一种基于惯性传感器采集的数据进行呼吸监测的方法

1.本发明涉及数字信号处理和深度学习领域，具体地说，涉及一种基于惯性传感器采集的数据进行呼吸监测的方法。


背景技术：

2.呼吸监测在生理健康和心理健康中具有不言而喻的重要性，以及重大的临床医学和社会意义。但呼吸监测仪作为一种传统意义上的医疗器械价格昂贵并且具有专业性，其采用侵入式的气流检测方法不利于长时间的佩戴。随着传感器技术的发展，发展出了一些民用化的呼吸监测产品。例如胸腹部缠绕式呼吸监测产品，利用压敏传感器或者磁通量传感器监测呼吸引发的胸腹腔运动来生成呼吸波形。还有呼吸面罩式的呼吸监测产品，通过佩戴覆盖在口鼻腔利用气体流量计感知呼吸产生的气体交换来监测呼吸。这些方法虽然相比医疗器械降低了部分的价格，但是依然成本较高，损失了部分的精度，并且可穿戴性差。导致人们根本无法在日常生活中持续性的佩戴，也无法将其作为一种便携式可穿戴设备，使用基于它们提供的健康服务。
3.因此，实现普适性和泛用性的呼吸监测一直是该领域的目标，早在20世纪30年代斯塔尔(starr)等人提出了心冲击描记术(ballistocardiography)。同理，人体进行的呼吸运动同样会反映在人的肢体上，在肢体上产生微弱的呼吸运动信号。可以使用惯性测量单元(inertial measurement unit，imu)中的加速度计、陀螺仪等传感器进行运动信号的采集，对其进行滤波获得呼吸波形。
4.但是人的肢体伴随着日常行为活动，使得imu数据中产生大量运动伪影，微弱的呼吸信号被运动伪影大量混叠。导致传统滤波算法首先无法针对运动产生的具有复杂干扰情况的imu数据进行统筹分析处理，即未从多模态数据的多角度进行滤波，缺乏泛化性和精确度低，其次，未利用多个卷积网络提供更好的滤波能力。最后，现有的一种自适应滤波算法，依赖于期望呼吸信号的部分已知性进行参数调整，但由于呼吸的幅值、曲率、频率本身就是反应生理状态的重要指标，无法提前预知，且不断在进行微弱的变化，并且未利用多头注意力机制以弥补滤波过程中过于关注局部特征，导致该自适应滤波算法提取的呼吸波形存在精度低以及不具有全局感受野的问题。
5.因此，亟需一种基于imu采集的数据进行滤波的呼吸监测系统，用于克服微弱特征的不易提取以及人体运动产生的复杂干扰情况等问题，以获得高精度呼吸波形。


技术实现要素：

6.因此，本发明的目的在于克服上述现有技术的缺陷，提供一种基于惯性传感器采集的数据进行呼吸监测的方法。
7.本发明的目的是通过以下技术方案实现的：
8.根据本发明的第一方面，一种呼吸监测模型，包括处理总路和多个处理支路，每个处理支路和处理总路均包括卷积滤波器，每个卷积滤波器中包括用于对输入的数据进行滤
波的多个卷积网络以及设置在相应卷积网络间的用于增强全局感受野的多头自注意力机制层，其中，所述呼吸监测模型被配置为：将基于惯性传感器的数据得到的多模态数据中的各模态数据分别输入到对应的处理支路进行卷积滤波，得到各模态数据的滤波结果；以及将对各模态数据的滤波结果进行叠加得到的多模态呼吸特征输入到处理总路进行卷积滤波，得到关联性呼吸特征，基于关联性呼吸特征生成呼吸波形。
9.在本发明的一些实施例中，所述卷积滤波器还包括设置在相应卷积网络间的下采样层和上采样层；下采样层用于对相应卷积网络对输入的数据进行滤波获得的结果进行下采样，获得低维特征；上采样层用于对相应卷积网络对输入的相应低维特征进行滤波获得的结果进行上采样，获得高维特征；其中，低维特征和高维特征分别利用多头自注意力机制层增强各自的全局感受野。
