技术领域
本发明涉及电子医疗器械领域，特别是涉及一种多功能全光纤非侵入式的状态监测薄垫。
背景技术
状态监测在健康护理中起着至关重要的作用，特别是在医院病房看护中，为了确保住院病人的安全，院方需要时刻知晓他们在病床上的活动状态，状态监测装置可帮助院方对病人进行更好的管理。人口老龄化所带来的独居老年人看护问题也日渐严峻，状态监测装置可为独居老人提供强大的安全保障。针对儿童看护问题，家长可借助状态监测装置更加方便地照看孩子。对于有睡眠障碍人士，状态监测能帮助他们监测自己的身体状态。
针对状态监测，目前有以下几种监测方法：
1、专利文献CN107072550A公开了一种体动记录方法和装置，利用被配置为生成针的生理信号传感器接收生理信号，根据所接受的生理信号计算身体运动伪迹（BMA）信号，将线性变换和任选滤波应用于BMA信号，其结果作为时间的函数的体动记录信号。这类方法需要不止一个传感器用于监测生理信号（例如ECG传感器、光学体积描记传感器、感应体积描记传感器等等），身体移动所造成的生理信号的改变可能会被自身原因导致的生理信号变化（非移动所造成的）所干扰导致对体动的估计不准确。
2、专利文献CN105513294A公开了一种基于压力传感器的离床智能预警系统及其预警方法。通过压力传感器实时采集压力信息发送至报警终端，当压力值小于所设定的阈值便报警。这类方法只能用于确定使用者是否离床，无法监测其体动和睡姿状态，适用范围较窄。
3、专利文献CN105942776A公开了一种可以智能监测睡眠姿态的乳胶枕。将弯曲压力传感器内置于乳胶枕，通过弯曲压力传感器感知人体睡眠时对枕芯所造成的压力对人体睡眠姿态进行实时监测和记录。这类方法使用范围较窄（仅适用于乳胶枕，不适用于床垫）且不能实现体动监测。
4、专利文献CN105930778A公开了一种基于红外图像的夜间人体睡姿监测方法及系统。通过利用红外图像对人体睡姿轮廓进行图像读取、预处理、分割等操作识别人体睡姿轮廓并进行特征提取与识别，对睡姿实现分类。这类方法可较好得实现状态监测，但涉及个人隐私问题且该装置功耗较大。
5、专利文献CN106491137A公开了一种用于睡姿检测的传感片及睡姿检测方法。在基层上设置触电阵列并与控制器连接，根据出点或者传感区形成的图形、数量判定睡姿。这类方法所需传感器面积较大，较为不便，且无法感知微小体动变化。
6、专利文献CN107832660A公开了一种基于电容材料的睡姿识别方法及装置。采集位于睡眠位置下方的电极阵列实时电容数据并将其转化为电容分布图像，通过图像特征提取实现特征识别。这类方法无法识别体动微小信号且所需传感器面积较大。
7、专利文献201720153858.0公开了一种智能型防跌倒离床报警系统。该装置利用安装在床头正上方处的红外报警装置监测离床状态。这类方法无法实现睡姿和体动监测，且安装较为不便。
8、专利文献201720741596.X公开了一种判断离床的设备及包括该设备的床。该装置利用三个薄膜传感器依次铺设在床上，实时采集床上的压力信息。信号处理后可得三个校正前的周期性生理特征信号。这类方法所需传感器面积较大且不能实现睡姿监测。
由此可见，上述的几种监测方法都无法将离床、坐床、体动、睡姿监测合为一体，只能监测其中一至两个方面，且准确性和便携性均有待提升。因此，一种高准确度、高灵敏度、高舒适度、高实时性、高便携性、高舒适度、高抗电磁干扰性的非接触式状态监测（包括离床检测、坐床检测、体动记录和睡姿监测）装置具有很大的市场需求。
发明内容
