一种建立心跳冲击波形态特征库的方法
【专利摘要】本发明提供一种建立心跳冲击波形态特征库的方法，包括：选择并添加标准样本向量；通过机器学习的方式添加新特征向量；修正边缘数据。优选地，所述选择并添加标准样本向量的步骤包括：通过测量床铺震动采集人心跳冲击波信息；从所述采集到的心跳冲击波信息中选择样本波形；为所述样本波形选择特征点；将所述样本波形转化为样本向量；将所述样本向量添加到所述心跳冲击波形态特征库。如上所述，本发明的建立心跳冲击波形态特征库的方法，具有以下有益效果：通过机器学习的方式建立心跳冲击波形态特征库，效率高，准确性好。并且根据优选的方式，波形的样本向量和特征向量简单，计算量小。
【专利说明】一种建立心跳冲击波形态特征库的方法
【技术领域】
[0001]本发明涉及一种建立心跳冲击波形态特征库的方法，特别是涉及一种利用机器学习的方式建立心跳冲击波形态特征库的方法。
【背景技术】
[0002]医学、健康学等等诸多领域广泛需要测量人体心跳特征，一种测量人体心跳特征的方式是人躺在床上静止后，用震动传感器采集人心脏跳动时对床产生的震动数据从而得到人体心跳特征(下称心跳冲击波形态特征)，这种方式虽然方便且对被测试者影响小，但采集的数据会因为受到多种因素的影响而精确性较差。影响的因素包括但不限于:人躺在床上的姿势、床周围有人走过等等。所以用这种方法采集的心跳冲击波形态特征数据需要经过筛选或者修正。目前对这种通过测量床铺震动得到的心跳冲击波形态特征数据进行筛选或者修正的方式为先建立心跳冲击波形态特征库，然后将测量得到的心跳冲击波形态特征数据与库中的数据进行比较，如果测量得到的数据与库中数据的差距大于预设门限，则舍弃该数据。这种方法的核心是要建立高质量的心跳冲击波形态特征库。但目前建立这类心跳冲击波形态特征库的方法效率低、准确性差，并且计算量大。
【发明内容】
[0003]鉴于以上所述现有技术的缺点，本发明的目的在于提供一种建立心跳冲击波形态特征库的方法，用于解决现有技术建立跳冲击波形态特征库效率低、准确性差且计算量大的问题。
[0004]为实现上述目的及其他相关目的，本发明提供一种建立心跳冲击波形态特征库的方法，包括:选择并添加标准样本向量；通过机器学习的方式添加新特征向量；修正边缘数据。
[0005]优选地，所述选择并添加标准样本向量的步骤包括:通过测量床铺震动采集人心跳冲击波信息；从所述采集到的心跳冲击波信息中选择样本波形；为所述样本波形选择特征点；将所述样本波形转化为样本向量；将所述样本向量添加到所述心跳冲击波形态特征库。
[0006]如上所述，本发明的建立心跳冲击波形态特征库的方法，具有以下有益效果:通过机器学习的方式建立心跳冲击波形态特征库，效率高，准确性好。并且根据优选的方式，波形的样本向量和特征向量简单，计算量小。
【专利附图】
【附图说明】
[0007]图1显示为本发明的建立心跳冲击波形态特征库方法的流程图；
[0008]图2显示为被测量者静止平卧在床铺上时测得的床铺震动波形图；
[0009]图3显示为根据本发明的建立心跳冲击波形态特征库方法的一个实施例生成的特征向量映射到二维空间的效果图。
【具体实施方式】
[0010]以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的【具体实施方式】加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
[0011]请参阅附图。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0012]下面参阅图1，图1所示为本发明建立心跳冲击波形态特征库的方法的流程图。本发明采用了机器学习的方法来建立心跳冲击波形态特征库，大致可以分为三步，以步骤SI?S3表示，下面对各步骤作详细介绍。
[0013]步骤SI表示选择并添加标准样本。选择或添加标准样本可以是人工完成，也可以是直接使用其它途径获得的数据。本例中，采用人工选择并添加的方式，具体的方式为:让待测人平静的躺在床上，记录传感器收集到的心跳冲击波形态信号，分析得到每一次心跳的波形，将此波形转化成样本向量，选择最为标准的一组或多组样本向量作为标准样本。这就完成了平躺心跳冲击波形态标准样本的输入。
