CN116530979A - 基于震动传感器的监测装置 - Google Patents
基于震动传感器的监测装置 Download PDFInfo
- Publication number
- CN116530979A CN116530979A CN202310808036.1A CN202310808036A CN116530979A CN 116530979 A CN116530979 A CN 116530979A CN 202310808036 A CN202310808036 A CN 202310808036A CN 116530979 A CN116530979 A CN 116530979A
- Authority
- CN
- China
- Prior art keywords
- vibration
- vibration signal
- monitoring device
- vibration sensor
- storage segment
- 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
- 238000012806 monitoring device Methods 0.000 title claims abstract description 70
- 238000003860 storage Methods 0.000 claims abstract description 101
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000007619 statistical method Methods 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000033764 rhythmic process Effects 0.000 claims description 8
- 230000005059 dormancy Effects 0.000 claims description 4
- 230000001788 irregular Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 abstract description 6
- 238000007906 compression Methods 0.000 abstract description 6
- 238000013500 data storage Methods 0.000 abstract description 5
- 230000007774 longterm Effects 0.000 abstract description 4
- 230000036541 health Effects 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 10
- 230000035939 shock Effects 0.000 description 10
- 230000007958 sleep Effects 0.000 description 7
- 210000001519 tissue Anatomy 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000005311 autocorrelation function Methods 0.000 description 3
- 230000007850 degeneration Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000012567 pattern recognition method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010005963 Bone formation increased Diseases 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000013152 interventional procedure Methods 0.000 description 1
- 230000037231 joint health Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000007794 visualization technique Methods 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
- A61B5/103—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
- G06F3/0604—Improving or facilitating administration, e.g. storage management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
