一种基于PCANet的脉搏信号亚健康检测方法及检测系统技术方案

一种基于PCANet的脉搏信号亚健康检测方法及检测系统，检测时选取研究对象并对研究对象的健康状况进行初步划分与筛选，再通过脉冲传感器采集各研究对象的脉搏信号数据；将采集到的脉搏信号数据进行归一化处理，使脉搏信号数据映射至[‑1，1]的范围内，去除脉搏信号中的噪声及异常波形，获得纯净的脉搏信号；对预处理后的脉搏信号使用PCANet分别提取健康和亚健康脉搏信号特征以重构误差作为损失函数，学习PCA滤波核，使用PCA算法来计算样本集，提取样本集协方差矩阵前L个最大特征值对应的特征向量组成特征映射矩阵；将提取得到的特征映射矩阵通过SVM分类器和KNN分类器来识别健康与亚健康状态，检测过程简单高效。

A sub-health detection method and detection system for pulse signals based on PCANet

A sub-health detection method and system of pulse signal based on PCANet is proposed in this paper. The research object is selected and the health condition of the research object is preliminarily divided and screened. Then the pulse signal data of each research object is collected by pulse sensor. The collected pulse signal data is normalized to make the pulse. The signal data are mapped to the range of [1,1], and the noise and abnormal waveforms in the pulse signal are removed to obtain a pure pulse signal. The characteristics of healthy and sub-healthy pulse signals are extracted by PCANet respectively, and the reconstruction error is taken as the loss function. The PCA filter kernel is learned and the PCA algorithm is used to calculate the sample. In this set, the feature vectors corresponding to the first L maximum eigenvalues of the covariance matrix of the sample set are extracted to form the feature mapping matrix, and the extracted feature mapping matrix is used to identify the healthy and sub-healthy states by SVM classifier and KNN classifier. The detection process is simple and efficient.

