CN117224095B - 一种基于智能手表健康监测方法及系统 - Google Patents
一种基于智能手表健康监测方法及系统 Download PDFInfo
- Publication number
- CN117224095B CN117224095B CN202311519835.3A CN202311519835A CN117224095B CN 117224095 B CN117224095 B CN 117224095B CN 202311519835 A CN202311519835 A CN 202311519835A CN 117224095 B CN117224095 B CN 117224095B
- Authority
- CN
- China
- Prior art keywords
- skin
- filter
- parameter
- physiological signal
- type
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000036541 health Effects 0.000 title claims abstract description 23
- 230000036555 skin type Effects 0.000 claims abstract description 138
- 238000012937 correction Methods 0.000 claims abstract description 67
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 238000013507 mapping Methods 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 230000035515 penetration Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000029058 respiratory gaseous exchange Effects 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于智能手表健康监测方法及系统。步骤包括：通过微波雷达传感器采集对用户的反射数据，根据反射数据并运用皮肤特性提取器及皮肤类型分类器进行分类识别获取用户的皮肤类型，再根据用户的皮肤类型并结合待监测的目标生理信号的组合对滤波器类型进行选取及对滤波器参数及校正参数进行自适应调整，再进行滤波及校正得到目标生理信号，本发明根据用户的皮肤类型及目标生理信号的组合特性，来选择最优的滤波器类型及参数组合，从而达到很好的监测效果，这种自适应的定制滤波及校正方式不仅可以提高监测的特异性，确保只有感兴趣的频率成分被提取出来，还能减少皮肤类型的干扰影响，显著提高对生理信号监测的准确性。
Description
技术领域
本发明属于健康监测技术领域，尤其涉及一种基于智能手表健康监测方法及系统。
背景技术
智能手表是一种便携式设备，与传统医疗设备不同，智能手表搭载微波雷达传感器可以实现连续性监测，用户可以佩戴它们在身上，随时随地进行监测，不受时间和地点的限制，这使得监测更加方便，用户可以持续监测自己的健康状况。
由于微波雷达传感器技术的非侵入性，监测时无需采集样本或使用传统的生理监测设备，能给用户带来很大的便利。但微波雷达传感器的监测效果也由于其非侵入性特点，容易受到一些外界因素的干扰影响，尤其会受到手表穿戴者皮肤的影响，用户皮肤的光暗程度（肤色）对微波雷达信号的吸收和散射性质会产生显著影响，其中，较暗的皮肤通常吸收微波信号更多，导致微波信号不能深入皮肤组织，监测深度有限，从而使得心率监测或其他生理参数的准确性下降；而较光的皮肤通常会引起微波信号的强烈散射，导致信号噪音增加，使得监测结果不稳定或不准确。因此，为了提高基于微波雷达传感器的智能手表的监测准确性，我们需要克服与智能手表直接接触的皮肤类型带来的干扰影响。
发明内容
本发明提供一种基于智能手表健康监测方法及系统，旨在解决上述背景技术提到的问题。
本发明是这样实现的，提供一种基于智能手表健康监测方法，智能手表中集成有微波雷达传感器，步骤包括：
通过微波雷达传感器采集目标用户皮肤的反射数据，并对采集到的反射数据进行预处理；
将预处理后的反射数据输入皮肤特性提取器，以通过皮肤特性提取器的卷积层执行卷积操作以提取特征图，再通过池化层降低特征图的空间维度，以保留重要的皮肤特性信息，并将降维后的特征图映射到输出层，得到皮肤特性特征向量；
将皮肤特性特征向量输入皮肤类型分类器中，以通过皮肤类型分类器对目标用户的皮肤类型进行分类，得到每种皮肤类型的分类概率，并将具有最高概率的皮肤类型定为目标用户的皮肤类型；
基于目标用户的皮肤类型及目标生理信号的组合，选取滤波器类型及参数组合，并根据参数组合对选取的滤波器的参数及校正参数进行自适应调整，以通过调整后的滤波器及校正参数对反射数据中除目标生理信号以外的其他信号进行滤除及校正处理，得到目标生理信号；
对目标生理信号运用信号处理算法进行计算以得到目标生理参数。
更进一步的，所述基于目标用户的皮肤类型及目标生理信号的组合，选取滤波器类型及参数组合，并根据参数组合对选取的滤波器的参数及校正参数进行自适应调整，以通过调整后的滤波器及校正参数对反射数据中除目标生理信号以外的其他信号进行滤除及校正处理，得到目标生理信号的步骤前还包括：
