CN106971059A - 一种基于神经网络自适应健康监测的可穿戴设备 - Google Patents

Abstract

本发明公开一种基于神经网络自适应健康监测的可穿戴设备，包括：运动状态求解模块、运动环节判断模块、降维求解模块、生理参数设定模块、生理参数采集模块；运动状态求解模块采集加速度传感器输出的加速度数据，并经小波变换过滤高频噪声，划分用户的运动状态；运动环节判断模块，结合角速度对所述运动状态进行细分，获得运动细分环节；降维求解模块，使用优化的SVM分层级结合不同层级数据对部分病态特征的进一步精细区分。本发明分析环节综合不同特征降维取样，大大减少了运动量，通过重点计算验证环节，又保证了正确性，提高所获得的用户生理参数的医学参考价值，并在同等情况下提取功耗待机能力。

Description

一种基于神经网络自适应健康监测的可穿戴设备

技术领域

本发明涉及智能穿戴领域，特别涉及一种基于神经网络自适应健康监测的可穿戴设备。

背景技术

心血管疾病作为最能威胁人类健康的一种疾病，其病因涉及人体内运输血液的组织和包括心脏、动脉血管、静脉血管在内的循环***。人体脉搏包含丰富的与心血管有关的生理病理信息，其波形幅值、周期、形状都可作为判断人体心血管***健康与否的重要依据。

长期以来，人们通过心电图机获取心电图进行判别。随着可穿戴技术和远程医疗的发展，人们越来越不满足在限定时间、地点并且限制生理活动的条件下使用心电图机等大型设备获得自身健康信息，而更倾向于自由、灵活、连续和实时地监测自身健康状态。

心电图的获取，从原理上划分大体有如下四类：

1、光：利用光透射或反射血管内流动的血液(脉搏)来检测脉率，通常情况下脉率与心率数据相等的。目前指夹式光传感器基本使用可见光透射原理；而脉搏的光传感器基本使用光反射原理。

2、电：就是通常说的ECG信号，它是有人体心脏搏动而产生的毫伏级电信号，大家看到体检的心电图，心率带、心电手表等至少需要两个以上电极的设备基本上都属于这种检测原理。

3、声：通常是利用超声多普勒原理来检查心脏的搏动，常见的胎心仪就是这一原理。

4、压：通常使用一个压力传感器来检测脉博搏动的微弱压力信号来检测脉率，有极少手环使用，主要在血压检测中计算血压和脉率。

上述四类方法中，光学检测方法具有实施便捷、成本低廉、能够24小时检测等优势，成为可穿戴便携式手表测量的主流手段。尤其是使用绿光作为光源测量PPG的特性，与红外光和红光相比较，绿光受皮下组织的干扰更小，获取的PPG波形更加完整。通过绿光照射，由于人体皮下组织的血红蛋白等吸光物质在整个血液循环中吸光系数和血液浓度保持不变，透射光或反射光光程随心脏作用呈周期性变化，心脏舒张期外周血液容积量最小，光程最小，光吸收量也最小，检测到的光强最小，而心脏收缩期则刚好相反，探测到反射光强的变化并转化为数字信号，进而描绘成心电脉搏波。

可穿戴健康智能腕表采集的健康体征数据目前业界只作为健康分析参考，没有大规模取代传统非穿戴式家用医疗器械和快速普及，存在如下原因：

1、准确性问题：现有的可穿戴设备，未考虑不同生理参数应该在不同的运动状态下进行采集，这样才能获得具有医学参考价值的生理参数。

目前业界健康检测设备是在用户静止状态下，测量其心率或心电图。但是实际上针对不同的病患需要采集不同运动状态下的生理参数采用意义，即许多健康体征的采集对采集者的状态环境有较高的要求。例如，心电图的采集需要人体平静状态下采集，如果运动过后，需要人体静止休息10分钟后，获得的心率数据具有医学参考价值；动态心率在运动开始3分钟后测得的运动心率数据具有医学参考价值。

同时，对于一些特殊病例，其生理参数应该在特定的步态周期中采集。现有技术，并根据步态状态进行生理参数的采集。例如，对于中风(脑卒中)、帕金森等预测诊断与步态周期的不同环节的动作状态下的表现等情况有关。故需要精细地采集运动状态、周期、运动细微特征。