10.在本发明的一些实施例中，所述卷积滤波器包括均为一维卷积网络的第一卷积网络、第二卷积网络、第三卷积网络和第四卷积网络，第一卷积网络的输入端为卷积滤波器的输入端，第四卷积网络的输出端为卷积滤波器的输出端；第一卷积网络与第四卷积网络间设有多头自注意力机制层，与第二卷积网络间设有下采样层，以及与第三卷积网络间设有下采样层；第二卷积网络与第四卷积网络间设有上采样层，与第三卷积网络间设有多头自注意力机制层；第三卷积网络与第四卷积网络间设有上采样层。
11.在本发明的一些实施例中，所述卷积滤波器被配置为：将输入的数据依次通过第一卷积网络和多头自注意力机制层的处理，得到第一高维特征；将输入的数据依次通过第一卷积网络、下采样层、第二卷积网络和上采样层的处理，得到第二高维特征；将输入的数据依次通过第一卷积网络和下采样层的处理，得到第一低维特征；将输入的数据依次通过第一卷积网络、下采样层、第二卷积网络、多头自注意力机制层的处理，得到第二低维特征；将对第一低维特征和第二低维特征进行叠加后依次通过第三卷积网络和上采样层的处理，得到第三高维特征；将第一高维特征、第二高维特征和第三高维特征进行叠加后通过第四卷积网络的处理，得到滤波结果。
12.在本发明的一些实施例中，所述处理支路或者处理总路包括一个或者多个卷积滤波器；在所述处理支路或者处理总路中包括多个卷积滤波器时，其中多个卷积滤波器中的任意两个卷积滤波器按照纵向堆叠连接或者横向堆叠连接的方式连接，其中，纵向堆叠连接的第一卷积滤波器和第二卷积滤波器的连接方式为第一卷积滤波器的第二卷积网络的输出端与第二卷积滤波器的输入端连接，第二卷积滤波器的输出端与第一卷积滤波器的第三卷积网络的输入端连接；横向堆叠连接的第一卷积滤波器和第二卷积滤波器的连接方式为第一卷积滤波器的输出端与第二卷积滤波器的输入端相互连接。
13.根据本发明的第二方面，提供一种用于本发明的第一方面所述的呼吸监测模型的训练方法，包括按照以下方式对呼吸监测模型进行多次迭代训练：获取训练集，其中，所述训练集中的样本的输入数据为相应时间窗口对应的基于惯性传感器的数据得到的多模态数据中的各模态数据，样本的标签为相应时间窗口对应的标准呼吸波形；利用训练集训练呼吸监测模型，对输入数据进行卷积滤波，生成呼吸波形；基于生成的呼吸波形和标准呼吸波形的差异，计算总损失值；基于总损失值更新呼吸监测模型参数，获得经训练的呼吸监测模型。
14.在本发明的一些实施例中，所述总损失值为基于生成的呼吸波形和标准呼吸波形
计算的胡伯损失和l2正则化项计算获得，计算方式如下：
[0015][0016]
其中，n为样本总量，zi为第i个样本的胡伯损失，等于xi是基于第i个样本生成的呼吸波形，yi是第i个样本的标签，||xi||2表示xi的2范数，||yi||2表示yi的2范数，max(||xi||2·
||yi||2，∈)表示取||xi||2·
||yi||2和∈中的最大值作为分母，∈为标量值，α是l2正则化项的参数，ω是l2正则化项。
[0017]
根据本发明的第三方面，提供一种基于惯性传感器采集的数据进行呼吸监测的系统，包括：数据处理模块，用于基于可穿戴设备中惯性传感器采集的数据，得到加速度模态数据、角速度模态数据以及欧拉角模态数据；利用本发明第二方面所述方法训练的呼吸监测模型对所述加速度模态数据、角速度模态数据以及欧拉角模态数据进行处理，生成呼吸波形。
[0018]
根据本发明的第四方面，提供一种基于惯性传感器采集的数据进行呼吸监测的方法，包括：基于可穿戴设备中惯性传感器采集的数据，得到加速度模态数据、角速度模态数据以及欧拉角模态数据；利用本发明第二方面所述方法训练的呼吸监测模型对所述加速度模态数据、角速度模态数据以及欧拉角模态数据进行处理，生成呼吸波形。
