基于PCANet神经网络和多传感器信息融合的健康检测仪及其方法技术

本发明专利技术公开基于PCANet神经网络和多传感器信息融合的健康检测仪及其方法，其包括微控制器以及与微控制器连接的传感器阵列、通信单元和人机交互单元，传感器阵列包括之间实时连接至少两个传感器，至少一个传感器用于测量血氧数据，至少一个传感器用于实时测量心率数据，并相互匹配形成数据集合，微控制器用于控制设备进行健康检测，微控制器利用协同滤波对传感器阵列采集的脉搏特征进行综合特征提取、根据提取的脉搏特征进行健康综合评估、根据用户的健康综合评估给出建议；微控制器通过通信单元接入互联网或与其他终端建立连接；人机交互单元包括触控屏，触控屏提供人机交互界面并采集反馈人机交互操作。本发明专利技术方法对亚健康状态识别达到了较高的准确率。态识别达到了较高的准确率。态识别达到了较高的准确率。

【技术实现步骤摘要】
基于PCANet神经网络和多传感器信息融合的健康检测仪及其方法


[0001]本专利技术涉及检测仪器设备
，尤其涉及基于PCANet神经网络和多传感器信息融合的健康检测仪及其方法。

技术介绍

[0002]现代社会快节奏的生活方式，长期的使用电子产品，睡眠时间的减少以及无规律的饮食——极易导致居民在健康方面出现问题，这些问题在初期有可能不属于病态的，而是属于亚健康状态。亚健康是一种介于健康与疾病之间的中间状态，主要表现为身体机能降低、功能和免疫力减退。根据世界卫生组织的全球调查结果显示，75％的人处于亚健康状态，20％处于发病状态，只有5％处于健康状态，亚健康严重危害了居民的健康。目前，亚健康可以通过主观和客观的方法进行考量，主观考量主要是通过问卷或量表调查，如康奈尔医学指数，Delphi法自测表等；而客观的方法主要是通过生理指标或研究对象助兴某项任务时的反应时间，失误次数等来测定，这些方法测量的结果往往受到被测试者主观意志的影响，准确率较低。研究表明生理信号中蕴含了丰富的与人体生理活动，精神状态。以及疾病诊断密切相关的信息,而脉搏信号是人体重要的生理信号,对于人体各种疾病的诊断具有极其重要的价值,因此可以通过分析人体的脉搏信号来实现亚健康状态的检测。
[0003]目前，亚健康可以通过主观和客观的方法进行考量，主观考量主要是通过问卷或量表调查，如康奈尔医学指数，Delphi法自测表等；，而客观的方法主要是通过生理指标或研究对象助兴某项任务时的反应时间，失误次数等来测定，这些方法测量的结果往往受到被测试者主观意志的影响，准确率较低。

