【技术实现步骤摘要】
一种信号处理方法、装置和设备
本申请涉及医疗设备
,特别涉及一种信号处理方法、装置和设备。
技术介绍
作为物联网的一个重要分支,躯体传感器网络(又称“体感网”、“可穿戴传感器网络”等)在最近几年得到了广泛的应用,如生理参数监护、慢性病管理、健康腕表、跌倒监测等。然而,在需要实时连续采集的场景下,如何降低无线传感器节点的采样及传输功耗,延长传感器节点的工作时间一直是个亟待突破的瓶颈问题。众所周知,在Shannon/Nyquist采样定理为基础的传统数字信号处理框架下,若要从采样得到的离散信号中无失真地恢复出原始信号,采样频率必须大于其带宽的两倍以上。然而,在躯体传感网领域尤其是需要实时连续采集的场景下(如实时心电监测、实时动作捕获等),由于要通过无线方式传输大量的数据,导致无线传感器节点的功耗一直居高不下,工作时间大大缩短。
技术实现思路
本申请实施例提供了一种信号处理方法、装置和设备,可以降低无线感器节点的功耗,可以延长传感器工作时间,可以提高信号传输以及重构的准确率。一方面,本申请实施例提供了一种信号处理方法,应用于躯体传感网的采集端,方法包括:采集预设周期内的原始信号序列;根据已训练的数据压缩模型对原始信号序列进行压缩,得到压缩信号序列;根据已训练的特征提取模型对原始信号序列进行特征提取,得到原始信号序列对应的注意力特征;向躯体传感网的接收端发送压缩信号序列和注意力特征,以使接收端根据已训练的数据重构模型对压缩信号序列进行重构,得到 ...
【技术保护点】
1.一种信号处理方法,其特征在于,应用于躯体传感网的采集端,所述方法包括:/n采集预设周期内的原始信号序列;/n根据已训练的数据压缩模型对所述原始信号序列进行压缩,得到压缩信号序列;/n根据已训练的特征提取模型对所述原始信号序列进行特征提取,得到所述原始信号序列对应的注意力特征;/n向所述躯体传感网的接收端发送所述压缩信号序列和所述注意力特征,以使所述接收端根据已训练的数据重构模型对所述压缩信号序列进行重构,得到重构信号序列,并根据所述注意力特征对所述重构信号序列进行校验,以使校验后的重构信号序列与所述原始信号序列满足预设匹配程度值。/n
【技术特征摘要】
1.一种信号处理方法,其特征在于,应用于躯体传感网的采集端,所述方法包括:
采集预设周期内的原始信号序列;
根据已训练的数据压缩模型对所述原始信号序列进行压缩,得到压缩信号序列;
根据已训练的特征提取模型对所述原始信号序列进行特征提取,得到所述原始信号序列对应的注意力特征;
向所述躯体传感网的接收端发送所述压缩信号序列和所述注意力特征,以使所述接收端根据已训练的数据重构模型对所述压缩信号序列进行重构,得到重构信号序列,并根据所述注意力特征对所述重构信号序列进行校验,以使校验后的重构信号序列与所述原始信号序列满足预设匹配程度值。
2.根据权利要求1所述的方法,其特征在于,所述已训练的数据压缩模型依次包括第一卷积层、批归一化层、第一激活层、第二卷积层、批归一化层、第二激活层、第三卷积层、最大池化层、批归一化层和第三激活层;
所述第一卷积层的输入端用于输入所述原始信号序列,所述第三激活层的输出端用于输出所述压缩信号序列。
3.根据权利要求2所述的方法,其特征在于,所述第一卷积层、所述第二卷积层和所述第三卷积层中卷积核的大小为1*n,步长的范围为1~n,其中n=2m+1,m=0,1,2……。
4.根据权利要求1所述的方法,其特征在于,所述已训练的特征提取模型包括极值注意力模块和关注值注意力模块;所述注意力特征包括极值信息和关注值信息;
所述根据已训练的特征提取模型对所述原始信号序列进行特征提取,得到所述原始信号序列对应的注意力特征,包括:
通过所述极值注意力模块对所述原始信号序列进行极值特征提取,得到所述原始信号序列对应的极值信息;
通过所述关注值注意力模块对所述原始信号序列进行关注值特征提取,得到所述原始信号序列对应的关注值信息。
5.一种信号处理方法,其特征在于,包括:
接收躯体传感网的采集端发送的压缩信号序列和注意力特征;所述压缩信号序列是所述采集端根据已训练的数据压缩模型对预设周期内采集得到的原始信号序列进行压缩得到的;所述注意力特征是所述采集端根据已训练的特征提取模型对所述原始信号序列进行特征提取得到的;
根据已训练的数据重构模型对所述压缩信号序列进行重构,得到重构信号序列;
根据所述注意力特征对所述重构信号序列进行校验,以使校验后的重构信号序列与所述原始信号序列满足预设匹配程度值。
6.根据权利要求5所述的方法,其特征在于,所述注意力特征包括极值信息和关注值信息;所述极值信息和所述关注值信息分别携带对应的采样时间标识;
所述根据所述注意力特征对所述重构信号序列进行校验...
【专利技术属性】
技术研发人员:不公告发明人,
申请(专利权)人:苏州康迈德医疗科技有限公司,
类型:发明
国别省市:江苏;32
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。