一种基于多传感器的人体生理状态判别可视化方法及设备与流程

本发明属于体域网
技术领域：
，具体涉及一种基于多传感器的人体生理状态判别可视化方法及设备。
背景技术：
越来越多可穿戴的体域网产品已经进入到人们的日常生活之中，2016年全球可穿戴传感器市场规模约为2.3793亿美元，预计到2022年将增长至约13.8740亿美元；2017年至2022年期间年均复合增长率约为34.2％。这些集成了多个传感器的设备可以从多个维度来实时感知用户的物理活动，采集人体不同的生理健康数据。例如蓝牙心率带：佩戴于人体胸部的利用蓝牙进行无线传输的可穿戴设备，内置心率传感器，可以实时检测人体的心率变化。臂式血压袖带：佩戴于人体上臂肱动脉处，内置血压传感器，可以实时测量人体血压的变化。然而，更多的产品是对人体生理指标的直接显示，没有对人体的生理状态变化做出判别和评价，更面临着如何处理海量的人体生理数据的问题。例如：jawboneup手环、nikefuelband手环、华为手环提供的只是用户的计步功能、卡路里和睡眠质量显示；polygon智能手表在此基础上增加了心率和血压显示的测量功能；dido智能手环能够提供心电的显示和记录功能，但不能实现状态的诊断。而随着人们对于可穿戴体域网产品需求的增加和使用场景的扩展，人体生理状态的分类判别已经逐渐成为当前使用者的主流需求。现有可穿戴的技术都是对人体生理指标的测量和显示，如血压、心率、血氧等，但毕竟这类产品是面向于日常生活，没有达到医学标准，所以也不能作为疾病等状态的判断依据，只能给用户以感知和提醒。但单纯的生理指标并不能使使用者十分敏感，有的用户不具备这些生理指标的认知常识，且此类产品没有给出使用者生理状态的变化判别。技术实现要素：本发明的目的是提供一种基于多传感器的人体生理状态判别可视化方法及设备，以解决上述现有技术中的问题，通过对采集的人体生理信号进行人体所处状态等级的可视化显示，使得用户对于自身状态的变化感知更加直观，便于用户理解和接受，并依据结果而对自身情况做出决定。为了解决以上技术问题，本发明采用以下技术方案：一种基于多传感器的人体生理状态判别可视化方法，包括以下步骤：s1：通过嵌入到可穿戴设备上的多种生理信号传感器采集人体生理信号；s2：将采集的人体生理信号进行预处理和特征提取，按照各自信号的判别机制将人体生理状态分类为“普通状态”和“事件状态”两大类，得到多组判决结果；s3：将多组判决结果进行数据融合，划分出人体在连续时间段内生理状态所处于的不同状态等级，使用户可以根据自身生理状态所处的等级高低对自身情况进行选择性关注和感知。优选地，所述的传感器包括脉搏波传感器、呼吸波传感器、体温传感器，所述的人体生理信号包括脉搏波信号、呼吸频率信号、体温信号。优选地，所述的基于脉搏波信号的人体生理状态分类方法包括以下步骤：s1：脉搏波信号预处理：从脉搏波信号中选择sym8小波作为基函数，使用基于小波分解和重构的方法，消除高频噪声及基线漂移，得到较为纯净的脉搏波信号，便于进行信号的特征提取；s2：脉搏波的特征提取：使用差分阈值方法来提取脉搏波的每个周期中的特征参数，并筛选出六个时域特征向量s＝[t1，t2，h1，h2，t，h2/h1]，为了更合理地使用这些特征向量，主成分分析用于减少数据的维数，从该6维向量中提取前两个主成分元素作为支持向量机(svm)的输入向量；其中，t1、h1分别表示脉搏波的上升支时间和高度，与血管壁弹性和射血速度等指标有关；t2、h2分别表示脉搏波的下降支时间和高度，与外周阻力有关；t表示脉波周期，等于心跳周期；h2/h1表示反射指数，反映人体动脉的顺应性；s3：基于支持向量机(svm)的脉搏波信号分类判别：从训练和测试两个阶段来对人体生理状态进行二类区分，判别出用户当前是处于“普通状态”还是“事件状态”；训练和测试的数据集由n对提取特征量后的样本数据构成，其形式为：(xi，yi)，i＝1，2，…，n，xi∈r，yi∈{0，1}；其中，xi为一个二维的特征向量，分别包含了从脉搏波数据集进行特征向量提取和主成分分析后的第一和第二主成分pca1和pca2；即yi表示xi数据的标签，如果yi＝1，xi属于事件状态；如果yi＝0，xi属于普通状态。