技术实现思路

[0004]本专利技术的目的在于提供基于PCANet神经网络和多传感器信息融合的健康检测仪及其方法，通过采集脉搏信号，将其作为预处理的信号，采用PCANet网络来评估使用者人体健康评价，同时也会监测使用者的心率血氧等，可以通过人工智能分析，并把分析结果过程上传到手机App和发出警报，通过这些技术，达到解决问题与提高实用价值性的目的。
[0005]本专利技术采用的技术方案是：
[0006]基于PCANet神经网络和多传感器信息融合的健康检测仪，其包括微控制器以及与微控制器连接的传感器阵列、通信单元和人机交互单元，传感器阵列包括至少两个传感器，两个以上的传感器之间实时连接，至少一个传感器用于测量智能健康检测仪器血氧数据，至少一个传感器用于实时测量智能健康检测仪的心率数据，至少两个传感器相互匹配形成数据集合，微控制器用于控制设备进行健康检测，微控制器利用协同滤波对传感器阵列采集的脉搏特征进行综合特征提取、根据提取的脉搏特征进行健康综合评估、根据用户的健康综合评估给出建议；微控制器通过通信单元接入互联网或与其他终端建立连接；人机交互单元包括触控屏，触控屏提供人机交互界面并采集反馈人机交互操作；
[0007]进一步地，其还包括外围模块，外围模块包括存储单元和电源单元，存储单元用于存储数据，电源单元为检测仪提供电源。
[0008]进一步地，人机交互界面提供的功能包括按键扫描、界面显示、心率测量、计步及能耗监测、与服务器的数据交互，传感器阵列通过通信单元和其他终端(手机)进行数据通信，完成数据到其他终端(手机)的传输。
[0009]进一步地，通信单元包括蓝牙模块和GPRS远程通信模块，蓝牙模块与其他具有蓝牙功能的智能终端配对连接；GPRS远程通信模块与移动互联网进行通信连接。
[0010]作为改进：本专利技术可与各种带蓝牙功能的智能终端配对，智能终端与后台数据分析系统通信连接以获取健康建议数据，结合前期健康检测和分析结果情况给出健康的日常保养操作指导和提醒。
[0011]进一步地，微控制器采用PCANet网络对多传感器数据进行融合以提取映射特征，并对各个类型特征进行哈希编码和直方图分块后形成特征矩阵，然后利用经典的分类器进行分类，基于分类结果匹配预设的智能家居决策状态，以根据智能家居决策状态控制智能检测仪。
[0012]具体地，采用PCANet网络将信号在两层模型中进行逐层映射，在每一层都进行相应的映射特征提取，在亚健康脉搏信号区分健康与亚健康状态；对提取的两类特征进行哈希编码，直方图分块，作为特征矩阵，然后利用经典的分类器：支持向量机－近邻分类器进行分类，得到的准确率和其它的特征提取方法分类结果进行比较。
[0013]基于PCANet神经网络和多传感器信息融合的健康检测仪的控制方法，具体步骤如下：
[0014]步骤1，获取健康检测仪的多种传感器测量后的工作物理量；
[0015]步骤2，将测量得到的健康检测仪的工作物理量转化成所对应的实际输出物理量，即转换得到血氧数据与实时心率数据，并相互匹配形成实际输出物理量的数据集合；
[0016]步骤3，将实际输出物理量的数据集合输入构建好的PCANet神经网络，通过PCANet神经网络训练得到与实际输出物理量所对应的智能家居决策状态；
[0017]步骤4，根据智能家居决策状态控制智能检测仪。
[0018]进一步地，步骤3中将实际输出物理量作为数据集训练PCANet神经网络的数据，训练神经网络的具体步骤如下：
[0019]步骤3
‑
1，计算神经网络中多层感知器的每一层的状态和激活值，直到最后一层；
[0020]步骤3
‑
2，计算神经网络中多层感知器的每一层的误差，
[0021]当节点i为输出层时，则输出层的误差项的计算公式如下：
[0022]δ
i
＝y
i
(1
‑
y
i
)(t
i
‑
y
i
)
[0023]其中：δ
i
表示节点i的误差项，y
i
表示节点i的输出值，t
i
表示样本对应于节点i的目标值；
[0024]当节点i为隐藏层时，则隐藏层的误差项计算公式如下：
[0025][0026]其中：a
i
是节点i的输出值，ω
ki
是节点i到下一层节点k的连接的权重，δ
k
是节点i的下一层节点k的误差项；
[0027]步骤3
‑
3，基于所得误差项更新权重参数，具体更新公式如下：
[0028]ω
ji
←
ω
ji
+ηδ
i
x
ji
[0029]其中：ω
ji
是节点i到节点j的权重，η是一个成为学习速率的常数，δ
i
是节点i的误差项，x
ji
是节点i传递给节点j的输入值。
[0030]进一步地，步骤3
‑
1中的多层感知器包括三层结构，分别为输入层、隐藏层和输出层。
[0031]进一步地，步骤3
‑
2中在计算神经网络中多层感知器的每一层误差时，由最后一层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于PCANet神经网络和多传感器信息融合的健康检测仪，其特征在于：其包括微控制器以及与微控制器连接的传感器阵列、通信单元和人机交互单元，传感器阵列包括至少两个传感器，两个以上的传感器之间实时连接，至少一个传感器用于测量智能健康检测仪器血氧数据，至少一个传感器用于实时测量智能健康检测仪的心率数据，至少两个传感器相互匹配形成数据集合，微控制器用于控制设备进行健康检测，微控制器利用协同滤波对传感器阵列采集的脉搏特征进行综合特征提取、根据提取的脉搏特征进行健康综合评估、根据用户的健康综合评估给出建议；微控制器通过通信单元接入互联网或与其他终端建立连接；人机交互单元包括触控屏，触控屏提供人机交互界面并采集反馈人机交互操作。2.根据权利要求1所述的基于PCANet神经网络和多传感器信息融合的健康检测仪，其特征在于：其还包括外围模块，外围模块包括存储单元和电源单元，存储单元用于存储数据，电源单元为检测仪提供电源。3.根据权利要求1所述的基于PCANet神经网络和多传感器信息融合的健康检测仪，其特征在于：人机交互界面提供的功能包括按键扫描、界面显示、心率测量、计步及能耗监测、与服务器的数据交互，传感器阵列通过通信单元和其他终端进行数据通信，完成数据到其他终端的传输。4.根据权利要求1所述的基于PCANet神经网络和多传感器信息融合的健康检测仪，其特征在于：通信单元包括蓝牙模块和GPRS远程通信模块，蓝牙模块与其他具有蓝牙功能的智能终端配对连接；GPRS远程通信模块与移动互联网进行通信连接；智能终端与后台数据分析系统通信连接以获取健康建议数据，结合前期健康检测和分析结果情况给出健康的日常保养操作指导和提醒。5.根据权利要求1所述的基于PCANet神经网络和多传感器信息融合的健康检测仪，其特征在于：微控制器采用PCANet网络对多传感器数据进行融合以提取映射特征，并对各个类型特征进行哈希编码和直方图分块后形成特征矩阵，然后利用经典的分类器进行分类，基于分类结果匹配预设的智能家居决策状态，以根据智能家居决策状态控制智能检测仪。6.基于PCANet神经网络和多传感器信息融合的健康检测仪的控制方法，采用权利要求1至5任一项所述的基于PCANet神经网络和多传感器信息融合的健康检测仪，其特征在于：方法包括以下步骤：步骤1，获取健康检测仪的多种传感器测量后的工作物理量；步骤2，将测量得到的健康检测仪的工作物理量转化成所对应的实际输出物理量，即转换得到血氧数据与实时心率数据，并相互匹配形成实际输出物理量的数据集合；步骤3，将实际输出物理量的数据集合输入构建好的PCANet神经网络，通过PCANet神经网络训练得到与实际输出物理量所对应的智能家居决策状态；步骤4，根据智能家居决策状态控制...

【专利技术属性】
技术研发人员：庄庆彬，黄建龙，宫冰雁，
申请(专利权)人：泉州师范学院，
类型：发明
国别省市：