CN116530952A - 基于智能穿戴设备的生命安全监测系统及其方法 - Google Patents
基于智能穿戴设备的生命安全监测系统及其方法 Download PDFInfo
- Publication number
- CN116530952A CN116530952A CN202310390822.4A CN202310390822A CN116530952A CN 116530952 A CN116530952 A CN 116530952A CN 202310390822 A CN202310390822 A CN 202310390822A CN 116530952 A CN116530952 A CN 116530952A
- Authority
- CN
- China
- Prior art keywords
- matrix
- feature
- neural network
- network model
- physiological
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000007613 environmental effect Effects 0.000 claims abstract description 132
- 238000003062 neural network model Methods 0.000 claims abstract description 41
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 277
- 238000012549 training Methods 0.000 claims description 157
- 238000013527 convolutional neural network Methods 0.000 claims description 145
- 239000013598 vector Substances 0.000 claims description 127
- 230000036541 health Effects 0.000 claims description 45
- 238000005457 optimization Methods 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 30
- 230000033001 locomotion Effects 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 22
- 230000004927 fusion Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 17
- 230000036772 blood pressure Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 13
- 230000036760 body temperature Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 230000035485 pulse pressure Effects 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 8
- 239000004973 liquid crystal related substance Substances 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 2
- 238000005728 strengthening Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 14
- 238000003860 storage Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000007792 addition Methods 0.000 description 3
- 241000287196 Asthenes Species 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- 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
-
- 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
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- 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
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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
- A61B5/7235—Details of waveform analysis
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Psychiatry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Dentistry (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Vascular Medicine (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pulmonology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及智能监测领域,其具体地公开了一种基于智能穿戴设备的生命安全监测系统及其方法,其通过采用基于深度学习的神经网络模型挖掘出佩戴者生理参数数据的各个生理数据项的时序动态关联特征和环境参数数据的各个环境数据项的时序动态关联特征之间的关联性特征分布信息,以此来利用体外环境参数信息和人体生理参数信息之间的时序关联特征综合进行人体生命安全监测,以提高智能穿戴设备的生命安全监测的精准度。
Description
技术领域
本申请涉及智能监测领域,且更为具体地,涉及一种基于智能穿戴设备的生命安全监测系统及其方法。
背景技术
随着生活水平的提高,人们越来越关注生命安全和健康状况,人体常见的生理参数,如血压、心率、脉搏等均可以直接或间接地反映人体健康状况。同时,人所处的环境状况对人体的生命安全和健康也有一定的影响。
目前,市面上的智能手环可以通过三轴加速传感器判断人运动的动作得到基础数据并将其结合佩戴人的个人体征信息,采用特定算法,得到针对个人的监测数据,如运动步数、距离和卡路里;同时也可以通过三轴加速传感器进行睡眠监测;通过光学传感器监测心率。但是,现有的智能手环在进行人体体征监测时,并没有考虑到周围环境对人体健康的影响,无法实时监测到佩戴人所处环境和其状况。
因此,期望一种优化的基于智能穿戴设备的生命安全监测系统。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于智能穿戴设备的生命安全监测系统及其方法,其通过采用基于深度学习的神经网络模型挖掘出佩戴者生理参数数据的各个生理数据项的时序动态关联特征和环境参数数据的各个环境数据项的时序动态关联特征之间的关联性特征分布信息,以此来利用体外环境参数信息和人体生理参数信息之间的时序关联特征综合进行人体生命安全监测,以提高智能穿戴设备的生命安全监测的精准度。
根据本申请的一个方面,提供了一种基于智能穿戴设备的生命安全监测系统,其包括:
数据采集模块,用于获取由佩戴于待监测对象的智能可穿戴设备采集的预定时间段内多个预定时间点的生理参数数据和所述多个预定时间点的环境参数数据,其中,所述生理参数数据包括体温、运动状态、运动速度、心率、脉搏和血压,所述环境参数数据包括温度、湿度、气压、紫外线强度和有害气体浓度;
数据关联模块,用于将所述各个预定时间点的生理参数数据和环境参数数据分别通过包含多个全连接层的深度神经网络模型以得到多个生理深度特征向量和多个环境深度特征向量;
