本發(fā)明涉及智能穿戴領(lǐng)域，特別涉及一種基于神經(jīng)網(wǎng)絡(luò)自適應(yīng)健康監(jiān)測(cè)的可穿戴設(shè)備。

背景技術(shù)：

心血管疾病作為最能威脅人類健康的一種疾病，其病因涉及人體內(nèi)運(yùn)輸血液的組織和包括心臟、動(dòng)脈血管、靜脈血管在內(nèi)的循環(huán)系統(tǒng)。人體脈搏包含豐富的與心血管有關(guān)的生理病理信息，其波形幅值、周期、形狀都可作為判斷人體心血管系統(tǒng)健康與否的重要依據(jù)。

長(zhǎng)期以來(lái)，人們通過(guò)心電圖機(jī)獲取心電圖進(jìn)行判別。隨著可穿戴技術(shù)和遠(yuǎn)程醫(yī)療的發(fā)展，人們?cè)絹?lái)越不滿足在限定時(shí)間、地點(diǎn)并且限制生理活動(dòng)的條件下使用心電圖機(jī)等大型設(shè)備獲得自身健康信息，而更傾向于自由、靈活、連續(xù)和實(shí)時(shí)地監(jiān)測(cè)自身健康狀態(tài)。

心電圖的獲取，從原理上劃分大體有如下四類：

1、光：利用光透射或反射血管內(nèi)流動(dòng)的血液(脈搏)來(lái)檢測(cè)脈率，通常情況下脈率與心率數(shù)據(jù)相等的。目前指夾式光傳感器基本使用可見(jiàn)光透射原理；而脈搏的光傳感器基本使用光反射原理。

2、電：就是通常說(shuō)的ecg信號(hào)，它是有人體心臟搏動(dòng)而產(chǎn)生的毫伏級(jí)電信號(hào)，大家看到體檢的心電圖，心率帶、心電手表等至少需要兩個(gè)以上電極的設(shè)備基本上都屬于這種檢測(cè)原理。

3、聲：通常是利用超聲多普勒原理來(lái)檢查心臟的搏動(dòng)，常見(jiàn)的胎心儀就是這一原理。

4、壓：通常使用一個(gè)壓力傳感器來(lái)檢測(cè)脈博搏動(dòng)的微弱壓力信號(hào)來(lái)檢測(cè)脈率，有極少手環(huán)使用，主要在血壓檢測(cè)中計(jì)算血壓和脈率。

上述四類方法中，光學(xué)檢測(cè)方法具有實(shí)施便捷、成本低廉、能夠24小時(shí)檢測(cè)等優(yōu)勢(shì)，成為可穿戴便攜式手表測(cè)量的主流手段。尤其是使用綠光作為光源測(cè)量ppg的特性，與紅外光和紅光相比較，綠光受皮下組織的干擾更小，獲取的ppg波形更加完整。通過(guò)綠光照射，由于人體皮下組織的血紅蛋白等吸光物質(zhì)在整個(gè)血液循環(huán)中吸光系數(shù)和血液濃度保持不變，透射光或反射光光程隨心臟作用呈周期性變化，心臟舒張期外周血液容積量最小，光程最小，光吸收量也最小，檢測(cè)到的光強(qiáng)最小，而心臟收縮期則剛好相反，探測(cè)到反射光強(qiáng)的變化并轉(zhuǎn)化為數(shù)字信號(hào)，進(jìn)而描繪成心電脈搏波。

可穿戴健康智能腕表采集的健康體征數(shù)據(jù)目前業(yè)界只作為健康分析參考，沒(méi)有大規(guī)模取代傳統(tǒng)非穿戴式家用醫(yī)療器械和快速普及，存在如下原因：

1、準(zhǔn)確性問(wèn)題：現(xiàn)有的可穿戴設(shè)備，未考慮不同生理參數(shù)應(yīng)該在不同的運(yùn)動(dòng)狀態(tài)下進(jìn)行采集，這樣才能獲得具有醫(yī)學(xué)參考價(jià)值的生理參數(shù)。

目前業(yè)界健康檢測(cè)設(shè)備是在用戶靜止?fàn)顟B(tài)下，測(cè)量其心率或心電圖。但是實(shí)際上針對(duì)不同的病患需要采集不同運(yùn)動(dòng)狀態(tài)下的生理參數(shù)采用意義，即許多健康體征的采集對(duì)采集者的狀態(tài)環(huán)境有較高的要求。例如，心電圖的采集需要人體平靜狀態(tài)下采集，如果運(yùn)動(dòng)過(guò)后，需要人體靜止休息10分鐘后，獲得的心率數(shù)據(jù)具有醫(yī)學(xué)參考價(jià)值；動(dòng)態(tài)心率在運(yùn)動(dòng)開(kāi)始3分鐘后測(cè)得的運(yùn)動(dòng)心率數(shù)據(jù)具有醫(yī)學(xué)參考價(jià)值。

同時(shí)，對(duì)于一些特殊病例，其生理參數(shù)應(yīng)該在特定的步態(tài)周期中采集?，F(xiàn)有技術(shù)，并根據(jù)步態(tài)狀態(tài)進(jìn)行生理參數(shù)的采集。例如，對(duì)于中風(fēng)(腦卒中)、帕金森等預(yù)測(cè)診斷與步態(tài)周期的不同環(huán)節(jié)的動(dòng)作狀態(tài)下的表現(xiàn)等情況有關(guān)。故需要精細(xì)地采集運(yùn)動(dòng)狀態(tài)、周期、運(yùn)動(dòng)細(xì)微特征。

