CN117786429A - 基于可穿戴设备的老人健康监测数据处理方法 - Google Patents

Abstract

本发明涉及数据滤波技术领域，具体涉及基于可穿戴设备的老人健康监测数据处理方法。该方法在预设时间段上依据不同种类的体征数据在波动和分布上的差异情况进行划分，得到活动区间，并基于体征数据的分布确定活动区间的活动类型；将与当前时刻所处活动区间为同一活动类型记为匹配区间，根据当前时刻所处活动区间中每个种类的体征数据与其他种类的关联程度以及体征数据在匹配区间的匹配关联情况，得到体征数据的滤波系数，结合活动类型得到体征数据的滤波权重；基于滤波权重通过双边滤波算法获得滤波数据。本发明通过体征数据对应的活动状态和多维体征数据间的关联性，调整双边滤波权重得到更准确的滤波数据，提高后续监测的准确性。

Description

基于可穿戴设备的老人健康监测数据处理方法

技术领域

本发明涉及数据滤波技术领域，具体涉及基于可穿戴设备的老人健康监测数据处理方法。

背景技术

通过智能设备可实时采集老人身体的各项生理指标实现对老人的身体状态的监测，智能可穿戴设备较为轻便并可以实时对老人的身体指标进行远程监测，但其便捷性也导致了采集数据时会存在较多的噪声数据，这将会对老人身体的监测带来影响，因此对监测过程中多种体征数据进行准确去噪是极为重要的数据处理过程。

在通过常用的双边滤波算法对采集的生理体征数据进行去噪时，可以在有效地保留体征数据的时序变化波动等高频信息，且去噪效率较高对监测数据的处理效率。但双边滤波是通过加权高斯核进行滤波操作时，权重的大小将影响对数据的保留或去噪效果，一般的权重选择较为固定，但是在不同的活动状态下，多种体征数据的整体状态是不同的且不同种类的体征数据之间存在不同的关联性，同样的权重将会导致波动较大的数据去噪效果不佳，或波动程度小的数据保留效果较差，不同种类的体征数据去噪效果不统一，无法得到更准确的去噪数据，进而影响后续监测的准确性。

发明内容

为了解决现有技术中无法得到更准确的去噪数据，进而影响对健康监测的准确性的技术问题，本发明的目的在于提供一种基于可穿戴设备的老人健康监测数据处理方法，所采用的技术方案具体如下：

本发明提供了一种基于可穿戴设备的老人健康监测数据处理方法，所述方法包括：

通过老人身体上的智能穿戴设备获取预设时间段上每个采样时刻对应的不同种类的体征数据；

根据预设时间段上连续采样时刻对应不同种类的体征数据的波动差异情况和数据分布情况，将预设时间段划分为活动区间；根据每个活动区间相对于所有活动区间在所有种类的体征数据的分布上的偏差情况，确定每个活动区间的活动类型；

将预设时间段上与当前时刻所处活动区间具有相同活动类型的其他活动区间作为当前时刻所处活动区间的匹配区间；根据当前时刻所处活动区间中每个采样时刻下每个种类的体征数据与其他种类的体征数据的关联程度，以及每个种类的体征数据在匹配区间的匹配关联情况，获得当前时刻所处活动区间中每个采样时刻下每个种类的体征数据的滤波系数；

根据当前时刻所处活动区间的活动类型，以及每个采样时刻下每个种类的体征数据的滤波系数，获得当前时刻所处活动区间中每个采样时刻下每个种类的体征数据的滤波权重；基于滤波权重通过双边滤波算法进行滤波，获得当前时刻所处活动区间中每个种类的滤波数据。

进一步地，所述活动区间的获取方法包括：

将当前时刻作为第一个划分时刻，并将划分时刻前预设连续数量个采样时刻作为待划分窗口；

将划分窗口从右向左第预设初始数量个采样时刻作为第一个待划分时刻，将划分窗口从左向右第预设初始数量个采样时刻作为最后一个待划分时刻；第一个待划分时刻在最后一个待划分时刻的右侧，且第一个待划分时刻至最后一个待划分时刻之间的每个采样时刻均作为待划分时刻；预设初始数量小于预设连续数量；

依次将待划分窗口中的每个待划分时刻作为目标时刻；将待划分窗口中目标时刻左侧所有采样时刻组成目标时刻对应的第一区间；将待划分窗口中剩余所有采样时刻组成目标时刻下待划分窗口的第二区间；

在目标时刻对应的第一区间与第二区间之间，根据不同种类的体征数据的数据分布混乱差异情况，获得目标时刻对应的划分可能性；

在待划分窗口的所有待划分时刻中，将划分可能性的最大的待划分时刻作为划分时刻；将划分时刻与相邻上一个划分时刻之间的时间段作为一个活动区间；将预设时间段上未被划分为活动区间的部分迭代获取活动区间，直至预设时间段上未被划分为活动区间的部分不能确定待划分时刻，此时将剩余未被划分为活动区间的时间段作为一个活动区间。

