本发明属于计算机智能视觉领域，具体涉及一种基于pcanet的脉搏信号亚健康检测方法及检测系统。
背景技术：
亚健康是一种介于健康与疾病之间的中间状态，主要表现为身体机能降低、功能和免疫力减退。根据世界卫生组织(worldhealthorganization,who)的全球调查结果显示，75％的人处于亚健康状态，20％处于发病状态，只有5％处于健康状态，亚健康严重危害了居民的健康。研究表明，生理信号中蕴含了丰富的与人体生理活动、精神状态以及与疾病诊断密切相关的信息，而脉搏信号是人体重要的生理信号，对于人体各种疾病的诊断具有极其重要的价值，因此可以通过分析人体的脉搏信号来实现亚健康状态的检测。
脉搏信号分析的关键问题是对脉搏信号进行特征提取。在脉搏信号分析方面，主要用到了时频分析法，典型的时频分析方法有：短时傅里叶变换、gabor变换、小波变换以及希尔伯特-黄变换。短时傅立叶变换(shorttimefouriertransform，stft)，它的基本思想是将信号划分为多个小的时间段，在每个时间段内计算信号的傅立叶变换，从而得到各个不同时刻的信号功率谱，但由于采用固定的窗函数，因此不具备自适应调节能力。gabor变换是选用高斯函数作为时频窗的最优短时傅立叶变换，它在进行短时傅立叶变换的同时能够使信号的时间分辨率和频率分辨率达到最优，但仍然属于单一分辨率的时频分析方法。小波变换(wavelettransform，wt)是一种多分辨率分析方法，具体作用为通过求解信号与小波基函数的卷积将信号分解成多个时频带上的不同成分。它通过伸缩和平移等运算实现信号在时频两域的局部分析，不仅能够观察信号的整体，还能够观察信号的局部，因而可以更加有效地提取信号的信息，但是，小波变换难以进行时间-频率-能量分布的定量分析，因此不具备自适应性。希尔伯特-黄变换(hilbert-huangtransforms，hht)是一种自适应的时频局部分析方法，可将复杂的非平稳信号分解成多个固有模态函数分量，再对其进行希尔伯特变换尔伯特-黄变换突破了傅立叶变换的限制，分解时不需要先验条件(例如选择窗函数或基函数等)，只需依据信号本身的特点进行分解即可，因而具有很强的自适应性，非常适合处理非线性、非平稳信号。当然，它也存在着一些缺点：模态混叠，实时性差，易产生新频率成分等。
技术实现要素：
本发明的目的在于针对上述现有技术中的问题，提供一种基于pcanet的脉搏信号亚健康检测方法及检测系统，主成分分析网络pcanet(principalcomponentanalysisnetwork)是一种基于卷积神经网络(convolutionalneuralnetwork,cnn)简化的深度学习模型，是一种分层级联的特征学习结构，它在dpca算法的基础上进行了一定扩展，pcanet的核心是利用pca来学习多阶段的滤波器，pcanet对脉搏信号进行特征提取分为三个部分：第一层映射，包括均值化和pca卷积滤波两个操作；第二层映射，和第一层映射类似；哈希编码和直方图分块。该检测方法具有较高的分类识别率，能降低外界干扰对脉搏信号特征提取的影响，简单高效。
为了实现上述目的，本发明采用的技术方案包括以下步骤：
步骤1、数据采集；
选取研究对象并对研究对象的健康状况进行初步的划分与筛选，再通过脉冲传感器采集各研究对象的脉搏信号数据，待信号平稳后对采集到的数据进行记录；
步骤2、数据预处理；
将采集到的脉搏信号数据进行归一化处理，使脉搏信号数据映射至[-1，1]的范围内，去除脉搏信号中的基线漂移、工频干扰、高频噪声及异常波形，获得纯净的脉搏信号；
步骤3、特征提取；
对预处理后的脉搏信号使用pcanet分别提取健康和亚健康脉搏信号特征；
步骤4、svm和knn分类；
将提取得到的特征映射矩阵通过svm分类器和knn分类器来识别健康与亚健康状态。