所述的基于脉搏波信号的人体生理状态分类方法还包括对支持向量机(svm)的训练和检验：采用svm常用的几项评价指标：精确率：precision＝tp/(tp+fp)召回率：recall＝tp/(tp+fn)分类准确率：accuracy＝(tp+fn)/(tp+fn+tn+fn)其中，tp表示真实类别为普通也被分类为普通状态，fp表示真实类别为事件但被分类为普通，fn表示真实事件为普通，但被分类为事件，tn表示真实类别为事件也被分类为事件；为了评估分类判别的动态过程，需要观察roc(receiveroperatingcharacteristic)曲线的变化趋势，其中，tpr＝tp/(tp+fn)，fpr＝fp/(fp+tn)分别作为roc曲线的横坐标和纵坐标，auc是用roc曲线下的面积来评价该分类方法性能的一项指标，计算公式为：优选地，所述的基于呼吸信号的人体生理状态分类方法包括以下步骤：s1：通过呼吸波传感器获取呼吸信号，从得到的呼吸信号时域周期中可以计算出实时的呼吸频率；s2：根据成年人在平静状态下的每分钟呼吸频率设定阈值；s3：将步骤s1计算的呼吸频率跟设定好的阈值比较，判定人体的生理状态是处于“普通状态”还是“事件状态”。优选地，所述的基于体温信号的人体生理状态分类方法包括以下步骤：s1：通过体温传感器采集人体的体温信号，每分钟采样一次；s2：根据人体的体温稳定区间设定阈值；s3：将步骤s1采集的体温信号跟设定的阈值进行比较，判定人体的生理状态是处于“普通状态”还是“事件状态”。优选地，所述的对三组判决结果进行数据融合包括以下步骤：s1：将脉搏波信号、呼吸信号、体温信号的判决结果“普通状态”设为0，“事件状态”设为1，即得到三组二进制序列；s2：采用二进制编码进行数据融合，确定脉搏波信号、呼吸信号、体温信号各自分类判决结果的编码顺序，即确定融合后的3bit二进制数中，三组信号的最高位、中间位、最低位的优先级排序，采用熵s来衡量信号的状态变换的频度：s＝-(p1+p2)log2(p1+p2)；其中，p1表示由前一状态0(普通状态)变换为下一状态1(事件状态)的次数占全部分类的比例；p2表示由前一状态1变换为下一状态0的次数占全部分类次数的比例；s3：由于3bit二进制数的取值范围是0～7，因此将人体生理状态评价结果表示为8个等级的时间序列形式，数据融合后的等级越高，表明人体生理状态越值得关注；等级越低，表明人体生理状态越稳定，越不必关注，处于等级0时则代表人体此刻处于“普通状态”。本发明还提供一种基于多传感器的人体生理状态判别可视化设备，包括嵌入在智能手环上的脉搏波传感器、嵌入在胸带上的呼吸传感器、嵌入在袖带上的体温传感器以及手机app终端；所述脉搏波传感器、呼吸传感器、体温传感器将采集的人体生理信号通过蓝牙无线传输至手机app终端。优选地，所述手机app终端至少包括依次连接的训练模块、使用模块和图形显示模块，所述的训练模块包括呼吸频率阈值设定模块、体温阈值设定模块以及脉搏波数据处理模块；所述的使用模块包括呼吸频率判决模块、体温判决模块以及脉搏波判决模块；所述的图形显示模块根据所述的呼吸频率判决模块、体温判决模块以及脉搏波判决模块对呼吸频率、体温、脉搏波做出的判决结果生成一个状态等级分布图，以图形的形式进行显示。优选地，所述的脉搏波数据处理模块为将所述脉搏波传感器发送的脉搏波数据进行整理，构建支持向量机(svm)分类模型。