Nothing Special   »   [go: up one dir, main page]

CN111990977A - 一种基于神经网络的可穿戴光纤传感器对人体生物参量监测装置 - Google Patents

一种基于神经网络的可穿戴光纤传感器对人体生物参量监测装置 Download PDF

Info

Publication number
CN111990977A
CN111990977A CN202010762944.8A CN202010762944A CN111990977A CN 111990977 A CN111990977 A CN 111990977A CN 202010762944 A CN202010762944 A CN 202010762944A CN 111990977 A CN111990977 A CN 111990977A
Authority
CN
China
Prior art keywords
layer
output
neural network
input
optical fiber
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010762944.8A
Other languages
English (en)
Inventor
陈勐勐
仇飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Xiaozhuang University
Original Assignee
Nanjing Xiaozhuang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Xiaozhuang University filed Critical Nanjing Xiaozhuang University
Priority to CN202010762944.8A priority Critical patent/CN111990977A/zh
Publication of CN111990977A publication Critical patent/CN111990977A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Measuring devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor or mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/22—Ergometry; Measuring muscular strength or the force of a muscular blow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/6804—Garments; Clothes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提出了一种基于神经网络的可穿戴光纤传感器的生理参量监测装置，包括监测单元、和信号检测单元，监测单元监测生理信号，并将监测到的信号输入到信号检测单元，实现生理参量的监测；所述监测单元包括相位敏感光时域反射仪系统和监测本体；所述相位敏感光时域反射仪系统包括相位敏感光时域反射仪、扇入和扇出，所述相位敏感光时域反射仪的探测信号由信号输出端口经扇入、进入监测本体，监测本体产生的散射信号经扇出被相位敏感光时域反射仪接收；所述信号检测单元包括建立模型子单元、应用模型子单元以及评估结果子单元。本发明提出了一种基于神经网络的可穿戴光纤传感器的生理参量监测装置，可用于智能化反馈指导人体的康复训练、运动员的技能训练等。

Description

一种基于神经网络的可穿戴光纤传感器对人体生物参量监测 装置
技术领域
本发明涉及光纤传感技术领域，具体地说，涉及一种基于神经网络的可穿戴光纤传感器的生理参量监测装置。
背景技术
光纤传感器工作原理是外界物理量的变化可以调制光纤中所传输光波的某一参数，使其随之变化，通过对已调制的光信号进行检测，进而解调出被测物理量的过程。在光纤传感器中，光纤不仅可以作为光波的传播媒质，并且在光纤中传播的光波因外界因素的变化而改变，同时也可将光纤作为传感元件，来探测如温度、振动、应变、形状等物理量，目前市场上的光纤传传感器对人体生物参量的检测、智能化处理与应用并不多见；即使考虑在对人体进行测量检测时，先需要在人体上布线，该种操作检测麻烦，费时费力，且对检测数据无法进行自主学习，影响检测效果。
发明内容
本发明的目的在于，为解决上述问题提供一种基于神经网络的可穿戴光纤传感器的生理参量监测装置，本发明提出的一种基于可穿戴光纤传感器对人体生物参量检测的神经网络系统，可用于检测大量的人体肢体或腰部乃至脑袋的运动时的各种扭力、运动范围、温度等参数等，经神经网络系统的智能化处理，检测结果的范围可以智能化的对应实际应用，如可用于智能化反馈指导人体的康复训练、运动员的技能训练等。
所采用的技术方案具体为：一种基于神经网络的可穿戴光纤传感器的生理参量监测装置，包括监测单元、和信号检测单元，监测单元监测生理信号，并将监测到的信号输入到信号检测单元，实现生理参量的监测；
所述监测单元包括相位敏感光时域反射仪系统和监测本体；所述相位敏感光时域反射仪系统包括相位敏感光时域反射仪、扇入和扇出，所述监测本体包括外织物层，所述外织物层的底部设置有防水层，所述防水层的底部设置有碳纤维层，所述碳纤维层的内部嵌埋有多个光纤；所述相位敏感光时域反射仪的探测信号由信号输出端口经扇入、进入光纤，光纤产生的散射信号经扇出被相位敏感光时域反射仪接收；