【技术实现步骤摘要】
一种基于PCANet的脉搏信号亚健康检测方法及检测系统
本专利技术属于计算机智能视觉领域，具体涉及一种基于PCANet的脉搏信号亚健康检测方法及检测系统。
技术介绍
亚健康是一种介于健康与疾病之间的中间状态，主要表现为身体机能降低、功能和免疫力减退。根据世界卫生组织(WorldHealthOrganization,WHO)的全球调查结果显示，75％的人处于亚健康状态，20％处于发病状态，只有5％处于健康状态，亚健康严重危害了居民的健康。研究表明，生理信号中蕴含了丰富的与人体生理活动、精神状态以及与疾病诊断密切相关的信息，而脉搏信号是人体重要的生理信号，对于人体各种疾病的诊断具有极其重要的价值，因此可以通过分析人体的脉搏信号来实现亚健康状态的检测。脉搏信号分析的关键问题是对脉搏信号进行特征提取。在脉搏信号分析方面，主要用到了时频分析法，典型的时频分析方法有：短时傅里叶变换、Gabor变换、小波变换以及希尔伯特-黄变换。短时傅立叶变换(ShortTimeFourierTransform，STFT)，它的基本思想是将信号划分为多个小的时间段，在每个时间段内计算信号的傅立叶变换，从而得到各个不同时刻的信号功率谱，但由于采用固定的窗函数，因此不具备自适应调节能力。Gabor变换是选用高斯函数作为时频窗的最优短时傅立叶变换，它在进行短时傅立叶变换的同时能够使信号的时间分辨率和频率分辨率达到最优，但仍然属于单一分辨率的时频分析方法。小波变换(WaveletTransform，WT)是一种多分辨率分析方法，具体作用为通过求解信号与小波基函数的卷积将信号分解成多个时频带上的不同成分。它通过伸缩和平移等运算实现信号在时频两域的局部分析，不仅能够观察信号的整体，还能够观察信号的局部，因而可以更加有效地提取信号的信息，但是，小波变换难以进行时间-频率-能量分布的定量分析，因此不具备自适应性。希尔伯特-黄变换(Hilbert-Huangtransforms，HHT)是一种自适应的时频局部分析方法，可将复杂的非平稳信号分解成多个固有模态函数分量，再对其进行希尔伯特变换尔伯特-黄变换突破了傅立叶变换的限制，分解时不需要先验条件(例如选择窗函数或基函数等)，只需依据信号本身的特点进行分解即可，因而具有很强的自适应性，非常适合处理非线性、非平稳信号。当然，它也存在着一些缺点：模态混叠，实时性差，易产生新频率成分等。
技术实现思路
本专利技术的目的在于针对上述现有技术中的问题，提供一种基于PCANet的脉搏信号亚健康检测方法及检测系统，主成分分析网络PCANet(PrincipalComponentAnalysisNetwork)是一种基于卷积神经网络(ConvolutionalNeuralNetwork,CNN)简化的深度学习模型，是一种分层级联的特征学习结构，它在DPCA算法的基础上进行了一定扩展，PCANet的核心是利用PCA来学习多阶段的滤波器，PCANet对脉搏信号进行特征提取分为三个部分：第一层映射，包括均值化和PCA卷积滤波两个操作；第二层映射，和第一层映射类似；哈希编码和直方图分块。该检测方法具有较高的分类识别率，能降低外界干扰对脉搏信号特征提取的影响，简单高效。为了实现上述目的，本专利技术采用的技术方案包括以下步骤：步骤1、数据采集；选取研究对象并对研究对象的健康状况进行初步的划分与筛选，再通过脉冲传感器采集各研究对象的脉搏信号数据，待信号平稳后对采集到的数据进行记录；步骤2、数据预处理；将采集到的脉搏信号数据进行归一化处理，使脉搏信号数据映射至[-1，1]的范围内，去除脉搏信号中的基线漂移、工频干扰、高频噪声及异常波形，获得纯净的脉搏信号；步骤3、特征提取；对预处理后的脉搏信号使用PCANet分别提取健康和亚健康脉搏信号特征；步骤4、SVM和KNN分类；将提取得到的特征映射矩阵通过SVM分类器和KNN分类器来识别健康与亚健康状态。所述的步骤1中令研究者填写亚健康自评表并根据得分情况对研究对象的健康状况进行初步的划分与筛选；所述的亚健康自评表取自中国轻工业出版社的《亚健康概论》，分别从躯体症状、工作、心理、人际交往以及社会适应五个方面判别受试者是否处于亚健康状态。所述的脉冲传感器采用HK-2000C集成数字脉搏传感器，采样频率为200Hz，采样时间设置为1.5min。采集各研究对象的脉搏信号数据时，使脉冲传感器对准研究对象手腕桡动脉搏动最强处，脉冲传感器采集到的数据传输至计算机并通过动态链接库程序在显示屏上显示脉搏波形，保持研究对象的手腕与心脏平齐，采集过程中使研究对象保持平稳。所述的步骤2采用小波变换的方法和脉搏信号干扰段检测算法去除脉搏信号中的噪声及异常波形。所述步骤3具体操作包括：1)均值化：对于第i个样本Ti，片段滑动截取得到mn个片段，第i个样本Ti的第j个片段向量表示为xi,j；对xi,j进行去均值处理，得到第i个原始样本预处理的结果，对所有的样本进行相同的处理后，此时的样本矩阵表示为：2)PCA卷积滤波：使用PCA算法学习映射矩阵，以最小化重构误差作为损失函数，学习PCA滤波器核，提取样本矩阵的前L个最大特征值对应的特征向量来醉成特征矩阵，在卷积之前对样本进行边缘补零操作，保证卷积前后样本大小相同；3)哈希编码：为了使样本的特征表达性更强，使用类Heaviside阶跃函数H(·)对提取到的特征进行二值化处理，对原始样本Ti去除特征值中的负值部分之后再进行哈希编码；4)直方图分块：原始样本Ti对应的输出分为B个块，每个块分别进行直方图统计，然后将以上结果向量化，得到的最终的特征输出：其中，Bhist表示分块及直方图统计，fi表示采用PCANet提取第i个原始样本Ti的最终特征向量，L1和L2表示两个阶段PCA的滤波器参数。所述的步骤4中SVM分类器采用线性核函数，如下式所示：k(x,xi)＝x·xi；k(x,xi)表示要构造的核函数，x·xi表示特征空间中的内积运算。本专利技术基于PCANet的脉搏信号亚健康检测系统，包括采集装置和检测装置；所述的采集装置包括：用于采集研究对象脉搏信号数据的信号数据采集模块；用于对采集到的脉搏信号数据进行记录的USB串口数据存储模块；用于对脉搏信号数据根据通信协议进行数据格式转换的数据格式转换模块；以及，用于对脉搏信号数据进行归一化处理，使脉搏信号数据映射至[-1，1]的范围内，并且去除脉搏信号中的基线漂移、工频干扰、高频噪声和异常波形的数据预处理模块；所述的检测装置包括：用于根据采集装置提供的脉搏信号数据提取健康和亚健康脉搏信号特征的PCANet网络特征提取模块，通过PCANet网络特征提取模块得到特征映射矩阵；用于对特征映射矩阵通过SVM分类器和KNN分类器来识别健康与亚健康状态的SVM和KNN分类模块；以及用于输出SVM和KNN分类模块状态识别结果的分类结果输出模块。与现有技术相比，本专利技术具有如下的有益效果：采用PCANet的检测方法识别亚健康状态，在数据预处理阶段通过去除脉搏信号中的噪声及异常波形，对原始脉搏信号描述准确，克服了时频域分析方法提取特征的缺点，有效提高了分类识别率。此外，本专利技术通过将采集到的脉搏信号数据进行归一化处理，采用网格搜索算法寻优，得到PCANet模本文档来自技高网...

【技术保护点】
1.一种基于PCANet的脉搏信号亚健康检测方法，其特征在于，包括以下步骤：步骤1、数据采集；选取研究对象并对研究对象的健康状况进行初步的划分与筛选，再通过脉冲传感器采集各研究对象的脉搏信号数据，待信号平稳后对采集到的数据进行记录；步骤2、数据预处理；将采集到的脉搏信号数据进行归一化处理，使脉搏信号数据映射至[‑1，1]的范围内，去除脉搏信号中的基线漂移、工频干扰、高频噪声及异常波形，获得纯净的脉搏信号；步骤3、特征提取；对预处理后的脉搏信号使用PCANet分别提取健康和亚健康脉搏信号特征；步骤4、SVM和KNN分类；将提取得到的特征映射矩阵通过SVM分类器和KNN分类器来识别健康与亚健康状态。

【技术特征摘要】
1.一种基于PCANet的脉搏信号亚健康检测方法，其特征在于，包括以下步骤：步骤1、数据采集；选取研究对象并对研究对象的健康状况进行初步的划分与筛选，再通过脉冲传感器采集各研究对象的脉搏信号数据，待信号平稳后对采集到的数据进行记录；步骤2、数据预处理；将采集到的脉搏信号数据进行归一化处理，使脉搏信号数据映射至[-1，1]的范围内，去除脉搏信号中的基线漂移、工频干扰、高频噪声及异常波形，获得纯净的脉搏信号；步骤3、特征提取；对预处理后的脉搏信号使用PCANet分别提取健康和亚健康脉搏信号特征；步骤4、SVM和KNN分类；将提取得到的特征映射矩阵通过SVM分类器和KNN分类器来识别健康与亚健康状态。2.根据权利要求1所述基于PCANet的脉搏信号亚健康检测方法，其特征在于：所述的步骤1中令研究者填写亚健康自评表并根据得分情况对研究对象的健康状况进行初步的划分与筛选；所述的亚健康自评表取自中国轻工业出版社的《亚健康概论》，分别从躯体症状、工作、心理、人际交往以及社会适应五个方面判别受试者是否处于亚健康状态。3.根据权利要求1所述基于PCANet的脉搏信号亚健康检测方法，其特征在于：所述的脉冲传感器采用HK-2000C集成数字脉搏传感器，采样频率为200Hz，采样时间设置为1.5min。4.根据权利要求1或3所述基于PCANet的脉搏信号亚健康检测方法，其特征在于：采集各研究对象的脉搏信号数据时，使脉冲传感器对准研究对象手腕桡动脉搏动最强处，脉冲传感器采集到的数据传输至计算机并通过动态链接库程序在显示屏上显示脉搏波形，保持研究对象的手腕与心脏平齐，采集过程中使研究对象保持平稳。5.根据权利要求1所述基于PCANet的脉搏信号亚健康检测方法，其特征在于：所述的步骤2采用小波变换的方法和脉搏信号干扰段检测算法去除脉搏信号中的噪声及异常波形。6.根据权利要求1所述基于PCANet的脉搏信号亚健康检测方法，其特征在于，步骤3的具体操作包括：1)均值化：对于第i个样本Ti，片段滑动截取得到mn个片段，第i个样本Ti的第j个片段向量表示为xi...

【专利技术属性】
技术研发人员：艾玲梅，薛亚庆，任阳红，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：陕西,61