定义各个生理信号的标签及各种皮肤类型的标签，对各个生理信号与各种皮肤类型进行分组及分配唯一标识码，并根据分配的唯一标识码创建标签映射表，其中，标签映射表中包含各皮肤类型标签、各生理信号标签、各个生理信号与各种皮肤类型组合对应的唯一标识码、及其对应关系；
将各个生理信号与各种皮肤类型组合分配的唯一标识码与各个滤波器类型及参数组合关联起来并创建参数映射表，其中，参数映射表中包含各个生理信号与各种皮肤类型组合对应的唯一标识码、各个滤波器类型、各个参数组合的参数明细、及其对应关系，参数组合包含滤波器截止频率、阶数、窗口函数和滤波后的校正参数，校正参数包括校正幅度和校正相位。
更进一步的，所述基于目标用户的皮肤类型及目标生理信号的组合，选取滤波器类型及参数组合，并根据参数组合对选取的滤波器的参数及校正参数进行自适应调整，以通过调整后的滤波器及校正参数对反射数据中除目标生理信号以外的其他信号进行滤除及校正处理，得到目标生理信号的步骤包括：
根据目标用户的皮肤类型标签及目标生理信号标签的组合，从标签映射表中查找获取与目标用户的皮肤类型及目标生理信号标签组合对应的唯一标识码；
并根据唯一标识码从参数映射表中查找与唯一标识码对应的滤波器类型及参数组合；
根据查找获取的滤波器类型，调取匹配类型的滤波器，并根据查找获取的参数组合对调取的滤波器的参数进行调整；
通过调整后的滤波器对预处理后的反射数据进行滤波，以滤除非目标生理信号，保留目标生理信号，滤波操作公式为：Y(t)=X(t)H(t，Θ)，其中，Y(t)是滤波后的信号，X(t)是反射数据，H(t，Θ)是滤波器的响应，Θ是调整后的滤波器参数；
根据调整后的校正参数对滤波后的目标生理信号的幅度及相位进行校正处理，校正公式为：Ycorrected(t)=a⋅Y(t−τ)，其中，Ycorrected(t)是校正后的信号，a是调整后的幅度校正参数，τ是调整后的相位校正参数，表示延迟。
更进一步的，所述通过皮肤特性提取器的卷积层执行卷积操作以提取特征图的步骤包括：
通过卷积层的多个卷积核滑动在输入的反射数据上执行卷积操作，以捕捉输入数据的局部特征，其中，每个卷积核生成一个特征图，
对于每个卷积核，卷积操作公式为：
F(i，j)=∑m∑nI(i+m，j+n)⋅K(m，n)，
其中，F(i，j)是特征图中的一个像素值，i和j分别表示特征图中的像素的行和列索引，I(i+m，j+n)是反射数据中的像素值，K(m，n)是卷积核的权重，m和n分别表示卷积核内的权重的行和列索引。
更进一步的，所述通过皮肤类型分类器对目标用户的皮肤类型进行分类，得到每种皮肤类型的分类概率的步骤包括：
在多皮肤类别的分类中，通过softmax函数对每种皮肤类别的概率进行计算，计算公式为：，其中，x为目标用户的皮肤特性特征向量，r和s为皮肤类型的索引，r=1、2、…、K，s=1、2、…、K，K 为皮肤类别的总数，wr和br为与皮肤类别r相关的权重和偏差，ws和bs为与皮肤类别s相关的权重和偏差。
更进一步的，所述对目标生理信号运用信号处理算法进行计算以得到目标生理参数的步骤包括：
若目标生理信号为心跳信号，对心跳信号进行一次求导，以增强R波的斜率；
通过遍历心跳信号并检测超过阈值的点，识别峰值并确定为R峰；
测量相邻两个R峰之间的时间间隔，设为R-R间期；
根据R-R间期确定心跳周期；
将心跳周期转换为心率，心率=60000/平均心跳周期，心率表示每分钟的心跳数。
本发明还提供一种基于智能手表健康监测系统，用于执行基于智能手表健康监测方法，智能手表中集成有微波雷达传感器，包括：
采集模块：用于通过微波雷达传感器采集目标用户皮肤的反射数据，并对采集到的反射数据进行预处理；
提取模块：用于将预处理后的反射数据输入皮肤特性提取器，以通过皮肤特性提取器的卷积层执行卷积操作以提取特征图，再通过池化层降低特征图的空间维度，以保留重要的皮肤特性信息，并将降维后的特征图映射到输出层，得到皮肤特性特征向量；
分类模块：用于将皮肤特性特征向量输入皮肤类型分类器中，以通过皮肤类型分类器对目标用户的皮肤类型进行分类，得到每种皮肤类型的分类概率，并将具有最高概率的皮肤类型定为目标用户的皮肤类型；
参数调整模块：用于基于目标用户的皮肤类型及目标生理信号的组合，选取滤波器类型及参数组合，并根据参数组合对选取的滤波器的参数及校正参数进行自适应调整，以通过调整后的滤波器及校正参数对反射数据中除目标生理信号以外的其他信号进行滤除及校正处理，得到目标生理信号；
计算模块：用于对目标生理信号运用信号处理算法进行计算以得到目标生理参数。
本发明的有益效果在于，与现有技术相比，本发明的基于智能手表健康监测方法及系统，根据微波雷达传感器实时获取的反射数据并运用皮肤特性提取器及皮肤类型分类器进行分类识别获取用户的皮肤类型，再根据用户的皮肤类型并结合待监测的目标生理信号的频率范围对滤波器类型进行选取及对滤波器参数及校正参数进行自适应调整，再通过调整后的滤波器及校正参数进行滤波及校正得到目标生理信号，本发明根据用户的皮肤类型及监测目标（目标生理信号）的组合特性，来选择最优的滤波器类型及参数组合，从而达到很好的监测效果，这种自适应的定制滤波及校正方式不仅可以提高监测的特异性，确保只有感兴趣的频率成分被提取出来，还能减少皮肤类型的干扰影响，显著提高对生理信号监测的准确性。
其中，通过滤波降低皮肤干扰，对于较暗皮肤的信号吸收影响，可以选用更强的低通滤波器，以滤除噪音和增强信号穿透深度，还可以采用较高的滤波器功率和适当的频率，以增加信号的穿透深度；而对于较光皮肤的散射影响，可以选用带通滤波器，以更好地处理散射信号，还可以采用较低的功率和更适合散射的频率。