2、電量問(wèn)題：由于體積、重量、系統(tǒng)性能的約束，電源容量是制約廣泛使用最重要的因素之一。目前帶綠光采集的手表手環(huán)功耗待機(jī)時(shí)間本來(lái)就十分有限，現(xiàn)有技術(shù)全面采集運(yùn)動(dòng)狀態(tài)的細(xì)節(jié)特征，帶來(lái)的運(yùn)算量、功耗也比較大，降低可穿戴設(shè)備的續(xù)航能力。

綜上，現(xiàn)有技術(shù)采集生理參數(shù)時(shí)，并沒(méi)有考慮到用戶的運(yùn)動(dòng)狀態(tài)；同時(shí)，現(xiàn)有技術(shù)只能進(jìn)行簡(jiǎn)單的計(jì)步等運(yùn)動(dòng)狀態(tài)采集，對(duì)于運(yùn)動(dòng)環(huán)節(jié)、運(yùn)動(dòng)細(xì)微特征的差別沒(méi)有采集。此外，現(xiàn)有技術(shù)采集運(yùn)動(dòng)狀態(tài)細(xì)節(jié)特征時(shí)，運(yùn)算量大，功耗高。

技術(shù)實(shí)現(xiàn)要素：

有鑒于現(xiàn)有技術(shù)的上述缺陷，本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種基于神經(jīng)網(wǎng)絡(luò)自適應(yīng)健康監(jiān)測(cè)的可穿戴設(shè)備，旨在解決現(xiàn)有技術(shù)在采集生理參數(shù)時(shí)，未考慮到用戶的運(yùn)動(dòng)狀態(tài)；本發(fā)明對(duì)運(yùn)動(dòng)環(huán)節(jié)、運(yùn)動(dòng)細(xì)微特征的進(jìn)行辨識(shí)，并采集相應(yīng)的生理參數(shù)信息，便于醫(yī)生或其他人員對(duì)用戶健康狀態(tài)進(jìn)行分析。同時(shí)，本發(fā)明采用分級(jí)的方式來(lái)采集運(yùn)動(dòng)狀態(tài)，減低數(shù)據(jù)處理運(yùn)算量，降低可穿戴設(shè)備功耗，提高續(xù)航能力。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于神經(jīng)網(wǎng)絡(luò)自適應(yīng)健康監(jiān)測(cè)的可穿戴設(shè)備，包括：

運(yùn)動(dòng)狀態(tài)求解模塊，用于定時(shí)采集加速度傳感器輸出的加速度數(shù)據(jù)，并經(jīng)小波變換過(guò)濾高頻噪聲，劃分用戶的運(yùn)動(dòng)狀態(tài)；

運(yùn)動(dòng)環(huán)節(jié)判斷模塊，用于結(jié)合角速度對(duì)所述運(yùn)動(dòng)狀態(tài)進(jìn)行細(xì)分，獲得運(yùn)動(dòng)細(xì)分環(huán)節(jié)；

降維求解模塊，用于使用優(yōu)化的svm分層級(jí)結(jié)合不同層級(jí)數(shù)據(jù)對(duì)部分病態(tài)特征的進(jìn)一步精細(xì)區(qū)分；

生理參數(shù)設(shè)定模塊，用于設(shè)定不同運(yùn)動(dòng)狀態(tài)、步態(tài)下所要采集的生理參數(shù)；

生理參數(shù)采集模塊，用于根據(jù)需要采集的生理參數(shù)，在指定的運(yùn)動(dòng)狀態(tài)、步態(tài)下采集對(duì)應(yīng)的生理參數(shù)。

進(jìn)一步而言，所述運(yùn)動(dòng)環(huán)節(jié)判斷模塊，被配置為：

采集所述加速度傳感器在x、y、z三軸方向上的加速度值ax、ay、az，并求解加速度信號(hào)向量模svma；采集所述角速度傳感器在x、y、z三軸方向上的角速度值wx、wy、wz，并求解角速度信號(hào)向量模svmw；所述

通過(guò)加速度信號(hào)向量模svma、角速度信號(hào)向量模svmw，建立和自適應(yīng)完善的識(shí)別模型，對(duì)所述運(yùn)動(dòng)狀態(tài)進(jìn)行細(xì)分，獲得運(yùn)動(dòng)細(xì)分環(huán)節(jié)。

進(jìn)一步而言，所述運(yùn)動(dòng)環(huán)節(jié)判斷模塊還包含濾波單元，所述濾波單元對(duì)采集到的加速度傳感器、角速度傳感器數(shù)據(jù)進(jìn)行進(jìn)行小波分解、對(duì)高頻小波系數(shù)處理、小波重構(gòu)三個(gè)步驟的小波變換操作，將各方向時(shí)域信號(hào)離散化，將多種頻率成分的混合信號(hào)分解到不同頻段，然后根據(jù)各種子信號(hào)在頻域上的不同特征按頻帶處理；獲取信噪比高的步態(tài)數(shù)據(jù)；

所述小波變換采用硬閾值法，小波系數(shù)為cj,k，閾值為λ；

所述

進(jìn)一步而言，所述降維求解模塊，被配置為：

獲取用戶的生理參數(shù)數(shù)據(jù)，并對(duì)所述用戶生理參數(shù)數(shù)據(jù)進(jìn)行降維；

采集用戶腳部三個(gè)方向的加速度/角速度值，對(duì)樣本人群整體取標(biāo)準(zhǔn)差，n為樣本量，先訓(xùn)練分類器，再用分類器識(shí)別步態(tài)樣本；綜合計(jì)算某人步態(tài)偏離整理人群的程度x，所述其中，a、b、c分別為用戶三個(gè)方向加速度/角速度值；