本发明具有以下有益效果：本发明将机器学习理论应用到带有可穿戴的脉搏波传感器的体域网产品之中，人体状态的分类是因人而异的，没有固定和通用的分类模型，必须经过个人生理信号数据的特点进行前期的训练，本发明提供了可穿戴产品对于将来使用者的一种全新的使用模式，设备持有者需要先依据自身情况进行前期的训练和构建适合自身的分类模型，本发明不仅能是实现人体脉搏、体温测量等常规功能，还能实现对人体生理状态的分类判别，和状态等级的可视化显示，使得用户对于自身状态的变化感知更加直观，便于用户理解和接受，并依据结果而对自身情况做出决定。附图说明图1是本发明方法总体流程示意图；图2是基于脉搏波信号的分类判决流程示意图；图3是脉搏波时域波形示意图；图4是最优超平面示意图；图5是支持向量机分类流程示意图；图6是基于呼吸信号的分类判决流程示意图；图7是基于体温信号的分类判决流程示意图；图8是状态转移示意图；图9是本发明设备结构示意图；图10是本发明设备流程图；图11是实验一场景下支持向量机训练效果图；图12是实验一场景下支持向量机分类效果图；图13是实验一场景中支持向量机的roc性能曲线图；图14是实验二场景中支持向量机训练效果图；图15是实验二场景中支持向量机分类效果图；图16是实验二场景中支持向量机的roc性能曲线图；图17是实验三场景中支持向量机训练效果图；图18是实验三场景中支持向量机分类效果图；图19是实验三场景中支持向量机的roc性能曲线图；图20是四小时采集过程和脉搏、呼吸、体温信号时域波形图；图21是脉搏、呼吸、体温三组信号分类判决结果示意图；图22是一分钟分辨率的可视化效果图。具体实施方式为了更好地理解本发明的技术方案，现通过以下实施例加以说明，以下实施例属于本发明的保护范围，但不限制本发明的保护范围。一种基于多传感器的人体生理状态判别可视化方法，包括以下步骤：s1：通过嵌入到可穿戴设备上的多种生理信号传感器采集人体生理信号；s2：将采集的人体生理信号进行预处理和特征提取，按照各自信号的判别机制将人体生理状态分类为“普通状态”和“事件状态”两大类，得到多组判决结果；s3：将多组判决结果进行数据融合，划分出人体在连续时间段内生理状态所处于的不同状态等级，使用户可以根据自身生理状态所处的等级高低对自身情况进行选择性关注和感知。所述的生理信号传感器包括脉搏波传感器、呼吸波传感器、体温传感器，所述的人体生理信号包括脉搏波信号、呼吸频率信号、体温信号。多传感器的融合不局限于脉搏、呼吸和体温这三种传感器，也可以选择心电、脑电、肌肉电、皮肤电阻等常用的可以嵌入到可穿戴设备上的多种生理信号传感器。本发明使用的是其中常用的三种，可以增加传感器的维度和种类，实现更多维度数据的融合。如图1所示，基于多传感器的人体生理状态判别可视化方法，包括以下步骤：s1：通过智能手环上的脉搏波传感器采集人体的脉搏波信号，通过蓝牙心率带上的体温传感器采集人体温度的变化，利用蓝牙心率带上的胸式呼吸波传感器采集人体的呼吸波信号；s2：通过蓝牙无线传输将实时采集的人体脉搏波信号、体温信号和呼吸信号进行预处理和特征提取，按照各自信号的判别机制将人体生理状态分类为“普通状态”和“事件状态”两大类，得到三组判决结果；s3：将三组判决结果进行数据融合，划分出人体在连续时间段内生理状态所处于的不同状态等级，使用户可以根据自身生理状态所处的等级高低对自身情况进行选择性关注和感知。如图2所示，所述的基于脉搏波信号的人体生理状态分类方法包括以下步骤：s1：脉搏波信号预处理：脉搏波信号是一种低频信号，它的主要频率集中在10hz以下，采集过程中不可避免的会受到周围环境中温湿度、电磁场以及采集者自身呼吸和运动的影响，脉搏波信号采集过程中会掺杂一些高频噪声和基线漂移；因此本发明选择sym8小波作为基函数，使用基于小波分解和重构的方法，消除高频噪声及基线漂移，得到较为纯净的脉搏波信号，便于进行信号的特征提取；s2：脉搏波的特征提取：使用差分阈值方法来提取脉搏波的每个周期中的特征参数，并筛选出六个时域特征向量s＝[t1，t2，h1，h2，t，h2/h1]，为了更合理地使用这些特征向量，主成分分