一种面向高海拔姿态失衡检测的条件扩散模型构建方法
本发明涉及人体运动状态监测与智能分析,尤其涉及一种面向高海拔姿态失衡检测的条件扩散模型构建方法。
背景技术:
1、随着穿戴式传感技术的发展,基于惯性测量单元(imu)、心电图(ecg)和呼吸传感器的多模态生理运动监测系统在户外作业安全保障和健康管理等领域得到了广泛应用。在高海拔野外救援场景中,救援人员需要在海拔跨度从数百米到数千米的环境中执行任务,面临因缺氧、低温等因素导致的跌倒、晕厥等姿态失衡风险,因此,对姿态失衡的实时准确检测具有重要意义。
2、然而,现有姿态失衡检测方法在面向高海拔多变环境的实际部署中存在以下不足:第一,无法适应因海拔变化导致的生理基线漂移,其在不同海拔下使用统一检测标准,导致高海拔环境下误报率升高、低海拔环境下漏报率增加。第二,姿态失衡事件发生概率极低,异常样本占比通常不超过1%。传统有监督分类方法在这种极端不平衡的数据分布下无法有效学习异常模式。第三,多模态数据在采样率、物理意义和异常表现模式上存在显著差异,导致引入信息失真、忽略模态间的时序协同关系、梯度不平衡等问题。第四,忽视心肺功能与运动能力在不同海拔下的耦合关系,无法区分复杂耦合场景。
技术实现思路
1、鉴于上述的分析,本发明实施例旨在提供一种面向高海拔姿态失衡检测的条件扩散模型构建方法,用以解决现有技术难以适应海拔连续变化、依赖异常样本标注、无法有效融合多模态数据、难以建立心肺与运动之间耦合关系的问题。
2、一方面,本发明实施例提供了一种面向高海拔姿态失衡检测的条件扩散模型构建方法,包括:
3、采集多模态生理运动原始信号,经预处理后构建正常样本训练集;其中,所述正常样本训练集中至少包括多导联心电信号、呼吸信号、双腿惯性测量单元信号和海拔高度信息;
4、构建海拔自适应多模态条件扩散初始模型;基于所述条件扩散初始模型对所述正常样本训练集中的各模态样本进行处理,得到心肺特征、运动特征以及海拔嵌入向量;
5、以所述心肺特征和所述运动特征作为输入,并且以所述海拔嵌入向量和时间步嵌入向量作为条件信息,对所述条件扩散初始模型执行前向加噪及反向去噪训练,并采用双向交叉注意力与门控机制建模心肺功能与运动能力之间的耦合关系;基于所述耦合关系,利用预设总损失函数进行端对端训练,得到训练好的条件扩散模型;
6、其中,所述训练好的条件扩散模型用于根据待测受试者的多模态生理运动实时信号输出姿态失衡判定结果。
7、进一步地,所述多模态生理运动原始信号至少包括:按照预设采样频率采集得到的正常运动者的多导联心电原始信号、呼吸原始信号、双腿惯性测量单元原始信号,以及同步采集的海拔高度信息;所述构建正常样本训练集,包括:
8、对所述多导联心电原始信号、呼吸原始信号、双腿惯性测量单元原始信号进行滤波去噪和归一化预处理,并结合所述海拔高度信息,构建所述正常样本训练集。
9、进一步地,所述构建海拔自适应多模态条件扩散初始模型,至少包括定义以下模型结构:海拔条件嵌入模块、心肺特征提取分支、运动特征提取分支、反向去噪网络以及跨模态门控交叉注意力模块;
10、其中,所述反向去噪网络采用双分支u-net网络,所述跨模态门控交叉注意力模块设置于所述双分支u-net网络的瓶颈层。
11、进一步地,所述基于所述条件扩散初始模型对所述正常样本训练集中的各模态样本进行处理,得到心肺特征、运动特征以及海拔嵌入向量,包括:
12、基于所述海拔条件嵌入模块,将所述海拔高度信息通过正弦位置编码映射到高维嵌入空间,并经多层感知机执行非线性变换后,得到所述海拔嵌入向量;
13、基于所述心肺特征提取分支,分别对所述多导联心电信号和所述呼吸信号进行特征提取后沿通道维度拼接融合,得到所述心肺特征;
14、基于所述运动特征提取分支,对所述双腿惯性测量单元信号进行特征提取,得到所述运动特征。
15、进一步地,所述对所述条件扩散初始模型执行前向加噪及反向去噪训练,包括:
16、以所述心肺特征和所述运动特征作为输入,通过前向扩散过程逐步添加高斯噪声,并以所述海拔嵌入向量和时间步嵌入向量作为条件信息训练所述双分支u-net网络,以使得所述双分支u-net网络具备特征重构能力,并通过自适应组归一化机制将所述条件信息注入网络各层。
17、进一步地,所述采用双向交叉注意力与门控机制建模心肺功能与运动能力之间的耦合关系,包括:
18、基于所述跨模态门控交叉注意力模块,对所述双分支u-net网络的瓶颈层输出的心肺分支瓶颈层特征和运动分支瓶颈层特征对齐到统一时间维度并执行双向交叉注意力计算;
19、基于注意力计算结果引入可学习门控参数,控制跨模态信息注入强度对所述心肺分支瓶颈层特征和运动分支瓶颈层特征进行自适应增强;将增强后的心肺分支瓶颈层特征和增强后的运动分支瓶颈层特征恢复原始时间维度后,分别送入各自分支对应的u-net解码器,以得到重构后的心肺特征和运动特征。
20、进一步地,所述基于所述耦合关系,利用预设总损失函数进行端对端训练,包括:
21、基于所述重构后的心肺特征和运动特征,利用所述总损失函数计算模型损失,并通过端到端方式更新模型参数;
22、其中,所述总损失函数由心肺分支噪声预测损失、运动分支噪声预测损失和跨模态注意力正则化损失按预设损失权重加权求和得到;
23、所述心肺分支噪声预测损失和所述运动分支噪声预测损失均为维度归一化的均方误差损失;所述跨模态注意力正则化损失为双向交叉注意力权重矩阵熵值均值的负值。
24、进一步地,所述根据待测受试者的多模态生理运动实时信号输出姿态失衡判定结果,具体包括:
25、实时采集待测受试者的多模态生理运动实时信号并进行预处理;
26、将预处理后的多模态生理运动实时信号输入所述训练好的条件扩散模型,提取心肺实时特征和运动实时特征,执行部分前向加噪至中间时刻后,通过确定性反向采样算法去噪重构,以分别计算心肺通道重构误差和运动通道重构误差;
27、对所述心肺通道重构误差和运动通道重构误差进行海拔自适应加权融合,得到综合异常分数;将所述综合异常分数与预先构建的海拔自适应阈值函数中的当前海拔阈值进行比较,基于比较结果判定所述待测受试者是否处于姿态失衡,并在判定为姿态失衡时发出预警信号。
28、进一步地,所述心肺通道重构误差和所述运动通道重构误差均为经维度归一化后的重构误差;
29、所述海拔自适应加权融合的权重包括:基于sigmoid函数随海拔连续变化的函数;其中,低海拔下运动通道权重占主导,高海拔下心肺通道权重占主导。
30、进一步地,所述综合异常分数的计算公式包括:
31、;
32、其中,表示综合异常分数;表示心肺通道重构误差;表示运动通道重构误差;表示心肺通道权重;表示运动通道权重;表示sigmoid函数,表示权重切换的海拔中心点;表示权重过渡带宽度参数;表示当前海拔高度;
33、所述海拔自适应阈值函数定义为:
34、;
35、其中,表示海拔自适应阈值函数;表示低海拔基础阈值,表示高海拔上限阈值,表示阈值变化最剧烈的海拔中心点,s表示阈值过渡带宽度参数。
36、与现有技术相比,本发明至少可实现如下有益效果之一:
37、第一,区别于相关技术中难以适应海拔连续变化的问题,本发明通过将海拔作为条件变量注入扩散模型并结合双分支u-net网络的自适应组归一化机制,使模型能够学习不同海拔下正常生理运动模式的条件概率分布,有效区分因海拔导致的生理代偿变化和真正的姿态失衡,降低了高海拔环境下的误报率和低海拔环境下的漏报率。
38、第二,区别于相关技术中依赖异常样本标注的问题,本发明利用条件扩散模型的生成特性仅使用正常样本训练模型参数,通过重构误差检测偏离正常数据流形的异常样本,从根本上缓解了类别不平衡问题,显著降低了数据标注成本与临床采集难度。
39、第三,区别于相关技术中缺乏心肺-运动协同关系建模能力的问题,本发明通过双分支特征提取和u-net架构分别建模心肺信号和运动信号,再通过跨模态门控交叉注意力模块(bcmga模块)在瓶颈层进行跨模态交互,有效解决了多模态数据融合难题并建立了心肺-运动协同关系的建模能力。基于sigmoid函数的海拔自适应融合权重和阈值函数实现了检测标准随海拔连续自适应调整,提高模型在不同海拔环境下的泛化能力。
40、需要说明的是,针对高海拔环境下生理基线漂移、异常样本稀缺及多模态融合困难等问题,本发明所述方法主要包括训练阶段和检测阶段:训练阶段在固定时间窗口内同步采集心电、呼吸及双腿imu信号并结合海拔信息进行预处理与特征提取,构建双分支的条件扩散模型对正常样本分布进行建模,在去噪网络中引入海拔嵌入自适应调制机制以及跨模态门控交叉注意力模块以刻画心肺与运动耦合关系;检测阶段通过加噪-去噪重构方式计算各模态归一化重构误差,并依据海拔构建自适应融合权重与非线性阈值函数得到综合异常分数实现异常判定,输出结果包含异常判定、综合异常分数及各模态重构误差,由此实现对高海拔环境下姿态失衡的鲁棒、可解释检测。
41、本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com