將數(shù)據(jù)庫(kù)中已經(jīng)注冊(cè)了個(gè)人n類步態(tài)樣本，將樣本輸入分類器訓(xùn)練，根據(jù)輸入值判定是(1，n)中哪一類，如果超出(1，n)范圍，則新注冊(cè)類別n+1類，然后重新更新分類器；

在上述不同運(yùn)動(dòng)劃分基礎(chǔ)上，同種運(yùn)動(dòng)再次細(xì)分，并采取投票方式?jīng)Q定分類結(jié)果。

進(jìn)一步而言，所述降維求解模塊還被配置為：

對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，通過(guò)舉證中的每個(gè)元素減去所在列的均值，然后除以所在列的標(biāo)準(zhǔn)差，使得每個(gè)變量標(biāo)準(zhǔn)化為均值為0，方差為1的矩陣x，即x＝[x1，x2，......xn]^t＝[xij](n×p)；

其中，

獲得

求解相關(guān)系數(shù)矩陣：

其中，r是實(shí)對(duì)稱矩陣(即rij＝rji)，其中r為相關(guān)系數(shù)；

求解相關(guān)系數(shù)矩陣：

若累計(jì)貢獻(xiàn)率達(dá)到50％以上時(shí)，采用比高法，將最高貢獻(xiàn)率的特征值向量留下，作為固定工作樣本集，其余舍棄；

計(jì)算得分矩陣，將留下的特征值作為新變量主成分，利用下式計(jì)算得分矩陣f(n×m)＝x(n×p)·u(p×m)；

其中，x是原數(shù)據(jù)矩陣，u是主成分載荷，得分矩陣f即為降維后所得到的結(jié)果；

結(jié)合大數(shù)據(jù)進(jìn)行持續(xù)的訓(xùn)練細(xì)分：svm分類器適應(yīng)度函數(shù)f(xi)＝min(1-g(xi))，為svm分類器對(duì)樣本劃分正確率。

進(jìn)一步而言，所述降維求解模塊，還被配置為：

利用所述加速度傳感器的輸出數(shù)據(jù)，采用對(duì)第一條件、第二條件、第三條件進(jìn)行運(yùn)算，并利用中值濾波判斷人體運(yùn)動(dòng)的步態(tài)；

所述第一條件為：加速度計(jì)輸出合成幅值，處于給定的上下閾值之間，則判定人體靜止；反之，則判定人運(yùn)動(dòng)；

所述加速度計(jì)輸出合成幅值為：

所述上下閾值分別為：thamin＝8m/s，thamax＝11m/s；

所述第一條件表示為：

所述第二條件為：加速度計(jì)輸出的局部方差，低于給定的閾值，則判定人體靜止；反之，則判定人運(yùn)動(dòng)；

所述加速度計(jì)輸出的局部方差為：

其中為此區(qū)間加速度計(jì)合成幅值的輸出平均值，其表達(dá)式為：

s為半窗口采樣數(shù)量，定義給定閾值為：thσa＝0.5m/s²，所述第二條件表示為：

所述第三條件為：角速度傳感器輸出角速度合成幅值，低于給定的閾值，則判定人體靜止；反之，則判定人運(yùn)動(dòng)；

定義陀螺儀輸出的合成幅值為：

給定的閾值為：thwmax＝50/s，所述第三條件表示為：

進(jìn)一步而言，一種基于神經(jīng)網(wǎng)絡(luò)自適應(yīng)健康監(jiān)測(cè)的可穿戴設(shè)備，還包括模型自適應(yīng)完善模塊；所述模型自適應(yīng)完善模塊被配置為：

讀取新輸入樣本，并根據(jù)交叉驗(yàn)證法，計(jì)算svm分類器識(shí)別率；

若訓(xùn)練的當(dāng)前識(shí)別率高于或等于原有識(shí)別率，則將本次訓(xùn)練的參數(shù)設(shè)為最優(yōu)參數(shù)；否則執(zhí)行選擇操作、交叉操作和/或變異操作，進(jìn)一步優(yōu)化訓(xùn)練參數(shù)。

本發(fā)明的有益效果是：本方案克服上述兩種矛盾，一方面在預(yù)處理過(guò)程中既全面采集細(xì)微的運(yùn)動(dòng)特征，另一方面又通過(guò)自適應(yīng)的算法匹配，在不同特定判別過(guò)程只調(diào)用有限的不同傳感器功能工作，提取不同特定的特征計(jì)算，分析環(huán)節(jié)綜合不同特征降維取樣，大大減少了運(yùn)動(dòng)量，通過(guò)重點(diǎn)計(jì)算驗(yàn)證環(huán)節(jié)，又保證了正確性。從而做到，全面采集運(yùn)動(dòng)狀態(tài)的細(xì)節(jié)特征，計(jì)算量和功耗大大減少，提升了醫(yī)學(xué)參考價(jià)值，并在同等情況下提取功耗待機(jī)能力。

附圖說(shuō)明

圖1是本發(fā)明一具體實(shí)施方式的結(jié)構(gòu)框圖；

圖2是本實(shí)施例中的人體運(yùn)動(dòng)層級(jí)劃分的示意圖；

圖3是本實(shí)施例中的用戶行走幾何示意圖；

圖4是本實(shí)施例中的三條件步態(tài)檢測(cè)示意圖；

圖5是本實(shí)施例中模型的自適應(yīng)完善的流程示意圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明：

