一种基于惯性传感器采集的数据进行呼吸监测的方法技术

本发明专利技术提供一种呼吸监测模型，包括处理总路和多个处理支路，每个处理支路和总路均包括卷积滤波器，每个卷积滤波器中包括用于对输入的数据进行滤波的多个卷积网络以及设置在相应卷积网络间的用于增强全局感受野的多头自注意力机制层，其中，呼吸监测模型被配置为：将基于惯性传感器数据得到的多模态数据中的各模态数据分别输入到对应的处理支路进行卷积滤波，得到各模态数据的滤波结果；以及将对各模态数据的滤波结果进行叠加得到的多模态呼吸特征输入到处理总路进行卷积滤波，得到关联性呼吸特征，基于关联性呼吸特征生成呼吸波形。本发明专利技术通过该模型生成呼吸波形，从而监测人体呼吸情况。人体呼吸情况。人体呼吸情况。

【技术实现步骤摘要】
一种基于惯性传感器采集的数据进行呼吸监测的方法


[0001]本专利技术涉及数字信号处理和深度学习领域，具体地说，涉及一种基于惯性传感器采集的数据进行呼吸监测的方法。

技术介绍

[0002]呼吸监测在生理健康和心理健康中具有不言而喻的重要性，以及重大的临床医学和社会意义。但呼吸监测仪作为一种传统意义上的医疗器械价格昂贵并且具有专业性，其采用侵入式的气流检测方法不利于长时间的佩戴。随着传感器技术的发展，发展出了一些民用化的呼吸监测产品。例如胸腹部缠绕式呼吸监测产品，利用压敏传感器或者磁通量传感器监测呼吸引发的胸腹腔运动来生成呼吸波形。还有呼吸面罩式的呼吸监测产品，通过佩戴覆盖在口鼻腔利用气体流量计感知呼吸产生的气体交换来监测呼吸。这些方法虽然相比医疗器械降低了部分的价格，但是依然成本较高，损失了部分的精度，并且可穿戴性差。导致人们根本无法在日常生活中持续性的佩戴，也无法将其作为一种便携式可穿戴设备，使用基于它们提供的健康服务。
[0003]因此，实现普适性和泛用性的呼吸监测一直是该领域的目标，早在20世纪30年代斯塔尔(Starr)等人提出了心冲击描记术(Ballistocardiography)。同理，人体进行的呼吸运动同样会反映在人的肢体上，在肢体上产生微弱的呼吸运动信号。可以使用惯性测量单元(Inertial Measurement Unit，IMU)中的加速度计、陀螺仪等传感器进行运动信号的采集，对其进行滤波获得呼吸波形。
[0004]但是人的肢体伴随着日常行为活动，使得IMU数据中产生大量运动伪影，微弱的呼吸信号被运动伪影大量混叠。导致传统滤波算法首先无法针对运动产生的具有复杂干扰情况的IMU数据进行统筹分析处理，即未从多模态数据的多角度进行滤波，缺乏泛化性和精确度低，其次，未利用多个卷积网络提供更好的滤波能力。最后，现有的一种自适应滤波算法，依赖于期望呼吸信号的部分已知性进行参数调整，但由于呼吸的幅值、曲率、频率本身就是反应生理状态的重要指标，无法提前预知，且不断在进行微弱的变化，并且未利用多头注意力机制以弥补滤波过程中过于关注局部特征，导致该自适应滤波算法提取的呼吸波形存在精度低以及不具有全局感受野的问题。
[0005]因此，亟需一种基于IMU采集的数据进行滤波的呼吸监测系统，用于克服微弱特征的不易提取以及人体运动产生的复杂干扰情况等问题，以获得高精度呼吸波形。