进一步地，所述划分可能性的获取方法包括：

对于任意一个种类的体征数据，计算第一区间中该种类的所有体征数据的平均值，获得第一区间中该种类的数据分布值；计算第二区间中该种类的所有体征数据的平均值，获得第二区间中该种类的数据分布值；计算第一区间中该种类的数据分布值与第二区间中该种类的数据分布值的差异，获得目标时刻对应的该种类的区间分布差异指标；

计算第一区间中该种类的所有体征数据的方差，获得第一区间中该种类的数据混乱值；计算第二区间中该种类的所有体征数据的方差，获得第二区间中该种类的数据混乱值；计算第一区间中该种类的数据混乱值与第二区间中该种类的数据混乱值的差异，获得目标时刻对应的该种类的区间混乱差异指标；

将目标时刻对应的该种类的区间分布差异指标和区间混乱差异指标的乘积进行归一化处理，获得目标时刻对应的该种类的划分可能指标；计算目标时刻对应所有种类的划分可能指标的平均值，获得目标时刻的划分可能性。

进一步地，所述根据每个活动区间相对于所有活动区间在所有种类的体征数据的分布上的偏差情况，确定每个活动区间的活动类型，包括：

计算每个活动区间中对应的每个种类的体征数据的平均值，获得每个活动区间对应每个种类的种类分布值；计算每个活动区间中对应的所有种类的种类分布值的平均值，获得每个活动区间的趋势分布值；

将所有活动区间按照趋势分布值从小到大的顺序排列，获得区间分布序列；计算区间分布序列中每相邻两个活动区间的趋势分布值的差异，作为区间分布序列的趋势差异；在区间分布序列中，将最大的趋势差异对应的活动区间作为划分区间；将所有划分区间中对应最大的趋势分布值作为状态判别值；

当活动区间的趋势分布值小于状态判别值时，将对应的活动区间的活动类型记为第一类型；当活动区间的趋势分布值大于或等于状态判别值时，将对应的活动区间的活动类型记为第二类型。

进一步地，所述滤波系数的获取方式包括：

将当前时刻所处活动区间作为分析区间；依次将每个种类作为参考种类，并依次将参考种类在分析区间中每个采样时刻的体征数据作为参考点；

获取参考点在每个匹配区间中参考种类对应的匹配点；基于关联特征度的获取方法，获取参考点和匹配点的关联特征度；

对于任意一个匹配区间，计算参考点与该匹配区间中每个匹配点之间的关联特征度的差异，获得参考点对应的每个关联差异；将参考点对应的最小的关联差异进行负相关映射并归一化处理，获得参考点在该匹配区间下的关联指标；

计算参考点在所有匹配区间下的关联指标的平均值并进行归一化处理，获得参考点的滤波系数。

进一步地，所述关联特征度的获取方法包括：

对于任意一个种类的体征数据中的一个体征数据，获取该体征数据所在采样时刻对应的斜率的绝对值，作为该体征数据的变化度；

在该体征数据所在采样时刻下，将除该体征数据所在种类外的每个其他种类的体征数据对应的斜率的绝对值，作为该体征数据的每个维度变化度；计算该体征数据的变化度与每个维度变化度之间的差异，获得该体征数据的每个变化差异；将该体征数据的最小的变化差异进行负相关映射并归一化处理，获得该体征数据的趋势变化值；

计算该体征数据的趋势变化值和该体征数据的数据值之间的乘积，获得该体征数据的关联特征度。

进一步地，所述获取参考点在每个匹配区间中参考种类对应的匹配点，包括：

对于分析区间的任意一个匹配区间，通过DTW算法对分析区间与该匹配区间中的参考种类的体征数据进行匹配，获得分析区间中参考种类的每个体征数据在该匹配区间中参考种类对应的匹配点。

进一步地，所述滤波权重的获取方法包括：

若当前时刻所处活动类型为第一类型时，将每个采样时刻下每个种类的体征数据的滤波系数与预设第一调整权重的和值，作为当前时刻所处活动区间中每个采样时刻下每个种类的体征数据的滤波权重；

若当前时刻所处活动类型为第二类型时，将每个采样时刻下每个种类的体征数据的滤波系数与预设第二调整权重的和值，作为当前时刻所处活动区间中每个采样时刻下每个种类的体征数据的滤波权重。