再通过校正可以进一步确保监测结果与实际生理参数之间的一致性。如不同的皮肤特性会对信号的幅度产生影响、导致信号的相位偏移，通过校正信号的幅度和相位，可以更准确的获取生理信号的相关特征。
附图说明
图1是本发明提供的基于智能手表健康监测方法的流程示意图；
图2是本发明提供的基于智能手表健康监测系统的系统框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例一
参考图1，实施例一提供一种基于智能手表健康监测方法，智能手表中集成有微波雷达传感器，包括步骤S101~S105：
S101，通过微波雷达传感器采集目标用户皮肤的反射数据，并对采集到的反射数据进行预处理。
需要说明的是，反射数据包含了来自用户皮肤的微波信号，这些信号可以用于提取生理参数，如心率、呼吸频率或体温。在采集到反射数据之后，进行预处理是为了准备数据以便后续的分析和特征提取。
微波雷达传感器通过发射微波信号并测量其在目标皮肤上的反射来获得数据，这些数据通常包括反射信号的强度、时间延迟和相位信息。
预处理的目标是确保采集到的反射数据是干净、准确并且适合用于后续分析，以获得最终的生理参数。
S102，将预处理后的反射数据输入皮肤特性提取器，以通过皮肤特性提取器的卷积层执行卷积操作以提取特征图，再通过池化层降低特征图的空间维度，以保留重要的皮肤特性信息，并将降维后的特征图映射到输出层，得到皮肤特性特征向量。
需要说明的是，该步骤是为了将预处理后的反射数据转化为抽象的皮肤特性特征，以便后续的皮肤类型分类和更精确的生理参数提取，涉及到卷积神经网络（CNN）的使用，CNN是深度学习领域中用于图像和信号处理的有效工具。
输入数据是经过预处理的反射数据，是一个多维矩阵，其中包含了来自微波雷达传感器的信号信息，这些数据可以包含多个通道，每个通道对应不同的传感器特性或反射特性。
在卷积层中，卷积神经网络使用一组卷积核来滑动并执行卷积操作，以提取特征。每个卷积核都是一个小的窗口，它在输入的反射数据上滑动，执行卷积运算，卷积操作通过对输入数据的局部区域进行加权求和，从而生成一个特征图，这个特征图捕捉了不同位置的特征信息，例如边缘、纹理等。卷积核的权重是需要学习的参数，它们用于提取数据中的有用特征。
在每个卷积操作后，通常会应用一个非线性激活函数，如ReLU（修正线性单元），以引入非线性性质，从而提高网络的表示能力，激活函数将负数置零，而保持正数不变。
池化层用于减小特征图的空间维度，从而减少计算复杂度和防止过拟合，最常见的池化操作是最大池化，它在每个池化窗口中选择最大值，或者平均池化，计算窗口内值的平均。池化操作有助于保留主要的特征信息（与皮肤特性有关的信息），并减小数据的维度。
在卷积和池化操作后，会有一个或多个全连接层，这些层用于将降维后的特征图映射到输出层，以获得最终的特性表示。在全连接层中，特征向量的维度逐渐减小，最终产生一个表示皮肤特性的特征向量。
其中，所述通过皮肤特性提取器的卷积层执行卷积操作以提取特征图的步骤包括：
通过卷积层的多个卷积核滑动在输入的反射数据上执行卷积操作，以捕捉输入数据的局部特征，其中，每个卷积核生成一个特征图，
对于每个卷积核，卷积操作公式为：
F(i，j)=∑m∑nI(i+m，j+n)⋅K(m，n)，
其中，F(i，j)是特征图中的一个像素值，i和j分别表示特征图中的像素的行和列索引，I(i+m，j+n)是反射数据中的像素值，K(m，n)是卷积核的权重，m和n分别表示卷积核内的权重的行和列索引。
S103，将皮肤特性特征向量输入皮肤类型分类器中，以通过皮肤类型分类器对目标用户的皮肤类型进行分类，得到每种皮肤类型的分类概率，并将具有最高概率的皮肤类型定为目标用户的皮肤类型。
需要说明的是，皮肤类型分类器的输入数据是皮肤特性提取器提取得到的皮肤特性特征向量，是一个包含多个特征值的向量，捕捉了皮肤特性的重要信息。
皮肤类型分类器可以是一个机器学习模型，如深度神经网络、支持向量机、随机森林等，这个分类器接受特征向量作为输入，并输出对不同皮肤类型的分类概率。
在模型的训练阶段，大量的带有已知皮肤类型标签的数据集用来训练分类器，分类器通过学习如何将输入特征与正确的皮肤类型标签相关联，从而能够在未知数据上进行准确的分类。
皮肤类型分类器输出层的结构与皮肤类型数量相匹配，每个输出节点对应一个可能的皮肤类型，输出层使用适当的激活函数，例如softmax函数，将网络的输出转化为每个类别的分类概率。
皮肤类型分类器将计算每个类别的分类概率，这表示了目标用户属于每种皮肤类型的可能性，在这里，具有最高分类概率的皮肤类型会被确定为目标用户的皮肤类型。
总之，该步的目标是根据提取的皮肤特性特征，确定目标用户的皮肤类型。正确的皮肤类型信息将有助于选择适当的滤波器和校正参数，以最大程度地减少皮肤类型对监测结果的干扰。
其中，所述通过皮肤类型分类器对目标用户的皮肤类型进行分类，得到每种皮肤类型的分类概率的步骤包括：
在多皮肤类别的分类中，通过softmax函数对每种皮肤类别的概率进行计算，计算公式为：，其中，x为目标用户的皮肤特性特征向量，r和s为皮肤类型的索引，r=1、2、…、K，s=1、2、…、K，K 为皮肤类别的总数，wr和br为与皮肤类别r相关的权重和偏差，ws和bs为与皮肤类别s相关的权重和偏差。
