[发明专利]一种建立心跳冲击波形态特征库的方法

说明书

技术领域

本发明涉及一种建立心跳冲击波形态特征库的方法，特别是涉及一种利用机器学习的方式建立心跳冲击波形态特征库的方法。

背景技术

医学、健康学等等诸多领域广泛需要测量人体心跳特征，一种测量人体心跳特征的方式是人躺在床上静止后，用震动传感器采集人心脏跳动时对床产生的震动数据从而得到人体心跳特征（下称心跳冲击波形态特征），这种方式虽然方便且对被测试者影响小，但采集的数据会因为受到多种因素的影响而精确性较差。影响的因素包括但不限于：人躺在床上的姿势、床周围有人走过等等。所以用这种方法采集的心跳冲击波形态特征数据需要经过筛选或者修正。目前对这种通过测量床铺震动得到的心跳冲击波形态特征数据进行筛选或者修正的方式为先建立心跳冲击波形态特征库，然后将测量得到的心跳冲击波形态特征数据与库中的数据进行比较，如果测量得到的数据与库中数据的差距大于预设门限，则舍弃该数据。这种方法的核心是要建立高质量的心跳冲击波形态特征库。但目前建立这类心跳冲击波形态特征库的方法效率低、准确性差，并且计算量大。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种建立心跳冲击波形态特征库的方法，用于解决现有技术建立跳冲击波形态特征库效率低、准确性差且计算量大的问题。

为实现上述目的及其他相关目的，本发明提供一种建立心跳冲击波形态特征库的方法，包括：选择并添加标准样本向量；通过机器学习的方式添加新特征向量；修正边缘数据。

优选地，所述选择并添加标准样本向量的步骤包括：通过测量床铺震动采集人心跳冲击波信息；从所述采集到的心跳冲击波信息中选择样本波形；为所述样本波形选择特征点；将所述样本波形转化为样本向量；将所述样本向量添加到所述心跳冲击波形态特征库。

如上所述，本发明的建立心跳冲击波形态特征库的方法，具有以下有益效果：通过机器学习的方式建立心跳冲击波形态特征库，效率高，准确性好。并且根据优选的方式，波形的样本向量和特征向量简单，计算量小。

附图说明

图1显示为本发明的建立心跳冲击波形态特征库方法的流程图；

图2显示为被测量者静止平卧在床铺上时测得的床铺震动波形图；

图3显示为根据本发明的建立心跳冲击波形态特征库方法的一个实施例生成的特征向量映射到二维空间的效果图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

请参阅附图。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

下面参阅图1，图1所示为本发明建立心跳冲击波形态特征库的方法的流程图。本发明采用了机器学习的方法来建立心跳冲击波形态特征库，大致可以分为三步，以步骤S1～S3表示，下面对各步骤作详细介绍。

步骤S1表示选择并添加标准样本。选择或添加标准样本可以是人工完成，也可以是直接使用其它途径获得的数据。本例中，采用人工选择并添加的方式，具体的方式为：让待测人平静的躺在床上，记录传感器收集到的心跳冲击波形态信号，分析得到每一次心跳的波形，将此波形转化成样本向量，选择最为标准的一组或多组样本向量作为标准样本。这就完成了平躺心跳冲击波形态标准样本的输入。

下面参阅图2-3说明本例中由心跳冲击波形得到样本向量的具体方法，为说明方便，这里仅举平卧为例。图2显示为人静止平卧在床铺上时，震动传感器测得的床铺震动数据，该数据中包含心跳冲击波形。首先选择波形中的特征点。本例中选取波形中的极大值点J和极小值K作为特征点。然后将特征点转换成样本向量，转换时，可以用表征特征点之前的位置或数学关系的量构造样本向量。本例仅为说明方便，采用的转换规则为：取a=J与K之间的距离，b=J与K两点连线的斜率，则二维向量（a,b）即为样本向量。实际使用时，为了使结果更具可信度，可取多维空间，例如：c=J与K横坐标方差、d=J与K的横坐标平方和……，则可得到多维样本向量记为（a,b,c,d,……）。