2、电量问题：由于体积、重量、***性能的约束，电源容量是制约广泛使用最重要的因素之一。目前带绿光采集的手表手环功耗待机时间本来就十分有限，现有技术全面采集运动状态的细节特征，带来的运算量、功耗也比较大，降低可穿戴设备的续航能力。

综上，现有技术采集生理参数时，并没有考虑到用户的运动状态；同时，现有技术只能进行简单的计步等运动状态采集，对于运动环节、运动细微特征的差别没有采集。此外，现有技术采集运动状态细节特征时，运算量大，功耗高。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种基于神经网络自适应健康监测的可穿戴设备，旨在解决现有技术在采集生理参数时，未考虑到用户的运动状态；本发明对运动环节、运动细微特征的进行辨识，并采集相应的生理参数信息，便于医生或其他人员对用户健康状态进行分析。同时，本发明采用分级的方式来采集运动状态，减低数据处理运算量，降低可穿戴设备功耗，提高续航能力。

为实现上述目的，本发明提供了一种基于神经网络自适应健康监测的可穿戴设备，包括：

运动状态求解模块，用于定时采集加速度传感器输出的加速度数据，并经小波变换过滤高频噪声，划分用户的运动状态；

运动环节判断模块，用于结合角速度对所述运动状态进行细分，获得运动细分环节；

降维求解模块，用于使用优化的SVM分层级结合不同层级数据对部分病态特征的进一步精细区分；

生理参数设定模块，用于设定不同运动状态、步态下所要采集的生理参数；

生理参数采集模块，用于根据需要采集的生理参数，在指定的运动状态、步态下采集对应的生理参数。

进一步而言，所述运动环节判断模块，被配置为：

采集所述加速度传感器在x、y、z三轴方向上的加速度值a_x、a_y、a_z，并求解加速度信号向量模SVM_A；采集所述角速度传感器在x、y、z三轴方向上的角速度值w_x、w_y、w_z，并求解角速度信号向量模SVM_W；所述

通过加速度信号向量模SVM_A、角速度信号向量模SVM_W，建立和自适应完善的识别模型，对所述运动状态进行细分，获得运动细分环节。

进一步而言，所述运动环节判断模块还包含滤波单元，所述滤波单元对采集到的加速度传感器、角速度传感器数据进行进行小波分解、对高频小波系数处理、小波重构三个步骤的小波变换操作，将各方向时域信号离散化，将多种频率成分的混合信号分解到不同频段，然后根据各种子信号在频域上的不同特征按频带处理；获取信噪比高的步态数据；

所述小波变换采用硬阈值法，小波系数为C_j,k，阈值为λ；

所述

进一步而言，所述降维求解模块，被配置为：

获取用户的生理参数数据，并对所述用户生理参数数据进行降维；

采集用户脚部三个方向的加速度/角速度值，对样本人群整体取标准差，N为样本量，先训练分类器，再用分类器识别步态样本；综合计算某人步态偏离整理人群的程度x，所述其中，a、b、c分别为用户三个方向加速度/角速度值；

将数据库中已经注册了个人N类步态样本，将样本输入分类器训练，根据输入值判定是(1，N)中哪一类，如果超出(1，N)范围，则新注册类别N+1类，然后重新更新分类器；

在上述不同运动划分基础上，同种运动再次细分，并采取投票方式决定分类结果。

进一步而言，所述降维求解模块还被配置为：

对原始数据进行标准化处理，通过举证中的每个元素减去所在列的均值，然后除以所在列的标准差，使得每个变量标准化为均值为0，方差为1的矩阵X，即X＝[X₁，X₂，......X_n]^T＝[X_ij]_(n×p)；

