一种基于残差网络的人体排便预测系统技术方案

本发明专利技术公开了一种基于残差网络的人体排便预测系统。所述系统包括数据采集模块、信号处理模块和便前预警模块；数据采集模块获取人体生理信号数据进行标记和分割处理，随机分为训练集和测试集并输入信号处理模块；数据采集模块实时接收人体生理信号数据并分割后输入便前预警模块；信号处理模块进行小波包分解获取对应的二维小波包系数矩阵，搭建预测模型并进行训练，将训练完成的预测模型输入便前预警模块；便前预警模块移植训练完成的预测模型和小波包分解算法，实时接收数据采集模块输入的人体生理信号数据对人体是否产生便意进行实时预测。本发明专利技术便于进行及时有效的护理工作，且不会对人体有任何生理造成创伤。且不会对人体有任何生理造成创伤。且不会对人体有任何生理造成创伤。

【技术实现步骤摘要】
一种基于残差网络的人体排便预测系统


[0001]本专利技术涉及机器学习领域，具体涉及一种基于残差网络的人体排便预测系统。

技术介绍

[0002]随着科技的发展，智能开始广泛应用于生物医疗领域。基于大量数据的人工智能算法为医疗服务带来了前所未有的技术变革和新的医疗服务模式转变。
[0003]近年来，我国人口老龄化越发严重，改善老年人生活质量，尤其是提高生活不能自理的卧床老人的监护水平成为社会的当务之急。目前，影响长期卧床的失能老人的一个主要问题是排便无法得到及时有效的处理，这不仅危害病人的生理健康，还会对心理造成伤害。
[0004]研究表明，心率与大便的相关度为65%
‑
70%，肠鸣音和胃电信号可以反映人体肠道蠕动的状态，而肠道蠕动时的大幅推进型收缩波可以作为便意是否产生的判断标准之一。
[0005]《仪器仪表学报》2015年第5期1079
‑
1085的《反馈式人工肛门括约肌生物力学相容性研究》提出了一种基于优化小波包算法和SVM分类器的便意预测系统。但该方法需要病人吞食一种特制的遥测胶囊来获取肠道压力数据，遥测胶囊被吞食后作为体外异物位于人体肠道内部，可能会对正常的肠道运动造成不良影响，而一旦遥测胶囊随粪便排出体外，则该便意预测系统无法继续进行便意预测，具有较大的局限性。