[0014]下面参阅图2-3说明本例中由心跳冲击波形得到样本向量的具体方法，为说明方便，这里仅举平卧为例。图2显示为人静止平卧在床铺上时，震动传感器测得的床铺震动数据，该数据中包含心跳冲击波形。首先选择波形中的特征点。本例中选取波形中的极大值点J和极小值K作为特征点。然后将特征点转换成样本向量，转换时，可以用表征特征点之前的位置或数学关系的量构造样本向量。本例仅为说明方便，采用的转换规则为:取a=J与K之间的距离，b=J与K两点连线的斜率，则二维向量(a，b)即为样本向量。实际使用时，为了使结果更具可信度，可取多维空间，例如:c=J与K横坐标方差、d=J与K的横坐标平方和……，则可得到多维样本向量记为(a，b，c，d，……)。
[0015]同理，根据上述方法，可完成坐起，左/右侧躺的样本的输入，为了简化说明，本例中，仅输入平卧、坐起、左侧卧和右侧卧四种动作的样本输入，并且每个动作仅建立一个样本输入。本领域技术人员也可以根据需要依同样的方法分析其它动作，比如上床、下床等，对每一个动作也可以建立更多的样本输入。为增加数据精确性和今后对数据利用更方便，本例中，将被测量人员的身份信息和动作类别信息(即该震动波形是测量人的平卧、坐起、左侧卧和右侧卧或上床或下床中哪个动作得到)也一起添加进心跳冲击波形态特征库。这样，今后如果需要利用该心跳冲击波形态特征库时，比如，需要筛选该人员某个动作的心跳数据时，就可以将建立该特征库时该人员的该动作类别的心跳冲击波形态特征分离出来，进一步增加筛选准确性。图3中，阴影的点从左至右、从上到下分别表示平卧、坐起、左侧卧和右侧卧四种动作类别下的样本向量在二维空间中的映射。
[0016]需要说明的是，根据实际需要，上述方法中，本领域技术人员可以采用其它方式选择特征点，或采用其它方式将波形转化为样本向量。例如但不限于:对应图2波形，仅选取更多或更少的特征点，相应采用其它多项式函数生成样本向量；或者采用傅里叶变换、小波变换等方式将波形转化成特征向量。
[0017]由于不同人躺在床上，所产生的心跳冲击波形态不会完全相同，对此，可以为每一个人搭建一个样本库，然后将每个人的样本库再归纳到整个大的心跳冲击波形态特征库里。从而能够更加准确的识别到不同人的心跳冲击波形态。
[0018]步骤S2表示通过机器学习的方式加入新特征向量。机器学习(MachineLearning)就是利用计算机采用归纳、综合的方式，模拟或实现人类的学习行为，重新组织已有的知识结构使之不断改善自身的性能。机器学习时，对于新采集到的波形，利用计算将其与样本波形也转化成特征向量。得到该波形的特征向量后，将该向量映射到图3所示的二维空间里，然后查看新特征向量离哪一块区域的样本向量最近，则认为是该区域所代表的动作产生的心冲击波形态信号。然后再计算该特征向量与该区域样本向量的相似度，如果相似度高于某个门限值，则将该特征向量加入心跳冲击波形态特征库。
[0019]本例中，为简化说明，仅对平卧、坐起、左侧卧和右侧卧四种动作各建立了一个样本输入。对于新采集到的心跳冲击波波形，将其上与样本波形上J、K对应的点作为特征点，并依据步骤Si中同样的方式将新采集到的心跳冲击波波形转化为特征向量。判断特征向量与样本向量的相似度时，本例采用向量距离的方式，计算特征向量与样本方向的距离(如样本向量为多个，则可以计算平均距离、特征向量与位于中心的样本向量或位于边缘的样本向量的距离等)，如果向量距离小于某门限值，表示相似度高，则认为将该新特征向量加入心跳冲击波形态特征库。依次类推，便可以通过机器学习方式，不停壮大特征库里面的样本。优选地，本例中，通过机器学习的方式加入新特征向量时，也将被测者身份信息和动作类别信息添加进心跳冲击波形态特征库中。
[0020]更优选地，在步骤S2中，可以设置机器在不同的时间段按不同的方式学习，比如，在O?时间段，只计算新特征向量与其所在区域中的那个样本向量的距离，如果距离小于门限值T1,则将该新特征向量加入心跳冲击波形态特征库；而在?t2时间段，则将O?
