本發(fā)明涉及睡眠管理領(lǐng)域，具體涉及一種睡眠系統(tǒng)。

背景技術(shù)：

相關(guān)技術(shù)中，隨著物聯(lián)網(wǎng)技術(shù)的迅速發(fā)展以及無接觸檢測人體生命特征技術(shù)不斷地完善，這使得帶人體生命特征監(jiān)控功能的睡床成為了現(xiàn)實。目前，可以監(jiān)測使用者呼吸、心跳、體動的產(chǎn)品主要有通過在人體上粘貼電極片，測量呼吸心跳時人體電阻率變化的多導(dǎo)睡眠儀，或者監(jiān)測使用者鼻腔氣流情況的面罩式監(jiān)測器。這些侵入性裝置粘附于人體，無疑會對使用者的睡眠情況造成不良影響。非侵入性裝置有基于壓電陶瓷，電容式和光纖傳感器。這些傳感器需要安裝在剛性的裝置上面，同樣影響使用者睡眠。并且，這些裝置只能提供的原始的波形數(shù)據(jù)，普通人難以理解其含義，需要專業(yè)的醫(yī)師指導(dǎo)才能了解自己的睡眠情況。此外，現(xiàn)有技術(shù)中還沒有針對使用者的身體信息，對床墊進(jìn)行相應(yīng)調(diào)整以使這樣身體信息恢復(fù)正常的產(chǎn)品出現(xiàn)。

技術(shù)實現(xiàn)要素：

為解決上述問題，本發(fā)明旨在提供一種睡眠系統(tǒng)。

本發(fā)明的目的采用以下技術(shù)方案來實現(xiàn)：

一種睡眠系統(tǒng)，包括控制模塊、健康監(jiān)測模塊、健康信息判斷模塊、顯示報警模塊，所述控制模塊用于根據(jù)健康信息判斷模塊反饋的信號來控制床墊的形態(tài)、控制床墊進(jìn)行加熱和振動；所述健康監(jiān)測模塊用于監(jiān)測用戶的體征信息并將所述體征信息通過無線網(wǎng)絡(luò)傳送至所述健康信息判斷模塊，其包括壓力傳感器、紅外探測傳感器和多普勒傳感器；所述健康信息判斷模塊用于將用戶的體征信息進(jìn)行實時存儲并進(jìn)行數(shù)據(jù)分析、判斷和評估；所述顯示報警模塊用于接收健康信息判斷模塊反饋的信號并進(jìn)行信息顯示或聲光報警提示。

本發(fā)明的有益效果為：能夠通過監(jiān)測用戶的體征信息，根據(jù)用戶的睡眠信息和人體健康信息調(diào)整床墊的姿態(tài)或者提供加熱功能等，并且能夠在監(jiān)測用戶身體不適時提供報警功能，同時大大地改善了用戶的睡眠質(zhì)量，從而解決了上述技術(shù)問題。

附圖說明

利用附圖對本發(fā)明作進(jìn)一步說明，但附圖中的實施例不構(gòu)成對本發(fā)明的任何限制，對于本領(lǐng)域的普通技術(shù)人員，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)以下附圖獲得其它的附圖。

圖1是本發(fā)明結(jié)構(gòu)示意圖；

圖2是本發(fā)明傳感器故障診斷模塊的示意圖。

附圖標(biāo)記：

包括控制模塊1、健康監(jiān)測模塊2、健康信息判斷模塊3、顯示報警模塊4、傳感器故障診斷模塊5、信號采集濾波單元51、故障特征提取單元52、在線特征提取單元53、特征向量優(yōu)選單元54、故障分類識別單元55、故障種類更新單元56、健康記錄單元57。

具體實施方式

結(jié)合以下實施例對本發(fā)明作進(jìn)一步描述。

應(yīng)用場景1

參見圖1、圖2，本應(yīng)用場景的一個實施例的睡眠系統(tǒng)，包括控制模塊1、健康監(jiān)測模塊2、健康信息判斷模塊3、顯示報警模塊4，所述控制模塊1用于根據(jù)健康信息判斷模塊3反饋的信號來控制床墊的形態(tài)、控制床墊進(jìn)行加熱和振動；所述健康監(jiān)測模塊2用于監(jiān)測用戶的體征信息并將所述體征信息通過無線網(wǎng)絡(luò)傳送至所述健康信息判斷模塊3，其包括壓力傳感器、紅外探測傳感器和多普勒傳感器；所述健康信息判斷模塊3用于將用戶的體征信息進(jìn)行實時存儲并進(jìn)行數(shù)據(jù)分析、判斷和評估；所述顯示報警模塊4用于接收健康信息判斷模塊3反饋的信號并進(jìn)行信息顯示或聲光報警提示。

優(yōu)選的，所述床墊還包括配套使用的枕頭，所述枕頭配置地用于采集人體腦電波。

本發(fā)明上述實施例能夠通過監(jiān)測用戶的體征信息、腦電波等信息，根據(jù)用戶的睡眠信息和人體健康信息調(diào)整床墊的姿態(tài)或者提供加熱功能等，并且能夠在監(jiān)測用戶身體不適時提供報警功能，同時大大地改善了用戶的睡眠質(zhì)量，從而解決了上述技術(shù)問題。

優(yōu)選的，所述壓力傳感器至少為4個，所述壓力傳感器按一定規(guī)則排列地安裝在床墊的下部，其用于實時監(jiān)測床墊受到重壓產(chǎn)生的壓力信號。

本優(yōu)選實施例能夠更加有效地實時采集用戶的身體健康信息。

優(yōu)選的，所述睡眠系統(tǒng)還包括對各傳感器進(jìn)行診斷的傳感器故障診斷模塊5，所述傳感器故障診斷模塊5包括信號采集濾波單元51、故障特征提取單元52、在線特征提取單元53、特征向量優(yōu)選單元54、故障分類識別單元55、故障種類更新單元56和健康記錄單元57。

本發(fā)明上述實施例設(shè)置傳感器故障診斷模塊5并實現(xiàn)了傳感器故障診斷模塊5的快速搭建，有利于監(jiān)測各傳感器，保證監(jiān)測有效執(zhí)行。

優(yōu)選的，所述信號采集濾波單元51用于采集歷史傳感器信號和在線傳感器測試信號，并采用組合形態(tài)濾波器對信號進(jìn)行濾波處理；

本優(yōu)選實施例設(shè)置組合形態(tài)濾波器，可有效的去除信號的各種噪聲干擾，較好的保留信號的原始特征信息。

優(yōu)選的，所述故障特征提取單元52用于對濾波后的歷史傳感器信號進(jìn)行集成經(jīng)驗?zāi)B(tài)分解(EEMD)處理，并提取集成經(jīng)驗?zāi)B(tài)分解(EEMD)的能量熵作為訓(xùn)練特征向量，包括：

(1)將采集的歷史傳感器信號分為正常工況信號和多種類別的故障信號；

(2)對所述歷史傳感器信號進(jìn)行集成經(jīng)驗?zāi)B(tài)分解(EEMD)處理，獲得所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)；

(3)計算所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)的能量熵；

(4)對歷史傳感器信號的能量熵進(jìn)行歸一化處理，提取歸一化后的能量熵作為訓(xùn)練特征向量；

所述在線特征提取單元53用于對濾波后的在線傳感器測試信號進(jìn)行集成經(jīng)驗?zāi)B(tài)分解(EEMD)處理，并提取集成經(jīng)驗?zāi)B(tài)分解(EEMD)的能量熵作為待測特征向量，包括：

(1)對所述在線傳感器測試信號進(jìn)行EEMD處理，獲得所述在線傳感器測試信號的本征模態(tài)函數(shù)和余項函數(shù)；

(2)計算所述在線傳感器測試信號的本征模態(tài)函數(shù)和余項函數(shù)的能量熵；

(3)對在線傳感器測試信號的能量熵進(jìn)行歸一化處理，提取歸一化后的能量熵作為待測特征向量。

本優(yōu)選實施例對采集的傳感器信號進(jìn)行集成經(jīng)驗?zāi)B(tài)分解(EEMD)處理，能夠有效的消除模態(tài)混疊現(xiàn)象，分解的效果較好。

優(yōu)選的，所述特征向量優(yōu)選單元54分別對訓(xùn)練特征向量和待測特征向量進(jìn)行相似性度量，對于相似度高的特征向量進(jìn)行剔除，包括：

(1)定義兩向量相似度函數(shù)S(X,Y)：

$S(X,Y)=\frac{\mathrm{cov}(X,Y)}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}$