- G06F3/0638—Organizing or formatting or addressing of data
- G06F3/0644—Management of space entities, e.g. partitions, extents, pools
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/04—Constructional details of apparatus
- A61B2560/0475—Special features of memory means, e.g. removable memory cards
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Surgery (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Mathematical Physics (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本申请是关于一种基于震动传感器的监测装置，具体涉及健康监测技术领域。提供了一种基于震动传感器的监测装置，监测装置包括：震动传感器、存储系统，存储系统包括第一存储片段和第二存储片段，第一存储片段中预先存储有不同数值的震动信号作为基础典型值；震动传感器，用于监听目标对象所在环境中的震动信号作为第一震动信号；存储系统，用于读取第一震动信号，确定第一震动信号与基础典型值中的目标基础典型值之间的差值，并将差值存储在第二存储片段中，且在第二存储片段中记录差值与目标基础典型值之间的对应关系。基于上述技术方案，可以在实现长期的震动信号监测的同时，通过分段数据存储和对比压缩机制来减少震动信号的存储压力。
Description
技术领域
本申请涉及健康监测技术领域，具体涉及一种基于震动传感器的监测装置。
背景技术
随着人体的衰老或者不良生活习惯的影响，人体组织会逐渐退变，比如：关节退变，关节退变主要是指关节部位的骨质发生增生、老化的一种现象，即骨骼变老的现象。
在现有技术方案中，缺少可以及时发现和预防人体组织如关节退变的有效方法，只能通过定期体检实现，但由于体检症状多为后发性现象，因此对于疾病预防意义甚小。
发明内容
本申请提供了一种基于震动传感器的监测装置。该技术方案如下。
一方面，提供了一种基于震动传感器的监测装置，所述监测装置包括：震动传感器、存储系统，所述存储系统包括第一存储片段和第二存储片段，所述第一存储片段中预先存储有不同数值的震动信号作为基础典型值；
所述震动传感器，用于监听目标对象所在环境中的震动信号作为第一震动信号；
所述存储系统，用于读取所述第一震动信号，确定所述第一震动信号与所述基础典型值中的目标基础典型值之间的差值，并将所述差值存储在所述第二存储片段中，且在第二存储片段中记录差值与目标基础典型值之间的对应关系。
在一种可能的实现方式中，所述存储系统，用于将震动信号数据库中的标准震动信号作为所述第一存储片段中预先存储的基础典型值；
所述存储系统，用于读取监听到的第一震动信号，将与所述第一震动信号最为相似的基础典型值作为目标基础典型值，并确定所述第一震动信号与所述目标基础典型值之间的差值，将所述差值存储在所述第二存储片段中，且在所述第二存储片段中记录所述差值与所述目标基础典型值之间的对应关系。
在一种可能的实现方式中，所述存储系统，用于对震动信号数据库中的震动信号数据进行统计学分析，将统计学分析后得到的不同类型的震动信号作为所述第一存储片段中预先存储的基础典型值；
所述存储系统，用于读取监听到的第一震动信号，将所述第一震动信号进行统计学分析后所属的基础典型值作为目标基础典型值，并确定所述第一震动信号与所述目标基础典型值之间的差值，将所述差值存储在所述第二存储片段中，且在所述第二存储片段中记录所述差值与所述目标基础典型值之间的对应关系。
在一种可能的实现方式中，所述存储系统，用于使用震动信号训练集训练机器学习模型，将输出的不同类型的震动信号作为所述第一存储片段中预先存储的基础典型值；
所述存储系统，用于读取监听到的第一震动信号，将所述第一震动信号在所述机器学习模型后输出的分类结果对应的基础典型值作为目标基础典型值，并确定所述第一震动信号与所述目标基础典型值之间的差值，将所述差值存储在所述第二存储片段中，且在所述第二存储片段中记录所述差值与所述目标基础典型值之间的对应关系。
在一种可能的实现方式中，所述监测装置还包括：震动发生器；
所述震动发生器，用于发出第二震动信号；
所述震动传感器，用于监听所述震动发生器发出的第二震动信号以及所在环境中的第一震动信号，并检测共振增强现象。
在一种可能的实现方式中，所述监测装置设置有定期休眠机制，所述监测装置在进入工作状态达到第一预设时长后进入休眠状态。
在一种可能的实现方式中，所述监测装置在进入休眠状态达到第二预设时长后进入工作状态；
或，