[0019]
根据本发明的第五方面，提供一种电子设备，包括：一个或多个处理器；以及存储器，其中存储器用于存储可执行指令；所述一个或多个处理器被配置为经由执行所述可执行指令以实现本发明第二方面和第四方面任一项所述方法的步骤。
[0020]
与现有技术相比，本发明的优点在于：
[0021]
1、本发明的呼吸监测模型，首先，其各处理支路的卷积滤波器，分别对各模态数据进行卷积滤波，其中，各模态数据是基于对惯性传感器数据进行处理获得，增强微弱的惯性传感器数据的多模态数据的特征，同时从增强的多模态数据的各角度进行卷积滤波，避免过拟合和缺乏泛化性；其次，处理总路的卷积滤波器对各模态数据的滤波结果进行叠加得到的多模态呼吸特征进行卷积滤波，融合了多模态数据的滤波结果进行呼吸波形的生成，提高模型精确度，最后，各处理支路和处理总路的卷积滤波器以卷积网络为基础进行卷积滤波，增强滤波能力，利用多头自注意力机制增强呼吸波形的全局感受野。
[0022]
2、本发明模型中的卷积滤波器，在对输入的数据进行卷积滤波时，通过使用极少量的卷积网络，以及结合多头自注意力机制层、下采样层和上采样层，实现对输入的数据的多重编解码，再次避免模型过拟合和缺乏泛化性，实现更好的滤波能力。另外，卷积滤波器具有较好的模块化特性和可扩展性能，多个卷积滤波器可以根据任务需要进行纵向堆叠连接和横向堆叠连接。纵向堆叠连接可增加下采样层数量和上采样层数量，可以实现更深度的编解码，增强滤波能力。横向堆叠连接可增加对特征的拟合次数，实现对特征更好的拟合。
[0023]
3、本发明的呼吸监测方法中结合低通滤波、姿态解算互补滤波算法将加速度模态数据和角速度模态数据进行融合，增强惯性传感器数据的多模态数据的特征，使呼吸监测
模型更好地进行特征提取，利用均值平滑模块对涵盖幅值、曲率、频率变化的呼吸波形进行连续推断优化，使波形更加平滑。
附图说明
[0024]
以下参照附图对本发明实施例作进一步说明，其中：
[0025]
图1为根据本发明一个实施例的进行呼吸监测的系统示意图；
[0026]
图2为根据本发明一个实施例的呼吸监测模型的结构示意图；
[0027]
图3为根据本发明一个实施例的一个卷积滤波器的结构示意图；
[0028]
图4为根据本发明一个实施例的卷积滤波器中的一维卷积网络的结构示意图；
[0029]
图5为根据本发明一个实施例的多头自注意力机制层的结构示意图；
[0030]
图6为根据本发明另一个实施例的呼吸监测模型的结构示意图；
[0031]
图7为根据本发明一个实施例的多个卷积滤波器纵向堆叠连接的结构示意图；
[0032]
图8为根据本发明一个实施例的多个卷积滤波器横向堆叠连接的结构示意图；
[0033]
图9为根据本发明一个实施例的呼吸监测模型输出的呼吸波形和真实呼吸波形的示意图。
具体实施方式
[0034]
为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0035]
如在背景技术部分提到的，人的肢体伴随着日常行为活动，使得imu数据中产生大量运动伪影，微弱的呼吸信号被运动伪影大量混叠。导致传统滤波算法首先无法针对运动产生的具有复杂干扰情况的imu数据进行统筹分析处理，即未从多模态数据的多角度进行滤波，缺乏泛化性和精确度低，其次，未利用多个卷积网络提供更好的滤波能力。最后，现有的一种自适应滤波算法，依赖于期望呼吸信号的部分已知性进行参数调整，但由于呼吸的幅值、曲率、频率本身就是反应生理状态的重要指标，无法提前预知，且不断在进行微弱的变化，并且未利用多头注意力机制以弥补滤波过程中过于关注局部特征，导致该自适应滤波算法提取的呼吸波形存在精度低以及不具有全局感受野的问题。
