一种基于人工智能协同的失能老人在位检测方法与流程
本发明涉及养老监护领域,具体指有一种基于人工智能协同的失能老人在位检测方法。
背景技术:
1、失能老人是指因疾病或意外事故,丧失基本生活自理能力的老年人群,其中偏瘫老人因长期卧床,其生命体征(特别是心率)的持续监测对预防突发心血管事件具有重要意义。
2、对于偏瘫失能老人的生命体征获取,接触式生命体征检测仪器,如心电图、智能手环等,在失能老人照护场景中存在明显局限:长期佩戴电极或传感器会给老人带来不适感,且对于皮肤敏感或已有压疮的卧床老人,接触式监测可能造成二次损伤。此外,在睡眠监测场景中,佩戴大量仪器也严重影响被测对象的舒适度。
3、对于老年人群的养老监护过程中,需要检测其是否在床位上,若老人不在床位上则可能出现老人摔倒在地等情况。由于长期卧床、偏瘫侧无法活动等原因导致其生命体征较弱,现有技术采用毫米波雷达采集生命体征的过程中,当失能老人覆盖的被子较厚或者处于深度睡眠状态时,毫米波雷达检测到的信号质量急剧下降,且信噪比低,容易被误判为人体不在位。
4、针对上述的现有技术存在的问题设计一种基于人工智能协同的失能老人在位检测方法是本发明研究的目的。
技术实现思路
1、针对上述现有技术存在的问题,本发明在于提供一种基于人工智能协同的失能老人在位检测方法,能够有效解决上述现有技术存在的至少一个问题。
2、本发明的技术方案是:
3、一种基于人工智能协同的失能老人在位检测方法,包括以下步骤:
4、s1,在预设定的粗略胸腔位置候选区域,通过雷达进行多点扫描并提取第一微动信号;
5、s2,对各个点位的所述第一微动信号进行信号质量评估,获得各点位的信号质量指标,基于所述信号质量指标采用插值算法生成覆盖所述粗略胸腔位置候选区域的粗略生命体征置信度分布图;
6、s3,通过雷达在床位上精细扫描,获取所述目标对象的偏瘫姿态特征,将所述偏瘫姿态特征输入预先训练好的胸腔位置修正模型,通过所述胸腔位置修正模型对所述粗略生命体征置信度分布图进行修正,得到精确生命体征置信度分布图;
7、s4,通过所述雷达在所述精确生命体征置信度分布图中置信度最高的区域进行聚焦并采集第二微动信号,在所述精确生命体征置信度分布图中置信度中间值的区域进行聚焦并采集第三微动信号;
8、s5,分析所述第二微动信号和所述第三微动信号的信号差异,当信号差异符合人体在位状态下预先建立的双点微动差异范围时,判定目标对象在位。
9、进一步地,步骤s2包括:
10、s2.1,对各个点位的所述第一微动信号分别计算信噪比、相位相干性、幅值稳定性、模板匹配度,将所述信噪比、所述相位相干性、所述幅值稳定性、所述模板匹配度加权相加得到所述信号质量指标;
11、s2.2,采用反距离加权插值法生成覆盖所述粗略胸腔位置候选区域的粗略生命体征置信度分布图。
12、进一步地,所述信噪比通过所述第一微动信号进行快速傅里叶变换获得频谱,根据生命体征频率范围内的峰值功率与噪声功率的比值得到;
13、所述相位相干性通过以下方法计算:所述第一微动信号的相位序列计算相邻帧相位差的波动性,统计在预设周期内所述波动性符合人体生命体征的震荡周期的次数作为所述相位相干性;
14、所述幅值稳定性通过以下方法计算:通过所述第一微动信号进行希尔伯特变换提取幅值包络,统计在预设周期内所述幅值包络符合人体生命体征的震荡幅度的次数作为所述幅值稳定性;
15、所述模板匹配度为所述第一微动信号分别与预构建的呼吸模板和/或心跳模板进行归一化互相关计算得到;
16、所述信噪比、所述相位相干性、所述幅值稳定性、所述模板匹配度的权重分别为0.25~0.35、0.20~0.30、0.20~0.30、0.15~0.20。
17、进一步地,步骤s3中,通过雷达在床位上精细扫描,获取所述目标对象的偏瘫姿态特征包括:
18、s3.1,通过所述雷达的精细回波信号生成目标对象的距离像信息和角度像信息,将所述距离像信息和所述角度像信息根据所述目标对象的大致区域的长轴划分为左右两个部位簇;
19、s3.2,通过各个所述部位簇识别肢体rcs非对称比、身体非对称性,将偏瘫侧、所述肢体rcs非对称比、所述身体非对称性组成向量作为偏瘫姿态特征。
20、进一步地,所述偏瘫侧从预登记信息中提取;
21、通过各个所述部位簇识别肢体rcs非对称比、身体非对称性包括:在目标对象平躺时执行:
22、将偏瘫侧的雷达反射截面与另一侧的雷达反射截面的比值作为所述肢体rcs非对称比;
23、所有部位簇各点的反射能量归一化后作为权重,将所有部位簇各点的坐标按所述权重进行加权相加得到的坐标作为质心坐标,计算在预设周期内多个所述质心坐标的平均值作为所述身体质心坐标,计算所述身体质心坐标与所述大致区域的质心坐标的偏移量作为所述身体非对称性。
24、进一步地,以所述历史偏瘫姿态特征为输入,以历史粗略生命体征置信度分布图为待修正对象,以历史最佳微动信号聚焦点为监督信号,训练神经网络得到所述胸腔位置修正模型。
25、进一步地,从所述第二微动信号中提取生命体征,将所述生命体征、所述偏瘫姿态特征根据预设模板生成对应的报告。
26、进一步地,步骤s5包括:
27、s5.1,对所述第二微动信号和所述第三微动信号去直流并进行0.05hz~3.0hz的带通滤波后,进行相位解缠绕处理;
28、s5.2,计算所述第二微动信号和所述第三微动信号的幅度比、波形相关性、信号偏移时间差,当所述幅度比、所述波形相关性、所述信号偏移时间差符合人体在位状态下预先建立的双点微动差异范围时,判定目标对象在位。
29、进一步地,所述幅度比通过计算所述第二微动信号和所述第三微动信号在预设窗口时间内的均方根幅度比得到;
30、所述波形相关性通过计算所述第二微动信号和所述第三微动信号的归一化互相关系数得到;
31、所述信号偏移时间差通过计算所述第二微动信号和所述第三微动信号的互相关函数,提取使互相关函数取得最大值的延时时间得到。
32、进一步地,所述幅度比、所述波形相关性、所述信号偏移时间差对应的双点微动差异范围分别为1.2~1.5、0.5~1、2~30ms。
33、因此,本发明提供以下的效果和/或优点:
34、本发明通过粗略胸腔位置候选区域并经过信号质量评估可以获得粗略胸腔位置候选区域中各个位置的生命体征置信度分布图,再识别偏瘫姿态特征将其作为先验知识,针对不同情况偏瘫患者的进行个性化修正生命体征置信度分布图,并且在精确置信度分布图中选取置信度最高的区域进行聚焦采集,从该区域的微动信号中可以提取最为精确的生命体征,确保最终用于体征提取的信号源在物理信号质量和病理先验约束两个维度上均为最优。最终通过精确生命体征置信度分布图中置信度最高的区域和中等的区域分别进行采集微动信号,根据生命体征中的呼吸和心跳引起的胸壁表面微动,本质上是一种机械波在胸腔组织中的传播,这种微动从胸腔内部的膈肌和心脏传导至胸壁表面不同位置,需要经过不同的传播路径和传播时间,从而判断两处的微动信号是否符合该特征,当满足该特征时即可判断人体在位。
35、本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地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在说明书以及附图中所特别指出的结构来实现和获得。
36、应当明白,本发明的上文的概述和下面的详细说明是示例性和解释性的,并且意在提供对如要求保护的本发明的进一步的解释。
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