本發(fā)明涉及數(shù)據(jù)處理，具體是指基于人體生命體征特征提取的信號監(jiān)測系統(tǒng)。

背景技術：

1、生命體征監(jiān)測系統(tǒng)是一個用于實時采集、處理和分析人體關鍵生理參數(shù)的系統(tǒng)。它通過采集并分析人體的生命體征數(shù)據(jù)來評估人體的健康狀態(tài)。但是一般生命體征監(jiān)測系統(tǒng)存在類別不平衡和異常樣本難分類導致生命體征狀態(tài)監(jiān)測精度低，不同類別之間的區(qū)分效果差的問題；一般生命體征監(jiān)測系統(tǒng)存在系統(tǒng)設置動態(tài)性不足，調(diào)整過程靈活差，進而導致最終的生命體征狀態(tài)監(jiān)測效果差的問題。

技術實現(xiàn)思路

1、針對上述情況，為克服現(xiàn)有技術的缺陷，本發(fā)明提供了基于人體生命體征特征提取的信號監(jiān)測系統(tǒng)，針對一般生命體征監(jiān)測系統(tǒng)存在類別不平衡和異常樣本難分類導致生命體征狀態(tài)監(jiān)測精度低，不同類別之間的區(qū)分效果差的問題，本方案通過引入特征響應函數(shù)設計自適應損失函數(shù)，引入自適應類內(nèi)距離和動態(tài)類間距離提高對輕度異常和嚴重異常的區(qū)分能力，使同類樣本聚集、異類樣本區(qū)分，進而提高對信號監(jiān)測生命體征狀態(tài)的監(jiān)測準確性；針對一般生命體征監(jiān)測系統(tǒng)存在系統(tǒng)設置動態(tài)性不足，調(diào)整過程靈活差，進而導致最終的生命體征狀態(tài)監(jiān)測效果差的問題，本方案通過多層映射增強初始種群多樣性，基于層次劃分進行參數(shù)搜索，使得構建的生命體征監(jiān)測模型收斂速度快，進而提高生命體征監(jiān)測精度，實現(xiàn)更穩(wěn)定的監(jiān)測結果。

2、本發(fā)明采取的技術方案如下：本發(fā)明提供的基于人體生命體征特征提取的信號監(jiān)測系統(tǒng)，包括生命體征數(shù)據(jù)采集模塊、預處理模塊、生命體征監(jiān)測模型建立模塊和生命體征監(jiān)測模塊；

3、所述生命體征數(shù)據(jù)采集模塊采集歷史信號監(jiān)測數(shù)據(jù)；

4、所述預處理模塊對采集的信號監(jiān)測數(shù)據(jù)進行去噪處理、數(shù)據(jù)轉換和數(shù)據(jù)集劃分；

5、所述生命體征監(jiān)測模型建立模塊通過引入特征響應函數(shù)設計自適應損失函數(shù)，引入自適應類內(nèi)距離和動態(tài)類間距離，構建最終損失函數(shù)，通過多層映射初始化種群，基于層次劃分進行參數(shù)搜索，進而完成參數(shù)調(diào)整，最終實現(xiàn)生命體征監(jiān)測模型的建立；

6、所述生命體征監(jiān)測模塊基于建立完成的生命體征監(jiān)測模型對實時生命體征數(shù)據(jù)實現(xiàn)狀態(tài)監(jiān)測。

7、進一步地，在生命體征數(shù)據(jù)采集模塊中，所述歷史信號監(jiān)測數(shù)據(jù)包括心率、呼吸頻率、血氧飽和度、體溫、血壓、心率變異性、運動狀態(tài)、時間和狀態(tài)監(jiān)測結果；所述狀態(tài)監(jiān)測結果包括正常、輕度異常和嚴重異常；將狀態(tài)監(jiān)測結果作為數(shù)據(jù)標簽。

8、進一步地，在預處理模塊中，所述數(shù)據(jù)轉換是將信號監(jiān)測數(shù)據(jù)轉換為向量形式并進行歸一化處理，得到時間序列數(shù)據(jù)集；所述數(shù)據(jù)集劃分是將時間序列數(shù)據(jù)集劃分為測試集和訓練集。

9、進一步地，所述生命體征監(jiān)測模型建立模塊包括系統(tǒng)框架概述單元、自適應損失函數(shù)設計單元、模型判定單元和初始參數(shù)調(diào)整單元，具體包括以下內(nèi)容：

10、系統(tǒng)框架概述單元；所建立的生命體征監(jiān)測模型采用堆疊的多層lstm網(wǎng)絡，第一層lstm用于捕捉初步時間序列特征，第二層lstm用于進一步抽象時間依賴特征，最后通過全連接層將lstm輸出的時間序列特征映射到分類結果，采用softmax層輸出生命體征狀態(tài)的分類結果，類別為正常、輕度異常和嚴重異常；

11、自適應損失函數(shù)設計單元；具體包括：

12、定義分類損失；所用公式如下：

13、；

14、；

15、；

16、式中，lx是分類損失；n是樣本總數(shù)；c是健康狀態(tài)類別總數(shù)；s是溫度縮放系數(shù)；是第i個樣本對應類別的特征函數(shù)，即信號監(jiān)測數(shù)據(jù)輸入模型后得到的特征表示；α是平衡因子；是第i個樣本對應類別的權重；是第i個樣本對應類別的預測概率分布；是特征響應函數(shù)，表示模型在類別上的激活值；a是平衡系數(shù)，h是模型輸出的隱藏狀態(tài)；k是常數(shù)項，用于調(diào)整模型的輸出范圍；是模型的所有可訓練參數(shù)；是第j個類別的特征參數(shù)向量；

17、定義度量損失；引入自適應類內(nèi)距離icd，自適應類內(nèi)距離越小表示同類樣本聚集越緊密，表示為：；引入動態(tài)類間距離cd，動態(tài)類間距離越大表示不同類別之間的區(qū)分度越高，表示為：；其中，zi是第i個樣本的特征向量；是第i個樣本對應類別的均值向量；是第i個樣本對應類別的標準差；是調(diào)節(jié)因子；和分別是第j1個和第j個類別的均值向量；和分別是第j1個和第j個類別的類間協(xié)方差矩陣；是第j1個類別和第j個類別j的分布之間的kullback-leibler散度；β和γ是調(diào)節(jié)權重系數(shù)；tr(·)是矩陣的跡；

18、總損失函數(shù)設計；訓練時的總損失函數(shù)由分類損失和度量損失共同構成，總損失函數(shù)定義為：

19、；

20、式中，ltt是總損失函數(shù)；和是損失權重系數(shù)；

21、模型判定單元；當生命體征監(jiān)測模型對訓練集損失收斂時，生命體征監(jiān)測模型訓練完成；預先設有預測閾值，當訓練完成的生命體征監(jiān)測模型對測試集的預測正確率高于預測閾值時，生命體征監(jiān)測模型建立完成；否則轉至初始參數(shù)調(diào)整單元；

22、初始參數(shù)調(diào)整單元；具體包括：

23、構造參數(shù)調(diào)整空間；基于溫度縮放系數(shù)、平衡因子、特征參數(shù)向量、調(diào)節(jié)因子、調(diào)節(jié)權重系數(shù)、損失權重系數(shù)、平衡系數(shù)和常數(shù)項構建參數(shù)調(diào)整空間；

24、初始化參數(shù)搜索種群；初始化參數(shù)搜索種群中個體位置，所用公式如下：

25、；

26、；

27、式中，zi1+1,j2和zi1,j2分別是第i1+1個個體和第i1個個體第j2維度的映射系數(shù)；α1是映射參數(shù)；是第i1個個體第j2維度的位置；0表示第0次搜索即初始化；和分別是第j2維度參數(shù)調(diào)整空間的上限和下限；是映射系數(shù)；rr是屬于0-1的隨機數(shù)；

28、層次劃分；將基于個體位置訓練完成的生命體征監(jiān)測模型的預測正確率作為個體適應度值；層次劃分根據(jù)個體適應度值的排名進行動態(tài)調(diào)整，所用公式如下：

29、；

30、式中，lli1是個體層次；t是當前搜索次數(shù)；t是最大搜索次數(shù)；bf和wf分別是種群最大適應度值和最小適應度值；fi1是個體適應度值；是向下取整；

31、參數(shù)搜索；基于個體層次進行參數(shù)搜索選擇；所用公式如下：

32、；

33、；

34、；

35、式中，r、r1、r2、r3、r4和r5都是0到1的隨機數(shù)且相互獨立；是適應度值最高的個體位置；是調(diào)節(jié)參數(shù)；是個體歷史適應度值最高時的位置；f是搜索方向標志；是獲取強度；α2是控制縮放系數(shù)；是個體和最優(yōu)個體的距離；

36、調(diào)整判定；當存在個體適應度值高于預測閾值時，調(diào)整結束，個體位置即生命體征監(jiān)測模型調(diào)整后的參數(shù)設置；若達到最大迭代次數(shù)，則轉至初始化參數(shù)搜索種群；否則轉至層次劃分。

37、進一步地，所述生命體征監(jiān)測模塊是基于建立完成的生命體征監(jiān)測模型，實時采集生命體征信號監(jiān)測的心率、呼吸頻率、血氧飽和度、體溫、血壓、心率變異性、運動狀態(tài)和時間數(shù)據(jù)，經(jīng)預處理后輸入至生命體征監(jiān)測模型中，將模型輸出的狀態(tài)監(jiān)測結果作為監(jiān)測結果輸出，當輸出的狀態(tài)監(jiān)測結果為嚴重異常時對先關人員進行預警。

38、采用上述方案本發(fā)明取得的有益效果如下：

39、（1）針對一般生命體征監(jiān)測系統(tǒng)存在類別不平衡和異常樣本難分類導致生命體征狀態(tài)監(jiān)測精度低，不同類別之間的區(qū)分效果差的問題，本方案通過引入特征響應函數(shù)設計自適應損失函數(shù)，引入自適應類內(nèi)距離和動態(tài)類間距離提高對輕度異常和嚴重異常的區(qū)分能力，使同類樣本聚集、異類樣本區(qū)分，進而提高對信號監(jiān)測生命體征狀態(tài)的監(jiān)測準確性。

40、（2）針對一般生命體征監(jiān)測系統(tǒng)存在系統(tǒng)設置動態(tài)性不足，調(diào)整過程靈活差，進而導致最終的生命體征狀態(tài)監(jiān)測效果差的問題，本方案通過多層映射增強初始種群多樣性，基于層次劃分進行參數(shù)搜索，使得構建的生命體征監(jiān)測模型收斂速度快，進而提高生命體征監(jiān)測精度，實現(xiàn)更穩(wěn)定的監(jiān)測結果。