所述信号检测单元包括建立模型子单元、应用模型子单元以及评估结果子单元，所述建立模型子单元，用于根据监测单元监测的数据训练出分类预测模型；所述应用模型子单元，用于根据利用训练好的分类预测模型进行分类预测；评估结果子单元,用于根据分类预测结果进行评估。
优选的，所述监测本体监测的生理信号包括但不限于，人体运动时的扭力、运动范围、人体温度。
优选的，所述光纤为七芯光纤、四芯光纤或三芯光纤的多芯光纤。
优选的，所述信号检测单元实现生理参量的监测,具体包括：
获取神经网络的输入向量和输出向量；
根据所述输入向量和所述输出向量构建神经网络模型；
获取所述神经网络模型的多个训练样本；所述训练样本包括输入样本和输出样本；
根据多个所述训练样本对所述神经网络模型进行循环往复训练，生成训练后的BP神经网络模型；
获取待预测人体参量作为当前输入向量；
将所述当前输入向量输入所述训练后的神经网络模型，预测得到所述待预测人体活动指数、人体运动技能指数和人体康复指数。
优选的，所述建立模型子单元，用于根据监测单元监测的数据训练出分类预测模型中，根据监测单元监测的数据训练出分类预测模型包括：
根据输入向量和输出向量构建神经网络模型，具体包括：
确定神经网络的输入向量和输出向量，所述输入向量包括但不限于，人体运动时的扭力、运动范围、人体温度，输出向量包括但不限于为人体活动指数、人体运动技能指数和人体康复指数；
根据所述输入向量的维数确定所述神经网络的输入层神经元个数；
根据所述输出向量的维数确定所述神经网络的输出层神经元个数；
根据所述输入层神经元个数与所述输出层神经元个数确定所述BP神经网络模型的隐含层神经元个数；
根据所述输入层神经元个数、所述输出层神经元个数及所述隐含层神经元个数构建所述神经网络模型。
优选的，所述建立模型子单元，用于根据监测单元监测的数据训练出分类预测模型中，根据监测单元监测的数据训练出分类预测模型还包括：
根据多个训练样本对构建的神经网络模型进行训练，首先进行正向传播再进行逆向传播，生成训练后的神经网络模型；具体包括：
根据第k个输入样本及公式
Figure BDA0002613585250000031
确定隐含层输入向量；其中
Figure BDA0002613585250000032
为第k个输入样本对应的隐含层输入向量，其中h＝1,2,...,p，p为隐含层神经元数量；n为输入层神经元数量；
Figure BDA0002613585250000033
为输入层到隐含层的连接权值；xi(k)为第k个输入样本；bn为隐含层各神经元的阈值；
根据所述隐含层输入向量
Figure BDA0002613585250000034
及公式
Figure BDA0002613585250000035
确定隐含层输出向量；其中
Figure BDA0002613585250000036
为第k个输入样本对应的隐含层输出向量；
根据所述隐含层输出向量
Figure BDA0002613585250000037
及公式
Figure BDA0002613585250000038
确定输出层输入向量；其中
Figure BDA0002613585250000039
为第k个输入样本对应的输出层输入向量；为隐含层到输出层的连接权值；bo为输出层各神经元的阈值；
根据所述输出层输入向量
Figure BDA00026135852500000310
及公式
Figure BDA00026135852500000311
确定输出层输出向量；其中
Figure BDA00026135852500000312
为第k个输入样本对应的输出层输出向量；
优选的，根据所述输出层输入向量和所述输出层输出向量修正隐含层到输出层的连接权值；
根据所述隐含层与输出层的连接权值修正输入层到隐含层的连接权值；
根据所述隐含层到输出层的连接权值及所述输入层到隐含层的连接权值确定当前神经网络模型；
获取所述当前BP神经网络模型的实际输出；
根据所述实际输出确定全局误差；
判断所述全局误差是否小于预设误差值，获得第一判断结果；
若所述第一判断结果为所述全局误差小于预设误差值，确定所述当前神经网络模型为所述训练后的BP神经网络模型；
若所述第一判断结果为所述全局误差不小于预设误差值，令k＝k+1，返回所述根据第k个输入样本及公式
Figure BDA0002613585250000041
确定隐含层输入向量的步骤。
所述根据所述输出层输入向量和所述输出层输出向量修正隐含层到输出层的连接权值，具体包括：
根据隐含层到输出层的权值修正公式
Figure BDA0002613585250000042
修正隐含层到输出层的连接权值
Figure BDA0002613585250000043
其中
Figure BDA0002613585250000044
为连接权值
Figure BDA0002613585250000045
的第N次修正值；
Figure BDA0002613585250000046
为连接权值
Figure BDA0002613585250000047
的第N+1次修正值；η为权重变化率；δo(k)为误差函数对输出层各神经元的偏导数。
优选的，所述根据所述隐含层与输出层的连接权值修正输入层到隐含层的连接权值，具体包括：
根据输入层到隐含层的权值修正公式
Figure BDA0002613585250000048
修正输入层到隐含层的连接权值