所述监测装置在接收到唤醒事件的情况下，从休眠状态进入工作状态，所述唤醒事件包括如下中的至少一种：特定撞击节奏、不规律撞击节奏。
在一种可能的实现方式中，所述震动传感器的数量为多个，多个震动传感器中包括一个主震动传感器，以及剩余的一个或多个辅震动传感器；
其中，在所述监测装置处于工作状态时，所述主震动传感器处于监听模式，所述辅震动传感器在所述主震动传感器的启动下，才处于所述监听模式。
在一种可能的实现方式中，在监测到启动事件的情况下，所述主震动传感器启动所述辅震动传感器处于所述监听模式，所述启动事件包括如下中的至少一种：特定震动频率的震动信号、超过频率阈值的震动信号；
或，
在接收到外部的使能信号的情况下，所述主震动传感器启动所述辅震动传感器处于所述监听模式。
在一种可能的实现方式中，所述监测装置还包括：提示系统；
所述提示系统，用于在存储的所述第一震动信号属于异常震动信号的情况下，发出表征所述目标对象异常的提示信息。
本申请提供的技术方案可以包括以下有益效果：
通过震动传感器长期监测目标对象（如人体组织）所在环境中的震动信号，并将震动信号与存储系统中第一存储片段中的基础典型值进行差值计算，只对新增加的差值变量进行后续存储，存储到存储系统中的第二存储片段，从而在实现长期的震动信号监测的同时，通过分段数据存储和对比压缩机制来减少震动信号的存储压力。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的基于震动传感器的监测装置的示意图。
图2是根据一示例性实施例示出的对比压缩机制的示意图。
图3是根据一示例性实施例示出的基于震动传感器的监测装置的示意图。
图4是根据一示例性实施例示出的基于震动传感器的监测装置的示意图。
图5是根据一示例性实施例示出的基于震动传感器的监测装置的示意图。
具体实施方式
下面将结合附图对本申请的技术方案进行清楚、完整地描述，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。基于本申请中的实施例，本领域普通技术人员在没有做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。
在本申请的实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请的实施例。在本申请的实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“ 和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请的实施例中可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请的实施例的范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“ 如果”可以被解释成为“在…… 时”或“当…… 时”或“响应于确定”。
在现有技术方案中，缺少可以及时发现和预防人体组织如关节退变的有效方法，只能通过定期体检实现，但由于体检症状多为后发性现象，因此对于疾病预防意义甚小。
为了避免如上缺陷，在本申请实施例中，提出一种基于震动传感器的监测装置。下面，结合如下实施例，对本申请提供的技术方案进行进一步说明。
图1是根据一示例性实施例示出的基于震动传感器的监测装置的示意图。
如图1所示，监测装置包括：震动传感器、存储系统，存储系统包括第一存储片段和第二存储片段，第一存储片段中预先存储有不同数值的震动信号作为基础典型值；震动传感器，用于监听目标对象所在环境中的震动信号；存储系统，用于读取震动信号，确定震动信号与基础典型值之间的差值，并将差值存储在第二存储片段中，且在第二存储片段中记录差值与目标基础典型值之间的对应关系。
其中，震动传感器系统是通过震动反馈的方式，进行监测的一种系统。
其中，存储系统是对数据进行本地存储的一种系统。可以理解的是，通过有线数据通信连接，存储系统可以将存储到的数据进行设备回传。
其中，目标对象是监测装置所监测的对象。目标对象可以是人体组织，比如关节、骨骼、肌肉等部位。
在本申请实施例中，监测装置是一种不具备通信功能的、基于震动传感器的监测装置，通过震动传感器系统长期监测目标对象（如人体组织）的震动信号反馈，并可以通过存储系统在本地进行存储，实现数据长期留存和进一步分析，以实现对目标对象的长期监测。
在本申请实施例中，存储系统采用分段数据存储和对比压缩机制。示例性的，结合参考图2，将存储系统的所有存储空间分为第一存储片段和第二存储片段，其中的第一存储片段可以包括多个不同的基础典型值，当有新监听到的震动信号时，则将其与最接近的基础典型值进行差值计算，即只对新增加的差值变量进行后续存储，存储到第二存储片段，且在第二存储片段中记录差值与目标基础典型值之间的对应关系。通过分段数据存储和对比压缩，实现全震动信号的压缩存储。
可以理解的是，上述第一存储片段可以理解为是一种存储有基础典型值的常规数据存储片段，上述第二存储片段可以理解为是一种存储有差值的异常压缩片段。