[0036]
针对现有方法的缺陷，根据本发明的一个实施例，提供一种基于惯性传感器采集的数据进行呼吸监测的系统，参见图1，包括数据处理模块、呼吸监测模型和均值平滑模块，首先，通过数据处理模块获取穿戴于人体的惯性传感器的加速度计数据和陀螺仪数据，并对两种数据进行处理，处理过程中增强惯性传感器的各数据的特征，获得加速度模态数据、角速度模态数据和欧拉角模态数据；其次，通过呼吸监测模型的相应处理支路2的卷积滤波器对每种模态数据进行卷积滤波处理，以实现从多模态数据的多角度滤波，避免呼吸监测模型过拟合和缺乏泛化性，处理总路1设有的卷积滤波器对各模态数据的滤波结果进行叠加得到的多模态呼吸特征进行卷积滤波处理，得到关联性呼吸特征，基于关联性呼吸特征生成呼吸波形，提高模型精确度；最后，通过均值平滑模块获得优化的呼吸波形。
[0037]
进一步的，各处理支路2和处理总路1设有的卷积滤波器以多个卷积网络为基础进行卷积滤波，增强滤波能力，利用多头自注意力机制层增强呼吸波形的全局感受野。
[0038]
在对本发明的实施例进行具体介绍之前，先对其中使用到的部分术语作如下解释：
[0039]
高维特征：是指包含了许多与呼吸监测模型学习任务无关的特征(如存在许多仅有微弱相关度的特征)，许多与呼吸监测模型学习任务冗余的特征(如特征相互之间存在强烈的相关度)以及噪声数据等特征。如本发明的各模态数据的原始特征以及卷积滤波器对各模态数据进行卷积滤波输出的结果均为高维特征。
[0040]
低维特征：是指对高维特征进行降维(剔除对呼吸监测模型学习任务无关的特征和部分冗余的特征)获得的特征。如本发明通过对各模态数据的原始特征进行下采样从而达到对原始特征的降维，获得的特征为低维特征。
[0041]
为了更好地理解本发明，下面结合具体的实施例针对呼吸监测模型的各部分结构进行详细说明。
[0042]
根据本发明的一个实施例，提供一种呼吸监测模型，参见图2，其结构包括处理总路1和三个处理支路2，各处理支路2和处理总路1均设有卷积滤波器。三个处理支路2的输出端通过级联的方式将输出结果进行叠加并输入到处理总路1的输入端。而形如三个处理支路2的输入部分，箭头上的(n，3，256)的数组中的各个数据表示输入相应数据时对应的批次数为n，通道数为3和长度为256。在处理支路2内的其中一个箭头尾部为(n，8，256)的数组表示输出相应数据时对应的批次数为n，通道数为8和长度为256，头部为(n，8，128)的数组表示输入相应数据时对应的批次数为n，通道数为8和长度为128。
[0043]
根据本发明的一个实施例，呼吸监测模型被配置为：将基于惯性传感器数据得到的多模态数据中的各模态数据分别输入到对应的处理支路2进行卷积滤波，得到各模态数据的滤波结果；以及将对各模态数据的滤波结果进行叠加得到的多模态呼吸特征输入到处理总路1进行卷积滤波，得到关联性呼吸特征，基于关联性呼吸特征生成呼吸波形。
[0044]
根据本发明的一个实施例，处理总路1和多个处理支路2中的每个卷积滤波器中包括用于对输入的数据进行滤波的多个卷积网络、设置在相应卷积网络间的用于增强全局感受野的多头自注意力机制层以及设置在相应卷积网络间的下采样层和上采样层。参见图3，每个卷积滤波器的具体结构可以为：多个卷积网络包括均为一维卷积网络的第一卷积网络、第二卷积网络、第三卷积网络和第四卷积网络，第一卷积网络的输入端为卷积滤波器的输入端，第四卷积网络的输出端为卷积滤波器的输出端。其中，第一卷积网络与第四卷积网络间设有多头自注意力机制层，与第二卷积网络间设有下采样层，以及与第三卷积网络间设有下采样层；第二卷积网络与第四卷积网络间设有上采样层，与第三卷积网络间设有多头自注意力机制层；第三卷积网络与第四卷积网络间设有上采样层。
