[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

本發明公開了一種基于深度學習的識別體征信號的方法，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。本發明還公開了一種基于深度學習的識別體征信號的系統、計算機設備及計算機可讀存儲介質。采用本發明，可有效地識別體征信號，并提高識別的準確性。

技術領域

本發明涉及健康監測技術領域，尤其涉及一種基于深度學習的識別體征信號的方法、基于深度學習的識別體征信號的系統、計算機設備及計算機可讀存儲介質。

背景技術

壓電薄膜（PVDF）是一種獨特的高分子傳感材料，能相對于壓力或拉伸力的變化輸出電壓信號，因此是一種理想的動態應變片，可加工成為高效可靠、低成本的振動傳感器。將PVDF傳感器放置在床墊中，并靠近人體心臟位置，可以得到人體心跳、呼吸、翻身、鼾聲所產生震動的信號。

現有技術中，主要通過模式識別和信號處理的方法，分析心跳、呼吸、翻身所產生的時間位置，從而得出人體的心率、呼吸頻率、翻身等體征信號。比如，使用模式識別的方法，將超過某個特定值達一段時間記錄為一個體動點；或者，使用信號處理的方法，用帶通濾波器分別過濾心跳和呼吸的震動，然后分別進行傅里葉變換得出心跳和呼吸的頻率。但是，使用這兩種方法具有以下明顯的缺陷：

（1）只使用PVDF傳感器的方法，對于在床和離床檢測不敏感，需要3~5秒才能對在床/離床狀態變化做出反應，同時也無法檢測出在床停止心跳和呼吸的情況，無法區別在床停止心跳還是離床的狀態；

（2）使用信號處理的方法，只能得到心跳以及呼吸的頻率信息，無法得知心跳、呼吸發生的準確時間點，因此無法利用這些信息進行進一步的疾病分析；同時，使用信號處理的方法需要較長時間的信號片段進行信號處理，處理延時較大，也無法分析頻率范圍較廣的信息，比如鼾聲（頻率范圍在0~2000?Hz）；

（3）體動所產生的震動信號與心跳/呼吸的震動互相疊加導致會影響分析結果。

發明內容

本發明所要解決的技術問題在于，提供一種基于深度學習的識別體征信號的方法、系統、計算機設備及計算機可讀存儲介質，可有效地識別體征信號，并提高識別的準確性。

為了解決上述技術問題，本發明提供了一種基于深度學習的識別體征信號的方法，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。

作為上述方案的改進，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。

作為上述方案的改進，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。

作為上述方案的改進，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。