技术实现思路

[0006]因此，本专利技术的目的在于克服上述现有技术的缺陷，提供一种基于惯性传感器采集的数据进行呼吸监测的方法。
[0007]本专利技术的目的是通过以下技术方案实现的：
[0008]根据本专利技术的第一方面，一种呼吸监测模型，包括处理总路和多个处理支路，每个处理支路和处理总路均包括卷积滤波器，每个卷积滤波器中包括用于对输入的数据进行滤
波的多个卷积网络以及设置在相应卷积网络间的用于增强全局感受野的多头自注意力机制层，其中，所述呼吸监测模型被配置为：将基于惯性传感器的数据得到的多模态数据中的各模态数据分别输入到对应的处理支路进行卷积滤波，得到各模态数据的滤波结果；以及将对各模态数据的滤波结果进行叠加得到的多模态呼吸特征输入到处理总路进行卷积滤波，得到关联性呼吸特征，基于关联性呼吸特征生成呼吸波形。
[0009]在本专利技术的一些实施例中，所述卷积滤波器还包括设置在相应卷积网络间的下采样层和上采样层；下采样层用于对相应卷积网络对输入的数据进行滤波获得的结果进行下采样，获得低维特征；上采样层用于对相应卷积网络对输入的相应低维特征进行滤波获得的结果进行上采样，获得高维特征；其中，低维特征和高维特征分别利用多头自注意力机制层增强各自的全局感受野。
[0010]在本专利技术的一些实施例中，所述卷积滤波器包括均为一维卷积网络的第一卷积网络、第二卷积网络、第三卷积网络和第四卷积网络，第一卷积网络的输入端为卷积滤波器的输入端，第四卷积网络的输出端为卷积滤波器的输出端；第一卷积网络与第四卷积网络间设有多头自注意力机制层，与第二卷积网络间设有下采样层，以及与第三卷积网络间设有下采样层；第二卷积网络与第四卷积网络间设有上采样层，与第三卷积网络间设有多头自注意力机制层；第三卷积网络与第四卷积网络间设有上采样层。
[0011]在本专利技术的一些实施例中，所述卷积滤波器被配置为：将输入的数据依次通过第一卷积网络和多头自注意力机制层的处理，得到第一高维特征；将输入的数据依次通过第一卷积网络、下采样层、第二卷积网络和上采样层的处理，得到第二高维特征；将输入的数据依次通过第一卷积网络和下采样层的处理，得到第一低维特征；将输入的数据依次通过第一卷积网络、下采样层、第二卷积网络、多头自注意力机制层的处理，得到第二低维特征；将对第一低维特征和第二低维特征进行叠加后依次通过第三卷积网络和上采样层的处理，得到第三高维特征；将第一高维特征、第二高维特征和第三高维特征进行叠加后通过第四卷积网络的处理，得到滤波结果。
[0012]在本专利技术的一些实施例中，所述处理支路或者处理总路包括一个或者多个卷积滤波器；在所述处理支路或者处理总路中包括多个卷积滤波器时，其中多个卷积滤波器中的任意两个卷积滤波器按照纵向堆叠连接或者横向堆叠连接的方式连接，其中，纵向堆叠连接的第一卷积滤波器和第二卷积滤波器的连接方式为第一卷积滤波器的第二卷积网络的输出端与第二卷积滤波器的输入端连接，第二卷积滤波器的输出端与第一卷积滤波器的第三卷积网络的输入端连接；横向堆叠连接的第一卷积滤波器和第二卷积滤波器的连接方式为第一卷积滤波器的输出端与第二卷积滤波器的输入端相互连接。
[0013]根据本专利技术的第二方面，提供一种用于本专利技术的第一方面所述的呼吸监测模型的训练方法，包括按照以下方式对呼吸监测模型进行多次迭代训练：获取训练集，其中，所述训练集中的样本的输入数据为相应时间窗口对应的基于惯性传感器的数据得到的多模态数据中的各模态数据，样本的标签为相应时间窗口对应的标准呼吸波形；利用训练集训练呼吸监测模型，对输入数据进行卷积滤波，生成呼吸波形；基于生成的呼吸波形和标准呼吸波形的差异，计算总损失值；基于总损失值更新呼吸监测模型参数，获得经训练的呼吸监测模型。