[0045]
根据本发明的一个实施例，卷积滤波器的下采样层用于对相应卷积网络对输入的数据进行滤波获得的结果进行下采样，获得低维特征；卷积滤波器的上采样层用于对相应卷积网络对输入的相应低维特征进行滤波获得的结果进行上采样，获得高维特征，其中，低维特征和高维特征分别利用多头自注意力机制层增强各自的全局感受野。
[0046]
根据本发明的一个实施例，下采样层采用使用最大池化策略，上采样层采用线性插值算法，其中，下采样层设置在相应卷积网络的输出端之后，使用最大池化策略，获得保留核心特征的低维特征，有助于复杂信号的特征抽象工作，其对相应卷积网络的输出结果选取区域最大值，有效的帮助卷积核进行时不变性的特征发现，增加鲁棒性。下采样层采用
的线性插值算法将低维特征展开，获得高维特征，线性插值算法具有低通滤波的性质，更聚焦于低维特征的核心特征，使得最后生成的呼吸波形更平滑。
[0047]
根据本发明的一个实施例，每个卷积网络包括多层结构，例如，参见图4，每个卷积网络包括依次连接的一维卷积层、标准化操作层、线性整流激活函数层(rectified linear unit，relu)、一维卷积层、标准化操作层和线性整流激活函数层。
[0048]
根据本发明的一个实施例，参见图5，多头自注意力机制层包括h个自注意力头(attentioni)和一个全连接层，通过将全部自注意力头的输出端级联起来，与全连接层的输入端连接形成的多头自注意力机制，其原理如下：
[0049]
每个自注意力头对输入的特征f进行线性变换，将h个自注意力头进行特征的注意力加权，获得每个自注意力头的处理结果head。
[0050]
如第i个自注意力层对输入的特征f进行线性变换，得到
[0051]
索引：为对应的权重矩阵，为对应的偏置矩阵；
[0052]
键：为对应的权重矩阵，为对应的偏置矩阵；
[0053]
值：为对应的权重矩阵，为对应的偏置矩阵；
[0054]
将h个自注意力头进行特征的注意力加权，获得每个自注意力头的处理结果headi＝attention(qi，ki，vi)，如下：
[0055][0056]
其中，为输入键ki的维度，为vi的注意力权重矩阵，系数用于对注意力权重矩阵进行标准化，最后，通过softmax层对vi进行注意力加权。
[0057]
对h个自注意力头head的输出进行级联，并输入到全连接层进行处理，获得多头自注意力机制层的最终输出结果multihead(q，k，v)，如下：
[0058]
multihead(q，k，v)＝concat(head1，
…
，headh)wo+bo；
[0059]
其中，q表示h个自注意力头分别对特征进行线性变换获得的h个索引合并后的最终索引，k表示h个自注意力头分别对特征进行线性变换获得的h个键合并后的最终键，v表示h个自注意力头分别对特征进行线性变换获得的h个值合并后的最终值，concat表示将head1，...，headh合并为一个字符串，wo是每个自注意力头进行线性变换的相应的权重矩阵，bo是每个自注意力头进行线性变换的相应的偏置矩阵。
[0060]
卷积滤波器的多头自注意力机制层具备全局分析能力，如针对呼吸周期长、特征微弱的特点，进行对长序列的全局时序相关性分析，以弥补具有多个卷积网络的结构过于关注于局部特征而缺乏全局感受野的缺陷。并且具有多个卷积网络的结构也可弥补多头自注意力机制层适合高语义的序列特征处理，对低语义的多模态数据处理效果不佳的缺陷，提供更好的滤波能力。利用多个卷积网络实现对低语义的多模态数据进行滤波，获得高语义的序列特征，并利用多头自注意力机制层进行全局的时序关联性特征信号发现，增强全局感受野。
