一种台式健康监测仪的制作方法

1.本技术涉及智慧医疗领域，且更为具体的涉及一种台式健康监测仪。


背景技术：

2.随着社会经济的发展和生活节奏的加快，身体的健康状态是越来越为人们所关注的。对自身的定期健康检查可以从中了解自身的健康状态，还能及时发现早期的疾病隐患，并配合医疗获得更好、更充分的治疗等。前往医院或者相关医疗机构进行身体体检是人们在日常生活最为多见的身体健康检查方式，也是获得较为专业和全面检查的途径之一。
3.目前，此类健康检查的方式带来的问题是排队时间、检查过程、等待结果的时间长，且收费高昂，同时需要医护人员时刻关注并参与身体检查工作，显然这不符合如今医患比例失调以及设备紧缺的现状。
4.因此，期待一种台式健康监测仪，其能够在少量医护人员的陪同或者在待监测个体自行操作之下，对待监测个体自身的人体健康状态进行监测。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种台式健康监测仪，其中，所述台式健康监测仪能够在少量医护人员的陪同或者在待监测个体自行操作之下，对待监测个体自身的人体健康状态进行监测与评估。具体地，使用卷积神经网络模型来提取血氧关联矩阵中的血糖和血压以及心电关联矩阵中的心率和脉搏在不同时空域中的高维局部隐含关联隐含特征以得到多尺度血氧特征矩阵和多尺度心电特征矩阵，再经融合得到的分类特征矩阵通过分类器以得到分类结果。这样，基于被监测个体的多项健康监测参数来进行健康状态评估，以提高健康状态评估的置信度和精准度。
6.根据本技术的一个方面，提供了一种台式健康监测仪，其包括：
7.监测单元，用于获取待监测人体在预定时间段内多个预定时间点的多项健康参数，所述多项健康参数包括血糖值、血压值、心率值和脉搏值；
8.数据构造单元，用于将所述待监测人体在预定时间段内多个预定时间点的多项健康参数分别按照时间维度排列为输入向量以得到血糖向量、血压向量、心率向量和脉搏向量；
9.关联单元，用于构造所述血糖向量和血压向量之间的血氧关联矩阵以及构造所述心率向量和脉搏向量之间的心电关联矩阵；
10.多尺度卷积编码单元，用于将所述血氧关联矩阵和所述心电关联矩阵分别通过具有多尺度卷积结构的卷积神经网络模型以得到多尺度血氧特征矩阵和多尺度心电特征矩阵；
11.特征融合单元，用于融合所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵以得到分类特征矩阵；以及
12.监测结果生成单元，用于将所述分类特征矩阵通过分类器以得到分类结果，所述
分类结果用于表示待监测人体的健康状况是否正常。
13.在上述台式健康监测仪中，所述关联单元，包括：第一关联子单元，用于计算所述血糖向量的转置向量与所述血压向量之间的乘积以得到所述血氧关联矩阵；以及，第二关联子单元，用于计算所述心率向量的转置向量和所述脉搏向量之间的乘积以得到所述心电关联矩阵。
14.在上述台式健康监测仪中，所述多尺度卷积编码单元，包括：血氧关联特征提取子单元，用于使用所述卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：使用所述多尺度卷积结构的第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；使用所述多尺度卷积结构的第二卷积核对所述输入数据进行卷积处理以得到第二卷积特征图；使用所述多尺度卷积结构的第三卷积核对所述输入数据进行卷积处理以得到第三卷积特征图；使用所述多尺度卷积结构的第四卷积核对所述输入数据进行卷积处理以得到第四卷积特征图；将所述第一卷积特征图、所述第二卷积特征图、所述第三卷积特征图和所述第四卷积特征图进行级联以得到多尺度卷积特征图；对所述多尺度卷积特征图进行池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活处理以得到激活特征图；其中，所述卷积神经网络模型的最后一层输出的所述激活特征图为所述多尺度血氧特征矩阵；其中，所述第一卷积核的尺寸为7
×
7,所述第二卷积核的尺寸为5
×
5,所述第三卷积核的尺寸为3
×
3，所述第四卷积核的尺寸为1
×
1。
15.在上述台式健康监测仪中，所述多尺度卷积编码单元，还包括：心电关联特征提取子单元，用于使用所述卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：使用所述多尺度卷积结构的第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；使用所述多尺度卷积结构的第二卷积核对所述输入数据进行卷积处理以得到第二卷积特征图；使用所述多尺度卷积结构的第三卷积核对所述输入数据进行卷积处理以得到第三卷积特征图；使用所述多尺度卷积结构的第四卷积核对所述输入数据进行卷积处理以得到第四卷积特征图；将所述第一卷积特征图、所述第二卷积特征图、所述第三卷积特征图和所述第四卷积特征图进行级联以得到多尺度卷积特征图；对所述多尺度卷积特征图进行池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活处理以得到激活特征图；其中，所述卷积神经网络模型的最后一层输出的所述激活特征图为所述多尺度心电特征矩阵；其中，所述第一卷积核的尺寸为7
×
7,所述第二卷积核的尺寸为5
×
5,所述第三卷积核的尺寸为3
×
3，所述第四卷积核的尺寸为1
×
1。
16.在上述台式健康监测仪中，所述特征融合单元，进一步用于：以如下公式来融合所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵以得到分类特征矩阵；其中，所述公式为：
[0017][0018]