可以理解的是，为了准确地还原出完整的震动信号，需要明确第二存储片段中的差值对应于第一存储片段中的何种基础典型值。因此，一种可能的方法是在存储第二存储片段时，同时记录每个差值与相应的基础典型值之间的对应关系。这样，在后续的数据读取和处理过程中，可以根据这些记录来恢复原始的震动信号，以确保在读取和还原数据时能够正确地匹配和处理每个残差信息。示例性的，可以通过设计数据结构或元数据来存储这些对应关系，以便在需要时进行检索和匹配。也就是说，第二存储片段中可以记录在第一存储片段中预先存储的基础典型值，从而基于基础典型值和差值还原出完整的震动信号。
在一种可能的实现方式中，存储系统，用于将震动信号数据库中的标准震动信号作为第一存储片段中预先存储的基础典型值；存储系统，用于读取监听到的第一震动信号，将与第一震动信号最为相似的基础典型值作为目标基础典型值，并确定第一震动信号与目标基础典型值之间的差值，将差值存储在第二存储片段中，且在第二存储片段中记录差值与目标基础典型值之间的对应关系。
其中，震动信号数据库可以包括在不同时间段目标对象所在环境中采集到的震动信号，或，在不同生理状态下目标对象所在环境中采集到的震动信号。
在本实现方式中，采用标准比对法进行分类：将新采集到的第一震动信号与已知的标准震动信号进行比对，找到与之最为相似的标准震动信号。这种方法需要预先准备好一些标准震动信号，通常是从已知的震动信号数据库中获取。标准比对法的精度和可靠性较高。
在一种可能的实现方式中，存储系统，用于对震动信号数据库中的震动信号数据进行统计学分析，将统计学分析后得到的不同类型的震动信号作为第一存储片段中预先存储的基础典型值；存储系统，用于读取监听到的第一震动信号，将第一震动信号进行统计学分析后所属的基础典型值作为目标基础典型值，并确定第一震动信号与目标基础典型值之间的差值，将差值存储在第二存储片段中，且在第二存储片段中记录差值与基础典型值之间的对应关系。
在本实现方式中，采用统计学方法进行分类：通过对震动信号数据进行统计学分析，如主成分分析、聚类分析等，将震动信号归为不同的类型。这种方法不需要预先准备非常多的标准震动信号，但对数据处理和算法选择有较高的要求。
在一种可能的实现方式中，存储系统，用于使用震动信号训练集训练机器学习模型，将输出的不同类型的震动信号作为第一存储片段中预先存储的基础典型值；存储系统，用于读取监听到的第一震动信号，将第一震动信号在机器学习模型后输出的分类结果对应的基础典型值作为目标基础典型值，并确定第一震动信号与目标基础典型值之间的差值，将差值存储在第二存储片段中，且在第二存储片段中记录差值与目标基础典型值之间的对应关系。
在本实现方式中，通过使用机器学习算法，如支持向量机、决策树等，对震动信号进行分类。这种方法需要先准备好训练数据集，使用训练数据来训练机器学习模型，再将新的震动信号输入模型进行分类。
可以理解的是，除了上述方法之外，还可以通过利用领域专家的知识和经验，建立专家系统，将新的震动信号输入系统中，由系统自动判断其所属的类型。这种方法通常需要较高的领域专家知识和经验，并且建立专家系统需要一定的时间和成本。
在一种可能的实现方式中，监测装置还包括：提示系统；提示系统，用于在存储的第一震动信号属于异常震动信号的情况下，发出表征目标对象异常的提示信息。
在本实现方式中，由于监测装置通过存储系统对监听到的震动信号进行本地存储，不具备通信功能，因此，监测装置通过提示系统实现异常状态的指示提示功能，在存储的震动信号属于异常震动信号的情况下，发出表征目标对象异常的提示信息，从而对监测装置的使用者进行告知和提示。
示例性的，异常震动信号包括但不限于低频噪声、异常撞击等，基于异常震动信号，可以判断目标对象内部是否发生器质性变化，以识别是否需要进行介入治疗。
示例性的，提升系统中包括指示灯，通过指示灯的颜色变化，告知使用者目标对象异常的提示信息。
示例性的，除了低频噪声、异常撞击之外，还有以下一些方向可以用来识别和区分异常震动信号：
（1）震动频率分析：将震动信号进行频谱分析，分析不同频率分量的幅值大小和分布情况，可以对震动类型进行初步区分。例如，某些设备的正常运行会产生固定频率的震动信号，如果发现频谱中存在非正常的频率分量，可能意味着设备存在故障或异常。
（2）统计特征分析：对震动信号进行时间序列分析，提取各种统计特征参数，如均值、标准差、峰值、峭度、偏度等等，可以用来刻画震动信号的不同特征，进而对震动类型进行分类。例如，某些设备的正常震动信号具有一定的周期性和规律性，而非正常震动信号则可能表现出较大的不规则性。
（3）模式识别方法：利用机器学习等模式识别技术，对震动信号进行分类。这种方法需要先准备好训练数据集，使用训练数据来训练模型，再将新的震动信号输入模型进行分类。模式识别方法需要充分考虑各种特征参数之间的相关性和重要性，以及如何选择合适的分类算法和模型。
（4）震动图像分析：将震动信号转化为震动图像，通过对震动图像进行分析和处理，可以提取出不同的特征参数，进而对震动类型进行分类。这种方法通常需要先进行信号处理和图像处理，然后再进行特征提取和分类。
可以理解的是，在实际应用中，可以结合多种方法进行综合判断和分类，以提高分类准确率和可靠性。
综上所述，本实施例所提供的基于震动传感器的监测装置，通过震动传感器长期监测目标对象（如人体组织）所在环境中的震动信号，并将震动信号与存储系统中第一存储片段中的基础典型值进行差值计算，只对新增加的差值变量进行后续存储，存储到存储系统中的第二存储片段，从而在实现长期的震动信号监测的同时，通过分段数据存储和对比压缩机制来减少震动信号的存储压力。
此外，监测装置中还可以包括提示系统，从而在存储的震动信号属于异常震动信号的情况下，对监测装置的使用者进行及时地告知和提示。在特殊情况下，可以只对出现异常情况的第一存储片段和第二存储片段进行记录。分析异常情况的意义在于，在常规情况下，可以不做冗余记录；只有出现异常情况时才会进行冗余记录。
在一个具体应用示例中，对震动信号进行统计学分析通常涉及以下过程：
数据采集：使用震动传感器或相关设备收集关节的震动信号。数据采集可以是实时的，也可以是离线的，取决于具体的应用场景和需求。
数据预处理：对采集到的原始震动信号进行预处理，以去除噪声、滤波和降低干扰。这可能包括信号平滑、滤波器应用、数据清洗等步骤，以确保信号质量。
特征提取：从预处理的震动信号中提取有用的统计特征。常见的特征包括时域特征（如均值、方差、最大值、最小值）、频域特征（如功率谱密度、频带能量）和时频域特征（如小波变换系数）。这些特征可以捕捉到信号的振动特征和动态变化。
数据分析：对提取的特征进行统计学分析。这可以包括计算各个特征的统计量，如平均值、标准差、偏度、峰度等。统计学分析可以帮助揭示数据的分布、趋势和相关性。
数据可视化：通过图表、图像或其他可视化手段展示分析结果，以便更好地理解数据的特征和趋势。常见的可视化方法包括直方图、折线图、散点图和箱线图等。
模式识别和异常检测：基于统计学分析的结果，可以构建模型或使用预定义的规则来识别正常和异常模式。这有助于检测异常震动信号或与特定疾病相关的特征。
解释和应用：根据分析结果和领域专业知识，解释震动信号的统计学特征，并将分析结果应用于具体的领域，如关节健康评估、疾病预防或治疗监测。
这些步骤仅概述了对震动信号进行统计学分析的一般过程。具体的分析方法和技术会因应用领域和目标而有所不同。在实际应用中，还需要根据数据的特点和目标制定合适的分析方案，并使用适当的统计学方法和工具来处理和分析数据。
对震动信号进行统计学分析时，可以使用多种统计量和相关公式。以下是一些常用的公式：
平均值（Mean）：平均值用于表示数据的集中趋势。
方差（Variance）：方差用于表示数据的离散程度。
标准差（Standard Deviation）：标准差是方差的平方根，用于衡量数据的离散程度。
偏度（Skewness）：偏度用于衡量数据分布的偏斜程度，正值表示右偏，负值表示左偏。
峰度（Kurtosis）：峰度用于衡量数据分布的峰态，正值表示尖峰，负值表示平顶。
自相关函数（Autocorrelation Function）： 自相关函数用于分析信号在不同时间延迟下的相关性，可以使用相关系数或相关系数图来表示。
在示意性实施例中，监测装置中还包括震动发生器，以通过共振现象实现更加准确的震动检测。
在一种可能的实现方式中，监测装置还包括：震动发生器；震动发生器，用于发出第二震动信号；震动传感器，用于监听震动发生器发出的第二震动信号以及所在环境中的第一震动信号，并检测共振增强现象。
在本实现方式中，震动发生器发出第二震动信号，当震动发生器的频率与目标对象的频率相一致时，会产生共振增强现象，此时震动传感器可以检测到某一特定频率的信号增强，以实现更精确的震动检测。示例性的，结合参考图3，将震动发生器和震动传感器进行组合，以实现更精确的震动检测。
更进一步的，震动发生器可以调整震动信号的频率，从低频至高频逐步提高震动频率范围，实现一定频率范围内的共振检测和震动信号的收集，从而实现简易化的震动信息。
综上所述，本实施例所提供的基于震动传感器的监测装置，监测装置中还包括震动发生器，震动传感器通过监听震动发生器发出的震动信号以及目标对象所在环境中的震动信号，判断是否有共振增强以实现更精确的震动检测。
在示意性实施例中，监测装置采用定期休眠机制，以节省电量。
在一种可能的实现方式中，监测装置设置有定期休眠机制，所述监测装置在进入工作状态达到第一预设时长后进入休眠状态。
在本实现方式中，监测装置通电后进入工作状态，开始监听目标对象所在环境中的震动信号，工作一段时间之后，进入休眠状态，在休眠状态下，监测装置中的全部或部分器件进行断电操作。
在一种可能的实现方式中，监测装置在进入休眠状态达到第二预设时长后进入工作状态；或，监测装置在接收到唤醒事件的情况下，从休眠状态进入工作状态，唤醒事件包括如下中的至少一种：特定撞击节奏、不规律撞击节奏。
在本实现方式中，监测装置在休眠状态时，支持定时恢复至工作状态，或者可以通过唤醒事件主动唤醒到工作状态。其中，唤醒事件可以是使用者通过特定撞击节奏主动触发的，比如连续撞击三次四次或五次，唤醒事件也可以是意外事故导致的，用于应急监测，比如异常的不规律撞击节奏。示例性的，结合参考图4，在外在撞击下，监测装置接收到唤醒事件，从而主动唤醒到工作状态。