时间段内新加入的特征向量也视为样本向量，?t2时间段内新采集的特征向量需要计算与其所在区域内所有的样本向量的平均距离，如果该平均距离小于门限T2，则将新特征向量加入心跳冲击波形态特征库，以此类推。根据本实施例，机器学习了一段时间后，心跳冲击波形态特征库中的特征向量和样本向量在二维空间中的映射效果如图3所示。
[0021]更优选地,步骤2中，可以使用支持向量机(Support Vector Machine,简称SVM)学习方式:首先对样本向量的每个纬度值设置权重；然后使用若干样本向量数据测试并调整每个向量的权重；最后使用SVM判断新特征向量应当属于哪个区域(比如平卧、坐起、左侧卧和右侧卧中哪类震动数据)或是否应当被舍弃。
[0022]步骤S3表示修正边缘数据。这里的边缘数据，是指某个信号处于图3所示四个区域中区域与区域交界处的数据。因为在机器学习阶段难免会出现一些模棱两可的心冲击波形态信号，有可能即属于平躺时的心冲击波形态信号，又可能属于坐立时的心冲击波形态信号，那在机器学习过程中就无法正确的划分到正确样本库里，于是需要按照实际情况对这些数据进行修正。修正可以采用多种方式，可以直接舍弃，或者采用门限判别，也可以人工识别等等。本例中，采用人工识别的方式，在前期可能需要人工参与的成份比较多，随着后期样本库的增多，判断越来越精确，人参与的成份便会迅速减少。
[0023]通过步骤SI?S3，即完成了心跳冲击波形态特征库的建立。
[0024]综上所述，本发明通过机器学习的方式建立心跳冲击波形态特征库，效率高，准确性好。并且根据优选的方式，波形的样本向量和特征向量简单，计算量小。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
[0025]上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属【技术领域】中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
【权利要求】
1.一种建立心跳冲击波形态特征库的方法，其特征在于，包括: 选择并添加标准样本向量； 通过机器学习的方式添加新特征向量； 修正边缘数据。
2.根据权利要求1所述的建立心跳冲击波形态特征库的方法，其特征在于，所述选择并添加标准样本向量的步骤包括: 通过测量床铺震动采集人心跳冲击波信息； 从所述采集到的心跳冲击波信息中选择样本波形； 为所述样本波形选择特征点； 根据所述特征点间的位置关系或数学关系生成样本向量； 将所述样本向量添加到所述心跳冲击波形态特征库。
3.根据权利要求2所述的建立心跳冲击波形态特征库的方法，其特征在于，所述通过机器学习的方式添加新特征向量的步骤包括: 将新采集到的心跳冲击波形转化为特征向量； 判断所述特征向量与所述样本向量的相似度，如果所述相似度高于预设门限，则将所述特征向量添加到所述心跳冲击波形态特征库；否则舍弃所述特征向量。
4.根据权利要求2所述的建立心跳冲击波形态特征库的方法，其特征在于，所述通过机器学习的方式添加新特征向量的步骤中，使用SVM添加新特征向量。
5.根据权利要求2所述的建立心跳冲击波形态特征库的方法，其特征在于，根据所述特征点间的位置关系或数学关系生成样本向量的步骤包括: 将所述特征点之间的距离作为所述样本向量的第一维度值； 将所述特征点连线的斜率作为所述样本向量的第二维度值。
6.根据权利要求3所述的建立心跳冲击波形态特征库的方法，其特征在于，所述相似度以所述特征向量与所述样本向量的距离表示。
7.根据权利要求5所述的建立心跳冲击波形态特征库的方法，其特征在于，所述样本向量为大于维的多维向量，所述样本向量的第三维度值为所述特征点横/纵坐标方差；所述样本向量的第三维度值为所述特征点横/纵坐标平方和。
8.根据权利要求6所述的建立心跳冲击波形态特征库的方法，其特征在于，所述选择并添加标准样本向量的步骤中，所述样本向量至少包括两个。
9.根据权利要求2所述的建立心跳冲击波形态特征库的方法，其特征在于，所述通过测量床铺震动采集人心跳冲击波信息的步骤中，包括采集人静止平卧在床上、静止坐起在床上、静止左侧卧在床上、静止右侧卧在床上时的心跳冲击波信息和人上、下床时床铺的震动信息。
10.根据权利要求1-9中任何一项所述的建立心跳冲击波形态特征库的方法，其特征在于，所述选择并添加标准样本向量和所述通过机器学习的方式添加新特征向量的步骤中，还包括将被测者的身份信息及被测者动作类别信息添加进所述心跳冲击波形态特征库中。
【文档编号】G06F17/30GK104346369SQ201310327012
【公开日】2015年2月11日 申请日期:2013年7月30日 优先权日:2013年7月30日
【发明者】李超 申请人:上海宽带技术及应用工程研究中心