式中，X、Y分別表示兩個特征向量，cov(X,Y)為X與Y的協(xié)方差，為X、Y標(biāo)準(zhǔn)差；

對于任意兩個訓(xùn)練特征向量X₁、X₂，和任意兩個待測特征向量D₁、D₂，分別采用相似度函數(shù)對其相似度進(jìn)行度量，得到S(X₁,X₂)和S(D₁,D₂)；

(2)對于S(X₁,X₂)和S(D₁,D₂)，若S(X₁,X₂)>T₁，T₁∈(0.9,1)，只選取X₁作為訓(xùn)練特征向量，若S(D₁,D₂)>T₂，T₂∈(0.95,1)，只選取D₁作為待測特征向量。

本優(yōu)選實施例通過相似度度量來篩選特征向量，能夠減少計算量，提高效率。

優(yōu)選的，所述故障分類識別單元55用于采用優(yōu)化的最小二乘支持向量機(jī)對所述待測特征向量進(jìn)行故障分類識別，包括參數(shù)選擇優(yōu)化子模塊、訓(xùn)練子模塊和識別子模塊，具體為：

所述參數(shù)選擇優(yōu)化子模塊用于構(gòu)造最小二乘支持向量機(jī)的核函數(shù)，并對最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)采用多群體協(xié)同混沌粒子群優(yōu)化算法進(jìn)行優(yōu)化；

所述訓(xùn)練子模塊，用于采用改進(jìn)的最優(yōu)二叉樹結(jié)構(gòu)的最小二乘向量機(jī)的多分類方法，以得到的訓(xùn)練特征向量作為訓(xùn)練樣本對結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機(jī)進(jìn)行訓(xùn)練，并構(gòu)建傳感器故障診斷模型；

所述識別子模塊用于采用所述傳感器故障診斷模型對所述待測特征向量進(jìn)行故障分類識別；

其中，考慮多項式核函數(shù)和RBF核函數(shù)的優(yōu)異性，所述最小二乘支持向量機(jī)的核函數(shù)構(gòu)造為：

K＝(1-δ)(xx_i+1)^p+δexp(-‖x-x_i‖²/σ²)

式中，δ為綜合調(diào)整因子，δ的取值范圍設(shè)定為[0.45,0.55]，p為多項式核函數(shù)的階數(shù)，σ²為RBF核函數(shù)參數(shù)。

其中，所示采用多群體協(xié)同混沌粒子群優(yōu)化算法進(jìn)行優(yōu)化，包括：

(1)分別對主粒子群和從粒子群進(jìn)行初始化，隨機(jī)產(chǎn)生一組參數(shù)作為粒子的初始位置和初始速度，定義適應(yīng)度函數(shù)為：

$S=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|\frac{q_{i}W}{q_{i}W+(1-q_i)T}\right|\×100\%$

式中，N為訓(xùn)練樣本總個數(shù)，W為故障錯誤分類數(shù)目，T為故障正確分類數(shù)目，q_i為自設(shè)定的權(quán)重系數(shù)，q_i的取值范圍設(shè)定為[0.4,0.5]；

(2)進(jìn)行從粒子群的更新，在每一代更新過程中，根據(jù)適應(yīng)度函數(shù)，從粒子群分別更新粒子的速度和位置，然后對每個粒子將其歷史最優(yōu)適應(yīng)度值與主粒子群體內(nèi)所經(jīng)歷的最好位置的適應(yīng)度值比較，若更好，則將其作為當(dāng)前的全局最優(yōu)位置；

(3)對所述全局最優(yōu)位置進(jìn)行混沌優(yōu)化，并迭代當(dāng)前序列中的最優(yōu)粒子位置和速度，生成最優(yōu)粒子序列；

(4)在每一代主粒子群中選取從粒子群中最優(yōu)的粒子，并更新粒子的位置和速度，直至達(dá)到最大迭代次數(shù)或者滿足適應(yīng)度函數(shù)的誤差要求。

其中，所述改進(jìn)的最優(yōu)二叉樹結(jié)構(gòu)的最小二乘向量機(jī)的多分類方法具體包括：

(1)計算所有訓(xùn)練樣本的標(biāo)準(zhǔn)方差和兩個類別j、間的分離性測度；

(2)輸出最小分離性測度對應(yīng)的j、

(3)在對最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化后，建立二分類的最小二乘支持向量機(jī)用以訓(xùn)練第j類和第類的訓(xùn)練樣本，形成最優(yōu)二分類最小二乘支持向量機(jī)，輸出判別函數(shù)的參數(shù)，把類的訓(xùn)練樣本合并到j(luò)類內(nèi)，構(gòu)成新的j類訓(xùn)練樣本；

(4)把所有的類別按照(1)-(3)進(jìn)行循環(huán)訓(xùn)練，直至輸出最優(yōu)一個根節(jié)點(diǎn)；

(5)根據(jù)以上輸出結(jié)果組成最小二乘支持向量機(jī)的分類決策樹，然后對余下的訓(xùn)練樣本進(jìn)行分類效果測試。

本優(yōu)選實施例為了提高故障診斷的精度，采用訓(xùn)練速度快、泛化能力強(qiáng)和魯棒性較好的最小二乘向量機(jī)作為分類器，并提出了改進(jìn)最優(yōu)二叉樹結(jié)構(gòu)的多分類方法，以類間分離性測度替代二叉樹結(jié)構(gòu)中的權(quán)值，提高了的分類精度和分類速度；考慮到RBF核函數(shù)是局部核函數(shù)，多項式核函數(shù)是全局核函數(shù)，局部核函數(shù)學(xué)習(xí)能力強(qiáng)，泛化性能相對較弱，而全局核函數(shù)泛化性能強(qiáng)，學(xué)習(xí)能力相對較弱，在綜合上述兩類核函數(shù)的優(yōu)點(diǎn)的基礎(chǔ)上進(jìn)行最小二乘支持向量機(jī)的核函數(shù)構(gòu)造，優(yōu)化了最小二乘支持向量機(jī)的分類性能和泛化性能；設(shè)計的多群體協(xié)同混沌粒子群優(yōu)化算法，具有較好的收斂速度，且具有較好的全局和局部尋優(yōu)性能，能夠及時的跳出局部極值點(diǎn)，尋找全局的最優(yōu)值，從而采用多群體協(xié)同混沌粒子群優(yōu)化算法對最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化，優(yōu)化效果好。

優(yōu)選地，所述故障種類更新單元56用于對訓(xùn)練集進(jìn)行更新，不斷優(yōu)化傳感器故障診斷模型，包括：

(1)傳感器故障診斷模型無法對待測特征向量進(jìn)行有效故障分類時，將待測特征向量作為新的訓(xùn)練特征向量；

(2)新的訓(xùn)練特征向量對訓(xùn)練樣本進(jìn)行更新，對結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機(jī)進(jìn)行訓(xùn)練，并構(gòu)建出新的傳感器故障診斷模型；

(3)采用新的傳感器故障診斷模型對所述待測特征向量進(jìn)行故障分類識別，完成故障種類更新。

本優(yōu)選實施例設(shè)置故障種類更新單元56，以提高模型的適應(yīng)能力和應(yīng)用范圍。

優(yōu)選的，所述健康記錄單元57包括存儲子模塊和安全訪問子模塊，所述存儲子模塊采用基于云存儲的存儲模型，具體地，將故障信息進(jìn)行壓縮后進(jìn)行加密，上傳至云存儲器，所述安全訪問子模塊用于對信息進(jìn)行訪問，具體地，對應(yīng)于存儲子模塊，將數(shù)據(jù)下載到本地，采用相應(yīng)密鑰進(jìn)行解鎖后，再進(jìn)行解壓以讀取信息。

本優(yōu)選實施例設(shè)置健康記錄單元57，一方面保證了信息安全，另一方面能夠隨時對故障進(jìn)行訪問，便于查找問題。

在此應(yīng)用場景中，設(shè)定閾值T₁的取值為0.96，傳感器故障診斷模塊5的監(jiān)測速度相對提高了10％，傳感器故障診斷模塊5的監(jiān)測精度相對提高了12％。

應(yīng)用場景2

參見圖1、圖2，本應(yīng)用場景的一個實施例的睡眠系統(tǒng)，包括控制模塊1、健康監(jiān)測模塊2、健康信息判斷模塊3、顯示報警模塊4，所述控制模塊1用于根據(jù)健康信息判斷模塊3反饋的信號來控制床墊的形態(tài)、控制床墊進(jìn)行加熱和振動；所述健康監(jiān)測模塊2用于監(jiān)測用戶的體征信息并將所述體征信息通過無線網(wǎng)絡(luò)傳送至所述健康信息判斷模塊3，其包括壓力傳感器、紅外探測傳感器和多普勒傳感器；所述健康信息判斷模塊3用于將用戶的體征信息進(jìn)行實時存儲并進(jìn)行數(shù)據(jù)分析、判斷和評估；所述顯示報警模塊4用于接收健康信息判斷模塊3反饋的信號并進(jìn)行信息顯示或聲光報警提示。

