纵向数据的形式输入模型，其具体流程如下：
S1、计算信号数据的各项指标，将上述数据整理分析为模型直接计算的特征数据；
S2、使用图模型融合计算特征数据，全连接函数构造特征节点与生理指标数据节点间的映射关系，量化特征与生理指标检测结果的映射关系；
S3、将图模型处理得到的生理指标数据作为结果输出，在交互模块展示。
优选的，在步骤S1中，使用多传感器模组测量PPG信号、ECG信号、气体压力传感器信号、生物电阻抗、EEG信号和GSR信号，特征提取模块使用高频采样，得到特征序列数据，针对不同的测量对象分别进行分析；
在一个采样周期中，定义x的取值信息为基于光电容积脉搏波（PPG）信号波形计算波峰数量N，波峰与波谷差值AC，均值DC；结合心电（ECG）信号计算两种信号的波峰时间差PWTT；再使用压力传感器测得血压值，阻抗测量传感器测得生物电阻抗值Z和相位
；PPG信号、ECG信号、EEG信号、GSR信号分别作为光电容积脉搏波信号、心电信号、脑电信号、皮电信号的测量结果直接在交互模块中输出波形图。
优选的，步骤S2中，将测量的PPG信号、ECG信号、气体压力传感器信号、生物电阻抗、EEG信号、GSR信号的T次测量结果x传递到GNDP图神经网络模型节点，经过模型处理，输出特征集M，主要模型表述为：
其中，Sigmoid为神经网络常用激活函数，FCN为全卷积神经网络模块，Fpooling为神经网络池化函数，TCN out 为时域卷积网络模块，GCN out 为神经网络的图卷积模块。
优选的，步骤S3中，以步骤S2输出的特征集M和公认数据集内的心率值HR、血压值BP、血氧值SPO2、体脂值BFR、骨密度值BMD、身体水分比例值TBW生理指标分别作为两组节点，两组节点间采取全连接方式，使用图模型（V，E）将特征进行融合计算，以此描述各项生理指标间的联系与影响并以图权值表示，图模型（V，E）描述如下：
其中，θA为A节点内的待训练参数，αA、B为网络节点A、B间的权值，二者共同构成网络参数，Y∈{HR，BP，SPO2，BFR，BMD，TBW}是生理指标之一；在模型训练中，使用实测的{HR，BP，SPO2，BFR，BMD，TBW}进行标定，用较少的数据量训练模型参数，实现弱监督学习，由于各测量对象的数据采集同时进行，因此可即时获取测量结果。最终在交互模块输出心率值HR、血压值BP、血氧值SPO2、体脂值BFR、骨密度值BMD、身体水分比例值TBW。
因此，本发明采用上述一种适老化多功能自主非侵入式动态生理信号监测分析系统，具体技术效果如下：
（1）本发明的模型充分利用了多传感器测量并进行了有效融合，GNDP模型可充分测量结果的历史信息，测量与计算具有时效性与即时性，采用图模型建立了各项生理指标之间的联系与相互影响，对实际人体具有更高的仿真能力与可解释性。
（2）本发明采用多传感器序列机制进行数据采集，协处理器可根据用户指令建立多传感器序列，分时调用，实现全部生理数据实时采集，一次性输出多种生理指标，对使用者健康状态进行全方位评估。
（3）本发明利用单导联心电与四电极生物阻抗共用电极采集点，协处理器控制决策电路分时选通，减少设备使用复杂度。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1是本发明一种适老化多功能自主非侵入式动态生理信号监测分析系统实施例的工作流程图；
图2是本发明一种适老化多功能自主非侵入式动态生理信号监测分析系统实施例的系统结构图。
附图标记
1、电源模块；11、电源；12、充电与电池管理模块；13、输出驱动模块；2、主控模块；3、参数采集及协处理器模块；31、多传感器模组；32、协处理器；33、二次开发接口；4、交互模块；41、人机交互界面；42、语音模块。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义，本发明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。
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主旨或基本特征的情况下，能够以其它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囊括在本发明内，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，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其它实施方式。这些其它实施方式也涵盖在本发明的保护范围内。
还应当理解，以上所述的具体实施例仅用于解释本发明，本发明的保护范围并不限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明/发明的保护范围之内。
本公开使用的所有术语（包括技术术语或者科学术语）与本公开所属领域的普通技术人员理解的含义相同，除非另外特别定义。还应当理解，在诸如通用词典中定义的术语应当被理解为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非本文有明确地这样定义。