数据时序变化模块,用于将所述多个生理深度特征向量和所述多个环境深度特征向量排列为生理全时序特征矩阵和环境全时序特征矩阵后分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到生理时序关联特征矩阵和环境时序关联特征矩阵,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同尺度的二维卷积核;
数据特征融合模块,用于融合所述生理时序关联特征矩阵和所述环境时序关联特征矩阵以得到参数关联特征矩阵;
关联编码模块,用于将所述参数关联特征矩阵通过作为过滤器的卷积神经网络模型以得到分类特征向量;
健康监测模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测对象的生命健康状况是否良好。
在上述基于智能穿戴设备的生命安全监测系统中,所述数据关联模块,用于:使用所述深度神经网络模型的全连接层以如下公式对所述各个预定时间点的生理参数数据进行全连接编码以得到所述多个生理深度特征向量,其中,所述公式为:,其中是所述各个预定时间点的生理参数数据,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵相乘;以及,使用所述深度神经网络模型的全连接层以如下公式对所述环境参数数据进行全连接编码以得到所述多个环境深度特征向量,其中,所述公式为:,其中/>是所述环境参数数据,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵相乘。
在上述基于智能穿戴设备的生命安全监测系统中,所述数据时序变化模块,用于:使用所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行沿着通道维度的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构的最后一层的输出为所述生理时序关联特征矩阵和所述环境时序关联特征矩阵,所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构的第一层的输入为所述生理全时序特征矩阵和所述环境全时序特征矩阵。
在上述基于智能穿戴设备的生命安全监测系统中,所述数据特征融合模块,用于:以如下公式来融合所述生理时序关联特征矩阵和所述环境时序关联特征矩阵以得到参数关联特征矩阵;其中,所述公式为:
其中,表示所述生理时序关联特征矩阵,/>表示所述环境时序关联特征矩阵,表示级联函数,/>表示所述参数关联特征矩阵。
在上述基于智能穿戴设备的生命安全监测系统中,所述关联编码模块,用于:使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为过滤器的卷积神经网络的最后一层的输出为所述分类特征向量,所述作为过滤器的卷积神经网络的第一层的输入为所述参数关联特征矩阵。
在上述基于智能穿戴设备的生命安全监测系统中,还包括对所述包含多个全连接层的深度神经网络模型、所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构、所述作为过滤器的卷积神经网络模型和所述分类器进行训练的训练模块。
在上述基于智能穿戴设备的生命安全监测系统中,所述训练模块,包括:训练数据采集模块,用于获取训练数据,所述训练数据包括预定时间段内多个预定时间点的训练生理参数数据和所述多个预定时间点的训练环境参数数据,以及,所述待监测对象的生命健康状况是否良好的真实值;训练数据关联模块,用于将所述各个预定时间点的训练生理参数数据和训练环境参数数据分别通过所述包含多个全连接层的深度神经网络模型以得到多个训练生理深度特征向量和多个训练环境深度特征向量;训练数据时序变化模块,用于将所述多个训练生理深度特征向量和所述多个训练环境深度特征向量排列为训练生理全时序特征矩阵和训练环境全时序特征矩阵后分别通过所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到训练生理时序关联特征矩阵和训练环境时序关联特征矩阵,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同尺度的二维卷积核;训练数据特征融合模块,用于融合所述训练生理时序关联特征矩阵和所述训练环境时序关联特征矩阵以得到训练参数关联特征矩阵;优化模块,用于对所述训练参数关联特征矩阵进行特征分布优化以得到优化训练参数关联特征矩阵;训练关联编码模块,用于将所述优化训练参数关联特征矩阵通过所述作为过滤器的卷积神经网络模型以得到训练分类特征向量;分类损失模块,用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值;训练模块,用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述包含多个全连接层的深度神经网络模型、所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构、所述作为过滤器的卷积神经网络模型和所述分类器进行训练。
在上述基于智能穿戴设备的生命安全监测系统中,所述优化模块,包括:矩阵对角化单元,用于将所述训练参数关联特征矩阵转换为对角矩阵以得到参数关联对角矩阵;以及,矩阵优化单元,用于对所述参数关联对角矩阵进行本征单位化的逐位位移关联匹配优化以得到优化训练参数关联特征矩阵。
在上述基于智能穿戴设备的生命安全监测系统中,所述矩阵优化单元,用于:以如下强化公式对所述参数关联对角矩阵进行本征单位化的逐位位移关联匹配优化以得到所述优化训练参数关联特征矩阵;其中,所述强化公式为:
其中是所述参数关联对角矩阵,/>到/>是所述参数关联对角矩阵进行本征分解后得到的/>个本征值,/>为所述/>个本征值沿对角线排列所得到的本征单位化矩阵,且/>与/>都为对角矩阵,/>为所述本征单位化矩阵与所述参数关联对角矩阵之间的距离,/>表示矩阵乘法,/>表示矩阵加法,/>表示按位置点乘,/>为所述优化训练参数关联特征矩阵。
根据本申请的另一方面,提供了一种基于智能穿戴设备的生命安全监测方法,其包括:
获取由佩戴于待监测对象的智能可穿戴设备采集的预定时间段内多个预定时间点的生理参数数据和所述多个预定时间点的环境参数数据,其中,所述生理参数数据包括体温、运动状态、运动速度、心率、脉搏和血压,所述环境参数数据包括温度、湿度、气压、紫外线强度和有害气体浓度;
将所述各个预定时间点的生理参数数据和环境参数数据分别通过包含多个全连接层的深度神经网络模型以得到多个生理深度特征向量和多个环境深度特征向量;
将所述多个生理深度特征向量和所述多个环境深度特征向量排列为生理全时序特征矩阵和环境全时序特征矩阵后分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到生理时序关联特征矩阵和环境时序关联特征矩阵,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同尺度的二维卷积核;
融合所述生理时序关联特征矩阵和所述环境时序关联特征矩阵以得到参数关联特征矩阵;
将所述参数关联特征矩阵通过作为过滤器的卷积神经网络模型以得到分类特征向量;
将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测对象的生命健康状况是否良好。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于智能穿戴设备的生命安全监测方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于智能穿戴设备的生命安全监测方法。
与现有技术相比,本申请提供的一种基于智能穿戴设备的生命安全监测系统及其方法,其通过采用基于深度学习的神经网络模型挖掘出佩戴者生理参数数据的各个生理数据项的时序动态关联特征和环境参数数据的各个环境数据项的时序动态关联特征之间的关联性特征分布信息,以此来利用体外环境参数信息和人体生理参数信息之间的时序关联特征综合进行人体生命安全监测,以提高智能穿戴设备的生命安全监测的精准度。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于智能穿戴设备的生命安全监测系统的框图;
图2为根据本申请实施例的基于智能穿戴设备的生命安全监测系统的框图;
图3为根据本申请实施例的基于智能穿戴设备的生命安全监测系统中推断模块的系统架构图;
图4为根据本申请实施例的基于智能穿戴设备的生命安全监测系统中训练模块的系统架构图;
图5为根据本申请实施例的基于智能穿戴设备的生命安全监测系统中卷积神经网络编码的流程图;
图6为根据本申请实施例的基于智能穿戴设备的生命安全监测系统中优化模块的框图;
图7为根据本申请实施例的基于智能穿戴设备的生命安全监测方法的流程图;