S104，基于目标用户的皮肤类型及目标生理信号的组合，选取滤波器类型及参数组合，并根据参数组合对选取的滤波器的参数及校正参数进行自适应调整，以通过调整后的滤波器及校正参数对反射数据中除目标生理信号以外的其他信号进行滤除及校正处理，得到目标生理信号。
需要说明的是，该步的目标是通过根据目标用户的皮肤类型和所需监测的生理信号的特性，选择和调整适当的滤波器类型和参数，以在反射数据中滤除除目标生理信号以外的其他信号，同时进行必要的校正。
首先，根据目标用户的皮肤类型标签和需要监测的生理信号标签，确定组合，不同皮肤类型和生理信号的特性可能需要不同的滤波器和参数组合。
根据组合选择适当的滤波器类型，这可能包括低通滤波器、带通滤波器等，以滤除不需要的信号成分。滤波器的类型会影响其频率响应和传递函数。
对于所选滤波器类型，需要选择合适的参数组合，如截止频率、增益、阶数等，参数的选择可以根据皮肤类型和生理信号特性来确定。
所选和调整后的滤波器和校正参数应用于预处理后的反射数据，这些滤波器将滤除除目标生理信号以外的其他信号，如皮肤干扰或环境噪音，校正参数则可以校正信号的幅度和相位，以进一步优化结果。
滤波和校正后，从反射数据中提取出目标生理信号，已经滤除了不需要的成分，准备用于生理参数计算。
针对不同的监测目标（生理信号），其具有不同的频率成分和特点，通常对应不同的频率范围，因此可以根据监测目标的频率特性选择不同的滤波器类型。举例来说，心率监测的目标频率范围通常在每分钟0.5到3赫兹之间，因此可以选择低通滤波器或带通滤波器，以保留该范围内的信号，同时抑制其他频率范围的干扰。而呼吸频率监测的目标频率范围又不同，因此可以根据其频率特性选择适当的滤波器。
针对不同的皮肤类型，有光暗肤色区分（可以分为浅肤色、中肤色和深肤色），由于较暗皮肤会吸收信号吸收，可以选用更强的低通滤波器，以滤除噪音和增强信号穿透深度，还可以采用较高的滤波器功率和适当的频率，以增加信号的穿透深度；而较光皮肤会产生散射，可以选用带通滤波器，以更好地处理散射信号，还可以采用较低的功率和更适合散射的频率。
因此，可以根据用户的皮肤类型及监测目标（目标生理信号）的组合特性，来选择最优的滤波器类型及参数组合，从而达到很好的监测效果，这种自适应的定制滤波及校正方式不仅可以提高监测的特异性，确保只有感兴趣的频率成分被提取出来，还减少了皮肤类型的干扰影响，提高对生理信号监测的准确性。
总之，这一步的关键是选择适当的滤波器和参数组合，以根据目标用户的皮肤类型和生理信号的特性自适应地处理反射数据，从而准确提取出目标生理信号，提高监测的准确性和可靠性。
其中，所述基于目标用户的皮肤类型及目标生理信号的组合，选取滤波器类型及参数组合，并根据参数组合对选取的滤波器的参数及校正参数进行自适应调整，以通过调整后的滤波器及校正参数对反射数据中除目标生理信号以外的其他信号进行滤除及校正处理，得到目标生理信号的步骤前还包括：
定义各个生理信号的标签及各种皮肤类型的标签，对各个生理信号与各种皮肤类型进行分组及分配唯一标识码，并根据分配的唯一标识码创建标签映射表，其中，标签映射表中包含各皮肤类型标签、各生理信号标签、各个生理信号与各种皮肤类型组合对应的唯一标识码、及其对应关系；
将各个生理信号与各种皮肤类型组合分配的唯一标识码与各个滤波器类型及参数组合关联起来并创建参数映射表，其中，参数映射表中包含各个生理信号与各种皮肤类型组合对应的唯一标识码、各个滤波器类型、各个参数组合的参数明细、及其对应关系，参数组合包含滤波器截止频率、阶数、窗口函数和滤波后的校正参数，校正参数包括校正幅度和校正相位。
需要说明的是，该步是一个在系统层面对多种生理信号和皮肤类型的组合进行管理和分配的过程，目的是建立一个用于系统管理不同生理信号、皮肤类型和滤波器参数的结构，以便在监测过程中能够根据目标用户的组合进行自适应的滤波和校正处理，这种系统性的管理和关联有助于提高监测的精度和可靠性，尤其是在不同皮肤类型和不同生理信号下。
首先，需要定义不同生理信号和不同皮肤类型的标签，以便在整个系统中对它们进行标识，这些标签用于表示各种信号和皮肤类型，例如，心率、呼吸率、浅肤色、深肤色等，此外，每个组合也会被分配一个唯一的标识码，以便进行关联和区分，及以便后续关联参数组合和滤波器类型。
标签映射表是一个记录各种皮肤类型标签、生理信号标签和它们的唯一标识码之间对应关系的表格，这有助于系统识别和区分各种组合。
参数映射表记录了各种生理信号与各种皮肤类型组合对应的唯一标识码、滤波器类型、参数组合以及校正参数的详细信息，这是一个关键的数据结构，它将帮助系统根据目标用户的组合选择适当的滤波器和参数。
参数映射表中还需要将各个生理信号与皮肤类型组合对应的唯一标识码与滤波器类型和参数组合关联起来，这将使系统能够在监测时根据目标用户的组合，动态选择和调整滤波器和参数。
进一步，所述基于目标用户的皮肤类型及目标生理信号的组合，选取滤波器类型及参数组合，并根据参数组合对选取的滤波器的参数及校正参数进行自适应调整，以通过调整后的滤波器及校正参数对反射数据中除目标生理信号以外的其他信号进行滤除及校正处理，得到目标生理信号的步骤包括：
根据目标用户的皮肤类型标签及目标生理信号标签的组合，从标签映射表中查找获取与目标用户的皮肤类型及目标生理信号标签组合对应的唯一标识码；
并根据唯一标识码从参数映射表中查找与唯一标识码对应的滤波器类型及参数组合；
根据查找获取的滤波器类型，调取匹配类型的滤波器，并根据查找获取的参数组合对调取的滤波器的参数进行调整；