Figure BDA0002613585250000049
其中
Figure BDA00026135852500000410
为连接权值
Figure BDA00026135852500000411
的第N次修正值；
Figure BDA00026135852500000412
为连接权值
Figure BDA00026135852500000413
的第N+1次修正值；δh(k)为误差函数对隐含层各神经元的偏导数。
优选的，所述根据所述实际输出确定全局误差，具体包括：
根据所述实际输出及全局误差公式
Figure BDA00026135852500000414
确定全局误差；其中E为全局误差；m为每个训练样本的变量维数；do(k)为第k个输入样本对应的期望输出向量；yo(k)为第k个输入样本对应的实际输出向量。
与现有技术相比，本发明的有益效果：
本发明提出的基于神经网络的可穿戴光纤传感器的生理参量监测装置中，将光纤光栅置入服饰本体内部，在检测时，只需要套上衣服即可，无需重复布线，自适应程度高，检测的准备工作的时间短，提高检测效率。该基于可穿戴光纤传感器的神经网络系统中，检测系统采用神经网络算法进行自主学习，同时，在自主学习过程中，通过正向和反向传播，使得误差不断减少，到达精度要求。用于检测大量的人体肢体或腰部乃至脑袋的运动时的各种扭力、运动范围，温度得到大量的参数等，再经神经网络系统的智能化处理，监测结果可以智能化反馈指导人体的康复训练、运动员的技能训练等。
附图说明
图1为本发明实施例中基于神经网络的可穿戴光纤传感器的生理参量监测装置的结构框图；
图2为本发明实施例中的监测本体应用于上衣示意图；
图3为本发明实施例中的七芯光纤的结构示意图；
图4为本发明实施例中监测单元的光路连接结构示意图；
图5为本发明实施例中信号检测单元的算法流程框图；
图6为本发明实施例中BP神经网络模型的训练方法的步骤流程图；
图7为BP神经网络模型的传递过程示意图；
图8为本发明实施例构建的BP神经网络模型的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
如图1，为一种基于神经网络的可穿戴光纤传感器的生理参量监测装置的框图，包括监测单元和信号检测单元，监测单元监测生理信号，并将监测到的信号输入到信号检测单元，实现生理参量的监测；
所述监测单元包括相位敏感光时域反射仪系统和监测本体；所述相位敏感光时域反射仪系统包括相位敏感光时域反射仪、扇入和扇出，所述监测本体包括外织物层，所述外织物层的底部设置有防水层，所述防水层的底部设置有碳纤维层，所述碳纤维层的内部嵌埋有多个光纤；所述相位敏感光时域反射仪的探测信号由信号输出端口经扇入、进入光纤，光纤产生的散射信号经扇出被相位敏感光时域反射仪接收；
所述信号检测单元包括建立模型子单元、应用模型子单元以及评估结果子单元，所述建立模型子单元，用于根据监测单元监测的数据训练出分类预测模型；所述应用模型子单元，用于根据利用训练好的分类预测模型进行分类预测；评估结果子单元,用于根据分类预测结果进行评估。
如图2为监测本体，本实施例的监测本体为设置有光纤的上衣，当然，也可以为裤子、鞋子、帽子、围巾等所有人体可穿戴的织物，本实施例中所用的光纤为七芯光纤，结构如图3所示；监测单元的光路连接结构如图4所示，相位敏感光时域反射仪系统的探测信号经扇入连接光纤，光纤产生的散射信号经扇出被相位敏感光时域反射仪接收接多芯光纤(3)；相位敏感光时域反射仪系统可安装在用户训练室，康复室，健身房的墙壁或地板上等固定不动的位置，从而可探测出人体穿戴后随人体运动的光纤的位置变化。
具体的，相位敏感光时域反射仪系统分段截取瑞利散射信号，使用相位敏感光时域反射仪系统中的数据分析系统一次性提取特征值，根据相位敏感光时域反射仪获得的应变值以及描述空间曲线的几何方法可以精确的计算出七芯光纤发生形状变化区域的曲率半径，尤其是通过求解Frenet-Serret常微分方程，获取形状重构特征值：切向量、法向量、副法向量，进而获得七芯光纤的扭转特征值，得到人体运动时的运动扭力和运动范围。采用的测试系统包含一台4/8通道解调仪,7通道分线盒，7芯光纤，以及形状传感测试软件，提供了一种沿着光纤长度来跟踪形状的方法，并且保证了很高的空间分辨率。不仅可以推导出光纤的曲率大小，还可以推导出光纤的方向，从而实现光纤形状的三维重建。结合光纤的体积小、灵敏度高和MRI兼容性等特点，进行形状传感实现位置跟踪。
为计算出曲率半径的值，需首先定义一个局部坐标系，计算出θi的值，如图3例中所示，图中给出了一个7芯光纤横截面结构分布、7芯光纤弯曲轴和其中性轴。在图3例中芯3受张力，而芯2和芯7受压缩力(人体运动的扭力等)，该横截面受应力所致的曲率半径与各纤芯应变值间的关系可由表达式(1)、(2)给出：
R＝r2/ε2,4＝r3/ε3,4
R＝r2/ε2,4＝r7/ε7,4
其中，R是弯曲半径，r2、r3、r7分别是芯2、芯3、芯7到中性轴的距离，ε2,4、ε3,4、ε7,4分别是芯2、芯3、芯7与芯4的应变差。根据图1中r2、r3、r7与r的三角函数关系，以及θ2、θ3、θ7夹角间依次相差2π/3的相位关系，可计算出r2、r3、r7的值。最后，将r2、r3、r7代入式(1)和(2)中，即可精确的计算出七芯光纤发生形状变化区域的曲率半径，即能确定人体运动时的弯曲程度。通过求解Frenet-Serret常微分方程，获取特征值。假设初始条件(T0，N0，B0，R0)，其中T为单位切向量，N为单位法向量，B为单位副法向量，R为曲率半径，κ为曲线的曲率，τ为曲线的挠率。根据上述各关键参数，进而获得七芯光纤的扭转特征值，得到人体运动时的运动扭力和运动范围。