其中，

获得

求解相关系数矩阵：

其中，R是实对称矩阵(即r_ij＝r_ji)，其中r为相关系数；

求解相关系数矩阵：

若累计贡献率达到50％以上时，采用比高法，将最高贡献率的特征值向量留下，作为固定工作样本集，其余舍弃；

计算得分矩阵，将留下的特征值作为新变量主成分，利用下式计算得分矩阵F_(n×m)＝X_(n×p)·U_(p×m)；

其中，X是原数据矩阵，U是主成分载荷，得分矩阵F即为降维后所得到的结果；

结合大数据进行持续的训练细分：SVM分类器适应度函数f(x_i)＝min(1-g(x_i))，为SVM分类器对样本划分正确率。

进一步而言，所述降维求解模块，还被配置为：

利用所述加速度传感器的输出数据，采用对第一条件、第二条件、第三条件进行运算，并利用中值滤波判断人体运动的步态；

所述第一条件为：加速度计输出合成幅值，处于给定的上下阈值之间，则判定人体静止；反之，则判定人运动；

所述加速度计输出合成幅值为：

所述上下阈值分别为：th_amin＝8m/s，th_amax＝11m/s；

所述第一条件表示为：

所述第二条件为：加速度计输出的局部方差，低于给定的阈值，则判定人体静止；反之，则判定人运动；

所述加速度计输出的局部方差为：

其中为此区间加速度计合成幅值的输出平均值，其表达式为：

s为半窗口采样数量，定义给定阈值为：th_σa＝0.5m/s²，所述第二条件表示为：

所述第三条件为：角速度传感器输出角速度合成幅值，低于给定的阈值，则判定人体静止；反之，则判定人运动；

定义陀螺仪输出的合成幅值为：

给定的阈值为：th_wmax＝50/s，所述第三条件表示为：

进一步而言，一种基于神经网络自适应健康监测的可穿戴设备，还包括模型自适应完善模块；所述模型自适应完善模块被配置为：

读取新输入样本，并根据交叉验证法，计算SVM分类器识别率；

若训练的当前识别率高于或等于原有识别率，则将本次训练的参数设为最优参数；否则执行选择操作、交叉操作和/或变异操作，进一步优化训练参数。

本发明的有益效果是：本方案克服上述两种矛盾，一方面在预处理过程中既全面采集细微的运动特征，另一方面又通过自适应的算法匹配，在不同特定判别过程只调用有限的不同传感器功能工作，提取不同特定的特征计算，分析环节综合不同特征降维取样，大大减少了运动量，通过重点计算验证环节，又保证了正确性。从而做到，全面采集运动状态的细节特征，计算量和功耗大大减少，提升了医学参考价值，并在同等情况下提取功耗待机能力。

附图说明

图1是本发明一具体实施方式的结构框图；

图2是本实施例中的人体运动层级划分的示意图；

图3是本实施例中的用户行走几何示意图；

图4是本实施例中的三条件步态检测示意图；

图5是本实施例中模型的自适应完善的流程示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明：

可穿戴健康智能腕表采集的健康体征数据目前业界只作为健康分析参考，没有大规模取代传统非穿戴式家用医疗器械和快速普及，有两个重要原因：

1、准确性问题：许多健康体征的采集对采集者的状态环境有较高的要求，例如心电图的采集需要人体平静状态下采集，如果运动过后，需要人体静止休息10分钟后，获得的心率数据具有医学参考价值；动态心率在运动开始3分钟后测得的运动心率数据具有医学参考价值；对于中风(脑卒中)、帕金森等预测诊断与步态周期的不同环节的动作状态下的表现等情况有关。故需要精细地采集运动状态、周期、运动细微特征。

目前业界可穿戴手环只能进行简单的计步等运动状态采集，对于运动环节、运动细微特征的差别没有采集。目前没有通过CFDA医疗器械认证的可穿戴式健康采集设备，只能作为参考。

2、电量问题：由于体积、重量、***性能的约束，电源容量是制约广泛使用最重要的因素之一。目前带绿光采集的手表手环功耗待机时间本来就十分有限，如果全面采集运动状态的细节特征，带来的运算量、功耗将更加巨大。

本方案克服上述两种矛盾，一方面在预处理过程中既全面采集细微的运动特征，另一方面又通过自适应的算法匹配，在不同特定判别过程只调用有限的不同传感器功能工作，提取不同特定的特征计算，分析环节综合不同特征降维取样，大大减少了运动量，通过重点计算验证环节，又保证了正确性。

