一种基于深度学习的身体健康指标变化速率预测装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的身体健康指标变化速率预测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时执行下列步骤：通过小波变换和梅尔倒谱系数提取脉搏波信号中的特征；通过前馈神经网络融合两种特征形成深度特征；基于深度特征使用Attention

【技术实现步骤摘要】
一种基于深度学习的身体健康指标变化速率预测装置


[0001]本专利技术涉及深度学习
，更具体的说是涉及一种基于深度学习的身体健康指标变化速率预测装置。

技术介绍

[0002]脉搏是一种简单的了解人体心血管系统功能的指标，对早期发现人类心血管疾病有一定的现实意义。脉搏是心室射血后一部分血液进入大动脉，部分血液继续流向中、小动脉，此时可触到小动脉，即脉搏。脉搏频率通常反映心脏频率，脉搏节律可反映心律。心跳节律在大多数情况下都是正常的，如果出现了异常就需要做相应的检查，对症治疗。但是传统的脉搏波提取和分析需要专业的从医人员进行，用户无法通过自己通过脉搏波来了解自己的身体健康状况和各项身体健康指标。
[0003]小型化可佩戴的脉搏波传感器使得客户自测自查身体健康状态成为了可能，通过收集脉搏波特征对一些身体健康指标影响的数据，并将数据用于训练深度学习模型，进而通过智能化的技术实现身体健康指标变化速率的预测。
[0004]在中国专利CN202210897002(一种脉搏波连续脉搏波监测装置及量化评价的方法)中，其引入参数空间的几何均值，通过发现守恒量和阴阳对称性计算健康标尺，根据健康标尺推断健康状态，但是该方法所需要的脉搏波监测装置体积大，不适用于日常化佩戴，且评价健康状态需要提前计算健康标尺，算法效率不如深度学习方法高效。在中国专利CN202110880868(一种通过穿戴设备采集数据分析房颤、室颤的方法)中，提供了一种通过穿戴设备采集数据分析房颤、室颤的方法，该方法通过脉搏波传感器采集的原始脉搏波信号获得体征数据，根据体征数据确定穿戴设备当前佩戴者的器官健康状态，将实时心率和器官健康状态输入至预先建立的房颤室颤分析模型中，输出房颤室颤的分析结果。但是该方法只能对房颤室颤进行分析，不涉及其他健康指标，健康状态监测不全面。