如上为Frenet-Serret常微分方程。
Figure BDA0002613585250000071
另外，利用光纤测量人体的温度是本领域公知手段，这里不再赘述。
如图5，信号检测单元实现生理参量的监测,具体步骤包括：
步骤101：获取神经网络的输入向量和输出向量；
步骤102：根据所述输入向量和所述输出向量构建神经网络模型；
本实施例中神经网络模型构建方法具体包括：
根据所述输入向量的维数确定所述BP神经网络模型的输入层神经元个数n；在本实施例中输入向量为x＝(x1,x2,x3)(人体运动时的扭力、运动范围、人体温度)，因此确定输入层神经元个数n＝3；
根据所述输出向量的维数确定所述BP神经网络模型的输出层神经元个数；每个样本的输出向量为人体活动指数/人体运动技能指数/人体康复指数，所以输出层神经元个数q＝2。根据所述输入层神经元个数n与所述输出层神经元个数q确定所述BP神经网络模型的隐含层神经元个数p；一般隐含层节点个数要大于输入层和输出层节点个数，隐含层节点过多会造成“过拟合”，因此本实施例中确定所述神经网络模型的隐含层神经元个数p＝5；
根据所述输入层神经元个数、所述输出层神经元个数及所述隐含层神经元个数构建所述神经网络模型；
所述BP神经网络模型输入层有n个神经元，隐含层有p个神经元，输出层有q个神经元，其中输入向量为x＝(x1，x2，…，xn)，隐含层输入向量为
Figure BDA0002613585250000081
隐含层输出向量为
Figure BDA0002613585250000082
输出层输入向量为
Figure BDA0002613585250000083
输出层输出向量为
Figure BDA0002613585250000084
期望输出向量为do＝(d1，d2，…，dq)，输入层与中间层的连接权值为wih，隐含层与输出层的连接权值为wh0，隐含层各神经元的阈值为bh，输出层各神经元的阈值为b0，样本数据个数k＝1,2,...,m。激活函数为S型函数：
Figure BDA0002613585250000085
误差函数为：
Figure BDA0002613585250000086
本发明构建的地上生物量预测的BP神经网络模型输入向量为x＝(x1,x2,x3)(x1,x2,x3分别表示人体运动时的扭力、运动范围、人体温度)；为输入向量x＝(x1,x2,x3)经过加权wih后进入隐含层时的输入向量，此时维数由3变为5；
Figure BDA0002613585250000087
Figure BDA0002613585250000091
为经过各神经元阈值bh后输出的向量，维数为5；
Figure BDA0002613585250000092
为
Figure BDA0002613585250000093
Figure BDA0002613585250000094
经过隐含层与输出层的权值wh0加权后得到的输出层的向量，此时维数由5变成了1；为多个训练样本的实际输出(BP神经网络训练出来的人体活动指数/人体运动技能指数/人体康复指数)。
所述建立预测模型也可以考虑使用支持向量机、梯度提升以及高斯过程回归等方法，但是针对人体生理参量的预测，BP神经网络模型的预测最为准确，因此本实施例所述方法选择建立所述BP神经网络模型。
步骤103：获取所述BP神经网络模型的多个训练样本；所述训练样本包括输入样本和输出样本。
步骤104：根据多个所述训练样本对所述BP神经网络模型进行循环往复训练，生成训练后的BP神经网络模型；如图6，所述BP神经网络模型的训练方法具体包括以下步骤：
步骤(1)：网络初始化。给各连接权值分别赋一个区间(-1,1)内的随机数，设定误差函数e，给定计算精度ε和最大学习次数M。
计算精度优选为ε＝10e-5，最大学习次数优选为M＝100。
步骤(2)：随机选取第k个输入样本以及对应的期望输出：
x(k)＝(x1(k),x2(k),…,xn(k))
do(k)＝(d1(k),d2(k),…,dq(k))
其中x1(k)，x2(k)，...，xn(k)分别代表3个输入变量(人体运动时的扭力、运动范围、人体温度)；do(k)代表因变量(人体活动指数/人体运动技能指数/人体康复指数)。
步骤(3)：计算隐含层各神经元的输入和输出：
Figure BDA0002613585250000095
Figure BDA0002613585250000096
Figure BDA0002613585250000101
Figure BDA0002613585250000102
其中隐含层输入向量
Figure BDA0002613585250000103
是输入层经过加权得到的，隐含层输出向量
Figure BDA0002613585250000104
是加权后由激活函数计算出的隐含层输出值；输出层输入向量
Figure BDA0002613585250000105
是隐含层输出值经过加权得到的输出层输入值；输出层输出向量
Figure BDA0002613585250000106
是输出层输入值代入激活函数得到的输出层输出值。
具体为，根据第k个输入样本及公式
Figure BDA0002613585250000107
确定隐含层输入向量；其中
Figure BDA0002613585250000108
为第k个输入样本对应的隐含层输入向量，其中h＝1，2，...，p，p为隐含层神经元数量；n为输入层神经元数量；wih为输入层到隐含层的连接权值；xi(k)为第k个输入样本；bh为隐含层各神经元的阈值；