析用于减少数据的维数，从该6维向量中提取前两个主成分元素作为支持向量机(svm)的输入向量；其中，t1、h1分别表示脉搏波的上升支时间和高度，与血管壁弹性和射血速度等指标有关；t2、h2分别表示脉搏波的下降支时间和高度，与外周阻力有关；t表示脉波周期，等于心跳周期；h2/h1分别反射指数；如图3所示，脉搏波的上升支时间(t1)和高度(h1)与血管壁弹性和射血速度等指标有关；脉搏波的下降支时间(t2)和高度(h2)与外周阻力有关；脉波周期(t)等于心跳周期；此外，反射指数(ai，ai＝h2/h1)是反映动脉硬化程度的重要指标之一，可作为心血管健康的评价指标。根据主分量的定义，一个由n个样本点和6组特征向量构成的样本集合矩阵(x∈rn×6)，x的协方差矩阵为∑(∑∈rn×6)。n由采集到的脉搏波信号个数决定，样本集合矩阵是全部脉搏波特征向量s构成的n行6列矩阵。计算主成分的基本方法：首先，样本集合矩阵进行标准化后计算它的协方差矩阵∑；其次，求取的6个特征值λ1≥λ2≥…≥λ6，以及所对应的特征向量p1，p2，…，p6，而且要求它们是正交的；最后，求取主成分分量t为t＝x·p，其中元素pcaj为：其中，x为样本集合矩阵，pj是协方差矩阵∑的第j个特征值λj所对应的特征向量。pcaj代表计算出的第j主成分分量。本发明选择pca1和pca2作为判断健康状态的支持向量机的输入数据，从而实现输入数据从原始的6维降低到2维。s3：基于支持向量机(svm)的脉搏波信号分类判别：从训练和测试两个阶段来对人体生理状态进行二类区分，判别出用户当前是处于“普通状态”还是“事件状态”；训练和测试的数据集由n对提取特征量后的样本数据构成，其形式为：(xi，yi)，i＝1，2，…，n，xi∈r，yi∈{0，1}；其中，xi为一个二维的特征向量，分别包含了从脉搏波数据集进行特征向量提取和主成分分析后的第一和第二主成分pca1和pca2；即yi表示xi数据的标签，如果yi＝1，xi属于事件状态；如果yi＝0，xi属于普通状态。如图4所示，svm训练的目的就是找出一个为两类数据提供最大分类间隔的“超平面”h，圆圈代表“事件状态”，方格代表“普通状态”。距离“超平面”最近的点就代表支持向量，而支持向量所在的两个面h1和h2都平行于“超平面”且距离相同，大小都等于。对于支持向量机的二分类问题，就是一个带约束的寻找最优超平面的最小值求解问题，使得变得最小，就相当于使分类间隔达到最大，公式如下：它的约束条件为：yi(wtxi+b)≥1，i＝1，2，…，n(3)通常引入拉格朗日乘子来解决这个数学问题，这样公式(2)就变成了：约束优化的求解方法取决于公式(4)的鞍点，因此：把公式(5)和(6)带入到公式(4)中，可以得到该优化问题的对偶形式：其约束公式为：于是这个数学问题转化成为一个求解最大的q的问题，先确定参数，就可由kkt条件求得b的值，这样可以求得分类函数的判别式为:由于在实际情况中，样本数据中的“事件状态”和“普通状态”的特征向量分界可能并不明显，不是线性可分的情况，有可能出现两类数据的混叠，导致在进行标签分类的时候会进行错误的标注。为解决此问题，引入松弛变量和误差惩罚因子c，来减少标签被错误划分的情况，由此公式(2)和(3)变成：yi(wtxi+b)≥1-ξi,i＝1,2,...,n(11)对于这个问题的唯一改进是对拉格朗日乘子的限制，它表示为：0≤αi≤c,i＝1,2,...,n(12)确定合适的c值，可以对错误分类的样本点起到抑制的作用，使分类效果达到最佳。除此之外，本发明分类的脉搏波特征向量是非线性的数据，在二维空间内无法只通过一条直线将数据进行分类，需要将数据映射到高维特征向量空间，把非线性的情况转化为线性的情况。而进行映射的方法就是在公式(7)中用一个核函数来代替通过核函数的变换，将低维空间里的两个向量，映射到高维的向量空间中去，从而把问题转化成线性可分的情况，更加便于分类。