優(yōu)選的，所述床墊還包括配套使用的枕頭，所述枕頭配置地用于采集人體腦電波。

本發(fā)明上述實施例能夠通過監(jiān)測用戶的體征信息、腦電波等信息，根據(jù)用戶的睡眠信息和人體健康信息調(diào)整床墊的姿態(tài)或者提供加熱功能等，并且能夠在監(jiān)測用戶身體不適時提供報警功能，同時大大地改善了用戶的睡眠質(zhì)量，從而解決了上述技術(shù)問題。

優(yōu)選的，所述壓力傳感器至少為4個，所述壓力傳感器按一定規(guī)則排列地安裝在床墊的下部，其用于實時監(jiān)測床墊受到重壓產(chǎn)生的壓力信號。

本優(yōu)選實施例能夠更加有效地實時采集用戶的身體健康信息。

優(yōu)選的，所述睡眠系統(tǒng)還包括對各傳感器進(jìn)行診斷的傳感器故障診斷模塊5，所述傳感器故障診斷模塊5包括信號采集濾波單元51、故障特征提取單元52、在線特征提取單元53、特征向量優(yōu)選單元54、故障分類識別單元55、故障種類更新單元56和健康記錄單元57。

本發(fā)明上述實施例設(shè)置傳感器故障診斷模塊5并實現(xiàn)了傳感器故障診斷模塊5的快速搭建，有利于監(jiān)測各傳感器，保證監(jiān)測有效執(zhí)行。

優(yōu)選的，所述信號采集濾波單元51用于采集歷史傳感器信號和在線傳感器測試信號，并采用組合形態(tài)濾波器對信號進(jìn)行濾波處理；

本優(yōu)選實施例設(shè)置組合形態(tài)濾波器，可有效的去除信號的各種噪聲干擾，較好的保留信號的原始特征信息。

優(yōu)選的，所述故障特征提取單元52用于對濾波后的歷史傳感器信號進(jìn)行集成經(jīng)驗?zāi)B(tài)分解(EEMD)處理，并提取集成經(jīng)驗?zāi)B(tài)分解(EEMD)的能量熵作為訓(xùn)練特征向量，包括：

(1)將采集的歷史傳感器信號分為正常工況信號和多種類別的故障信號；

(2)對所述歷史傳感器信號進(jìn)行集成經(jīng)驗?zāi)B(tài)分解(EEMD)處理，獲得所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)；

(3)計算所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)的能量熵；

(4)對歷史傳感器信號的能量熵進(jìn)行歸一化處理，提取歸一化后的能量熵作為訓(xùn)練特征向量；

所述在線特征提取單元53用于對濾波后的在線傳感器測試信號進(jìn)行集成經(jīng)驗?zāi)B(tài)分解(EEMD)處理，并提取集成經(jīng)驗?zāi)B(tài)分解(EEMD)的能量熵作為待測特征向量，包括：

(1)對所述在線傳感器測試信號進(jìn)行EEMD處理，獲得所述在線傳感器測試信號的本征模態(tài)函數(shù)和余項函數(shù)；

(2)計算所述在線傳感器測試信號的本征模態(tài)函數(shù)和余項函數(shù)的能量熵；

(3)對在線傳感器測試信號的能量熵進(jìn)行歸一化處理，提取歸一化后的能量熵作為待測特征向量。

本優(yōu)選實施例對采集的傳感器信號進(jìn)行集成經(jīng)驗?zāi)B(tài)分解(EEMD)處理，能夠有效的消除模態(tài)混疊現(xiàn)象，分解的效果較好。

優(yōu)選的，所述特征向量優(yōu)選單元54分別對訓(xùn)練特征向量和待測特征向量進(jìn)行相似性度量，對于相似度高的特征向量進(jìn)行剔除，包括：

(1)定義兩向量相似度函數(shù)S(X,Y)：

$S(X,Y)=\frac{\mathrm{cov}(X,Y)}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}$

式中，X、Y分別表示兩個特征向量，cov(X,Y)為X與Y的協(xié)方差，為X、Y標(biāo)準(zhǔn)差；

對于任意兩個訓(xùn)練特征向量X₁、X₂，和任意兩個待測特征向量D₁、D₂，分別采用相似度函數(shù)對其相似度進(jìn)行度量，得到S(X₁,X₂)和S(D₁,D₂)；

(2)對于S(X₁,X₂)和S(D₁,D₂)，若S(X₁,X₂)>T₁，T₁∈(0.9,1)，只選取X₁作為訓(xùn)練特征向量，若S(D₁,D₂)>T₂，T₂∈(0.95,1)，只選取D₁作為待測特征向量。

本優(yōu)選實施例通過相似度度量來篩選特征向量，能夠減少計算量，提高效率。

優(yōu)選的，所述故障分類識別單元55用于采用優(yōu)化的最小二乘支持向量機(jī)對所述待測特征向量進(jìn)行故障分類識別，包括參數(shù)選擇優(yōu)化子模塊、訓(xùn)練子模塊和識別子模塊，具體為：

所述參數(shù)選擇優(yōu)化子模塊用于構(gòu)造最小二乘支持向量機(jī)的核函數(shù)，并對最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)采用多群體協(xié)同混沌粒子群優(yōu)化算法進(jìn)行優(yōu)化；

所述訓(xùn)練子模塊，用于采用改進(jìn)的最優(yōu)二叉樹結(jié)構(gòu)的最小二乘向量機(jī)的多分類方法，以得到的訓(xùn)練特征向量作為訓(xùn)練樣本對結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機(jī)進(jìn)行訓(xùn)練，并構(gòu)建傳感器故障診斷模型；

所述識別子模塊用于采用所述傳感器故障診斷模型對所述待測特征向量進(jìn)行故障分類識別；

其中，考慮多項式核函數(shù)和RBF核函數(shù)的優(yōu)異性，所述最小二乘支持向量機(jī)的核函數(shù)構(gòu)造為：

K＝(1-δ)(xx_i+1)^p+δexp(-‖x-x_i‖²/σ²)

式中，δ為綜合調(diào)整因子，δ的取值范圍設(shè)定為[0.45,0.55]，p為多項式核函數(shù)的階數(shù)，σ²為RBF核函數(shù)參數(shù)。

其中，所示采用多群體協(xié)同混沌粒子群優(yōu)化算法進(jìn)行優(yōu)化，包括：

(1)分別對主粒子群和從粒子群進(jìn)行初始化，隨機(jī)產(chǎn)生一組參數(shù)作為粒子的初始位置和初始速度，定義適應(yīng)度函數(shù)為：

$S=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|\frac{q_{i}W}{q_{i}W+(1-q_i)T}\right|\×100\%$

式中，N為訓(xùn)練樣本總個數(shù)，W為故障錯誤分類數(shù)目，T為故障正確分類數(shù)目，q_i為自設(shè)定的權(quán)重系數(shù)，q_i的取值范圍設(shè)定為[0.4,0.5]；

(2)進(jìn)行從粒子群的更新，在每一代更新過程中，根據(jù)適應(yīng)度函數(shù)，從粒子群分別更新粒子的速度和位置，然后對每個粒子將其歷史最優(yōu)適應(yīng)度值與主粒子群體內(nèi)所經(jīng)歷的最好位置的適應(yīng)度值比較，若更好，則將其作為當(dāng)前的全局最優(yōu)位置；

(3)對所述全局最優(yōu)位置進(jìn)行混沌優(yōu)化，并迭代當(dāng)前序列中的最優(yōu)粒子位置和速度，生成最優(yōu)粒子序列；

(4)在每一代主粒子群中選取從粒子群中最優(yōu)的粒子，并更新粒子的位置和速度，直至達(dá)到最大迭代次數(shù)或者滿足適應(yīng)度函數(shù)的誤差要求。

