【技术实现步骤摘要】
一种基于多模态注意力融合的高血压老年人活动分析方法
本专利技术属于监护系统
,具体涉及一种基于多模态注意力融合的高血压老年人活动分析方法。
技术介绍
适量的身体活动是高血压、糖尿病和骨关节炎等慢性疾病辅助治疗的重要手段之一。量化慢病人群日常活动的强度和类型有助于医生或家人了解其活动方式、规律、类型及活动量,提高健康评价的准确性,以制定更合适的康复治疗策略。随着无线通信及可穿戴传感技术的发展,穿戴式传感设备可以实时采集人体活动过程的加速度、心率、心电等数据,通过对采集的数据进行分析,利用机器学习技术可实现对高血压等慢病人群日常活动进行监测。
技术实现思路
本专利技术的目的是为了解决老年人日常适量活动的问题,提出了一种基于多模态注意力融合的高血压老年人活动分析方法。本专利技术的技术方案是:一种基于多模态注意力融合的高血压老年人活动分析方法,包括以下步骤:S1:采用加速度传感器采集老年人的人体活动的加速度数据;采用光电体积描记器传感器采集老年人的人体活动的脉搏波数据;采用心电图传感器采集老年人的人体活动的心电图数据;S2:对加速度数据、脉搏波数据和心电图数据分别进行归一化处理,得到加速度归一化数据、脉搏波归一化数据和心电图归一化数据;S3:将加速度归一化数据、脉搏波归一化数据和心电图归一化数据均按照长度为1分钟,重叠为50%的时间窗口分割,得到加速度模态数据、脉搏波模态数据和心电图模态数据;S4:将加速度模态数据、脉搏波模态数据和心电图模态数据分别输入各自对 ...
【技术保护点】
1.一种基于多模态注意力融合的高血压老年人活动分析方法,其特征在于,包括以下步骤:/nS1:采用加速度传感器采集老年人的人体活动的加速度数据;采用光电体积描记器传感器采集老年人的人体活动的脉搏波数据;采用心电图传感器采集老年人的人体活动的心电图数据;/nS2:对加速度数据、脉搏波数据和心电图数据分别进行归一化处理,得到加速度归一化数据、脉搏波归一化数据和心电图归一化数据;/nS3:将加速度归一化数据、脉搏波归一化数据和心电图归一化数据均按照长度为1分钟,重叠为50%的时间窗口分割,得到加速度模态数据、脉搏波模态数据和心电图模态数据;/nS4:将加速度模态数据、脉搏波模态数据和心电图模态数据分别输入各自对应的CNN-LSTM模型,进行池化,得到用户日常活动类型;/nS5:基于用户日常活动类型,对脉搏波数据和心电图数据进行去噪;/nS6:计算去噪后脉搏波信号和心电图信号之间的距离d以及脉搏波转换延迟时间t
【技术特征摘要】
1.一种基于多模态注意力融合的高血压老年人活动分析方法,其特征在于,包括以下步骤:
S1:采用加速度传感器采集老年人的人体活动的加速度数据;采用光电体积描记器传感器采集老年人的人体活动的脉搏波数据;采用心电图传感器采集老年人的人体活动的心电图数据;
S2:对加速度数据、脉搏波数据和心电图数据分别进行归一化处理,得到加速度归一化数据、脉搏波归一化数据和心电图归一化数据;
S3:将加速度归一化数据、脉搏波归一化数据和心电图归一化数据均按照长度为1分钟,重叠为50%的时间窗口分割,得到加速度模态数据、脉搏波模态数据和心电图模态数据;
S4:将加速度模态数据、脉搏波模态数据和心电图模态数据分别输入各自对应的CNN-LSTM模型,进行池化,得到用户日常活动类型;
S5:基于用户日常活动类型,对脉搏波数据和心电图数据进行去噪;
S6:计算去噪后脉搏波信号和心电图信号之间的距离d以及脉搏波转换延迟时间tdelay;
S7:根据d和tdelay计算脉搏波传导速度PWV;
S8:根据PWV计算脉搏波传导时间PTT;
S9:根据PTT计算血压实时测量值BP;
S10:根据BP计算血压变异性系数CV;
S11:根据用户日常活动类型和血压变异性阈值,提取血压变异性系数CV大于血压变压性阈值的时段,得到血压变异性强的时段T;
S12:基于时段T连续测量用户的血压一周,标记频率最高的3个用户日常活动类型,并提醒用户进行安全防范,完成老年人活动分析。
2.根据权利要求1所述的基于多模态注意力融合的高血压老年人活动分析方法,其特征在于,所述步骤S1中,加速度传感器和光电体积描记器传感器的采样频率均为50Hz,心电图传感器的采样频率为256Hz。
3.根据权利要求1所述的基于多模态注意力融合的高血压老年人活动分析方法,其特征在于,所述步骤S2中,归一化处理的公式为:
其中,X*分别为加速度归一化数据、脉搏波归一化数据和心电图归一化数据,X分别为采集的加速度数据、脉搏波数据和心电图数据,Xmin分别为采集的加速度数据、脉搏波数据和心电图数据中的最小值,Xmax分别为采集的加速度数据、脉搏波数据和心电图数据中的最大值。
4.根据权利要求1所述的基于多模态注意力融合的高血压老年人活动分析方法,其特征在于,所述步骤S4包括以下子步骤:
S41:将各个CNN-LSTM模型均分为8层,其中第1层为输入层,第2-5层为卷积-池化层,第6-7层为全连接层,分别为第1层LSTM网络和第2层LSTM网络,第8层为softmax层;
S42:利用CNN算法分别提取加速度模态数据、脉搏波模态数据和心电图模态数据的空间特征信息,并以时间片的形式输入到各自对应的第6层LSTM模型隐含单元,经过第7层LSTM模型进一步提取各模态数据的时序特征;
S43:向各个CNN-LSTM模型的第6层和第7层之间均加入注意力机制;
S44:根据注意力机制计算t时刻所有模态数据的全局注意力ct;
S45:基于t时刻的ct,根据注意力机制计算t时刻加速度模态数据的全局注意力脉搏波模态数据的全局注意力和心电图模态数据的全局注意力
S46:将和加速度模态数据的隐藏状态拼接得到加速度模态数据的特征向量将和脉搏波模态数据的隐藏状态拼接得到脉搏波模态数据的特征向量将和心电图模态数据的隐藏状态拼接得到心电图模态数据的特征向量
S47:将和拼接得到整个模态数据的特征向量
S48:将和t时刻的ct拼接得到整个模态数据的整体描述并输入到第1层LSTM网络;
S49:获取第1层LSTM网络的跨模态融合特征,输入到第2层LSTM网络进行提取时序特征表示,并输入到第...
【专利技术属性】
技术研发人员:刘勇国,王志华,杨尚明,李巧勤,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。