[0014]在本专利技术的一些实施例中，所述总损失值为基于生成的呼吸波形和标准呼吸波形
计算的胡伯损失和L2正则化项计算获得，计算方式如下：
[0015][0016]其中，n为样本总量，z
i
为第i个样本的胡伯损失，等于x
i
是基于第i个样本生成的呼吸波形，y
i
是第i个样本的标签，||x
i
||2表示x
i
的2范数，||y
i
||2表示y
i
的2范数，max(||x
i
||2·
||y
i
||2，∈)表示取||x
i
||2·
||y
i
||2和∈中的最大值作为分母，∈为标量值，α是L2正则化项的参数，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种呼吸监测模型，其特征在于，包括处理总路和多个处理支路，每个处理支路和处理总路均包括卷积滤波器，每个卷积滤波器中包括用于对输入的数据进行滤波的多个卷积网络以及设置在相应卷积网络间的用于增强全局感受野的多头自注意力机制层，其中，所述呼吸监测模型被配置为：将基于惯性传感器的数据得到的多模态数据中的各模态数据分别输入到对应的处理支路进行卷积滤波，得到各模态数据的滤波结果；以及将对各模态数据的滤波结果进行叠加得到的多模态呼吸特征输入到处理总路进行卷积滤波，得到关联性呼吸特征，基于关联性呼吸特征生成呼吸波形。2.根据权利要求1所述的模型，其特征在于，所述卷积滤波器还包括设置在相应卷积网络间的下采样层和上采样层；下采样层用于对相应卷积网络对输入的数据进行滤波获得的结果进行下采样，获得低维特征；上采样层用于对相应卷积网络对输入的相应低维特征进行滤波获得的结果进行上采样，获得高维特征；其中，低维特征和高维特征分别利用多头自注意力机制层增强各自的全局感受野。3.根据权利要求1或2所述的模型，其特征在于，所述卷积滤波器包括均为一维卷积网络的第一卷积网络、第二卷积网络、第三卷积网络和第四卷积网络，第一卷积网络的输入端为卷积滤波器的输入端，第四卷积网络的输出端为卷积滤波器的输出端；第一卷积网络与第四卷积网络间设有多头自注意力机制层，与第二卷积网络间设有下采样层，以及与第三卷积网络间设有下采样层；第二卷积网络与第四卷积网络间设有上采样层，与第三卷积网络间设有多头自注意力机制层；第三卷积网络与第四卷积网络间设有上采样层。4.根据权利要求3所述的模型，其特征在于，所述卷积滤波器被配置为：将输入的数据依次通过第一卷积网络和多头自注意力机制层的处理，得到第一高维特征；将输入的数据依次通过第一卷积网络、下采样层、第二卷积网络和上采样层的处理，得到第二高维特征；将输入的数据依次通过第一卷积网络和下采样层的处理，得到第一低维特征；将输入的数据依次通过第一卷积网络、下采样层、第二卷积网络、多头自注意力机制层的处理，得到第二低维特征；将对第一低维特征和第二低维特征进行叠加后依次通过第三卷积网络和上采样层的处理，得到第三高维特征；将第一高维特征、第二高维特征和第三高维特征进行叠加后通过第四卷积网络的处理，得到滤波结果。5.根据权利要求3所述的模型，其特征在于，所述处理支路或者处理总路包括一个或者多个卷积滤波器；在所述处理支路或者处理总路中包括多个卷积滤波器时，其中多个卷积滤波器中的任
意两个卷积滤波器按照纵向堆叠连接或者横向堆叠连接的方式连接，其中，纵向堆叠连接的第一卷积滤波器和第二卷积滤波器的连接方式为第一卷积滤波器的第二卷积网络的输出端与第二卷积滤波器的输入端连接，第二卷积滤波器的输出端与第一卷积滤波器的第三卷积网络的输入端连接；横向堆叠连接的第一卷积滤波器和第...

【专利技术属性】
技术研发人员：陈益强，吴清宇，谷洋，沈建飞，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：