一种基于可穿戴传感信息融合的能量代谢评估方法和系统技术方案

本发明专利技术公开了一种基于可穿戴传感信息融合的能量代谢评估方法和系统。该方法包括：获取反映人体生理状态的心电信号信息、反映人体运动强度水平的加速度信号信息和人体结构物理特征信息；将所述心电信号信息输入第一卷积神经网络提取心电特征，并将所述加速度信号信息输入第二卷积神经网络提取加速度特征，其中，第一卷积神经网络和第二卷积神经网络经训练获得，且第一卷积神经网络和第二卷积网络均是多分支结构，以提取多尺度特征；将所述心电特征、加速度特征和所述人体结构物理特征信息进行融合，并基于融合特征预测对应的能量代谢信息。利用本发明专利技术能够实现运动过程中能量消耗的精准计算，且泛化能力强。

【技术实现步骤摘要】
一种基于可穿戴传感信息融合的能量代谢评估方法和系统
本专利技术涉及信息处理
，更具体地，涉及一种基于可穿戴传感信息融合的能量代谢评估方法和系统。
技术介绍
随着社会经济的发展和人们生活水平的提高，由人体能量代谢失衡引起的多种代谢性疾病(如脂肪肝、糖尿病、高血脂等)成为高发性疾病。科学合理的控制饮食能量摄入和运动能量消耗是代谢性疾病预防及康复治疗的有效手段，同时也是个体主动健康管理的主要部分。人体是一个复杂的时变、非线性系统，运动能量消耗水平受很多因素影响，例如运动强度、环境温湿度、个体身体物理状态(身高、体重、年龄等参数)及精神状态等，因此，对人体运动过程中的能量消耗的精准评估是当前代谢性疾病防控领域面临的一个关键科学问题。人体能量消耗分为三个部分：基础能量消耗，食物生热作用和身体活动能量消耗。已有的测量能量消耗评估方法主要有：直接测热法、间接测热法、双标水法和自我报告等。直接测热法通过搭建密闭隔热的环境，测量人体向环境散发出的热量来测量一个人在一段时间内消耗的能量，这种方法准确度最高。间接测热法则是利用能量代谢与呼吸熵的关系，通过测量人体吸入氧气量和呼出二氧化碳量间接计算人体能量消耗。双标水法本质上也是通过测量呼出二氧化碳量计算能量消耗，原理是受试者口服一定量的同时含有氢和氧稳定同位素的水，然后通过测定这两种同位素浓度在人体中的变化计算呼出二氧化碳量，最后进一步计算人体能量消耗。自我报告法通过受试者填写的身体活动记录和问卷调查估计人体能量消耗，该方法成本相对较低、操作简单，是最普遍、最实用的方法。在上述方法中，自我报告依赖于参与者记忆，主观性太强导致准确性和可靠性低。而直接测热法、间接测热法、双标水法测量能量消耗的有效性和可靠性很高，但它们都存在测量复杂、成本昂贵、耗费时间长、侵入性等缺点，其应用受到限制。因此，这些方法都不适合在大规模人群和日常生活中推广。可穿戴方法是最近新兴起来的能量消耗监测方法，目前常用的方法包括心率监测法和加速度传感器法等。心率监测法通过监测人体的心率来计算能量消耗，因为心率能够反应人体机能活动状态，与能量代谢密切相关。加速度传感器法则是根据传感器所依附的肢体的运动或加速度信息，通过测量身体活动的持续时间和强度评估机体能量消耗。可穿戴方法由于佩戴方便、成本低廉等优点，已经成为能量消耗计算领域重要的研究课题。例如，专利申请CN201810092947.8将压电式能量采集器代替传统的加速度计来进行人体运动评估，并根据运动剧烈程度不同的动作，建立了四个独立的随机森林回归预测模型，其功耗仅仅只有基于加速度计的能量代谢估计方法的0.2％，有效地降低了系统的功耗，但缺点是压电式能量采集器采集的数据包含信息较少，影响人体运动评估的效果。专利申请CN202011288776.X计算六轴惯性传感器采集的各轴信号的综合标准差作为人体瞬时运动能量消耗的特征，建立了一个计算运动能量消耗的线性模型。该方法计算很简单，但是其本质上只利用了加速度信号的时域信息，且最后构建的模型也只是简单的线性模型，因此运动能量消耗计算的准确性不高。专利申请CN202011249044.X根据人体运动的心率值和累加总步数，设计了三种线性的能量代谢计算模型，线性模型分别使用心率、加速度累计值、运动速度和佩戴者的个人信息结合作为输入。该方法的输入包含了人体运动的各种信息，但其计算模型过于简单，运动能量消耗计算的准确性也不高。总之，现有的基于可穿戴的运动能量消耗评估方法大都是基于心率或步数估算的，缺少与能量代谢测量金标准的对标分析，可信性较差。而精准度较高的直接测热法和呼吸测量法又因设备庞大、价格昂贵无法普及使用。随着微电子技术、MEMS传感器技术及计算机技术的发展，可穿戴设备的感知和计算功能越来越强大。可穿戴设备上集成的多种生理、运动监测传感器能够对人体的生理、运动状态进行多维度，全时段的监测，这使得基于可穿戴传感的人体能量代谢评估成为可能。而目前采用可穿戴设备对动运过程中能量消耗的精准评估尚缺乏行之有效的手段。
技术实现思路
本专利技术的目的是克服上述现有技术的缺陷，提供一种基于可穿戴传感信息融合的能量代谢评估方法和系统。根据本专利技术的第一方面，提供一种基于可穿戴传感信息融合的能量代谢评估方法。该方法包括以下步骤：获取反映人体生理状态的心电信号信息、反映人体运动强度水平的加速度信号信息和人体结构物理特征信息；将所述心电信号信息输入第一卷积神经网络提取心电特征，并将所述加速度信号信息输入第二卷积神经网络提取加速度特征，其中，第一卷积神经网络和第二卷积神经网络经训练获得，且第一卷积神经网络和第二卷积网络均是多分支结构，以提取多尺度特征；将所述心电特征、加速度特征和所述人体结构物理特征信息进行融合，并基于融合特征预测对应的能量代谢信息。根据本专利技术的第二方面，提供一种基于可穿戴传感信息融合的能量代谢评估系统。该系统包括：数据采集单元：用于获取反映人体生理状态的心电信号信息、反映人体运动强度水平的加速度信号信息和人体结构物理特征信息；特征提取单元：用于将所述心电信号信息输入第一卷积神经网络提取心电特征，并将所述加速度信号信息输入第二卷积神经网络提取加速度特征，其中，第一卷积神经网络和第二卷积神经网络经训练获得，且第一卷积神经网络和第二卷积网络均是多分支结构，以提取多尺度特征；预测单元：用于将所述心电特征、加速度特征和所述人体结构物理特征信息进行融合，并基于融合特征预测对应的能量代谢信息。与现有技术相比，本专利技术的优点在于，通过可穿戴设备和基于呼吸测量法的人体能量代谢仪，同时采集人体运动过程中的心电信号、加速度信号和精准能量代谢值(金标准)，利用深度学习方法有效融合可穿戴设备同步采集的心电信号、加速度信号及个人基本信息建立能量代谢精准评估回归模型，实现了对运动过程中能量消耗的精准计算。通过以下参照附图对本专利技术的示例性实施例的详细描述，本专利技术的其它特征及其优点将会变得清楚。附图说明被结合在说明书中并构成说明书的一部分的附图示出了本专利技术的实施例，并且连同其说明一起用于解释本专利技术的原理。图1是根据本专利技术一个实施例的基于可穿戴传感信息融合的能量代谢评估方法的流程图；图2是根据本专利技术一个实施例的基于可穿戴传感信息融合的能量代谢评估方法的总体架构图。具体实施方式现在将参照附图来详细描述本专利技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本专利技术的范围。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不本文档来自技高网...