于是，这个非线性分类问题求解的方程就由公式(7)变为：其约束条件为：考虑到径向基函数的普遍适用性且只具有一个参数σ，本发明采用高斯径向基作为内核。这样对支持向量机(svm)的性能有直接影响的参数就是惩罚因子c和高斯核函数的参数σ，因此，要选择合适的c和σ的值来对svm模型进行构建。本发明采用粒子群算法来确定最优的惩罚因子c和核函数的参数σ，使选择c和的过程转化为一个优化搜索过程。标准的粒子群算法包括速度更新以及位置更新：其中，由m个粒子组成的种群表示为x＝(x1，x2，…，xm)，xi＝(xi1，xi2，…，xid)表示第i个粒子的位置，vi表示第i个粒子的速度。第i个粒子所经过的最好位置表示为pi＝(pi1，pi2，…，pid)，群体里所有粒子经过的最好位置表示为g，即pg＝(pg1，pg2，…，pgd)，寻找最优值时，将根据两个公式进行更新运算，c1为共知因子，c2为社会因子；r1和r2是0到1之间的随机数；代表第i个粒子对自身的认识，代表第i个粒子对全体最优的学习和认识。算法不仅可以局部搜素，还利于进行全局的搜索。利用粒子群算法确定最优的惩罚因子c和核函数参数的步骤如下：(1)将惩罚因子c和核函数的参数σ设定为粒子的分向量。设定c和的约束范围，c∈[1,1000]，σ∈[0.0001,0.1]。(2)初始化c1＝c2＝2；设最大迭代次数k＝90，当前迭代次数k＝1。在定义空间中随机产生m个粒子，本发明取m＝25，初始种群随机产生各粒子的初速度vi。(3)评价种群，计算每个粒子在每一维空间里的适应值，将其适应值和经历过的最好位置pbest更新；同理更新gbest。根据公式(15-16)更新粒子的速度和位置，产生新种群。检查是否寻优达到最大迭代数k；若满足，则结束寻优；否则，k<＝k+1，转至(3)。s4：支持向量机(svm)的训练和检验：如图5所示，通过数据准备阶段的脉搏波特征提取和主成分分析，确定了pca1和pca2作为svm的2维输入向量，在算法标定阶段，利用粒子群算法来确定最优惩罚因子c和核函数的参数σ，在分类判别阶段由构建好的该分类方法对测试数据进行分类。如表1所示，为了客观的分析该方法的分类效果，采用svm常用的几项评价指标：精确率：precision＝tp/(tp+fp)召回率：recall＝tp/(tp+fn)分类准确率：accuracy＝(tp+fn)/(tp+fn+tn+fn)表1分类的可能结果汇总其中，tp表示真实类别为普通也被分类为普通状态，fp表示真实类别为事件但被分类为普通，fn表示真实事件为普通，但被分类为事件，tn表示真实类别为事件也被分类为事件。以上的指标是反映该分类方法的静态性能指标，为了评估分类判别的动态过程，需要通过观察roc(receiveroperatingcharacteristic)曲线的变化趋势。其中，tpr＝tp/(tp+fn)，fpr＝fp/(fp+tn)分别作为roc曲线的横坐标和纵坐标，auc是用roc曲线下的面积来评价该分类方法性能的一项指标，计算公式为：如图6所示，所述的基于呼吸信号的人体生理状态分类方法包括以下步骤：s1：通过呼吸波传感器获取呼吸信号，从得到的呼吸信号时域周期中可以计算出实时的呼吸频率；s2：根据成年人在平静状态下的每分钟呼吸频率设定阈值；s3：将步骤s1计算的呼吸频率跟设定好的阈值比较，判定人体的生理状态是处于“普通状态”还是“事件状态”。成年人在平静状态下的呼吸频率为每分钟16-20次，女性平均比男性快1-2次，低于12次/分属于呼吸过缓。因此，本发明中设置呼吸频率的阈值为下限12次/分，上限20次/分(实际应用中可根据不同使用者进行人为的设定)。在阈值范围内，人体的状态被判定为“普通”(标记为0)，超出阈值范围则状态被判定为“事件”(标记为1)。每个呼吸周期会产生一次判决结果，因此，同样需要对呼吸的分类结果进行单位转化，转化方式同脉搏波的转化方法相同，最终由呼吸波信号的分类结果得到一组每分钟对应一个的判决结果(0/1)。