根据所述隐含层输入向量
Figure BDA0002613585250000109
及公式
Figure BDA00026135852500001010
确定隐含层输出向量；其中
Figure BDA00026135852500001011
为第k个输入样本对应的隐含层输出向量；
根据所述隐含层输出向量
Figure BDA00026135852500001012
及公式
Figure BDA00026135852500001013
确定输出层输入向量；其中
Figure BDA00026135852500001014
为第k个输入样本对应的输出层输入向量；wh0为隐含层到输出层的连接权值；b0为输出层各神经元的阈值；
根据所述输出层输入向量
Figure BDA00026135852500001015
及公式
Figure BDA00026135852500001016
确定输出层输出向量；其中
Figure BDA00026135852500001017
为第k个输入样本对应的输出层输出向量；
步骤4：根据所述输出层输入向量和所述输出层输出向量修正隐含层到输出层的连接权值。
利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数δo(k)可得修正隐含层到输出层的连接权值满足关系式：
Figure BDA00026135852500001018
完成一次正向传播(从输入层-隐含层-输出层)后，此时的误差函数(BP计算出的值和实际训练的值为自变量构成的函数)值一般大于预设的计算精度ε，所以就要进行逆向传播(反过去修正权值，使误差变小)，一直反复修正权值和阈值，使误差函数值达到计算精度。所以这里计算偏导就是修正权值，这里是数学推理过程，符号表示和前文一样。
Figure BDA0002613585250000111
Figure BDA0002613585250000112
利用输出层各神经元δo(k)和隐含层各神经元的输出来修正连接权值
Figure BDA0002613585250000113
Figure BDA0002613585250000114
得到的隐含层到输出层的权值修正公式：
Figure BDA0002613585250000115
其中
Figure BDA0002613585250000116
为连接权值
Figure BDA0002613585250000117
的第N次修正值；
Figure BDA0002613585250000118
为连接权值
Figure BDA0002613585250000119
的第N+1次修正值；η为权重变化率，0＜η＜1，η的值太大会影响
Figure BDA00026135852500001110
的稳定，太小会使
Figure BDA00026135852500001111
的求取收敛速度太慢；δo(k)为误差函数对输出层各神经元的偏导数。
步骤(5)：根据所述隐含层与输出层的连接权值修正输入层到隐含层的连接权值。
利用隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)可得修正输入层到隐含层的连接权值满足公式：
Figure BDA00026135852500001112
Figure BDA00026135852500001113
Figure BDA00026135852500001114
Figure BDA0002613585250000121
利用隐含层各神经元的δh(k)和输入层神经元的输入参数修正连接权值：
Figure BDA0002613585250000122
得到的输入层到隐含层的权值修正公式：
Figure BDA0002613585250000123
其中
Figure BDA0002613585250000124
为连接权值
Figure BDA0002613585250000125
的第N次修正值；
Figure BDA0002613585250000126
为连接权值
Figure BDA0002613585250000127
的第N+1次修正值；δh(k)为误差函数对隐含层各神经元的偏导数。
步骤(6)：根据所述隐含层到输出层的连接权值及所述输入层到隐含层的连接权值确定当前BP神经网络模型。
步骤(7)：获取所述当前BP神经网络模型的实际输出。
步骤(8)：根据所述实际输出确定全局误差。
所述全局误差计算公式为：
Figure BDA0002613585250000128
其中E为全局误差；m为每个训练样本的变量维数；do(k)为第k个输入样本对应的期望输出向量；yo(k)为第k个输入样本对应的实际输出向量。
步骤(9)：判断所述全局误差是否小于预设误差值，获得第一判断结果。若所述第一判断结果为所述全局误差小于预设误差值，或者学习次数大于设定的最大次数，则算法结束，确定所述当前BP神经网络模型为所述训练后的BP神经网络模型；若所述第一判断结果为所述全局误差不小于预设误差值，令k＝k+1，选取下一个学习样本及对应的期望输出，返回所述步骤(3)，进行下一轮学习。
步骤105：获取待预测人体参量作为当前输入向量。
步骤106：将所述当前输入向量输入所述训练后的BP神经网络模型，获得所述待预测人体的人体活动指数/人体运动技能指数/人体康复指数。
当得出人体活动指数/人体运动技能指数/人体康复指数等相关指数时，可对比设定的相关阈值，当超过阈值可触发报警，以提示用户停止正在进行的活动或运动。
如图7为BP神经网络模型的传递过程示意图；图8为本发明实施例构建的BP神经网络模型的示意图。
