一种基于运动传感器信号的日常饮水量估计系统及方法

摘要

本发明公开了一种基于运动传感器信号的日常饮水量估计系统及方法，包括信号分割，采集饮水区间的传感器信号，使用无监督的自动分割算法，将传感器信号分割为抬手区间信号以及实际饮水区间信号；特征向量提取，对分割后的传感器信号分别提取特征向量，并实施特征向量降维；神经网络回归，将特征向量作为网络的输入层输入数据，饮水量真值作为输出层变量，训练BP神经网络回归模型，得到饮水量和传感器信号之间的关系模型，实现输入特征向量到输出饮水量的映射。本发明可以使得算法设计者在得到完整的饮水信号后计算实际的饮水量，从而使得用户可以使用智能手表监测饮水行为。

说明书

技术领域

本发明属于健康监测技术领域，具体涉及一种基于运动传感器信号的日常饮水量估计系统及方法。

背景技术

水对于人类而言是不可或缺的资源，人体百分之七十都是由水构成的，没有水分摄入，人最多只能够存活三天。此外，充足日常的水分摄入量对维持健康状态也是至关重要的。成年男性每日至少需要摄入3.7升的水分，成年女性则是2.7升。然而，大部分人通常只会在感到口渴时才会饮水，从而导致每日的饮水量不足，不利于健康状态的维持。

目前市面上可行的解决方案包括，闹钟提醒以及手动记录。基于智能手机或智能手表应用，需要使用者自己设定提醒时间，并手动记录下估算的饮水量。这些方案对于使用者而言是繁琐且不便的。

若可以通过智能手表自动地识别且记录下饮水的量，那么对于用户而言，是相当具有吸引力的，用户可以自主选择时间查看当日的饮水量，并根据提示适当补充水分。

实现完整的如上所述的系统，需要的模块包括，饮水动作识别和定位，以及饮水量估计。本发明着重于饮水量估计，即给定饮水区间信号，输出对应的饮水量。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于运动传感器信号的日常饮水量估计系统及方法，可实现对给定饮水区间信号的饮水量的估计。

为实现上述技术目的，本发明采取的技术方案为：

一种基于运动传感器信号的日常饮水量估计系统，包括：

信号分割模块，采集饮水区间的传感器信号及测量饮水量真值，使用无监督的自动分割算法，将传感器信号分割为抬手区间信号以及实际饮水区间信号；

特征向量提取模块，对分割后的传感器信号分别提取特征向量，并实施特征向量降维；

神经网络回归模块，将特征向量作为网络的输入层输入数据，饮水量真值作为输出层变量，训练BP神经网络回归模型，得到饮水量和传感器信号之间的关系模型，实现输入特征向量到输出饮水量的映射。

一种基于运动传感器信号的日常饮水量估计方法，包括：

步骤一、信号分割，采集饮水区间的传感器信号，使用无监督的自动分割算法，将传感器信号分割为抬手区间信号以及实际饮水区间信号；

步骤二、特征向量提取，对分割后的传感器信号分别提取特征向量，并实施特征向量降维；

步骤三、神经网络回归，将特征向量作为网络的输入层输入数据，饮水量真值作为输出层变量，训练BP神经网络回归模型，得到饮水量和传感器信号之间的关系模型，实现输入特征向量到输出饮水量的映射。

为优化上述技术方案，采取的具体措施还包括：

上述的步骤一所述信号分割，采集饮水区间的传感器信号，使用无监督的自动分割算法，将传感器信号分割为抬手区间信号以及实际饮水区间信号，具体如下：

S11：设计智能手表应用，让用户佩戴手表并进行饮水动作，其中手表会发出两次振动信号，用户手位于容器上待命，收到第一次振动信号后开始饮水动作，收到第二次振动信号后结束饮水动作，取两次振动时间之间的信号，包括加速度计信号和陀螺仪信号，即为饮水区间的传感器信号，同时测量饮水前后容器的重量差，即为饮水量真值；

S12：将采集到的饮水区间的传感器信号分割为抬手区间信号以及实际饮水区间信号，具体方法为：

使用一段陀螺仪信号，从左到右扫描信号，对于每一个扫描点，计算其左右部分的信号之间特征向量的距离，取距离最大值点为分割点，其中特征向量为三轴的平均值，距离函数为欧几里得距离；

S13：取分割点左侧的陀螺仪信号作为抬手区间信号，以及分割点右侧的加速度计信号作为实际饮水区间信号。

上述的步骤二所述特征向量提取，对分割后的传感器信号分别提取特征向量，并实施特征向量降维，具体如下：

S21：对分割后的三轴加速计信号以及陀螺仪信号进行特征向量提取，组成特征向量集；

S22：对特征向量集使用PCA算法进行特征向量降维。

上述的步骤S21中，提取如下特征向量：均值、标准差、均方根、和、偏度和峰度。

上述的步骤三所述神经网络回归，将特征向量作为网络的输入层输入数据，饮水量真值作为输出层变量，训练BP神经网络回归模型，得到饮水量和传感器信号之间的关系模型，实现输入特征向量到输出饮水量的映射，具体如下：