其中，所述改進(jìn)的最優(yōu)二叉樹結(jié)構(gòu)的最小二乘向量機(jī)的多分類方法具體包括：

(1)計算所有訓(xùn)練樣本的標(biāo)準(zhǔn)方差和兩個類別j、間的分離性測度；

(2)輸出最小分離性測度對應(yīng)的j、

(3)在對最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化后，建立二分類的最小二乘支持向量機(jī)用以訓(xùn)練第j類和第類的訓(xùn)練樣本，形成最優(yōu)二分類最小二乘支持向量機(jī)，輸出判別函數(shù)的參數(shù)，把類的訓(xùn)練樣本合并到j(luò)類內(nèi)，構(gòu)成新的j類訓(xùn)練樣本；

(4)把所有的類別按照(1)-(3)進(jìn)行循環(huán)訓(xùn)練，直至輸出最優(yōu)一個根節(jié)點(diǎn)；

(5)根據(jù)以上輸出結(jié)果組成最小二乘支持向量機(jī)的分類決策樹，然后對余下的訓(xùn)練樣本進(jìn)行分類效果測試。

本優(yōu)選實施例為了提高故障診斷的精度，采用訓(xùn)練速度快、泛化能力強(qiáng)和魯棒性較好的最小二乘向量機(jī)作為分類器，并提出了改進(jìn)最優(yōu)二叉樹結(jié)構(gòu)的多分類方法，以類間分離性測度替代二叉樹結(jié)構(gòu)中的權(quán)值，提高了的分類精度和分類速度；考慮到RBF核函數(shù)是局部核函數(shù)，多項式核函數(shù)是全局核函數(shù)，局部核函數(shù)學(xué)習(xí)能力強(qiáng)，泛化性能相對較弱，而全局核函數(shù)泛化性能強(qiáng)，學(xué)習(xí)能力相對較弱，在綜合上述兩類核函數(shù)的優(yōu)點(diǎn)的基礎(chǔ)上進(jìn)行最小二乘支持向量機(jī)的核函數(shù)構(gòu)造，優(yōu)化了最小二乘支持向量機(jī)的分類性能和泛化性能；設(shè)計的多群體協(xié)同混沌粒子群優(yōu)化算法，具有較好的收斂速度，且具有較好的全局和局部尋優(yōu)性能，能夠及時的跳出局部極值點(diǎn)，尋找全局的最優(yōu)值，從而采用多群體協(xié)同混沌粒子群優(yōu)化算法對最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化，優(yōu)化效果好。

優(yōu)選地，所述故障種類更新單元56用于對訓(xùn)練集進(jìn)行更新，不斷優(yōu)化傳感器故障診斷模型，包括：

(1)傳感器故障診斷模型無法對待測特征向量進(jìn)行有效故障分類時，將待測特征向量作為新的訓(xùn)練特征向量；

(2)新的訓(xùn)練特征向量對訓(xùn)練樣本進(jìn)行更新，對結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機(jī)進(jìn)行訓(xùn)練，并構(gòu)建出新的傳感器故障診斷模型；

(3)采用新的傳感器故障診斷模型對所述待測特征向量進(jìn)行故障分類識別，完成故障種類更新。

本優(yōu)選實施例設(shè)置故障種類更新單元56，以提高模型的適應(yīng)能力和應(yīng)用范圍。

優(yōu)選的，所述健康記錄單元57包括存儲子模塊和安全訪問子模塊，所述存儲子模塊采用基于云存儲的存儲模型，具體地，將故障信息進(jìn)行壓縮后進(jìn)行加密，上傳至云存儲器，所述安全訪問子模塊用于對信息進(jìn)行訪問，具體地，對應(yīng)于存儲子模塊，將數(shù)據(jù)下載到本地，采用相應(yīng)密鑰進(jìn)行解鎖后，再進(jìn)行解壓以讀取信息。

本優(yōu)選實施例設(shè)置健康記錄單元57，一方面保證了信息安全，另一方面能夠隨時對故障進(jìn)行訪問，便于查找問題。

在此應(yīng)用場景中，設(shè)定閾值T₁的取值為0.95，傳感器故障診斷模塊5的監(jiān)測速度相對提高了11％，傳感器故障診斷模塊5的監(jiān)測精度相對提高了11％。

應(yīng)用場景3

參見圖1、圖2，本應(yīng)用場景的一個實施例的睡眠系統(tǒng)，包括控制模塊1、健康監(jiān)測模塊2、健康信息判斷模塊3、顯示報警模塊4，所述控制模塊1用于根據(jù)健康信息判斷模塊3反饋的信號來控制床墊的形態(tài)、控制床墊進(jìn)行加熱和振動；所述健康監(jiān)測模塊2用于監(jiān)測用戶的體征信息并將所述體征信息通過無線網(wǎng)絡(luò)傳送至所述健康信息判斷模塊3，其包括壓力傳感器、紅外探測傳感器和多普勒傳感器；所述健康信息判斷模塊3用于將用戶的體征信息進(jìn)行實時存儲并進(jìn)行數(shù)據(jù)分析、判斷和評估；所述顯示報警模塊4用于接收健康信息判斷模塊3反饋的信號并進(jìn)行信息顯示或聲光報警提示。

優(yōu)選的，所述床墊還包括配套使用的枕頭，所述枕頭配置地用于采集人體腦電波。

本發(fā)明上述實施例能夠通過監(jiān)測用戶的體征信息、腦電波等信息，根據(jù)用戶的睡眠信息和人體健康信息調(diào)整床墊的姿態(tài)或者提供加熱功能等，并且能夠在監(jiān)測用戶身體不適時提供報警功能，同時大大地改善了用戶的睡眠質(zhì)量，從而解決了上述技術(shù)問題。

優(yōu)選的，所述壓力傳感器至少為4個，所述壓力傳感器按一定規(guī)則排列地安裝在床墊的下部，其用于實時監(jiān)測床墊受到重壓產(chǎn)生的壓力信號。

本優(yōu)選實施例能夠更加有效地實時采集用戶的身體健康信息。

優(yōu)選的，所述睡眠系統(tǒng)還包括對各傳感器進(jìn)行診斷的傳感器故障診斷模塊5，所述傳感器故障診斷模塊5包括信號采集濾波單元51、故障特征提取單元52、在線特征提取單元53、特征向量優(yōu)選單元54、故障分類識別單元55、故障種類更新單元56和健康記錄單元57。

本發(fā)明上述實施例設(shè)置傳感器故障診斷模塊5并實現(xiàn)了傳感器故障診斷模塊5的快速搭建，有利于監(jiān)測各傳感器，保證監(jiān)測有效執(zhí)行。

優(yōu)選的，所述信號采集濾波單元51用于采集歷史傳感器信號和在線傳感器測試信號，并采用組合形態(tài)濾波器對信號進(jìn)行濾波處理；

本優(yōu)選實施例設(shè)置組合形態(tài)濾波器，可有效的去除信號的各種噪聲干擾，較好的保留信號的原始特征信息。

優(yōu)選的，所述故障特征提取單元52用于對濾波后的歷史傳感器信號進(jìn)行集成經(jīng)驗?zāi)B(tài)分解(EEMD)處理，并提取集成經(jīng)驗?zāi)B(tài)分解(EEMD)的能量熵作為訓(xùn)練特征向量，包括：

(1)將采集的歷史傳感器信號分為正常工況信號和多種類別的故障信號；

(2)對所述歷史傳感器信號進(jìn)行集成經(jīng)驗?zāi)B(tài)分解(EEMD)處理，獲得所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)；

(3)計算所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)的能量熵；

(4)對歷史傳感器信號的能量熵進(jìn)行歸一化處理，提取歸一化后的能量熵作為訓(xùn)練特征向量；

所述在線特征提取單元53用于對濾波后的在線傳感器測試信號進(jìn)行集成經(jīng)驗?zāi)B(tài)分解(EEMD)處理，并提取集成經(jīng)驗?zāi)B(tài)分解(EEMD)的能量熵作為待測特征向量，包括：

(1)對所述在線傳感器測試信號進(jìn)行EEMD處理，獲得所述在線傳感器測試信號的本征模態(tài)函數(shù)和余項函數(shù)；

(2)計算所述在線傳感器測試信號的本征模態(tài)函數(shù)和余項函數(shù)的能量熵；

(3)對在線傳感器測試信號的能量熵進(jìn)行歸一化處理，提取歸一化后的能量熵作為待測特征向量。

本優(yōu)選實施例對采集的傳感器信號進(jìn)行集成經(jīng)驗?zāi)B(tài)分解(EEMD)處理，能夠有效的消除模態(tài)混疊現(xiàn)象，分解的效果較好。

優(yōu)選的，所述特征向量優(yōu)選單元54分別對訓(xùn)練特征向量和待測特征向量進(jìn)行相似性度量，對于相似度高的特征向量進(jìn)行剔除，包括：