如图7所示，所述的基于体温信号的人体生理状态分类方法包括以下步骤：s1：通过体温传感器采集人体的体温信号，每分钟采样一次；s2：根据人体的体温稳定区间设定阈值；s3：将步骤s1采集的体温信号跟设定的阈值进行比较，判定人体的生理状态是处于“普通状态”还是“事件状态”。人体的体温不会在短时间发生突变，正常人的腋下体温基本在36-37℃之间浮动，浮动范围不会超过1℃。体温高于正常称为发热，37.3～38摄氏度为低热，38.1～39摄氏度为中度发热，39.1～41摄氏度为高热，41摄氏度以上为超高热。本发明先利用数字体温传感器采集人体的体温信号，每分钟采样一次，再跟设定好的阈值进行比较，判定人体的生理状态是处于0(普通状态)还是1(事件状态)。由于每人的体质不同，体温的稳定区间也会不同，设定的阈值可以根据使用者的具体情况而调节。在这个阈值范围内分类结果为0(普通状态)，超过阈值范围分类为1(事件状态)，最终生成一个只含有0或1的二进制数组。本发明提出一种基于二进制编码的数据融合方法，将三种信号的判决结果进行决策级融合，得到人体生理状态的综合评价结果(1组3bit二进制编码)，这种评价结果不仅能够将人体经历的事件状态中的运动、睡眠、喝酒刺激对人体的影响划分出等级，还能够将三组状态分类结果融合为一个综合的评价人体生理状态的结果，更加有利于体域网设备的使用者对自身状态的感知和理解。所述的对三组判决结果进行数据融合包括以下步骤：s1：将脉搏波信号、呼吸信号、体温信号的判决结果“普通状态”设为0，“事件状态”设为1，即得到三组二进制序列；s2：采用二进制编码进行数据融合，确定脉搏波信号、呼吸信号、体温信号各自分类判决结果的编码顺序，即确定融合后的3bit二进制数中，三组信号的最高位、中间位、最低位的优先级排序，三组状态的分类结果由三组二进制序列(240个0或1)组成，其中1代表人体处于“事件”状态，0代表人体处于“普通状态”。如图8所示，由一次的状态分类结果到下一次的分类结果共存在4种情况。p1表示由前一状态0(普通状态)变换为下一状态1(事件状态)的次数占全部分类的比例；p2表示由前一状态1变换为下一状态0的次数占全部分类次数的比例；同理，p3表示由前一状态0变换为下一状态0的次数占全部分类次数的比例；p4表示由前一状态1变换为下一状态1的次数占全部分类次数的比例。这里用p1和p2的和代表了生理状态发生改变的频率，它的值越小，说明此种信号越稳定，越不容易发生突变。采用熵s来衡量信号的状态变换的频度：s＝-(p1+p2)log2(p1+p2)；三种信号的熵值统计如表2所示，熵值s的值越大，代表状态发生改变的期望越高，即两种状态之间转换的频度越高，该信号自身的稳定性越差；反之，信号的稳定性越好。由表2统计可以看出，体温信号的稳定性最高，脉搏次之，呼吸信号的稳定性最差。因此，选体温信号的判决结果作为3bit二进制编码的最高位，脉搏信号的判决结果为中间位，呼吸信号的判决结果作为最低位。表2三种信号的熵值统计s3：由于3bit二进制数的取值范围是0～7，因此将人体生理状态评价结果表示为8个等级的时间序列形式，如表3所示，数据融合后的等级越高，表明人体生理状态越值得关注；等级越低，表明人体生理状态越稳定，越不必关注，处于等级0时则代表人体此刻处于“普通状态”。表3生理状态的等级划分如图9所示，一种基于多传感器的人体生理状态判别可视化设备，包括嵌入在智能手环上的脉搏波传感器、嵌入在胸带上的呼吸传感器、嵌入在袖带上的体温传感器以及手机app终端；所述脉搏波传感器、呼吸传感器、体温传感器将采集的人体生理信号通过蓝牙无线传输至手机app终端。