通过调整后的滤波器对预处理后的反射数据进行滤波，以滤除非目标生理信号，保留目标生理信号，滤波操作公式为：Y(t)=X(t)H(t，Θ)，其中，Y(t)是滤波后的信号，X(t)是反射数据，H(t，Θ)是滤波器的响应，Θ是调整后的滤波器参数；
根据调整后的校正参数对滤波后的目标生理信号的幅度及相位进行校正处理，校正公式为：Ycorrected(t)=a⋅Y(t−τ)，其中，Ycorrected(t)是校正后的信号，a是调整后的幅度校正参数，τ是调整后的相位校正参数，表示延迟。
需要说明的是，该步骤的关键是能够根据目标用户的特定需求，自适应地选择和调整滤波器类型和参数，以确保从反射数据中提取出准确的目标生理信号，这种个性化的处理有助于提高监测准确性和适应性，尤其是在不同皮肤类型和不同生理信号下。
首先，根据目标用户的皮肤类型标签和目标生理信号标签的组合来查找对应的唯一标识码，这个唯一标识码是之后关联滤波器类型和参数组合的关键。
根据唯一标识码，从参数映射表中查找与该唯一标识码对应的滤波器类型和参数组合，从而确保能够根据目标用户的皮肤类型及目标生理信号的组合选择正确的滤波器和参数。
再根据查找到的滤波器类型，选择与该类型匹配的滤波器，这些滤波器事先设计好，用于滤除不需要的信号，如皮肤反射信号。
滤波器具有参数，如截止频率、阶数、窗口函数等，根据查找到的参数组合对滤波器参数进行调整，以确保滤波器适应目标用户的特定需求。
应用调整后的滤波器来处理预处理后的反射数据，滤除非目标生理信号，保留目标生理信号，滤波操作使用滤波器的响应函数，公式中的H(t, Θ)表示滤波器的响应，Θ是调整后的滤波器参数。
最后，根据调整后的校正参数，对滤波后的目标生理信号进行幅度和相位的校正处理，这个校正过程确保了最终的生理信号的精度和准确性。
S105，对目标生理信号运用信号处理算法进行计算以得到目标生理参数。
需要说明的是，对目标生理信号运用信号处理算法是为了从生理信号中提取有用的信息，计算出目标生理参数，通常会涉及信号处理技术，针对不同的生理参数，需要使用不同的信号处理方法和算法。
从生理信号中提取与目标生理参数相关的特征。特征提取是一个关键步骤，通常需要选择适当的特征提取方法，如时域分析、频域分析、小波变换等。具体的特征提取公式和方法会根据生理参数的类型和特性而有所不同。
在具有适当特征的基础上，计算目标生理参数。这可能需要使用数学公式、算法或模型来进行计算。不同的生理参数需要不同的计算方法。
最后，将计算得到的目标生理参数输出，以供用户或医疗专业人员参考或进一步分析。
其中，所述对目标生理信号运用信号处理算法进行计算以得到目标生理参数的步骤包括：
若目标生理信号为心跳信号，对心跳信号进行一次求导，以增强R波的斜率，从而更容易检测峰值。
通过遍历心跳信号并检测超过阈值的点，识别峰值并确定为R峰；
测量相邻两个R峰之间的时间间隔，设为R-R间期；
根据R-R间期确定心跳周期；
将心跳周期转换为心率，心率=60000/平均心跳周期，心率表示每分钟的心跳数。
进一步，若目标生理信号为心跳信号，可以使用峰值检测算法对呼吸信号进行检测，如峰值检测滤波器或阈值法，来检测每次呼吸的峰值，这些峰值通常对应于每次呼吸的吸入和呼气。
再根据检测到的峰值，计算相邻峰值之间的时间间隔，这些时间间隔通常表示呼吸的周期。
呼吸率可以通过时间间隔的倒数来计算，以每分钟呼吸次数（BPM）为单位，呼吸率（BR）的计算公式为：BR=60/平均时间间隔。
本发明的基于智能手表健康监测方法，根据微波雷达传感器实时获取的反射数据并运用皮肤特性提取器及皮肤类型分类器进行分类识别获取用户的皮肤类型，再根据用户的皮肤类型并结合待监测的目标生理信号的频率范围对滤波器类型进行选取及对滤波器参数及校正参数进行自适应调整，再通过调整后的滤波器及校正参数进行滤波及校正得到目标生理信号，本发明根据用户的皮肤类型及监测目标（目标生理信号）的组合特性，来选择最优的滤波器类型及参数组合，从而达到很好的监测效果，这种自适应的定制滤波及校正方式不仅可以提高监测的特异性，确保只有感兴趣的频率成分被提取出来，还能减少皮肤类型的干扰影响，从而显著提高对生理信号监测的准确性和可靠性。
其中，通过滤波降低皮肤干扰，对于较暗皮肤的信号吸收影响，可以选用更强的低通滤波器，以滤除噪音和增强信号穿透深度，还可以采用较高的滤波器功率和适当的频率，以增加信号的穿透深度；而对于较光皮肤的散射影响，可以选用带通滤波器，以更好地处理散射信号，还可以采用较低的功率和更适合散射的频率。
再通过校正可以进一步确保监测结果与实际生理参数之间的一致性。如不同的皮肤特性会对信号的幅度产生影响、导致信号的相位偏移，通过校正信号的幅度和相位，可以更准确的获取生理信号的相关特征。
实施例二
参考图2，实施例二提供一种基于智能手表健康监测系统，智能手表中集成有微波雷达传感器，包括：
采集模块：用于通过微波雷达传感器采集目标用户皮肤的反射数据，并对采集到的反射数据进行预处理；
提取模块：用于将预处理后的反射数据输入皮肤特性提取器，以通过皮肤特性提取器的卷积层执行卷积操作以提取特征图，再通过池化层降低特征图的空间维度，以保留重要的皮肤特性信息，并将降维后的特征图映射到输出层，得到皮肤特性特征向量；
分类模块：用于将皮肤特性特征向量输入皮肤类型分类器中，以通过皮肤类型分类器对目标用户的皮肤类型进行分类，得到每种皮肤类型的分类概率，并将具有最高概率的皮肤类型定为目标用户的皮肤类型；
参数调整模块：用于基于目标用户的皮肤类型及目标生理信号的组合，选取滤波器类型及参数组合，并根据参数组合对选取的滤波器的参数及校正参数进行自适应调整，以通过调整后的滤波器及校正参数对反射数据中除目标生理信号以外的其他信号进行滤除及校正处理，得到目标生理信号；
计算模块：用于对目标生理信号运用信号处理算法进行计算以得到目标生理参数。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于智能手表健康监测方法，其特征在于，智能手表中集成有微波雷达传感器，步骤包括：
通过微波雷达传感器采集目标用户皮肤的反射数据，并对采集到的反射数据进行预处理，反射数据包括反射信号的强度、时间延迟和相位信息；
预处理后的反射数据是一个多维矩阵，包含多个通道，每个通道对应不同的传感器特性或反射特性，将预处理后的反射数据输入皮肤特性提取器，以通过皮肤特性提取器的卷积层执行卷积操作以提取特征图，再通过池化层降低特征图的空间维度，以保留重要的皮肤特性信息，并将降维后的特征图映射到输出层，得到皮肤特性特征向量，皮肤特性特征向量是一个包含多个特征值的向量，捕捉了皮肤特性的重要信息；
将皮肤特性特征向量输入皮肤类型分类器中，以通过皮肤类型分类器对目标用户的皮肤类型进行分类，得到每种皮肤类型的分类概率，并将具有最高概率的皮肤类型定为目标用户的皮肤类型；
基于目标用户的皮肤类型及目标生理信号的组合，选取滤波器类型及参数组合，并根据参数组合对选取的滤波器的参数及校正参数进行自适应调整，以通过调整后的滤波器及校正参数对反射数据中除目标生理信号以外的其他信号进行滤除及校正处理，得到目标生理信号；
对目标生理信号运用信号处理算法进行计算以得到目标生理参数；
其中，所述基于目标用户的皮肤类型及目标生理信号的组合，选取滤波器类型及参数组合，并根据参数组合对选取的滤波器的参数及校正参数进行自适应调整，以通过调整后的滤波器及校正参数对反射数据中除目标生理信号以外的其他信号进行滤除及校正处理，得到目标生理信号的步骤前还包括：
定义各个生理信号的标签及各种皮肤类型的标签，对各个生理信号与各种皮肤类型进行分组及分配唯一标识码，并根据分配的唯一标识码创建标签映射表，其中，标签映射表中包含各皮肤类型标签、各生理信号标签、各个生理信号与各种皮肤类型组合对应的唯一标识码、及其对应关系；
将各个生理信号与各种皮肤类型组合分配的唯一标识码与各个滤波器类型及参数组合关联起来并创建参数映射表，其中，参数映射表中包含各个生理信号与各种皮肤类型组合对应的唯一标识码、各个滤波器类型、各个参数组合的参数明细、及其对应关系，参数组合包含滤波器截止频率、阶数、窗口函数和滤波后的校正参数，校正参数包括校正幅度和校正相位；
所述根据参数组合对选取的滤波器的参数及校正参数进行自适应调整，以通过调整后的滤波器及校正参数对反射数据中除目标生理信号以外的其他信号进行滤除及校正处理，得到目标生理信号的步骤包括：
根据目标用户的皮肤类型标签及目标生理信号标签的组合，从标签映射表中查找获取与目标用户的皮肤类型及目标生理信号标签组合对应的唯一标识码；
并根据唯一标识码从参数映射表中查找与唯一标识码对应的滤波器类型及参数组合。
2.根据权利要求1所述的基于智能手表健康监测方法，其特征在于，所述基于目标用户的皮肤类型及目标生理信号的组合，选取滤波器类型及参数组合，并根据参数组合对选取的滤波器的参数及校正参数进行自适应调整，以通过调整后的滤波器及校正参数对反射数据中除目标生理信号以外的其他信号进行滤除及校正处理，得到目标生理信号的步骤包括：
根据目标用户的皮肤类型标签及目标生理信号标签的组合，从标签映射表中查找获取与目标用户的皮肤类型及目标生理信号标签组合对应的唯一标识码；
并根据唯一标识码从参数映射表中查找与唯一标识码对应的滤波器类型及参数组合；
根据查找获取的滤波器类型，调取匹配类型的滤波器，并根据查找获取的参数组合对调取的滤波器的参数进行调整；
通过调整后的滤波器对预处理后的反射数据进行滤波，以滤除非目标生理信号，保留目标生理信号，滤波操作公式为：Y(t)=X(t)·H(t，Θ)，其中，Y(t)是滤波后的信号，X(t)是反射数据，H(t，Θ)是滤波器的响应，Θ是调整后的滤波器参数；
根据调整后的校正参数对滤波后的目标生理信号的幅度及相位进行校正处理，校正公式为：Ycorrected(t)=a·Y(t－τ)，其中，Ycorrected(t)是校正后的信号，a是调整后的幅度校正参数，τ是调整后的相位校正参数，表示延迟。
3.根据权利要求1所述的基于智能手表健康监测方法，其特征在于，所述通过皮肤特性提取器的卷积层执行卷积操作以提取特征图的步骤包括：
通过卷积层的多个卷积核滑动在输入的反射数据上执行卷积操作，以捕捉输入数据的局部特征，其中，每个卷积核生成一个特征图，
对于每个卷积核，卷积操作公式为：
F(i，j)=∑m∑nI(i+m，j+n)·K(m，n)，
其中，F(i，j)是特征图中的一个像素值，i和j分别表示特征图中的像素的行和列索引，I(i+m，j+n)是反射数据中的像素值，K(m，n)是卷积核的权重，m和n分别表示卷积核内的权重的行和列索引。
4.根据权利要求1所述的基于智能手表健康监测方法，其特征在于，所述通过皮肤类型分类器对目标用户的皮肤类型进行分类，得到每种皮肤类型的分类概率的步骤包括：
在多皮肤类别的分类中，通过softmax函数对每种皮肤类别的概率进行计算，计算公式为：，其中，x为目标用户的皮肤特性特征向量，r和s为皮肤类型的索引，r=1、2、…、K，s=1、2、…、K，K 为皮肤类别的总数，wr和br为与皮肤类别r相关的权重和偏差，ws和bs为与皮肤类别s相关的权重和偏差。
5.根据权利要求1所述的基于智能手表健康监测方法，其特征在于，所述对目标生理信号运用信号处理算法进行计算以得到目标生理参数的步骤包括：
若目标生理信号为心跳信号，对心跳信号进行一次求导，以增强R波的斜率；
通过遍历心跳信号并检测超过阈值的点，识别峰值并确定为R峰；
测量相邻两个R峰之间的时间间隔，设为R-R间期；
根据R-R间期确定心跳周期；
将心跳周期转换为心率，心率=60000/平均心跳周期，心率表示每分钟的心跳数。
6.一种基于智能手表健康监测系统，其特征在于，智能手表中集成有微波雷达传感器，包括：
采集模块：用于通过微波雷达传感器采集目标用户皮肤的反射数据，并对采集到的反射数据进行预处理，反射数据包括反射信号的强度、时间延迟和相位信息；
提取模块：用于预处理后的反射数据是一个多维矩阵，包含多个通道，每个通道对应不同的传感器特性或反射特性，将预处理后的反射数据输入皮肤特性提取器，以通过皮肤特性提取器的卷积层执行卷积操作以提取特征图，再通过池化层降低特征图的空间维度，以保留重要的皮肤特性信息，并将降维后的特征图映射到输出层，得到皮肤特性特征向量，皮肤特性特征向量是一个包含多个特征值的向量，捕捉了皮肤特性的重要信息；
分类模块：用于将皮肤特性特征向量输入皮肤类型分类器中，以通过皮肤类型分类器对目标用户的皮肤类型进行分类，得到每种皮肤类型的分类概率，并将具有最高概率的皮肤类型定为目标用户的皮肤类型；
参数调整模块：用于基于目标用户的皮肤类型及目标生理信号的组合，选取滤波器类型及参数组合，并根据参数组合对选取的滤波器的参数及校正参数进行自适应调整，以通过调整后的滤波器及校正参数对反射数据中除目标生理信号以外的其他信号进行滤除及校正处理，得到目标生理信号；
计算模块：用于对目标生理信号运用信号处理算法进行计算以得到目标生理参数；
其中，参数调整模块：还用于定义各个生理信号的标签及各种皮肤类型的标签，对各个生理信号与各种皮肤类型进行分组及分配唯一标识码，并根据分配的唯一标识码创建标签映射表，其中，标签映射表中包含各皮肤类型标签、各生理信号标签、各个生理信号与各种皮肤类型组合对应的唯一标识码、及其对应关系；
将各个生理信号与各种皮肤类型组合分配的唯一标识码与各个滤波器类型及参数组合关联起来并创建参数映射表，其中，参数映射表中包含各个生理信号与各种皮肤类型组合对应的唯一标识码、各个滤波器类型、各个参数组合的参数明细、及其对应关系，参数组合包含滤波器截止频率、阶数、窗口函数和滤波后的校正参数，校正参数包括校正幅度和校正相位；
参数调整模块：还用于根据目标用户的皮肤类型标签及目标生理信号标签的组合，从标签映射表中查找获取与目标用户的皮肤类型及目标生理信号标签组合对应的唯一标识码；
并根据唯一标识码从参数映射表中查找与唯一标识码对应的滤波器类型及参数组合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311519835.3A CN117224095B (zh) | 2023-11-15 | 2023-11-15 | 一种基于智能手表健康监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311519835.3A CN117224095B (zh) | 2023-11-15 | 2023-11-15 | 一种基于智能手表健康监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117224095A CN117224095A (zh) | 2023-12-15 |
| CN117224095B true CN117224095B (zh) | 2024-03-19 |
Family
ID=89088468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311519835.3A Active CN117224095B (zh) | 2023-11-15 | 2023-11-15 | 一种基于智能手表健康监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117224095B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113221695A (zh) * | 2021-04-29 | 2021-08-06 | 深圳数联天下智能科技有限公司 | 训练肤色识别模型的方法、识别肤色的方法及相关装置 |
| KR20220073107A (ko) * | 2020-11-26 | 2022-06-03 | 주식회사 지원파트너스 | 피부 촬영 사진을 이용한 피부 유형 분석 시스템 및 그 방법 |
| CN116269260A (zh) * | 2023-03-01 | 2023-06-23 | 亿慧云智能科技（深圳）股份有限公司 | 一种智能手表心率监测方法及系统 |
| WO2023187820A1 (en) * | 2022-03-31 | 2023-10-05 | Ultrahuman Healthcare Pvt Ltd | Electronic ring for optimizing health and fitness parameters measured by optical sensors |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230036913A1 (en) * | 2021-07-16 | 2023-02-02 | Arizona Board Of Regents On Behalf Of Arizona State University | Terahertz wave plethysmography |
-
2023
- 2023-11-15 CN CN202311519835.3A patent/CN117224095B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220073107A (ko) * | 2020-11-26 | 2022-06-03 | 주식회사 지원파트너스 | 피부 촬영 사진을 이용한 피부 유형 분석 시스템 및 그 방법 |
| CN113221695A (zh) * | 2021-04-29 | 2021-08-06 | 深圳数联天下智能科技有限公司 | 训练肤色识别模型的方法、识别肤色的方法及相关装置 |
| WO2023187820A1 (en) * | 2022-03-31 | 2023-10-05 | Ultrahuman Healthcare Pvt Ltd | Electronic ring for optimizing health and fitness parameters measured by optical sensors |
| CN116269260A (zh) * | 2023-03-01 | 2023-06-23 | 亿慧云智能科技（深圳）股份有限公司 | 一种智能手表心率监测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 王永琦等.《基于MATLAB的机器视觉处理技术》.南京东南大学出版社,(第978-7-5641-9880-0版),第120-122页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117224095A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fan et al. | Robust blood pressure estimation using an RGB camera | |
| CN107951485B (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
| CN116705337B (zh) | 一种健康数据采集及智能分析方法 | |
| KR101812406B1 (ko) | 피부질환 진단 방법 및 피부질환 진단 시스템 | |
| CN112998701A (zh) | 基于毫米波雷达的生命体征检测与身份识别系统和方法 | |
| CN108056770A (zh) | 一种基于人工智能的心率检测方法 | |
| KR20190030151A (ko) | 영상 분석 방법, 장치 및 컴퓨터 프로그램 | |
| CN117033911B (zh) | 基于智能眼镜数据的计步分析方法 | |
| CN114402359B (zh) | 用于检测人的合成视频的系统和方法 | |
| CN107505268A (zh) | 血糖检测方法及系统 | |
| CN112686094B (zh) | 一种基于毫米波雷达的非接触式身份识别方法及系统 | |
| CN109993068A (zh) | 一种基于心率和面部特征的非接触式的人类情感识别方法 | |
| CN113435283B (zh) | 一种基于呼吸样本空间的超宽带雷达身份识别方法 | |
| CN111370124A (zh) | 一种基于面手部识别和大数据的健康分析系统及方法 | |
| CN112788200B (zh) | 频谱信息的确定方法及装置、存储介质、电子装置 | |
| WO2019080728A1 (zh) | 一种基于WiFi信号的心率异常检测方法 | |
| Zhang et al. | Hybrid feature fusion for classification optimization of short ECG segment in IoT based intelligent healthcare system | |
| CN111297327A (zh) | 一种睡眠分析方法、系统、电子设备及存储介质 | |
| CN117224095B (zh) | 一种基于智能手表健康监测方法及系统 | |
| CN110135357B (zh) | 一种基于远程遥感的幸福感实时检测方法 | |
| CN112120711A (zh) | 一种基于光电容积脉搏波的无创糖尿病预测系统及方法 | |
| CN117017297A (zh) | 驾驶员疲劳的预测和识别模型建立方法及其应用 | |
| CN116451110A (zh) | 基于信号能量特征和脉搏周期的血糖预测模型构建方法 | |
| CN115392311A (zh) | 基于变分模态分解的高效甘蔗茎节识别方法 | |
| CN115067910A (zh) | 一种心率变异性压力检测方法、装置、存储介质以及系统 |
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 |