图8为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前背景技术所言,目前,市面上的智能手环可以通过三轴加速传感器判断人运动的动作得到基础数据并将其结合佩戴人的个人体征信息,采用特定算法,得到针对个人的监测数据,如运动步数、距离和卡路里;同时也可以通过三轴加速传感器进行睡眠监测;通过光学传感器监测心率。但是,现有的智能手环在进行人体体征监测时,并没有考虑到周围环境对人体健康的影响,无法实时监测到佩戴人所处环境和其状况。因此,期望一种优化的基于智能穿戴设备的生命安全监测系统。
相应地,考虑到在实际进行人体体征监测时,为了提高对于佩戴者的生命安全监测的精准度,需要基于生理参数数据和环境参数数据来综合进行人体的生命体征监测。但是,由于生理参数信息包括体温、运动状态、运动速度、心率、脉搏和血压,环境参数信息包括温度、湿度、气压、紫外线强度和有害气体浓度,例如NH3、H2S和CO等。这些所述生理参数信息和所述环境参数信息不仅都在时间维度上有着动态性的变化规律,而且所述环境参数信息中的各个环境数据项之间具有着关联性关系,所述生理参数信息中的各个生理数据项间也是有关联的,并且所述环境参数信息和所述生理参数信息之间还存在着隐含的整体关联性。因此,在此过程中,难点在于如何挖掘出所述生理参数数据的各个生理数据项的时序动态关联特征和所述环境参数数据的各个环境数据项的时序动态关联特征之间的关联性特征分布信息,以此来利用体外环境参数信息和人体生理参数信息之间的时序关联特征综合进行人体生命安全监测,以提高智能穿戴设备的生命安全监测的精准度。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述生理参数数据的各个生理数据项的时序动态关联特征和所述环境参数数据的各个环境数据项的时序动态关联特征之间的关联性特征分布信息提供了新的解决思路和方案。本领域普通技术人员应知晓,基于深度学习的深度神经网络模型可以通过适当的训练策略,例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联,而这显然适合于模拟并挖掘所述生理参数数据的各个生理数据项的时序动态关联特征和所述环境参数数据的各个环境数据项的时序动态关联特征之间的关联性特征分布信息。
具体地,在本申请的技术方案中,首先,获取由佩戴于待监测对象的智能可穿戴设备采集的预定时间段内多个预定时间点的生理参数数据和所述多个预定时间点的环境参数数据,其中,所述生理参数数据包括体温、运动状态、运动速度、心率、脉搏和血压,所述环境参数数据包括温度、湿度、气压、紫外线强度和有害气体浓度。特别地,这里,所述有害气体浓度包括但不局限于NH3、H2S、CO、NO2和SO2。
然后,考虑到由于所述生理参数据中的各个生理数据项之间具有着关联关系,所述环境参数数据中的各个环境数据项之间也具有着关联关系,因此,为了能够提高对于待监测对象的生命健康状况监测的精准度,需要对于这种关联特征信息进行提取,以综合这些数据之间的关联特征来进行生命体征的准确检测。具体地,在本申请的技术方案中,将所述各个预定时间点的生理参数数据和环境参数数据分别通过包含多个全连接层的深度神经网络模型中进行特征提取,以提取出所述生理参数据中的各个生理数据项之间关联性特征分布信息以及所述环境参数数据中的各个环境数据项之间关联性特征分布信息,以得到多个生理深度特征向量和多个环境深度特征向量。
进一步地,对于所述生理参数数据来说,其中的各个生理数据项不仅具有着关联关系,而且在时间维度上还具有着动态性的变化特征信息。因此,在本申请的技术方案中,需要对于所述生理参数数据的各个生理数据项的时序动态关联特征进行充分地表达,以此来提高对于所述待监测对象的生理体征监测精准度。特别地,还考虑到由于所述生理参数数据的各个生理数据项的协同特征在不同的时间周期跨度下具有着不同的时序动态变化特征信息,因此,在本申请的技术方案中,将所述多个生理深度特征向量排列为生理全时序特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到生理时序关联特征矩阵。值得一提的是,这里,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同尺度的二维卷积核,这样,能够提取出所述生理参数数据的各个生理数据项的协同特征在不同时间跨度下的时序多尺度动态变化特征信息。
同样地,对于所述环境参数数据来说,也将所述多个环境深度特征向量排列为环境全时序特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到环境时序关联特征矩阵。特别地,这里,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同尺度的二维卷积核,以此来提取出所述环境参数数据的各个环境数据项的协同特征在不同时间跨度下的时序多尺度动态变化特征信息。
接着,进一步再融合所述生理时序关联特征矩阵和所述环境时序关联特征矩阵,以此来融合所述生理参数数据的各个生理数据项的协同特征的时序多尺度动态关联特征和所述环境参数数据的各个环境数据项的协同特征的时序多尺度动态关联特征,从而得到参数关联特征矩阵。
然后,还考虑到对于所述生理参数数据整体和所述环境参数数据整体来说,这两者之间在时间维度上也具有着时序的动态关联关系,也就是说,所述待监测对象的生命健康状况受到其生理体征时序变化信息和环境时序变化信息的共同影响。因此,在本申请的技术方案中,为了能够对于所述待监测对象的生命健康状况进行准确地检测分析,进一步将所述参数关联特征矩阵通过作为过滤器的卷积神经网络模型中进行特征挖掘,以提取出所述生理参数数据的时序多尺度动态变化特征和所述环境参数数据的时序多尺度动态变化特征的关联性特征分布信息,从而得到分类特征向量。
进一步地,将所述分类特征向量通过分类器中进行分类处理,以得到用于表示待监测对象的生命健康状况是否良好的分类结果。
也就是,在本申请的技术方案中,所述分类器的标签包括待监测对象的生命健康状况良好(第一标签),以及,待监测对象的生命健康状况较差(第二标签),其中,所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“待监测对象的生命健康状况是否良好”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2 之和为一。因此,待监测对象的生命健康状况是否良好的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“待监测对象的生命健康状况是否良好”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为待监测对象的生命健康状况是否良好的检测评估标签,因此,在得到所述分类结果后,可基于所述分类结果来对于待监测对象的生命健康状况进行准确地分析判断,以提高智能穿戴设备的生命安全监测的精准度。
特别地,在本申请的技术方案中,首先,这里,在融合所述生理时序关联特征矩阵和所述环境时序关联特征矩阵以得到参数关联特征矩阵时,考虑到归因于生理参数数据和环境参数数据所代表的异质数据在不同尺度的卷积核下的特征提取,所述生理时序关联特征矩阵和所述环境时序关联特征矩阵的整体特征分布之间的全局关联性较差,从而使得融合得到的所述参数关联特征矩阵的各个特征值之间的关联度低。这样,在模型的训练过程中,当梯度反向传播到所述参数关联特征矩阵时,其某些位于类目标域边缘的特征值会在被失配地约束在相反的优化方向,从而影响模型的训练效果。
因此,在本申请的技术方案中,优选地首先将所述参数关联特征矩阵转换为对角矩阵,例如记为,再对参数关联对角矩阵/>进行本征单位化的逐位位移关联匹配优化,优化后的参数关联特征矩阵/>表示为:
到/>是所述参数关联对角矩阵/>进行本征分解后得到的/>个本征值,/>为所述个本征值沿对角线排列所得到的本征单位化矩阵,其也为对角矩阵,/>为所述本征单位化矩阵/>与所述参数关联对角矩阵/>之间的距离。
也就是,通过基于所述参数关联对角矩阵的本征分解获得的所述本征单位化矩阵/>来对所述参数关联对角矩阵/>进行逐位位移关联,并以所述参数关联对角矩阵/>相对本征单位化空间内的投影距离来进行特征关联关系的匹配,可以解决模型参数在反向传播时由于特征的关联性分布弱而导致的优化方向的不匹配问题,避免优化后的参数关联特征矩阵/>的处于类目标域边缘的特征值被失配地约束在相反的优化方向,导致训练效果变差。这样,能够基于待监测对象的体外环境情况和人体生理体征情况来综合进行人体生命安全监测,以提高智能穿戴设备的生命安全监测的精准度。