可穿戴健康智能腕表采集的健康體征數(shù)據(jù)目前業(yè)界只作為健康分析參考，沒(méi)有大規(guī)模取代傳統(tǒng)非穿戴式家用醫(yī)療器械和快速普及，有兩個(gè)重要原因：

1、準(zhǔn)確性問(wèn)題：許多健康體征的采集對(duì)采集者的狀態(tài)環(huán)境有較高的要求，例如心電圖的采集需要人體平靜狀態(tài)下采集，如果運(yùn)動(dòng)過(guò)后，需要人體靜止休息10分鐘后，獲得的心率數(shù)據(jù)具有醫(yī)學(xué)參考價(jià)值；動(dòng)態(tài)心率在運(yùn)動(dòng)開(kāi)始3分鐘后測(cè)得的運(yùn)動(dòng)心率數(shù)據(jù)具有醫(yī)學(xué)參考價(jià)值；對(duì)于中風(fēng)(腦卒中)、帕金森等預(yù)測(cè)診斷與步態(tài)周期的不同環(huán)節(jié)的動(dòng)作狀態(tài)下的表現(xiàn)等情況有關(guān)。故需要精細(xì)地采集運(yùn)動(dòng)狀態(tài)、周期、運(yùn)動(dòng)細(xì)微特征。

目前業(yè)界可穿戴手環(huán)只能進(jìn)行簡(jiǎn)單的計(jì)步等運(yùn)動(dòng)狀態(tài)采集，對(duì)于運(yùn)動(dòng)環(huán)節(jié)、運(yùn)動(dòng)細(xì)微特征的差別沒(méi)有采集。目前沒(méi)有通過(guò)cfda醫(yī)療器械認(rèn)證的可穿戴式健康采集設(shè)備，只能作為參考。

2、電量問(wèn)題：由于體積、重量、系統(tǒng)性能的約束，電源容量是制約廣泛使用最重要的因素之一。目前帶綠光采集的手表手環(huán)功耗待機(jī)時(shí)間本來(lái)就十分有限，如果全面采集運(yùn)動(dòng)狀態(tài)的細(xì)節(jié)特征，帶來(lái)的運(yùn)算量、功耗將更加巨大。

本方案克服上述兩種矛盾，一方面在預(yù)處理過(guò)程中既全面采集細(xì)微的運(yùn)動(dòng)特征，另一方面又通過(guò)自適應(yīng)的算法匹配，在不同特定判別過(guò)程只調(diào)用有限的不同傳感器功能工作，提取不同特定的特征計(jì)算，分析環(huán)節(jié)綜合不同特征降維取樣，大大減少了運(yùn)動(dòng)量，通過(guò)重點(diǎn)計(jì)算驗(yàn)證環(huán)節(jié)，又保證了正確性。

從而做到：全面采集運(yùn)動(dòng)狀態(tài)的細(xì)節(jié)特征，計(jì)算量和功耗大大減少，提升了醫(yī)學(xué)參考價(jià)值，并在同等情況下提取功耗待機(jī)能力。

如圖1所示，在本發(fā)明第一實(shí)施例中，提供一種基于神經(jīng)網(wǎng)絡(luò)自適應(yīng)健康監(jiān)測(cè)的可穿戴設(shè)備，包括：

運(yùn)動(dòng)狀態(tài)求解模塊，用于定時(shí)采集加速度傳感器輸出的加速度數(shù)據(jù)，并經(jīng)小波變換過(guò)濾高頻噪聲，劃分用戶的運(yùn)動(dòng)狀態(tài)，所述運(yùn)動(dòng)狀態(tài)包括第一循環(huán)動(dòng)作和第二非循環(huán)動(dòng)作；所述第一循環(huán)動(dòng)作包括行走和跑步；所述第二非循環(huán)動(dòng)作包括跳躍、起立、坐下、蹲下；所述行走包括上樓梯、下樓梯、平地走；

運(yùn)動(dòng)環(huán)節(jié)判斷模塊，用于結(jié)合角速度對(duì)所述運(yùn)動(dòng)狀態(tài)進(jìn)行細(xì)分，獲得運(yùn)動(dòng)細(xì)分環(huán)節(jié)；

降維求解模塊，用于使用優(yōu)化的svm分層級(jí)結(jié)合不同層級(jí)數(shù)據(jù)對(duì)部分病態(tài)特征的進(jìn)一步精細(xì)區(qū)分；

生理參數(shù)設(shè)定模塊，用于設(shè)定不同運(yùn)動(dòng)狀態(tài)、步態(tài)下所要采集的生理參數(shù)；

生理參數(shù)采集模塊，用于根據(jù)需要采集的生理參數(shù)，在指定的運(yùn)動(dòng)狀態(tài)、步態(tài)下采集對(duì)應(yīng)的生理參數(shù)。

本發(fā)明獲得不同狀態(tài)下的生理參數(shù)，以便更好的評(píng)估健康狀態(tài)；平時(shí)去醫(yī)院都是測(cè)量靜態(tài)下的心率；此外，有些病在靜止下癥狀不能很好的表現(xiàn)出來(lái)，如心臟病，在不進(jìn)行劇烈運(yùn)動(dòng)的情況下，生理狀態(tài)與正常人相近，若劇烈運(yùn)動(dòng)之后，會(huì)急劇不同。