对于相关领域普通技术人员已知的技术、方法和设备可能不作为详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
本发明说明书中引用的现有技术文献所公开的内容整体均通过引用并入本发明中，并且因此是本发明公开内容的一部分。
实施例一
一种适老化多功能自主非侵入式动态生理信号监测分析系统，使用基于图神经网络的多传感器融合生理信号检测模型，该模型包含阵列式生理信号采集模块和基于图模型的生理信号特征提取与计算的协处理器模块。具体测量对象为：PPG信号、ECG信号、气体压力传感器、生物电阻抗、EEG信号、GSR信号等，生理指标为：心率值、血压值、血氧值、体脂值、骨密度值、身体水分比例、心电信号、脑电信号、皮电信号等。在基于图神经网络的多传感器融合生理信号检测模型的计算过程中，通过传感器模组31和协处理器32采集处理PPG信号、ECG信号、气体压力传感器信号、生物电阻抗、EEG信号、GSR信号以向量纵向数据的形式输入模型。
首先计算波峰时间差等指标，将上述数据整理分析为可使用模型直接计算的特征数据，简化了依照具体数据人为构造特征的复杂、耗力过程。使用图模型融合计算特征数据，使用全连接函数构造特征节点与生理指标数据节点间的映射关系，量化特征与生理指标检测结果的映射关系，提高不同生理指标间联系与影响的解释度，通过构造一个具有自适应性的模型减少构造多个模型的计算成本。最后，将图模型处理得到的生理指标数据作为结果输出，在交互模块展示。
实施例二
如图2所示，本发明的系统还包括电源模块1、主控模块2、交互模块4组成。电源模块1由电源11、充电与电池管理模块12、输出驱动模块13组成，电源11为整机提供不间断电力，充电与电池管理模块12包括锂电池平衡放电、静电保护、反向保护、低电量保护、软开关及type-c快充等功能，输出驱动模块13可产生驱动电压，驱动主控模块2、交互模块4、小功率参数采集及协处理器模块3等。
主控模块2为软件及操作系统提供支撑，强大的运算能力可对参数采集及协处理器模块的采集数据进行模型计算。参数采集及协处理器模块3由多传感器模组31、协处理器32、二次开发接口33组成。多传感器模组31包括生理信号感知和环境参数感知，传感器信号发送至协处理器32；协处理器32解析主控命令后触发多传感器模组31序列；二次开发接口33分别于主控模块2和协处理器32直连，用于二次开发。交互模块4包括人机交互界面41和语音模块42，负责整机与用户交互，监测用户指令，展示输出的生理指标计算结果。
实施例三
本发明的一种适老化多功能自主非侵入式动态生理信号监测分析系统，如图1所示，工作流程如下：
S1、使用多传感器模组31测量PPG信号、ECG信号、气体压力传感器信号、生物电阻抗、EEG信号和GSR信号，特征提取模块使用高频采样，得到特征序列数据，针对不同的测量对象分别进行分析。在一个采样周期中，x的取值信息为基于光电容积脉搏波（PPG）信号波形计算波峰数量N，波峰与波谷差值AC，均值DC；结合心电（ECG）信号计算两种信号的波峰时间差PWTT；再使用压力传感器测得血压值，阻抗测量传感器测得生物电阻抗值Z和相位
。PPG信号、ECG信号、EEG信号、GSR信号分别作为光电容积脉搏波信号、心电信号、脑电信号、皮电信号的测量结果直接在交互模块4中输出波形图。
S2、将测量的PPG信号、ECG信号、气体压力传感器信号、生物电阻抗、EEG信号、GSR信号的T次测量结果x传递到GNDP图神经网络模型节点，经过模型处理，输出特征集M，主要模型表述为：
其中，x为T次PPG信号、ECG信号、气体压力传感器信号、生物电阻抗、EEG信号、GSR信号的测量结果，Sigmoid为神经网络常用激活函数，FCN为全卷积神经网络模块，F pooling 为神经网络池化函数，TCN out 为时域卷积网络模块，GCN out 为神经网络的图卷积模块，M pre 为经过图网络处理之后输出的特征集。
S3、以步骤S2输出的特征集M和公认数据集内的心率值HR、血压值BP、血氧值SPO2、体脂值BFR、骨密度值BMD、身体水分比例值TBW生理指标分别作为两组节点，两组节点间采取全连接方式，使用图模型(V,E)将特征进行融合计算，以此描述各项生理指标间的联系与影响并以图权值表示，模型描述如下：
其中，A、B分别为特征集M中的两个节点，θ A 为A节点内的待训练参数，θ B 为B节点内的待训练参数,α A,B 为网络节点A、B间的权值，二者共同构成网络参数，f A,B 为使用AB两网络节点信息得到的Y的预测值，其代表图网络局部节点组对最终预测值的贡献，经过加权后可以组成最终预测值。 pre 为经过图网络处理之后的输出值，Y∈{HR,BP,SPO2,BFR,BMD,TBW}是生理指标之一。在模型训练中，使用实测的{HR,BP,SPO2,BFR,BMD,TBW}进行标定，用较少的数据量训练模型参数，实现弱监督学习，由于各测量对象的数据采集同时进行，因此可即时获取测量结果。最终在交互模块4输出心率值HR、血压值BP、血氧值SPO2、体脂值BFR、骨密度值BMD、身体水分比例值TBW。