(1)定義兩向量相似度函數(shù)S(X,Y)：

$S(X,Y)=\frac{\mathrm{cov}(X,Y)}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}$

式中，X、Y分別表示兩個特征向量，cov(X,Y)為X與Y的協(xié)方差，為X、Y標(biāo)準(zhǔn)差；

對于任意兩個訓(xùn)練特征向量X₁、X₂，和任意兩個待測特征向量D₁、D₂，分別采用相似度函數(shù)對其相似度進(jìn)行度量，得到S(X₁,X₂)和S(D₁,D₂)；

(2)對于S(X₁,X₂)和S(D₁,D₂)，若S(X₁,X₂)>T₁，T₁∈(0.9,1)，只選取X₁作為訓(xùn)練特征向量，若S(D₁,D₂)>T₂，T₂∈(0.95,1)，只選取D₁作為待測特征向量。

本優(yōu)選實施例通過相似度度量來篩選特征向量，能夠減少計算量，提高效率。

優(yōu)選的，所述故障分類識別單元55用于采用優(yōu)化的最小二乘支持向量機(jī)對所述待測特征向量進(jìn)行故障分類識別，包括參數(shù)選擇優(yōu)化子模塊、訓(xùn)練子模塊和識別子模塊，具體為：

所述參數(shù)選擇優(yōu)化子模塊用于構(gòu)造最小二乘支持向量機(jī)的核函數(shù)，并對最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)采用多群體協(xié)同混沌粒子群優(yōu)化算法進(jìn)行優(yōu)化；

所述訓(xùn)練子模塊，用于采用改進(jìn)的最優(yōu)二叉樹結(jié)構(gòu)的最小二乘向量機(jī)的多分類方法，以得到的訓(xùn)練特征向量作為訓(xùn)練樣本對結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機(jī)進(jìn)行訓(xùn)練，并構(gòu)建傳感器故障診斷模型；

所述識別子模塊用于采用所述傳感器故障診斷模型對所述待測特征向量進(jìn)行故障分類識別；

其中，考慮多項式核函數(shù)和RBF核函數(shù)的優(yōu)異性，所述最小二乘支持向量機(jī)的核函數(shù)構(gòu)造為：

K＝(1-δ)(xx_i+1)^p+δexp(-‖x-x_i‖²/σ²)

式中，δ為綜合調(diào)整因子，δ的取值范圍設(shè)定為[0.45,0.55]，p為多項式核函數(shù)的階數(shù)，σ²為RBF核函數(shù)參數(shù)。

其中，所示采用多群體協(xié)同混沌粒子群優(yōu)化算法進(jìn)行優(yōu)化，包括：

(1)分別對主粒子群和從粒子群進(jìn)行初始化，隨機(jī)產(chǎn)生一組參數(shù)作為粒子的初始位置和初始速度，定義適應(yīng)度函數(shù)為：

$S=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|\frac{q_{i}W}{q_{i}W+(1-q_i)T}\right|\×100\%$

式中，N為訓(xùn)練樣本總個數(shù)，W為故障錯誤分類數(shù)目，T為故障正確分類數(shù)目，q_i為自設(shè)定的權(quán)重系數(shù)，q_i的取值范圍設(shè)定為[0.4,0.5]；

(2)進(jìn)行從粒子群的更新，在每一代更新過程中，根據(jù)適應(yīng)度函數(shù)，從粒子群分別更新粒子的速度和位置，然后對每個粒子將其歷史最優(yōu)適應(yīng)度值與主粒子群體內(nèi)所經(jīng)歷的最好位置的適應(yīng)度值比較，若更好，則將其作為當(dāng)前的全局最優(yōu)位置；

(3)對所述全局最優(yōu)位置進(jìn)行混沌優(yōu)化，并迭代當(dāng)前序列中的最優(yōu)粒子位置和速度，生成最優(yōu)粒子序列；

(4)在每一代主粒子群中選取從粒子群中最優(yōu)的粒子，并更新粒子的位置和速度，直至達(dá)到最大迭代次數(shù)或者滿足適應(yīng)度函數(shù)的誤差要求。

其中，所述改進(jìn)的最優(yōu)二叉樹結(jié)構(gòu)的最小二乘向量機(jī)的多分類方法具體包括：

(1)計算所有訓(xùn)練樣本的標(biāo)準(zhǔn)方差和兩個類別j、間的分離性測度；

(2)輸出最小分離性測度對應(yīng)的j、

(3)在對最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化后，建立二分類的最小二乘支持向量機(jī)用以訓(xùn)練第j類和第類的訓(xùn)練樣本，形成最優(yōu)二分類最小二乘支持向量機(jī)，輸出判別函數(shù)的參數(shù)，把類的訓(xùn)練樣本合并到j(luò)類內(nèi)，構(gòu)成新的j類訓(xùn)練樣本；

(4)把所有的類別按照(1)-(3)進(jìn)行循環(huán)訓(xùn)練，直至輸出最優(yōu)一個根節(jié)點(diǎn)；

(5)根據(jù)以上輸出結(jié)果組成最小二乘支持向量機(jī)的分類決策樹，然后對余下的訓(xùn)練樣本進(jìn)行分類效果測試。

本優(yōu)選實施例為了提高故障診斷的精度，采用訓(xùn)練速度快、泛化能力強(qiáng)和魯棒性較好的最小二乘向量機(jī)作為分類器，并提出了改進(jìn)最優(yōu)二叉樹結(jié)構(gòu)的多分類方法，以類間分離性測度替代二叉樹結(jié)構(gòu)中的權(quán)值，提高了的分類精度和分類速度；考慮到RBF核函數(shù)是局部核函數(shù)，多項式核函數(shù)是全局核函數(shù)，局部核函數(shù)學(xué)習(xí)能力強(qiáng)，泛化性能相對較弱，而全局核函數(shù)泛化性能強(qiáng)，學(xué)習(xí)能力相對較弱，在綜合上述兩類核函數(shù)的優(yōu)點(diǎn)的基礎(chǔ)上進(jìn)行最小二乘支持向量機(jī)的核函數(shù)構(gòu)造，優(yōu)化了最小二乘支持向量機(jī)的分類性能和泛化性能；設(shè)計的多群體協(xié)同混沌粒子群優(yōu)化算法，具有較好的收斂速度，且具有較好的全局和局部尋優(yōu)性能，能夠及時的跳出局部極值點(diǎn)，尋找全局的最優(yōu)值，從而采用多群體協(xié)同混沌粒子群優(yōu)化算法對最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化，優(yōu)化效果好。

優(yōu)選地，所述故障種類更新單元56用于對訓(xùn)練集進(jìn)行更新，不斷優(yōu)化傳感器故障診斷模型，包括：

(1)傳感器故障診斷模型無法對待測特征向量進(jìn)行有效故障分類時，將待測特征向量作為新的訓(xùn)練特征向量；

(2)新的訓(xùn)練特征向量對訓(xùn)練樣本進(jìn)行更新，對結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機(jī)進(jìn)行訓(xùn)練，并構(gòu)建出新的傳感器故障診斷模型；

(3)采用新的傳感器故障診斷模型對所述待測特征向量進(jìn)行故障分類識別，完成故障種類更新。

本優(yōu)選實施例設(shè)置故障種類更新單元56，以提高模型的適應(yīng)能力和應(yīng)用范圍。

優(yōu)選的，所述健康記錄單元57包括存儲子模塊和安全訪問子模塊，所述存儲子模塊采用基于云存儲的存儲模型，具體地，將故障信息進(jìn)行壓縮后進(jìn)行加密，上傳至云存儲器，所述安全訪問子模塊用于對信息進(jìn)行訪問，具體地，對應(yīng)于存儲子模塊，將數(shù)據(jù)下載到本地，采用相應(yīng)密鑰進(jìn)行解鎖后，再進(jìn)行解壓以讀取信息。

本優(yōu)選實施例設(shè)置健康記錄單元57，一方面保證了信息安全，另一方面能夠隨時對故障進(jìn)行訪問，便于查找問題。

在此應(yīng)用場景中，設(shè)定閾值T₁的取值為0.94，傳感器故障診斷模塊5的監(jiān)測速度相對提高了12％，傳感器故障診斷模塊5的監(jiān)測精度相對提高了10％。