其中，mc为所述分类特征矩阵，ma为所述多尺度血氧特征矩阵，mb为所述多尺度心电特征矩阵，表示所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵相对应位置处的元素相加，α和β为用于控制所述分类特征矩阵中所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵之间的平衡的加权参数。
[0019]
在上述台式健康监测仪中，所述监测结果生成单元，进一步用于：使用所述分类器以如下公式对所述分类特征矩阵进行处理以得到所述分类结果；其中，所述公式为：
[0020]
softmax{(wn,bn):
…
:(w1,b1)|project(m)}
[0021]
其中project(m)表示将所述分类特征矩阵投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置向量。
[0022]
在上述台式健康监测仪中，还包括用于对所述具有多尺度卷积结构的卷积神经网络模型和所述分类器进行训练的训练模块。
[0023]
在上述台式健康监测仪中，所述训练模块，包括：训练监测单元，用于获取训练数据，所述训练数据包括待监测人体在预定时间段内多个预定时间点的多项训练健康参数，以及，所述待监测人体的健康状况是否正常的真实值，其中，所述多项训练健康参数包括训练血糖值、训练血压值、训练心率值和训练脉搏值；训练数据构造单元，用于将所述待监测人体在预定时间段内多个预定时间点的多项训练健康参数分别按照时间维度排列为输入向量以得到训练血糖向量、训练血压向量、训练心率向量和训练脉搏向量；训练关联单元，用于构造所述训练血糖向量和训练血压向量之间的训练血氧关联矩阵以及构造所述训练心率向量和训练脉搏向量之间的训练心电关联矩阵；训练多尺度卷积编码单元，用于将所述训练血氧关联矩阵和所述训练心电关联矩阵分别通过具有多尺度卷积结构的卷积神经网络模型以得到训练多尺度血氧特征矩阵和训练多尺度心电特征矩阵；训练特征融合单元，用于融合所述训练多尺度血氧特征矩阵和所述训练多尺度心电特征矩阵以得到训练分类特征矩阵；分类损失单元，用于将所述训练分类特征矩阵通过分类器以得到分类损失函数值；一致性规则内在化学习损失单元，用于将所述训练多尺度血氧特征矩阵和所述训练多尺度心电特征矩阵分别展开为训练多尺度血氧特征向量和训练多尺度心电特征向量，并计算所述训练多尺度血氧特征向量和所述训练多尺度心电特征向量之间的序列对序列一致性规则内在化学习损失函数值；以及，训练单元，用于计算所述分类损失函数值和所述一致性规则内在化学习损失函数值的加权和作为损失函数值来对所述具有多尺度卷积结构的卷积神经网络模型和所述分类器进行训练。
[0024]
在上述台式健康监测仪中，所述一致性规则内在化学习损失单元，进一步用于：以如下公式计算计算所述训练多尺度血氧特征向量和所述训练多尺度心电特征向量之间的序列对序列一致性规则内在化学习损失函数值；其中，所述公式为：
[0025][0026][0027][0028]
其中，v1是所述训练多尺度血氧特征向量，v2是所述训练多尺度心电特征向量，且w1和w2分别是分类器对于v1和v2的权重矩阵。
[0029]
根据本技术的另一方面，还提供了一种台式健康监测方法，其包括：
[0030]
获取待监测人体在预定时间段内多个预定时间点的多项健康参数，所述多项健康参数包括血糖值、血压值、心率值和脉搏值；
[0031]
将所述待监测人体在预定时间段内多个预定时间点的多项健康参数分别按照时间维度排列为输入向量以得到血糖向量、血压向量、心率向量和脉搏向量；
[0032]
构造所述血糖向量和血压向量之间的血氧关联矩阵以及构造所述心率向量和脉搏向量之间的心电关联矩阵；
[0033]
将所述血氧关联矩阵和所述心电关联矩阵分别通过具有多尺度卷积结构的卷积神经网络模型以得到多尺度血氧特征矩阵和多尺度心电特征矩阵；
[0034]
融合所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵以得到分类特征矩阵；以及
[0035]
将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测人体的健康状况是否正常。
[0036]
在上述台式健康监测方法中，所述构造所述血糖向量和血压向量之间的血氧关联矩阵以及构造所述心率向量和脉搏向量之间的心电关联矩阵，包括：计算所述血糖向量的转置向量与所述血压向量之间的乘积以得到所述血氧关联矩阵；以及，计算所述心率向量的转置向量和所述脉搏向量之间的乘积以得到所述心电关联矩阵。
[0037]
在上述台式健康监测方法中，所述将所述血氧关联矩阵和所述心电关联矩阵分别通过具有多尺度卷积结构的卷积神经网络模型以得到多尺度血氧特征矩阵和多尺度心电特征矩阵，包括：使用所述卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：使用所述多尺度卷积结构的第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；使用所述多尺度卷积结构的第二卷积核对所述输入数据进行卷积处理以得到第二卷积特征图；使用所述多尺度卷积结构的第三卷积核对所述输入数据进行卷积处理以得到第三卷积特征图；使用所述多尺度卷积结构的第四卷积核对所述输入数据进行卷积处理以得到第四卷积特征图；将所述第一卷积特征图、所述第二卷积特征图、所述第三卷积特征图和所述第四卷积特征图进行级联以得到多尺度卷积特征图；对所述多尺度卷积特征图进行池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活处理以得到激活特征图；其中，所述卷积神经网络模型的最后一层输出的所述激活特征图为所述多尺度血氧特征矩阵；其中，所述第一卷积核的尺寸为7
×
7,所述第二卷积核的尺寸为5
×
5, 所述第三卷积核的尺寸为3
×
3，所述第四卷积核的尺寸为1
×
1。
[0038]