技术实现思路

[0006]鉴于上述现状和技术条件的不足，本专利技术的目的是提供一种基于残差网络的人体排便预测系统，该系统利用人工智能进行信息处理，通过采集肠鸣音、胃电和心电信号，预测人的排便行为。该系统可应用于长期卧床的失能老人，对其排便行为做出预测以便监护人员提前应对，解决大便处理不及时导致的卫生问题。
[0007]本专利技术的目的至少通过如下技术方案之一实现。
[0008]一种基于残差网络的人体排便预测系统，包括数据采集模块、信号处理模块和便前预警模块；数据采集模块获取人体生理信号数据进行标记和分割处理，将处理后的数据随机分为训练集和测试集并输入信号处理模块；数据采集模块实时接收人体生理信号数据并分割后输入便前预警模块；信号处理模块对训练集和测试集的数据分别进行小波包分解获取对应的二维小波包系数矩阵，搭建预测模型并使用训练集的二维小波包系数矩阵对预测模型进行训练，将训练完成的预测模型输入便前预警模块；便前预警模块移植训练完成预测模型和小波包分解算法，实时接收数据采集模块输入的人体生理信号数据对人体是否产生便意进行实时预测。
[0009]进一步地，数据采集模块包括连接麦克风的听诊器、胃电传感器和心电传感器，分别用于采集人体肠鸣音、胃电和心电生理数据。
[0010]进一步地，数据采集模块中，对获取的人体生理信号数据进行标记和分割处理，具体包括：对大便前设定时间的人体生理信号数据标记为有便意，其他人体生理信号数据标记为无便意；获取的肠鸣音、胃电和心电时序生理数据按设定的时间段平均分割成多个训练样本。
[0011]进一步地，数据采集模块中，将处理后的人体生理信号数据按设定的比例随机分为训练集和测试集。
[0012]进一步地，信号处理模块包括存储器、处理器以及蓝牙。
[0013]进一步地，信号处理模块中，选择2阶Daubechies小波基，对训练集和测试集的数据进行多层离散小波包分解，小波包分解算法如下：令是一个依紧支撑的尺度函数的多分辨率分析，则空间由函数集张成，为平移参数，通过移位控制小波在时域中的出现位置，代表空间的最高分辨率，越大分辨率越高。
[0014]设为已获取的人体生理时序信号，在空间中有其逼近，则有其中，小波包分解公式为：其中，Z是整数集，是中间计算的代替符号，表示时间，为尺度函数的积分值，为人体生理时序信号分解在空间的第组按时间先后顺序排列的第个小波包系数，为人体生理时序信号分解在空间的第组按时间先后顺序排列的第个小波包系数，为人体生理时序信号分解在空间的第组按时间先后顺序排列的第个小波包系数；
每个训练样本分解后得到一组小波包系数，然后将小波包系数组成一个二维小波包系数矩阵，其中，小波包系数按频率从高到低排列，得到二维小波包系数矩阵，矩阵首行为最高频系数，末行为最低频系数。
[0015]进一步地，信号处理模块中，搭建的预测模型具体如下：使用机器学习库构建三个具有相同结构的单输出残差网络模型，然后将三个残差网络的输出输入到一个三输入单输出的二分类全连接神经网络中，将数据采集模块输入的肠鸣音、胃电和心电时序生理数据对应的二维小波包系数矩阵分别作为三个单输出残差网络模型的输入，最后的二分类全连接神经网络输出结果表示是否有便意。
[0016]进一步地，信号处理模块中，将训练集的二维小波包系数矩阵和相应的标签数据，输入到搭建的预测模型中进行训练，然后通过测试集来选择预测效果最佳的预测模型。
[0017]进一步地，便前预警模块中，将训练好的预测模型转为 ONNX 的通用深度学习模型，然后把小波包分解算法和ONNX模型输入到便前预警模块的开发软件中进行解析。
[0018]进一步地，便前预警模块为基于深度学习开发的嵌入式计算平台。
[0019]与现有技术相比，本专利技术具有以下有益效果：本专利技术提供一种基于残差网络的人体排便预测系统，该系统通过体外收集人体生理数据对排便进行预警，不会对使用者造成创伤。医疗人员可以通过查看存储的肠鸣音、胃电、心电和排便数据，诊断病人的健康状态。医护人员可通过排便预警装置提前得知病人的排便情况，可以及时进行有效护理工作，减少病人便后污物清理工作，同时也有利于病人的生理和心理健康。
附图说明
[0020]图1为本专利技术实施例中一种基于残差网络的人体排便预测系统流程图。
[0021]图 2为本专利技术实施例中残差神经网络模型示意图。
具体实施方式
[0022]下面结合附图对本专利技术实施方式进行清晰、详细的描述，但此处说明仅仅解释本申请，本专利技术的实施方式不限于此。
[0023]实施例：一种基于残差网络的人体排便预测系统，如图1所示，包括数据采集模块、信号处理模块和便前预警模块；本实施例中，数据采集模块包括连接麦克风的听诊器、Biosignals系列胃电传感器和Biosignals系列心电传感器，听诊器的听诊头紧贴人体左下腹部，胃电传感器贴在上腹部，心电传感器贴在左胸口上，分别按4000hz采集人体肠鸣音、胃电和心电生理数据。
[0024]数据采集模块获取人体生理信号数据进行标记和分割处理，具体包括：本实施例中，对大便前10分钟的人体生理信号数据标记为有便意，其他人体生理信号数据标记为无便意；获取的肠鸣音、胃电和心电时序生理数据按20秒平均分割成多个训练样本；本实施例中，将处理后的数据按7：3的比例随机分为训练集和测试集并输入信号处理模块；数据采集模块实时接收人体生理信号数据并分割后输入便前预警模块；
信号处理模块包括存储器、处理器以及蓝牙。
[0025]信号处理模块对训练集和测试集的数据分别进行小波包分解获取对应的二维小波包系数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于残差网络的人体排便预测系统，其特征在于，包括数据采集模块、信号处理模块和便前预警模块；数据采集模块获取人体生理信号数据进行标记和分割处理，将处理后的数据随机分为训练集和测试集并输入信号处理模块；数据采集模块实时接收人体生理信号数据并分割后输入便前预警模块；信号处理模块对训练集和测试集的数据分别进行小波包分解获取对应的二维小波包系数矩阵，搭建预测模型并使用训练集的二维小波包系数矩阵对预测模型进行训练，将训练完成的预测模型输入便前预警模块；便前预警模块移植训练完成的预测模型和小波包分解算法，实时接收数据采集模块输入的人体生理信号数据对人体是否产生便意进行实时预测。2.根据权利要求1所述的一种基于残差网络的人体排便预测系统，其特征在于，数据采集模块包括连接麦克风的听诊器、胃电传感器和心电传感器，分别用于采集人体肠鸣音、胃电和心电生理数据。3.根据权利要求1所述的一种基于残差网络的人体排便预测系统，其特征在于，数据采集模块中，对获取的人体生理信号数据进行标记和分割处理，具体包括：对大便前设定时间的人体生理信号数据标记为有便意，其他人体生理信号数据标记为无便意；获取的肠鸣音、胃电和心电时序生理数据按设定的时间段平均分割成多个训练样本。4.根据权利要求1所述的一种基于残差网络的人体排便预测系统，其特征在于，数据采集模块中，将处理后的人体生理信号数据按设定的比例随机分为训练集和测试集。5.根据权利要求1所述的一种基于残差网络的人体排便预测系统，其特征在于，信号处理模块包括存储器、处理器以及蓝牙。6.根据权利要求1所述的一种基于残差网络的人体排便预测系统，其特征在于，信号处理模块中，选择2阶Daubechies小波基，对训练集和测试集的数据进行多层离散小波包分解，小波包分解算法如下：令是一个依紧支撑的尺度函数的多分辨率分析，则空间由函数集张成，为平移参数，通过移位控制小波在...

【专利技术属性】
技术研发人员：张铁，杨远航，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：