一種基於BCG信號的多人身份識別方法及系統與流程
2024-04-14 20:46:05
一種基於bcg信號的多人身份識別方法及系統
技術領域
1.本發明涉及醫療設備領域，尤其涉及一種基於bcg信號的多人身份識別方法及系統。
背景技術：
2.臨床上常用多導睡眠儀(polysomnography,psg)進行睡眠監測，但其操作複雜、成本高且影響睡眠。目前主流研究方向還有非接觸式心衝擊(ballistocardiography,bcg)信號的睡眠監測，bcg信號源於心臟泵血引起血液在大血管中的流動，與人體緊密接觸的支撐物體上形成衝擊力，通過非直接接觸身體的高靈敏壓電薄膜(pvdf)傳感器採集微弱震動信號，可以提取心搏、呼吸、體動等生理參數。
3.基於高靈敏壓電薄膜(pvdf)傳感器的睡眠監測設備大量用於居家養老，針對居家場景，一般需要布置兩套或以上傳感器滿足多人睡眠監測使用，目前市面上有適用於雙人的高靈敏壓電薄膜監測方案，雖然能實現多人信號的分離和監測，但是需要識別多人的身份，現有技術的多人身份識別一般採用指紋，臉部，矩陣壓力分布等技術識別，這些方案中會額外增加系統集成的成本和複雜度，比如指紋識別會破壞壓電傳感器非接觸的體驗感受，臉部識別會讓設備安裝變得複雜，給用戶造成學習成本，破壞了非接觸產品的體驗感。
4.在多人同睡場景下，如何構建一套簡單易行且用戶體驗好的識別多人身份的方法，是當前亟需解決的技術問題。
技術實現要素：
5.本發明的目的是針對現有技術的多人睡眠檢測中識別每個人的身份導致系統複雜且用戶體驗不佳的技術問題，本發明提出一種基於bcg信號的多人身份識別方法及系統。
6.本發明實施例中，提供了一種基於bcg信號的多人身份識別方法，其包括：
7.採集多人的bcg信號並進行處理，分別從中提取出每個bcg信號的特徵參數，並構建與每個人身份相應的特徵參數集；
8.將所述特徵參數集及其對應的身份輸入至神經網絡識別模型中進行訓練，得到神經網絡識別模型的神經網絡參數表；
9.對新採集到的多人的bcg信號進行處理，分別從中提取出每個bcg信號的特徵參數；
10.將每個bcg信號的特徵參數輸入至所述神經網絡識別模型，識別出每個bcg信號對應的身份。
11.本發明實施例中，採集多人的bcg信號並進行處理，分別從中提取出每個人的bcg特徵參數，並構建與每個人身份相應的特徵參數集，包括：
12.對心率bcg信號濾波整形，獲得每個人的心率bcg信號h(t)；
13.對心率bcg信號h(t)進行傅立葉運算，得到心率的周期頻率及心率周期；
14.根據心率周期對心率bcg信號h(t)進行周期分幀，並獲取每個周期內最大波峰的
極值點j、位於j點前的一個最近波谷的極值點i、位於j點前的一個最近波峰的極值點h、位於j點後的一個波谷的極值點k、位於j點後的一個波峰的極值點l的相對時域位置，並根據h,i,j,k,l各點的相對位置剔除不合格的周期分幀；
15.根據判定合格的心率bcg周期分幀，構造每個周期分幀中各個極值點在時域上的差值δhi,δhj,δhk,δhl,δij,δik,δil,δjk,δjl,δkl，作為特徵向量。
16.本發明實施例中，根據h,i,j,k,l各點的相對位置剔除不合格的周期分幀，包括：
17.判斷每個周期分幀中相鄰的兩個極值點的時間差是否小於0.8倍的周期，是則判斷該周期分幀合格，否則不合格。
18.本發明實施例中，所述神經網絡識別模型採用反向神經網絡bpnn架構。
19.本發明實施例中，還提供了一種基於bcg信號的多人身份識別系統，其包括：
20.bcg信號採集模塊，用於採集多人的bcg信號；
21.bcg特徵處理模塊，用於對多人的bcg信號並進行處理，分別從中提取出每個bcg信號的特徵參數，並構建與每個人身份相應的特徵參數集；
22.神經網絡訓練模塊，用於將所述特徵參數集及其對應的身份輸入至神經網絡識別模型中進行訓練，得到神經網絡識別模型的神經網絡參數表；
23.bcg特徵預測模塊，用於根據所述神經網絡參數表重構神經網絡識別模型，採用所述神經網絡設備模型根據每個bcg信號的特徵參數集對與該信號相應的身份進行識別。
24.本發明實施例中，所述bcg採集模塊、所述bcg特徵處理模塊和所述bcg特徵預測模塊都設置於睡眠監測設備內，所述神經網絡訓練模塊為與所述睡眠監測設備通信連接的雲端計算裝置。
25.本發明實施例中，所述bcg特徵處理模塊採集多人的bcg信號並進行處理，分別從中提取出每個人的bcg特徵參數，並構建與每個人身份相應的特徵參數集，包括：