本发明提出的基于神经网络的可穿戴光纤传感器的生理参量监测装置中，将光纤光栅置入服饰本体内部，在检测时，只需要套上衣服即可，无需重复布线，自适应程度高，检测的准备工作的时间短，提高检测效率。该基于可穿戴光纤传感器的神经网络系统中，检测系统采用神经网络算法进行自主学习，同时，在自主学习过程中，通过正向和反向传播，使得误差不断减少，到达精度要求。用于检测大量的人体肢体或腰部乃至脑袋的运动时的各种扭力、运动范围，温度得到大量的参数等，再经神经网络系统的智能化处理，监测结果可以智能化反馈指导人体的康复训练、运动员的技能训练等。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.一种基于神经网络的可穿戴光纤传感器的生理参量监测装置，其特征在于，包括监测单元、和信号检测单元，监测单元监测生理信号，并将监测到的信号输入到信号检测单元，实现生理参量的监测；
所述监测单元包括相位敏感光时域反射仪系统和监测本体；所述相位敏感光时域反射仪系统包括相位敏感光时域反射仪、扇入和扇出，所述监测本体包括外织物层，所述外织物层的底部设置有防水层，所述防水层的底部设置有碳纤维层，所述碳纤维层的内部嵌埋有多个光纤；所述相位敏感光时域反射仪的探测信号由信号输出端口经扇入、进入光纤，光纤产生的散射信号经扇出被相位敏感光时域反射仪接收；
所述信号检测单元包括建立模型子单元、应用模型子单元以及评估结果子单元，所述建立模型子单元，用于根据监测单元监测的数据训练出分类预测模型；所述应用模型子单元，用于根据利用训练好的分类预测模型进行分类预测；评估结果子单元,用于根据分类预测结果进行评估。
2.根据权利要求1所述的一种基于神经网络的可穿戴光纤传感器的生理参量监测装置，其特征在于，所述监测本体监测的生理信号包括但不限于，人体运动时的扭力、运动范围、人体温度。
3.根据权利要求1所述的一种基于神经网络的可穿戴光纤传感器的生理参量监测装置，其特征在于，所述光纤为七芯光纤、四芯光纤或三芯光纤的多芯光纤。
4.根据权利要求1所述的一种基于神经网络的可穿戴光纤传感器的生理参量监测装置，其特征在于，所述信号检测单元实现生理参量的监测,具体包括：
获取神经网络的输入向量和输出向量；
根据所述输入向量和所述输出向量构建神经网络模型；
获取所述神经网络模型的多个训练样本；所述训练样本包括输入样本和输出样本；
根据多个所述训练样本对所述神经网络模型进行循环往复训练，生成训练后的BP神经网络模型；
获取待预测人体参量作为当前输入向量；
将所述当前输入向量输入所述训练后的神经网络模型，预测得到所述待预测人体活动指数、人体运动技能指数和人体康复指数。
5.根据权利要求1所述的一种基于神经网络的可穿戴光纤传感器的生理参量监测装置，其特征在于，所述建立模型子单元，用于根据监测单元监测的数据训练出分类预测模型中，根据监测单元监测的数据训练出分类预测模型包括：
根据输入向量和输出向量构建神经网络模型，具体包括：
确定神经网络的输入向量和输出向量，所述输入向量包括但不限于，人体运动时的扭力、运动范围、人体温度，输出向量包括但不限于为人体活动指数、人体运动技能指数和人体康复指数；
根据所述输入向量的维数确定所述神经网络的输入层神经元个数；
根据所述输出向量的维数确定所述神经网络的输出层神经元个数；
根据所述输入层神经元个数与所述输出层神经元个数确定所述BP神经网络模型的隐含层神经元个数；
根据所述输入层神经元个数、所述输出层神经元个数及所述隐含层神经元个数构建所述神经网络模型。
6.根据权利要求5所述的一种基于神经网络的可穿戴光纤传感器的生理参量监测装置，其特征在于，所述建立模型子单元，用于根据监测单元监测的数据训练出分类预测模型中，根据监测单元监测的数据训练出分类预测模型还包括：
根据多个训练样本对构建的神经网络模型进行训练，首先进行正向传播再进行逆向传播，生成训练后的神经网络模型；具体包括：
根据第k个输入样本及公式
Figure FDA0002613585240000021
确定隐含层输入向量；其中
Figure FDA0002613585240000022
为第k个输入样本对应的隐含层输入向量，其中h＝1,2,...,p，p为隐含层神经元数量；n为输入层神经元数量；
Figure FDA0002613585240000023
为输入层到隐含层的连接权值；xi(k)为第k个输入样本；bn为隐含层各神经元的阈值；
根据所述隐含层输入向量
Figure FDA0002613585240000024
及公式
Figure FDA0002613585240000025
确定隐含层输出向量；其中
Figure FDA0002613585240000031
为第k个输入样本对应的隐含层输出向量；
根据所述隐含层输出向量
Figure FDA0002613585240000032
及公式
Figure FDA0002613585240000033
确定输出层输入向量；其中
Figure FDA0002613585240000034
为第k个输入样本对应的输出层输入向量；为隐含层到输出层的连接权值；bo为输出层各神经元的阈值；
根据所述输出层输入向量
Figure FDA0002613585240000035
及公式
Figure FDA0002613585240000036
确定输出层输出向量；其中
Figure FDA0002613585240000037
为第k个输入样本对应的输出层输出向量；
根据所述输出层输入向量和所述输出层输出向量修正隐含层到输出层的连接权值；
根据所述隐含层与输出层的连接权值修正输入层到隐含层的连接权值；