[0061]
根据本发明的一个实施例，卷积滤波器在对输入的数据进行滤波时，还包括通过使用极少量的卷积网络，结合下采样层和上采样层，实现对输入数据的多重编解码，再次避免模型过拟合和缺乏泛化性，增强滤波能力。优选的，卷积滤波器对输入的数据进行滤波包括以下方式：
[0062]
卷积滤波器将输入的数据依次通过第一卷积网络和多头自注意力机制层的处理，得到第一高维特征。
[0063]
进行多重编解码的第一个编解码过程为：卷积滤波器将输入的数据依次通过第一卷积网络、下采样层、第二卷积网络和上采样层的处理，得到第二高维特征。
[0064]
进行第二个编解码过程为：卷积滤波器将输入的数据依次通过第一卷积网络和下采样层的处理，得到第一低维特征；将输入的数据依次通过第一卷积网络、下采样层、第二卷积网络、多头自注意力机制层的处理，得到第二低维特征；将对第一低维特征和第二低维特征进行叠加后依次通过第三卷积网络和上采样层的处理，得到第三高维特征。
[0065]
卷积滤波器将以上获得的第一高维特征、第二高维特征和第三高维特征进行叠加后通过第四卷积网络的处理，得到滤波结果。
[0066]
根据本发明的一个实施例，参见图6，呼吸监测模型的每个处理支路2设有一个卷积滤波器，处理总路1设有两个卷积滤波器，且两个卷积滤波器按照纵向堆叠连接的方式进行连接。其中，纵向堆叠连接的第一卷积滤波器和第二卷积滤波器的连接方式参见图7，包括第一卷积滤波器的第二卷积网络的输出端与第二卷积滤波器的输入端连接，第二卷积滤波器的输出端与第一卷积滤波器的第三卷积网络的输入端连接。通过该纵向堆叠连接的方式，增加下采样层的数量和上采样层的数量，可以实现更深度的编解码。
[0067]
根据本发明的另一个实施例，处理总路1的两卷积滤波器也可按照横向堆叠连接的方式进行连接，参见图8，即第一卷积滤波器和第二卷积滤波器的连接方式包括第一卷积滤波器的输出端与第二卷积滤波器的输入端相互连接。横向堆叠连接可增加对特征的拟合次数，实现对特征更好的拟合。
[0068]
根据本发明的另一个实施例，卷积滤波器具有较好的模块化特性和可扩展性能，可以根据任务需要进行纵向堆叠连接和横向堆叠连接。可将呼吸监测模型的处理支路2设置为一个卷积滤波器，或者设置纵向堆叠连接和/或横向堆叠连接的多个卷积滤波器，处理总路1也可设置为一个卷积滤波器，或者设置纵向堆叠连接和/或横向堆叠连接的多个卷积滤波器。
[0069]
根据本发明的另一个实施例，在处理支路2或者处理总路1中设置有多个卷积滤波器时，其中，多个卷积滤波器中的任意两个卷积滤波器按照纵向堆叠连接或者横向堆叠连接的方式连接，如处理总路1设置有三个卷积滤波器，则第一个卷积滤波器与第二个卷积滤波器进行纵向堆叠连接，第二个卷积滤波器与第三个卷积滤波器进行横向堆叠连接；或者三个卷积滤波器间均为横向堆叠连接；或均为纵向堆叠连接。
[0070]
根据本发明的一个实施例，呼吸监测模型的三个处理支路2分别对基于对惯性传感器的数据进行处理得到的加速度模态数据、角速度模态数据和欧拉角模态数据进行卷积滤波。对多模态数据进行的呼吸特征的多角度发现，以避免呼吸监测模型难以提取过于微弱的特征，出现过拟合和缺乏泛化性，同时增强呼吸监测模型的滤波能力。
[0071]
根据本发明的一个实施例，为保证呼吸监测模型的精确度，需通过大量的样本数
据对其进行训练。根据本发明的一个实施例，样本可以通过以下方式获得：
[0072]