本发明主要解决的技术问题是提供一种多功能全光纤非侵入式的状态监测薄垫，可以进行离床检测、坐床检测、体动记录和睡姿监测，提高状态装置的准确性、便携性和抗电磁干扰能力，实现实时精确的非接触式状态监测。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种多功能全光纤非侵入式的状态监测薄垫，包括：第一垫层、第二垫层以及状态监测系统，所述状态监测系统包括光源、状态传感器、光电转换器、微处理器模块、显示模块、报警模块、存储模块和数据传输模块，所述第一垫层设置在第二垫层上方，所述状态传感器设置在第一垫层与第二垫层之间，所述光源与状态传感器的输入端之间设置有第一光纤，所述状态传感器的输出端与光电转换器之间设置有第二光纤，所述第一光纤部分或者全部排布在第一垫层和第二垫层之间，所述微处理器模块包含微处理器、模数转换模块和状态分析模块，所述模数转换模块连接在光电转换器的输出端与微处理器之间，所述微处理器模块分别与显示模块、报警模块、存储模块和数据传输模块线性或者无线连接。
在本发明一个较佳实施例中，所述第一垫层和第二垫层包括但不限于棉布垫、麻布垫和乳胶垫，所述第一垫层和第二垫层缝纫或者黏合固定。
在本发明一个较佳实施例中，所述光源包括但不限于LED光源、FP激光器、DFB激光器和VCSEL激光器。
在本发明一个较佳实施例中，所述状态传感器包括但不限于光纤微弯型传感器和光纤干涉型传感器。
在本发明一个较佳实施例中，所述光纤微弯型传感器包含一个微弯调制器，所述微弯调制器的形状包括但不限于正弦型和锯齿型，所述光纤干涉型传感器包括但不限于Mach-Zehnder干涉、Michelson干涉、Fabry-Perot干涉、Sagnac干涉和模间干涉传感器。
在本发明一个较佳实施例中，所述状态分析模块包括但不限于信号处理方法、传统机器学习方法和神经网络方法。
在本发明一个较佳实施例中，所述信号处理方法包括但不限于傅里叶变换、FIR／IIR滤波器、基于AR／MA／ARMA模型的参数谱估计、小波变换和经验模式分解，所述传统机器学习方法包括但不限于支持向量机SVM、决策树／随机森林和聚类分析，所述神经网络方法包括但不限于全连接神经网络、循环神经网络RNN和卷积神经网络CNN。
在本发明一个较佳实施例中，还包括远端监控中心，所述数据传输模块通过有线或者无线通信方式，将用户端数据传输到远端监控中心，所述用户端数据包括但不限于原始数据、状态数据和报警数据，所述远端监控中心包括云端服务器。
在本发明一个较佳实施例中，所述显示模块、报警模块、存储模块和数据传输模块集成到智能终端。
在本发明一个较佳实施例中，所述智能终端包括但不限于智能手机。
本发明的有益效果是：本发明指出的一种多功能全光纤非侵入式的状态监测薄垫，具有体积小、抗电磁干扰性能强、实时性强、灵敏度高、测量精度高和可移植性强等特点，可内置于床垫、床、枕头或婴儿车中，用于非接触式人体状态监测，包括离床检测、坐床检测、体动记录和睡姿监测，适用范围广泛。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：
图1是本发明一种多功能全光纤非侵入式的状态监测薄垫一较佳实施例的结构示意图；
图2是图1中状态监测系统的结构示意图；
图3是光纤干涉型传感器所用Michelson干涉传感器的结构示意图；
图4是光纤微弯型状态传感器所用锯齿型微弯调制器的结构示意图；
图5是状态分析模块所用支持向量机实现二分类的原理示意图；
图6是状态分析模块所用循环神经网络原理示意图；
图7示范性的展示了利用多功能全光纤非侵入式的状态监测薄垫在被测者离床情况下提取出的信号图；
图8示范性的展示了利用多功能全光纤非侵入式的状态监测薄垫在被测者体动情况下提取出的信号图；
图9示范性的展示了利用多功能全光纤非侵入式的状态监测薄垫在被测者坐床情况下提取出的信号图；
图10示范性的展示了利用多功能全光纤非侵入式的状态监测薄垫在被测者仰卧情况下提取出的信号图；
图11示范性的展示了利用多功能全光纤非侵入式的状态监测薄垫在被测者侧卧情况下提取出的信号图；
图12示范性的展示了利用多功能全光纤非侵入式的状态监测薄垫在被测者俯卧情况下提取出的信号图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1~图12，本发明实施例包括：
如图1和图2所示的一种多功能全光纤非侵入式的状态监测薄垫，包括：第一垫层1、第二垫层3以及状态监测系统2，所述状态监测系统2包括光源、状态传感器、光电转换器、微处理器模块、显示模块、报警模块、存储模块和数据传输模块，所述光源包括但不限于LED光源、FP激光器、DFB激光器和VCSEL激光器，选择灵活。
所述状态传感器包括但不限于光纤微弯型传感器和光纤干涉型传感器。所述光纤微弯型传感器包含一个微弯调制器，所述微弯调制器的形状包括但不限于正弦型和锯齿型，人体的微小运动产生的应力会导致传输损耗发生微小变化，进一步导致输出光强的变化。
所述光纤干涉型传感器包括但不限于Mach-Zehnder干涉、Michelson干涉、Fabry-Perot干涉、Sagnac干涉和模间干涉传感器。光纤受到人体运动产生的微小应力，导致光程差发生变化，最终导致输出光强的变化。总的来讲，状态传感器感应人体离床、体动、坐床、不同睡姿（仰卧、俯卧、侧卧）对光纤产生的微小应力，导致光程差或光强发生变化，不同的状态对应不同的光强波形，通过微处理器模块得到状态信息。
所述第一垫层1设置在第二垫层3上方，所述状态传感器设置在第一垫层1与第二垫层3之间，所述光源与状态传感器的输入端之间设置有第一光纤，所述状态传感器的输出端与光电转换器之间设置有第二光纤，第一光纤和第二光纤长度和类型均无限制。
光电转换器的作用是将光信号转换为电信号，所述第一光纤部分或者全部排布在第一垫层1和第二垫层3之间，所述微处理器模块包含微处理器、模数转换模块和状态分析模块，所述模数转换模块连接在光电转换器的输出端与微处理器之间，所述微处理器模块分别与显示模块、报警模块、存储模块和数据传输模块线性或者无线连接。当采用无线通信方式时，所述显示模块、报警模块、存储模块和数据传输模块集成到智能终端，所述智能终端包括但不限于智能手机。
所述第一垫层1和第二垫层3包括但不限于棉布垫、麻布垫和乳胶垫，所述第一垫层1和第二垫层3缝纫或者黏合固定，结构稳定，使用方便，可以内置于床垫、床、枕头或婴儿车中，用于非接触式人体状态监测。
所述数据传输模块通过有线或者无线通信方式，采用无线通信方式时，将用户端数据传输到远端监控中心，所述用户端数据包括但不限于原始数据、状态数据和报警数据，所述远端监控中心包括云端服务器。
图3展示了基于迈克尔逊干涉的光纤干涉型状态传感器示意图。主要由一个3dB耦合器、参考臂和传感臂、两个光纤端面反射镜（M1和M2）组成，入射光源被3dB耦合器等分成两束光，分别经传感臂和参考臂传输，并由光纤端面的反射镜（M1和M2）反射回到光纤中，最终在3dB耦合器的另一输入端耦合并被光电探测器接收。人体的各种状态会,对光纤产生的微小形变，微小形变使得光纤的长度和有效折射率发生微小的变化，进而影响相位差和输出光强。
图4展示了光纤微弯型状态传感器。主要由传感光纤和微弯调制器组成。微弯传感型光纤传感器是强度型/损耗型光纤传感器，在微弯调制器的作用下，人体的各种状态会改变光纤中辐射模的强度，也就是会影响光纤的传输损耗，进而影响输出光强。
所述状态分析模块包括但不限于信号处理方法、传统机器学习方法、神经网络方法。所述信号处理方法包括但不限于傅里叶变换、FIR／IIR滤波器、基于AR／MA／ARMA模型的参数谱估计、小波变换、经验模式分解。所述传统机器学习方法包括但不限于支持向量机（SVM）、决策树／随机森林和聚类分析。所述神经网络方法包括但不限于全连接神经网络、循环神经网络（RNN）、卷积神经网络（CNN）。
小波变换（Wavelet Transform）可以克服短时傅里叶变换的单分辨率问题，适合处理非平稳信号。信号的连续小波变换定义：
其中,为尺度因子，为时移因子,为小波函数，为小波变换系数。在计算小波变换的时候，可以采用快速小波变换算法（Mallat算法）计算多层细节分量和近似分量，然后进一步提取时域、频域、统计学或者形态学上的特征，用于状态识别。