综上所述，本实施例所提供的基于震动传感器的监测装置，监测装置采用定期休眠机制，并可以定时恢复至工作状态，或者通过唤醒事件主动唤醒到工作状态，从而节省整个监测装置的电量。
在示意性实施例中，监测装置中具备多个震动传感器，采用多震动传感器协作机制。
在一种可能的实现方式中，震动传感器的数量为多个，多个震动传感器中包括一个主震动传感器，以及剩余的一个或多个辅震动传感器；其中，在监测装置处于工作状态时，主震动传感器处于监听模式，辅震动传感器在主震动传感器的启动下，才处于监听模式。
在本实现方式中，在监测装置中具备多个震动传感器的情况下，将其中的一个震动传感器设置为主震动传感器，其余的震动传感器为辅震动传感器，且在监测装置中，主要由主震动传感器处于监听模式，仅在需要更深层次的监测的情况下，由主震动传感器启动辅震动传感器，将震动传感器设置为监听模式。示例性的，结合参考图5，监测装置中包括一个主震动传感器以及两个辅震动传感器，且辅震动传感器与主震动传感器之间存在通信连接，辅震动传感器可以在主震动传感器的启动下，切换为监听模式。
在一种可能的实现方式中，在监测到启动事件的情况下，主震动传感器启动辅震动传感器处于监听模式，启动事件包括如下中的至少一种：特定震动频率的震动信号、超过频率阈值的震动信号；或，在接收到外部的使能信号的情况下，主震动传感器启动辅震动传感器处于监听模式。
在本实现方式中，主震动传感器可以在监听到启动事件时，或者外部设置使能时，启动辅震动传感器处于监听模式。其中，启动事件可以是特定震动频率的震动信号，也可以是超过频率阈值的震动信号，也即剧烈震动。
综上所述，本实施例所提供的基于震动传感器的监测装置，监测装置采用多震动传感器协作机制，在提高监测准确度的同时可以尽量节省监测装置的电量。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (9)
1.一种基于震动传感器的监测装置，其特征在于，所述监测装置包括：震动传感器、存储系统，所述存储系统包括第一存储片段和第二存储片段，所述第一存储片段中预先存储有不同数值的震动信号作为基础典型值；
所述震动传感器，用于监听目标对象所在环境中的震动信号作为第一震动信号；
所述存储系统，用于读取所述第一震动信号，确定所述第一震动信号与所述基础典型值中的目标基础典型值之间的差值，并将所述差值存储在所述第二存储片段中，且在所述第二存储片段中记录所述差值与所述目标基础典型值之间的对应关系；
其中，所述存储系统，还用于将震动信号数据库中的标准震动信号作为所述第一存储片段中预先存储的基础典型值；
所述存储系统，还用于读取监听到的第一震动信号，将与所述第一震动信号最为相似的基础典型值作为目标基础典型值，并确定所述第一震动信号与所述目标基础典型值之间的差值，将所述差值存储在所述第二存储片段中，且在所述第二存储片段中记录所述差值与所述目标基础典型值之间的对应关系；其中，所述第二存储片段中包含所述第一存储片段中预先存储的基础典型值。
2.根据权利要求1所述的基于震动传感器的监测装置，其特征在于，
所述存储系统，用于对震动信号数据库中的震动信号数据进行统计学分析，将统计学分析后得到的不同类型的震动信号作为所述第一存储片段中预先存储的基础典型值；
所述存储系统，用于读取监听到的第一震动信号，将所述第一震动信号进行统计学分析后所属的基础典型值作为目标基础典型值，并确定所述第一震动信号与所述目标基础典型值之间的差值，将所述差值存储在所述第二存储片段中，且在所述第二存储片段中记录所述差值与所述目标基础典型值之间的对应关系。
3.根据权利要求1所述的基于震动传感器的监测装置，其特征在于，
所述存储系统，用于使用震动信号训练集训练机器学习模型，将输出的不同类型的震动信号作为所述第一存储片段中预先存储的基础典型值；
所述存储系统，用于读取监听到的第一震动信号，将所述第一震动信号在所述机器学习模型后输出的分类结果对应的基础典型值作为目标基础典型值，并确定所述第一震动信号与所述目标基础典型值之间的差值，将所述差值存储在所述第二存储片段中，且在所述第二存储片段中记录所述差值与所述目标基础典型值之间的对应关系。
4.根据权利要求1至3任一所述的基于震动传感器的监测装置，其特征在于，所述监测装置还包括：震动发生器；
所述震动发生器，用于发出第二震动信号；
所述震动传感器，用于监听所述震动发生器发出的第二震动信号以及所在环境中的第一震动信号，并检测共振增强现象。
5.根据权利要求1至3任一所述的基于震动传感器的监测装置，其特征在于，
所述监测装置设置有定期休眠机制，所述监测装置在进入工作状态达到第一预设时长后进入休眠状态。
6.根据权利要求4所述的基于震动传感器的监测装置，其特征在于，
所述监测装置在进入休眠状态达到第二预设时长后进入工作状态；
或，
所述监测装置在接收到唤醒事件的情况下，从休眠状态进入工作状态，所述唤醒事件包括如下中的至少一种：特定撞击节奏、不规律撞击节奏。
7.根据权利要求1至3任一所述的基于震动传感器的监测装置，其特征在于，所述震动传感器的数量为多个，多个震动传感器中包括一个主震动传感器，以及剩余的一个或多个辅震动传感器；