在获取各模态数据和采集标准呼吸波形时会将每一数据帧标注上时间戳，将标准呼吸波形和各模态数据进行时间和数据帧数对齐后分割为一定时间窗口大小(例如256个数据帧)的数据片段，获得训练集。相应时间窗口对应的标准呼吸波形作为样本的标签，相应时间窗口对应的各模态数据作为样本的输入数据。其中，每个样本包括256组如下的输入数据：
[0073]
(a
x
，ay，az，g
x
，gy，gz，a
′
x
，a
′y，a
′z)，其中，每组数据对应x轴，y轴，z轴三个通道的在相应时刻的加速度模态数据：a
x
，ay，az；x轴，y轴，z轴三个通道的在相应时刻的角速度模态数据：g
x
，gy，gz；在相应时刻的欧拉角模态数据：a
′
x
，a
′y，a
′z。
[0074]
根据本发明的一个实施例，在获得训练集后，通过该训练集训练呼吸监测模型，同时调整该模型的参数，使最后获得的呼吸监测模型能输出更准确的呼吸波形，通过提供一种利用上述获得的训练集训练呼吸监测模型的方法，获得更优的呼吸监测模型，该方法包括按照以下步骤a1、a2、a3和a4，对呼吸监测模型进行多次迭代训练：
[0075]
步骤a1：获取训练集，其中，训练集中的样本的输入数据为相应时间窗口对应的基于惯性传感器的数据得到的多模态数据中的各模态数据，样本的标签为相应时间窗口对应的标准呼吸波形。
[0076]
步骤a2：利用训练集训练呼吸监测模型对输入数据进行卷积滤波，生成呼吸波形。
[0077]
步骤a3：基于生成的呼吸波形和标准呼吸波形的差异，计算总损失值。
[0078]
在本发明的一些实施例中，总损失值为基于生成的呼吸波形和标准呼吸波形计算的胡伯损失和l2正则化项计算获得，将胡伯损失和余弦距离进行组合，胡伯损失有助于离群点的拟合并防止梯度爆炸，余弦距离有助于整体波形特征的拟合。同时为避免模型出现过拟合，可使用l2正则化项。计算方式如下：
[0079][0080]
其中，n为样本总量，zi为第i个样本的胡伯损失，等于xi是基于第i个样本生成的呼吸波形，yi是第i个样本的标签，||xi||2表示xi的2范数，||yi||2表示yi的2范数，max(||xi||2·
||yi||2，∈)表示取||xi||2·
||yi||2和∈中的最大值作为分母，∈为标量值且等于1e-8，以防止分母为0的情况，α是l2正则化项的参数，ω是l2正则化项。
[0081]
步骤a4：基于总损失值更新呼吸监测模型参数，获得经训练的呼吸监测模型。直至达到预设的迭代次数或其总损失值在预设范围内，停止更新参数，获得训练好的呼吸监测模型。
[0082]
通过上述对呼吸监测模型的训练，最终获得的训练好的呼吸监测模型，可以用于呼吸监测。根据本发明的一个实施例，提供一种基于惯性传感器采集的数据进行呼吸监测的系统，包括数据处理模块、训练好的呼吸监测模型和均值平滑模块，下面结合具体的实施例对系统各部分进行详细说明。
[0083]
根据本发明的一个实施例，数据处理模块，用于基于可穿戴设备中惯性传感器采
集的数据，得到加速度模态数据、角速度模态数据以及欧拉角模态数据。
[0084]
根据本发明的一个实施例，将可穿戴设备穿戴于人体上，获取可穿戴设备中惯性传感器的加速度计数据和陀螺仪数据，对加速度计数据进行低通滤波和姿态解算，得到加速度模态数据，对陀螺仪数据进行低通滤波和姿态解算，得到角速度模态数据，以及通过姿态解算互补滤波算法对加速度模态数据和角速度模态数据进行处理，得到欧拉角模态数据。
[0085]
根据本发明的一个实施例，加速度计数据包括x轴，y轴，z轴三通道的加速度计数据，陀螺仪数据包括x轴，y轴，z轴三通道的陀螺仪数据。
[0086]