基于此,本申请提出了一种基于智能穿戴设备的生命安全监测系统,其包括:数据采集模块,用于获取由佩戴于待监测对象的智能可穿戴设备采集的预定时间段内多个预定时间点的生理参数数据和所述多个预定时间点的环境参数数据,其中,所述生理参数数据包括体温、运动状态、运动速度、心率、脉搏和血压,所述环境参数数据包括温度、湿度、气压、紫外线强度和有害气体浓度;数据关联模块,用于将所述各个预定时间点的生理参数数据和环境参数数据分别通过包含多个全连接层的深度神经网络模型以得到多个生理深度特征向量和多个环境深度特征向量;数据时序变化模块,用于将所述多个生理深度特征向量和所述多个环境深度特征向量排列为生理全时序特征矩阵和环境全时序特征矩阵后分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到生理时序关联特征矩阵和环境时序关联特征矩阵,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同尺度的二维卷积核;数据特征融合模块,用于融合所述生理时序关联特征矩阵和所述环境时序关联特征矩阵以得到参数关联特征矩阵;关联编码模块,用于将所述参数关联特征矩阵通过作为过滤器的卷积神经网络模型以得到分类特征向量;健康监测模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测对象的生命健康状况是否良好。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1为根据本申请实施例的基于智能穿戴设备的生命安全监测系统的框图。如图1所示,根据本申请实施例的基于智能穿戴设备的生命安全监测系统300包括推断模块,其中,所述推断模块包括:数据采集模块310;数据关联模块320;数据时序变化模块330;数据特征融合模块340;关联编码模块350;健康监测模块360。
其中,所述数据采集模块310,用于获取由佩戴于待监测对象的智能可穿戴设备采集的预定时间段内多个预定时间点的生理参数数据和所述多个预定时间点的环境参数数据,其中,所述生理参数数据包括体温、运动状态、运动速度、心率、脉搏和血压,所述环境参数数据包括温度、湿度、气压、紫外线强度和有害气体浓度;所述数据关联模块320,用于将所述各个预定时间点的生理参数数据和环境参数数据分别通过包含多个全连接层的深度神经网络模型以得到多个生理深度特征向量和多个环境深度特征向量;所述数据时序变化模块330,用于将所述多个生理深度特征向量和所述多个环境深度特征向量排列为生理全时序特征矩阵和环境全时序特征矩阵后分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到生理时序关联特征矩阵和环境时序关联特征矩阵,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同尺度的二维卷积核;所述数据特征融合模块340,用于融合所述生理时序关联特征矩阵和所述环境时序关联特征矩阵以得到参数关联特征矩阵;所述关联编码模块350,用于将所述参数关联特征矩阵通过作为过滤器的卷积神经网络模型以得到分类特征向量;所述健康监测模块360,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测对象的生命健康状况是否良好。
图3为根据本申请实施例的基于智能穿戴设备的生命安全监测系统中推断模块的系统架构图。如图3所示,在所述基于智能穿戴设备的生命安全监测系统300的系统架构中,在推断过程中,首先通过所述数据采集模块310获取由佩戴于待监测对象的智能可穿戴设备采集的预定时间段内多个预定时间点的生理参数数据和所述多个预定时间点的环境参数数据,其中,所述生理参数数据包括体温、运动状态、运动速度、心率、脉搏和血压,所述环境参数数据包括温度、湿度、气压、紫外线强度和有害气体浓度;接着,所述数据关联模块320将所述数据采集模块310获取的各个预定时间点的生理参数数据和环境参数数据分别通过包含多个全连接层的深度神经网络模型以得到多个生理深度特征向量和多个环境深度特征向量;所述数据时序变化模块330将所述数据关联模块320得到的多个生理深度特征向量和所述多个环境深度特征向量排列为生理全时序特征矩阵和环境全时序特征矩阵后分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到生理时序关联特征矩阵和环境时序关联特征矩阵,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同尺度的二维卷积核;然后,所述数据特征融合模块340融合所述数据时序变化模块330得到的生理时序关联特征矩阵和所述环境时序关联特征矩阵以得到参数关联特征矩阵;所述关联编码模块350将所述数据特征融合模块340融合所得的参数关联特征矩阵通过作为过滤器的卷积神经网络模型以得到分类特征向量;进而,所述健康监测模块360将所述关联编码模块350得到的分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测对象的生命健康状况是否良好。
具体地,在所述基于智能穿戴设备的生命安全监测系统300的运行过程中,所述数据采集模块310,用于获取由佩戴于待监测对象的智能可穿戴设备采集的预定时间段内多个预定时间点的生理参数数据和所述多个预定时间点的环境参数数据,其中,所述生理参数数据包括体温、运动状态、运动速度、心率、脉搏和血压,所述环境参数数据包括温度、湿度、气压、紫外线强度和有害气体浓度。应可以理解,在实际进行人体体征监测时,为了提高对于佩戴者的生命安全监测的精准度,需要基于生理参数数据和环境参数数据来综合进行人体的生命体征监测。在一个示例中,所述生理参数信息包括体温、运动状态、运动速度、心率、脉搏和血压,所述环境参数信息包括温度、湿度、气压、紫外线强度和有害气体浓度。特别地,这里,所述有害气体浓度包括但不局限于NH3、H2S、CO、NO2和SO2。
具体地,在所述基于智能穿戴设备的生命安全监测系统300的运行过程中,所述数据关联模块320,用于将所述各个预定时间点的生理参数数据和环境参数数据分别通过包含多个全连接层的深度神经网络模型以得到多个生理深度特征向量和多个环境深度特征向量。考虑到由于所述生理参数据中的各个生理数据项之间具有着关联关系,所述环境参数数据中的各个环境数据项之间也具有着关联关系,因此,为了能够提高对于待监测对象的生命健康状况监测的精准度,需要对于这种关联特征信息进行提取,以综合这些数据之间的关联特征来进行生命体征的准确检测。具体地,在本申请的技术方案中,将所述各个预定时间点的生理参数数据和环境参数数据分别通过包含多个全连接层的深度神经网络模型中进行特征提取,以提取出所述生理参数据中的各个生理数据项之间关联性特征分布信息以及所述环境参数数据中的各个环境数据项之间关联性特征分布信息,以得到多个生理深度特征向量和多个环境深度特征向量。更具体地,在本申请的一个具体示例中,使用所述深度神经网络模型的全连接层以如下公式对所述各个预定时间点的生理参数数据进行全连接编码以得到所述多个生理深度特征向量,其中,所述公式为:,其中/>是所述各个预定时间点的生理参数数据,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵相乘;以及,使用所述深度神经网络模型的全连接层以如下公式对所述环境参数数据进行全连接编码以得到所述多个环境深度特征向量,其中,所述公式为:/>,其中/>是所述环境参数数据,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵相乘。
具体地,在所述基于智能穿戴设备的生命安全监测系统300的运行过程中,所述数据时序变化模块330,用于将所述多个生理深度特征向量和所述多个环境深度特征向量排列为生理全时序特征矩阵和环境全时序特征矩阵后分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到生理时序关联特征矩阵和环境时序关联特征矩阵,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同尺度的二维卷积核。考虑到环境参数数据和生理参数数据中各个生理数据项不仅具有着关联关系,而且在时间维度上还具有着动态性的变化特征信息因此,在本申请的技术方案中,需要对于所述生理参数数据的各个生理数据项的时序动态关联特征进行充分地表达,以此来提高对于所述待监测对象的生理体征监测精准度。特别地,还考虑到由于所述生理参数数据的各个生理数据项的协同特征在不同的时间周期跨度下具有着不同的时序动态变化特征信息,因此,在本申请的技术方案中,将所述多个生理深度特征向量排列为生理全时序特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到生理时序关联特征矩阵,以及,将所述多个环境深度特征向量排列为环境全时序特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到环境时序关联特征矩阵。值得一提的是,这里,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同尺度的二维卷积核,这样,能够提取出所述生理参数数据的各个生理数据项的协同特征在不同时间跨度下的时序多尺度动态变化特征信息,以及所述环境参数数据的各个环境数据项的协同特征在不同时间跨度下的时序多尺度动态变化特征信息。更具体地,使用所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行沿着通道维度的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构的最后一层的输出为所述生理时序关联特征矩阵和所述环境时序关联特征矩阵,所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构的第一层的输入为所述生理全时序特征矩阵和所述环境全时序特征矩阵。
具体地,在所述基于智能穿戴设备的生命安全监测系统300的运行过程中,所述数据特征融合模块340,用于融合所述生理时序关联特征矩阵和所述环境时序关联特征矩阵以得到参数关联特征矩阵。也就是,在得到所述生理时序关联特征矩阵和所述环境时序关联特征矩阵后,进一步将两者进行融合以此来融合所述生理参数数据的各个生理数据项的协同特征的时序多尺度动态关联特征和所述环境参数数据的各个环境数据项的协同特征的时序多尺度动态关联特征,从而得到参数关联特征矩阵。在本申请的一个具体示例中,可通过级联的方式来进行融合,更具体地,以如下公式来融合所述生理时序关联特征矩阵和所述环境时序关联特征矩阵以得到参数关联特征矩阵;其中,所述公式为:,其中,/>表示所述生理时序关联特征矩阵,/>表示所述环境时序关联特征矩阵,/>表示级联函数,/>表示所述参数关联特征矩阵。
具体地,在所述基于智能穿戴设备的生命安全监测系统300的运行过程中,所述关联编码模块350,用于将所述参数关联特征矩阵通过作为过滤器的卷积神经网络模型以得到分类特征向量。应可以理解,生理参数数据整体和环境参数数据在时间维度上也具有着时序的动态关联关系,也就是,所述待监测对象的生命健康状况受到其生理体征时序变化信息和环境时序变化信息的共同影响。因此,在本申请的技术方案中,为了能够对于所述待监测对象的生命健康状况进行准确地检测分析,进一步将所述参数关联特征矩阵通过作为过滤器的卷积神经网络模型中进行特征挖掘,以提取出所述生理参数数据的时序多尺度动态变化特征和所述环境参数数据的时序多尺度动态变化特征的关联性特征分布信息,从而得到分类特征向量。在一个具体示例中,所述卷积神经网络包括相互级联的多个神经网络层,其中各个神经网络层包括卷积层、池化层和激活层。其中,在所述卷积神经网络的编码过程中,所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图5为根据本申请实施例的基于智能穿戴设备的生命安全监测系统中卷积神经网络编码的流程图。如图5所示,在所述卷积神经网络的编码过程中,包括:使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:S210,对输入数据进行卷积处理以得到卷积特征图;S220,对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,S230,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为过滤器的卷积神经网络的最后一层的输出为所述分类特征向量,所述作为过滤器的卷积神经网络的第一层的输入为所述参数关联特征矩阵。
具体地,在所述基于智能穿戴设备的生命安全监测系统300的运行过程中,所述健康监测模块360,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测对象的生命健康状况是否良好。也就是,在本申请的技术方案中,将所述分类特征向量通过分类器以得到用于表示待监测对象的生命健康状况是否良好的分类结果,具体地,使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果,其中,所述公式为:,其中,/>到/>为权重矩阵,/>到/>为偏置向量,/>为分类特征向量。具体地,所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中,在所述分类器的分类处理中,使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量;进而,将所述编码分类特征向量输入所述分类器的Softmax层,即,使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。在本申请的技术方案中,所述分类器的标签包括待监测对象的生命健康状况良好(第一标签),以及,待监测对象的生命健康状况较差(第二标签),其中,所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“待监测对象的生命健康状况是否良好”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,待监测对象的生命健康状况是否良好的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“待监测对象的生命健康状况是否良好”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为待监测对象的生命健康状况是否良好的检测评估标签,因此,在得到所述分类结果后,可基于所述分类结果来对于待监测对象的生命健康状况进行准确地分析判断,以提高智能穿戴设备的生命安全监测的精准度。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述包含多个全连接层的深度神经网络模型、所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构、所述作为过滤器的卷积神经网络模型和所述分类器进行训练。也就是说,在本申请的基于智能穿戴设备的生命安全监测系统中,还包括训练模块,用于对所述包含多个全连接层的深度神经网络模型、所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构、所述作为过滤器的卷积神经网络模型和所述分类器进行训练。深度神经网络的训练大多采用反向传播算法,反向传播算法利用链式法则通过后面一层传来的误差来对当前层参数进行更新,这在网络很深的时候会遭遇梯度消失的问题,或者更广义地称为不稳定梯度问题。
图2为根据本申请实施例的基于智能穿戴设备的生命安全监测系统的框图。如图2所示,根据本申请实施例的基于智能穿戴设备的生命安全监测系统300,还包括训练模块400,所述训练模块包括:训练数据采集模块410;训练数据关联模块420;训练数据时序变化模块430;训练数据特征融合模块440;优化模块450;训练关联编码模块460;分类损失模块470;训练模块480。
其中,所述训练数据采集模块410,用于获取训练数据,所述训练数据包括预定时间段内多个预定时间点的训练生理参数数据和所述多个预定时间点的训练环境参数数据,以及,所述待监测对象的生命健康状况是否良好的真实值;所述训练数据关联模块420,用于将所述各个预定时间点的训练生理参数数据和训练环境参数数据分别通过所述包含多个全连接层的深度神经网络模型以得到多个训练生理深度特征向量和多个训练环境深度特征向量;所述训练数据时序变化模块430,用于将所述多个训练生理深度特征向量和所述多个训练环境深度特征向量排列为训练生理全时序特征矩阵和训练环境全时序特征矩阵后分别通过所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到训练生理时序关联特征矩阵和训练环境时序关联特征矩阵,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同尺度的二维卷积核;所述训练数据特征融合模块440,用于融合所述训练生理时序关联特征矩阵和所述训练环境时序关联特征矩阵以得到训练参数关联特征矩阵;所述优化模块450,用于对所述训练参数关联特征矩阵进行特征分布优化以得到优化训练参数关联特征矩阵;所述训练关联编码模块460,用于将所述优化训练参数关联特征矩阵通过所述作为过滤器的卷积神经网络模型以得到训练分类特征向量;所述分类损失模块470,用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值;所述训练模块480,用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述包含多个全连接层的深度神经网络模型、所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构、所述作为过滤器的卷积神经网络模型和所述分类器进行训练。
图4为根据本申请实施例的基于智能穿戴设备的生命安全监测系统中训练模块的系统架构图。如图4所示,在所述基于智能穿戴设备的生命安全监测系统300的系统架构中,在训练模块400中,首先通过所述训练数据采集模块410获取训练数据,所述训练数据包括预定时间段内多个预定时间点的训练生理参数数据和所述多个预定时间点的训练环境参数数据,以及,所述待监测对象的生命健康状况是否良好的真实值;接着,所述训练数据关联模块420将所述训练数据采集模块410获取的各个预定时间点的训练生理参数数据和训练环境参数数据分别通过所述包含多个全连接层的深度神经网络模型以得到多个训练生理深度特征向量和多个训练环境深度特征向量;所述训练数据时序变化模块430将所述训练数据关联模块420得到的多个训练生理深度特征向量和所述多个训练环境深度特征向量排列为训练生理全时序特征矩阵和训练环境全时序特征矩阵后分别通过所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到训练生理时序关联特征矩阵和训练环境时序关联特征矩阵,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同尺度的二维卷积核;所述训练数据特征融合模块440融合所述训练数据时序变化模块430得到的训练生理时序关联特征矩阵和所述训练环境时序关联特征矩阵以得到训练参数关联特征矩阵;然后,所述优化模块450对所述训练数据特征融合模块440融合所得的训练参数关联特征矩阵进行特征分布优化以得到优化训练参数关联特征矩阵;所述训练关联编码模块460将所述优化模块450得到的优化训练参数关联特征矩阵通过所述作为过滤器的卷积神经网络模型以得到训练分类特征向量;所述分类损失模块470将所述训练关联编码模块460得到的训练分类特征向量通过所述分类器以得到分类损失函数值;进而,所述训练模块480基于所述分类损失函数值并通过梯度下降的反向传播来对所述包含多个全连接层的深度神经网络模型、所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构、所述作为过滤器的卷积神经网络模型和所述分类器进行训练。
特别地,在本申请的技术方案中,首先,这里,在融合所述生理时序关联特征矩阵和所述环境时序关联特征矩阵以得到参数关联特征矩阵时,考虑到归因于生理参数数据和环境参数数据所代表的异质数据在不同尺度的卷积核下的特征提取,所述生理时序关联特征矩阵和所述环境时序关联特征矩阵的整体特征分布之间的全局关联性较差,从而使得融合得到的所述参数关联特征矩阵的各个特征值之间的关联度低。这样,在模型的训练过程中,当梯度反向传播到所述参数关联特征矩阵时,其某些位于类目标域边缘的特征值会在被失配地约束在相反的优化方向,从而影响模型的训练效果。因此,在本申请的技术方案中,优选地首先将所述参数关联特征矩阵转换为对角矩阵,例如记为,再对参数关联对角矩阵/>进行本征单位化的逐位位移关联匹配优化,优化后的参数关联特征矩阵/>表示为:
/>
其中是所述参数关联对角矩阵,/>到/>是所述参数关联对角矩阵进行本征分解后得到的/>个本征值,/>为所述/>个本征值沿对角线排列所得到的本征单位化矩阵,且/>与/>都为对角矩阵,/>为所述本征单位化矩阵与所述参数关联对角矩阵之间的距离,/>表示矩阵乘法,/>表示矩阵加法,/>表示按位置点乘,/>为所述优化训练参数关联特征矩阵。也就是,通过基于所述参数关联对角矩阵/>的本征分解获得的所述本征单位化矩阵/>来对所述参数关联对角矩阵/>进行逐位位移关联,并以所述参数关联对角矩阵/>相对本征单位化空间内的投影距离来进行特征关联关系的匹配,可以解决模型参数在反向传播时由于特征的关联性分布弱而导致的优化方向的不匹配问题,避免优化后的参数关联特征矩阵/>的处于类目标域边缘的特征值被失配地约束在相反的优化方向,导致训练效果变差。这样,能够基于待监测对象的体外环境情况和人体生理体征情况来综合进行人体生命安全监测,以提高智能穿戴设备的生命安全监测的精准度。
图6为根据本申请实施例的基于智能穿戴设备的生命安全监测系统中优化模块的框图。如图6所示,所述优化模块450,包括:矩阵对角化单元451,用于将所述训练参数关联特征矩阵转换为对角矩阵以得到参数关联对角矩阵;以及,矩阵优化单元452,用于对所述参数关联对角矩阵进行本征单位化的逐位位移关联匹配优化以得到优化训练参数关联特征矩阵。
综上,根据本申请实施例的基于智能穿戴设备的生命安全监测系统300被阐明,其通过采用基于深度学习的神经网络模型挖掘出佩戴者生理参数数据的各个生理数据项的时序动态关联特征和环境参数数据的各个环境数据项的时序动态关联特征之间的关联性特征分布信息,以此来利用体外环境参数信息和人体生理参数信息之间的时序关联特征综合进行人体生命安全监测,以提高智能穿戴设备的生命安全监测的精准度。
如上所述,根据本申请实施例的基于智能穿戴设备的生命安全监测系统可以实现在各种终端设备中。在一个示例中,根据本申请实施例的基于智能穿戴设备的生命安全监测系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于智能穿戴设备的生命安全监测系统300可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于智能穿戴设备的生命安全监测系统300同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于智能穿戴设备的生命安全监测系统300与该终端设备也可以是分立的设备,并且该基于智能穿戴设备的生命安全监测系统300可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图7为根据本申请实施例的基于智能穿戴设备的生命安全监测方法的流程图。如图7所示,根据本申请实施例的基于智能穿戴设备的生命安全监测方法,包括步骤:S110,获取由佩戴于待监测对象的智能可穿戴设备采集的预定时间段内多个预定时间点的生理参数数据和所述多个预定时间点的环境参数数据,其中,所述生理参数数据包括体温、运动状态、运动速度、心率、脉搏和血压,所述环境参数数据包括温度、湿度、气压、紫外线强度和有害气体浓度;S120,将所述各个预定时间点的生理参数数据和环境参数数据分别通过包含多个全连接层的深度神经网络模型以得到多个生理深度特征向量和多个环境深度特征向量;S130,将所述多个生理深度特征向量和所述多个环境深度特征向量排列为生理全时序特征矩阵和环境全时序特征矩阵后分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到生理时序关联特征矩阵和环境时序关联特征矩阵,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同尺度的二维卷积核;S140,融合所述生理时序关联特征矩阵和所述环境时序关联特征矩阵以得到参数关联特征矩阵;S150,将所述参数关联特征矩阵通过作为过滤器的卷积神经网络模型以得到分类特征向量;S160,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测对象的生命健康状况是否良好。
在一个示例中,在上述基于智能穿戴设备的生命安全监测方法中,所述步骤S120,包括:使用所述深度神经网络模型的全连接层以如下公式对所述各个预定时间点的生理参数数据进行全连接编码以得到所述多个生理深度特征向量,其中,所述公式为:,其中/>是所述各个预定时间点的生理参数数据,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵相乘;以及,使用所述深度神经网络模型的全连接层以如下公式对所述环境参数数据进行全连接编码以得到所述多个环境深度特征向量,其中,所述公式为:/>,其中/>是所述环境参数数据,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵相乘。
在一个示例中,在上述基于智能穿戴设备的生命安全监测方法中,所述步骤S130,包括:使用所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行沿着通道维度的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构的最后一层的输出为所述生理时序关联特征矩阵和所述环境时序关联特征矩阵,所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构的第一层的输入为所述生理全时序特征矩阵和所述环境全时序特征矩阵。
在一个示例中,在上述基于智能穿戴设备的生命安全监测方法中,所述步骤S140,包括:以如下公式来融合所述生理时序关联特征矩阵和所述环境时序关联特征矩阵以得到参数关联特征矩阵;其中,所述公式为:
其中,表示所述生理时序关联特征矩阵,/>表示所述环境时序关联特征矩阵,表示级联函数,/>表示所述参数关联特征矩阵。
在一个示例中,在上述基于智能穿戴设备的生命安全监测方法中,所述步骤S150,包括:使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为过滤器的卷积神经网络的最后一层的输出为所述分类特征向量,所述作为过滤器的卷积神经网络的第一层的输入为所述参数关联特征矩阵。
综上,根据本申请实施例的基于智能穿戴设备的生命安全监测方法被阐明,其通过采用基于深度学习的神经网络模型挖掘出佩戴者生理参数数据的各个生理数据项的时序动态关联特征和环境参数数据的各个环境数据项的时序动态关联特征之间的关联性特征分布信息,以此来利用体外环境参数信息和人体生理参数信息之间的时序关联特征综合进行人体生命安全监测,以提高智能穿戴设备的生命安全监测的精准度。
示例性电子设备
下面,参考图8来描述根据本申请实施例的电子设备。
图8图示了根据本申请实施例的电子设备的框图。
如图8所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的基于智能穿戴设备的生命安全监测系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如参数关联特征矩阵等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图8中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的基于智能穿戴设备的生命安全监测方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的基于智能穿戴设备的生命安全监测方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于智能穿戴设备的生命安全监测系统,其特征在于,包括:
数据采集模块,用于获取由佩戴于待监测对象的智能可穿戴设备采集的预定时间段内多个预定时间点的生理参数数据和所述多个预定时间点的环境参数数据,其中,所述生理参数数据包括体温、运动状态、运动速度、心率、脉搏和血压,所述环境参数数据包括温度、湿度、气压、紫外线强度和有害气体浓度;
数据关联模块,用于将所述各个预定时间点的生理参数数据和环境参数数据分别通过包含多个全连接层的深度神经网络模型以得到多个生理深度特征向量和多个环境深度特征向量;
数据时序变化模块,用于将所述多个生理深度特征向量和所述多个环境深度特征向量排列为生理全时序特征矩阵和环境全时序特征矩阵后分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到生理时序关联特征矩阵和环境时序关联特征矩阵,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同尺度的二维卷积核;
数据特征融合模块,用于融合所述生理时序关联特征矩阵和所述环境时序关联特征矩阵以得到参数关联特征矩阵;
关联编码模块,用于将所述参数关联特征矩阵通过作为过滤器的卷积神经网络模型以得到分类特征向量;
健康监测模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测对象的生命健康状况是否良好。
2. 根据权利要求1所述的基于智能穿戴设备的生命安全监测系统,其特征在于,所述数据关联模块,用于:
使用所述深度神经网络模型的全连接层以如下公式对所述各个预定时间点的生理参数数据进行全连接编码以得到所述多个生理深度特征向量,其中,所述公式为:,其中/>是所述各个预定时间点的生理参数数据,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵相乘;以及
使用所述深度神经网络模型的全连接层以如下公式对所述环境参数数据进行全连接编码以得到所述多个环境深度特征向量,其中,所述公式为:,其中/>是所述环境参数数据,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵相乘。
3.根据权利要求2所述的基于智能穿戴设备的生命安全监测系统,其特征在于,所述数据时序变化模块,用于:使用所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构的各层在层的正向传递中分别对输入数据进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行沿着通道维度的池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构的最后一层的输出为所述生理时序关联特征矩阵和所述环境时序关联特征矩阵,所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构的第一层的输入为所述生理全时序特征矩阵和所述环境全时序特征矩阵。
4.根据权利要求3所述的基于智能穿戴设备的生命安全监测系统,其特征在于,所述数据特征融合模块,用于:以如下公式来融合所述生理时序关联特征矩阵和所述环境时序关联特征矩阵以得到参数关联特征矩阵;
其中,所述公式为:
其中,表示所述生理时序关联特征矩阵,/>表示所述环境时序关联特征矩阵,表示级联函数,/>表示所述参数关联特征矩阵。
5.根据权利要求4所述的基于智能穿戴设备的生命安全监测系统,其特征在于,所述关联编码模块,用于:使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述作为过滤器的卷积神经网络的最后一层的输出为所述分类特征向量,所述作为过滤器的卷积神经网络的第一层的输入为所述参数关联特征矩阵。
6.根据权利要求5所述的基于智能穿戴设备的生命安全监测系统,其特征在于,还包括对所述包含多个全连接层的深度神经网络模型、所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构、所述作为过滤器的卷积神经网络模型和所述分类器进行训练的训练模块。
7.根据权利要求6所述的基于智能穿戴设备的生命安全监测系统,其特征在于,所述训练模块,包括:
训练数据采集模块,用于获取训练数据,所述训练数据包括预定时间段内多个预定时间点的训练生理参数数据和所述多个预定时间点的训练环境参数数据,以及,所述待监测对象的生命健康状况是否良好的真实值;
训练数据关联模块,用于将所述各个预定时间点的训练生理参数数据和训练环境参数数据分别通过所述包含多个全连接层的深度神经网络模型以得到多个训练生理深度特征向量和多个训练环境深度特征向量;
训练数据时序变化模块,用于将所述多个训练生理深度特征向量和所述多个训练环境深度特征向量排列为训练生理全时序特征矩阵和训练环境全时序特征矩阵后分别通过所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到训练生理时序关联特征矩阵和训练环境时序关联特征矩阵,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同尺度的二维卷积核;
训练数据特征融合模块,用于融合所述训练生理时序关联特征矩阵和所述训练环境时序关联特征矩阵以得到训练参数关联特征矩阵;
优化模块,用于对所述训练参数关联特征矩阵进行特征分布优化以得到优化训练参数关联特征矩阵;
训练关联编码模块,用于将所述优化训练参数关联特征矩阵通过所述作为过滤器的卷积神经网络模型以得到训练分类特征向量;
分类损失模块,用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值;
训练模块,用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述包含多个全连接层的深度神经网络模型、所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构、所述作为过滤器的卷积神经网络模型和所述分类器进行训练。
8. 根据权利要求7所述的基于智能穿戴设备的生命安全监测系统,其特征在于,所述优化模块,包括:
矩阵对角化单元,用于将所述训练参数关联特征矩阵转换为对角矩阵以得到参数关联对角矩阵;以及
矩阵优化单元,用于对所述参数关联对角矩阵进行本征单位化的逐位位移关联匹配优化以得到优化训练参数关联特征矩阵。
9.根据权利要求8所述的基于智能穿戴设备的生命安全监测系统,其特征在于,所述矩阵优化单元,用于:以如下强化公式对所述参数关联对角矩阵进行本征单位化的逐位位移关联匹配优化以得到所述优化训练参数关联特征矩阵;
其中,所述强化公式为:
其中是所述参数关联对角矩阵,/>到/>是所述参数关联对角矩阵进行本征分解后得到的/>个本征值,/>为所述/>个本征值沿对角线排列所得到的本征单位化矩阵,且/>与/>都为对角矩阵,/>为所述本征单位化矩阵与所述参数关联对角矩阵之间的距离,/>表示矩阵乘法,/>表示矩阵加法,/>表示按位置点乘,/>为所述优化训练参数关联特征矩阵。
10.一种基于智能穿戴设备的生命安全监测方法,其特征在于,包括:
获取由佩戴于待监测对象的智能可穿戴设备采集的预定时间段内多个预定时间点的生理参数数据和所述多个预定时间点的环境参数数据,其中,所述生理参数数据包括体温、运动状态、运动速度、心率、脉搏和血压,所述环境参数数据包括温度、湿度、气压、紫外线强度和有害气体浓度;
将所述各个预定时间点的生理参数数据和环境参数数据分别通过包含多个全连接层的深度神经网络模型以得到多个生理深度特征向量和多个环境深度特征向量;
将所述多个生理深度特征向量和所述多个环境深度特征向量排列为生理全时序特征矩阵和环境全时序特征矩阵后分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到生理时序关联特征矩阵和环境时序关联特征矩阵,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同尺度的二维卷积核;
融合所述生理时序关联特征矩阵和所述环境时序关联特征矩阵以得到参数关联特征矩阵;
将所述参数关联特征矩阵通过作为过滤器的卷积神经网络模型以得到分类特征向量;
将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监测对象的生命健康状况是否良好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310390822.4A CN116530952A (zh) | 2023-04-13 | 2023-04-13 | 基于智能穿戴设备的生命安全监测系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310390822.4A CN116530952A (zh) | 2023-04-13 | 2023-04-13 | 基于智能穿戴设备的生命安全监测系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116530952A true CN116530952A (zh) | 2023-08-04 |
Family
ID=87446033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310390822.4A Pending CN116530952A (zh) | 2023-04-13 | 2023-04-13 | 基于智能穿戴设备的生命安全监测系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116530952A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116844932A (zh) * | 2023-08-30 | 2023-10-03 | 西安天光测控技术有限公司 | 高温SiC离子注入系统及其方法 |
-
2023
- 2023-04-13 CN CN202310390822.4A patent/CN116530952A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116844932A (zh) * | 2023-08-30 | 2023-10-03 | 西安天光测控技术有限公司 | 高温SiC离子注入系统及其方法 |
CN116844932B (zh) * | 2023-08-30 | 2023-12-15 | 西安天光测控技术有限公司 | 高温SiC离子注入系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Varshini et al. | IoT-Enabled smart doors for monitoring body temperature and face mask detection | |
Kulikajevas et al. | Detection of sitting posture using hierarchical image composition and deep learning | |
US10943154B2 (en) | Systems for modeling uncertainty in multi-modal retrieval and methods thereof | |
CN111666477A (zh) | 一种数据处理方法、装置、智能设备及介质 | |
CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及系统 | |
CN111695596A (zh) | 一种用于图像处理的神经网络以及相关设备 | |
CN116092701B (zh) | 基于健康数据分析管理平台的控制系统及其方法 | |
CN116530952A (zh) | 基于智能穿戴设备的生命安全监测系统及其方法 | |
Xu et al. | Intelligent emotion detection method based on deep learning in medical and health data | |
CN117116498A (zh) | 移动查房数据处理系统及其方法 | |
CN117077075A (zh) | 用于环境保护的水质监测系统及其方法 | |
CN116759053A (zh) | 基于物联网系统的医疗体系防控方法及系统 | |
CN104766051B (zh) | 基于结构化的特征图的人体行为识别方法 | |
CN116503785A (zh) | 游泳馆监管系统及其方法 | |
CN117158923A (zh) | 基于元宇宙的居家养老远程监控方法 | |
Ding et al. | HAR-DeepConvLG: Hybrid deep learning-based model for human activity recognition in IoT applications | |
Ma et al. | A prediction method for transport stress in meat sheep based on GA-BPNN | |
CN111478742B (zh) | 一种sm4算法的分析方法、系统以及设备 | |
CN113345581A (zh) | 一种基于集成学习的脑卒中溶栓后出血概率预测方法 | |
CN116785967B (zh) | 用于电子级六氟磷酸锂制备的自动配料系统 | |
CN115862151B (zh) | 基于游戏预测老年人反应能力的数据处理系统及方法 | |
CN116975600A (zh) | 一种多尺度、多模态对比学习的生物医学时序信号应用算法 | |
CN116759047A (zh) | 用于血液透析的数据智能监控系统及其方法 | |
CN113855008A (zh) | 可穿戴式体液监测装置及其运行方法 | |
CN116935586B (zh) | 用于硝酸的制备的智能化有毒有害气体报警系统 |
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 |