根据所述隐含层到输出层的连接权值及所述输入层到隐含层的连接权值确定当前神经网络模型；
获取所述当前BP神经网络模型的实际输出；
根据所述实际输出确定全局误差；
判断所述全局误差是否小于预设误差值，获得第一判断结果；
若所述第一判断结果为所述全局误差小于预设误差值，确定所述当前神经网络模型为所述训练后的BP神经网络模型；
若所述第一判断结果为所述全局误差不小于预设误差值，令k＝k+1，返回所述根据第k个输入样本及公式
Figure FDA0002613585240000038
确定隐含层输入向量的步骤。
7.根据权利要求6所述的一种基于神经网络的可穿戴光纤传感器的生理参量监测装置，其特征在于，所述根据所述输出层输入向量和所述输出层输出向量修正隐含层到输出层的连接权值，具体包括：
根据隐含层到输出层的权值修正公式
Figure FDA0002613585240000039
修正隐含层到输出层的连接权值
Figure FDA00026135852400000310
其中
Figure FDA00026135852400000311
为连接权值
Figure FDA00026135852400000312
的第N次修正值；
Figure FDA00026135852400000313
为连接权值
Figure FDA00026135852400000314
的第N+1次修正值；η为权重变化率；δo(k)为误差函数对输出层各神经元的偏导数。
8.根据权利要求6所述的一种基于神经网络的可穿戴光纤传感器的生理参量监测装置，其特征在于，所述根据所述隐含层与输出层的连接权值修正输入层到隐含层的连接权值，具体包括：
根据输入层到隐含层的权值修正公式
Figure FDA0002613585240000041
修正输入层到隐含层的连接权值
Figure FDA0002613585240000042
其中
Figure FDA0002613585240000043
为连接权值
Figure FDA0002613585240000044
的第N次修正值；
Figure FDA0002613585240000045
为连接权值
Figure FDA0002613585240000046
的第N+1次修正值；δh(k)为误差函数对隐含层各神经元的偏导数。
9.根据权利要求6所述的一种基于神经网络的可穿戴光纤传感器的生理参量监测装置，其特征在于，所述根据所述实际输出确定全局误差，具体包括：
根据所述实际输出及全局误差公式
Figure FDA0002613585240000047
确定全局误差；其中E为全局误差；m为每个训练样本的变量维数；do(k)为第k个输入样本对应的期望输出向量；yo(k)为第k个输入样本对应的实际输出向量。
CN202010762944.8A 2020-07-31 2020-07-31 一种基于神经网络的可穿戴光纤传感器对人体生物参量监测装置 Pending CN111990977A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010762944.8A CN111990977A (zh) 2020-07-31 2020-07-31 一种基于神经网络的可穿戴光纤传感器对人体生物参量监测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010762944.8A CN111990977A (zh) 2020-07-31 2020-07-31 一种基于神经网络的可穿戴光纤传感器对人体生物参量监测装置

Publications (1)

Publication Number Publication Date
CN111990977A true CN111990977A (zh) 2020-11-27

Family

ID=73463285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010762944.8A Pending CN111990977A (zh) 2020-07-31 2020-07-31 一种基于神经网络的可穿戴光纤传感器对人体生物参量监测装置

Country Status (1)

Country Link
CN (1) CN111990977A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220364846A1 (en) * 2019-09-03 2022-11-17 Nippon Telegraph And Telephone Corporation Fiber optic cable sensing device, fiber optic cable sensing method, and program
CN116540361A (zh) * 2023-07-05 2023-08-04 中国电信股份有限公司 多芯传输系统和多芯传输方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6498652B1 (en) * 2000-02-08 2002-12-24 Deepak Varshneya Fiber optic monitor using interferometry for detecting vital signs of a patient
CN109001136A (zh) * 2018-09-20 2018-12-14 杭州绿洁水务科技股份有限公司 一种基于紫外—可见光吸收光谱的cod在线监测方法