所述经验模式分解(Empirical Mode Decomposition, EMD)是另一种处理非平稳信号的信号处理方法。利用EMD，将信号分解为多个本征模函数（Intrinsic Mode Function,IMF）的累加。IMF满足以下两个条件：整个信号中，零点数与极点数相等或至多相差1；信号上任意一点，由局部极大值点确定的包络线和由局部极小值点确定的包络线的均值为零，即信号关于时间轴局部对称。
对实信号，其EMD过程如下:
（1）确定上所有极大值点与极小值点
（2）将所有极大值点和极小值点分别用一条光滑曲线连接，两条曲线之间包含所有信号，两条曲线即为上、下包络线。
（3）计算上、下包络线的平均值曲线。
（4）计算第一阶IMF：
（5）计算剩余信号:
（6）将视为原信号，并重复上述过程即可获得第二阶IMF和剩余信号。
（7）通过N次筛分，信号可表示为：
针对EMD分解得到的N个IMF分量,提取时域、频域、统计学或者形态学上的特征，用于状态识别。
所述传统机器学习方法如支持向量机（SVM）可用于对状态信号进行识别分类。
图5展示了SVM的基本思想，将训练数据集非线性映射到高维特征空间。其作用是将输入空间中线性不可分数据集（圆形数据集和方块数据集）映射到高维特征空间后变为线性可分数据集，并在特征空间中建立具有最大隔离距离最优分离超平面。用作二分类时SVM的输出如下：
其中为核函数，可用核函数有线性核、高斯核、多项式核等，用于计算支持向量和待识别向量之间的距离；为符号函数；是超平面的系数，可以用拉格朗日乘子法计算得到，当不是支持向量时，=0；是支持向量机输出可调参数向量，是样本数据集;是样本数。的取值在二分类情况下只有两种：1和-1，分别对应2个状态。当用SVM进行多分类时，需要找到多个超平面，才能完成多分类任务。
所述循环神经网络（RNN）是一种对序列数据建模的神经网络，序列当前的输出与之前的输出有关。图6展示了一个简单的RNN模型示意图。其中是时刻的输入；是-1时刻的隐状态，基于上一时刻的隐状态和当前输入可以得到,一般为非线性的激活函数；表示时刻的输出，可为，进一步计算交叉熵（cross entropy）。根据训练样本集，经过后向梯度传播训练，得到最小交叉熵情况下的系数矩阵，用于未知样本的状态分类任务。在单层RNN不能得到较高分类准确率的情况下，可以考虑使用多层的RNN网络以及利用Batch Normalization和Layer Normalization等方法进行网络优化。
图7图12示范性的展示了利用多功能全光纤非侵入式状态监测薄垫监测得到人体处于不同状态情况下的原始信号图。其中，状态传感器采用了Mach-Zehnder光纤干涉型状态传感器，采样率是1000Hz。
图7示范性的展示了用户在离床状态下采集得到的信号图。从中可以清晰的看到，信号中存在大量的高频分量，也就是反映了环境噪声或者振动对传感器的影响。
图8示范性的展示了用户在体动状态下采集得到的信号图。从中可以清晰的看到，大约在3秒至5秒时刻区间，存在一次体动。体动时，信号会在最大值和最小值之间来回快速震荡直至体动结束。
图9示范性的展示了用户在坐床状态下采集得到的信号图。从中可以清晰的看到，低频的呼吸信号基本已经不存在，只剩下心跳信号。
图10示范性的展示了用户在仰卧状态下采集得到的信号图。从中可以清晰的看到，信号可以在最大值和最小值之间按照呼吸的节奏来回震荡。
图11示范性的展示了用户在侧卧状态下采集得到的信号图。从中可以清晰的看到，信号只能在小幅范围内按照呼吸的节奏缓慢震荡。
图12示范性的展示了用户在俯卧状态下采集得到的信号图。由于俯卧状态下，腹部紧贴床垫，导致传感器对呼吸格外敏感，从图11中可以看到，有四次呼吸，大约发生在1秒、3秒、6秒和8秒时刻，每个呼吸过程会在最大值和最小值之间来回震荡多次。
综上所述，本发明指出的一种多功能全光纤非侵入式的状态监测薄垫，适用范围广泛，可以用于非接触式人体状态监测，包括离床检测、坐床检测、体动记录和睡姿监测，灵敏度高，使用舒适，抗干扰效果好。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。