針對(duì)我們跌倒檢測(cè)和常見(jiàn)的人體行為分析的應(yīng)用而言，加速度傳感器能很好的區(qū)分人體行為的運(yùn)動(dòng)和靜止?fàn)顟B(tài)，對(duì)于相似的運(yùn)動(dòng)行為就比較難于區(qū)分，特點(diǎn)是區(qū)分度大且混淆度也大。結(jié)合腕部角速度可以進(jìn)行進(jìn)一步的區(qū)分，但是加速度、角速度同時(shí)進(jìn)行計(jì)算，運(yùn)算量大，影響了時(shí)效性和電量功耗，故采用分層分級(jí)、降維分類、重點(diǎn)校驗(yàn)的方式，兼顧了計(jì)算量和準(zhǔn)確性。如圖2所示，人體運(yùn)動(dòng)可以劃分不同的層級(jí)。

在本實(shí)施例中，運(yùn)動(dòng)狀態(tài)求解模塊，首先使用加速度傳感器數(shù)據(jù)進(jìn)行第一層級(jí)運(yùn)動(dòng)判斷智能腕表三軸加速度傳感器，按照100hz的采樣頻率(人行走的頻率一般在110步/分鐘(1.8hz)，跑步時(shí)的頻率不會(huì)超過(guò)5hz，選擇100hz的采樣頻率可以比較準(zhǔn)確地反應(yīng)加速度變化)，采集x，y，z三個(gè)方向的作用力。

在本實(shí)施例中，運(yùn)動(dòng)狀態(tài)求解模塊，其次統(tǒng)計(jì)通過(guò)對(duì)軌跡的峰值出現(xiàn)的頻率。用戶在水平運(yùn)動(dòng)中，垂直和前進(jìn)兩個(gè)加速度會(huì)呈現(xiàn)周期性變化。在步行收腳的動(dòng)作中，由于重心向上單只腳觸地，垂直方向加速度是呈正向增加的趨勢(shì)，之后繼續(xù)向前，重心下移兩腳觸底，加速度相反。水平加速度在收腳時(shí)減小，在邁步時(shí)增加，如圖3所示。

值得一提的是，在步行運(yùn)動(dòng)中，垂直和前進(jìn)產(chǎn)生的加速度與時(shí)間大致為一個(gè)正弦曲線，而且在某點(diǎn)有一個(gè)峰值，其中垂直方向的加速度變化最大。

最后，運(yùn)動(dòng)狀態(tài)求解模塊，對(duì)數(shù)據(jù)進(jìn)行濾波處理。由于采集過(guò)程中電路中的電磁干擾是主要的干擾源，電磁干擾為高頻噪聲；而人體運(yùn)動(dòng)主要是在50hz以內(nèi)的低頻信號(hào)，本發(fā)明選用小波變換閾值法。對(duì)于這種干擾，我們給檢測(cè)加上閾值和步頻判斷來(lái)過(guò)濾，也就是說(shuō)相鄰兩步的時(shí)間間隔至少大于0.2秒，過(guò)濾高頻噪聲。

在本實(shí)施例中，所述運(yùn)動(dòng)環(huán)節(jié)判斷模塊，被配置為：

采集所述加速度傳感器在x、y、z三軸方向上的加速度值ax、ay、az，并求解加速度信號(hào)向量模svma；采集所述角速度傳感器在x、y、z三軸方向上的角速度值wx、wy、wz，并求解角速度信號(hào)向量模svmw；所述

通過(guò)加速度信號(hào)向量模svma、角速度信號(hào)向量模svmw，建立和自適應(yīng)完善的識(shí)別模型，對(duì)所述運(yùn)動(dòng)狀態(tài)進(jìn)行細(xì)分，獲得運(yùn)動(dòng)細(xì)分環(huán)節(jié)。

具體而言，運(yùn)動(dòng)環(huán)節(jié)判斷模塊，結(jié)合角速度進(jìn)行細(xì)分運(yùn)動(dòng)環(huán)節(jié)、跌倒檢測(cè)。

由于加速度適合用于方向明確的運(yùn)動(dòng)判別，而對(duì)于無(wú)法跌倒檢測(cè)、運(yùn)動(dòng)周期環(huán)節(jié)、八字腳等判別，則需要使用角速度來(lái)判別。

基于運(yùn)動(dòng)學(xué)算法原理，檢測(cè)四個(gè)步態(tài)事項(xiàng)時(shí)相：一個(gè)步態(tài)周期被分成了兩個(gè)階段，分別是“支撐階段”(stancephase)和“擺動(dòng)階段”(swingphase)。

美國(guó)加利福尼亞州rla國(guó)家康復(fù)中心的perry醫(yī)生按照步行周期的發(fā)生順序提出了rla分期方法；即將支撐期分解為5個(gè)分期；邁步期分解為3個(gè)分期。

1.首次觸地，initialcontact：為步行周期和支撐期的起始點(diǎn)；指足跟或足底的其他部位第一次與地面接觸的瞬間。正常人行走的首次著地方式為足跟著地。

2、承重反應(yīng)期，loadingresponse：指足跟著地后足底與地面全面接觸瞬間的一段時(shí)間；即一側(cè)足跟著地后至對(duì)側(cè)下肢足趾離地時(shí)；是中心由足跟轉(zhuǎn)移至足底的過(guò)程。該期為0—15％步行周期。

3.站立中期，mid-stance：指從對(duì)側(cè)下肢離地至軀干位于該側(cè)腿正上方時(shí)；此時(shí)重心位于支撐面正上方。該期為15％—40％步行周期：