使用低通滤波器以最大呼吸频率的3-5倍作为截止频率，对三个通道上的加速度计数据进行低通滤波，获取低频率的加速度计数据，再进行姿态解算，获得x轴，y轴，z轴三通道的加速度方向，将该三通道的加速度方向作为加速度模态数据。
[0087]
使用低通滤波器以最大呼吸频率的3-5倍作为截止频率，对三个通道上的陀螺仪数据进行低通滤波，获取低频率的陀螺仪数据，在进行姿态解算，获得x轴，y轴，z轴三通道的角速度，将该三通道的角速度作为角速度模态数据。
[0088]
基于每个通道上的数据加速度方向和角速度，使用姿态解算互补滤波算法，如式(1)：
[0089]
anglei＝k1*(angle
i-1
+gyroi*dt)+k2*acceliꢀꢀꢀ
(1)；
[0090]
其中，k1为对应项(angle
i-1
+gyroi*dt)的权重系数，k2为对应项acceli的权重系数，且(k1+k2)＝1，anglei是第i时刻的欧拉角角度，acceli是第i时刻的加速度方向，gyroi是第i时刻的角速度。
[0091]
该公式(1)不断使用加速度方向对角速度的积分进行校准，以避免陀螺仪的传感器误差在积分中的不断积累，最终得到滤波后的欧拉角角度特征作为欧拉角模态数据，包括横滚角(roll)，俯仰角(pitch)，偏航角(yaw)。将加速度模态数据、角速度模态数据、欧拉角模态数据分别输入到呼吸监测模型的对应的处理支路2进行卷积滤波。
[0092]
基于上述训练方法训练的呼吸监测模型，用于对输入的欧拉角模态数据、加速度模态数据和角速度模态数据进行处理，生成呼吸波形。
[0093]
呼吸监测模型在对以上各模态数据进行卷积滤波后，生成的呼吸波形含有噪声数据，而呼吸波形是面向流数据的，具有连续性，因此，对呼吸监测模型生成的呼吸波形需要进行去噪处理，获得优化的呼吸波形。根据本发明的一个实施例，均值平滑模块，用于在每个时刻，取当前时刻所有候选点的均值作为该时刻呼吸波形最终的幅值，以对呼吸监测模型生成的涵盖幅值、曲率、频率变化的呼吸波形进行去噪处理，获得优化的呼吸波形。
[0094]
基于上述进行呼吸监测的系统，根据本发明的一个实施例，提供一种呼吸监测的方法，包括步骤b1、b2和b3：
[0095]
步骤b1：基于可穿戴设备中惯性传感器采集的数据，得到加速度模态数据、角速度模态数据以及欧拉角模态数据。
[0096]
步骤b2：利用上述训练呼吸监测模型的方法获得训练好的呼吸监测模型，对输入的欧拉角模态数据、加速度模态数据和角速度模态数据进行处理，生成呼吸波形。
[0097]
步骤b3：利用均值平滑模块对呼吸波形进行优化，获得滑动感受野更平滑的呼吸波形。
[0098]
图9示出了本发明呼吸监测模型输出的呼吸波形和专业呼吸监测仪的真实呼吸波形对比结果，纵坐标代表呼吸波形的振幅，横坐标代表对应的时间，呼吸监测模型输出的呼吸波形和真实呼吸波形在相同时间下，两者的呼吸波形振幅相同或相近，整体的呼吸波形曲率大部分相似。
[0099]
需要说明的是，虽然上文按照特定顺序描述了各个步骤，但是并不意味着必须按照上述特定顺序来执行各个步骤，实际上，这些步骤中的一些可以并发执行，甚至改变顺序，只要能够实现所需要的功能即可。
[0100]
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
[0101]
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以包括但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。
[0102]
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。