所述手机app终端至少包括依次连接的训练模块、使用模块和图形显示模块，所述的训练模块包括呼吸频率阈值设定模块、体温阈值设定模块以及脉搏波数据处理模块；所述的脉搏波数据处理模块为将所述脉搏波传感器发送的脉搏波数据进行整理，构建支持向量机(svm)分类模型；所述的使用模块包括呼吸频率判决模块、体温判决模块以及脉搏波判决模块；所述的图形显示模块根据所述的呼吸频率判决模块、体温判决模块以及脉搏波判决模块对呼吸频率、体温、脉搏波做出的判决结果生成一个状态等级分布图，以图形的形式进行显示。所述的呼吸频率阈值设定模块根据人体常态的呼吸频率设定阈值，所述呼吸频率阈值设定模块与所述呼吸频率判决模块连接；所述的体温阈值设定模块根据人体正常的体温设定阈值，所述体温阈值设定模块与所述体温判决模块连接；所述的脉搏波数据处理模块与所述脉搏波判决模块连接。如图10所示，考虑到本设计将机器学习理论应用到了可穿戴产品中，使用者在产品应用过程中需要前期的训练过程。因此，手机app终端分为三部分：训练模块(训练模式)、使用模块(使用模式)和图形显示模块。训练模块：在此模块下，使用者佩戴产品经历不同的生理状态变化，构建使用与自身的分类模型，使用者经历的状态种类越多，以此构建的分类模型越完善。同时在此模块下，使用者可以设定呼吸率和体温的判决阈值。训练模块：当产品切换到使用模块下，用户只需佩戴此产品进行日常的活动，产品会根据前期训练模块下构建好的模型和设置好的阈值对人体生理状态进行分类，并将三组分类结果生成一个状态等级分布图。这样以直观的图形的形式反馈给使用者。便于使用者对所经历过状态等级有所感知，状态等级高的时刻会引起使用者的重视。试验案例1.对基于脉搏波信号的人体生理状态分类方法和设备的实验验证和算法评价为了尽可能模拟使用者所经历的事件状态，测试汇总选择了三种典型的事件状态：运动、酒精刺激和睡眠，普通状态为人体处于静止坐立状态之下。测试实验分为3组场景，每组选择16名实验者(年龄23-27)进行测试。首先，实验一场景下先对经历一种事件状态(运动)的情况进行分类验证，经历的运动状态为爬楼梯，每人携带数据采集装置从1楼爬上11楼，分别采集实验者处于普通状态和事件状态的脉搏波信号各10分钟，通过交叉验证，选择其中一半数据为训练集数据，另一半为测试集数据。分类标签如表4所示。表4实验一场景下人体生理状态分类标签如图11所示，图中为一个实验者的支持向量机训练效果图，横轴为第一主成分pca1，纵轴为第二主成分pca2。图中右侧三角符号代表人体处于“普通状态”下的数据，图中左侧十字符号代表人体处于运动“事件状态”下的数据，此种情况下该分类设备可以找出一条最优分类曲线，将两类数据进行区分。如图12所示，图中显示利用测试集数据对该分类设备的分类性能进行测试，其中右侧圆点表示被成功分类为普通状态的数据，左侧方格代表被成功分类为事件状态的数据，图中可以看到虽然存在个别线性不可分的数据，但实验一场景的两类数据能被明显区分。表5中给出了该分类设备的4项性能评价指标，16名实验者对运动这种“事件状态”的分类准确率都达到了90％以上，有其中3名实验者更是达到了100％的准确率，分类取得了良好的效果。同时，该分类设备的roc曲线如图13(其中一名实验者)所示，从曲线的走势可以看出，在整个支持向量机在分类过程中，tpr一直在95％以上，接近1，说明此该分类设备性能始终处于较高的水平。表5实验一中16位实验者分类效果统计如图13所示，实验一场景中支持向量机的roc性能曲线。为了进一步验证该分类设备的性能，实验二的场景中增加了一种“事件状态”——酒精刺激，采集实验者在普通状态下(10分钟)、运动状态下(10分钟)和喝酒过程中(30分钟)的脉搏波信号，分类标签如表6所示，普通状态和运动状态的数据延用实验一场景中的数据。表6实验二场景下人体生理状态分类标签状态种类实验类型标签普通状态静止坐立0事件状态运动、喝酒+1如图14所示，图中为实验二中一名实验者的训练效果图，图15为实验二场景中这名实验者的分类效果图，可以看到该分类设备可以找到最优的分类曲线将两类数据进行区分。