應(yīng)用場景4

參見圖1、圖2，本應(yīng)用場景的一個實施例的睡眠系統(tǒng)，包括控制模塊1、健康監(jiān)測模塊2、健康信息判斷模塊3、顯示報警模塊4，所述控制模塊1用于根據(jù)健康信息判斷模塊3反饋的信號來控制床墊的形態(tài)、控制床墊進(jìn)行加熱和振動；所述健康監(jiān)測模塊2用于監(jiān)測用戶的體征信息并將所述體征信息通過無線網(wǎng)絡(luò)傳送至所述健康信息判斷模塊3，其包括壓力傳感器、紅外探測傳感器和多普勒傳感器；所述健康信息判斷模塊3用于將用戶的體征信息進(jìn)行實時存儲并進(jìn)行數(shù)據(jù)分析、判斷和評估；所述顯示報警模塊4用于接收健康信息判斷模塊3反饋的信號并進(jìn)行信息顯示或聲光報警提示。

優(yōu)選的，所述床墊還包括配套使用的枕頭，所述枕頭配置地用于采集人體腦電波。

本發(fā)明上述實施例能夠通過監(jiān)測用戶的體征信息、腦電波等信息，根據(jù)用戶的睡眠信息和人體健康信息調(diào)整床墊的姿態(tài)或者提供加熱功能等，并且能夠在監(jiān)測用戶身體不適時提供報警功能，同時大大地改善了用戶的睡眠質(zhì)量，從而解決了上述技術(shù)問題。

優(yōu)選的，所述壓力傳感器至少為4個，所述壓力傳感器按一定規(guī)則排列地安裝在床墊的下部，其用于實時監(jiān)測床墊受到重壓產(chǎn)生的壓力信號。

本優(yōu)選實施例能夠更加有效地實時采集用戶的身體健康信息。

優(yōu)選的，所述睡眠系統(tǒng)還包括對各傳感器進(jìn)行診斷的傳感器故障診斷模塊5，所述傳感器故障診斷模塊5包括信號采集濾波單元51、故障特征提取單元52、在線特征提取單元53、特征向量優(yōu)選單元54、故障分類識別單元55、故障種類更新單元56和健康記錄單元57。

本發(fā)明上述實施例設(shè)置傳感器故障診斷模塊5并實現(xiàn)了傳感器故障診斷模塊5的快速搭建，有利于監(jiān)測各傳感器，保證監(jiān)測有效執(zhí)行。

優(yōu)選的，所述信號采集濾波單元51用于采集歷史傳感器信號和在線傳感器測試信號，并采用組合形態(tài)濾波器對信號進(jìn)行濾波處理；

本優(yōu)選實施例設(shè)置組合形態(tài)濾波器，可有效的去除信號的各種噪聲干擾，較好的保留信號的原始特征信息。

優(yōu)選的，所述故障特征提取單元52用于對濾波后的歷史傳感器信號進(jìn)行集成經(jīng)驗?zāi)B(tài)分解(EEMD)處理，并提取集成經(jīng)驗?zāi)B(tài)分解(EEMD)的能量熵作為訓(xùn)練特征向量，包括：

(1)將采集的歷史傳感器信號分為正常工況信號和多種類別的故障信號；

(2)對所述歷史傳感器信號進(jìn)行集成經(jīng)驗?zāi)B(tài)分解(EEMD)處理，獲得所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)；

(3)計算所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)的能量熵；

(4)對歷史傳感器信號的能量熵進(jìn)行歸一化處理，提取歸一化后的能量熵作為訓(xùn)練特征向量；

所述在線特征提取單元53用于對濾波后的在線傳感器測試信號進(jìn)行集成經(jīng)驗?zāi)B(tài)分解(EEMD)處理，并提取集成經(jīng)驗?zāi)B(tài)分解(EEMD)的能量熵作為待測特征向量，包括：

(1)對所述在線傳感器測試信號進(jìn)行EEMD處理，獲得所述在線傳感器測試信號的本征模態(tài)函數(shù)和余項函數(shù)；

(2)計算所述在線傳感器測試信號的本征模態(tài)函數(shù)和余項函數(shù)的能量熵；

(3)對在線傳感器測試信號的能量熵進(jìn)行歸一化處理，提取歸一化后的能量熵作為待測特征向量。

本優(yōu)選實施例對采集的傳感器信號進(jìn)行集成經(jīng)驗?zāi)B(tài)分解(EEMD)處理，能夠有效的消除模態(tài)混疊現(xiàn)象，分解的效果較好。

優(yōu)選的，所述特征向量優(yōu)選單元54分別對訓(xùn)練特征向量和待測特征向量進(jìn)行相似性度量，對于相似度高的特征向量進(jìn)行剔除，包括：

(1)定義兩向量相似度函數(shù)S(X,Y)：

$S(X,Y)=\frac{\mathrm{cov}(X,Y)}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}$

式中，X、Y分別表示兩個特征向量，cov(X,Y)為X與Y的協(xié)方差，為X、Y標(biāo)準(zhǔn)差；

對于任意兩個訓(xùn)練特征向量X₁、X₂，和任意兩個待測特征向量D₁、D₂，分別采用相似度函數(shù)對其相似度進(jìn)行度量，得到S(X₁,X₂)和S(D₁,D₂)；

(2)對于S(X₁,X₂)和S(D₁,D₂)，若S(X₁,X₂)>T₁，T₁∈(0.9,1)，只選取X₁作為訓(xùn)練特征向量，若S(D₁,D₂)>T₂，T₂∈(0.95,1)，只選取D₁作為待測特征向量。

本優(yōu)選實施例通過相似度度量來篩選特征向量，能夠減少計算量，提高效率。

優(yōu)選的，所述故障分類識別單元55用于采用優(yōu)化的最小二乘支持向量機(jī)對所述待測特征向量進(jìn)行故障分類識別，包括參數(shù)選擇優(yōu)化子模塊、訓(xùn)練子模塊和識別子模塊，具體為：

所述參數(shù)選擇優(yōu)化子模塊用于構(gòu)造最小二乘支持向量機(jī)的核函數(shù)，并對最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)采用多群體協(xié)同混沌粒子群優(yōu)化算法進(jìn)行優(yōu)化；

所述訓(xùn)練子模塊，用于采用改進(jìn)的最優(yōu)二叉樹結(jié)構(gòu)的最小二乘向量機(jī)的多分類方法，以得到的訓(xùn)練特征向量作為訓(xùn)練樣本對結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機(jī)進(jìn)行訓(xùn)練，并構(gòu)建傳感器故障診斷模型；

所述識別子模塊用于采用所述傳感器故障診斷模型對所述待測特征向量進(jìn)行故障分類識別；

其中，考慮多項式核函數(shù)和RBF核函數(shù)的優(yōu)異性，所述最小二乘支持向量機(jī)的核函數(shù)構(gòu)造為：

K＝(1-δ)(xx_i+1)^p+δexp(-‖x-x_i‖²/σ²)

式中，δ為綜合調(diào)整因子，δ的取值范圍設(shè)定為[0.45,0.55]，p為多項式核函數(shù)的階數(shù)，σ²為RBF核函數(shù)參數(shù)。

其中，所示采用多群體協(xié)同混沌粒子群優(yōu)化算法進(jìn)行優(yōu)化，包括：

(1)分別對主粒子群和從粒子群進(jìn)行初始化，隨機(jī)產(chǎn)生一組參數(shù)作為粒子的初始位置和初始速度，定義適應(yīng)度函數(shù)為：

$S=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|\frac{q_{i}W}{q_{i}W+(1-q_i)T}\right|\×100\%$

式中，N為訓(xùn)練樣本總個數(shù)，W為故障錯誤分類數(shù)目，T為故障正確分類數(shù)目，q_i為自設(shè)定的權(quán)重系數(shù)，q_i的取值范圍設(shè)定為[0.4,0.5]；

(2)進(jìn)行從粒子群的更新，在每一代更新過程中，根據(jù)適應(yīng)度函數(shù)，從粒子群分別更新粒子的速度和位置，然后對每個粒子將其歷史最優(yōu)適應(yīng)度值與主粒子群體內(nèi)所經(jīng)歷的最好位置的適應(yīng)度值比較，若更好，則將其作為當(dāng)前的全局最優(yōu)位置；

(3)對所述全局最優(yōu)位置進(jìn)行混沌優(yōu)化，并迭代當(dāng)前序列中的最優(yōu)粒子位置和速度，生成最優(yōu)粒子序列；

(4)在每一代主粒子群中選取從粒子群中最優(yōu)的粒子，并更新粒子的位置和速度，直至達(dá)到最大迭代次數(shù)或者滿足適應(yīng)度函數(shù)的誤差要求。

