[发明专利]一种基于MEMS多信息融合的脑卒中患者监测平台

权利要求书

1.一种基于MEMS多信息融合的脑卒中患者监测平台，其特征在于，包括：信息获取子系统(1)、上位机显示子系统(2)和血压分析子系统(3)；

信息获取子系统(1)用于采集用户运动数据、生理数据和血压数据；将运动数据进行分析改进后形成姿态数据；运动数据、血压数据、姿态数据和生理数据都将被发送至上位机显示子系统(2)；运动数据包括：ACC、GYO、MAG；姿态数据包括：Pitch、Yaw、Roll；生理数据包括：ECG、PPG、HR；血压数据包括：SBP、DBP；

上位机显示子系统(2)与数据获取子系统(1)通过TCP协议通信连接，对数据进行解析转换和显示；

血压分析子系统(3)的数据依赖于上位机子系统(2)记录的运动数据与生理数据，并以以下步骤进行血压分析；

S1：使用信息获取子系统(1)以及上位机子系统(2)连续采集用户运动或静止时的生理数据；

S2：用matlab对生理数据中的PPG和ECG信号进行降噪处理；使用滑动窗口消除肌电噪声、使用多项式趋势去除法消除基线漂移、使用带通滤波器消除工频噪声与运动伪差；

S3：对于预处理后的PPG、ECG信号，进行特征提取；

S4：利用梯度提升回归估计SBP与DBP；

S5：检测结果通过MAE、RMSE、R²来进行验证和评估。

2.根据权利要求1所述的一种基于MEMS多信息融合的脑卒中患者监测平台，其特征在于：信息获取子系统(1)包括：信息采集模块(11)、信息处理模块(12)、信息发送模块(13)、电源管理模块(14)、血压计；

信息采集模块(11)用于采集运动数据生理数据；运动数据通过9轴惯性传感器单元进行采集；采用牛顿迭代法对加速度计、陀螺仪进行校准、采用椭球拟合方法对地磁计数据进行校准；生理数据通过集成模块进行采集；血压计采集血压数据；

信息处理模块(12)用于对信息获取的运动数据进行预处理和记录；信息处理过程分为二部分，一是对GYO数据进行积分获得人体的姿态数据，二是使用基于误差补偿的卡尔曼滤波算法将ACC和MAG作为反馈计算修正后的人体的姿态数据；

信息发送模块(13)将运动数据、生理数据和处理后的姿态数据传输给上位机子系统(2)；信息发送模块(13)采用WIFI模块进行通信；保证信息获取子系统与上位机子系统(2)在同一个网络内，通过TCP协议将采集数据打包，连接WIFI传输至上位机子系统(2)；

电源管理模块(14)用于对信息获取子系统(1)进行供电管理，将锂电池转化为各个模块工作的所需的电压；同时对锂电池进行充电管理，保证各个模块的长时间使用。

3.根据权利要求1所述的一种基于MEMS多信息融合的脑卒中患者监测平台，其特征在于：上位机子系统(2)包括：姿态数据显示模块(21)、运动数据显示模块(22)、生理数据显示模块(23)和数据存储模块(24)；

其中姿态数据显示模块(21)用于将人体各个节点的姿态数据转化为(3)维坐标并通过人体模型显示出来；姿态数据显示模块(21)结合基于OpenGL的人体模型，将各个节点映射到人体的各个关节上；通过关节的姿态数据，进行旋转和位移，最终实现人体各个关节显示与人体姿态同步；

运动数据显示模块(22)用于将人体的运动数据通过坐标图的形式显示出来，包括人体节点运动数据；对于节点传输上来的角度数据，在通过自定义通信协议解析，分析出其中的运动数据进行数值显示，并在利用QTChart进行数据更新，最终实现各个参变量的折线图显示；

生理数据显示模块(23)用于将人体运动过程中的PPG、ECG、HR生理数据进行记录并同样利用QTChart进行数据更新，最终实现各个参变量的折线图显示；

数据存储模块(24)用于将用户数据进行存储；需要存储的数据包括：各个节点的姿态数据、9轴传感器校准后运动数据、直接采集的生理数据；QT将以excel的形式记录下来。

4.根据权利要求1所述的一种基于MEMS多信息融合的脑卒中患者监测平台，其特征在于：血压分析子系统(3)通过以下步骤进行血压分析：

S1：通过信息获取子系统(1)以及上位机子系统(2)采集用户静止、低强度运动、中强度运动、高强度运动过程中的生理数据；

S2：用matlab对每个数据进行降噪处理；使用滑动窗口消除肌电噪声，利用matlab的工具集，求取生理数据中PPG、ECG数据的多项式趋势数列，将原有数据减去这一多项式趋势，依次消除数据中的基线漂移；构建20HZ至70HZ的带通滤波器，并基于这一带通滤波器将PPG、ECG进行过滤，依此消除数据中的工频噪声与运动伪差；将PPG、ECG数据中每个数据点取前后5个数据点取平均值作为当前点的真实值；依次顺序处理每一条数据以消除数据中的肌电噪声；

S3：对于处理过的PPG、ECG信号，使用matlab进行求取其特征，具体步骤如下：

S31.使用血压计采集真实的收缩压与舒张压作为训练集的监督数据；

S32.求取PPG信号的峰值IH与谷底值IL，并计算其比值作为脉搏波信号强度比PIR；

S33.求取ECG数据的峰值时间，并求出ECG中两个峰值之间的时间差，计算时间差的平均值并依次作为心率的特征；

S34：求取PPG信号的交流分量平均值MEU；并根据拟合公式求取沃默斯利数α；

S35:求取PPG信号谷底值至峰值之间的时间差作为PPG信号的上升时间；求取PPG信号峰值至谷底值之间的时间差作为PPG信号的下降时间；

S36：利用ECG信号的峰值与PPG信号的一阶导数峰值之间的时间差来提取脉搏波传输时间；

S4：使用的梯度提升决策树来估计收缩压与舒张压；具体步骤如下：

S41：将PPG、ECG数据进行特征提取，提取出沃默斯利数、脉搏波信号强度比、脉搏波传递时间、心率、脉搏波波峰值、脉搏波谷底值、脉搏波交流信号强度、上升时间、下降时间作为训练特征；使用收缩压、舒张压、平均血压作为拟合特征；

S42：对输入的特征数据进行数据划分，分为训练集TR与测试集TE

S43：对训练集TR进行归一化

S44：对梯度提升回归模型进行初始化设定损失函数为平滑平均绝对误差，决策树个数为800个、学习率为0.1，决策树深度为9层；将训练数据输入训练网络，得出利用当前特征拟合出的血压值；

S45：将血压拟合值与真实血压值进行作差，输入回归模型作为回归模型的拟合对象，并依次逐次迭代；达到设定的迭代次数上限后，结束训练；

S5：利用MAE、RMSE、R²来进行对模型参数进行评估，模型参数包括：决策树个数、初始学习率和决策树深度，具体步骤如下：

S51：计算梯度提升回归模型的平均值误差MAE，计算过程为将所有数据的拟合值与真实值进行作差，并取其绝对值相加后取平均；

S52：计算模型的均方根误差RMSE，计算过程为将误差取平方后相加并进行平均后开方；

S53：计算模型的均方根误差R²，计算过程为将模型真实值对估计值均方根误差除以真实值对平均值的均方根误差。