比较图14和图11可以看到，喝酒状态的引入使原本较为清晰的边界变得逐渐模糊，这说明喝酒状态前期人的生理状态跟静止坐立状态差别不大，但随着酒精刺激的加深，两种状态下的数据点逐渐分开，svm能够将绝大多数的测试样本进行准确区分。统计实验二中16名实验者的该分类设备性能指标如表7所示，分类准确率较实验一有所下降，但依然都能达到90％以上。表7实验二中16位实验者分类效果统计如图16为其中实验者3的roc曲线，该曲线始终呈现上升趋势，tpr始终保持在90％以上，最高达到98.36％，表明整个动态分类过程中，svm能够将绝大部分测试数据进行正确分类，auc的值为0.9636，十分接近于1，也充分说明了该分类设备拥有良好的分类性能。在实验场景三中，让16名实验者依次经历四种实验过程分别为：静止坐立(10分钟)、运动(10分钟)、睡眠(80分钟)和喝酒刺激(30分钟)，分类标签如表8所示。静止状态、运动状态和酒精刺激状态下的数据直接来源于实验二中的数据。表8实验三场景下人体生理状态分类标签图17所示为实验三场景中svm构建的训练效果图，三角符号依然代表训练集中的普通状态下对应数据，十字符号代表事件状态下(运动、睡眠、喝酒)对应的数据，对比图17和图14发现，睡眠状态的引入使得两类数据点的分布产生了影响，两类数据的界限并不明显，但原始的分布结构没有改变，svm可以通过训练可以找到最优分类曲线对测试样本进行分类。图18为分类效果图，从中可以看到虽然边界模糊，但两种生理状态可以被成功分类。16名实验者的分类统计指标如表9所示，精确率和分类准确率都达到90％以上。表9实验三中16位实验者分类效果统计从图19显示的实验者1的roc曲线中可以看出，该分类设备的tpr始终保持在90％以上，并不断提升，auc值达到0.9476，虽然较实验二有所下降，但分类效果依然良好。由于每个脉搏周期都会产生一组分类结果，本发明利用脉搏波得到了一组分类判决结果(0/1)，如果采集的时间较长，则判决结果同样为大量数据。因此，本发明会对判决的结果进行单位转换，由每个脉搏周期生成一个判决结果转化为每分钟生成一个判决结果。采取的方法是：如果一分钟内判决结果中0(普通状态)的数量大于1(事件状态)的数量，则用二进制数0表示该一分钟的判决结果，否则用1表示该1分钟的判决结果。2.对脉搏波、呼吸、体温信号数据融合方法的实验为了能够直观的展示这种数据融合方法，选择了一名实验者，连续4小时内通过三种传感器采集脉搏波、呼吸和体温信号，采集过程如图20所示，这4小时内该实验者经历了10分钟的运动、80分钟睡眠和40分钟的喝酒刺激，各个时间节点已被标注。利用三种信号各自的判别机制对人体生理状态生成了连续240min的0/1判决数组，如图21所示，三种信号都对人体经历的事件状态的分类能力各不相同。3.对生理健康状态的等级划分的实验实验者在4小时(240分钟)的生理状态等级分布情如图22所示，时间分辨率为1分钟，线条的高低代表了人体生理状态处于的不同等级高低，从图中可以看到，实验者所经历的运动、睡眠、饮酒三种状态在图中都有不同等级的体现。高强度的运动对人体生理状态的影响最大，该段时间内人体被判定为最高等级，值得用户重点关注，40分钟喝酒过程，人体生理状态先由等级2上升到6，随后又下降回2，直接对应了人体生理状态变化的过程，开始阶段酒精对人体的影响逐渐加大，对心血管系统的刺激导致人体内部的各种生理反应开始显现，体温上升，而最后当酒精随着人体汗液的排出及肝脏的处理，生理状态又逐渐恢复为普通状态。而睡眠过程在图中的等级为2，说明了睡眠对人体的生理状态的影响程度没有运动和喝酒影响大，只在脉搏信号上得以区分，在呼吸和体温信号上没有显现出区别。以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的
技术领域：
，均同理包括在本发明的专利保护范围内。当前第1页12