一种基于软硬件协作的节能型移动健康医疗监护系统

1.本发明涉及健康医疗系统技术领域，尤其涉及一种基于软硬件协作的节能型移动健康医疗监护系统。


背景技术：

2.移动健康系统需对人的身体进行长期的检测，以识别偶尔出现的“病态”信号，例如，对人体进行一些心血管疾病等。此外，让需要检测的病人一直待在医院，以进行长期的检测，这样做服务成本很高，且使医院的劳动力密集，更重要的是医院的资源有限。所以，需要一种移动健康医疗系统在医院之外可以实时的在任何地方对患者进行检测。
3.但是这种移动健康医疗系统存在的问题是功耗太高，因为一个健康医疗系统需要很多个大大小小的无线传感器，电量下降太快导致频繁的更换电池会很繁琐。目前在解决无线传感器功耗的上一些通用的做法是在物理层和mac(media access control，媒体访问控制子层)层设计出低功耗的传输协议，如zigbee和lora。但是这种做法就限制了传感器只能在特定的范围内使用，因为协议是自己制定的，不利于大规模生产使用。还有一种节能方式是通过蓝牙和wifi与智能手机进行通信，它们会定期的关闭蓝牙的传输，以达到节能的目的，但是这样的话，我们手机接收到的数据是带有缺失的。
4.在硬件方面，针对传感器的功耗问题，现有的解决方法是围绕着更改在物理层和mac层的一些传输协议，还有的一些人设计出了一些本身就能降低功耗的材料来制造出节能的传感器。
5.在软件方面，跟我们对应的是一些缺失值填补的技术，现有的技术分为统计学方法和机器学习方法。统计学习方法包括一些均值填补(使用数据的平均值去填补一些缺失位置的数据)、众数填补(使用数据的众数去填补缺失位置的数据)，分段插值(线性插值，在两端数据之间求出他们的斜率，组成一个直线，然后对这个直线内缺失的将它的x带入此直线方程，去求解出y)。此外还包括一些基于机器学习的插值方法，有随机森林法，knn算法等。
6.目前，现有技术中的节能家庭医疗系统有两方面技术，一个是硬件方面的技术，一个是软件方面的技术。
7.在硬件方面，现有技术有的是围绕着更改在物理层和mac层的一些传输协议来降低传感器的功耗，这种解决方法的问题是不适于大规模的应用，只能在自己特定的场景中应用，因为它的传输协议都是自己制定的。还有一些技术是使用一些节能的原始材料去制作传感器，但是这种方法的问题是使得传感器的数据测出来不精确，这样会影响传感器的正常使用。还有一些方法是使得在蓝牙传输阶段会定期的进行休眠状态，这种方法的问题是我们会得到缺失的数据，我们就不能获取缺失时间段内的数据信息，这样也就失去了对病人进行实时监护的能力。
8.在软件方面，基于统计学的方法最大的缺点它无法有效利用有关时间序列的信息，基于机器学习的缺失值填补方法最大的缺点是他们很少考虑两个变量之间的关系，比
如，有体温和血压两个属性，机器学习的缺失值填补方法是，利用体温的数据对体温的缺失值填补，利用血压的数据对血压值进行填补，没有考虑到体温的数据对血压也有影响。还有一些基于深度学习的填补方法，他们都围绕着不完整的时间序列数据进行训练，而很少从缺失的数据中挖掘有用信息。
9.

技术实现要素：

10.本发明的实施例提供了一种基于软硬件协作的节能型移动健康医疗监护系统，以实现对病人的身体状况进行有效地实时的监控。
11.为了实现上述目的，本发明采取了如下技术方案。
12.一种基于软硬件协作的节能型移动健康医疗监护系统，包括：传感器模块、中央控制器和监控中心，所述中央控制器与所述传感器模块和所述监控中心电路连接；
13.所述传感器模块，包括多个传感器，处于传输数据状态的传感器采集病人的身体状况数据，将所述身体状况数据传输给中央控制器；
14.所述中央控制器，用于通过调度算法确定各个传感器在每个时刻是处于传输数据状态还是休眠状态，对所述身体状况数据中的缺失数据进行填补，将填补后的身体状况数据传输给监控中心；
15.所述的监控中心，用于将接收到身体状况数据进行存储。
16.优选地，每个传感器模块包括传感器、射频天线和控制器mcu；
17.所述传感器，用于与病人接触，当处于传输数据状态时，按照设定的时间间隔采集病人的身体状况数据；
18.所述mcu，用于通过调度算法确定各个传感器在每个时刻是处于传输数据状态还是休眠状态，采用对抗性填补网络模型来填补处于休闲状态的传感器模块上的缺失样本，所述对抗性填补网络模型包括用于预测缺失值的brits生成器和用于识别置信概率的lstm长短期记忆网络鉴别器；
19.所述射频天线，用于通过无线通信信道将填补后的身体状况数据传输给监控中心。
20.优选地，所述mcu通过掩码矩阵来表达传感器是处于传输数据状态还是休眠状态，处于传输数据状态和处于传输数据状态的掩码矩阵分别对应不同的设定值；
21.传感器的时间间隔矩阵表示该传感器最后观察到数据的时间距离本时刻的时间间隔。
22.优选地，所述brits生成器由一个双向的lstm构成，brits生成器的填补公式如下：
[0023][0024][0025]
γ
t
＝exp{-max(o,w
γ
b
γ
)}
ꢀꢀ
(3)
[0026][0027]
圆点表示点乘操作；
[0028]
等式(1)中，将t-1时刻的隐藏层状态h经回归层输出t时刻的预测值。
[0029]
等式(2)中，x用于填补t时刻的数值。1)若存在缺失，则用t时刻的预测值x当做这一时刻数值。2)若无缺失，则使用原始数据，忽略后续操作。
[0030]
等式(3)中引入了时间衰减因子γ
t
，该因子由时间间隔δ
t
得出，代表了时间序列中的缺失模式，这对推算至关重要。
[0031]
等式(4)是将时间衰减因子与隐藏状态结合，计算下一时刻的隐藏状态h。
[0032]
以上4个式子，不断的去更新循环，去填补缺失的数据。
[0033]
所述brits生成器的损失函数包括有真值的数据、没真值的数据和判别器的反馈；
[0034]
在传感器有真值的数据的场景下，所述brits生成器的损失函数设计为：
[0035]
lo＝||x
⊙
m-g(x)
⊙
m||2[0036]
在传感器没有真值的数据的场景下采用递归方法填补损失值，
[0037]
所述递归方法的公式表示为：
[0038][0039]
其中，i是t时刻之前的最后一次观测到的数据时刻，j是t时刻之后第一次观察到的数据时刻。
[0040]
优选地，所述lstm鉴别器由一个单向的lstm构成，将brits生成器生成的数据g(x，m，δ)输入到lstm鉴别器中，得到代表真实程度的值d(g(x，m，δ))；
[0041]
所述lstm鉴别器的损失函数如下：
[0042][0043]
所述lstm鉴别器的损失函数由三项构成：
[0044]
1)真实的数据x，希望最大化d(x)，最小化它的负数；
[0045]
2)来自生成器的数据，希望最小化d(g(x，m，δ))。
[0046]
3)梯度惩罚项
[0047]
优选地，所述mcu的调度算法的目标函数如下：
[0048]
min{max
i∈[1，n]
{f(si)}}
[0049]
f(si)表示第i个传感器中连续最大的空闲时间；
[0050]
所述mcu的调度算法的目标函数的限制条件如下：
[0051][0052][0053][0054]
针对公式1，它限制了在指定的工作时间内，系统的耗电量不得超过电池的总容量；
[0055]
针对公式2，它限制了某个传感器在系统的总时间内至少工作多长时间；
[0056]
针对公式3，它限制了在某一时刻至少工作的传感器数量。
[0057]
通过如下两步求解所述mcu的调度算法的目标函数的最优解：
[0058]
第一步：求解该问题：
[0059][0060]
这个最大化问题的约束条件为：
[0061][0062][0063]
在第一步求出了每个传感器的最大活动状态，然后将时间序列值均匀的分布成具有相同生命周期的段，并用循环算法来调度不同的传感器，这一步的约束条件是
[0064]
由上述本发明的实施例提供的技术方案可以看出，本发明实施例提供了一种低功耗的智能家庭医疗监护系统，它从软硬件方面解决了功耗问题，并且可以实时的对病人的身体状况进行监控，而且数据的有效性经过实验的验证，也得到了保证。
[0065]
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0066]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0067]
图1为本发明实施例提供的一种基于软硬件协作的节能mhealth系统的架构图；
[0068]
图2为本发明实施例提供的一种wgain模型的架构图；
[0069]
图3为本发明实施例提供的一种掩码矩阵m和时间间隔矩阵
△
的示意图；
[0070]
图4为本发明实施例提供的一种brits生成器的模型架构图；
[0071]
图5为本发明实施例提供的一种传感器有真值的数据的场景下的损失函数的示意图；
[0072]
图6为本发明实施例提供的一种传感器没有真值的数据的场景下的递归方法填补损失值的示意图。
具体实施方式
[0073]
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0074]
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元
件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
[0075]
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0076]
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
[0077]
本发明实施例提供的一种基于软硬件协作的节能型移动健康医疗监护系统的架构图如图1所示。该系统包括：传感器模块、中央控制器和监控中心。上述中央控制器可以为手机等移动终端。
[0078]
传感器模块的数量为多个，每个传感器模块包括一个传感器，一个射频天线(比如蓝牙)、一个控制器(mcu，microcontroller unit)，mcu用来缓冲收集的数据，调整射频天线的状态，比如正常传输还是空闲。上述传感器的末梢可以感知和检查外部世界的传感器。不是位置可以随时更改，还可以跟互联网进行有线或无线方式的连接，多个传感器通过无线通信方式形成的一个多跳自组织网络。
[0079]
中央控制器实现一个调度器来管理整个系统的生命周期以达到目标服务时间，并实现一个插值模型来填补一些空闲传感器中丢失的样本。
[0080]
最后，监控中心将完整的感官数据存储在数据库中，并通过智能探测器或临床医生进行实时诊断。
[0081]
本发明实施例的基于软硬件协作的节能型移动健康医疗监护系统的工作过程包括：首先传感器模块会采集数据，但是由于一些传感器的功耗较高，尤其在数据传输阶段最耗费电量，因此，本发明采用节能方式使用整个传感器模块，通过算法控制一些传感器的数据在mcu的控制下进行休眠，不让它们传输。但是处于休眠状态下的传感器数据是无法看到的，于是本发明设计了一个插值模型，来对缺失的数据进行填补，这样一来，对系统的节能效果达到了，而且我们也能获取完整的数据，可以对病人的身体状况进行实时的监控。
[0082]
本发明实施例的基于软硬件协作的节能型移动健康医疗监护系统的软件方面采用基于深度学习的缺失值填补技术，基于wasserstein模型生成wgain(wgain，wasserstein generative adversarial imputation network，对抗性填补网络)模型，利用wgain模型来填补处于休闲状态的传感器模块上的缺失样本。wgain模型包含一个用于预测缺失值的brits(bidirectional recurrent imputation for time series,时间序列的双向递归填补)生成器，以及一个用于识别置信概率的lstm(long short-term memory，长短期记忆网络)鉴别器来。本发明设计了一种分而治之的策略，以利用实际缺失模式对长期损坏的传感器进行有效填补。
[0083]
本发明实施例提供的wgain模型的架构图如图2所示。首先是原始数据集，由它产生了两个矩阵，分别是掩码矩阵m和时间间隔矩阵
△
。
[0084]
图3为本发明实施例提供的一种掩码矩阵m和时间间隔矩阵
△
的示意图。在某个传感器处于休眠状态时，在控制中心是无法获取它的数据的，在这个时刻是没有数据的，于是
把该传感器的掩码矩阵m设置为0，如果说有数据；就把传感器的掩码矩阵m设置为1。
[0085][0086]
表示在d属性中，第t个时刻是否有数据，如果有数据，那么该如果缺失数据，那么该s
t
表示第t时刻的时间点，一般就是s1＝1，s2＝2，sn＝n。表示d属性中，第t个时刻所能看到的距离前一个有数值时刻的距离，比如它表示在第1个属性中，第3个时刻点，距离上一次看到数值的地方是在第3个时刻前面的2个时刻那个点，也就是第1个时刻，上次有数值的地方是1时刻。
[0087]
当遇到某个传感器出现故障，会在很长的一段时间内没有数据，该传感器的时间间隔矩阵
△
表示该传感器最后观察到数据的时间距离本时刻的时间间隔。比如，图3中d1属性，在第7个时刻，距离传感器上次观察到数据的最后一个时刻是4时刻，所以这个时间间隔矩阵
△
的值就是3了。
[0088]
上述brits生成器由一个双向的lstm构成，brits生成器的模型架构如图4所示，brits生成器的填补公式如下：
[0089][0090][0091]
γ
t
＝exp{-max(0,w
γ
δ
t
b
γ
)}
ꢀꢀ
(3)
[0092][0093]
上述公式中，所有的w，u和b都是深度学习要学习的参数。
[0094]
在公式1中，h代表隐藏状态，它从第一个时刻一直传递到最后一个时刻，里面记录着每一时刻的隐藏信息，比如我们经过了1时刻，记录了点信息，走到了第2个时刻时，我们的用h1可以获取到在第1时刻的信息。我们把初始的h0＝0，公式1代表在每一时刻lstm都会输出一个数值，这个数值就当做该时刻的填补值。
[0095]
在公式2中，m代表掩码矩阵，他为1的话就代表该时刻有数值，此时就用原始数值当做该时刻的值，不存在缺失数据。也就是加号前边的部分。他为0的话，代表该时刻存在缺失的值，加号前边的为0，用的是加号后边的数值，那个也就是公式1中的填补值。
[0096]
公式3中，δ
t
是一个时间间隔矩阵，在上面有解释它的意思，它表示上一次所能观察到数值的距离，exp就是代表e的多少次方，整个γ
t
数值在0到1之间，如果δ
t
的数值越来越大，说明它距离上一次观察到数值的距离是很大的，所以整个γ
t
就很小了，因为缺失时间间隔很大的话，它通过隐藏状态h带来的有用信息会越来越小。δ
t
的数值越来越小，趋近于0，那么代表上一次观察到数值的地方距离很近，那么γ
t
就趋近于1，它通过隐藏状态h带来的有用信息会越来越大。
[0097]
公式4代表了一个隐藏层状态的更新，一方面，t时刻的h受到上一时刻t-1的h所影响，另一方面，受到该时刻的输入值所影响，但是该时刻可能存在缺失值，于是它乘以了个
m。h本质上它包含了之前时刻的有用信息。
[0098]
圆点表示点乘操作，常用与深度学习的运算。
[0099]
等式(1)中，将t-1时刻的隐藏层状态h经回归层输出t时刻的预测值。
[0100]
等式(2)中，x用于填补t时刻的数值。1)若存在缺失，则用t时刻的预测值x当做这一时刻数值。2)若无缺失，则使用原始数据，忽略后续操作。
[0101]
等式(3)中引入了时间衰减因子γ
t
，该因子由时间间隔δ
t
得出，代表了时间序列中的缺失模式，这对推算至关重要。
[0102]
等式(4)是将时间衰减因子与隐藏状态结合，计算下一时刻的隐藏状态h。
[0103]
以上4个式子，不断的去更新循环，去填补缺失的数据。
[0104]
上述brits生成器的损失函数包括三部分的设计，分别是有真值的数据、没真值的数据和判别器的反馈。
[0105]
图5为本发明实施例提供的一种传感器有真值的数据的场景下的损失函数的示意图，首先是传感器有真值的数据的场景，在某一时刻传感器都会有一个输出值的，如图5中画横线的地方。
[0106]
损失函数可以设计为：
[0107]
lo＝||x
⊙
m-g(x)
⊙
m||2[0108]
m代表掩码矩阵，有数值的地方就是1，没数值的地方就是0。x代表原始数据，g(x)代表生成器生成的数据。他们都乘了m矩阵，整个公式的意思是说，让有数值的地方，x原始数据减去填补的数据，就是他们的一个误差，即损失函数。
[0109]
针对传感器没有真值的数据的场景，比如图5中的x5,x6,x7。没有真值就没有办法计算这部分的损失函数，为了解决这个问题，本发明设计了一种递归的方式来对这部分的损失值进行填补，图6为本发明实施例提供的一种传感器没有真值的数据的场景下的递归方法填补损失值的示意图，如图6所示，我们先计算loss4和loss8之间的中值loss6，然后算到了loss6后，根据loss4和loss6来计算loss5，根据loss6和loss8来计算loss7。
[0110]
公式上可以表示为：
[0111][0112]
lossi代表t时刻在之前的最后一次观察到的数据的时刻的损失值，lossj代表在t时刻之后第一次观察到数据的时刻的损失函数，让他们除以2，代表该时刻的一个损失函数，前提是该时刻的数值是缺失的，即m是0，否则如果m是1，那么1-m就是0了。其中，i是t时刻之前的最后一次观测到的数据时刻，j是t时刻之后第一次观察到的数据时刻。
[0113]
关于判别器的反馈部分，本发明实施例的判别器由一个单向的lstm构成，输入一个数据矩阵，输出一个值，代表它的真实程度。将brits生成器生成的数据g(x,m,
△
)输入到判别器d中，得到一个值d(g(x,m,
△
))。这个值，对于生成器来说，希望它越大越好，也就是说我们希望生成的数据的真实程度很大，换言之，希望它的负数越来越小，于是，生成器部分的损失函数如下：
[0114]
lg＝lo l
m-λd(g(x，m，δ))
[0115]
其中λ是一个超参数，用于控制数据部分损失和判别器反馈之间的比例。
[0116]
本发明的判别器是作为生成器的对手设置的，目的在于区分真实样本数据x和生成样本数据g(x,m,
△
)。跟传统的gan网路不同，传统的gan网络架构的判别器要么为真，要么为假，这可能会导致一些问题，比如模式崩溃，于是本发明采用了wgan-gp网络，在最后一层去除sigmoid激活函数和log运算，让它的输出值不在局限于0和1之间。本发明采用dropout来防止过拟合。
[0117]
本发明的判别器的损失函数由三项构成：
[0118]
1)首先是真实的数据x，因为本身就是真实的，所有希望它的值越来越高，希望最大化d(x)，于是就最小化它的负数。
[0119]
2)然后是来自生成器的数据，生成器的数据，无论它生成的多么逼真，它始终是假的。希望最小化d(g(x,m,
△
))。
[0120]
3)为了防止梯度消失和爆炸问题，添加了梯度惩罚项3)为了防止梯度消失和爆炸问题，添加了梯度惩罚项
[0121]
最后判别器的损失函数如下：
[0122][0123]
d(g(x，m，δ))表示判别器对生成的数据的真实程度的一个概率，d(x)表示判别器对真实数据的真实程度的一个概率，表示一个梯度惩罚项，它用来防止模型过拟合。对于生成的数据，它本来就是假的，所以希望它的真实程度越来越小，对于真实数据，它本来就是真的，我们希望它越来越大，所以对它取反，希望它的相反数越来越小。
[0124]
本发明实施例的基于软硬件协作的节能型移动健康医疗监护系统的硬件部分采用调度算法，该调度算法确定各个传感器的每个时刻是传输数据还是休眠状态，考虑到这部分是会影响数据插值的准确性，于是本发明设定了一些条件，如在每个时间点至少需要有一个传感器去传输数据，这样就防止了在某个时间点全部传感器都没传输数据，还比如，为了避免某个传感器在很长时间没有传输数据，设置了一些阈值，来避免传感器长时间的不去工作，导致丢失了大量的数据，而影响数据插值的准确性。
[0125]
首先定义下不同的变量：
[0126]
表1
[0127][0128][0129]
在上述表1中，除了s之外，其他的变量值都是在进行调度算法之前根据系统的具体要求进行设定的。
[0130]
上述调度算法需要求出s，即不同的传感器在不同时间点下的一个状态。
[0131]
上述调度算法的目标函数如下：
[0132]
min{max
i∈[1，n]
{f(si)}}
[0133]
f(si)表示第i个传感器中连续最大的空闲时间，比如一个传感器它的状态s为{0,0,1,1,0,0,0,1}，它包括2个连续的0和3个连续的0，于是它的f(si)为3。
[0134]
上述调度算法的目标函数的限制条件如下：
[0135][0136][0137][0138]
公式1表示，在系统的运行周期中，第i个传感器所消耗的电量是不能够超过第i个传感器模块的电量。
[0139]
公式2表示，在第i个传感器的整个工作时间中，它的工作时长比不能低于ci，它防止了某些传感器一直处于一种休眠的状态，这样的话，缺失数据就太多了。
[0140]
公式3表示在某一时刻中，处于活动状态的传感器数量不能低于d，这防止了在某一时刻，很多传感器都休眠的状态。因为处于休眠传感器越多，缺失的数据越多。
[0141]
针对公式1，它限制了在指定的工作时间内，系统的耗电量不得超过电池的总容量。
[0142]
针对公式2，它限制了某个传感器在系统的总时间内至少工作多长时间。
[0143]
针对公式3，它限制了在某一时刻至少工作的传感器数量。
[0144]
上述调度算法的目标函数的意思是说，在满足约束的状态下，选出每个解空间中的一个代表，这个代表就是连续0个数最大的那一个解。然后在这些解当中，要找出最小的一个解。因为功耗的问题已经得到满足，我们想要尽可能使缺失的数据最少，最少的话我们就选f(si)最小的。
[0145]
为了求解上式的最优解，可以通过如下两步来求解问题：
[0146]
第一步：求解该问题：
[0147][0148]
这个最大化问题的约束条件为：
[0149][0150][0151]
公式max表示取si的值最大的状态，即1的个数最多的状态。
[0152]
上面的第二个式子表示第i个传感器所消耗的电量不能超过总电量。
[0153]
第三个式子表示第i个传感器所工作的时长比占总时长比的总比例不能小于c。
[0154]
上面这个问题是个0-1整数规划问题，可以通过单纯形法求解即可。
[0155]
第二部：循环调度算法。
[0156]
在第一步求出了每个传感器的最大活动状态，然后将时间序列值均匀的分布成具有相同生命周期的段，并用循环算法来调度不同的传感器，这一步的约束条件是
[0157]
在硬件方面通过调度算法确定各个传感器的状态，即传输还是休眠，这样达到了一个功耗的要求。然后处于休眠状态的传感器会有缺失的数据，针对此问题，我们在软件方面对缺失的数据进行填补，最后将完整的数据传至监控中心，对病人进行实时的检测。
[0158]
综上所述，本发明实施例提供了一种低功耗的节能型移动健康医疗监护系统，它从软硬件方面解决了功耗问题，并且可以实时的对病人的身体状况进行监控，而且数据的有效性经过实验的验证，也得到了保证。
[0159]
本发明实施例提供了一种软硬件方法结合的低功耗的节能型移动健康医疗监护系统。在硬件方面，提出了一种算法为各个传感器模块指定了传输生命周期的管理，同时，在软件方面，通过一种新颖的基于gan网络的数据插值方法来对传感器在休眠状态下缺失的数据进行填补。这样的话，一方面达到了节能的效果，一方面我们对缺失的数据填补，获得了完整的数据，可以对病人的身体状况进行实时的监控。
[0160]
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
[0161]
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
[0162]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0163]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。