基于智能穿戴设备的生命安全监测系统及其方法技术方案

本申请涉及智能监测领域，其具体地公开了一种基于智能穿戴设备的生命安全监测系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出佩戴者生理参数数据的各个生理数据项的时序动态关联特征和环境参数数据的各个环境数据项的时序动态关联特征之间的关联性特征分布信息，以此来利用体外环境参数信息和人体生理参数信息之间的时序关联特征综合进行人体生命安全监测，以提高智能穿戴设备的生命安全监测的精准度。命安全监测的精准度。命安全监测的精准度。

【技术实现步骤摘要】
基于智能穿戴设备的生命安全监测系统及其方法


[0001]本申请涉及智能监测领域，且更为具体地，涉及一种基于智能穿戴设备的生命安全监测系统及其方法。

技术介绍

[0002]随着生活水平的提高，人们越来越关注生命安全和健康状况，人体常见的生理参数，如血压、心率、脉搏等均可以直接或间接地反映人体健康状况。同时，人所处的环境状况对人体的生命安全和健康也有一定的影响。
[0003]目前，市面上的智能手环可以通过三轴加速传感器判断人运动的动作得到基础数据并将其结合佩戴人的个人体征信息，采用特定算法，得到针对个人的监测数据，如运动步数、距离和卡路里；同时也可以通过三轴加速传感器进行睡眠监测；通过光学传感器监测心率。但是，现有的智能手环在进行人体体征监测时，并没有考虑到周围环境对人体健康的影响，无法实时监测到佩戴人所处环境和其状况。
[0004]因此，期望一种优化的基于智能穿戴设备的生命安全监测系统。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于智能穿戴设备的生命安全监测系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出佩戴者生理参数数据的各个生理数据项的时序动态关联特征和环境参数数据的各个环境数据项的时序动态关联特征之间的关联性特征分布信息，以此来利用体外环境参数信息和人体生理参数信息之间的时序关联特征综合进行人体生命安全监测，以提高智能穿戴设备的生命安全监测的精准度。
[0006]根据本申请的一个方面，提供了一种基于智能穿戴设备的生命安全监测系统，其包括：数据采集模块，用于获取由佩戴于待监测对象的智能可穿戴设备采集的预定时间段内多个预定时间点的生理参数数据和所述多个预定时间点的环境参数数据，其中，所述生理参数数据包括体温、运动状态、运动速度、心率、脉搏和血压，所述环境参数数据包括温度、湿度、气压、紫外线强度和有害气体浓度；数据关联模块，用于将所述各个预定时间点的生理参数数据和环境参数数据分别通过包含多个全连接层的深度神经网络模型以得到多个生理深度特征向量和多个环境深度特征向量；数据时序变化模块，用于将所述多个生理深度特征向量和所述多个环境深度特征向量排列为生理全时序特征矩阵和环境全时序特征矩阵后分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到生理时序关联特征矩阵和环境时序关联特征矩阵，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同尺度的二维卷积核；
数据特征融合模块，用于融合所述生理时序关联特征矩阵和所述环境时序关联特征矩阵以得到参数关联特征矩阵；关联编码模块，用于将所述参数关联特征矩阵通过作为过滤器的卷积神经网络模型以得到分类特征向量；健康监测模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待监测对象的生命健康状况是否良好。
[0007]在上述基于智能穿戴设备的生命安全监测系统中，所述数据关联模块，用于：使用所述深度神经网络模型的全连接层以如下公式对所述各个预定时间点的生理参数数据进行全连接编码以得到所述多个生理深度特征向量，其中，所述公式为：，其中是所述各个预定时间点的生理参数数据，是输出向量，是权重矩阵，是偏置向量，表示矩阵相乘；以及，使用所述深度神经网络模型的全连接层以如下公式对所述环境参数数据进行全连接编码以得到所述多个环境深度特征向量，其中，所述公式为：，其中是所述环境参数数据，是输出向量，是权重矩阵，是偏置向量，表示矩阵相乘。
[0008]在上述基于智能穿戴设备的生命安全监测系统中，所述数据时序变化模块，用于：使用所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿着通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构的最后一层的输出为所述生理时序关联特征矩阵和所述环境时序关联特征矩阵，所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构的第一层的输入为所述生理全时序特征矩阵和所述环境全时序特征矩阵。
[0009]在上述基于智能穿戴设备的生命安全监测系统中，所述数据特征融合模块，用于：以如下公式来融合所述生理时序关联特征矩阵和所述环境时序关联特征矩阵以得到参数关联特征矩阵；其中，所述公式为：其中，表示所述生理时序关联特征矩阵，表示所述环境时序关联特征矩阵，表示级联函数，表示所述参数关联特征矩阵。
[0010]在上述基于智能穿戴设备的生命安全监测系统中，所述关联编码模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述分类特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述参数关联特征矩阵。
[0011]在上述基于智能穿戴设备的生命安全监测系统中，还包括对所述包含多个全连接层的深度神经网络模型、所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构、所述作为过滤器的卷积神经网络模型和所述分类器进行训练的训练模块。
[0012]在上述基于智能穿戴设备的生命安全监测系统中，所述训练模块，包括：训练数据采集模块，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练生理参数数据和所述多个预定时间点的训练环境参数数据，以及，所述待监测对象的生命健康状况是否良好的真实值；训练数据关联模块，用于将所述各个预定时间点的训练生理参数数据和训练环境参数数据分别通过所述包含多个全连接层的深度神经网络模型以得到多个训练生理深度特征向量和多个训练环境深度特征向量；训练数据时序变化模块，用于将所述多个训练生理深度特征向量和所述多个训练环境深度特征向量排列为训练生理全时序特征矩阵和训练环境全时序特征矩阵后分别通过所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到训练生理时序关联特征矩阵和训练环境时序关联特征矩阵，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同尺度的二维卷积核；训练数据特征融合模块，用于融合所述训练生理时序关联特征矩阵和所述训练环境时序关联特征矩阵以得到训练参数关联特征矩阵；优化模块，用于对所述训练参数关联特征矩阵进行特征分布优化以得到优化训练参数关联特征矩阵；训练关联编码模块，用于将所述优化训练参数关联特征矩阵通过所述作为过滤器的卷积神经网络模型以得到训练分类特征向量；分类损失模块，用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值；训练模块，用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述包含多个全连接层的深度神经网络模型、所述包含第一卷积神经网络模型和第二卷积神经网络模型的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于智能穿戴设备的生命安全监测系统，其特征在于，包括：数据采集模块，用于获取由佩戴于待监测对象的智能可穿戴设备采集的预定时间段内多个预定时间点的生理参数数据和所述多个预定时间点的环境参数数据，其中，所述生理参数数据包括体温、运动状态、运动速度、心率、脉搏和血压，所述环境参数数据包括温度、湿度、气压、紫外线强度和有害气体浓度；数据关联模块，用于将所述各个预定时间点的生理参数数据和环境参数数据分别通过包含多个全连接层的深度神经网络模型以得到多个生理深度特征向量和多个环境深度特征向量；数据时序变化模块，用于将所述多个生理深度特征向量和所述多个环境深度特征向量排列为生理全时序特征矩阵和环境全时序特征矩阵后分别通过包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构以得到生理时序关联特征矩阵和环境时序关联特征矩阵，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同尺度的二维卷积核；数据特征融合模块，用于融合所述生理时序关联特征矩阵和所述环境时序关联特征矩阵以得到参数关联特征矩阵；关联编码模块，用于将所述参数关联特征矩阵通过作为过滤器的卷积神经网络模型以得到分类特征向量；健康监测模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待监测对象的生命健康状况是否良好。2. 根据权利要求1所述的基于智能穿戴设备的生命安全监测系统，其特征在于，所述数据关联模块，用于：使用所述深度神经网络模型的全连接层以如下公式对所述各个预定时间点的生理参数数据进行全连接编码以得到所述多个生理深度特征向量，其中，所述公式为：，其中是所述各个预定时间点的生理参数数据，是输出向量，是权重矩阵，是偏置向量，表示矩阵相乘；以及使用所述深度神经网络模型的全连接层以如下公式对所述环境参数数据进行全连接编码以得到所述多个环境深度特征向量，其中，所述公式为：，其中是所述环境参数数据，是输出向量，是权重矩阵，是偏置向量，表示矩阵相乘。3.根据权利要求2所述的基于智能穿戴设备的生命安全监测系统，其特征在于，所述数据时序变化模块，用于：使用所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿着通道维度的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构的最后一层的输出为所述生理时序关联特征矩阵和所述环境时序关联特征矩阵，所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构的第一层的输入为所述
生理全时序特征矩阵和所述环境全时序特征矩阵。4.根据权利要求3所述的基于智能穿戴设备的生命安全监测系统，其特征在于，所述数据特征融合模块，用于：以如下公式来融合所述生理时序关联特征矩阵和所述环境时序关联特征矩阵以得到参数关联特征矩阵；其中，所述公式为：其中，表示所述生理时序关联特征矩阵，表示所述环境时序关联特征矩阵，表示级联函数，表示所述参数关联特征矩阵。5.根据权利要求4所述的基于智能穿戴设备的生命安全监测系统，其特征在于，所述关联编码模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述分类特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述参数关联特征矩阵。6.根据权利要求5所述的基于智能穿戴设备的生命安全监测系统，其特征在于，还包括对所述包含多个全连接层的深度神经网络模型、所述包含第一卷积神经网络模型和第二卷积神经网络模型的双分支网络结构、所述作为过滤器的卷积神经网络模型和所述分类器进行训练...

【专利技术属性】
技术研发人员：黄岚清，
申请(专利权)人：浙江大学，
类型：发明
国别省市：