[发明专利]一种基于Transformer网络的生命体征状态识别方法及系统

说明书

本发明公开了一种基于Transformer网络的生命体征状态识别方法及系统，涉及生命体检测技术，针对现有技术中忽略时序数据前后关系的问题提出本方案。注意力层对任一数据块进行以下处理：将数据块用三个不同的随机初始化的矩阵分别映射为查询向量、索引向量和信息向量；接着计算当前数据块与其他数据块之间的attention关系分数值，在计算时引入不对称的卡方分布作为注意力层的加性偏置。优点在于，采用Transformer网络对连续波多普勒雷达采集的生命体征信号进行特征提取及状态识别，通过在注意力层加入卡方偏置来补充位置编码捕获的连续波多普勒雷达序列的相对位置信息，具有更好的检测实时性和准确性。

技术领域

本发明涉及生命体检测技术，尤其涉及一种基于Transformer网络的生命体征状态识别方法及系统。

背景技术

在临床诊断、重症监护、健康监测等方面，心率和呼吸率都是非常重要的生理指标。在生命体征状态检测中，能否及时地检测到被测者心率和呼吸率的突增或骤降的状态，对于了解其生理、心理健康状况，抓住黄金抢救时间，挽救被测者生命等都具有极其重要的意义。

在识别雷达信号时常用的神经网络有卷积神经网络、深度残差网络等，但是雷达采集的信号在时序上有强相关性。而使用如卷积神经网络提取信号特征时会忽略其中的时序逻辑和相关性特征，导致识别的准确率下降。

发明内容

本发明目的在于解决上述问题，提出一种基于Transformer网络的生命体征状态识别方法及系统，通过训练有标签的数据集得到训练后的Transformer网络，使用该训练后的网络便可直接对生命体征信号的状态进行识别，满足对突发疾病的被测者进行及时检测、及时发现的需求，提高了检测的实时性和准确性。

本发明所述一种基于Transformer网络的生命体征状态识别系统，包括：

连续波多普勒雷达，用于获取人体的生命体征信号；

Transformer网络，用于运算雷达信号以分类出所述生命体征信号对应的人体状态；

所述Transformer网络的Encoder层由六个编码器堆叠组成，每个编码器都包括一个注意力层和一个MLP；

在数据输入Transformer网络前，首先通过二维卷积对其进行分块，将卷积步长设置为数据块大小；注意力层对任一数据块进行以下处理：将数据块用三个不同的随机初始化的矩阵分别映射为查询向量、索引向量和信息向量；令查询向量与当前数据块及其余所有数据块计算出的索引向量进行点乘，得到表明当前数据块与其他数据块之间的attention关系的分数值；然后对输入数据中的每个数据块进行同样的操作，以建立所有数据块之间的attention关系。

使用不对称的卡方分布作为注意力层的加性偏置。

通过Softmax函数将相关性值的大小归一化，使得关系较强的乘积接近1，并以此值为权重，与信号的信息向量进行加权求和，从而得到自注意力层的输出。

所述人体状态的分类包括：正常状态、呼吸率和心率激增的非正常状态、以及呼吸率和心率骤降的非正常状态，。

本发明所述一种基于Transformer网络的生命体征状态识别方法，利用所述的系统进行人体生命体征状态的识别。

本发明所述一种基于Transformer网络的生命体征状态识别方法及系统，其优点在于，采用Transformer网络对连续波多普勒雷达采集的生命体征信号进行特征提取及状态识别，通过在注意力层加入卡方偏置来保留连续波多普勒雷达序列的前后关联信息，具有更好的检测实时性和准确性；避免在进行注意力关系计算后，位置编码所记录的相对位置关系会出现丢失。

附图说明

图1是本发明中所述Transformer网络的结构示意图。