其中，所述改進(jìn)的最優(yōu)二叉樹結(jié)構(gòu)的最小二乘向量機(jī)的多分類方法具體包括：

(1)計算所有訓(xùn)練樣本的標(biāo)準(zhǔn)方差和兩個類別j、間的分離性測度；

(2)輸出最小分離性測度對應(yīng)的j、

(3)在對最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化后，建立二分類的最小二乘支持向量機(jī)用以訓(xùn)練第j類和第類的訓(xùn)練樣本，形成最優(yōu)二分類最小二乘支持向量機(jī)，輸出判別函數(shù)的參數(shù)，把類的訓(xùn)練樣本合并到j(luò)類內(nèi)，構(gòu)成新的j類訓(xùn)練樣本；

(4)把所有的類別按照(1)-(3)進(jìn)行循環(huán)訓(xùn)練，直至輸出最優(yōu)一個根節(jié)點(diǎn)；

(5)根據(jù)以上輸出結(jié)果組成最小二乘支持向量機(jī)的分類決策樹，然后對余下的訓(xùn)練樣本進(jìn)行分類效果測試。

本優(yōu)選實施例為了提高故障診斷的精度，采用訓(xùn)練速度快、泛化能力強(qiáng)和魯棒性較好的最小二乘向量機(jī)作為分類器，并提出了改進(jìn)最優(yōu)二叉樹結(jié)構(gòu)的多分類方法，以類間分離性測度替代二叉樹結(jié)構(gòu)中的權(quán)值，提高了的分類精度和分類速度；考慮到RBF核函數(shù)是局部核函數(shù)，多項式核函數(shù)是全局核函數(shù)，局部核函數(shù)學(xué)習(xí)能力強(qiáng)，泛化性能相對較弱，而全局核函數(shù)泛化性能強(qiáng)，學(xué)習(xí)能力相對較弱，在綜合上述兩類核函數(shù)的優(yōu)點(diǎn)的基礎(chǔ)上進(jìn)行最小二乘支持向量機(jī)的核函數(shù)構(gòu)造，優(yōu)化了最小二乘支持向量機(jī)的分類性能和泛化性能；設(shè)計的多群體協(xié)同混沌粒子群優(yōu)化算法，具有較好的收斂速度，且具有較好的全局和局部尋優(yōu)性能，能夠及時的跳出局部極值點(diǎn)，尋找全局的最優(yōu)值，從而采用多群體協(xié)同混沌粒子群優(yōu)化算法對最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化，優(yōu)化效果好。

優(yōu)選地，所述故障種類更新單元56用于對訓(xùn)練集進(jìn)行更新，不斷優(yōu)化傳感器故障診斷模型，包括：

(1)傳感器故障診斷模型無法對待測特征向量進(jìn)行有效故障分類時，將待測特征向量作為新的訓(xùn)練特征向量；

(2)新的訓(xùn)練特征向量對訓(xùn)練樣本進(jìn)行更新，對結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機(jī)進(jìn)行訓(xùn)練，并構(gòu)建出新的傳感器故障診斷模型；

(3)采用新的傳感器故障診斷模型對所述待測特征向量進(jìn)行故障分類識別，完成故障種類更新。

本優(yōu)選實施例設(shè)置故障種類更新單元56，以提高模型的適應(yīng)能力和應(yīng)用范圍。

優(yōu)選的，所述健康記錄單元57包括存儲子模塊和安全訪問子模塊，所述存儲子模塊采用基于云存儲的存儲模型，具體地，將故障信息進(jìn)行壓縮后進(jìn)行加密，上傳至云存儲器，所述安全訪問子模塊用于對信息進(jìn)行訪問，具體地，對應(yīng)于存儲子模塊，將數(shù)據(jù)下載到本地，采用相應(yīng)密鑰進(jìn)行解鎖后，再進(jìn)行解壓以讀取信息。

本優(yōu)選實施例設(shè)置健康記錄單元57，一方面保證了信息安全，另一方面能夠隨時對故障進(jìn)行訪問，便于查找問題。

在此應(yīng)用場景中，設(shè)定閾值T₁的取值為0.93，傳感器故障診斷模塊5的監(jiān)測速度相對提高了13％，傳感器故障診斷模塊5的監(jiān)測精度相對提高了9％。

應(yīng)用場景5

參見圖1、圖2，本應(yīng)用場景的一個實施例的睡眠系統(tǒng)，包括控制模塊1、健康監(jiān)測模塊2、健康信息判斷模塊3、顯示報警模塊4，所述控制模塊1用于根據(jù)健康信息判斷模塊3反饋的信號來控制床墊的形態(tài)、控制床墊進(jìn)行加熱和振動；所述健康監(jiān)測模塊2用于監(jiān)測用戶的體征信息并將所述體征信息通過無線網(wǎng)絡(luò)傳送至所述健康信息判斷模塊3，其包括壓力傳感器、紅外探測傳感器和多普勒傳感器；所述健康信息判斷模塊3用于將用戶的體征信息進(jìn)行實時存儲并進(jìn)行數(shù)據(jù)分析、判斷和評估；所述顯示報警模塊4用于接收健康信息判斷模塊3反饋的信號并進(jìn)行信息顯示或聲光報警提示。

優(yōu)選的，所述床墊還包括配套使用的枕頭，所述枕頭配置地用于采集人體腦電波。

本發(fā)明上述實施例能夠通過監(jiān)測用戶的體征信息、腦電波等信息，根據(jù)用戶的睡眠信息和人體健康信息調(diào)整床墊的姿態(tài)或者提供加熱功能等，并且能夠在監(jiān)測用戶身體不適時提供報警功能，同時大大地改善了用戶的睡眠質(zhì)量，從而解決了上述技術(shù)問題。

優(yōu)選的，所述壓力傳感器至少為4個，所述壓力傳感器按一定規(guī)則排列地安裝在床墊的下部，其用于實時監(jiān)測床墊受到重壓產(chǎn)生的壓力信號。

本優(yōu)選實施例能夠更加有效地實時采集用戶的身體健康信息。

優(yōu)選的，所述睡眠系統(tǒng)還包括對各傳感器進(jìn)行診斷的傳感器故障診斷模塊5，所述傳感器故障診斷模塊5包括信號采集濾波單元51、故障特征提取單元52、在線特征提取單元53、特征向量優(yōu)選單元54、故障分類識別單元55、故障種類更新單元56和健康記錄單元57。

本發(fā)明上述實施例設(shè)置傳感器故障診斷模塊5并實現(xiàn)了傳感器故障診斷模塊5的快速搭建，有利于監(jiān)測各傳感器，保證監(jiān)測有效執(zhí)行。

優(yōu)選的，所述信號采集濾波單元51用于采集歷史傳感器信號和在線傳感器測試信號，并采用組合形態(tài)濾波器對信號進(jìn)行濾波處理；

本優(yōu)選實施例設(shè)置組合形態(tài)濾波器，可有效的去除信號的各種噪聲干擾，較好的保留信號的原始特征信息。

優(yōu)選的，所述故障特征提取單元52用于對濾波后的歷史傳感器信號進(jìn)行集成經(jīng)驗?zāi)B(tài)分解(EEMD)處理，并提取集成經(jīng)驗?zāi)B(tài)分解(EEMD)的能量熵作為訓(xùn)練特征向量，包括：

(1)將采集的歷史傳感器信號分為正常工況信號和多種類別的故障信號；

(2)對所述歷史傳感器信號進(jìn)行集成經(jīng)驗?zāi)B(tài)分解(EEMD)處理，獲得所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)；

(3)計算所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)的能量熵；

(4)對歷史傳感器信號的能量熵進(jìn)行歸一化處理，提取歸一化后的能量熵作為訓(xùn)練特征向量；

所述在線特征提取單元53用于對濾波后的在線傳感器測試信號進(jìn)行集成經(jīng)驗?zāi)B(tài)分解(EEMD)處理，并提取集成經(jīng)驗?zāi)B(tài)分解(EEMD)的能量熵作為待測特征向量，包括：

(1)對所述在線傳感器測試信號進(jìn)行EEMD處理，獲得所述在線傳感器測試信號的本征模態(tài)函數(shù)和余項函數(shù)；

(2)計算所述在線傳感器測試信號的本征模態(tài)函數(shù)和余項函數(shù)的能量熵；

(3)對在線傳感器測試信號的能量熵進(jìn)行歸一化處理，提取歸一化后的能量熵作為待測特征向量。

本優(yōu)選實施例對采集的傳感器信號進(jìn)行集成經(jīng)驗?zāi)B(tài)分解(EEMD)處理，能夠有效的消除模態(tài)混疊現(xiàn)象，分解的效果較好。