所述的步骤1中令研究者填写亚健康自评表并根据得分情况对研究对象的健康状况进行初步的划分与筛选；所述的亚健康自评表取自中国轻工业出版社的《亚健康概论》，分别从躯体症状、工作、心理、人际交往以及社会适应五个方面判别受试者是否处于亚健康状态。
所述的脉冲传感器采用hk-2000c集成数字脉搏传感器，采样频率为200hz，采样时间设置为1.5min。采集各研究对象的脉搏信号数据时，使脉冲传感器对准研究对象手腕桡动脉搏动最强处，脉冲传感器采集到的数据传输至计算机并通过动态链接库程序在显示屏上显示脉搏波形，保持研究对象的手腕与心脏平齐，采集过程中使研究对象保持平稳。
所述的步骤2采用小波变换的方法和脉搏信号干扰段检测算法去除脉搏信号中的噪声及异常波形。
所述步骤3具体操作包括：
1)均值化：对于第i个样本ti，片段滑动截取得到mn个片段，第i个样本ti的第j个片段向量表示为xi,j；对xi,j进行去均值处理，得到第i个原始样本预处理的结果，对所有的样本进行相同的处理后，此时的样本矩阵表示为：
2)pca卷积滤波：使用pca算法学习映射矩阵，以最小化重构误差作为损失函数，学习pca滤波器核，提取样本矩阵的前l个最大特征值对应的特征向量来醉成特征矩阵，在卷积之前对样本进行边缘补零操作，保证卷积前后样本大小相同；
3)哈希编码：为了使样本的特征表达性更强，使用类heaviside阶跃函数h(·)对提取到的特征进行二值化处理，对原始样本ti去除特征值中的负值部分之后再进行哈希编码；
4)直方图分块：原始样本ti对应的输出分为b个块，每个块分别进行直方图统计，然后将以上结果向量化，得到的最终的特征输出：
其中，bhist表示分块及直方图统计，fi表示采用pcanet提取第i个原始样本ti的最终特征向量，l1和l2表示两个阶段pca的滤波器参数。
所述的步骤4中svm分类器采用线性核函数，如下式所示：
k(x,xi)＝x·xi；
k(x,xi)表示要构造的核函数，x·xi表示特征空间中的内积运算。
本发明基于pcanet的脉搏信号亚健康检测系统，包括采集装置和检测装置；
所述的采集装置包括：
用于采集研究对象脉搏信号数据的信号数据采集模块；
用于对采集到的脉搏信号数据进行记录的usb串口数据存储模块；
用于对脉搏信号数据根据通信协议进行数据格式转换的数据格式转换模块；
以及，用于对脉搏信号数据进行归一化处理，使脉搏信号数据映射至[-1，1]的范围内，并且去除脉搏信号中的基线漂移、工频干扰、高频噪声和异常波形的数据预处理模块；
所述的检测装置包括：
用于根据采集装置提供的脉搏信号数据提取健康和亚健康脉搏信号特征的pcanet网络特征提取模块，通过pcanet网络特征提取模块得到特征映射矩阵；
用于对特征映射矩阵通过svm分类器和knn分类器来识别健康与亚健康状态的svm和knn分类模块；以及用于输出svm和knn分类模块状态识别结果的分类结果输出模块。
与现有技术相比，本发明具有如下的有益效果：采用pcanet的检测方法识别亚健康状态，在数据预处理阶段通过去除脉搏信号中的噪声及异常波形，对原始脉搏信号描述准确，克服了时频域分析方法提取特征的缺点，有效提高了分类识别率。此外，本发明通过将采集到的脉搏信号数据进行归一化处理，采用网格搜索算法寻优，得到pcanet模型在检测方法中的最优参数，降低了外界干扰对脉搏信号特征提取影响，使检测过程较为高效。本发明的检测方法操作方便，为人们检测亚健康提供了新的途径，具有明显的社会效益。
附图说明
图1本发明检测方法的流程图；
图2去除干扰段前脉搏信号图；
图3去除干扰段后脉搏信号图；
图4模型参数对比分析图；
图5本发明检测系统的结构框图。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
参见图1，本发明基于pcanet的脉搏信号亚健康检测方法包括以下步骤：