4.站立末期，terminalstance：指從支撐足跟離地時(shí)到對(duì)側(cè)下肢足跟著地。該期為40％—50％步行周期。

5.邁步前期，pre-swing：指從對(duì)側(cè)下肢足跟著地到支撐足趾離地之前的一段時(shí)間。該期為50％—60％步行周期。

6.邁步初期，initialswing：從支撐腿離地至該腿膝關(guān)節(jié)達(dá)到最大屈曲時(shí)。該期為60％—70％步行周期。

7.邁步中期，mid-swing：從膝關(guān)節(jié)最大屈曲擺動(dòng)到小腿與地面垂直時(shí)。該期為70％—85％步行周期。

8.邁步末期，terminalswing：指與地面垂直的小腿向前擺動(dòng)至該足跟再次著地之前。該期為85％—100％步行周期。

在本實(shí)施例中，可以通過(guò)對(duì)運(yùn)動(dòng)周期內(nèi)，以時(shí)間進(jìn)行劃分環(huán)節(jié)，當(dāng)然也可以通過(guò)人為設(shè)定各個(gè)環(huán)節(jié)的時(shí)間來(lái)判斷各個(gè)運(yùn)動(dòng)環(huán)節(jié)。

在本實(shí)施例中，采用加速度信號(hào)向量模、角速度信號(hào)向量模，作為模型的輸入特征。

分析模塊通過(guò)建立和自適應(yīng)完善的識(shí)別模型，重點(diǎn)通過(guò)加速度傳感器規(guī)律進(jìn)行建模，并通過(guò)遺傳算子的操作，給出運(yùn)動(dòng)狀態(tài)識(shí)別結(jié)果，供遠(yuǎn)程健康大數(shù)據(jù)分析管理使用。

手持設(shè)備會(huì)有一些低幅度和快速的抽動(dòng)狀態(tài)，或是我們俗稱的手抖，或者某個(gè)惡作劇用戶想通過(guò)短時(shí)快速反復(fù)搖動(dòng)設(shè)備來(lái)模擬人走路，這些干擾數(shù)據(jù)如果不剔除，會(huì)影響計(jì)步的準(zhǔn)確值。

對(duì)采集到各個(gè)方向數(shù)據(jù)，進(jìn)行小波分解、對(duì)高頻小波系數(shù)處理、小波重構(gòu)三個(gè)步驟的小波變換操作，將各方向時(shí)域信號(hào)離散化，將多種頻率成分的混合信號(hào)分解到不同頻段，然后根據(jù)各種子信號(hào)在頻域上的不同特征按頻帶處理；獲取信噪比高的步態(tài)數(shù)據(jù)。

跌倒具有大加速度和角速度峰值特征,這是因?yàn)樗さ惯^(guò)程中由于和低勢(shì)物體碰撞產(chǎn)生的svm峰值比日?；顒?dòng)中步行、上樓梯等大多數(shù)一般過(guò)程要大。然而人體運(yùn)動(dòng)行為過(guò)程具有復(fù)雜性和隨機(jī)性,使用單一的加速度相關(guān)信息判斷人體摔倒行為的發(fā)生會(huì)帶來(lái)很大的誤判。使用svma及svmw相結(jié)合的信息閾值法可以區(qū)分跌倒與產(chǎn)生svm峰值較小的低強(qiáng)度運(yùn)動(dòng)。通過(guò)對(duì)人體摔倒過(guò)程及其它日常生活行為過(guò)程中實(shí)驗(yàn)結(jié)果數(shù)據(jù)svma和svmw進(jìn)行分析,本文識(shí)別跌倒的加速度信號(hào)向量模閾值取svmat＝20m/s2和角速度信號(hào)向量模閾值取svmwt＝4rad/s。

在本實(shí)施例中，所述運(yùn)動(dòng)環(huán)節(jié)判斷模塊還包含濾波單元，所述濾波單元對(duì)采集到的加速度傳感器、角速度傳感器數(shù)據(jù)進(jìn)行進(jìn)行小波分解、對(duì)高頻小波系數(shù)處理、小波重構(gòu)三個(gè)步驟的小波變換操作，將各方向時(shí)域信號(hào)離散化，將多種頻率成分的混合信號(hào)分解到不同頻段，然后根據(jù)各種子信號(hào)在頻域上的不同特征按頻帶處理；獲取信噪比高的步態(tài)數(shù)據(jù)；

所述小波變換采用硬閾值法，小波系數(shù)為cj,k，閾值為λ；

所述

在本實(shí)施例中，所述降維求解模塊，被配置為：

獲取用戶的生理參數(shù)數(shù)據(jù)，并對(duì)所述用戶生理參數(shù)數(shù)據(jù)進(jìn)行降維；

采集用戶三個(gè)方向加速度/角速度值，對(duì)樣本人群整體取標(biāo)準(zhǔn)差，n為樣本量，先訓(xùn)練分類器，再用分類器識(shí)別步態(tài)樣本；綜合計(jì)算某人步態(tài)偏離整理人群的程度x，所述

將數(shù)據(jù)庫(kù)中已經(jīng)注冊(cè)了個(gè)人n類步態(tài)樣本，將樣本輸入分類器訓(xùn)練，根據(jù)輸入值判定是(1，n)中哪一類，如果超出(1，n)范圍，則新注冊(cè)類別n+1類，然后重新更新分類器；