从而做到：全面采集运动状态的细节特征，计算量和功耗大大减少，提升了医学参考价值，并在同等情况下提取功耗待机能力。

如图1所示，在本发明第一实施例中，提供一种基于神经网络自适应健康监测的可穿戴设备，包括：

运动状态求解模块，用于定时采集加速度传感器输出的加速度数据，并经小波变换过滤高频噪声，划分用户的运动状态，所述运动状态包括第一循环动作和第二非循环动作；所述第一循环动作包括行走和跑步；所述第二非循环动作包括跳跃、起立、坐下、蹲下；所述行走包括上楼梯、下楼梯、平地走；

运动环节判断模块，用于结合角速度对所述运动状态进行细分，获得运动细分环节；

降维求解模块，用于使用优化的SVM分层级结合不同层级数据对部分病态特征的进一步精细区分；

生理参数设定模块，用于设定不同运动状态、步态下所要采集的生理参数；

生理参数采集模块，用于根据需要采集的生理参数，在指定的运动状态、步态下采集对应的生理参数。

本发明获得不同状态下的生理参数，以便更好的评估健康状态；平时去医院都是测量静态下的心率；此外，有些病在静止下症状不能很好的表现出来，如心脏病，在不进行剧烈运动的情况下，生理状态与正常人相近，若剧烈运动之后，会急剧不同。

针对我们跌倒检测和常见的人体行为分析的应用而言，加速度传感器能很好的区分人体行为的运动和静止状态，对于相似的运动行为就比较难于区分，特点是区分度大且混淆度也大。结合腕部角速度可以进行进一步的区分，但是加速度、角速度同时进行计算，运算量大，影响了时效性和电量功耗，故采用分层分级、降维分类、重点校验的方式，兼顾了计算量和准确性。如图2所示，人体运动可以划分不同的层级。

在本实施例中，运动状态求解模块，首先使用加速度传感器数据进行第一层级运动判断智能腕表三轴加速度传感器，按照100Hz的采样频率(人行走的频率一般在110步/分钟(1.8Hz)，跑步时的频率不会超过5Hz，选择100Hz的采样频率可以比较准确地反应加速度变化)，采集x，y，z三个方向的作用力。

在本实施例中，运动状态求解模块，其次统计通过对轨迹的峰值出现的频率。用户在水平运动中，垂直和前进两个加速度会呈现周期性变化。在步行收脚的动作中，由于重心向上单只脚触地，垂直方向加速度是呈正向增加的趋势，之后继续向前，重心下移两脚触底，加速度相反。水平加速度在收脚时减小，在迈步时增加，如图3所示。

值得一提的是，在步行运动中，垂直和前进产生的加速度与时间大致为一个正弦曲线，而且在某点有一个峰值，其中垂直方向的加速度变化最大。

最后，运动状态求解模块，对数据进行滤波处理。由于采集过程中电路中的电磁干扰是主要的干扰源，电磁干扰为高频噪声；而人体运动主要是在50Hz以内的低频信号，本发明选用小波变换阈值法。对于这种干扰，我们给检测加上阈值和步频判断来过滤，也就是说相邻两步的时间间隔至少大于0.2秒，过滤高频噪声。

在本实施例中，所述运动环节判断模块，被配置为：

采集所述加速度传感器在x、y、z三轴方向上的加速度值a_x、a_y、a_z，并求解加速度信号向量模SVM_A；采集所述角速度传感器在x、y、z三轴方向上的角速度值w_x、w_y、w_z，并求解角速度信号向量模SVM_W；所述

通过加速度信号向量模SVM_A、角速度信号向量模SVM_W，建立和自适应完善的识别模型，对所述运动状态进行细分，获得运动细分环节。

具体而言，运动环节判断模块，结合角速度进行细分运动环节、跌倒检测。

由于加速度适合用于方向明确的运动判别，而对于无法跌倒检测、运动周期环节、八字脚等判别，则需要使用角速度来判别。

基于运动学算法原理，检测四个步态事项时相：一个步态周期被分成了两个阶段，分别是“支撑阶段”(stancephase)和“摆动阶段”(swingphase)。

美国加利福尼亚州RLA国家康复中心的Perry医生按照步行周期的发生顺序提出了RLA分期方法；即将支撑期分解为5个分期；迈步期分解为3个分期。

1.首次触地，initialcontact：为步行周期和支撑期的起始点；指足跟或足底的其他部位第一次与地面接触的瞬间。正常人行走的首次着地方式为足跟着地。

2、承重反应期，loadingresponse：指足跟着地后足底与地面全面接触瞬间的一段时间；即一侧足跟着地后至对侧下肢足趾离地时；是中心由足跟转移至足底的过程。该期为0—15％步行周期。

3.站立中期，mid-stance：指从对侧下肢离地至躯干位于该侧腿正上方时；此时重心位于支撑面正上方。该期为15％—40％步行周期：

4.站立末期，terminalstance：指从支撑足跟离地时到对侧下肢足跟着地。该期为40％—50％步行周期。

5.迈步前期，pre-swing：指从对侧下肢足跟着地到支撑足趾离地之前的一段时间。该期为50％—60％步行周期。

6.迈步初期，initialswing：从支撑腿离地至该腿膝关节达到最大屈曲时。该期为60％—70％步行周期。

7.迈步中期，mid-swing：从膝关节最大屈曲摆动到小腿与地面垂直时。该期为70％—85％步行周期。

8.迈步末期，terminalswing：指与地面垂直的小腿向前摆动至该足跟再次着地之前。该期为85％—100％步行周期。

在本实施例中，可以通过对运动周期内，以时间进行划分环节，当然也可以通过人为设定各个环节的时间来判断各个运动环节。

在本实施例中，采用加速度信号向量模、角速度信号向量模，作为模型的输入特征。

分析模块通过建立和自适应完善的识别模型，重点通过加速度传感器规律进行建模，并通过遗传算子的操作，给出运动状态识别结果，供远程健康大数据分析管理使用。

手持设备会有一些低幅度和快速的抽动状态，或是我们俗称的手抖，或者某个恶作剧用户想通过短时快速反复摇动设备来模拟人走路，这些干扰数据如果不剔除，会影响计步的准确值。

对采集到各个方向数据，进行小波分解、对高频小波系数处理、小波重构三个步骤的小波变换操作，将各方向时域信号离散化，将多种频率成分的混合信号分解到不同频段，然后根据各种子信号在频域上的不同特征按频带处理；获取信噪比高的步态数据。

跌倒具有大加速度和角速度峰值特征,这是因为摔倒过程中由于和低势物体碰撞产生的SVM峰值比日常活动中步行、上楼梯等大多数一般过程要大。然而人体运动行为过程具有复杂性和随机性,使用单一的加速度相关信息判断人体摔倒行为的发生会带来很大的误判。使用SVMA及SVMW相结合的信息阈值法可以区分跌倒与产生SVM峰值较小的低强度运动。通过对人体摔倒过程及其它日常生活行为过程中实验结果数据SVMA和SVMW进行分析,本文识别跌倒的加速度信号向量模阈值取SVMAT＝20m/s2和角速度信号向量模阈值取SVMWT＝4rad/s。

在本实施例中，所述运动环节判断模块还包含滤波单元，所述滤波单元对采集到的加速度传感器、角速度传感器数据进行进行小波分解、对高频小波系数处理、小波重构三个步骤的小波变换操作，将各方向时域信号离散化，将多种频率成分的混合信号分解到不同频段，然后根据各种子信号在频域上的不同特征按频带处理；获取信噪比高的步态数据；

所述小波变换采用硬阈值法，小波系数为C_j,k，阈值为λ；

所述

在本实施例中，所述降维求解模块，被配置为：

获取用户的生理参数数据，并对所述用户生理参数数据进行降维；

采集用户三个方向加速度/角速度值，对样本人群整体取标准差，N为样本量，先训练分类器，再用分类器识别步态样本；综合计算某人步态偏离整理人群的程度x，所述

将数据库中已经注册了个人N类步态样本，将样本输入分类器训练，根据输入值判定是(1，N)中哪一类，如果超出(1，N)范围，则新注册类别N+1类，然后重新更新分类器；

在上述不同运动划分基础上，同种运动再次细分，并采取投票方式决定分类结果。

人群边界中心距特征，边界中心距的定义是边界点到质心的距离。

在本实施例中，多维信号为了消除数据间不同量纲、不同数量级的影响，需要对原始数据进行标准化处理，使其具有可比性，通过举证中的每个元素减去所在列的均值，然后除以所在列的标准差，使得每个变量标准化为均值为0，方差为1的矩阵X。

在本实施例中，所述降维求解模块还被配置为：

对原始数据进行标准化处理，通过举证中的每个元素减去所在列的均值，然后除以所在列的标准差，使得每个变量标准化为均值为0，方差为1的矩阵X，即X＝[X₁，X₂，......X_n]^T＝[X_ij]_(n×p)；

其中，

获得

求解相关系数矩阵：

其中，R是实对称矩阵(即r_ij＝r_ji)，其中r为相关系数；

求解相关系数矩阵：

若累计贡献率达到50％以上时，采用比高法，将最高贡献率的特征值向量留下，作为固定工作样本集，其余舍弃；

计算得分矩阵，将留下的特征值作为新变量主成分，利用下式计算得分矩阵F_(n×m)＝X_(n×p)·U_(p×m)；

其中，X是原数据矩阵，U是主成分载荷，得分矩阵F即为降维后所得到的结果；

这样做的方式既使用到了固定工作样本集方法计算速度快的特点，又避免了其当向量的个数超出工作样本集的规模，算法仅优化支持向量中的一部分的存在范围局限性的问题。通过上述方法挑出异常人群。

结合大数据进行持续的训练细分：SVM分类器适应度函数f(x_i)＝min(1-g(x_i))，为SVM分类器对样本划分正确率。

如图4所示，在本实施例中，利用加速度计的输出数据,采用三条件(C1,C2和C3)判断算法,并利用中值滤波的方法,便可有效地判断人体运动的步态,在这里,以状态“0”表示运动,状态“1”表示静止。

在本实施例中，所述降维求解模块，还被配置为：

利用所述加速度传感器的输出数据，采用对第一条件、第二条件、第三条件进行运算，并利用中值滤波判断人体运动的步态；

所述第一条件为：加速度计输出合成幅值，处于给定的上下阈值之间，则判定人体静止；反之，则判定人运动；

所述加速度计输出合成幅值为：

所述上下阈值分别为：th_amin＝8m/s，th_amax＝11m/s；

所述第一条件表示为：

所述第二条件为：加速度计输出的局部方差，低于给定的阈值，则判定人体静止；反之，则判定人运动；

所述加速度计输出的局部方差为：

其中为此区间加速度计合成幅值的输出平均值，其表达式为：

s为半窗口采样数量，通常定义其值为15。定义给定阈值为：th_σa＝0.5m/s²，所述第二条件表示为：

所述第三条件为：角速度传感器输出角速度合成幅值，低于给定的阈值，则判定人体静止；反之，则判定人运动；

定义陀螺仪输出的合成幅值为：

给定的阈值为：th_wmax＝50/s，所述第三条件表示为：

3个条件之间采用“与”逻辑,即只有当3个条件的判断结果都为“1”时才认为步态处于绝对静止状态。再通过中值滤波方法,便可有效地判断连续输出的运动结果,剔除噪点,获得有效、合理的步态检测数据。

在本实施例中提供的一种基于神经网络自适应健康监测的可穿戴设备，还包括模型自适应完善模块；所述模型自适应完善模块被配置为：

读取新输入样本，并根据交叉验证法，计算SVM分类器识别率；

若训练的当前识别率高于或等于原有识别率，则将本次训练的参数设为最优参数；否则执行选择操作、交叉操作和/或变异操作，进一步优化训练参数。

具体而言，随着样本量的增加，SVM分类器能够自适应不断优化完善：

(1)对运动状态进行抽样计算

在判别时，可能由于其中某个状态标准差偏大，另一个状态标准差偏小，正好相抵，导致未发现异常，故再次进行随机抽样验证。

其中，a、b、c分别为用户三个方向加速度/角速度值；

每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率。

(2)对异常未发现的样本的特征值，使用SVM分类器适应度函数，为SVM分类器对样本划分正确率。通过保持多个群体和恰当地控制群体间的相互作用来模拟并行执行过程，从而即使不使用并行计算机，也能提高算法的执行效率。

如图5所示，每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率，进行适应度评估，不设定遗传算法的终止值，终止条件采用比高法，如果训练的识别率高于现有则设为最优参数，否则，执行选择、交叉和变异等操作进一步优化训练参数。

总而言之，可穿戴健康智能腕表采集的健康体征数据目前业界只作为健康分析参考，没有大规模取代传统非穿戴式家用医疗器械和快速普及，有两个重要原因：

1、准确性问题：许多健康体征的采集对采集者的状态环境有较高的要求，例如心电图的采集需要人体平静状态下采集，如果运动过后，需要人体静止休息10分钟后，获得的心率数据具有医学参考价值；动态心率在运动开始3分钟后测得的运动心率数据具有医学参考价值；对于中风(脑卒中)、帕金森等预测诊断与步态周期的不同环节的动作状态下的表现等情况有关。故需要精细地采集运动状态、周期、运动细微特征。

目前业界可穿戴手环只能进行简单的计步等运动状态采集，对于运动环节、运动细微特征的差别没有采集。目前没有通过CFDA医疗器械认证的可穿戴式健康采集设备，只能作为参考。

2、电量问题：由于体积、重量、***性能的约束，电源容量是制约广泛使用最重要的因素之一。目前带绿光采集的手表手环功耗待机时间本来就十分有限，如果全面采集运动状态的细节特征，带来的运算量、功耗将更加巨大。

本发明克服上述两种矛盾，一方面在预处理过程中既全面采集细微的运动特征，另一方面又通过自适应的算法匹配，在不同特定判别过程只调用有限的不同传感器功能工作，提取不同特定的特征计算，分析环节综合不同特征降维取样，大大减少了运动量，通过重点计算验证环节，又保证了正确性。从而做到：全面采集运动状态的细节特征，计算量和功耗大大减少，提升了医学参考价值，并在同等情况下提取功耗待机能力。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (7)

1.一种基于神经网络自适应健康监测的可穿戴设备，其特征在于，包括：

运动状态求解模块，用于定时采集加速度传感器输出的加速度数据，并经小波变换过滤高频噪声，划分用户的运动状态；

运动环节判断模块，用于结合角速度对所述运动状态进行细分，获得运动细分环节；

降维求解模块，用于使用优化的SVM分层级结合不同层级数据对部分病态特征的进一步精细区分；

生理参数设定模块，用于设定不同运动状态、步态下所要采集的生理参数；

生理参数采集模块，用于根据需要采集的生理参数，在指定的运动状态、步态下采集对应的生理参数。

2.如权利要求1所述的一种基于神经网络自适应健康监测的可穿戴设备，其特征在于：所述运动环节判断模块，被配置为：

采集所述加速度传感器在x、y、z三轴方向上的加速度值a_x、a_y、a_z，并求解加速度信号向量模SVM_A；采集所述角速度传感器在x、y、z三轴方向上的角速度值w_x、w_y、w_z，并求解角速度信号向量模SVM_W；所述

通过加速度信号向量模SVM_A、角速度信号向量模SVM_W，建立和自适应完善的识别模型，对所述运动状态进行细分，获得运动细分环节。

3.如权利要求2所述的一种基于神经网络自适应健康监测的可穿戴设备，其特征在于：所述运动环节判断模块还包含滤波单元，所述滤波单元对采集到的加速度传感器、角速度传感器数据进行小波分解、对高频小波系数处理、小波重构三个步骤的小波变换操作，将各方向时域信号离散化，将多种频率成分的混合信号分解到不同频段，然后根据各种子信号在频域上的不同特征按频带处理；获取信噪比高的步态数据；

所述小波变换采用硬阈值法，小波系数为C_j,k，阈值为λ；

所述

4.如权利要求1所述的一种基于神经网络自适应健康监测的可穿戴设备，其特征在于：所述降维求解模块，被配置为：

获取用户的生理参数数据，并对所述用户生理参数数据进行降维；

采集用户三个方向加速度/角速度值，对样本人群整体取标准差，N为样本量，先训练分类器，再用分类器识别步态样本；综合计算某人步态偏离整理人群的程度x，所述其中，a、b、c分别为用户三个方向加速度/角速度值；

数据库中已经注册了个人N类步态样本，将样本输入分类器训练，根据输入值判定是(1，N)中哪一类，如果超出(1，N)范围，则新注册类别N+1类，然后重新更新分类器；

在上述不同运动划分基础上，同种运动再次细分，并采取投票方式决定分类结果。

5.如权利要求4所述的一种基于神经网络自适应健康监测的可穿戴设备，其特征在于，所述降维求解模块还被配置为：

对原始数据进行标准化处理，通过举证中的每个元素减去所在列的均值，然后除以所在列的标准差，使得每个变量标准化为均值为0，方差为1的矩阵X，即X＝[X₁，X₂，......X_n]T＝[X_ij]_(n×p)；

其中，i＝1，2…n，j＝1，2…p；

获得

求解相关系数矩阵：

$R=\left[\begin{array}{cccc}{r}_{11}& r_{12}& \mathrm{...}& r_{1p}\\ r_{21}& r_{22}& \mathrm{...}& r_{2p}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ r_{p1}& r_{p2}& \mathrm{...}& r_{pp}\end{array}\right]$

其中，R是实对称矩阵(即r_ij＝r_ji)，其中r为相关系数；

求解相关系数矩阵：

${\mathrm{\η}}_l=\frac{{\mathrm{\Σ}}_{k=1}^l{\mathrm{\λ}}_k}{{\mathrm{\Σ}}_{k=1}^p{\mathrm{\λ}}_k},(l=1,2,\·\·\·p);$

若累计贡献率达到50％以上时，采用比高法，将最高贡献率的特征值向量留下，作为固定工作样本集，其余舍弃；

计算得分矩阵，将留下的特征值作为新变量主成分，利用下式计算得分矩阵F_(n×m)＝X_(n×p)·U_(p×m)；

其中，X是原数据矩阵，U是主成分载荷，得分矩阵F即为降维后所得到的结果；

结合大数据进行持续的训练细分：SVM分类器适应度函数f(x_i)＝min(1-g(x_i))，为SVM分类器对样本划分正确率。

6.如权利要求4所述的一种基于神经网络自适应健康监测的可穿戴设备，其特征在于：所述降维求解模块，还被配置为：

利用所述加速度传感器的输出数据，采用对第一条件、第二条件、第三条件进行运算，并利用中值滤波判断人体运动的步态；

所述第一条件为：加速度计输出合成幅值，处于给定的上下阈值之间，则判定人体静止；反之，则判定人运动；

所述加速度计输出合成幅值为：

所述上下阈值分别为：th_amin＝8m/s，th_amax＝11m/s；

所述第一条件表示为：

所述第二条件为：加速度计输出的局部方差，低于给定的阈值，则判定人体静止；反之，则判定人运动；

所述加速度计输出的局部方差为：

其中为此区间加速度计合成幅值的输出平均值，其表达式为：

s为半窗口采样数量，定义给定阈值为：th_σa＝0.5m/s²，所述第二条件表示为：

所述第三条件为：角速度传感器输出角速度合成幅值，低于给定的阈值，则判定人体静止；反之，则判定人运动；

定义陀螺仪输出的合成幅值为：

给定的阈值为：th_wmax＝50/s，所述第三条件表示为：

$C3=\left\{\begin{array}{cc}1& \left|w_k\right|<{\mathrm{th}}_{wmax}\\ 0& else\end{array}\right..$

7.如权利要求1所述的一种基于神经网络自适应健康监测的可穿戴设备，其特征在于，还包括模型自适应完善模块；所述模型自适应完善模块被配置为：

读取新输入样本，并根据交叉验证法，计算SVM分类器识别率；

若训练的当前识别率高于或等于原有识别率，则将本次训练的参数设为最优参数；否则执行选择操作、交叉操作和/或变异操作，进一步优化训练参数。