进一步地，所述基于滤波权重通过双边滤波算法进行滤波，获得当前时刻所处活动区间中每个种类的滤波数据，包括：

将每个采样时刻对应每个种类体征数据的滤波权重作为双边滤波过程中高斯核的权重，对当前时刻所处活动区间中的每个种类的体征数据进行滤波，获得每个种类的滤波数据。

进一步地，所述预设时间段设置为2天。

本发明具有如下有益效果：

本发明考虑到身体的不同活动状态导致体征数据的整体波动分布不同，在预设时间段上依据不同种类的体征数据在波动和分布上的差异情况进行划分，得到活动区间并基于各种类的体征数据的分布偏差情况，确定每个活动区间的活动类型，使得在分析噪声情况时，可以在同活动状态的体征数据进行分析，提高对体征数据所需滤波程度的分析。为了提高实时监测的准确性，对当前时刻所处活动区间中的体征数据进行滤波调整，将与当前时刻所处活动区间为同一活动类型的活动区间作为匹配区间，结合当前时刻所处活动区间中每个种类的体征数据与其他种类的关联程度，以及每个种类体征数据在匹配区间的匹配关联情况，得到当前时刻所处活动区间中体征数据的滤波系数，通过多维数据的关联情况分析体征数据的噪声情况，进而得到每个种类的体征数据所需的滤波程度，提高对噪声数据的滤波效果。同时，考虑到不同活动状态下体征数据受到滤波程度的影响，进一步结合活动类型调整滤波系数，得到当前时刻所处活动区间中体征数据的滤波权重，以实现更优的滤波效果，最终基于滤波权重通过双边滤波算法进行滤波处理获得滤波数据。本发明考虑到身体不同活动状态对应的体征数据在波动分布上的不同，通过体征数据对应的活动状态和多维体征数据的关联性，调整双边滤波权重得到更准确的滤波数据，提高后续监测的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。

图1为本发明一个实施例所提供的一种基于可穿戴设备的老人健康监测数据处理方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于可穿戴设备的老人健康监测数据处理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于可穿戴设备的老人健康监测数据处理方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于可穿戴设备的老人健康监测数据处理方法流程图，该方法包括以下步骤：

S1：通过老人身体上的智能穿戴设备获取预设时间段上每个采样时刻对应的不同种类的体征数据。

由于对生理体征数据的监测不仅仅针对一种数据进行的，需要多个种类的体征数据共同判断，因此在针对体征数据进行滤波时，对不同种类的体征数据均需进行合理的滤波。在本发明实施例中，通过老人身体上的智能穿戴设备可采集到不同种类的体征数据，体征数据的种类包括心率、血压、血糖或体温等等，考虑到人在不同状态下数据整体的波动是存在差异的，例如在睡眠状态下各种体征数据的波动均较为平缓，而在清醒状态下体征数据的波动都相对更明显，波动程度较大，如心率和呼吸频率等在清醒状态比睡眠状态的数据波动和分布更显著。

对于不同的波动其权重是需要不同的调整的，且为了更便于后续的监测，需考虑相同状态下体征数据的关联差异进行权重调整，故获取预设时间段上每个采样时刻对应的不同种类的体征数据，在本发明实施例中，预设时间段设置为2天，采样频率设置为每三十秒一次，具体数值实施者可根据具体实施情况进行调整，也即通过当前时刻前两天的时间段进行不同状态的综合分析，调整当前时刻下的滤波权重，提高实时监测的准确性。

S2：根据预设时间段上连续采样时刻对应不同种类的体征数据的波动差异情况和数据分布情况，将预设时间段划分为活动区间；根据每个活动区间相对于所有活动区间在所有种类的体征数据的分布上的偏差情况，确定每个活动区间的活动类型。

在老人身体处于不同的活动状态时，其体征数据的整体变化是具有差异的，在相同状态下是一致性较高的，例如在睡眠状态时，其体征数据的波动变化是较小的，在去噪时其所需的平滑程度小，波动趋势需要被更多的保留，同时在分析每个数据异常性进行去噪程度分析时，也可在相同的身体活动状态下分析，提高异常分析的准确性，对噪声数据进行更准确筛除。因此首先根据预设时间段上连续采样时刻对应不同种类的体征数据的波动差异情况和数据分布情况，将预设时间段划分为活动区间。

优选地，将当前时刻作为第一个划分时刻，并将划分时刻前预设连续数量个采样时刻作为待划分窗口。待划分窗口为分析状态发生变化的时刻的窗口，通常设置的长度满足身体活动发生变化的长度，在本发明实施例中，预设连续数量为1000，使得身体活动发生状态的情况可在待划分窗口中被分析到，实施者可根据具体实施情况进行调整，在此不做限制。需要说明的是，在预设时间段上，划分时刻是不断向前选取的，若后续预设时间段上的连续采样时刻不足预设连续数量时，直接将剩余的所有采样时刻作为待划分窗口进行分析。

同时，为了能够最大程度的分析活动状态的变化，划分时刻左右两侧进行分析的长度需要保证，划分时刻在待划分窗口中是在限定的范围内得到的，也即将划分窗口从右向左第预设初始数量个采样时刻作为第一个待划分时刻，将划分窗口从左向右第预设初始数量个采样时刻作为最后一个待划分时刻，第一个待划分时刻在最后一个待划分时刻的右侧，且第一个待划分时刻至最后一个待划分时刻之间的每个采样时刻均作为待划分时刻，基于限定的待划分时刻的范围进行划分时刻的选取，预设初始数量小于预设连续数量，在本发明实施例中，预设连续数量的设置使得在待划分时刻选择到第一个或最后一个时，待划分两侧的时间段不至于过小导致数据的分布情况的计算误差较高，预设连续数量设置为30，具体数值实施者可根据具体实施情况进行调控，在此不做限制。

依次将待划分窗口中的每个待划分时刻作为目标时刻，对每个待划分时刻均进行分析，将待划分窗口中目标时刻左侧所有采样时刻组成目标时刻对应的第一区间，将待划分窗口中剩余所有采样时刻组成目标时刻下对应的第二区间，将待划分窗口中的所有采样时刻均依据目标时刻划分至两个区间中。

在目标时刻对应的第一区间与第二区间之间，根据不同种类的体征数据的数据分布混乱差异情况，获得目标时刻对应的划分可能性，当两个区间之间的数据分布情况差异越大，说明两个区间越可能为状态不同的区间，目标时刻为划分时刻的可能性越高。

优选地，对于任意一个种类的体征数据，计算第一区间中该种类的所有体征数据的平均值，获得第一区间中该种类的数据分布值，计算第二区间中该种类的所有体征数据的平均值，获得第二区间中该种类的数据分布值，计算第一区间中该种类的数据分布值与第二区间中该种类的数据分布值的差异，获得目标时刻对应的该种类的区间分布差异指标，通过平均值反映数据的整体分布情况，进而根据单个种类的体征数据在区间之间的分布差异程度判断划分的优选程度。例如在睡眠状态的心率或呼吸频率通常均远低于清醒状态，各种体征数据的整体分布上存在差异。需要说明的是，所有参与计算的各种类的体征数据均已进行去量纲处理，消除量纲影响，去量纲处理为本领域技术人员熟知的技术手段，在此不做赘述。

计算第一区间中该种类的所有体征数据的方差，获得第一区间中该种类的数据混乱值，计算第二区间中该种类的所有体征数据的方差，获得第二区间中该种类的数据混乱值，计算第一区间中该种类的数据混乱值与第二区间中该种类的数据混乱值的差异，获得目标时刻对应的该种类的区间混乱差异指标，通过方差反映数据的整体波动情况，进而根据单个种类的体征数据在区间之间的差异程度，判断划分的优选程度，例如在睡眠状态下，体征数据的波动均是平缓的，而清晰状态则更为显著，方差存在明显的差异。

进而将目标时刻对应的该种类的区间分布差异指标和区间混乱差异指标的乘积进行归一化处理，获得目标时刻对应的该种类的划分可能指标，综合分布和混乱情况得到目标时刻对应单个种类的差异程度。计算目标时刻对应所有种类的划分可能指标的平均值，获得目标时刻的划分可能性，结合所有种类的体征数据反映目标时刻对应两个区间的差异情况，得到划分可能性。在本发明实施例中，划分可能性的表达式为：

式中，表示为第/>个待划分时刻的划分可能性，/>表示为体征数据的种类总数，表示为第/>个待划分时刻对应的第一区间中第/>个种类的数据分布值，/>表示为第/>个待划分时刻对应的第二区间中第/>个种类的数据分布值，/>表示为第/>个待划分时刻对应的第一区间中第/>个种类的数据混乱值，/>表示为第/>个待划分时刻对应的第二区间中第/>个种类的数据混乱值，/>表示为绝对值提取函数，/>表示为归一化函数，需要说明的是，归一化为本领域技术人员熟知的技术手段，归一化函数的选择可以为线性归一化或标准归一化等，具体的归一化方法在此不做限定。

其中，表示为第/>个待划分时刻对应的第/>个种类的区间分布差异指标，/>表示为第/>个待划分时刻对应的第/>个种类的区间混乱差异指标，表示为第/>个待划分时刻对应的第/>个种类的划分可能指标，当两个区间之间整体的体征数据的差异越大，说明此时的待划分时刻越可能为两种状态的分割时刻，故划分可能性越大。

在待划分窗口的所有待划分时刻中，将划分可能性的最大的待划分时刻作为划分时刻，划分可能性最大时，即为待划分窗口中状态区分最明显的时刻。将划分时刻与相邻上一个划分时刻之间的时间段作为一个活动区间，将预设时间段上未被划分为活动区间的部分迭代获取活动区间，也即为从当前时刻向前不断划分出活动区间，每次迭代确定划分时刻时从已经得到的活动区间的划分时刻向未被划分的部分进行待划分窗口确定分析，直至预设时间段上未被划分为活动区间的部分不能确定待划分时刻，也即为剩余的采样时刻较少不能满足第一个待划分时刻在最后一个待划分时刻的右侧，此时将剩余未被划分为活动区间的时间段作为一个活动区间。

在得到活动区间后，对活动区间表征的状态类型进行区分，主要根据体征数据在不同的活动状况下整体数值差异较大的分布特点，在本发明实施例中将活动区间的活动类型分为两类，睡眠状态和清醒状态，在这两种状态下，睡眠时的体征数据整体较为平缓，各项生理指标数据均表现出较低的水平，而清醒状态相对于睡眠状态其数据更显著，例如心率、呼吸频率和体温均会降低，以保证身体进行充分的休息，减少能量消耗。在本发明其他实施例中，也可将活动区间的活动类型分为睡眠状态、正常状态和运动状态三类，在此不做赘述。因此根据每个活动区间相对于所有活动区间在所有种类的体征数据的分布上的偏差情况，确定每个活动区间的活动类型。

优选地，计算每个活动区间中对应的每个种类的体征数据的平均值，获得每个活动区间对应每个种类的种类分布值，对每个活动区间计算每种体征数据的分布情况，计算每个活动区间中对应的所有种类的种类分布值的平均值，获得每个活动区间的趋势分布值，通过所有种类的体征数据的平均分布情况反映活动区间中体征数据的整体分布趋势。

进一步结合趋势分布值的差异情况进行活动类型的确定，将所有活动区间按照趋势分布值从小到大的顺序排列，获得区间分布序列，对于不同状态的活动区间，趋势分布值将会呈现出明显的两部分。因此计算区间分布序列中每相邻两个活动区间的趋势分布值的差异，作为区间分布序列的趋势差异，在区间分布序列中，将最大的趋势差异对应的活动区间作为划分区间，最大的趋势差异表征出对应的活动区间之间体征数据分布差异最大时，此时的活动区间对应的活动状态应该是不同的，将所有划分区间中对应最大的趋势分布值作为状态判别值，通过趋势分布值进行类型划分。

当活动区间的趋势分布值小于状态判别值时，说明活动区间的体征数据整体分布水平偏低，将对应的活动区间的活动类型记为第一类型，第一类型也即为睡眠状态。当活动区间的趋势分布值大于或等于状态判别值时，说明活动区间的体征数据整体分布水平较高，将对应的活动区间的活动类型记为第二类型，也即为清醒状态。

至此，完成对预设时间段上不同活动状态的时间段划分，得到反映不同活动状态的多个活动区间。

S3：将预设时间段上与当前时刻所处活动区间具有相同活动类型的其他活动区间作为当前时刻所处活动区间的匹配区间；根据当前时刻所处活动区间中每个采样时刻下每个种类的体征数据与其他种类的体征数据的关联程度，以及每个种类的体征数据在匹配区间的匹配关联情况，获得当前时刻所处活动区间中每个采样时刻下每个种类的体征数据的滤波系数。

在进行体征数据的监测时，对各种类的体征数据均需滤波，且考虑到滤波噪声的准确性，需要对每个种类的体征数据分析数据点的异常程度，对可能异常的点减小滤波保留波动情况，对噪声点则需提高滤波程度。因此可结合相同活动类型的活动区间在体征数据的关联程度上进行异常性的判断，给予当前时刻所处活动区间上每个采样时刻对应每个种类的最优滤波权重，以提高后续对数据监测的准确性。故首先将预设时间段上与当前时刻所处活动区间具有相同活动类型的其他活动区间作为当前时刻所处活动区间的匹配区间，通过匹配区间进行异常性判断。

进一步考虑到生理指标在发生异常时，异常状态下的各种类体征数据也会产生联动变化，而噪声数据通常随机性较强，也即为同时刻下多种类的体征数据之间的关联性较弱，基于这一特征进行每个时刻下对应每个种类的体征数据的滤波权重的获取，实现自适应滤波权重的调整。因此根据当前时刻所处活动区间中每个采样时刻下每个种类的体征数据与其他种类的体征数据的关联程度，以及每个种类的体征数据在匹配区间的匹配关联情况，获得当前时刻所处活动区间中每个采样时刻下每个种类的体征数据的滤波系数。

优选地，将当前时刻所处活动区间作为分析区间，依次将每个种类作为参考种类，对每个种类的体征数据依次分析，并依次将参考种类在分析区间中每个采样时刻的体征数据作为参考点，也即为对分析区间中每个采样时刻下每个种类的体征数据单独分析。

在一般情况下，参考种类在分析区间与匹配区间中的波动分布情况是一致的，故其波动分布可以通过匹配进行对应点的获取，获取参考点在每个匹配区间中参考种类对应的匹配点，在本发明实施例中，对于分析区间的任意一个匹配区间，通过DTW算法对分析区间与该匹配区间中的参考种类的体征数据进行匹配，也即对参考种类的体征数据在两个时间段上的时序序列进行匹配，获得分析区间中参考种类的每个体征数据在该匹配区间中参考种类对应的匹配点，也即为参考点在一个匹配区间中对应一个或多个匹配点。需要说明的是，DTW算法获取匹配点的方法为本领域技术人员熟知的技术手段，在此不做赘述。

由于体征数据在不同区间中对应的活动状态是一致的，且在不用种类之间的关联性应均是较高的，因此可根据每个体征数据的分布情况得到与其他不同种类的体征数据在同时刻下的关联性，也即得到每个体征数据的关联特征度，基于关联特征度的获取方法，获取参考点和匹配点的关联特征度，可进一步对参考点与匹配点进行关联特征差异的分析。

在本发明一个实施例中，对于任意一个种类的体征数据中的一个体征数据，所有体征数据的获取方法均一致，获取该体征数据所在采样时刻对应的斜率的绝对值，作为该体征数据的变化度，反映体征数据在该时刻下的变化程度。在该体征数据所在采样时刻下，将除该体征数据所在种类外的每个其他种类的体征数据对应的斜率的绝对值，作为该体征数据的每个维度变化度，也即为同采样时刻下每个其他种类体征数据的变化度，反映同时刻下其他种类体征数据的变化程度。计算该体征数据的变化度与每个维度变化度之间的差异，获得该体征数据的每个变化差异，反映在此时刻下该体征数据与其他种类之间的变化程度的差异情况。将该体征数据的最小的变化差异进行负相关映射并归一化处理，获得该体征数据的趋势变化值，选取变化程度最小的情况反映在多维度下该体征数据与其他数据的最关联情况，当最关联情况越大，说明同采样时刻下该体征数据与其他种类体征数据的关联性越差。进一步结合变化程度与数据值，综合表征该体征数据的关联特征，计算该体征数据的趋势变化值和该体征数据的数据值之间的乘积，获得该体征数据的关联特征度。在本发明实施例中，关联特征度的表达式为：

式中，表示为第/>个采样时刻下第/>个种类的体征数据的关联特征度，/>表示为第/>个采样时刻下第/>个种类的体征数据的数据值，/>表示为第/>个采样时刻下第/>个种类的体征数据的变化度，/>表示为第/>个采样时刻下第/>个种类的体征数据的变化度，也即为第/>个采样时刻下第/>个种类的体征数据的维度变化度，/>，/>表示为绝对值提取函数，/>表示为以自然常数为底的指数函数。

其中，表示为第/>个采样时刻下第/>个种类的体征数据的变化差异，表示为第/>个采样时刻下第/>个种类的体征数据的最小的变化差异，表示为第/>个采样时刻下第/>个种类的体征数据的趋势变化值。当最小变化差异越小，则体征数据的关联离散性越小，该体征数据关联程度越好，其数据值反映分布的可信程度越高，故关联特征值越大。

对于任意一个匹配区间，计算参考点与该匹配区间中每个匹配点之间的关联特征度的差异，获得参考点对应的每个关联差异，通过关联差异反映参考点与匹配点的数据分布情况的差异程度。将参考点对应的最小的关联差异进行负相关映射并归一化处理，获得参考点在该匹配区间下的关联指标，通过最小的关联差异反映与参考点最相似的匹配点之间的匹配程度，当最小的关联差异越小，说明参考点与该匹配区间中的体征数据匹配效果越好，故关联指标越高。

计算参考点在所有匹配区间下的关联指标的平均值并进行归一化处理，获得参考点的滤波系数，结合参考点与每个匹配区间的匹配效果，当匹配效果越优，也即关联指标整体越大，说明参考点为噪声数据的可能性较低，提高参考点的保留效果，因此滤波系数越高。需要说明的是，归一化处理为本领域技术人员熟知的技术手段，可采用线性归一化等方法，在此不做赘述。

至此，对当前时刻所处活动区间结合相同活动状态的活动区间，分析每个时刻下每个种类的特征数据的噪声程度，自适应得到调整的滤波系数。

S4：根据当前时刻所处活动区间的活动类型，以及每个采样时刻下每个种类的体征数据的滤波系数，获得当前时刻所处活动区间中每个采样时刻下每个种类的体征数据的滤波权重；基于滤波权重通过双边滤波算法进行滤波，获得当前时刻所处活动区间中每个种类的滤波数据。

考虑了同身体活动状态对噪声分析的影响得到体征数据的自适应滤波系数，同时进一步考虑到不同活动状态本身的数据特点可能产生的影响，例如在睡眠状态下数据波动平缓，若此时的滤波系数较小将很有可能破坏数据本身的波动特征，需要更高权重以保证本身数据波动的保留性，而数据波动更为显著的清醒状态，若滤波系数较大可能不能对数据进行很好的平滑，去噪效果不高，因此在原有噪声分析得到滤波系数的基础上，结合活动类型进一步调整滤波系数得到更合适的滤波权重。因此根据当前时刻所处活动区间的活动类型，以及每个采样时刻下每个种类的体征数据的滤波系数，获得当前时刻所处活动区间中每个采样时刻下每个种类的体征数据的滤波权重。

在本发明一个实施例中，因为活动区间的活动类型主要分为表征睡眠状态的第一类型和表征清醒状态的第二类型，因此若当前时刻所处活动类型为第一类型时，也即睡眠状态时，将每个采样时刻下每个种类的体征数据的滤波系数与预设第一调整权重的和值，作为当前时刻所处活动区间中每个采样时刻下每个种类的体征数据的滤波权重。若当前时刻所处活动类型为第二类型时，也即清晰状态时，将每个采样时刻下每个种类的体征数据的滤波系数与预设第二调整权重的和值，作为当前时刻所处活动区间中每个采样时刻下每个种类的体征数据的滤波权重。在本发明实施例中，预设第一调整权重设置为1，预设第二调整权重设置为0，其目的是保证睡眠状态的滤波权重保持在较高的水平范围，清晰状态的滤波权重保持在较低的水平范围，提高滤波效果，具体数值实施者可根据具体实施情况进行调整，在此不做限制。

进一步可基于滤波权重通过双边滤波算法进行滤波，获得当前时刻所处活动区间中每个种类的滤波数据，双边滤波是通过加权高斯核进行滤波操作的，因此在本发明实施例中，将每个采样时刻对应每个种类体征数据的滤波权重作为双边滤波过程中高斯核的权重，对当前时刻所处活动区间中的每个种类的体征数据进行滤波，获得每个种类的滤波数据。需要说明的是，高斯核也即为双边滤波算法中进行卷积操作的滤波器，具体数据设置实施者可根据具体实施情况进行设置，双边滤波算法为本领域技术人员熟知的技术手段在此不做赘述。

最后滤波处理后的滤波数据可以实现更准确的监测，在本发明实施例中，通过所有种类的滤波数据进行监测，在当前时刻所在活动区间中，当存在任意一个种类的体征数据超过该种类的预设阈值时，进行警报。否则，不进行警报。预设阈值实施者可根据不同种类的体征数据自行调控，在此不做限制。

综上，本发明考虑到身体的不同活动状态导致体征数据的整体波动分布不同，在预设时间段上依据不同种类的体征数据在波动和分布上的差异情况进行划分，得到活动区间并基于各种类的体征数据的分布偏差情况，确定每个活动区间的活动类型，使得在分析噪声情况时，可以在同活动状态的体征数据进行分析，提高对体征数据所需滤波程度的分析。为了提高实时监测的准确性，对当前时刻所处活动区间中的体征数据进行滤波调整，将与当前时刻所处活动区间为同一活动类型的活动区间作为匹配区间，结合当前时刻所处活动区间中每个种类的体征数据与其他种类的关联程度，以及每个种类体征数据在匹配区间的匹配关联情况，得到当前时刻所处活动区间中体征数据的滤波系数，通过多维数据的关联情况分析体征数据的噪声情况，进而得到每个种类的体征数据所需的滤波程度，提高对噪声数据的滤波效果。同时，考虑到不同活动状态下体征数据受到滤波程度的影响，进一步结合活动类型调整滤波系数，得到当前时刻所处活动区间中体征数据的滤波权重，以实现更优的滤波效果，最终基于滤波权重通过双边滤波算法进行滤波处理获得滤波数据。本发明考虑到身体不同活动状态对应的体征数据在波动分布上的不同，通过体征数据对应的活动状态和多维体征数据的关联性，调整双边滤波权重得到更准确的滤波数据，提高后续监测的准确性。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (10)

1.一种基于可穿戴设备的老人健康监测数据处理方法，其特征在于，所述方法包括：

通过老人身体上的智能穿戴设备获取预设时间段上每个采样时刻对应的不同种类的体征数据；

根据预设时间段上连续采样时刻对应不同种类的体征数据的波动差异情况和数据分布情况，将预设时间段划分为活动区间；根据每个活动区间相对于所有活动区间在所有种类的体征数据的分布上的偏差情况，确定每个活动区间的活动类型；

将预设时间段上与当前时刻所处活动区间具有相同活动类型的其他活动区间作为当前时刻所处活动区间的匹配区间；根据当前时刻所处活动区间中每个采样时刻下每个种类的体征数据与其他种类的体征数据的关联程度，以及每个种类的体征数据在匹配区间的匹配关联情况，获得当前时刻所处活动区间中每个采样时刻下每个种类的体征数据的滤波系数；

根据当前时刻所处活动区间的活动类型，以及每个采样时刻下每个种类的体征数据的滤波系数，获得当前时刻所处活动区间中每个采样时刻下每个种类的体征数据的滤波权重；基于滤波权重通过双边滤波算法进行滤波，获得当前时刻所处活动区间中每个种类的滤波数据。

2.根据权利要求1所述一种基于可穿戴设备的老人健康监测数据处理方法，其特征在于，所述活动区间的获取方法包括：

将当前时刻作为第一个划分时刻，并将划分时刻前预设连续数量个采样时刻作为待划分窗口；

将划分窗口从右向左第预设初始数量个采样时刻作为第一个待划分时刻，将划分窗口从左向右第预设初始数量个采样时刻作为最后一个待划分时刻；第一个待划分时刻在最后一个待划分时刻的右侧，且第一个待划分时刻至最后一个待划分时刻之间的每个采样时刻均作为待划分时刻；预设初始数量小于预设连续数量；

依次将待划分窗口中的每个待划分时刻作为目标时刻；将待划分窗口中目标时刻左侧所有采样时刻组成目标时刻对应的第一区间；将待划分窗口中剩余所有采样时刻组成目标时刻下待划分窗口的第二区间；

在目标时刻对应的第一区间与第二区间之间，根据不同种类的体征数据的数据分布混乱差异情况，获得目标时刻对应的划分可能性；

在待划分窗口的所有待划分时刻中，将划分可能性的最大的待划分时刻作为划分时刻；将划分时刻与相邻上一个划分时刻之间的时间段作为一个活动区间；将预设时间段上未被划分为活动区间的部分迭代获取活动区间，直至预设时间段上未被划分为活动区间的部分不能确定待划分时刻，此时将剩余未被划分为活动区间的时间段作为一个活动区间。

3.根据权利要求2所述一种基于可穿戴设备的老人健康监测数据处理方法，其特征在于，所述划分可能性的获取方法包括：

对于任意一个种类的体征数据，计算第一区间中该种类的所有体征数据的平均值，获得第一区间中该种类的数据分布值；计算第二区间中该种类的所有体征数据的平均值，获得第二区间中该种类的数据分布值；计算第一区间中该种类的数据分布值与第二区间中该种类的数据分布值的差异，获得目标时刻对应的该种类的区间分布差异指标；

计算第一区间中该种类的所有体征数据的方差，获得第一区间中该种类的数据混乱值；计算第二区间中该种类的所有体征数据的方差，获得第二区间中该种类的数据混乱值；计算第一区间中该种类的数据混乱值与第二区间中该种类的数据混乱值的差异，获得目标时刻对应的该种类的区间混乱差异指标；

将目标时刻对应的该种类的区间分布差异指标和区间混乱差异指标的乘积进行归一化处理，获得目标时刻对应的该种类的划分可能指标；计算目标时刻对应所有种类的划分可能指标的平均值，获得目标时刻的划分可能性。

4.根据权利要求1所述一种基于可穿戴设备的老人健康监测数据处理方法，其特征在于，所述根据每个活动区间相对于所有活动区间在所有种类的体征数据的分布上的偏差情况，确定每个活动区间的活动类型，包括：

计算每个活动区间中对应的每个种类的体征数据的平均值，获得每个活动区间对应每个种类的种类分布值；计算每个活动区间中对应的所有种类的种类分布值的平均值，获得每个活动区间的趋势分布值；

将所有活动区间按照趋势分布值从小到大的顺序排列，获得区间分布序列；计算区间分布序列中每相邻两个活动区间的趋势分布值的差异，作为区间分布序列的趋势差异；在区间分布序列中，将最大的趋势差异对应的活动区间作为划分区间；将所有划分区间中对应最大的趋势分布值作为状态判别值；

当活动区间的趋势分布值小于状态判别值时，将对应的活动区间的活动类型记为第一类型；当活动区间的趋势分布值大于或等于状态判别值时，将对应的活动区间的活动类型记为第二类型。

5.根据权利要求1所述一种基于可穿戴设备的老人健康监测数据处理方法，其特征在于，所述滤波系数的获取方式包括：

将当前时刻所处活动区间作为分析区间；依次将每个种类作为参考种类，并依次将参考种类在分析区间中每个采样时刻的体征数据作为参考点；

获取参考点在每个匹配区间中参考种类对应的匹配点；基于关联特征度的获取方法，获取参考点和匹配点的关联特征度；

对于任意一个匹配区间，计算参考点与该匹配区间中每个匹配点之间的关联特征度的差异，获得参考点对应的每个关联差异；将参考点对应的最小的关联差异进行负相关映射并归一化处理，获得参考点在该匹配区间下的关联指标；

计算参考点在所有匹配区间下的关联指标的平均值并进行归一化处理，获得参考点的滤波系数。

6.根据权利要求5所述一种基于可穿戴设备的老人健康监测数据处理方法，其特征在于，所述关联特征度的获取方法包括：

对于任意一个种类的体征数据中的一个体征数据，获取该体征数据所在采样时刻对应的斜率的绝对值，作为该体征数据的变化度；

在该体征数据所在采样时刻下，将除该体征数据所在种类外的每个其他种类的体征数据对应的斜率的绝对值，作为该体征数据的每个维度变化度；计算该体征数据的变化度与每个维度变化度之间的差异，获得该体征数据的每个变化差异；将该体征数据的最小的变化差异进行负相关映射并归一化处理，获得该体征数据的趋势变化值；

计算该体征数据的趋势变化值和该体征数据的数据值之间的乘积，获得该体征数据的关联特征度。

7.根据权利要求5所述一种基于可穿戴设备的老人健康监测数据处理方法，其特征在于，所述获取参考点在每个匹配区间中参考种类对应的匹配点，包括：

对于分析区间的任意一个匹配区间，通过DTW算法对分析区间与该匹配区间中的参考种类的体征数据进行匹配，获得分析区间中参考种类的每个体征数据在该匹配区间中参考种类对应的匹配点。

8.根据权利要求4所述一种基于可穿戴设备的老人健康监测数据处理方法，其特征在于，所述滤波权重的获取方法包括：

若当前时刻所处活动类型为第一类型时，将每个采样时刻下每个种类的体征数据的滤波系数与预设第一调整权重的和值，作为当前时刻所处活动区间中每个采样时刻下每个种类的体征数据的滤波权重；

若当前时刻所处活动类型为第二类型时，将每个采样时刻下每个种类的体征数据的滤波系数与预设第二调整权重的和值，作为当前时刻所处活动区间中每个采样时刻下每个种类的体征数据的滤波权重。

9.根据权利要求1所述一种基于可穿戴设备的老人健康监测数据处理方法，其特征在于，所述基于滤波权重通过双边滤波算法进行滤波，获得当前时刻所处活动区间中每个种类的滤波数据，包括：

将每个采样时刻对应每个种类体征数据的滤波权重作为双边滤波过程中高斯核的权重，对当前时刻所处活动区间中的每个种类的体征数据进行滤波，获得每个种类的滤波数据。

10.根据权利要求1所述一种基于可穿戴设备的老人健康监测数据处理方法，其特征在于，所述预设时间段设置为2天。