在上述不同運(yùn)動(dòng)劃分基礎(chǔ)上，同種運(yùn)動(dòng)再次細(xì)分，并采取投票方式?jīng)Q定分類結(jié)果。

人群邊界中心距特征，邊界中心距的定義是邊界點(diǎn)到質(zhì)心的距離。

在本實(shí)施例中，多維信號(hào)為了消除數(shù)據(jù)間不同量綱、不同數(shù)量級(jí)的影響，需要對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使其具有可比性，通過(guò)舉證中的每個(gè)元素減去所在列的均值，然后除以所在列的標(biāo)準(zhǔn)差，使得每個(gè)變量標(biāo)準(zhǔn)化為均值為0，方差為1的矩陣x。

在本實(shí)施例中，所述降維求解模塊還被配置為：

對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，通過(guò)舉證中的每個(gè)元素減去所在列的均值，然后除以所在列的標(biāo)準(zhǔn)差，使得每個(gè)變量標(biāo)準(zhǔn)化為均值為0，方差為1的矩陣x，即x＝[x1，x2，......xn]^t＝[xij](n×p)；

其中，

獲得

求解相關(guān)系數(shù)矩陣：

其中，r是實(shí)對(duì)稱矩陣(即rij＝rji)，其中r為相關(guān)系數(shù)；

求解相關(guān)系數(shù)矩陣：

若累計(jì)貢獻(xiàn)率達(dá)到50％以上時(shí)，采用比高法，將最高貢獻(xiàn)率的特征值向量留下，作為固定工作樣本集，其余舍棄；

計(jì)算得分矩陣，將留下的特征值作為新變量主成分，利用下式計(jì)算得分矩陣f(n×m)＝x(n×p)·u(p×m)；

其中，x是原數(shù)據(jù)矩陣，u是主成分載荷，得分矩陣f即為降維后所得到的結(jié)果；

這樣做的方式既使用到了固定工作樣本集方法計(jì)算速度快的特點(diǎn)，又避免了其當(dāng)向量的個(gè)數(shù)超出工作樣本集的規(guī)模，算法僅優(yōu)化支持向量中的一部分的存在范圍局限性的問(wèn)題。通過(guò)上述方法挑出異常人群。

結(jié)合大數(shù)據(jù)進(jìn)行持續(xù)的訓(xùn)練細(xì)分：svm分類器適應(yīng)度函數(shù)f(xi)＝min(1-g(xi))，為svm分類器對(duì)樣本劃分正確率。

如圖4所示，在本實(shí)施例中，利用加速度計(jì)的輸出數(shù)據(jù),采用三條件(c1,c2和c3)判斷算法,并利用中值濾波的方法,便可有效地判斷人體運(yùn)動(dòng)的步態(tài),在這里,以狀態(tài)“0”表示運(yùn)動(dòng),狀態(tài)“1”表示靜止。

在本實(shí)施例中，所述降維求解模塊，還被配置為：

利用所述加速度傳感器的輸出數(shù)據(jù)，采用對(duì)第一條件、第二條件、第三條件進(jìn)行運(yùn)算，并利用中值濾波判斷人體運(yùn)動(dòng)的步態(tài)；

所述第一條件為：加速度計(jì)輸出合成幅值，處于給定的上下閾值之間，則判定人體靜止；反之，則判定人運(yùn)動(dòng)；

所述加速度計(jì)輸出合成幅值為：

所述上下閾值分別為：thamin＝8m/s，thamax＝11m/s；

所述第一條件表示為：

所述第二條件為：加速度計(jì)輸出的局部方差，低于給定的閾值，則判定人體靜止；反之，則判定人運(yùn)動(dòng)；

所述加速度計(jì)輸出的局部方差為：

其中為此區(qū)間加速度計(jì)合成幅值的輸出平均值，其表達(dá)式為：

s為半窗口采樣數(shù)量，通常定義其值為15。定義給定閾值為：thσa＝0.5m/s²，所述第二條件表示為：

所述第三條件為：角速度傳感器輸出角速度合成幅值，低于給定的閾值，則判定人體靜止；反之，則判定人運(yùn)動(dòng)；

定義陀螺儀輸出的合成幅值為：

給定的閾值為：thwmax＝50/s，所述第三條件表示為：

3個(gè)條件之間采用“與”邏輯,即只有當(dāng)3個(gè)條件的判斷結(jié)果都為“1”時(shí)才認(rèn)為步態(tài)處于絕對(duì)靜止?fàn)顟B(tài)。再通過(guò)中值濾波方法,便可有效地判斷連續(xù)輸出的運(yùn)動(dòng)結(jié)果,剔除噪點(diǎn),獲得有效、合理的步態(tài)檢測(cè)數(shù)據(jù)。

在本實(shí)施例中提供的一種基于神經(jīng)網(wǎng)絡(luò)自適應(yīng)健康監(jiān)測(cè)的可穿戴設(shè)備，還包括模型自適應(yīng)完善模塊；所述模型自適應(yīng)完善模塊被配置為：

讀取新輸入樣本，并根據(jù)交叉驗(yàn)證法，計(jì)算svm分類器識(shí)別率；

若訓(xùn)練的當(dāng)前識(shí)別率高于或等于原有識(shí)別率，則將本次訓(xùn)練的參數(shù)設(shè)為最優(yōu)參數(shù)；否則執(zhí)行選擇操作、交叉操作和/或變異操作，進(jìn)一步優(yōu)化訓(xùn)練參數(shù)。

