【技术实现步骤摘要】
本专利技术涉及人工智能技术和医疗健康监测领域，尤其涉及一种多传感器融合的生理信号监测方法和装置。
技术介绍
1、通过利用人工智能技术和深度学习算法可实现婴幼儿、老年人及病人的医疗护理健康检测。监测心率、呼吸频率、鼾声等信号，可以检测出潜在的心脏问题、睡眠呼吸问题或其他健康异常，对心脏、睡眠以及身体健康状况给出建议，为用户提供个性化的健康建议和干预措施。例如，可以及时发现用户的心率异常，提醒用户及时就医；可以识别用户的睡眠呼吸问题，推荐合适的治疗方案；还可以分析用户的睡眠质量，提供改善睡眠的建议等。这种基于人工智能技术和深度学习算法的健康监测系统具有很高的实用价值，可以帮助提高婴幼儿、老年人和病人的健康管理水平，预防疾病发生，提升生活质量。
2、目前，主要的监测为有感式监测方法，如通过脑电仪、贴片式心电仪等设备采集数据，实现心率、呼吸、睡眠等生理信号的检测。然而，这种采集方式繁琐且干扰睡眠，限制了其在日常生活中的推广应用。
3、因此，本领域的技术人员致力于开发一种新的生理信号监测方法和装置，解决现有技术中存在的上述缺陷。
技术实现思路
1、有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题是如何解决有感式监测方法中采集方式的繁琐以及对检测对象形成的睡眠干扰。
2、为实现上述目的，本专利技术提供了一种多传感器融合的生理信号监测方法，包括以下步骤：
3、步骤1、当柔性传感器检测到压力信号，启动mcu开始工作；
4、步骤2、所
5、步骤3、先对所述呼吸声信号进行增强和分离，再辅助所述体动信号进行信号增强和分离；
6、步骤4、在所述呼吸声信号中进行鼾声检测，获得鼾声结果；在所述体动信号中进行心率监测、呼吸监测和脉搏监测，分别获得心率结果、呼吸结果和脉搏结果；
7、步骤5、用多级分段深度聚类算法进行睡眠分析，确定每个时间段的睡眠质量，所述睡眠质量分为五个状态：清醒、浅睡n1、浅睡n2、深睡和快动眼。
8、进一步地，所述步骤1中的所述柔性传感器同时采用压电薄膜传感器和压力传感器，其中，所述压力传感器负责检测所述压力信号，所述压电薄膜传感器采集包括呼吸起伏和心脏跳动的所述体动信号。
9、进一步地，所述步骤1中的所述柔性传感器平铺于检测平面上并适配于所述检测平面，在所述检查平面的正上方为检测对象，所述检测对象在重力作用下会对所述柔性传感器产生向下的压力。
10、进一步地，所述步骤3包括以下子步骤：
11、步骤3.1、去除所述呼吸声信号中的外界噪音，得到干净的呼吸声信号；
12、步骤3.2、通过维纳滤波或低通滤波方法进行所述体动信号的增强，过滤掉高频噪声，保留与身体运动相关的低频信号，同时利用所述呼吸声信号中包含的所述鼾声信号对所述体动信号进行增强；
13、步骤3.3、从所述体动信号中提取出呼吸成分、心率成分和脉搏成分。
14、进一步地，所述步骤3.3包括以下子步骤：
15、步骤3.3.1、提取所述呼吸成分，首先使用0.1-0.4hz范围的带通滤波器过滤掉不相关信号的成分，然后通过希尔伯特变换从信号中获取幅度包络信息，再通过寻找双极小值点来截取单帧呼吸信号；
16、步骤3.3.2、提取所述心率成分，首先使用0.5hz-3hz范围的带通滤波器初步提取心冲击信号，然后计算初步提取的所述心冲击信号的一阶导数或二阶导数，再设定一个阈值，检查在设定的阈值之上连接的上升和下降部分，标记局部最大值作为峰值，设定峰值间的最小距离，以避免检测到重复的峰值，从而去除伪峰值，再取峰值中最大的点，作为所述心冲击信号中的j点，将相邻j点的时间间隔称作j-j间期，计算所述j-j间期的倒数，即得到瞬时心率；
17、步骤3.3.3、提取所述脉搏成分，使用1hz-3hz范围的带通滤波器提取脉搏信号，并与所述心率成分进行互相验证，评估提取的所述脉搏成分的正确性。
18、进一步地，所述步骤5包括以下子步骤：
19、步骤5.1、对所述步骤4获得的生理信号进行数据预处理，按照时间间隔分成若干段，每段的时间长度为30s，对每段数据分别进行聚类；
20、步骤5.2、在不同的时间尺度上对所述步骤4获得的所述生理信号进行分帧，所述时间尺度包括30ms、60ms、100ms，帧时间长度的三分之一设为重叠帧，并给每帧音频乘窗函数，使得帧的边缘能平滑过渡，将所述生理信号分成三个不同时间尺度的特征，使用1d-cnn对所有种类的所述生理信号和所有时间尺度的信号进行特征提取；
21、步骤5.3、将所述步骤5.2提取的特征进行k-means聚类，生成聚类中心和聚类分配；
22、步骤5.4、将所述聚类分配的结果作为伪标签，是训练多级特征提取层+分类器的监督信息，进行神经网络训练，通过预测伪标签来更新网络的权重，损失函数为交叉熵损失，分类器先后由全连接层、dropout层、softmax构成；
23、步骤5.5、将所述步骤5.3和所述步骤5.4交替进行，直至所述神经网络的训练网络权重和聚类分配收敛，从而确定每个时间段的睡眠质量。
24、进一步地，所述步骤5.2中的所述窗函数为汉明窗、汉克窗或布莱克曼窗。
25、进一步地，所述步骤5.3中的所述k-means聚类包括以下子步骤：
26、步骤5.3.1、随机选择5个初始聚类中心，分别为清醒、浅睡n1、浅睡n2、深睡和快动眼；
27、步骤5.3.2、将每段数据分配到最近的聚类中心，距离计算公式为：
28、
29、其中，是数据点，是第个聚类中心，是维度变量；
30、步骤5.3.3、重新计算每个聚类的中心，新的聚类中心是该聚类中所有数据点的均值：
31、
32、其中，是第个聚类的数据点集合，是该集合中数据点的数量；
33、步骤5.3.4、重新分配和更新，直到满足终止条件，所述终止条件为聚类中心不再发生变化或者达到最大迭代次数。
34、本专利技术还提供一种多传感器融合的生理信号监测装置，所述装置包括：
35、外壳，以及封装于所述外壳内部的硬件电路板，在所述硬件电路板上集成有mcu、麦克风阵列、显示器和开关按键，其中，所述mcu是核心部件，用于采集和处理生理数据；所述麦克风阵列连接所述mcu，包括若干个麦克风单元、信号处理器和放大器，负责采集呼吸声信号，所述呼吸声信号包括鼾声信号；所述显示器连接所述mcu，用于显示心率曲线、心率数值、呼吸率数值、睡眠状况；
36、柔性传感器，所述柔性传感器也连接所述mcu，平铺于检测平面上并适配于所述检测平面，在所述检查平面的正上方为检测对象，所述检测对象在重力本文档来自技高网...
【技术保护点】
1.一种多传感器融合的生理信号监测方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的多传感器融合的生理信号监测方法，其特征在于，所述步骤1中的所述柔性传感器同时采用压电薄膜传感器和压力传感器，其中，所述压力传感器负责检测所述压力信号，所述压电薄膜传感器采集包括呼吸起伏和心脏跳动的所述体动信号。
3.如权利要求1所述的多传感器融合的生理信号监测方法，其特征在于，所述步骤1中的所述柔性传感器平铺于检测平面上并适配于所述检测平面，在所述检测平面的正上方为检测对象，所述检测对象在重力作用下会对所述柔性传感器产生向下的压力。
4.如权利要求1所述的多传感器融合的生理信号监测方法，其特征在于，所述步骤3包括以下子步骤：
5.如权利要求4所述的多传感器融合的生理信号监测方法，其特征在于，所述步骤3.3包括以下子步骤：
6.如权利要求1所述的多传感器融合的生理信号监测方法，其特征在于，所述步骤5包括以下子步骤：
7.如权利要求6所述的多传感器融合的生理信号监测方法，其特征在于，所述步骤5.2中的所述窗函数为汉明
8.如权利要求6所述的多传感器融合的生理信号监测方法，其特征在于，所述步骤5.3中的所述K-means聚类包括以下子步骤：
9.一种多传感器融合的生理信号监测装置，其特征在于，所述装置包括：
10.如权利要求9所述的多传感器融合的生理信号监测装置，其特征在于，包括权利要求1~8中任意一项所述的多传感器融合的生理信号监测方法。
...【技术特征摘要】
1.一种多传感器融合的生理信号监测方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的多传感器融合的生理信号监测方法，其特征在于，所述步骤1中的所述柔性传感器同时采用压电薄膜传感器和压力传感器，其中，所述压力传感器负责检测所述压力信号，所述压电薄膜传感器采集包括呼吸起伏和心脏跳动的所述体动信号。
3.如权利要求1所述的多传感器融合的生理信号监测方法，其特征在于，所述步骤1中的所述柔性传感器平铺于检测平面上并适配于所述检测平面，在所述检测平面的正上方为检测对象，所述检测对象在重力作用下会对所述柔性传感器产生向下的压力。
4.如权利要求1所述的多传感器融合的生理信号监测方法，其特征在于，所述步骤3包括以下子步骤：
5.如权利要求...
【专利技术属性】
技术研发人员：卫慧慧，裴国锦，樊好，王林，杨根科，褚健，
申请(专利权)人：上海交通大学宁波人工智能研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。