[發明專利]基于深度學習的識別體征信號的方法、系統、設備及介質

有效

• 申請號: 202010184281.6
• 申請日: 2020-03-17
• 公開（公告）號: CN111436939B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 歐陽騰方;葉重榮
• 申請（專利權）人: 佛山市臺風網絡科技有限公司
• 主分類號: A61B5/11
• 分類號: A61B5/11;A61B5/00;A61B5/0205;G06N3/044;G06N3/08
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 胡楓;曹萬菊

1.一種基于深度學習的識別體征信號的方法，其特征在于，包括：

S1，獲取壓阻傳感器采集的壓阻信號；

S2，根據所述壓阻信號判斷被監測者是否在床，判斷為否時，返回步驟S1，判斷為是時，進入步驟S3；

S3，獲取壓電薄膜傳感器采集的壓電信號；

S4，根據所述壓電信號及事先訓練的循環神經網絡模型識別被監測者的體征信號；其中，所述根據壓電信號及事先訓練的循環神經網絡模型識別被監測者的體征信號的步驟包括：將壓電信號按時序排列；將排序后的壓電信號輸入事先訓練的循環神經網絡模型，輸出體征信號的發生位置；根據所述體征信號的發生位置計算體征信號；

所述循環神經網絡模型的訓練步驟包括：構建循環神經網絡模型；獲取人體睡眠時壓電薄膜傳感器采集的壓電信號，并對所述壓電信號進行標注處理；將標注后的壓電信號輸入所述循環神經網絡模型進行訓練；其中，所述將標注后的壓電信號輸入循環神經網絡模型進行訓練的步驟包括：

將所述標注后的壓電信號劃分為訓練壓電信號和驗證壓電信號；

將所述訓練壓電信號輸入所述循環神經網絡模型，輸出初始結果；

將所述初始結果與實際結果經過損失函數計算以得出所述循環神經網絡模型的初始損失張量，并將所述初始損失張量通過自適應矩估計優化器計算以調整所述循環神經網絡模型中神經元權重；

將所述驗證壓電信號輸入調整后的循環神經網絡模型，輸出預測結果；

將所述預測結果與實際結果經過損失函數計算以得出所述循環神經網絡模型的預測損失張量，并將所述預測損失張量通過二值準確率評估方法計算出評估準確率；

判斷所述評估準確率是否合乎預期，判斷為否時，則繼續重復訓練，判斷為是時，則完成訓練。

2.如權利要求1所述的識別體征信號的方法，其特征在于，所述循環神經網絡模型包括兩層多對多循環神經網絡模型。

3.如權利要求1所述的識別體征信號的方法，其特征在于，所述根據壓阻信號判斷被監測者是否在床的步驟包括：判斷所述壓阻信號是否小于預設閾值，判斷為是時，則被監測者在床，判斷為否時，則被監測者離床。

4.一種基于深度學習的識別體征信號的系統，其特征在于，包括：

壓阻獲取模塊，用于獲取壓阻傳感器采集的壓阻信號；

判斷模塊，用于根據所述壓阻信號判斷被監測者是否在床，當判斷出被監測者離床時，驅動壓阻獲取模塊，當判斷出被監測者在床時，驅動壓電獲取模塊；

壓電獲取模塊，用于獲取壓電薄膜傳感器采集的壓電信號；

識別模塊，用于根據所述壓電信號及事先訓練的循環神經網絡模型識別被監測者的體征信號；其中，所述識別模塊包括：排列單元，用于將壓電信號按時序排列；訓練單元，用于將排序后的壓電信號輸入事先訓練的循環神經網絡模型，輸出體征信號的發生位置；計算單元，用于根據所述體征信號的發生位置計算體征信號；

所述循環神經網絡模型的訓練步驟包括：構建循環神經網絡模型；獲取人體睡眠時壓電薄膜傳感器采集的壓電信號，并對所述壓電信號進行標注處理；將標注后的壓電信號輸入所述循環神經網絡模型進行訓練；其中，所述將標注后的壓電信號輸入循環神經網絡模型進行訓練的步驟包括：

將所述標注后的壓電信號劃分為訓練壓電信號和驗證壓電信號；

將所述訓練壓電信號輸入所述循環神經網絡模型，輸出初始結果；

將所述初始結果與實際結果經過損失函數計算以得出所述循環神經網絡模型的初始損失張量，并將所述初始損失張量通過自適應矩估計優化器計算以調整所述循環神經網絡模型中神經元權重；

將所述驗證壓電信號輸入調整后的循環神經網絡模型，輸出預測結果；

將所述預測結果與實際結果經過損失函數計算以得出所述循環神經網絡模型的預測損失張量，并將所述預測損失張量通過二值準確率評估方法計算出評估準確率；

判斷所述評估準確率是否合乎預期，判斷為否時，則繼續重復訓練，判斷為是時，則完成訓練。

5.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至3中任一項所述的方法的步驟。

6.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至3中任一項所述的方法的步驟。