在上述台式健康监测方法中，所述将所述血氧关联矩阵和所述心电关联矩阵分别通过具有多尺度卷积结构的卷积神经网络模型以得到多尺度血氧特征矩阵和多尺度心电特征矩阵，还包括：使用所述卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：使用所述多尺度卷积结构的第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；使用所述多尺度卷积结构的第二卷积核对所述输入数据进行卷积处理以得到第二卷积特征图；使用所述多尺度卷积结构的第三卷积核对所述输入数据进行卷积处理以得到第三卷积特征图；使用所述多尺度卷积结构的第四卷积核对所述输入数据进行卷积处理以得到第四卷积特征图；将所述第一卷积特征图、所述第二卷积特征图、所述第三卷积特征图和所述第四卷积特征图进行级联以得到多尺度卷积特征图；对所述多尺度卷积特征图进行池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活处理以得到激活特征图；其中，所述卷积神经网络模型的最后一层输出的所述激活特征图为所述多尺度心电特征矩阵；其中，所述第一卷积核的尺寸为7
×
7,所述第二卷积核的尺寸为 5
×
5,所述第三卷积核的尺寸为3
×
3，所述第四卷积核的尺寸为1
×
1。
[0039]
在上述台式健康监测方法中，所述融合所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵以得到分类特征矩阵，包括：以如下公式来融合所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵以得到分类特征矩阵；其中，所述公式为：
[0040][0041]
其中，mc为所述分类特征矩阵，ma为所述多尺度血氧特征矩阵，mb为所述多尺度心电特征矩阵，表示所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵相对应位置处的元素相加，α和β为用于控制所述分类特征矩阵中所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵之间的平衡的加权参数。
[0042]
在上述台式健康监测方法中，所述将所述分类特征矩阵通过分类器以得到分类结果，包括：使用所述分类器以如下公式对所述分类特征矩阵进行处理以得到所述分类结果；其中，所述公式为：
[0043]
softmax{(wn,bn):
…
:(w1,b1)|project(m)}
[0044]
其中project(m)表示将所述分类特征矩阵投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置向量。
[0045]
在上述台式健康监测方法中，还包括对所述具有多尺度卷积结构的卷积神经网络模型和所述分类器进行训练。
[0046]
在上述台式健康监测方法中，所述对所述具有多尺度卷积结构的卷积神经网络模型和所述分类器进行训练，包括：获取训练数据，所述训练数据包括待监测人体在预定时间段内多个预定时间点的多项训练健康参数，以及，所述待监测人体的健康状况是否正常的真实值，其中，所述多项训练健康参数包括训练血糖值、训练血压值、训练心率值和训练脉搏值；将所述待监测人体在预定时间段内多个预定时间点的多项训练健康参数分别按照时间维度排列为输入向量以得到训练血糖向量、训练血压向量、训练心率向量和训练脉搏向量；构造所述训练血糖向量和训练血压向量之间的训练血氧关联矩阵以及构造所述训练心率向量和训练脉搏向量之间的训练心电关联矩阵；将所述训练血氧关联矩阵和所述训练心电关联矩阵分别通过具有多尺度卷积结构的卷积神经网络模型以得到训练多尺度血氧特征矩阵和训练多尺度心电特征矩阵；融合所述训练多尺度血氧特征矩阵和所述训练多尺度心电特征矩阵以得到训练分类特征矩阵；将所述训练分类特征矩阵通过分类器以得到分类损失函数值；将所述训练多尺度血氧特征矩阵和所述训练多尺度心电特征矩阵分别展开为训练多尺度血氧特征向量和训练多尺度心电特征向量，并计算所述训练多尺度血氧特征向量和所述训练多尺度心电特征向量之间的序列对序列一致性规则内在化学习损失函数值；以及，计算所述分类损失函数值和所述一致性规则内在化学习损失函数值的加权和作为损失函数值来对所述具有多尺度卷积结构的卷积神经网络模型和所述分类器进行训练。
[0047]
在上述台式健康监测方法中，所述将所述训练多尺度血氧特征矩阵和所述训练多尺度心电特征矩阵分别展开为训练多尺度血氧特征向量和训练多尺度心电特征向量，并计算所述训练多尺度血氧特征向量和所述训练多尺度心电特征向量之间的序列对序列一致性规则内在化学习损失函数值，包括：以如下公式计算计算所述训练多尺度血氧特征向量和所述训练多尺度心电特征向量之间的序列对序列一致性规则内在化学习损失函数值；其中，所述公式为：
[0048][0049]
[0050][0051]
其中，v1是所述训练多尺度血氧特征向量，v2是所述训练多尺度心电特征向量，且w1和w2分别是分类器对于v1和v2的权重矩阵。
[0052]
与现有技术相比，本技术提供的台式健康监测仪，其中，所述台式健康监测仪能够在少量医护人员的陪同或者在待监测个体自行操作之下，对待监测个体自身的人体健康状态进行监测与评估。具体地，使用卷积神经网络模型来提取血氧关联矩阵中的血糖和血压以及心电关联矩阵中的心率和脉搏在不同时空域中的高维局部隐含关联隐含特征以得到多尺度血氧特征矩阵和多尺度心电特征矩阵，再经融合得到的分类特征矩阵通过分类器以得到分类结果。这样，基于被监测个体的多项健康监测参数来进行健康状态评估，以提高健康状态评估的置信度和精准度。
附图说明
[0053]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0054]
图1为根据本技术实施例的台式健康监测仪的框图。
[0055]
图2为根据本技术实施例的台式健康监测仪的架构图。
[0056]
图3为根据本技术实施例的台式健康监测仪中多尺度卷积编码单元的框图。
[0057]
图4为根据本技术实施例的台式健康监测仪中训练模块的框图。
[0058]
图5为根据本技术实施例的台式健康监测方法的流程图。
具体实施方式
[0059]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0060]
申请概述
[0061]
相应地，在本技术的技术方案中，期待一种台式健康监测仪，其能够在少量医护人员的陪同或者在待监测个体自行操作之下，对待监测个体自身的人体健康状态进行监测与评估。
[0062]
本领域普通技术人员应知晓，现在有很多健康监测仪，其能够采集待监测个体的健康参数并基于所采集的健康参数进行健康状态评估，但现有的健康监测仪在进行健康状态评估时，往往基于预定判定规则来评估健康状态，例如，基于随机森林来对采集的健康参数进行处理以得到健康状态评估结果。但是，人体的各项健康参数之间存在复杂的非线性关联，这种非线性关联无法通过预定判断规则来逻辑演绎，导致对健康状态评估的精准度不高。
[0063]
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0064]
深度学习以及神经网络的发展为台式健康监测仪的健康状态评估提供了新的解决思路和方案。
[0065]
具体地，首先获得待监测人体在预定时间段内多个预定时间点的多项健康参数，所述多项健康参数包括血糖值、血压值、心率值和脉搏值。也就是，在本技术的技术方案中，所述台式健康监测仪能够基于被监测个体的多项健康监测参数来进行健康状态评估，以提高健康状态评估的置信度和精准度。
[0066]
接着，将所述待监测人体在预定时间段内多个预定时间点的多项健康参数分别按照时间维度排列为输入向量以得到血糖向量、血压向量、心率向量和脉搏向量。进而，构造所述血糖向量和血压向量之间的血氧关联矩阵以及构造所述心率向量和脉搏向量之间的心电关联矩阵。在本技术一个具体的示例中，以如下公式来构造所述血糖向量和血压向量之间的血氧关联矩阵以及所述心率向量和脉搏向量之间的心电关联矩阵：计算所述血糖向量的转置向量与所述血压向量之间的乘积以得到所述血氧关联矩阵；以及，计算所述心率向量的转置向量和所述脉搏向量之间的乘积以得到所述心电关联矩阵。也就是，在该具体示例中，建立血压和血糖之间的全时序空间关联以及心率和脉搏之间的全时序空间关联。
[0067]
接着，将所述血氧关联矩阵和所述心电关联矩阵分别通过具有多尺度卷积结构的卷积神经网络模型以得到多尺度血氧特征矩阵和多尺度心电特征矩阵。也就是，使用在局部特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来提取所述血氧关联矩阵中的血糖和血压在不同时空域中的高维局部隐含关联隐含特征和所述心电关联矩阵中的心率和脉搏在不同时空域中的高维局部隐含关联隐含特征。
[0068]
特别地，在本技术的技术方案中，考虑到血糖和血压在不同时空域下会呈现出不同的关联模式以及心率和脉搏在不同时空域下会呈现出不同的关联模式，因此，对所述卷积神经网络模型的各层结构进行改进。具体地，使用多尺度卷积结构替代传统的单尺度卷积结构来对所述血氧关联矩阵和所述心电关联矩阵进行多尺度卷积编码以得到所述多尺度血氧特征矩阵和多尺度心电特征矩阵。
[0069]
进而，融合所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵以得到分类特征矩阵。例如，在本技术一个具体的示例中，计算所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵之间的按位置加权和以得到包含血氧特征和心电特征的分类特征矩阵。然后，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测人体的健康状况是否正常。
[0070]
特别地，在本技术的技术方案中，虽然所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵分别表示不同的时序-空间分布维度上的特征关联值，但是仍然期望其对于原始参数沿时序维度下的分布的内在关联性特征表达具有一致性，以提高所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵的融合效果。
[0071]
因此，在本技术的技术方案中，将所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵分别展开为多尺度血氧特征向量和多尺度心电特征向量，从而以特征值序列的形式来表示其在跨时序-空间维度上的内在特征分布性，并计算所述多尺度血氧特征向量和所述多尺度心电特征向量之间的序列对序列一致性规则内在化学习损失函数，具体表示为：
[0072]
[0073][0074][0075]
其中，v1是所述多尺度血氧特征向量，v2是所述多尺度心电特征矩阵，且w1和w2分别是分类器对于v1和v2的权重矩阵。
[0076]
这里，所述序列对序列一致性规则内在化学习损失函数可以通过分类器对于不同序列的权重矩阵的压榨-激励式通道注意力机制，来获取序列之间的加强的区分性能力。这样，通过以此损失函数训练网络，就可以实现所述多尺度血氧特征向量和所述多尺度心电特征向量之间的具有更好区分性的关联特征的恢复，以对所述多尺度血氧特征向量和所述多尺度心电特征向量的特征分布之间的关联一致性进行内在化的学习。由此，增强了所述多尺度血氧特征向量和所述多尺度心电特征向量对原始参数沿时序维度下的分布的内在关联性特征表达的一致性，从而提高了所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵的融合效果。
[0077]
基于此，本技术提出了一种台式健康监测仪，其包括：监测单元，用于获取待监测人体在预定时间段内多个预定时间点的多项健康参数，所述多项健康参数包括血糖值、血压值、心率值和脉搏值；数据构造单元，用于将所述待监测人体在预定时间段内多个预定时间点的多项健康参数分别按照时间维度排列为输入向量以得到血糖向量、血压向量、心率向量和脉搏向量；关联单元，用于构造所述血糖向量和血压向量之间的血氧关联矩阵以及构造所述心率向量和脉搏向量之间的心电关联矩阵；多尺度卷积编码单元，用于将所述血氧关联矩阵和所述心电关联矩阵分别通过具有多尺度卷积结构的卷积神经网络模型以得到多尺度血氧特征矩阵和多尺度心电特征矩阵；特征融合单元，用于融合所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵以得到分类特征矩阵；以及，监测结果生成单元，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测人体的健康状况是否正常。
[0078]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0079]
示例性系统
[0080]
图1为根据本技术实施例的台式健康监测仪的框图。如图1所示，根据本技术实施例的台式健康监测仪100，包括：监测单元110，用于获取待监测人体在预定时间段内多个预定时间点的多项健康参数，所述多项健康参数包括血糖值、血压值、心率值和脉搏值；数据构造单元120，用于将所述待监测人体在预定时间段内多个预定时间点的多项健康参数分别按照时间维度排列为输入向量以得到血糖向量、血压向量、心率向量和脉搏向量；关联单元130，用于构造所述血糖向量和血压向量之间的血氧关联矩阵以及构造所述心率向量和脉搏向量之间的心电关联矩阵；多尺度卷积编码单元140，用于将所述血氧关联矩阵和所述心电关联矩阵分别通过具有多尺度卷积结构的卷积神经网络模型以得到多尺度血氧特征矩阵和多尺度心电特征矩阵；特征融合单元150，用于融合所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵以得到分类特征矩阵；以及，监测结果生成单元160，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测人体的健康状况是否正常。
[0081]
图2为根据本技术实施例的台式健康监测仪的架构图。如图2所示，在所述台式健康监测仪的架构中，首先，获取待监测人体在预定时间段内多个预定时间点的多项健康参数，所述多项健康参数包括血糖值、血压值、心率值和脉搏值。接着，将所述待监测人体在预定时间段内多个预定时间点的多项健康参数分别按照时间维度排列为输入向量以得到血糖向量、血压向量、心率向量和脉搏向量。然后，构造所述血糖向量和血压向量之间的血氧关联矩阵以及构造所述心率向量和脉搏向量之间的心电关联矩阵。进而，将所述血氧关联矩阵和所述心电关联矩阵分别通过具有多尺度卷积结构的卷积神经网络模型以得到多尺度血氧特征矩阵和多尺度心电特征矩阵。接着，融合所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵以得到分类特征矩阵。然后，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测人体的健康状况是否正常。
[0082]
在上述台式健康监测仪100中，所述监测单元110，用于获取待监测人体在预定时间段内多个预定时间点的多项健康参数，所述多项健康参数包括血糖值、血压值、心率值和脉搏值。在本技术的技术方案中，期待一种台式健康监测仪，其能够在少量医护人员的陪同或者在待监测个体自行操作之下，对待监测个体自身的人体健康状态进行监测与评估。
[0083]
本领域普通技术人员应知晓，现在有很多健康监测仪，其能够采集待监测个体的健康参数并基于所采集的健康参数进行健康状态评估，但现有的健康监测仪在进行健康状态评估时，往往基于预定判定规则来评估健康状态，例如，基于随机森林来对采集的健康参数进行处理以得到健康状态评估结果。但是，人体的各项健康参数之间存在复杂的非线性关联，这种非线性关联无法通过预定判断规则来逻辑演绎，导致对健康状态评估的精准度不高。
[0084]
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为台式健康监测仪的健康状态评估提供了新的解决思路和方案。
[0085]
具体地，首先获得待监测人体在预定时间段内多个预定时间点的多项健康参数，所述多项健康参数包括血糖值、血压值、心率值和脉搏值。也就是，在本技术的技术方案中，所述台式健康监测仪能够基于被监测个体的多项健康监测参数来进行健康状态评估，以提高健康状态评估的置信度和精准度。
[0086]
在上述台式健康监测仪100中，所述数据构造单元120，用于将所述待监测人体在预定时间段内多个预定时间点的多项健康参数分别按照时间维度排列为输入向量以得到血糖向量、血压向量、心率向量和脉搏向量。也就是，将多项健康参数按照时间维度排列为输入向量，以便于后续在卷积神经网络模型中对数据进行处理。
[0087]
在上述台式健康监测仪100中，所述关联单元130，用于构造所述血糖向量和血压向量之间的血氧关联矩阵以及构造所述心率向量和脉搏向量之间的心电关联矩阵。
[0088]
在本技术一个具体的示例中，以如下公式来构造所述血糖向量和血压向量之间的血氧关联矩阵以及所述心率向量和脉搏向量之间的心电关联矩阵：
[0089][0090]
[0091]
其中，表示所述血糖向量的转置向量，vb表示所述血压向量，m1表示所述血氧关联矩阵，表示所述心率向量的转置向量，vd表示所述脉搏向量，m2表示所述心电关联矩阵，表示矩阵相乘。
[0092]
也就是，计算所述血糖向量的转置向量与所述血压向量之间的乘积以得到所述血氧关联矩阵；以及，计算所述心率向量的转置向量和所述脉搏向量之间的乘积以得到所述心电关联矩阵。这里，在该具体示例中，建立血压和血糖之间的全时序空间关联以及心率和脉搏之间的全时序空间关联。
[0093]
更具体地，在本技术实施例中，所述关联单元130，包括：第一关联子单元，用于计算所述血糖向量的转置向量与所述血压向量之间的乘积以得到所述血氧关联矩阵；以及，第二关联子单元，用于计算所述心率向量的转置向量和所述脉搏向量之间的乘积以得到所述心电关联矩阵。
[0094]
在上述台式健康监测仪100中，所述多尺度卷积编码单元140，用于将所述血氧关联矩阵和所述心电关联矩阵分别通过具有多尺度卷积结构的卷积神经网络模型以得到多尺度血氧特征矩阵和多尺度心电特征矩阵。也就是，使用在局部特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来提取所述血氧关联矩阵中的血糖和血压在不同时空域中的高维局部隐含关联隐含特征和所述心电关联矩阵中的心率和脉搏在不同时空域中的高维局部隐含关联隐含特征。
[0095]
特别地，在本技术的技术方案中，考虑到血糖和血压在不同时空域下会呈现出不同的关联模式以及心率和脉搏在不同时空域下会呈现出不同的关联模式，因此，对所述卷积神经网络模型的各层结构进行改进。具体地，使用多尺度卷积结构替代传统的单尺度卷积结构来对所述血氧关联矩阵和所述心电关联矩阵进行多尺度卷积编码以得到所述多尺度血氧特征矩阵和多尺度心电特征矩阵。
[0096]
具体地，在本技术实施例中，所述多尺度卷积编码单元140，包括：血氧关联特征提取子单元141，用于使用所述卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：使用所述多尺度卷积结构的第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；使用所述多尺度卷积结构的第二卷积核对所述输入数据进行卷积处理以得到第二卷积特征图；使用所述多尺度卷积结构的第三卷积核对所述输入数据进行卷积处理以得到第三卷积特征图；使用所述多尺度卷积结构的第四卷积核对所述输入数据进行卷积处理以得到第四卷积特征图；将所述第一卷积特征图、所述第二卷积特征图、所述第三卷积特征图和所述第四卷积特征图进行级联以得到多尺度卷积特征图；对所述多尺度卷积特征图进行池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活处理以得到激活特征图；其中，所述卷积神经网络模型的最后一层输出的所述激活特征图为所述多尺度血氧特征矩阵；其中，所述第一卷积核的尺寸为7
×
7,所述第二卷积核的尺寸为5
×
5,所述第三卷积核的尺寸为3
×
3，所述第四卷积核的尺寸为1
×
1。
[0097]
具体地，在本技术实施例中，所述多尺度卷积编码单元140，还包括：心电关联特征提取子单元142，用于使用所述卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：使用所述多尺度卷积结构的第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；使用所述多尺度卷积结构的第二卷积核对所述输入数据进行卷积处理以得到
第二卷积特征图；使用所述多尺度卷积结构的第三卷积核对所述输入数据进行卷积处理以得到第三卷积特征图；使用所述多尺度卷积结构的第四卷积核对所述输入数据进行卷积处理以得到第四卷积特征图；将所述第一卷积特征图、所述第二卷积特征图、所述第三卷积特征图和所述第四卷积特征图进行级联以得到多尺度卷积特征图；对所述多尺度卷积特征图进行池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活处理以得到激活特征图；其中，所述卷积神经网络模型的最后一层输出的所述激活特征图为所述多尺度心电特征矩阵；其中，所述第一卷积核的尺寸为7
×
7,所述第二卷积核的尺寸为5
×
5, 所述第三卷积核的尺寸为3
×
3，所述第四卷积核的尺寸为1
×
1。
[0098]
图3为根据本技术实施例的台式健康监测仪中多尺度卷积编码单元的框图。如图3所示，所述多尺度卷积编码单元140，包括所述血氧关联特征提取子单元141和所述心电关联特征提取子单元142。
[0099]
在上述台式健康监测仪100中，所述特征融合单元150，用于融合所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵以得到分类特征矩阵。例如，在本技术一个具体的示例中，计算所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵之间的按位置加权和以得到包含血氧特征和心电特征的分类特征矩阵。
[0100]
具体地，在本技术实施例中，所述特征融合单元150，进一步用于：以如下公式来融合所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵以得到分类特征矩阵；其中，所述公式为：
[0101][0102]
其中，mc为所述分类特征矩阵，ma为所述多尺度血氧特征矩阵，mb为所述多尺度心电特征矩阵，表示所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵相对应位置处的元素相加，α和β为用于控制所述分类特征矩阵中所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵之间的平衡的加权参数。这里，多尺度心电特征矩阵的权重值大于多尺度血氧特征矩阵的权重值，也就是在对待监测个体的健康监测中，心电数据比血氧数据更重要。
[0103]
在上述台式健康监测仪100中，所述监测结果生成单元160，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测人体的健康状况是否正常。
[0104]
具体地，在本技术实施例中，所述监测结果生成单元160，进一步用于：使用所述分类器以如下公式对所述分类特征矩阵进行处理以得到所述分类结果；其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|project(m)}，其中project(m)表示将所述分类特征矩阵投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置向量。
[0105]
在上述台式健康监测仪100中，还包括用于对所述具有多尺度卷积结构的卷积神经网络模型和所述分类器进行训练的训练模块200。
[0106]
图4为根据本技术实施例的台式健康监测仪中训练模块的框图。如图4 所示，所述训练模块200，包括：训练监测单元210，用于获取训练数据，所述训练数据包括待监测人体在预定时间段内多个预定时间点的多项训练健康参数，以及，所述待监测人体的健康状况是否正常的真实值，其中，所述多项训练健康参数包括训练血糖值、训练血压值、训练心率值和训练脉搏值；训练数据构造单元220，用于将所述待监测人体在预定时间段内多个预定
时间点的多项训练健康参数分别按照时间维度排列为输入向量以得到训练血糖向量、训练血压向量、训练心率向量和训练脉搏向量；训练关联单元 230，用于构造所述训练血糖向量和训练血压向量之间的训练血氧关联矩阵以及构造所述训练心率向量和训练脉搏向量之间的训练心电关联矩阵；训练多尺度卷积编码单元240，用于将所述训练血氧关联矩阵和所述训练心电关联矩阵分别通过具有多尺度卷积结构的卷积神经网络模型以得到训练多尺度血氧特征矩阵和训练多尺度心电特征矩阵；训练特征融合单元250，用于融合所述训练多尺度血氧特征矩阵和所述训练多尺度心电特征矩阵以得到训练分类特征矩阵；分类损失单元260，用于将所述训练分类特征矩阵通过分类器以得到分类损失函数值；一致性规则内在化学习损失单元270，用于将所述训练多尺度血氧特征矩阵和所述训练多尺度心电特征矩阵分别展开为训练多尺度血氧特征向量和训练多尺度心电特征向量，并计算所述训练多尺度血氧特征向量和所述训练多尺度心电特征向量之间的序列对序列一致性规则内在化学习损失函数值；以及，训练单元280，用于计算所述分类损失函数值和所述一致性规则内在化学习损失函数值的加权和作为损失函数值来对所述具有多尺度卷积结构的卷积神经网络模型和所述分类器进行训练。
[0107]
特别地，在本技术的技术方案中，虽然所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵分别表示不同的时序-空间分布维度上的特征关联值，但是仍然期望其对于原始参数沿时序维度下的分布的内在关联性特征表达具有一致性，以提高所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵的融合效果。因此，在本技术的技术方案中，将所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵分别展开为多尺度血氧特征向量和多尺度心电特征向量，从而以特征值序列的形式来表示其在跨时序-空间维度上的内在特征分布性，并计算所述多尺度血氧特征向量和所述多尺度心电特征向量之间的序列对序列一致性规则内在化学习损失函数。
[0108]
具体地，在本技术实施例中，所述一致性规则内在化学习损失单元270，进一步用于：以如下公式计算计算所述训练多尺度血氧特征向量和所述训练多尺度心电特征向量之间的序列对序列一致性规则内在化学习损失函数值；其中，所述公式为：
[0109][0110][0111][0112]
其中，v1是所述训练多尺度血氧特征向量，v2是所述训练多尺度心电特征向量，且w1和w2分别是分类器对于v1和v2的权重矩阵，d表示对两个向量计算欧氏距离。
[0113]
这里，所述序列对序列一致性规则内在化学习损失函数可以通过分类器对于不同序列的权重矩阵的压榨-激励式通道注意力机制，来获取序列之间的加强的区分性能力。这样，通过以此损失函数训练网络，就可以实现所述多尺度血氧特征向量和所述多尺度心电特征向量之间的具有更好区分性的关联特征的恢复，以对所述多尺度血氧特征向量和所述多尺度心电特征向量的特征分布之间的关联一致性进行内在化的学习。由此，增强了所述多尺度血氧特征向量和所述多尺度心电特征向量对原始参数沿时序维度下的分布的内在关联性特征表达的一致性，从而提高了所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵的融合效果。
[0114]
综上，根据本技术实施例的所述台式健康监测仪100被阐明，其中，所述台式健康监测仪能够在少量医护人员的陪同或者在待监测个体自行操作之下，对待监测个体自身的人体健康状态进行监测与评估。具体地，使用卷积神经网络模型来提取血氧关联矩阵中的血糖和血压以及心电关联矩阵中的心率和脉搏在不同时空域中的高维局部隐含关联隐含特征以得到多尺度血氧特征矩阵和多尺度心电特征矩阵，再经融合得到的分类特征矩阵通过分类器以得到分类结果。这样，基于被监测个体的多项健康监测参数来进行健康状态评估，以提高健康状态评估的置信度和精准度。
[0115]
示例性方法
[0116]
图5为根据本技术实施例的台式健康监测方法的流程图。如图5所示，根据本技术实施例的所述台式健康监测方法，包括步骤：s110，获取待监测人体在预定时间段内多个预定时间点的多项健康参数，所述多项健康参数包括血糖值、血压值、心率值和脉搏值；s120，将所述待监测人体在预定时间段内多个预定时间点的多项健康参数分别按照时间维度排列为输入向量以得到血糖向量、血压向量、心率向量和脉搏向量；s130，构造所述血糖向量和血压向量之间的血氧关联矩阵以及构造所述心率向量和脉搏向量之间的心电关联矩阵；s140，将所述血氧关联矩阵和所述心电关联矩阵分别通过具有多尺度卷积结构的卷积神经网络模型以得到多尺度血氧特征矩阵和多尺度心电特征矩阵；s150，融合所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵以得到分类特征矩阵；以及，s160，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测人体的健康状况是否正常。
[0117]
在一个示例中，在上述台式健康监测方法中，所述构造所述血糖向量和血压向量之间的血氧关联矩阵以及构造所述心率向量和脉搏向量之间的心电关联矩阵，包括：计算所述血糖向量的转置向量与所述血压向量之间的乘积以得到所述血氧关联矩阵；以及，计算所述心率向量的转置向量和所述脉搏向量之间的乘积以得到所述心电关联矩阵。
[0118]
在一个示例中，在上述台式健康监测方法中，所述将所述血氧关联矩阵和所述心电关联矩阵分别通过具有多尺度卷积结构的卷积神经网络模型以得到多尺度血氧特征矩阵和多尺度心电特征矩阵，包括：使用所述卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：使用所述多尺度卷积结构的第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；使用所述多尺度卷积结构的第二卷积核对所述输入数据进行卷积处理以得到第二卷积特征图；使用所述多尺度卷积结构的第三卷积核对所述输入数据进行卷积处理以得到第三卷积特征图；使用所述多尺度卷积结构的第四卷积核对所述输入数据进行卷积处理以得到第四卷积特征图；将所述第一卷积特征图、所述第二卷积特征图、所述第三卷积特征图和所述第四卷积特征图进行级联以得到多尺度卷积特征图；对所述多尺度卷积特征图进行池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活处理以得到激活特征图；其中，所述卷积神经网络模型的最后一层输出的所述激活特征图为所述多尺度血氧特征矩阵；其中，所述第一卷积核的尺寸为7
×
7,所述第二卷积核的尺寸为5
×
5,所述第三卷积核的尺寸为3
×
3，所述第四卷积核的尺寸为 1
×
1。
[0119]
在一个示例中，在上述台式健康监测方法中，所述融合所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵以得到分类特征矩阵，包括：以如下公式来融合所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵以得到分类特征矩阵；其中，所述公式为：
[0120]
[0121]
其中，mc为所述分类特征矩阵，ma为所述多尺度血氧特征矩阵，mb为所述多尺度心电特征矩阵，表示所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵相对应位置处的元素相加，α和β为用于控制所述分类特征矩阵中所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵之间的平衡的加权参数。
[0122]
在一个示例中，在上述台式健康监测方法中，还包括对所述具有多尺度卷积结构的卷积神经网络模型和所述分类器进行训练。
[0123]
在一个示例中，在上述台式健康监测方法中，所述对所述具有多尺度卷积结构的卷积神经网络模型和所述分类器进行训练，包括：获取训练数据，所述训练数据包括待监测人体在预定时间段内多个预定时间点的多项训练健康参数，以及，所述待监测人体的健康状况是否正常的真实值，其中，所述多项训练健康参数包括训练血糖值、训练血压值、训练心率值和训练脉搏值；将所述待监测人体在预定时间段内多个预定时间点的多项训练健康参数分别按照时间维度排列为输入向量以得到训练血糖向量、训练血压向量、训练心率向量和训练脉搏向量；构造所述训练血糖向量和训练血压向量之间的训练血氧关联矩阵以及构造所述训练心率向量和训练脉搏向量之间的训练心电关联矩阵；将所述训练血氧关联矩阵和所述训练心电关联矩阵分别通过具有多尺度卷积结构的卷积神经网络模型以得到训练多尺度血氧特征矩阵和训练多尺度心电特征矩阵；融合所述训练多尺度血氧特征矩阵和所述训练多尺度心电特征矩阵以得到训练分类特征矩阵；将所述训练分类特征矩阵通过分类器以得到分类损失函数值；将所述训练多尺度血氧特征矩阵和所述训练多尺度心电特征矩阵分别展开为训练多尺度血氧特征向量和训练多尺度心电特征向量，并计算所述训练多尺度血氧特征向量和所述训练多尺度心电特征向量之间的序列对序列一致性规则内在化学习损失函数值；以及，计算所述分类损失函数值和所述一致性规则内在化学习损失函数值的加权和作为损失函数值来对所述具有多尺度卷积结构的卷积神经网络模型和所述分类器进行训练。
[0124]
在一个示例中，在上述台式健康监测方法中，所述将所述训练多尺度血氧特征矩阵和所述训练多尺度心电特征矩阵分别展开为训练多尺度血氧特征向量和训练多尺度心电特征向量，并计算所述训练多尺度血氧特征向量和所述训练多尺度心电特征向量之间的序列对序列一致性规则内在化学习损失函数值，包括：以如下公式计算计算所述训练多尺度血氧特征向量和所述训练多尺度心电特征向量之间的序列对序列一致性规则内在化学习损失函数值；其中，所述公式为：
[0125][0126][0127][0128]
其中，v1是所述训练多尺度血氧特征向量，v2是所述训练多尺度心电特征向量，且w1和w2分别是分类器对于v1和v2的权重矩阵。
[0129]
综上，根据本技术实施例的所述台式健康监测方法被阐明，其中，所述台式健康监测仪能够在少量医护人员的陪同或者在待监测个体自行操作之下，对待监测个体自身的人体健康状态进行监测与评估。具体地，使用卷积神经网络模型来提取血氧关联矩阵中的血
糖和血压以及心电关联矩阵中的心率和脉搏在不同时空域中的高维局部隐含关联隐含特征以得到多尺度血氧特征矩阵和多尺度心电特征矩阵，再经融合得到的分类特征矩阵通过分类器以得到分类结果。这样，基于被监测个体的多项健康监测参数来进行健康状态评估，以提高健康状态评估的置信度和精准度。