因此，本发明采用上述一种适老化多功能自主非侵入式动态生理信号监测分析系统，根据多传感器采集及图神经网络的多传感器融合生理信号检测模型，实现多功能自主非侵入式的动态生理信号监测及分析，具有高实时性、多样性、可解释性、结构简单等优点。
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对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (8)
1.一种适老化多功能自主非侵入式动态生理信号监测分析系统，其特征在于：包括基于图神经网络的多传感器融合生理信号检测模型，该模型包含阵列式生理信号采集模块和基于图模型的生理信号特征提取与计算的协处理器模块。
2.根据权利要求1所述的一种适老化多功能自主非侵入式动态生理信号监测分析系统，其特征在于：还包括电源模块、主控模块、交互模块组成，电源模块由电源、充电与电池管理模块、输出驱动模块组成，交互模块包括人机交互界面和语音模块。
3.根据权利要求1所述的一种适老化多功能自主非侵入式动态生理信号监测分析系统，其特征在于：采集模块为多传感器模组，协处理器模块的协处理器通过二次开发接口与主控模块连接。
4.根据权利要求3所述的一种适老化多功能自主非侵入式动态生理信号监测分析系统，其特征在于：多传感器模组包括但不限于PPG信号传感器、ECG信号传感器、气体压力传感器、生物电阻抗传感器、EEG信号传感器、GSR信号传感器。
5.一种适老化多功能自主非侵入式动态生理信号监测分析系统，其特征在于：基于图神经网络的多传感器融合生理信号检测模型的计算过程中，通过多传感器模组和协处理器采集处理信号，以向量纵向数据的形式输入模型，其具体流程如下：
S1、计算信号数据的各项指标，将上述数据整理分析为模型直接计算的特征数据；
S2、使用图模型融合计算特征数据，全连接函数构造特征节点与生理指标数据节点间的映射关系，量化特征与生理指标检测结果的映射关系；
S3、将图模型处理得到的生理指标数据作为结果输出，在交互模块展示。
6.根据权利要求5所述的一种适老化多功能自主非侵入式动态生理信号监测分析系统，其特征在于：在步骤S1中，使用多传感器模组测量PPG信号、ECG信号、气体压力传感器信号、生物电阻抗、EEG信号和GSR信号，特征提取模块使用高频采样，得到特征序列数据，针对不同的测量对象分别进行分析；
在一个采样周期中，定义x的取值信息为基于光电容积脉搏波（PPG）信号波形计算波峰数量N，波峰与波谷差值AC，均值DC；结合心电（ECG）信号计算两种信号的波峰时间差PWTT；再使用压力传感器测得血压值，阻抗测量传感器测得生物电阻抗值Z和相位
；PPG信号、ECG信号、EEG信号、GSR信号分别作为光电容积脉搏波信号、心电信号、脑电信号、皮电信号的测量结果直接在交互模块中输出波形图。
7.根据权利要求6所述的一种适老化多功能自主非侵入式动态生理信号监测分析系统，其特征在于：步骤S2中，将测量的PPG信号、ECG信号、气体压力传感器信号、生物电阻抗、EEG信号、GSR信号的T次测量结果x传递到GNDP图神经网络模型节点，经过模型处理，输出特征集M，主要模型表述为：
其中，Sigmoid为神经网络常用激活函数，FCN为全卷积神经网络模块，Fpooling为神经网络池化函数，TCN out 为时域卷积网络模块，GCN out 为神经网络的图卷积模块。
8.根据权利要求5所述的一种适老化多功能自主非侵入式动态生理信号监测分析系统，其特征在于：步骤S3中，以步骤S2输出的特征集M和公认数据集内的心率值HR、血压值BP、血氧值SPO2、体脂值BFR、骨密度值BMD、身体水分比例值TBW生理指标分别作为两组节点，两组节点间采取全连接方式，使用图模型（V，E）将特征进行融合计算，以此描述各项生理指标间的联系与影响并以图权值表示，图模型（V，E）描述如下：
其中，θA为A节点内的待训练参数，αA、B为网络节点A、B间的权值，二者共同构成网络参数，Y∈{HR，BP，SPO2，BFR，BMD，TBW}是生理指标之一；最终在交互模块输出心率值HR、血压值BP、血氧值SPO2、体脂值BFR、骨密度值BMD、身体水分比例值TBW。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210971382.7A CN115040095B (zh) | 2022-08-15 | 2022-08-15 | 适老化多功能自主非侵入式动态生理信号监测分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210971382.7A CN115040095B (zh) | 2022-08-15 | 2022-08-15 | 适老化多功能自主非侵入式动态生理信号监测分析系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115040095A true CN115040095A (zh) | 2022-09-13 |
