[发明专利]一种基于神经网络自适应健康监测的可穿戴设备

权利要求书

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；

所述降维求解模块，被配置为，获取用户的生理参数数据，并对所述用户的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体人群的程度x，所述；其中，a、b、c分别为用户三个方向加速度/角速度值； 分别表示在空间中x、y、z轴的人群平均加速度/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；

所述降维求解模块还被配置为，对传感器采集的原始数据进行标准化处理，通过矩阵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；

其中，，；i表示采集样本人群的身体基本信息属性；j表示采集样本人群的患病类型属性；

获得；

求解相关系数矩阵：

其中，R是实对称矩阵（即），其中r为相关系数；p为采集样本人群的全部属性，即i+j的总和；

求解累计贡献率：

其中为上述采集样本人群的全部属性；p是样本库中的全部属性；为单一属性的值；

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；其中n对应采集样本人群的身体基本信息属性；m对应采集样本人群的患病类型属性；p是样本库中的全部属性；

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分类器的适应度函数，其中为SVM分类器对样本划分正确率；

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：加速度传感器输出合成幅值，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；

所述加速度传感器输出合成幅值为：；其中k表示第k个传感器点；b表示某一传感器点中的第b个传感器；

所述上下阈值分别为：，；

所述第一条件表示为：

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

所述加速度传感器输出的局部方差为：；其中k表示采集样本人群的身体基本信息属性；s表示半窗口采样数量；b表示第b个传感器；

其中为此区间加速度传感器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：，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；

定义角速度传感器输出的合成幅值为：；其中k表示第k个传感器点；b表示某一传感器点中的第b个传感器；

给定的阈值为：，所述第三条件表示为：。

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、、，并求解加速度信号向量模；采集所述角速度传感器在x、y、z三轴方向上的角速度值、、，并求解角速度信号向量模；所述，；

通过加速度信号向量模、角速度信号向量模，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。