技术实现思路

[0005]针对上述问题，本专利技术提供了一种基于深度学习的身体健康指标变化速率预测方法，为了获得身体健康指标变化速率，过去需要通过外在的诊断进行，本专利技术将外在诊断具体化到无创伤脉搏波收集上，并对收集到的脉搏波进行特征提取和分析，进而用于训练深度学习模型，形成通过脉搏波信息预测身体健康指标变化速率的模型。
[0006]为了实现上述目的，本专利技术提供如下技术方案：
[0007]一种基于深度学习的身体健康指标变化速率预测方法，其特征在于，包括：利用脉搏波提取系统提取脉搏波信号；通过小波变换分析脉搏波特征；通过梅尔倒谱系数提取脉搏波特征；通过前馈神经网络融合两种脉搏波特征形成深度特征；利用深度特征并基于Attention
‑
based模型和多头注意力机制实现身体健康指标变化速率预测。
[0008]一种基于深度学习的身体健康指标变化速率预测方法，具体步骤包括如下：
[0009]步骤一：利用脉搏波提取系统提取脉搏波信号；
[0010]步骤二：通过小波变换提取脉搏波特征；
[0011]步骤三：梅尔倒谱系数提取脉搏波特征；
[0012]步骤四：通过前馈神经网络获得深度特征；
[0013]步骤五：利用深度特征并基于Attention
‑
based模型预测身体各类指标变化趋势。
[0014]优选的，在上述的一种基于深度学习的身体健康指标变化速率预测方法中，所述步骤一中，具体如下：
[0015]采用具有高分辨率和高提取速率的小型化可佩戴脉搏波传感器，对人体脉搏波进行提取。
[0016]优选的，在上述的一种基于深度学习的身体健康指标变化速率预测方法中，所述步骤二和步骤三中，具体如下：
[0017]脉搏波小波变换提取特征步骤：
[0018]步骤1：把小波和脉搏波信号f(k)(f(k)是例如离散点，不具有具体形式)做内积计算系数C，系数C表示该部分信号与小波的相似程度，其中m＝1表示分解的层数，n＝1是一个常变量参数，k表示第k个点，N表示一共有N个点；
[0019]步骤2：取m＝2，n＝1重复步骤1；
[0020]步骤3：取m＝3，n＝1重复步骤1；
[0021]步骤4：取步骤3计算出的C作为输出特征。
[0022]梅尔倒谱系数提取脉搏波特征步骤：
[0023]步骤1：预加重，将脉搏波信号通过一个高通滤波器H(Z)＝1
‑
μz
‑1，μ为常系数介于0.9～1.0之间，取为0.97；
[0024]步骤2：分帧，先将N个采样点集合成一个观测单位，称为帧。N的值为256或512，涵盖的时间约为20～30ms。为了避免相邻两帧的变化过大，因此会让两相邻帧之间有一段重叠区域，此重叠区域包含了M个取样点，M的值约为N的1/2或1/3；
[0025]步骤3：加窗，将每一帧乘以汉明窗，以增加帧左端和右端的连续性。假设分帧后的信号为S(n)，n＝0，1，...，N
‑
1，N为帧的大小，那么乘上汉明窗后变为S
′
(n)＝S(n)
×
W(n)，其中不同的a值会产生不同的汉明窗，此处取为0.46；
[0026]步骤4：对加窗后的信号进行快速傅里叶变换得到：步骤4：对加窗后的信号进行快速傅里叶变换得到：
[0027]步骤5：三角带通滤波，将能量谱通过一组Mel尺度的三角形滤波器组，定义一个有K个滤波器的滤波器组，采用的滤波器为三角滤波器。M取22～26。三角滤波器中各个形成三角形的函数y(m)之间的间隔随着m值的减小而缩小，随着m值的增大而增宽；
[0028]步骤6：计算每个滤波器组输出的对数能量为：
其中S
a
(k)是经过快速傅里叶变换得到的信号，H
m
(k)为高通滤波器函数；
[0029]步骤7：经离散余弦变换得到MFCC系数，其中m，n，M，L是常参数。
[0030]优选的，一种基于深度学习的身体健康指标变化速率预测方法中，所述步骤四和步骤五中，具体如下：
[0031]通过前馈神经网络融合小波变换的输出和梅尔倒谱系数的输出形成深度特征，建立身体健康状态预测模型，利用该模型提取深度特征，作为身体健康指标变化速率预测模型的输入。身体健康状态预测模型主题架构为前馈神经网路，将各种身体各种指标归一化后作为模型的监督。在模型架构上，采用Dropout，Layer Normalization和Skip connect方法；在模型训练上采用Adam优化器，学习率采用带Warmup的余弦退火策略进行调整；在损失上，采用Label Smoothing损失函数。
[0032]身体健康指标变化速率预测模型采用Attention
‑
based模型。在模型架构上，采用Attention
‑
based的模型，使用多头注意力机制；在Attention选择上，结合使用Local Attention、Stride Attention和Global Attention；在训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的身体健康指标变化速率预测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时执行下列步骤：通过小波变换分析脉搏波特征；通过梅尔倒谱系数提取脉搏波特征；通过前馈神经网络融合两种脉搏波特征形成深度特征；利用深度特征并基于Attention
‑
based模型和多头注意力机制进行身体健康指标变化速率预测。2.根据权利要求1所述的装置，其中小波变换是指用有限长或快速衰减的母小波的振荡波形来表示信号，该波形被缩放和平移以匹配输入的信号，所述通过小波变换分析脉搏波特征步骤包括：步骤1：把小波和脉搏波信号f(k)(f(k)是例如离散点，不具有具体形式)做内积计算系数C，系数c表示该部分信号与小波的相似程度，其中m＝1表示分解的层数,n＝1是一个常变量参数，k表示第k个点,N表示一共有N个点；步骤2：取m＝2,n＝1重复步骤1；步骤3：取m＝3,n＝1重复步骤1；步骤4：取步骤3计算出的c作为输出特征。3.根据权利要求3所述的装置，其中梅尔频率倒谱系数是组成梅尔频率倒谱的系数；所述利用梅尔倒谱系数提取脉搏波特征步骤包括：步骤1：预加重，将脉搏波信号通过一个高通滤波器H(Z)＝1
‑
μz
‑1,μ介于0.9～1.0之间；步骤2：分帧，先将N个采样点集合成一个观测单位，称为帧，N的值为256或512，涵盖的时间约为20～30ms，为了避免相邻两帧的变化过大，两相邻帧之间有一段重叠区域，此重叠区域包含了M个取样点，M的值为N的1/2或1/3；步骤3：加窗，将每一帧乘以汉明窗，以增加帧左端和右端的连续性；分帧后的信号为S(n),n＝0,1,
…
,N
‑
1，N为帧的大小，乘上汉明窗后变为S
′
(n)＝S(n)
×
W(n)，其中步骤4：对加窗后的信号进行快速傅里叶变换得到：步骤5：三角带通滤波，将能量谱通过一组Mel尺度的三角形滤波器组，定义一个有M个滤波器的滤波器组，采用的滤波器为三角滤波器，M取22～26，...

【专利技术属性】
技术研发人员：王磊，王超，颜慈霖，任基泽，张道航，
申请(专利权)人：无锡艾米特智能医疗科技有限公司，
类型：发明
国别省市：