其中，在所述监测装置处于工作状态时，所述主震动传感器处于监听模式，所述辅震动传感器在所述主震动传感器的启动下，才处于所述监听模式。
8.根据权利要求7所述的基于震动传感器的监测装置，其特征在于，
在监测到启动事件的情况下，所述主震动传感器启动所述辅震动传感器处于所述监听模式，所述启动事件包括如下中的至少一种：特定震动频率的震动信号、超过频率阈值的震动信号；
或，
在接收到外部的使能信号的情况下，所述主震动传感器启动所述辅震动传感器处于所述监听模式。
9.根据权利要求1至3任一所述的基于震动传感器的监测装置，其特征在于，所述监测装置还包括：提示系统；
所述提示系统，用于在存储的所述第一震动信号属于异常震动信号的情况下，发出表征所述目标对象异常的提示信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310808036.1A CN116530979B (zh) | 2023-07-04 | 2023-07-04 | 基于震动传感器的监测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310808036.1A CN116530979B (zh) | 2023-07-04 | 2023-07-04 | 基于震动传感器的监测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116530979A true CN116530979A (zh) | 2023-08-04 |
| CN116530979B CN116530979B (zh) | 2023-10-17 |
Family
ID=87449154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310808036.1A Active CN116530979B (zh) | 2023-07-04 | 2023-07-04 | 基于震动传感器的监测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116530979B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018151228A (ja) * | 2017-03-13 | 2018-09-27 | 京セラ株式会社 | 記録装置、センサ装置および記録用プログラム |
| CN113645901A (zh) * | 2019-03-27 | 2021-11-12 | 皇家飞利浦有限公司 | 评估肌肉疲劳 |
| WO2022040353A2 (en) * | 2020-08-18 | 2022-02-24 | Level 42 Ai Inc. | Sensor systems and methods for characterizing health conditions |
| US20220287651A1 (en) * | 2019-08-14 | 2022-09-15 | Moten Technologies | Method and system for analyzing biomechanical activity and exposure to a biomechanical risk factor on a human subject in a context of physical activity |
| WO2023092256A1 (zh) * | 2021-11-23 | 2023-06-01 | 华为技术有限公司 | 一种视频编码方法及其相关装置 |
-
2023
- 2023-07-04 CN CN202310808036.1A patent/CN116530979B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018151228A (ja) * | 2017-03-13 | 2018-09-27 | 京セラ株式会社 | 記録装置、センサ装置および記録用プログラム |
| CN113645901A (zh) * | 2019-03-27 | 2021-11-12 | 皇家飞利浦有限公司 | 评估肌肉疲劳 |
| US20220287651A1 (en) * | 2019-08-14 | 2022-09-15 | Moten Technologies | Method and system for analyzing biomechanical activity and exposure to a biomechanical risk factor on a human subject in a context of physical activity |
| WO2022040353A2 (en) * | 2020-08-18 | 2022-02-24 | Level 42 Ai Inc. | Sensor systems and methods for characterizing health conditions |
