本发明涉及一种可穿戴多模态呼吸监测系统及监测方法，属于健康监测。
背景技术：
1、在当前医疗技术领域，尤其是针对呼吸系统的监测与管理，存在一系列的技术挑战和发展需求。呼吸健康问题，如慢性阻塞性肺病(copd)、哮喘等疾病的高发性和复杂性要求更高效的监测技术。传统的监测方法通常局限于医疗机构使用的大型设备，这不仅成本高昂，而且不便于患者进行日常监测。
2、在医疗技术领域，特别是呼吸健康监测方面，现有的专利提供了各种技术方案，但仍存在一定局限性。如中国专利cn109498020b描述的基于压电薄膜的可穿戴人体运动呼吸监测装置。该设备通过压电薄膜感应呼吸产生的电荷变化，监测呼吸频率和量，具有实时监控和便携的优势。然而，这些现有技术通常集中于运动过程中的呼吸监测，缺乏针对非运动状态下日常健康管理的功能，尤其在疾病预防和长期健康评估方面的应用有限。
3、而cn112914552b专利描述了一种集成温度传感器的可穿戴呼吸检测及防护装置，该设备能够实时监控呼吸状态，特别适用于普通人群及呼吸道感染者。然而，这种依赖温度传感器的方案可能受环境温度影响，限制了其准确性和在复杂医疗状况下的应用。
4、另外，cn113592809a专利提出了一种基于通道注意力残差网络的肺炎图像检测系统，该系统通过深度学习技术增强医学影像的诊断精度。虽然这种方法提高了肺炎检测的效率和准确性，但它依赖于高质量的训练数据并且计算资源要求高，可能不适用于资源有限的环境。
5、同样，cn114004280a专利通过深度学习技术提高了肺结核的诊断速度和准确性。尽管该技术能有效识别肺结核并快速筛选大量影像数据，但其对操作人员的要求较高，并依赖特定的硬件和软件资源，这在资源有限的区域可能难以实施。
技术实现思路
1、本发明所要解决的技术问题是：提供一种可穿戴多模态呼吸监测系统及监测方法，提高呼吸健康监测的准确性和可靠性，使用户能够进行日常自我管理，并及时识别潜在的健康问题。
2、本发明为解决上述技术问题采用以下技术方案：
3、一种可穿戴多模态呼吸监测系统，所述系统包括依次连接的可穿戴监测设备、预处理模块、特征提取模块、异常特征捕捉模块、综合健康评分模块以及干预模块；所述可穿戴监测设备粘贴于用户胸部皮肤上，预处理模块、特征提取模块、异常特征捕捉模块、综合健康评分模块以及干预模块集成为一个整体；
4、所述可穿戴监测设备用于监测用户的呼吸声波信号和心电图信号，并将监测到的信号无线传输至预处理模块；
5、所述预处理模块用于接收可穿戴监测设备传输的监测信号，并对监测信号进行预处理，将预处理后的监测信号转换为时间序列数据；
6、所述特征提取模块用于从时间序列数据中提取呼吸声波特征和心电活动特征；
7、所述异常特征捕捉模块用于根据提取的呼吸声波特征，捕捉呼吸声波的时间依赖性变化，对呼吸模式进行检测和分类；同时用于根据提取的心电活动特征，捕捉心电活动的时间依赖性变化，对心率变异性进行检测和分类；
8、所述综合健康评分模块用于根据异常特征捕捉模块对呼吸模式和心率变异性的检测及分类结果，进行综合健康评分；
9、所述干预模块用于根据综合健康评分模块得到的综合健康评分，生成健康干预建议并向用户展示。
10、作为本发明系统的一种优选方案，所述可穿戴监测设备包括传感器单元、信号处理单元、无线传输单元以及电源管理单元，传感器单元、信号处理单元和无线传输单元依次连接，传感器单元、信号处理单元和无线传输单元分别连接电源管理单元；
11、所述传感器单元包括压电声传感器和心电图传感器，压电声传感器用于监测呼吸声波信号，心电图传感器用于监测心电图信号；
12、所述信号处理单元包括依次连接的信号放大器、信号过滤器和模数转换器，信号处理单元用于对传感器单元监测到的进行放大和去除噪声，并将经放大和去除噪声后的模拟信号转换为数字信号；
13、所述无线传输单元用于将数字信号传输至预处理模块；
14、所述电源管理单元用于为传感器单元、信号处理单元和无线传输单元供电。
15、作为本发明系统的一种优选方案，所述预处理模块分别对接收到的呼吸声波信号和心电图信号进行预处理，包括归一化和降噪处理，将经归一化和降噪处理后的信号转换为时间序列数据。
16、作为本发明系统的一种优选方案，所述特征提取模块采用预先训练好的深度卷积神经网络提取关键特征，具体为：采用预先训练好的深度卷积神经网络从呼吸声波时间序列数据中提取呼吸声波特征，包括：呼吸频率、吸气和呼气的持续时间以及呼吸音的强度；采用预先训练好的深度卷积神经网络从心电图时间序列数据中提取心电活动特征，包括：p波、qrs波和t波；
17、深度卷积神经网络包括多层卷积和最大池化操作，同时使用激活函数和正则化技术，在网络末端使用全连接层来整合所有特征，并通过softmax层进行多类别的分类。
18、作为本发明系统的一种优选方案，所述异常特征捕捉模块采用预先训练好的门控循环单元；
19、所述异常特征捕捉模块将呼吸模式分为三种情况：正常呼吸模式、呼吸暂停以及浅呼吸或呼吸急促；
20、正常呼吸模式：呼吸频率在12-20次/分钟之内；
21、呼吸暂停：每小时出现超过5次呼吸暂停，每次暂停时间超过10秒；
22、浅呼吸或呼吸急促：呼吸频率超过25次/分钟，代表呼吸急促；呼吸频率低于10次/分钟，代表浅呼吸；
23、所述异常特征捕捉模块将心率变异性分为三种情况：正常心率变异性、心动过缓或心动过速以及心律不齐；
24、正常心率变异性：心电图信号显示心率变异性指标在50-100毫秒；
25、心动过缓或心动过速：静息心率低于50次/分钟，代表心动过缓；静息心率高于100次/分钟，代表心动过速；
26、心律不齐：心电图信号中存在异常的qrs波形或p波形。
27、作为本发明系统的一种优选方案，所述综合健康评分模块进行综合健康评分的具体过程如下：
28、通过计算皮尔逊相关系数对呼吸与心率同步性进行分析，若呼吸声波信号与心电图信号之间的皮尔逊相关系数超过0.8，且呼吸频率和心率的变化趋势一致，则用户的呼吸和心率处于正常范围，即呼吸与心率为正常同步性；若呼吸声波信号与心电图信号之间的皮尔逊相关系数低于0.5，且呼吸频率和心率的变化趋势不一致，则呼吸与心率为异常同步性；若呼吸声波信号与心电图信号之间的皮尔逊相关系数在0.5至0.8之间，且呼吸频率和心率的变化趋势有50％至80％一致，则呼吸与心率为中度异步性；
29、根据呼吸与心率同步性分析结果以及异常特征捕捉模块对呼吸模式和心率变异性的检测及分类结果，进行综合健康评分如下：
30、若呼吸与心率为正常同步性，且用户处于正常呼吸模式和心率变异性正常，则评分≥80分；
31、若呼吸与心率为中度同步性，且用户的呼吸模式存在一项异常现象，包括呼吸暂停、浅呼吸和呼吸急促中的其中一项，同时用户存在一项心率异常现象，包括心动过缓、心动过速和心律不齐中的其中一项，则60≤评分＜80分；
32、若呼吸与心率为异常同步性，且用户的呼吸模式存在两项或两项以上异常现象，包括呼吸暂停、浅呼吸和呼吸急促中的其中两项或两项以上，且用户存在两项或两项以上心率异常现象，包括心动过缓、心动过速和心律不齐中的其中两项或两项以上，则评分＜60分。
33、作为本发明系统的一种优选方案，所述干预模块根据综合健康评分生成的健康干预建议如下：
34、若评分≥80分，提示用户心肺功能健康，无明显异常，建议用户继续保持当前的生活习惯，定期进行健康监测；
35、若60≤评分＜80分，提示用户心肺功能存在轻微异常，建议用户注意日常生活中的健康管理，避免过度劳累和紧张情绪；增加呼吸训练和心肺功能锻炼，同时进行定期复查，以观察健康状况的变化；
36、若评分＜60分，提示用户心肺功能存在明显异常，建议用户尽快就医，进行详细的医学检查和评估，并加强日常健康监测，密切关注健康状况的变化。
37、一种基于所述的可穿戴多模态呼吸监测系统的监测方法，所述监测方法的具体步骤如下：
38、将可穿戴监测设备粘贴于用户胸部皮肤上；
39、系统启动后，由可穿戴监测设备监测用户的呼吸声波信号和心电图信号，并将监测到的信号无线传输至预处理模块；
40、利用预处理模块对监测到的信号进行归一化和降噪处理，将经归一化和降噪处理后的信号转换为时间序列数据；
41、利用特征提取模块从呼吸声波时间序列数据中提取呼吸声波特征，包括：呼吸频率、吸气和呼气的持续时间以及呼吸音的强度；利用特征提取模块从心电图时间序列数据中提取心电活动特征，包括：p波、qrs波和t波；
42、利用异常特征捕捉模块从提取的呼吸声波特征中捕捉呼吸声波的时间依赖性变化，对呼吸模式进行检测和分类；同时从提取的心电活动特征中捕捉心电活动的时间依赖性变化，对心率变异性进行检测和分类；
43、利用综合健康评分模块对呼吸模式和心率变异性的检测及分类结果，进行综合健康评分；
44、利用干预模块根据综合健康评分，生成健康干预建议并向用户展示。
45、一种计算机设备，包括存储器、处理器，以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的监测方法的步骤。
46、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的监测方法的步骤。
47、本发明采用以上技术方案与现有技术相比，具有以下技术效果：
48、1、本发明采用机器学习技术，如深度卷积神经网络(deep convolutional neuralnetworks,dcnn)，来处理医学影像数据，网络能够自动学习和提取图像中的重要特征，用于疾病的诊断和分类。采用门控循环单元(gru)用于处理序列数据，如时间序列分析，对于呼吸模式的分析尤为关键。在处理影像学报告中的动态变化或连续帧时，gru能有效捕捉时间依赖性，提高分析的准确性。
49、2、本发明使用户能够在家庭和日常环境中实时监测自己的呼吸健康，及时发现并处理呼吸系统的异常，避免可能的健康风险。提升了监测数据的准确性和实时性，为用户及医疗服务提供者提供了更精确和可靠的健康信息，支持更好的健康决策和医疗干预。
50、3、本发明通过简化监测设备的使用和降低其成本，使得更广泛的用户群体能够访问高质量的健康监测服务，尤其是在资源有限的情况下。
1.一种可穿戴多模态呼吸监测系统，其特征在于，所述系统包括依次连接的可穿戴监测设备、预处理模块、特征提取模块、异常特征捕捉模块、综合健康评分模块以及干预模块；所述可穿戴监测设备粘贴于用户胸部皮肤上，预处理模块、特征提取模块、异常特征捕捉模块、综合健康评分模块以及干预模块集成为一个整体；
2.根据权利要求1所述的可穿戴多模态呼吸监测系统，其特征在于，所述可穿戴监测设备包括传感器单元、信号处理单元、无线传输单元以及电源管理单元，传感器单元、信号处理单元和无线传输单元依次连接，传感器单元、信号处理单元和无线传输单元分别连接电源管理单元；
3.根据权利要求1所述的可穿戴多模态呼吸监测系统，其特征在于，所述预处理模块分别对接收到的呼吸声波信号和心电图信号进行预处理，包括归一化和降噪处理，将经归一化和降噪处理后的信号转换为时间序列数据。
4.根据权利要求1所述的可穿戴多模态呼吸监测系统，其特征在于，所述特征提取模块采用预先训练好的深度卷积神经网络提取关键特征，具体为：采用预先训练好的深度卷积神经网络从呼吸声波时间序列数据中提取呼吸声波特征，包括：呼吸频率、吸气和呼气的持续时间以及呼吸音的强度；采用预先训练好的深度卷积神经网络从心电图时间序列数据中提取心电活动特征，包括：p波、qrs波和t波；
5.根据权利要求1所述的可穿戴多模态呼吸监测系统，其特征在于，所述异常特征捕捉模块采用预先训练好的门控循环单元；
6.根据权利要求5所述的可穿戴多模态呼吸监测系统，其特征在于，所述综合健康评分模块进行综合健康评分的具体过程如下：
7.根据权利要求6所述的可穿戴多模态呼吸监测系统，其特征在于，所述干预模块根据综合健康评分生成的健康干预建议如下：
8.一种基于权利要求1-7任一项所述的可穿戴多模态呼吸监测系统的监测方法，其特征在于，所述监测方法的具体步骤如下：
9.一种计算机设备，包括存储器、处理器，以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求8所述的监测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求8所述的监测方法的步骤。