| CN115040095B CN115040095B (zh) | 2023-01-24 |
Family
ID=83166720
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210971382.7A Active CN115040095B (zh) | 2022-08-15 | 2022-08-15 | 适老化多功能自主非侵入式动态生理信号监测分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115040095B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116671881A (zh) * | 2023-08-03 | 2023-09-01 | 北京九叁有方物联网科技有限公司 | 基于图神经网络的头戴式脑体作业能力评估设备及方法 |
| WO2024100634A1 (en) * | 2022-11-11 | 2024-05-16 | Securiport Llc | Non-contrastive unsupervised learning of physiological signals from video |
| DE102023202352A1 (de) | 2023-03-15 | 2024-09-19 | Robert Bosch Gesellschaft mit beschränkter Haftung | Vorrichtung und Verfahren zur Verarbeitung von Sensordaten, Sensorsystem |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102736607A (zh) * | 2012-07-06 | 2012-10-17 | 重庆邮电大学 | 基于数据融合的家居安全健康远程监测系统 |
| CN107145878A (zh) * | 2017-06-01 | 2017-09-08 | 重庆邮电大学 | 基于深度学习的老人异常行为检测方法 |
| CN110680341A (zh) * | 2019-10-25 | 2020-01-14 | 北京理工大学 | 一种基于可见光图像的非侵入式血糖检测装置 |
| US20200093386A1 (en) * | 2018-09-21 | 2020-03-26 | Imec Vzw | Method of generating a model for heart rate estimation from a photoplethysmography signal and a method and a device for heart rate estimation |
| CN112057059A (zh) * | 2020-09-14 | 2020-12-11 | 中国刑事警察学院 | 基于多模态生理数据的心理压力智能采集测试分析系统 |
| CN112932486A (zh) * | 2021-01-20 | 2021-06-11 | 安徽建筑大学 | 基于多模态的大学生情绪压力检测系统与方法 |
| CN113040740A (zh) * | 2016-06-24 | 2021-06-29 | 生命解析公司 | 用于测量心肌缺血、狭窄识别、定位和血流储备分数估计的非侵入式方法和系统 |
| EP3875026A1 (en) * | 2020-03-03 | 2021-09-08 | Koninklijke Philips N.V. | Sleep apnea detection system and method |
| EP3906854A1 (en) * | 2020-05-05 | 2021-11-10 | Withings | Method and device to determine sleep apnea of a user |
| WO2021231044A1 (en) * | 2020-05-11 | 2021-11-18 | The Trustees Of Princeton University | System and method for testing for sars-cov-2/covid-19 based on wearable medical sensors and neural networks |
| CN113907756A (zh) * | 2021-09-18 | 2022-01-11 | 深圳大学 | 一种基于多种模态的生理数据的可穿戴系统 |