| WO2023092256A1 (zh) * | 2021-11-23 | 2023-06-01 | 华为技术有限公司 | 一种视频编码方法及其相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116530979B (zh) | 2023-10-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20240023886A1 (en) | Noninvasive method and system for sleep apnea detection | |
| US8568330B2 (en) | Composite human physiological stress index based on heart beat and sleep and/or activity history data including actigraphy | |
| CN102316792B (zh) | 用于自动获取和存档临床上有意义的体征的系统和方法 | |
| JP5628147B2 (ja) | 睡眠／覚醒状態評価方法及びシステム | |
| US8781753B2 (en) | System and method for evaluating physiological parameter data | |
| US9357953B2 (en) | System and method for diagnosing sleep apnea | |
| Mei et al. | Automatic atrial fibrillation detection based on heart rate variability and spectral features | |
| EP2688468A1 (en) | Apparatus and method for measuring physiological signal quality | |
| WO2006036298A1 (en) | System for compression of physiological signals | |
| TW201336475A (zh) | 擁有即時學習機制之癲癇發作預測方法、模組及裝置 | |
| CN116194044A (zh) | 用于分析心律的方法和系统 | |
| Lee et al. | A real-time abnormal beat detection method using a template cluster for the ECG diagnosis of IoT devices | |
| CN113080897B (zh) | 一种基于生理和环境数据分析的入睡时刻评估系统及方法 | |
| US8073218B2 (en) | Method for detecting bio signal features in the presence of noise | |
| CN116530979B (zh) | 基于震动传感器的监测装置 | |
| Bali et al. | Performance comparison of ANN classifiers for sleep apnea detection based on ECG signal analysis using hilbert transform | |
| CN116849630A (zh) | 一种体征监测及调节方法、装置、设备和存储介质 | |
| CN204246115U (zh) | 一种生理信息采集和处理装置 | |
| Boon et al. | Ventricular tachyarrhythmia prediction based on heart rate variability and genetic algorithm | |
| Lek-uthai et al. | Development of a cost-effective ECG monitor for cardiac arrhythmia detection using heart rate variability | |
| KR102673765B1 (ko) | 다중 환자별 맞춤형 심전도 판독 장치 | |
| AU2021101272A4 (en) | An artificial intelligence based heart rate monitoring system for sports training | |
| CN117224098B (zh) | 一种心率变异性的评估方法、系统、设备及存储介质 | |
| JP2019047979A (ja) | 精神神経状態を判別する指標の作成方法および作成装置 | |
| CN113974647B (zh) | 重构心源性猝死风险因子的系统及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |