一种基于多传感器的人体生理状态判别可视化方法及设备技术

本发明专利技术提供一种基于多传感器的人体生理状态判别可视化方法及设备，属于体域网技术领域。所述的人体生理状态判别可视化方法包括步骤：S1：通过嵌入到可穿戴设备上的多种生理信号传感器采集人体生理信号；S2：将采集的人体生理信号进行预处理和特征提取，按照各自信号的判别机制将人体生理状态分类为“普通状态”和“事件状态”两大类，得到多组判决结果；S3：将多组判决结果进行数据融合，划分出人体在连续时间段内生理状态所处于的不同状态等级，使用户可以根据自身生理状态所处的等级高低对自身情况进行选择性关注和感知。本发明专利技术能实现对人体生理状态的分类判别，和状态等级的可视化显示，使得用户对于自身状态的变化感知更加直观。

【技术实现步骤摘要】
一种基于多传感器的人体生理状态判别可视化方法及设备
本专利技术属于体域网
，具体涉及一种基于多传感器的人体生理状态判别可视化方法及设备。
技术介绍
越来越多可穿戴的体域网产品已经进入到人们的日常生活之中，2016年全球可穿戴传感器市场规模约为2.3793亿美元，预计到2022年将增长至约13.8740亿美元；2017年至2022年期间年均复合增长率约为34.2％。这些集成了多个传感器的设备可以从多个维度来实时感知用户的物理活动，采集人体不同的生理健康数据。例如蓝牙心率带：佩戴于人体胸部的利用蓝牙进行无线传输的可穿戴设备，内置心率传感器，可以实时检测人体的心率变化。臂式血压袖带：佩戴于人体上臂肱动脉处，内置血压传感器，可以实时测量人体血压的变化。然而，更多的产品是对人体生理指标的直接显示，没有对人体的生理状态变化做出判别和评价，更面临着如何处理海量的人体生理数据的问题。例如：JawboneUp手环、Nikefuelband手环、华为手环提供的只是用户的计步功能、卡路里和睡眠质量显示；POLYGON智能手表在此基础上增加了心率和血压显示的测量功能；dido智能手环能够提供心电的显示和记录功能，但不能实现状态的诊断。而随着人们对于可穿戴体域网产品需求的增加和使用场景的扩展，人体生理状态的分类判别已经逐渐成为当前使用者的主流需求。现有可穿戴的技术都是对人体生理指标的测量和显示，如血压、心率、血氧等，但毕竟这类产品是面向于日常生活，没有达到医学标准，所以也不能作为疾病等状态的判断依据，只能给用户以感知和提醒。但单纯的生理指标并不能使使用者十分敏感，有的用户不具备这些生理指标的认知常识，且此类产品没有给出使用者生理状态的变化判别。
技术实现思路
本专利技术的目的是提供一种基于多传感器的人体生理状态判别可视化方法及设备，以解决上述现有技术中的问题，通过对采集的人体生理信号进行人体所处状态等级的可视化显示，使得用户对于自身状态的变化感知更加直观，便于用户理解和接受，并依据结果而对自身情况做出决定。为了解决以上技术问题，本专利技术采用以下技术方案：一种基于多传感器的人体生理状态判别可视化方法，包括以下步骤：S1：通过嵌入到可穿戴设备上的多种生理信号传感器采集人体生理信号；S2：将采集的人体生理信号进行预处理和特征提取，按照各自信号的判别机制将人体生理状态分类为“普通状态”和“事件状态”两大类，得到多组判决结果；S3：将多组判决结果进行数据融合，划分出人体在连续时间段内生理状态所处于的不同状态等级，使用户可以根据自身生理状态所处的等级高低对自身情况进行选择性关注和感知。优选地，所述的传感器包括脉搏波传感器、呼吸波传感器、体温传感器，所述的人体生理信号包括脉搏波信号、呼吸频率信号、体温信号。优选地，所述的基于脉搏波信号的人体生理状态分类方法包括以下步骤：S1：脉搏波信号预处理：从脉搏波信号中选择Sym8小波作为基函数，使用基于小波分解和重构的方法，消除高频噪声及基线漂移，得到较为纯净的脉搏波信号，便于进行信号的特征提取；S2：脉搏波的特征提取：使用差分阈值方法来提取脉搏波的每个周期中的特征参数，并筛选出六个时域特征向量S＝[t1，t2，H1，H2，T，H2/H1]，为了更合理地使用这些特征向量，主成分分析用于减少数据的维数，从该6维向量中提取前两个主成分元素作为支持向量机(SVM)的输入向量；其中，t1、H1分别表示脉搏波的上升支时间和高度，与血管壁弹性和射血速度等指标有关；t2、H2分别表示脉搏波的下降支时间和高度，与外周阻力有关；T表示脉波周期，等于心跳周期；H2/H1表示反射指数，反映人体动脉的顺应性；S3：基于支持向量机(SVM)的脉搏波信号分类判别：从训练和测试两个阶段来对人体生理状态进行二类区分，判别出用户当前是处于“普通状态”还是“事件状态”；训练和测试的数据集由N对提取特征量后的样本数据构成，其形式为：(xi，yi)，i＝1，2，…，N，xi∈R，yi∈{0，1}；其中，xi为一个二维的特征向量，分别包含了从脉搏波数据集进行特征向量提取和主成分分析后的第一和第二主成分pca1和pca2；即yi表示xi数据的标签，如果yi＝1，xi属于事件状态；如果yi＝0，xi属于普通状态。所述的基于脉搏波信号的人体生理状态分类方法还包括对支持向量机(SVM)的训练和检验：采用SVM常用的几项评价指标：精确率：Precision＝TP/(TP+FP)召回率：Recall＝TP/(TP+FN)分类准确率：Accuracy＝(TP+FN)/(TP+FN+TN+FN)其中，TP表示真实类别为普通也被分类为普通状态，FP表示真实类别为事件但被分类为普通，FN表示真实事件为普通，但被分类为事件，TN表示真实类别为事件也被分类为事件；为了评估分类判别的动态过程，需要观察ROC(ReceiverOperatingCharacteristic)曲线的变化趋势，其中，TPR＝TP/(TP+FN)，FPR＝FP/(FP+TN)分别作为ROC曲线的横坐标和纵坐标，AUC是用ROC曲线下的面积来评价该分类方法性能的一项指标，计算公式为：优选地，所述的基于呼吸信号的人体生理状态分类方法包括以下步骤：S1：通过呼吸波传感器获取呼吸信号，从得到的呼吸信号时域周期中可以计算出实时的呼吸频率；S2：根据成年人在平静状态下的每分钟呼吸频率设定阈值；S3：将步骤S1计算的呼吸频率跟设定好的阈值比较，判定人体的生理状态是处于“普通状态”还是“事件状态”。优选地，所述的基于体温信号的人体生理状态分类方法包括以下步骤：S1：通过体温传感器采集人体的体温信号，每分钟采样一次；S2：根据人体的体温稳定区间设定阈值；S3：将步骤S1采集的体温信号跟设定的阈值进行比较，判定人体的生理状态是处于“普通状态”还是“事件状态”。优选地，所述的对三组判决结果进行数据融合包括以下步骤：S1：将脉搏波信号、呼吸信号、体温信号的判决结果“普通状态”设为0，“事件状态”设为1，即得到三组二进制序列；S2：采用二进制编码进行数据融合，确定脉搏波信号、呼吸信号、体温信号各自分类判决结果的编码顺序，即确定融合后的3bit二进制数中，三组信号的最高位、中间位、最低位的优先级排序，采用熵S来衡量信号的状态变换的频度：S＝-(p1+p2)log2(p1+p2)；其中，p1表示由前一状态0(普通状态)变换为下一状态1(事件状态)的次数占全部分类的比例；p2表示由前一状态1变换为下一状态0的次数占全部分类次数的比例；S3：由于3Bit二进制数的取值范围是0～7，因此将人体生理状态评价结果表示为8个等级的时间序列形式，数据融合后的等级越高，表明人体生理状态越值得关注；等级越低，表明人体生理状态越稳定，越不必关注，处于等级0时则代表人体此刻处于“普通状态”。本专利技术还提供一种基于多传感器的人体生理状态判别可视化设备，包括嵌入在智能手环上的脉搏波传感器、嵌入在胸带上的呼吸传感器、嵌入在袖带上的体温传感器以及手机APP终端；所述脉搏波传感器、呼吸传感器、体温传感器将采集的人体生理信号通过蓝牙无线传输至手机APP终端。优选地，所述手机APP终端至少包括依次连接的训练模块、使用模块和图形显示模块，所述的训练模块包括本文档来自技高网...

【技术保护点】
1.一种基于多传感器的人体生理状态判别可视化方法，其特征在于，包括以下步骤：S1：通过嵌入到可穿戴设备上的多种生理信号传感器采集人体生理信号；S2：将采集的人体生理信号进行预处理和特征提取，按照各自信号的判别机制将人体生理状态分类为“普通状态”和“事件状态”两大类，得到多组判决结果；S3：将多组判决结果进行数据融合，划分出人体在连续时间段内生理状态所处于的不同状态等级，使用户可以根据自身生理状态所处的等级高低对自身情况进行选择性关注和感知。

【技术特征摘要】
1.一种基于多传感器的人体生理状态判别可视化方法，其特征在于，包括以下步骤：S1：通过嵌入到可穿戴设备上的多种生理信号传感器采集人体生理信号；S2：将采集的人体生理信号进行预处理和特征提取，按照各自信号的判别机制将人体生理状态分类为“普通状态”和“事件状态”两大类，得到多组判决结果；S3：将多组判决结果进行数据融合，划分出人体在连续时间段内生理状态所处于的不同状态等级，使用户可以根据自身生理状态所处的等级高低对自身情况进行选择性关注和感知。2.根据权利要求1所述的基于多传感器的人体生理状态判别可视化方法，其特征在于，所述的传感器包括脉搏波传感器、呼吸波传感器、体温传感器，所述的人体生理信号包括脉搏波信号、呼吸频率信号、体温信号。3.根据权利要求2所述的基于多传感器的人体生理状态判别可视化方法，其特征在于，所述的基于脉搏波信号的人体生理状态分类方法包括以下步骤：S1：脉搏波信号预处理：从脉搏波信号中选择Sym8小波作为基函数，使用基于小波分解和重构的方法，消除高频噪声及基线漂移，得到较为纯净的脉搏波信号，便于进行信号的特征提取；S2：脉搏波的特征提取：使用差分阈值方法来提取脉搏波的每个周期中的特征参数，并筛选出六个时域特征向量S＝[t1，t2，H1，H2，T，H2/H1]，为了更合理地使用这些特征向量，主成分分析用于减少数据的维数，从该6维向量中提取前两个主成分元素作为支持向量机(SVM)的输入向量；其中，t1、H1分别表示脉搏波的上升支时间和高度，与血管壁弹性和射血速度等指标有关；t2、H2分别表示脉搏波的下降支时间和高度，与外周阻力有关；T表示脉波周期，等于心跳周期；H2/H1表示反射指数，反映人体动脉的顺应性；S3：基于支持向量机(SVM)的脉搏波信号分类判别：从训练和测试两个阶段来对人体生理状态进行二类区分，判别出用户当前是处于“普通状态”还是“事件状态”；训练和测试的数据集由N对提取特征量后的样本数据构成，其形式为：(xi，yi)，i＝1，2，…，N，xi∈R，yi∈{0，1}；其中，xi为一个二维的特征向量，分别包含了从脉搏波数据集进行特征向量提取和主成分分析后的第一和第二主成分pca1和pca2；即yi表示xi数据的标签，如果yi＝1，xi属于事件状态；如果yi＝0，xi属于普通状态。4.根据权利要求3所述的基于多传感器的人体生理状态判别可视化方法，其特征在于，所述的基于脉搏波信号的人体生理状态分类方法还包括对支持向量机(SVM)的训练和检验：采用SVM常用的几项评价指标：精确率：Precision＝TP/(TP+FP)召回率：Recall＝TP/(TP+FN)分类准确率：Accuracy＝(TP+FN)/(TP+FN+TN+FN)其中，TP表示真实类别为普通也被分类为普通状态，FP表示真实类别为事件但被分类为普通，FN表示真实事件为普通，但被分类为事件，TN表示真实类别为事件也被分类为事件；为了评估分类判别的动态过程，需要观察ROC(ReceiverOperatingCharacteristic)曲线的变化趋势，其中，TPR＝TP/(TP+FN)，FPR＝F...

【专利技术属性】
技术研发人员：李思楠，赵海，李大舟，
申请(专利权)人：李思楠，
类型：发明
国别省市：河北,13