具體而言，隨著樣本量的增加，svm分類器能夠自適應(yīng)不斷優(yōu)化完善：

(1)對(duì)運(yùn)動(dòng)狀態(tài)進(jìn)行抽樣計(jì)算

在判別時(shí)，可能由于其中某個(gè)狀態(tài)標(biāo)準(zhǔn)差偏大，另一個(gè)狀態(tài)標(biāo)準(zhǔn)差偏小，正好相抵，導(dǎo)致未發(fā)現(xiàn)異常，故再次進(jìn)行隨機(jī)抽樣驗(yàn)證。

其中，a、b、c分別為用戶三個(gè)方向加速度/角速度值；

每次輸入新的樣本，根據(jù)交叉驗(yàn)證法原理，計(jì)算svm分類器識(shí)別率。

(2)對(duì)異常未發(fā)現(xiàn)的樣本的特征值，使用svm分類器適應(yīng)度函數(shù)，為svm分類器對(duì)樣本劃分正確率。通過(guò)保持多個(gè)群體和恰當(dāng)?shù)乜刂迫后w間的相互作用來(lái)模擬并行執(zhí)行過(guò)程，從而即使不使用并行計(jì)算機(jī)，也能提高算法的執(zhí)行效率。

如圖5所示，每次輸入新的樣本，根據(jù)交叉驗(yàn)證法原理，計(jì)算svm分類器識(shí)別率，進(jìn)行適應(yīng)度評(píng)估，不設(shè)定遺傳算法的終止值，終止條件采用比高法，如果訓(xùn)練的識(shí)別率高于現(xiàn)有則設(shè)為最優(yōu)參數(shù)，否則，執(zhí)行選擇、交叉和變異等操作進(jìn)一步優(yōu)化訓(xùn)練參數(shù)。

總而言之，可穿戴健康智能腕表采集的健康體征數(shù)據(jù)目前業(yè)界只作為健康分析參考，沒(méi)有大規(guī)模取代傳統(tǒng)非穿戴式家用醫(yī)療器械和快速普及，有兩個(gè)重要原因：

1、準(zhǔn)確性問(wèn)題：許多健康體征的采集對(duì)采集者的狀態(tài)環(huán)境有較高的要求，例如心電圖的采集需要人體平靜狀態(tài)下采集，如果運(yùn)動(dòng)過(guò)后，需要人體靜止休息10分鐘后，獲得的心率數(shù)據(jù)具有醫(yī)學(xué)參考價(jià)值；動(dòng)態(tài)心率在運(yùn)動(dòng)開(kāi)始3分鐘后測(cè)得的運(yùn)動(dòng)心率數(shù)據(jù)具有醫(yī)學(xué)參考價(jià)值；對(duì)于中風(fēng)(腦卒中)、帕金森等預(yù)測(cè)診斷與步態(tài)周期的不同環(huán)節(jié)的動(dòng)作狀態(tài)下的表現(xiàn)等情況有關(guān)。故需要精細(xì)地采集運(yùn)動(dòng)狀態(tài)、周期、運(yùn)動(dòng)細(xì)微特征。

目前業(yè)界可穿戴手環(huán)只能進(jìn)行簡(jiǎn)單的計(jì)步等運(yùn)動(dòng)狀態(tài)采集，對(duì)于運(yùn)動(dòng)環(huán)節(jié)、運(yùn)動(dòng)細(xì)微特征的差別沒(méi)有采集。目前沒(méi)有通過(guò)cfda醫(yī)療器械認(rèn)證的可穿戴式健康采集設(shè)備，只能作為參考。

2、電量問(wèn)題：由于體積、重量、系統(tǒng)性能的約束，電源容量是制約廣泛使用最重要的因素之一。目前帶綠光采集的手表手環(huán)功耗待機(jī)時(shí)間本來(lái)就十分有限，如果全面采集運(yùn)動(dòng)狀態(tài)的細(xì)節(jié)特征，帶來(lái)的運(yùn)算量、功耗將更加巨大。

本發(fā)明克服上述兩種矛盾，一方面在預(yù)處理過(guò)程中既全面采集細(xì)微的運(yùn)動(dòng)特征，另一方面又通過(guò)自適應(yīng)的算法匹配，在不同特定判別過(guò)程只調(diào)用有限的不同傳感器功能工作，提取不同特定的特征計(jì)算，分析環(huán)節(jié)綜合不同特征降維取樣，大大減少了運(yùn)動(dòng)量，通過(guò)重點(diǎn)計(jì)算驗(yàn)證環(huán)節(jié)，又保證了正確性。從而做到：全面采集運(yùn)動(dòng)狀態(tài)的細(xì)節(jié)特征，計(jì)算量和功耗大大減少，提升了醫(yī)學(xué)參考價(jià)值，并在同等情況下提取功耗待機(jī)能力。

以上詳細(xì)描述了本發(fā)明的較佳具體實(shí)施例。應(yīng)當(dāng)理解，本領(lǐng)域的普通技術(shù)人員無(wú)需創(chuàng)造性勞動(dòng)就可以根據(jù)本發(fā)明的構(gòu)思作出諸多修改和變化。因此，凡本技術(shù)領(lǐng)域中技術(shù)人員依本發(fā)明的構(gòu)思在現(xiàn)有技術(shù)的基礎(chǔ)上通過(guò)邏輯分析、推理或者有限的實(shí)驗(yàn)可以得到的技術(shù)方案，皆應(yīng)在由權(quán)利要求書(shū)所確定的保護(hù)范圍內(nèi)。