1、数据采集：选取的研究对象需要无身体和精神疾病，在实验前均精神良好，心态平和，情绪平稳，并对实验的要求有充分的了解。由于脉搏信号在采集过程中容易受到外界环境的干扰，因此实验选择在一个安静舒适的环境中进行。在实验之前，让研究对象填写亚健康自评表根据得分情况对备试者初步划分和筛选。选用的亚健康自评表取自中国轻工业出版社的《亚健康概论》一书，该表共有30道题目，分别从躯体症状、工作、心理、人际交往以及社会适应5个方面判别受试者是否处于亚健康状态，并对亚健康状态的程度做出初步评定。
本发明采用的脉搏信号仪器为合肥华科电子技术研究所研发的hk-2000c集成数字脉搏传感器，usb接口的一端将传感器采集的数据传输到计算机上，传感器对准受试者手腕桡动脉搏动最强处，用腕带固定好，然后通过动态链接库程序在显示屏上显示脉搏波形，采样频率为200hz，采样时间设置为1.5min，将手腕平置于桌上与心脏平齐，待信号平稳后开始记录数据，采集过程中受试者保持平稳状态，心情放松，不能说话和有其它大动作。
2、数据预处理：为了方便计算和实验准备，将原始的脉搏信号数据进行归一化处理，数据映射到[-1,1]的范围内。脉搏信号是微弱的信号，采集过程中易受采集环境、采集仪器以及受试者身体与心理活动的影响，使得脉搏信号中含有工频干扰、基线漂移等噪声信号。
因此，为了获得较为纯净的脉搏信号，采用小波变换的方法和脉搏信号干扰段检测算法对脉搏信号去除噪声及异常波形，参见图2、3，为去除干扰前后脉搏讯号对比效果图。
3、实验仿真：
将经过预处理后的脉搏波形进行分割，对所有数据样本进行去均值处理，然后以重构误差作为损失函数，将样本数据放入pcanet模型中运行，由于l1,l2,k1,k2四个参数值对实验结果有一定的影响，所以采用网格搜索算法，令l1＝l2,k1＝k2，设置l值从1到13依次变化，k值从4到13依次变化，将不同参数按序编号1～130，不同参数识别率的折线图如图4所示。经对比发现，最佳参数是72号参数，最终设定滤波器个数为8，滤波器尺寸大小为5。
本发明设置对比实验，将经过预处理后的脉搏波形进行分割，对所有数据样本进行去均值处理，然后以重构误差作为损失函数，学习pca滤波核，使用pca算法对样本集进行计算，提取样本集的协方差矩阵的前l个最大特征值对应的特征向量来组成特征映射矩阵。在pca计算过程中，设定最佳参数，滤波器个数和尺寸大小分别定义为8×5，对提取到的特征通过svm分类器进行训练和分类识别健康与亚健康状态。将经过深度学习改造的特征提取模型与匹配追踪算法(matchingpursuit，mp)和gabor滤波特征提取算法的性能对比，均使用svm和knn两种分类器进行分类。训练过程中，在svm分类器中，采用线性核函数。在knn分类器中，以测试样本与训练样本分别得到的特征间的欧式距离作为评判标准。实验在matlab2015a环境下进行，表1给出了各个方法之间的实验对比结果。
表1特征提取模型性能对比分析
实验结果表明，pcanet-svm模型性能优于其他的方法，分类准确率明显提高，证明了pcanet模型在亚健康脉搏信号检测领域的有效性。
参见图5，一种基于pcanet的脉搏信号亚健康检测系统，包括采集装置和检测装置；
采集装置包括：
用于采集研究对象脉搏信号数据的信号数据采集模块；
用于对采集到的脉搏信号数据进行记录的usb串口数据存储模块；
用于对脉搏信号数据根据通信协议进行数据格式转换的数据格式转换模块；
以及，用于对脉搏信号数据进行归一化处理，使脉搏信号数据映射至[-1，1]的范围内，并且去除脉搏信号中的基线漂移、工频干扰、高频噪声和异常波形的数据预处理模块；
检测装置包括：
用于根据采集装置提供的脉搏信号数据提取健康和亚健康脉搏信号特征的pcanet网络特征提取模块，通过pcanet网络特征提取模块得到特征映射矩阵；
用于对特征映射矩阵通过svm分类器和knn分类器来识别健康与亚健康状态的svm和knn分类模块；以及用于输出svm和knn分类模块状态识别结果的分类结果输出模块。