基于人体生命体征特征提取的信号监测系统

本发明涉及数据处理，具体是指基于人体生命体征特征提取的信号监测系统。

背景技术：

1、生命体征监测系统是一个用于实时采集、处理和分析人体关键生理参数的系统。它通过采集并分析人体的生命体征数据来评估人体的健康状态。但是一般生命体征监测系统存在类别不平衡和异常样本难分类导致生命体征状态监测精度低，不同类别之间的区分效果差的问题；一般生命体征监测系统存在系统设置动态性不足，调整过程灵活差，进而导致最终的生命体征状态监测效果差的问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于人体生命体征特征提取的信号监测系统，针对一般生命体征监测系统存在类别不平衡和异常样本难分类导致生命体征状态监测精度低，不同类别之间的区分效果差的问题，本方案通过引入特征响应函数设计自适应损失函数，引入自适应类内距离和动态类间距离提高对轻度异常和严重异常的区分能力，使同类样本聚集、异类样本区分，进而提高对信号监测生命体征状态的监测准确性；针对一般生命体征监测系统存在系统设置动态性不足，调整过程灵活差，进而导致最终的生命体征状态监测效果差的问题，本方案通过多层映射增强初始种群多样性，基于层次划分进行参数搜索，使得构建的生命体征监测模型收敛速度快，进而提高生命体征监测精度，实现更稳定的监测结果。

2、本发明采取的技术方案如下：本发明提供的基于人体生命体征特征提取的信号监测系统，包括生命体征数据采集模块、预处理模块、生命体征监测模型建立模块和生命体征监测模块；

3、所述生命体征数据采集模块采集历史信号监测数据；

4、所述预处理模块对采集的信号监测数据进行去噪处理、数据转换和数据集划分；

5、所述生命体征监测模型建立模块通过引入特征响应函数设计自适应损失函数，引入自适应类内距离和动态类间距离，构建最终损失函数，通过多层映射初始化种群，基于层次划分进行参数搜索，进而完成参数调整，最终实现生命体征监测模型的建立；

6、所述生命体征监测模块基于建立完成的生命体征监测模型对实时生命体征数据实现状态监测。

7、进一步地，在生命体征数据采集模块中，所述历史信号监测数据包括心率、呼吸频率、血氧饱和度、体温、血压、心率变异性、运动状态、时间和状态监测结果；所述状态监测结果包括正常、轻度异常和严重异常；将状态监测结果作为数据标签。

8、进一步地，在预处理模块中，所述数据转换是将信号监测数据转换为向量形式并进行归一化处理，得到时间序列数据集；所述数据集划分是将时间序列数据集划分为测试集和训练集。

9、进一步地，所述生命体征监测模型建立模块包括系统框架概述单元、自适应损失函数设计单元、模型判定单元和初始参数调整单元，具体包括以下内容：

10、系统框架概述单元；所建立的生命体征监测模型采用堆叠的多层lstm网络，第一层lstm用于捕捉初步时间序列特征，第二层lstm用于进一步抽象时间依赖特征，最后通过全连接层将lstm输出的时间序列特征映射到分类结果，采用softmax层输出生命体征状态的分类结果，类别为正常、轻度异常和严重异常；

11、自适应损失函数设计单元；具体包括：

12、定义分类损失；所用公式如下：

13、；

14、；

15、；

16、式中，lx是分类损失；n是样本总数；c是健康状态类别总数；s是温度缩放系数；是第i个样本对应类别的特征函数，即信号监测数据输入模型后得到的特征表示；α是平衡因子；是第i个样本对应类别的权重；是第i个样本对应类别的预测概率分布；是特征响应函数，表示模型在类别上的激活值；a是平衡系数，h是模型输出的隐藏状态；k是常数项，用于调整模型的输出范围；是模型的所有可训练参数；是第j个类别的特征参数向量；