【技术保护点】
1.一种基于可穿戴传感信息融合的能量代谢评估方法，包括以下步骤：/n获取反映人体生理状态的心电信号信息、反映人体运动强度水平的加速度信号信息和人体结构物理特征信息；/n将所述心电信号信息输入第一卷积神经网络提取心电特征，并将所述加速度信号信息输入第二卷积神经网络提取加速度特征，其中，第一卷积神经网络和第二卷积神经网络经训练获得，且第一卷积神经网络和第二卷积网络均是多分支结构，以提取多尺度特征；/n将所述心电特征、加速度特征和所述人体结构物理特征信息进行融合，并基于融合特征预测对应的能量代谢信息。/n

【技术特征摘要】
1.一种基于可穿戴传感信息融合的能量代谢评估方法，包括以下步骤：
获取反映人体生理状态的心电信号信息、反映人体运动强度水平的加速度信号信息和人体结构物理特征信息；
将所述心电信号信息输入第一卷积神经网络提取心电特征，并将所述加速度信号信息输入第二卷积神经网络提取加速度特征，其中，第一卷积神经网络和第二卷积神经网络经训练获得，且第一卷积神经网络和第二卷积网络均是多分支结构，以提取多尺度特征；
将所述心电特征、加速度特征和所述人体结构物理特征信息进行融合，并基于融合特征预测对应的能量代谢信息。


2.根据权利要求1所述的方法，其中，第一神经网络每个分支的卷积核大小不同，第二神经网络每个分支的卷积核大小不同，并且利用全连接层将所述心电特征、加速度特征和所述人体结构物理特征信息进行融合。


3.根据权利要求1所述的方法，其中，所述基于融合特征预测对应的能量代谢信息是利用经训练的级联回归模型获得，包括：
利用基于软标签的有序回归计算得到对应真实软标签向量y的预测向量表示为：



利用线性回归计算得到对应真实值y的预测值表示为：



其中W1、W2是权重参数，b1、b2是偏置参数，X表示融合特征。


4.根据权利要求3所述的方法，其中，训练所述级联回归模型的总代价函数表示为：
J＝λJrank+Jreg
其中Jrank是有序回归的代价函数，Jreg是线性回归的代价函数，λ是超参数。


5.根据权利要求4所述的方法，其中，代价函数Jrank用于衡量真实软标签与预测运动能量消耗分布之间的差异，控制能量消耗的区间分类准确率，表示为：



其中N是总样本数量，yij为第i个样本的能量代谢真实软标签向量的第j个元素，为第i个样本的预测向量的第j个元素。


6.根据权利要求4所述的方法...

【专利技术属性】
技术研发人员：李烨，孙方敏，倪志强，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东;44