優(yōu)選的，所述特征向量優(yōu)選單元54分別對訓(xùn)練特征向量和待測特征向量進(jìn)行相似性度量，對于相似度高的特征向量進(jìn)行剔除，包括：

(1)定義兩向量相似度函數(shù)S(X,Y)：

$S(X,Y)=\frac{\mathrm{cov}(X,Y)}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}$

式中，X、Y分別表示兩個特征向量，cov(X,Y)為X與Y的協(xié)方差，為X、Y標(biāo)準(zhǔn)差；

對于任意兩個訓(xùn)練特征向量X₁、X₂，和任意兩個待測特征向量D₁、D₂，分別采用相似度函數(shù)對其相似度進(jìn)行度量，得到S(X₁,X₂)和S(D₁,D₂)；

(2)對于S(X₁,X₂)和S(D₁,D₂)，若S(X₁,X₂)>T₁，T₁∈(0.9,1)，只選取X₁作為訓(xùn)練特征向量，若S(D₁,D₂)>T₂，T₂∈(0.95,1)，只選取D₁作為待測特征向量。

本優(yōu)選實施例通過相似度度量來篩選特征向量，能夠減少計算量，提高效率。

優(yōu)選的，所述故障分類識別單元55用于采用優(yōu)化的最小二乘支持向量機(jī)對所述待測特征向量進(jìn)行故障分類識別，包括參數(shù)選擇優(yōu)化子模塊、訓(xùn)練子模塊和識別子模塊，具體為：

所述參數(shù)選擇優(yōu)化子模塊用于構(gòu)造最小二乘支持向量機(jī)的核函數(shù)，并對最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)采用多群體協(xié)同混沌粒子群優(yōu)化算法進(jìn)行優(yōu)化；

所述訓(xùn)練子模塊，用于采用改進(jìn)的最優(yōu)二叉樹結(jié)構(gòu)的最小二乘向量機(jī)的多分類方法，以得到的訓(xùn)練特征向量作為訓(xùn)練樣本對結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機(jī)進(jìn)行訓(xùn)練，并構(gòu)建傳感器故障診斷模型；

所述識別子模塊用于采用所述傳感器故障診斷模型對所述待測特征向量進(jìn)行故障分類識別；

其中，考慮多項式核函數(shù)和RBF核函數(shù)的優(yōu)異性，所述最小二乘支持向量機(jī)的核函數(shù)構(gòu)造為：

K＝(1-δ)(xx_i+1)^p+δexp(-‖x-x_i‖²/σ²)

式中，δ為綜合調(diào)整因子，δ的取值范圍設(shè)定為[0.45,0.55]，p為多項式核函數(shù)的階數(shù)，σ²為RBF核函數(shù)參數(shù)。

其中，所示采用多群體協(xié)同混沌粒子群優(yōu)化算法進(jìn)行優(yōu)化，包括：

(1)分別對主粒子群和從粒子群進(jìn)行初始化，隨機(jī)產(chǎn)生一組參數(shù)作為粒子的初始位置和初始速度，定義適應(yīng)度函數(shù)為：

$S=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|\frac{q_{i}W}{q_{i}W+(1-q_i)T}\right|\×100\%$

式中，N為訓(xùn)練樣本總個數(shù)，W為故障錯誤分類數(shù)目，T為故障正確分類數(shù)目，q_i為自設(shè)定的權(quán)重系數(shù)，q_i的取值范圍設(shè)定為[0.4,0.5]；

(2)進(jìn)行從粒子群的更新，在每一代更新過程中，根據(jù)適應(yīng)度函數(shù)，從粒子群分別更新粒子的速度和位置，然后對每個粒子將其歷史最優(yōu)適應(yīng)度值與主粒子群體內(nèi)所經(jīng)歷的最好位置的適應(yīng)度值比較，若更好，則將其作為當(dāng)前的全局最優(yōu)位置；

(3)對所述全局最優(yōu)位置進(jìn)行混沌優(yōu)化，并迭代當(dāng)前序列中的最優(yōu)粒子位置和速度，生成最優(yōu)粒子序列；

(4)在每一代主粒子群中選取從粒子群中最優(yōu)的粒子，并更新粒子的位置和速度，直至達(dá)到最大迭代次數(shù)或者滿足適應(yīng)度函數(shù)的誤差要求。

其中，所述改進(jìn)的最優(yōu)二叉樹結(jié)構(gòu)的最小二乘向量機(jī)的多分類方法具體包括：

(1)計算所有訓(xùn)練樣本的標(biāo)準(zhǔn)方差和兩個類別j、間的分離性測度；

(2)輸出最小分離性測度對應(yīng)的j、

(3)在對最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化后，建立二分類的最小二乘支持向量機(jī)用以訓(xùn)練第j類和第類的訓(xùn)練樣本，形成最優(yōu)二分類最小二乘支持向量機(jī)，輸出判別函數(shù)的參數(shù)，把類的訓(xùn)練樣本合并到j(luò)類內(nèi)，構(gòu)成新的j類訓(xùn)練樣本；

(4)把所有的類別按照(1)-(3)進(jìn)行循環(huán)訓(xùn)練，直至輸出最優(yōu)一個根節(jié)點(diǎn)；

(5)根據(jù)以上輸出結(jié)果組成最小二乘支持向量機(jī)的分類決策樹，然后對余下的訓(xùn)練樣本進(jìn)行分類效果測試。

本優(yōu)選實施例為了提高故障診斷的精度，采用訓(xùn)練速度快、泛化能力強(qiáng)和魯棒性較好的最小二乘向量機(jī)作為分類器，并提出了改進(jìn)最優(yōu)二叉樹結(jié)構(gòu)的多分類方法，以類間分離性測度替代二叉樹結(jié)構(gòu)中的權(quán)值，提高了的分類精度和分類速度；考慮到RBF核函數(shù)是局部核函數(shù)，多項式核函數(shù)是全局核函數(shù)，局部核函數(shù)學(xué)習(xí)能力強(qiáng)，泛化性能相對較弱，而全局核函數(shù)泛化性能強(qiáng)，學(xué)習(xí)能力相對較弱，在綜合上述兩類核函數(shù)的優(yōu)點(diǎn)的基礎(chǔ)上進(jìn)行最小二乘支持向量機(jī)的核函數(shù)構(gòu)造，優(yōu)化了最小二乘支持向量機(jī)的分類性能和泛化性能；設(shè)計的多群體協(xié)同混沌粒子群優(yōu)化算法，具有較好的收斂速度，且具有較好的全局和局部尋優(yōu)性能，能夠及時的跳出局部極值點(diǎn)，尋找全局的最優(yōu)值，從而采用多群體協(xié)同混沌粒子群優(yōu)化算法對最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化，優(yōu)化效果好。

優(yōu)選地，所述故障種類更新單元56用于對訓(xùn)練集進(jìn)行更新，不斷優(yōu)化傳感器故障診斷模型，包括：

(1)傳感器故障診斷模型無法對待測特征向量進(jìn)行有效故障分類時，將待測特征向量作為新的訓(xùn)練特征向量；

(2)新的訓(xùn)練特征向量對訓(xùn)練樣本進(jìn)行更新，對結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機(jī)進(jìn)行訓(xùn)練，并構(gòu)建出新的傳感器故障診斷模型；

(3)采用新的傳感器故障診斷模型對所述待測特征向量進(jìn)行故障分類識別，完成故障種類更新。

本優(yōu)選實施例設(shè)置故障種類更新單元56，以提高模型的適應(yīng)能力和應(yīng)用范圍。

優(yōu)選的，所述健康記錄單元57包括存儲子模塊和安全訪問子模塊，所述存儲子模塊采用基于云存儲的存儲模型，具體地，將故障信息進(jìn)行壓縮后進(jìn)行加密，上傳至云存儲器，所述安全訪問子模塊用于對信息進(jìn)行訪問，具體地，對應(yīng)于存儲子模塊，將數(shù)據(jù)下載到本地，采用相應(yīng)密鑰進(jìn)行解鎖后，再進(jìn)行解壓以讀取信息。

本優(yōu)選實施例設(shè)置健康記錄單元57，一方面保證了信息安全，另一方面能夠隨時對故障進(jìn)行訪問，便于查找問題。

在此應(yīng)用場景中，設(shè)定閾值T₁的取值為0.92，傳感器故障診斷模塊5的監(jiān)測速度相對提高了14％，傳感器故障診斷模塊5的監(jiān)測精度相對提高了8％。

最后應(yīng)當(dāng)說明的是，以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對本發(fā)明保護(hù)范圍的限制，盡管參照較佳實施例對本發(fā)明作了詳細(xì)地說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實質(zhì)和范圍。