26.對心率bcg信號濾波整形，獲得每個人的心率bcg信號h(t)；
27.對心率bcg信號h(t)進行傅立葉運算，得到心率的周期頻率及心率周期；
28.根據心率周期對心率bcg信號h(t)進行周期分幀，並獲取每個周期內最大波峰的極值點j、位於j點前的一個最近波谷的極值點i、位於j點前的一個最近波峰的極值點h、位於j點後的一個波谷的極值點k、位於j點後的一個波峰的極值點l的相對時域位置，並根據h,i,j,k,l各點的相對位置剔除不合格的周期分幀；
29.根據判定合格的心率bcg周期信號，構造每個周期中各個極值點在時域上的差值δhi,δhj,δhk,δhl,δij,δik,δil,δjk,δjl,δkl，作為特徵向量。
30.本發明實施例中，根據h,i,j,k,l各點的相對位置剔除不合格的周期分幀，包括：
31.判斷每個周期分幀中相鄰的兩個極值點的時間差是否小於0.8倍的周期，是則判斷該周期分幀合格，否則不合格。
32.本發明實施例中，所述神經網絡識別模型採用反向神經網絡bpnn架構。
33.本發明實施例中，所述的基於bcg信號的多人身份識別系統，還包括：
34.雲端數據緩存模塊，用於接受和管理帶有身份信息的睡眠監測參數。
35.與現有技術相比較，本發明的基於bcg信號的多人身份識別方法及系統，通過監測設備提取多人的bcg信號，構建多人的特徵參數集，利用所述特徵參數集對神經網絡進行訓練，得到神經網路識別模型，採用所述神經網絡識別模型，可以準確地實現多人同睡場景下
的身份與睡眠監測數據的匹配，不增加集成成本，高效實時，用戶體驗好。
附圖說明
36.圖1是本發明實施例的基於bcg信號的多人身份識別方法的流程圖。
37.圖2是本發明實施例中對bcg信號進行處理的流程圖。
38.圖3是本發明實施例中的心率bcg周期信號的示意圖。
39.圖4是本發明實施例的基於bcg信號的多人身份識別系統的結構示意圖。
具體實施方式
40.如圖1所示，本發明實施例中，提供了本發明實施例中，提供了一種基於bcg信號的多人身份識別方法，其包括步驟s1-步驟s4。下面分別進行說明。
41.步驟s1：採集多人的bcg信號並進行處理，分別從中提取出每個bcg信號的特徵參數，並構建與每個人身份相應的特徵參數集。
42.如圖2所示，步驟s1的具體實現過程包括：
43.步驟s11：睡眠監測設備針對多人同睡場景下，通過若干壓電傳感器同時分別採樣各人的bcg體震信號；
44.步驟s12：對採集到的bcg體震信號進行心率信號濾波(典型的設置為0.8hz高通，10hz低通)獲得心率部分的信號，並對該信號進行相關的預處理，獲得心率bcg信號h(t)；
45.步驟s13：針對各人心率bcg信號h(t)進行傅立葉快速運算，結合頻譜峰值，進行高階插值算法，獲得精準的心率的周期頻率f,以及心率周期t＝1/f；
46.步驟s14：根據h(t)心率周期t對h(t)進行周期分幀，並取得心率周期連續數個幀內最大波峰的極值點j，如圖3所示；
47.步驟s15：根據極值點j，找到bcg心率周期內的位於j點前的一個最近波谷的極值點i、位於j點前的一個最近波峰的極值點h、位於j點後的一個波谷的極值點k、位於j點後的一個波峰的極值點l的相對時域位置，並計算各個相鄰極值點之間的時間差，確保該時間差小於0.8*t，否則作為無效周期信號捨棄，不用於後續特徵向量；
48.步驟s16：用判定合格的心率bcg周期分幀信號，構造時域上的每兩個極值點的差值δhi,δhj,δhk,δhl,δij,δik,δil,δjk,δjl,δkl作為特徵向量,向量表達式為p＝{δhi,δhj,δhk,δhl,δij,δik,δil,δjk,δjl,δkl}，多人場景下分別表達為p1,p2...pn(n為人數)；
49.步驟s17：構建多人特徵向量p1,p2...pn作為神經網絡輸入節點，z1,z2...zn為每個信號對應的身份，作為網絡輸出節點。
50.步驟s2：將所述特徵參數集及其對應的身份輸入至神經網絡識別模型中進行訓練，得到神經網絡識別模型的神經網絡參數表。
51.需要說明的是，所述神經網絡識別模型採用反向神經網絡bpnn架構，其可以按照同睡人數n作為輸出分類的節點來靈活調整神經網絡結構。
52.步驟s3：對新採集到的多人的bcg信號進行處理，分別從中提取出每個bcg信號的特徵參數。
53.需要說明的是，神經網絡識別模型訓練完成後，即可用於身份識別，在對每個bcg
信號進行識別時，需要輸入每個bcg信號的特徵參數。因此，在識別之前，首先需要提取出每個bcg信號的特徵參數。bcg信號的特徵參數的提取過程與步驟s1中的提取過程一致，此處不再贅述。
54.步驟s4：將每個bcg信號的特徵參數輸入至所述神經網絡識別模型，識別出每個bcg信號對應的身份。
55.需要說明的是，所述神經網絡識別模型可以設置於所述睡眠檢測設備內，也可以設置於雲端的計算裝置。所述神經網絡模型根據輸入的bcg信號的特徵參數特徵向量p1，p2，pn，輸出對應的身份分類結果zx,x∈{1,2，
…
n},z∈{z1，z2
…
zn}。適當的，為降低誤判率，對應的個人bcg信號特徵向量可以多次獲取並送入所述神經網絡識別模型，進行多次概率統計，降低誤差。
56.身份特徵識別完成後，可將身份分類信息zx與對應bcg信號進行綁定，並綁定相應的睡眠監測數據，形成帶身份標籤的睡眠監測數據記錄，並上傳分發至伺服器進行數據歸檔處理，提供多人同睡場景下身份識別。
57.如圖4所示，本發明實施例中，還提供了一種基於bcg信號的多人身份識別系統，其包括bcg信號採集模塊1、bcg特徵處理模塊2、神經網絡訓練模塊3、bcg特徵預測模塊4和雲端數據緩存模塊5。下面分別進行說明。
58.所述bcg信號採集模塊1，用於採集多人的bcg信號。
59.所述bcg特徵處理模塊2，用於對多人的bcg信號並進行處理，分別從中提取出每個bcg信號的特徵參數，並構建與每個人身份相應的特徵參數集。
60.本發明實施例中，所述bcg特徵處理模塊1採集多人的bcg信號並進行處理，分別從中提取出每個人的bcg特徵參數，並構建與每個人身份相應的特徵參數集，包括：
61.對心率bcg信號濾波整形，獲得每個人的心率bcg信號h(t)；
62.對心率bcg信號h(t)進行傅立葉運算，得到心率的周期頻率及心率周期；
63.根據心率周期對心率bcg信號h(t)進行周期分幀，並獲取每個周期內最大波峰的極值點j、位於j點前的一個最近波谷的極值點i、位於j點前的一個最近波峰的極值點h、位於j點後的一個波谷的極值點k、位於j點後的一個波峰的極值點l的相對時域位置，並根據h,i,j,k,l各點的相對位置剔除不合格的周期分幀；
64.根據判定合格的心率bcg周期信號，構造每個周期中各個極值點在時域上的差值δhi,δhj,δhk,δhl,δij,δik,δil,δjk,δjl,δkl，作為特徵向量。
65.進一步地，根據h,i,j,k,l各點的相對位置剔除不合格的周期分幀，包括：
66.判斷每個周期分幀中相鄰的兩個極值點的時間差是否小於0.8倍的周期，是則判斷該周期分幀合格，否則不合格。
67.所述神經網絡訓練模塊3，用於將所述特徵參數集及其對應的身份輸入至神經網絡識別模型中進行訓練，得到神經網絡識別模型的神經網絡參數表。
68.本發明實施例中，所述神經網絡識別模型採用反向神經網絡bpnn架構。所述神經網絡訓練模塊3訓練得到所述神經網絡參數表後，將所述神經網絡參數表發送給所述bcg特徵預測模塊4。
69.所述bcg特徵預測模塊4，用於根據所述神經網絡參數表重構神經網絡識別模型，採用所述神經網絡設備模型根據每個bcg信號的特徵參數集對與該信號相應的身份進行識
別。
70.所述雲端數據緩存模塊5，用於接受和管理帶有身份信息的睡眠監測參數。
71.需要說明的是，本發明實施例中，所述bcg採集模塊1、所述bcg特徵處理模塊2和所述bcg特徵預測模塊4都設置於睡眠監測設備內，所述神經網絡訓練模塊3為與所述睡眠監測設備通信連接的雲端計算裝置。所述雲端計算裝置可以是位於雲端的伺服器，也可以是智慧型手機，利用雲計算裝置進行對神經網絡進行訓練，可以利用雲計算裝置的數據處理能力，從而無需在睡眠監測裝置中設置高性能的處理器，降低睡眠監測裝置的成本。
72.綜上所述，本發明的基於bcg信號的多人身份識別方法及系統，通過監測設備提取多人的bcg信號，構建多人的特徵參數集，利用所述特徵參數集對神經網絡進行訓練，得到神經網路識別模型，採用所述神經網絡識別模型，可以準確地實現多人同睡場景下的身份與睡眠數據的匹配，不增加集成成本，高效實時，用戶體驗好。
73.以上所述僅為本發明的較佳實施例而已，並不用以限制本發明，凡在本發明的精神和原則之內所作的任何修改、等同替換和改進等，均應包含在本發明的保護範圍之內。