CN109214591A (zh) * 2018-10-12 2019-01-15 北京林业大学 一种木本植物地上生物量预测方法及系统
CN110569593A (zh) * 2019-09-05 2019-12-13 武汉纺织大学 着装人体三维尺寸测量方法、系统、存储介质及电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6498652B1 (en) * 2000-02-08 2002-12-24 Deepak Varshneya Fiber optic monitor using interferometry for detecting vital signs of a patient
CN109001136A (zh) * 2018-09-20 2018-12-14 杭州绿洁水务科技股份有限公司 一种基于紫外—可见光吸收光谱的cod在线监测方法
CN109214591A (zh) * 2018-10-12 2019-01-15 北京林业大学 一种木本植物地上生物量预测方法及系统
CN110569593A (zh) * 2019-09-05 2019-12-13 武汉纺织大学 着装人体三维尺寸测量方法、系统、存储介质及电子设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220364846A1 (en) * 2019-09-03 2022-11-17 Nippon Telegraph And Telephone Corporation Fiber optic cable sensing device, fiber optic cable sensing method, and program
CN116540361A (zh) * 2023-07-05 2023-08-04 中国电信股份有限公司 多芯传输系统和多芯传输方法
CN116540361B (zh) * 2023-07-05 2023-09-12 中国电信股份有限公司 多芯传输系统和多芯传输方法

Similar Documents

Publication Publication Date Title
Wu et al. A novel DAS signal recognition method based on spatiotemporal information extraction with 1DCNNs-BiLSTM network
CN109940622A (zh) 一种基于电机电流的机器人机械臂无传感碰撞检测方法
CN113296087B (zh) 一种基于数据增强的调频连续波雷达人体动作识别方法
RU2013134980A (ru) Устройство и способ для анализа свинга в гольфе
CN110236550B (zh) 一种基于多模态深度学习的人体步态预测装置
US20190008419A1 (en) Rehabilitation evaluation apparatus, rehabilitation evaluation method, and rehabilitation evaluation program
CN111990977A (zh) 一种基于神经网络的可穿戴光纤传感器对人体生物参量监测装置
CN114896672B (zh) 一种基于CSO-BiLSTM网络的桥梁动态位移重构方法
CN107967489A (zh) 一种异常检测方法及系统
CN109009145A (zh) 一种基于穿戴设备的跌倒判断方法
CN108846200B (zh) 一种基于迭代法的准静态桥梁影响线识别方法
CN104990721B (zh) 基于经验模态分解的应力应变重构方法
CN103637800B (zh) 基于八段阻抗模型的人体成分分析的方法
CN116502069B (zh) 一种基于深度学习的触觉时序信号识别方法
CN108256238A (zh) 一种基于深度学习的光纤光栅波长解调方法及装置
CN113820062B (zh) 六维力传感器的温度补偿方法
CN109876390A (zh) 一种跑步机控制系统、跑步机及跑步机控制方法
CN107437112B (zh) 一种基于改进多尺度核函数的混合rvm模型预测方法
CN117390770A (zh) 基于卷积神经网络算法的火星探测器着陆轨迹优化方法
CN109579828A (zh) 一种基于弧形磁场传感器阵列的定位系统及其使用方法
Zhang et al. The prediction of heart rate during running using Bayesian combined predictor
CN113973403A (zh) 基于结构离散测点拓扑的温致应变场重分布智能感知方法
Sun Wearable glove gesture recognition based on fiber Bragg grating sensing using genetic algorithm-back propagation neural network
CN107588788A (zh) 基于熵权‑层次分析的光纤和智能涂层数据融合实现方法
CN118121196B (zh) 一种hct预测方法、系统、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination