一种基于神经网络自适应健康监测的可穿戴设备制造技术

本发明专利技术公开一种基于神经网络自适应健康监测的可穿戴设备，包括：运动状态求解模块、运动环节判断模块、降维求解模块、生理参数设定模块、生理参数采集模块；运动状态求解模块采集加速度传感器输出的加速度数据，并经小波变换过滤高频噪声，划分用户的运动状态；运动环节判断模块，结合角速度对所述运动状态进行细分，获得运动细分环节；降维求解模块，使用优化的SVM分层级结合不同层级数据对部分病态特征的进一步精细区分。本发明专利技术分析环节综合不同特征降维取样，大大减少了运动量，通过重点计算验证环节，又保证了正确性，提高所获得的用户生理参数的医学参考价值，并在同等情况下提取功耗待机能力。

【技术实现步骤摘要】
一种基于神经网络自适应健康监测的可穿戴设备
本专利技术涉及智能穿戴领域，特别涉及一种基于神经网络自适应健康监测的可穿戴设备。
技术介绍
心血管疾病作为最能威胁人类健康的一种疾病，其病因涉及人体内运输血液的组织和包括心脏、动脉血管、静脉血管在内的循环系统。人体脉搏包含丰富的与心血管有关的生理病理信息，其波形幅值、周期、形状都可作为判断人体心血管系统健康与否的重要依据。长期以来，人们通过心电图机获取心电图进行判别。随着可穿戴技术和远程医疗的发展，人们越来越不满足在限定时间、地点并且限制生理活动的条件下使用心电图机等大型设备获得自身健康信息，而更倾向于自由、灵活、连续和实时地监测自身健康状态。心电图的获取，从原理上划分大体有如下四类：1、光：利用光透射或反射血管内流动的血液(脉搏)来检测脉率，通常情况下脉率与心率数据相等的。目前指夹式光传感器基本使用可见光透射原理；而脉搏的光传感器基本使用光反射原理。2、电：就是通常说的ECG信号，它是有人体心脏搏动而产生的毫伏级电信号，大家看到体检的心电图，心率带、心电手表等至少需要两个以上电极的设备基本上都属于这种检测原理。3、声：通常是利用超声多普勒原理来检查心脏的搏动，常见的胎心仪就是这一原理。4、压：通常使用一个压力传感器来检测脉博搏动的微弱压力信号来检测脉率，有极少手环使用，主要在血压检测中计算血压和脉率。上述四类方法中，光学检测方法具有实施便捷、成本低廉、能够24小时检测等优势，成为可穿戴便携式手表测量的主流手段。尤其是使用绿光作为光源测量PPG的特性，与红外光和红光相比较，绿光受皮下组织的干扰更小，获取的PPG波形更加完整。通过绿光照射，由于人体皮下组织的血红蛋白等吸光物质在整个血液循环中吸光系数和血液浓度保持不变，透射光或反射光光程随心脏作用呈周期性变化，心脏舒张期外周血液容积量最小，光程最小，光吸收量也最小，检测到的光强最小，而心脏收缩期则刚好相反，探测到反射光强的变化并转化为数字信号，进而描绘成心电脉搏波。可穿戴健康智能腕表采集的健康体征数据目前业界只作为健康分析参考，没有大规模取代传统非穿戴式家用医疗器械和快速普及，存在如下原因：1、准确性问题：现有的可穿戴设备，未考虑不同生理参数应该在不同的运动状态下进行采集，这样才能获得具有医学参考价值的生理参数。目前业界健康检测设备是在用户静止状态下，测量其心率或心电图。但是实际上针对不同的病患需要采集不同运动状态下的生理参数采用意义，即许多健康体征的采集对采集者的状态环境有较高的要求。例如，心电图的采集需要人体平静状态下采集，如果运动过后，需要人体静止休息10分钟后，获得的心率数据具有医学参考价值；动态心率在运动开始3分钟后测得的运动心率数据具有医学参考价值。同时，对于一些特殊病例，其生理参数应该在特定的步态周期中采集。现有技术，并根据步态状态进行生理参数的采集。例如，对于中风(脑卒中)、帕金森等预测诊断与步态周期的不同环节的动作状态下的表现等情况有关。故需要精细地采集运动状态、周期、运动细微特征。2、电量问题：由于体积、重量、系统性能的约束，电源容量是制约广泛使用最重要的因素之一。目前带绿光采集的手表手环功耗待机时间本来就十分有限，现有技术全面采集运动状态的细节特征，带来的运算量、功耗也比较大，降低可穿戴设备的续航能力。综上，现有技术采集生理参数时，并没有考虑到用户的运动状态；同时，现有技术只能进行简单的计步等运动状态采集，对于运动环节、运动细微特征的差别没有采集。此外，现有技术采集运动状态细节特征时，运算量大，功耗高。
技术实现思路
有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题是提供一种基于神经网络自适应健康监测的可穿戴设备，旨在解决现有技术在采集生理参数时，未考虑到用户的运动状态；本专利技术对运动环节、运动细微特征的进行辨识，并采集相应的生理参数信息，便于医生或其他人员对用户健康状态进行分析。同时，本专利技术采用分级的方式来采集运动状态，减低数据处理运算量，降低可穿戴设备功耗，提高续航能力。为实现上述目的，本专利技术提供了一种基于神经网络自适应健康监测的可穿戴设备，包括：运动状态求解模块，用于定时采集加速度传感器输出的加速度数据，并经小波变换过滤高频噪声，划分用户的运动状态；运动环节判断模块，用于结合角速度对所述运动状态进行细分，获得运动细分环节；降维求解模块，用于使用优化的SVM分层级结合不同层级数据对部分病态特征的进一步精细区分；生理参数设定模块，用于设定不同运动状态、步态下所要采集的生理参数；生理参数采集模块，用于根据需要采集的生理参数，在指定的运动状态、步态下采集对应的生理参数。进一步而言，所述运动环节判断模块，被配置为：采集所述加速度传感器在x、y、z三轴方向上的加速度值ax、ay、az，并求解加速度信号向量模SVMA；采集所述角速度传感器在x、y、z三轴方向上的角速度值wx、wy、wz，并求解角速度信号向量模SVMW；所述通过加速度信号向量模SVMA、角速度信号向量模SVMW，建立和自适应完善的识别模型，对所述运动状态进行细分，获得运动细分环节。进一步而言，所述运动环节判断模块还包含滤波单元，所述滤波单元对采集到的加速度传感器、角速度传感器数据进行进行小波分解、对高频小波系数处理、小波重构三个步骤的小波变换操作，将各方向时域信号离散化，将多种频率成分的混合信号分解到不同频段，然后根据各种子信号在频域上的不同特征按频带处理；获取信噪比高的步态数据；所述小波变换采用硬阈值法，小波系数为Cj,k，阈值为λ；所述进一步而言，所述降维求解模块，被配置为：获取用户的生理参数数据，并对所述用户生理参数数据进行降维；采集用户脚部三个方向的加速度/角速度值，对样本人群整体取标准差，N为样本量，先训练分类器，再用分类器识别步态样本；综合计算某人步态偏离整理人群的程度x，所述其中，a、b、c分别为用户三个方向加速度/角速度值；将数据库中已经注册了个人N类步态样本，将样本输入分类器训练，根据输入值判定是(1，N)中哪一类，如果超出(1，N)范围，则新注册类别N+1类，然后重新更新分类器；在上述不同运动划分基础上，同种运动再次细分，并采取投票方式决定分类结果。进一步而言，所述降维求解模块还被配置为：对原始数据进行标准化处理，通过举证中的每个元素减去所在列的均值，然后除以所在列的标准差，使得每个变量标准化为均值为0，方差为1的矩阵X，即X＝[X1，X2，......Xn]T＝[Xij](n×p)；其中，获得求解相关系数矩阵：其中，R是实对称矩阵(即rij＝rji)，其中r为相关系数；求解相关系数矩阵：若累计贡献率达到50％以上时，采用比高法，将最高贡献率的特征值向量留下，作为固定工作样本集，其余舍弃；计算得分矩阵，将留下的特征值作为新变量主成分，利用下式计算得分矩阵F(n×m)＝X(n×p)·U(p×m)；其中，X是原数据矩阵，U是主成分载荷，得分矩阵F即为降维后所得到的结果；结合大数据进行持续的训练细分：SVM分类器适应度函数f(xi)＝min(1-g(xi))，为SVM分类器对样本划分正确率。进一步而言，所述降维求解模块，还被配置为：利用所述加速度传感器的输出数据，采用对第一条件、第二条件、第三条件进行运算，并利用本文档来自技高网...

【技术保护点】
一种基于神经网络自适应健康监测的可穿戴设备，其特征在于，包括：运动状态求解模块，用于定时采集加速度传感器输出的加速度数据，并经小波变换过滤高频噪声，划分用户的运动状态；运动环节判断模块，用于结合角速度对所述运动状态进行细分，获得运动细分环节；降维求解模块，用于使用优化的SVM分层级结合不同层级数据对部分病态特征的进一步精细区分；生理参数设定模块，用于设定不同运动状态、步态下所要采集的生理参数；生理参数采集模块，用于根据需要采集的生理参数，在指定的运动状态、步态下采集对应的生理参数。

【技术特征摘要】
1.一种基于神经网络自适应健康监测的可穿戴设备，其特征在于，包括：运动状态求解模块，用于定时采集加速度传感器输出的加速度数据，并经小波变换过滤高频噪声，划分用户的运动状态；运动环节判断模块，用于结合角速度对所述运动状态进行细分，获得运动细分环节；降维求解模块，用于使用优化的SVM分层级结合不同层级数据对部分病态特征的进一步精细区分；生理参数设定模块，用于设定不同运动状态、步态下所要采集的生理参数；生理参数采集模块，用于根据需要采集的生理参数，在指定的运动状态、步态下采集对应的生理参数。2.如权利要求1所述的一种基于神经网络自适应健康监测的可穿戴设备，其特征在于：所述运动环节判断模块，被配置为：采集所述加速度传感器在x、y、z三轴方向上的加速度值ax、ay、az，并求解加速度信号向量模SVMA；采集所述角速度传感器在x、y、z三轴方向上的角速度值wx、wy、wz，并求解角速度信号向量模SVMW；所述通过加速度信号向量模SVMA、角速度信号向量模SVMW，建立和自适应完善的识别模型，对所述运动状态进行细分，获得运动细分环节。3.如权利要求2所述的一种基于神经网络自适应健康监测的可穿戴设备，其特征在于：所述运动环节判断模块还包含滤波单元，所述滤波单元对采集到的加速度传感器、角速度传感器数据进行小波分解、对高频小波系数处理、小波重构三个步骤的小波变换操作，将各方向时域信号离散化，将多种频率成分的混合信号分解到不同频段，然后根据各种子信号在频域上的不同特征按频带处理；获取信噪比高的步态数据；所述小波变换采用硬阈值法，小波系数为Cj,k，阈值为λ；所述4.如权利要求1所述的一种基于神经网络自适应健康监测的可穿戴设备，其特征在于：所述降维求解模块，被配置为：获取用户的生理参数数据，并对所述用户生理参数数据进行降维；采集用户三个方向加速度/角速度值，对样本人群整体取标准差，N为样本量，先训练分类器，再用分类器识别步态样本；综合计算某人步态偏离整理人群的程度x，所述其中，a、b、c分别为用户三个方向加速度/角速度值；数据库中已经注册了个人N类步态样本，将样本输入分类器训练，根据输入值判定是(1，N)中哪一类，如果超出(1，N)范围，则新注册类别N+1类，然后重新更新分类器；在上述不同运动划分基础上，同种运动再次细分，并采取投票方式决定分类结果。5.如权利要求4所述的一种基于神经网络自适应健康监测的可穿戴设备，其特征在于，所述降维求解模块还被配置为：对原始数据进行标准化处理，通过举证中的每个元素减去所在列的均值，然后除以所在列的标准差，使得每个变量标准化为均值为0，方差为1的矩阵X，即X＝...

【专利技术属性】
技术研发人员：陈晨，
申请(专利权)人：福州云开智能科技有限公司，
类型：发明
国别省市：福建,35