S31：将降维后的特征向量作为训练BP神经网络回归模型的输入层变量，对应的饮水量真值作为输出层变量；

S32：确定BP神经网络回归模型的训练参数；

S33：用输入层特征向量和对应的饮水量真值来训练BP神经网络回归模型；

S34：使用训练好的BP神经网络回归模型作为饮水量和饮水动作传感器信号之间的关系模型。

上述的步骤S32中，确定如下BP神经网络回归模型的训练参数：

输入层节点数为30，隐含层1的节点数为64，隐含层2的节点数为32，输出层的节点数为1。

上述的步骤S33中，BP神经网络回归模型的训练循环次数设置为200，学习速率设置为0.01，采用k折交叉验证测试结果。

本发明具有以下有益效果：

本发明一种基于运动传感器信号的日常饮水量估计系统及方法，取饮水区间的加速度计和陀螺仪信号作为输入信号，采用信号自动分割方法将其分割为抬手区间和实际饮水区间，再分别提取特征向量，特征向量降维，构成特征向量集，最后通过构建回归神经网络，实现输入特征向量到输出饮水量的映射。本发明可以根据饮水区间信号计算出饮水量，使得用户可以自动记录一天的饮水情况，从而使得能够保证一天的饮水量充足，维持健康状态。

附图说明

图1为本发明方法流程图；

图2为抬手区间信号以及实际饮水区间信号方法示意图；

图3为BP神经网络回归模型结构图。

具体实施方式

以下结合附图对本发明的实施例作进一步详细描述。

一种基于运动传感器信号的日常饮水量估计系统，包括：

信号分割模块，采集饮水区间的传感器信号及测量饮水量真值，使用无监督的自动分割算法，将传感器信号分割为抬手区间信号以及实际饮水区间信号；

特征向量提取模块，对分割后的传感器信号分别提取特征向量，并实施特征向量降维；

神经网络回归模块，将特征向量作为网络的输入层输入数据，饮水量真值作为输出层变量，训练BP神经网络回归模型，得到饮水量和传感器信号之间的关系模型，实现输入特征向量到输出饮水量的映射。

参见图1，一种基于运动传感器信号的日常饮水量估计方法，包括：

步骤一、信号分割，采集饮水区间的传感器信号，使用无监督的自动分割算法，将传感器信号分割为抬手区间信号以及实际饮水区间信号；

步骤二、特征向量提取，对分割后的传感器信号分别提取特征向量，并实施特征向量降维；

步骤三、神经网络回归，将特征向量作为网络的输入层输入数据，饮水量真值作为输出层变量，训练BP神经网络回归模型，得到饮水量和传感器信号之间的关系模型，实现输入特征向量到输出饮水量的映射，使用饮水量和传感器信号之间的关系模型估计日常饮水量。

实施例中，步骤一所述信号分割，采集饮水区间的传感器信号，使用无监督的自动分割算法，将传感器信号分割为抬手区间信号以及实际饮水区间信号，具体如下：

S11：使用智能手表采集所需要的饮水区间的传感器信号，采集方法为，研究人员佩戴手表后，手表给出震动提示，开始饮水动作，设置一段3秒到8秒的随机时间后，手表再次给出震动提示，结束饮水动作，两次震动之间的信号即为饮水区间信号，具体的：

设计智能手表应用，让用户佩戴手表并进行饮水动作，其中手表会发出两次振动信号，用户手位于容器上待命，收到第一次振动信号后立即开始饮水动作，收到第二次振动信号后立即结束饮水动作，取两次振动时间之间的信号，包括加速度计信号和陀螺仪信号，即为饮水区间的传感器信号，同时测量饮水前后容器的重量差，即为饮水量真值；

S12：将采集到的饮水区间的传感器信号分割为抬手区间信号以及实际饮水区间信号，具体方法为：

参见图2，使用一段三轴陀螺仪信号，从左到右扫描信号，上半部分为陀螺仪信号，横轴为信号的采样点，即每个扫面点，纵轴为信号的采样幅度。下半部分为每个采样点计算的左右信号特征向量距离函数，横轴为扫描点坐标，纵轴为距离。对于每一个扫描点，计算其左右部分的信号之间特征向量的距离，取距离最大值点为分割点，其中特征向量为三轴的平均值，距离函数为欧几里得距离；

S13：取分割点左侧的陀螺仪信号作为抬手区间信号，以及分割点右侧的加速度计信号作为实际饮水区间信号。

实施例中，步骤二所述特征向量提取，对分割后的传感器信号分别提取特征向量，并实施特征向量降维，具体如下：

S21：对分割后的三轴加速计信号以及陀螺仪信号进行特征向量提取，组成特征向量集，特征向量包括，均值、标准差、均方根、和、偏度和峰度；

S22：对特征向量集使用PCA算法进行特征向量降维，降维后的特征向量集维度为30。

实施例中，步骤三所述神经网络回归，将特征向量作为网络的输入层输入数据，饮水量真值作为输出层变量，训练BP神经网络回归模型，得到饮水量和传感器信号之间的关系模型，实现输入特征向量到输出饮水量的映射，具体如下：

S31：将降维后的特征向量作为训练BP神经网络回归模型的输入层变量，对应的饮水量真值作为输出层变量；

S32：确定BP神经网络回归模型的训练参数，如图3所示，：

输入层节点数为30，隐含层1的节点数为64，隐含层2的节点数为32，输出层的节点数为1；

S33：用输入层特征向量和对应的饮水量真值来训练BP神经网络回归模型；

S34：使用训练好的BP神经网络回归模型作为饮水量和饮水动作传感器信号之间的关系模型。

实施例中，步骤S33中，BP神经网络回归模型的训练循环次数设置为200，学习速率设置为0.01，采用k折交叉验证测试结果。

本发明可以使得算法设计者在得到完整的饮水信号后计算实际的饮水量，从而使得用户可以使用智能手表监测饮水行为。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。