| CN114145724A (zh) * | 2021-12-08 | 2022-03-08 | 四川北易信息技术有限公司 | 基于ecg和ppg多生理特征参数动态监测血压的方法 |
| CN114647314A (zh) * | 2022-03-21 | 2022-06-21 | 天津大学 | 一种基于肌电的穿戴式肢体运动智能感知系统 |
| CN114743678A (zh) * | 2022-04-29 | 2022-07-12 | 山东大学 | 一种基于改进gdn算法的智能手环生理指标异常分析方法及系统 |
| CN114864105A (zh) * | 2022-05-25 | 2022-08-05 | 北京芯联心科技发展有限公司 | 一种基于社交图网络的动物疾病的预警方法和系统 |
-
2022
- 2022-08-15 CN CN202210971382.7A patent/CN115040095B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102736607A (zh) * | 2012-07-06 | 2012-10-17 | 重庆邮电大学 | 基于数据融合的家居安全健康远程监测系统 |
| CN113040740A (zh) * | 2016-06-24 | 2021-06-29 | 生命解析公司 | 用于测量心肌缺血、狭窄识别、定位和血流储备分数估计的非侵入式方法和系统 |
| CN107145878A (zh) * | 2017-06-01 | 2017-09-08 | 重庆邮电大学 | 基于深度学习的老人异常行为检测方法 |
| US20200093386A1 (en) * | 2018-09-21 | 2020-03-26 | Imec Vzw | Method of generating a model for heart rate estimation from a photoplethysmography signal and a method and a device for heart rate estimation |
| CN110680341A (zh) * | 2019-10-25 | 2020-01-14 | 北京理工大学 | 一种基于可见光图像的非侵入式血糖检测装置 |
| EP3875026A1 (en) * | 2020-03-03 | 2021-09-08 | Koninklijke Philips N.V. | Sleep apnea detection system and method |
| EP3906854A1 (en) * | 2020-05-05 | 2021-11-10 | Withings | Method and device to determine sleep apnea of a user |
| WO2021231044A1 (en) * | 2020-05-11 | 2021-11-18 | The Trustees Of Princeton University | System and method for testing for sars-cov-2/covid-19 based on wearable medical sensors and neural networks |
| CN112057059A (zh) * | 2020-09-14 | 2020-12-11 | 中国刑事警察学院 | 基于多模态生理数据的心理压力智能采集测试分析系统 |
| CN112932486A (zh) * | 2021-01-20 | 2021-06-11 | 安徽建筑大学 | 基于多模态的大学生情绪压力检测系统与方法 |
| CN113907756A (zh) * | 2021-09-18 | 2022-01-11 | 深圳大学 | 一种基于多种模态的生理数据的可穿戴系统 |
| CN114145724A (zh) * | 2021-12-08 | 2022-03-08 | 四川北易信息技术有限公司 | 基于ecg和ppg多生理特征参数动态监测血压的方法 |
| CN114647314A (zh) * | 2022-03-21 | 2022-06-21 | 天津大学 | 一种基于肌电的穿戴式肢体运动智能感知系统 |
| CN114743678A (zh) * | 2022-04-29 | 2022-07-12 | 山东大学 | 一种基于改进gdn算法的智能手环生理指标异常分析方法及系统 |
| CN114864105A (zh) * | 2022-05-25 | 2022-08-05 | 北京芯联心科技发展有限公司 | 一种基于社交图网络的动物疾病的预警方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| 刘尖学等: "基于BP神经网络的可穿戴式异质传感网络数据融合方法", 《网络安全技术与应用》 * |
| 张佑春等: "采用BP神经网络的运动员心脏机能分析模型", 《宁德师范学院学报(自然科学版)》 * |
| 邢彦涛等: "基于多传感器的可穿戴疲劳检测装置设计", 《国外电子测量技术》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024100634A1 (en) * | 2022-11-11 | 2024-05-16 | Securiport Llc | Non-contrastive unsupervised learning of physiological signals from video |
| DE102023202352A1 (de) | 2023-03-15 | 2024-09-19 | Robert Bosch Gesellschaft mit beschränkter Haftung | Vorrichtung und Verfahren zur Verarbeitung von Sensordaten, Sensorsystem |
| CN116671881A (zh) * | 2023-08-03 | 2023-09-01 | 北京九叁有方物联网科技有限公司 | 基于图神经网络的头戴式脑体作业能力评估设备及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115040095B (zh) | 2023-01-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115040095B (zh) | 适老化多功能自主非侵入式动态生理信号监测分析系统 | |
| CN109157202B (zh) | 一种基于多生理信号深度融合的心血管疾病预警系统 | |
| CN104363824B (zh) | 心电图中实时qrs持续时间的测量 | |
| CN107788976A (zh) | 基于振幅整合脑电图的睡眠监测系统 | |
| CN111084618A (zh) | 一种可穿戴式多功能呼吸循环检测系统及方法 | |
| CN111544855B (zh) | 基于蒸馏学习和深度学习纯意念控制智能康复方法及应用 | |
| CN105395192A (zh) | 一种基于脑电的可穿戴情感识别方法和系统 | |
| CN109431492B (zh) | 基于神经网络算法的心电图导联数据模拟重建方法 | |
| CN109998522A (zh) | 一种基于穿戴式动态心电的运动负荷检测装置及方法 | |
| CN103110416A (zh) | 远程心电智能监护系统 | |
| CN110074776B (zh) | 一种人工智能动态心肺监测设备的功耗控制方法及系统 | |
| Chen et al. | Machine learning method for continuous noninvasive blood pressure detection based on random forest | |
| CN111248879A (zh) | 一种基于多模态注意力融合的高血压老年人活动分析方法 | |
| CN111513991B (zh) | 基于人工智能技术的主动式手部全指康复设备 | |
| US20140148714A1 (en) | Automatic online delineation of a multi-lead electrocardiogram bio signal | |
| CN110353704A (zh) | 基于穿戴式心电监测的情绪评估方法与装置 | |
| CN113855053A (zh) | 基于肌电的佩戴式肌肉阈值监测系统 | |
| Wang et al. | Low-power multi-lead wearable ECG system with sensor data compression | |
| CN113197560A (zh) | 一种用于心脏骤停急救的心率检测与除颤装置 | |
| CN110367976A (zh) | 脑电波信号检测方法、相关设备和存储介质 | |
| CN202950649U (zh) | 一种便携式电子健康监护仪器 | |
| CN112582067A (zh) | 基于大数据的年龄估计模型训练、年龄估计方法和装置 | |
| Gan et al. | Human-computer interaction based interface design of intelligent health detection using PCANet and multi-sensor information fusion | |
| CN113040738B (zh) | 血压检测装置 | |
| CN114647314A (zh) | 一种基于肌电的穿戴式肢体运动智能感知系统 |
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 |