17、定义度量损失；引入自适应类内距离icd，自适应类内距离越小表示同类样本聚集越紧密，表示为：；引入动态类间距离cd，动态类间距离越大表示不同类别之间的区分度越高，表示为：；其中，zi是第i个样本的特征向量；是第i个样本对应类别的均值向量；是第i个样本对应类别的标准差；是调节因子；和分别是第j1个和第j个类别的均值向量；和分别是第j1个和第j个类别的类间协方差矩阵；是第j1个类别和第j个类别j的分布之间的kullback-leibler散度；β和γ是调节权重系数；tr(·)是矩阵的迹；

18、总损失函数设计；训练时的总损失函数由分类损失和度量损失共同构成，总损失函数定义为：

19、；

20、式中，ltt是总损失函数；和是损失权重系数；

21、模型判定单元；当生命体征监测模型对训练集损失收敛时，生命体征监测模型训练完成；预先设有预测阈值，当训练完成的生命体征监测模型对测试集的预测正确率高于预测阈值时，生命体征监测模型建立完成；否则转至初始参数调整单元；

22、初始参数调整单元；具体包括：

23、构造参数调整空间；基于温度缩放系数、平衡因子、特征参数向量、调节因子、调节权重系数、损失权重系数、平衡系数和常数项构建参数调整空间；

24、初始化参数搜索种群；初始化参数搜索种群中个体位置，所用公式如下：

25、；

26、；

27、式中，zi1+1,j2和zi1,j2分别是第i1+1个个体和第i1个个体第j2维度的映射系数；α1是映射参数；是第i1个个体第j2维度的位置；0表示第0次搜索即初始化；和分别是第j2维度参数调整空间的上限和下限；是映射系数；rr是属于0-1的随机数；

28、层次划分；将基于个体位置训练完成的生命体征监测模型的预测正确率作为个体适应度值；层次划分根据个体适应度值的排名进行动态调整，所用公式如下：

29、；

30、式中，lli1是个体层次；t是当前搜索次数；t是最大搜索次数；bf和wf分别是种群最大适应度值和最小适应度值；fi1是个体适应度值；是向下取整；

31、参数搜索；基于个体层次进行参数搜索选择；所用公式如下：

32、；

33、；

34、；

35、式中，r、r1、r2、r3、r4和r5都是0到1的随机数且相互独立；是适应度值最高的个体位置；是调节参数；是个体历史适应度值最高时的位置；f是搜索方向标志；是获取强度；α2是控制缩放系数；是个体和最优个体的距离；

36、调整判定；当存在个体适应度值高于预测阈值时，调整结束，个体位置即生命体征监测模型调整后的参数设置；若达到最大迭代次数，则转至初始化参数搜索种群；否则转至层次划分。

37、进一步地，所述生命体征监测模块是基于建立完成的生命体征监测模型，实时采集生命体征信号监测的心率、呼吸频率、血氧饱和度、体温、血压、心率变异性、运动状态和时间数据，经预处理后输入至生命体征监测模型中，将模型输出的状态监测结果作为监测结果输出，当输出的状态监测结果为严重异常时对先关人员进行预警。

38、采用上述方案本发明取得的有益效果如下：

39、（1）针对一般生命体征监测系统存在类别不平衡和异常样本难分类导致生命体征状态监测精度低，不同类别之间的区分效果差的问题，本方案通过引入特征响应函数设计自适应损失函数，引入自适应类内距离和动态类间距离提高对轻度异常和严重异常的区分能力，使同类样本聚集、异类样本区分，进而提高对信号监测生命体征状态的监测准确性。

40、（2）针对一般生命体征监测系统存在系统设置动态性不足，调整过程灵活差，进而导致最终的生命体征状态监测效果差的问题，本方案通过多层映射增强初始种群多样性，基于层次划分进行参数搜索，使得构建的生命体征监测模型收敛速度快，进而提高生命体征监测精度，实现更稳定的监测结果。