CN101564302B - 基于多源信息融合的婴儿睡眠躁动监测方法及检测系统 - Google Patents
基于多源信息融合的婴儿睡眠躁动监测方法及检测系统 Download PDFInfo
- Publication number
- CN101564302B CN101564302B CN2009101039262A CN200910103926A CN101564302B CN 101564302 B CN101564302 B CN 101564302B CN 2009101039262 A CN2009101039262 A CN 2009101039262A CN 200910103926 A CN200910103926 A CN 200910103926A CN 101564302 B CN101564302 B CN 101564302B
- Authority
- CN
- China
- Prior art keywords
- restless
- baby
- sleep
- baby sleep
- temperature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/06—Children, e.g. for attention deficit diagnosis
Abstract
本发明提出了一种基于多源信息融合的婴儿睡眠躁动监测方法,本发明将婴儿睡眠时身体的温度、湿度的4阶时间序列作为输入,借鉴人工智能,有效模拟了家庭主妇监护婴儿睡眠的成功经验,对婴儿睡眠躁动生物信号进行量化作为输出,通过模拟实验,获得了训练样本数据,选择两层前向人工神经网络技术实施信息融合,再通过样本训练得到神经网络模型,从而通过婴儿身体的温度、湿度智能计算,实现监测其睡眠的躁动程度。本发明有效模拟了家庭主妇监护婴儿睡眠的成功经验,对婴儿睡眠躁动程度进行实时可靠的监测。
Description
技术领域
本发明属于生物信息处理与分析技术领域,具体涉及婴儿躁动程度监测方法、婴儿睡眠躁动监测建模、基于神经网络实现的婴儿睡眠躁动监测模型。
背景技术
婴儿没有语言表达能力,父母不知道他们的感受,特别是在他们睡觉时,会由于种种原因(如冷、热、饿等)做出一系列的反应(如打哆嗦,踢被子等)。与此同时,他们的体温和排汗量也会改变。本发明中,把由于温度、湿度升高引起烦躁不安称为躁动,小孩睡眠躁动时,翻来覆去,可能踢开被子,最后裸身睡眠引起感冒、着凉等问题发生。如父母不能感知婴儿冷暖,往往给婴儿被子太厚,易引发睡眠躁动问题。
有经验的家庭主妇,在照看小孩的时候都能够准确的判断出婴儿的状况,即躁动程度。但这种有经验的家庭主妇又是有限的,她们的经验难以让每个婴儿受益。若用人工智能模拟家庭主妇感知睡眠躁动的有效经验,探索温度信号、湿度信号等可测物理信号与睡眠躁动生物信号之间的联系规律,建立婴儿睡眠躁动监测模型,用电子信息技术开发基于该模型的婴儿睡眠躁动监测传感器,则可让优秀的护婴经验推广到每个家庭。
目前,还没有出现使用婴儿睡眠时的温度、湿度值来科学反应婴儿睡眠时的躁动程度,从而检测婴儿睡眠质量的装置和方法。
发明内容
本发明公开的基于多源信息融合的婴儿睡眠躁动监测方法是为了更好的让父母掌握小孩的睡眠情况,并且免去父母寻找有经验的家庭主妇的烦恼。
本发明具体采用以下技术方案:
一种基于多源信息融合的婴儿睡眠躁动监测方法,所述方法基于人工神经网络模型,将婴儿睡眠躁动生物信号进行量化,建立温度信号、湿度信号与睡眠躁动生物信号之间的联系,实现对婴儿睡眠躁动的检测,其特征在于,所述方法包括以下步骤:
(1)确定人工神经网络模型的输入输出变量:将婴儿身体温度、湿度值作为输入变量,将婴儿睡眠躁动生物信号按躁动程度的量化值作为输出变量;
(2)获取训练样本数据:采集婴儿身体的温度、湿度时间序列值作为输入变量的训练样本数据,将对应每一时间序列婴儿身体温度、湿度值时的婴儿睡眠躁动生物信号量化值作为输出变量的训练样本数据;
(3)建立多源信息融合的人工神经网络模型:采用两层前向网络结构,隐层和输出层都采用非对称S型传输函数:
(4)确定人工神经网络模型:通过训练确定人工神经网络模型的权值和阈值;
(5)测量婴儿睡眠时身体的温度和湿度值,通过步骤(4)确定的人工神经网络模型,计算反应婴儿睡眠躁动程度的婴儿睡眠躁动程度生物信号输出值,从而实现对婴儿睡眠躁动程度的监测。
实现上述基于多源信息融合的婴儿睡眠躁动监测方法的检测系统如下:其包括温度传感器、湿度传感器、温度信号放大电路、湿度信号放大电路、第一A/D转换电路、第二A/D转换电路、第一单片机、第二单片机、无线发送装置、无线接收装置以及报警装置;
所述温度传感器、温度信号放大电路、第一A/D转换电路依次相连,所述第一A/D转换电路的输出与所述第一单片机的输入端相连,用于将温度传感器所采集的婴儿睡眠时的身体温度信号经放大、模数转换后输入至第一单片机;
所述湿度传感器、湿度信号放大电路、第二A/D转换电路依次相连,所述第二A/D转换电路的输出与所述第二单片机的输入端相连,用于将湿度传感器所采集的婴儿睡眠时的身体湿度信号经放大、模数转换后输入至第一单片机;
第一单片机与无线发送装置相连,第二单片机与无线接收装置相连,第一单片机通过所述无线发送装置、无线接收装置将所采集温度、湿度信号传送至第二单片机;
第二单片机与报警装置相连,在所述第二单片机中根据温度、湿度信号通过预先导入的躁动函数,计算婴儿的躁动值,当所述躁动值大于预设的婴儿睡眠不舒适值时,第二单片机控制与第二单片机相连的报警装置报警。
本发明的婴儿睡眠时的躁动程度监测方法以及检测系统可以来更好的、更及时的了解到小孩子的睡眠状况,并通过及时的报警来,来防止小孩睡眠烦躁踢开被子引起的感冒、着凉等问题发生,从而促进小孩健康成长,减轻家庭负担。
本发明通过模拟家庭主妇感知睡眠躁动的有效经验,探索温度信号、湿度信号等可测物理信号与睡眠躁动生物信号之间的联系规律,建立婴儿睡眠躁动监测模型,从而实现对婴儿睡眠躁动程度的监测。
附图说明
图1是睡眠躁动监测模型的信息融合结构;
图2是睡眠躁动实验曲线;
图3是神经网络模型结构。
图4是监测系统的框图;
图5监测系统的硬件实现方案图。
具体实施方式
下面,根据说明书附图并结合具体实施例对本发明的技术方案作进一步地详细说明。
本发明公开的基于多源信息融合的婴儿睡眠躁动监测方法具体包括以下步骤:
(1)确定输入输出变量
根据生活经验,并分析可知,被子捂得太厚产生睡眠躁动的过程是:首先是人体环境周围、被窝内温度逐渐升高,随着人体周围温度升高,生理系统往往通过排汗来降低体温,汗水在皮肤表面蒸发,被窝内湿度也随之升高,这样,被窝内温度、湿度都很高,睡眠者随即产生躁动,开始翻来覆去。
另外,由于个体差异,不同的人对温度和湿度的忍耐程度不同,且不同个体的正常体温也略有差异,但有一个共同点,不管一个人的正常体温是36度,还是37度,只要升高1度,都会感到比较难受。正好,在数学上微分可以滤出这种个体差异,因此,可考虑温度、温度及其各阶导数作为输入变量。但为了考虑以计算机为核心的硬件实现,我们采用差分来代替微分,并用温度、湿度的各阶时间序列作为输入,其信息融合结构如图1所示。若用F表示躁动程度、T表示温度、H表示湿度,那么躁动程度的函数形式如下:
F(k)=f(T(k),T(k-1),Λ,T(k-n),H(k),H(k-1),Λ,H(k-m)) (1)
其中F(k)表示当前第k个采样时刻的躁动程度值,T(k)表示当前第k个采样时刻的婴儿温度值,H(k)表示当前第k个采样时刻的婴儿湿度值,其中n和m为自然数。
躁动程度的量化是通过5个自然语言词汇的描述,即:舒服、较舒服、不舒服、很不舒服、燥热,它们对应的躁动程度量化值分别为0.2,0.4,0.6,0.8和1。实验过程中,家庭主妇只能也仅能用上述一个自然语言词汇描述婴儿某一时刻的睡眠状态。
这里选择了温度、湿度的4阶时间序列作为输入,共8个输入变量,即T(k)、T(k+1)、T(k+2)、T(k+3),H(k)、H(k+1)、H(k+2)、H(k+3),其中T(k)、T(k+1)、T(k+2)、T(k+3)分别表示第k至k+3个采样时刻的温度值,H(k)、H(k+1)、H(k+2)、H(k+3)分别表示第k至k+3个采样时刻的湿度值,其时间间隔为5秒,躁动生物信号输出值F(K+3),表示第k+3个采样时刻输出的婴儿躁动生物信号输出值。
(2)由实验获得训练样本数据
为了获得建模所需要的数据,实验系统首先选择了瑞士Sensirion公司SHT10温湿度传感器,该传感器将温度传感器、湿度传感器、信号放大调理、A/D转换、I2C总线接口全部集成于一块芯片,带有工业标准的I2C总线数字输出接口,湿度值输出分辨率为14位,温度值输出分辨率为12位。将该传感器用绒布包裹,黏附于婴儿内衣腋窝处。
实验过程中,信号采集系统不断采集温度和湿度信号,同时,富有经验的家庭主妇在一起不断报告小孩的睡眠躁动程度,即5秒的间隔,用“舒服、较舒服、不舒服、很不舒服、燥热”5个词汇之一报告小孩睡眠状态,实验操作者把这些所有输入输出数据都记录在计算机内。
婴儿睡眠躁动实验是这样完成的,在婴儿开始睡眠或正在酣睡时,有丰富护理经验的家庭主妇人为多加一些被子,捂得厚一些,然后开始观察婴儿的睡眠躁动过程,直到家庭主妇人为完全躁动或婴儿踢开被子时,由家庭主妇给婴儿添置正常厚度的被子。数据记录结果如图2所示。
经过大量实验,把输入数据用矩阵P表示,输出数据用矩阵T表示:
T=[F(k+3),L,F(k+n)]
上式中,T(k)……T(k+n)表示第k个采样时刻到第k+n个采样时刻的婴儿温度值,H(k)……H(k+n)依次表示第k个采样时刻到第k+n时刻的婴儿湿度值,F(k+3)……F(k+n)依次表示第k+3至第k+n个采样时刻的躁动程度的量化输出值。
(3)基于神经网络的多源信息融合建模
因为神经网络是万能函数逼近器,具有非线性逼近能力,所以,这里选择了神经网络来作为多源信息融合的建模方法。并通过大量输入输出实验数据来训练该神经网络,最终实现拟合f(·)的任务。
根据前面确定的输入输出变量,采用两层前向网络结构为8一S一1;输入层包括温度、湿度的时间序列,共8个输入;S为隐层节点数,采用试凑法确定;输出层则只有1个神经元,其中隐层和输出层都采用非对称S型传输函数:
在神经网络训练过程中,总共选取了18组实验数据的1060个样本点。由于网络的输入量较大,因此在进行网络训练之前,需对输入数据进行归一化处理,由于网络输出的范围本来就设定在[0,1]的范围内,故网络输出无须做归一化处理。训练算法选择基于数值优化的Levenberg-Marquardt算法,L-M算法。
神经网络模型的隐层节点数,经过反复实验,最后选择了隐层为18个节点,因此,神经网络模型结构如图3所示。
(4)得到的神经网络模型
最后,得到的睡眠躁动传感器的模型是以权值和阈值的形式分布存储于神经网络中,其中输入层到隐层的权值矩阵用符号W表示,它是8×18的矩阵,其值为:
W=[11.1003-446.9839399.0721-307.7488-85.958154.574822.3231103.2223;
-6.394318.2332-3.491913.8771-8.4868-3.2378-4.1011-20.6852;
150.1909146.209-62.9091127.111620.0697-172.64-28.6423-45.7892;
138.132646.8546-67.9057-27.3218135.0909-181.3439217.5256-208.7609;
0.043606-18.762518.8266-13.384910.49963.9787-3.3556-7.2216;
79.5335347.5518-561.753406.6844-295.291424.2618151.236-10.0082;
5.69916.85697.57381.003128.2282-34.009635.1728-39.3461;
212.8717354.1269554.6582-803.8437653.1073-494.318-872.1543670.229;
-22.49199.72047.0935-5.863154.08238.0735-33.65369.7739;
6.9722-18.26344.1325-15.44766.4244.88713.94220.5277;
-22.78469.86717.7873-6.739954.7047.3589-34.253110.916;
1221.614-254.758-898.85641.6152-516.1787315.2132153.6011-11.2015;
-42.8837-7.934646.1546-30.532738.6122-37.13853.385814.1508;
1.1857-4.4028-2.3671-2.30923.7511-3.30373.5236-7.0886;
2.2832-3.8432-0.638574.2195-1.8127.289-3.9106-0.38826;
-7.781518.883-4.960617.474-4.2529-7.0792-3.7577-20.8419;
326.241-208.112-29.9356-170.1035204.9379-875.828294.312-131.4534;
-335.489449.218316.4001-623.249-642.5914610.4777-490.0983472.0787]
隐层的阈值用符号B1表示,它是18×1的矩阵:
B1=[133.825916.9522-256.0868-57.34184.968648.1846-3.5057-240.9773-19.2705-16.2989-19.3856-33.0057-3.358415.21483.659416.03110.7886207.3975]T
输出层的权值用符号V表示,它是18×1的矩阵:
1w{2,1}=[0.57056158.94780.5678-0.67556-1.34920.840720.791150.4757941.8811308.172-41.7980.486940.83004-162.13465.906148.47921.0276-0.65167]T
输出层的阈值B2,它是一个标量:
B2=[-211.4469]
(5)根据步骤(4)确定的人工神经网络模型,对检测的婴儿睡眠躁动程度进行检测
当采用某温度传感器和湿度传感器连续地同时检测到4个温度值和4个湿度值时,采样间隔为5秒,这些物理信号分别表示为T(k-3)、T(k-2)、T(k-1)、T(k),H(k-3)、H(k-2)、H(k-1)、H(k),那么它们可以构成输入矢量P(k)
P(k)=[T(k-3)、T(k-2)、T(k-1)、T(k),H(k-3)、H(k-2)、H(k-1)、H(k)]T
这样,应用神经网络表示的睡眠躁动监测模型,通过下面的矢量运算,即可得到量化的睡眠躁动程度F(k):
F(k)=f2(f1 T(PT(k)·W-B1)·V-B2)
其中,W,V,B1,B2都是基于神经网络的婴儿睡眠躁动监测模型的权值和阈值,W为人工神经网络输入层到隐层的权值矩阵,V为输出层的权值矩阵,B1,B2分别是隐层和输出层的阈值。P(k)是当前检测出来的温度和湿度时间序列值,也是已知的。另外,函数f1(·)和f2(·)都是非对称S形函数,形如:
因此,是可以唯一确定当前睡眠躁动程度的量化值的。
如图4所示,实现婴儿睡眠躁动监测的系统是由温度传感器、湿度传感器、与温湿度传感器连接的温度信号放大电路、与湿度传感器的输出相连的湿度传感器放大电路、两个A/D转换电路、第一单片机1、与第一单片机1连接的无线发送装置、无线接收装置、与无线接收装置连接的第二单片机2、与第二单片机2连接的蜂鸣器组成。温、湿度传感器采集婴儿身体的温湿度信号,并依次经放大电路、A/D转换电路后输入至第一单片机1,第一单片机1收到信号后通过无线发送模块发送信号,由无线接收装置接收后上传至第二单片机2,在第二单片机2中进行数据处理,根据已导入的躁动函数,计算出婴儿睡眠时的躁动值,若计算出的躁动值大于等于婴儿睡眠不舒适的躁动值,则蜂鸣器报警。本领域技术人员可以根据需要,通过列表插值、拟合曲线或者人工神经网络算法等多种方式获得各种不同的躁动函数,并将获得的躁动函数导入至第二单片机中,用于根据所采集的婴儿身体温度、湿度来计算婴儿睡眠时的躁动值,使用躁动值表示婴儿睡眠时的躁动程度,数值越小表示婴儿睡眠舒适度越高。并且在第二单片机中预存一婴儿睡眠躁动值阈值,当根据计算得到的躁动输出值大于等于这个阈值时,蜂鸣器报警。
结合图5,采用上述系统进行婴儿睡眠躁动监测的实现步骤如下:
(1)温度湿度的采集
通过单片机1发送指令使温湿度传感器采集温湿度信息并将采集到的模拟温湿度信息通过A/D转换,将转换后数字温湿度传输给第一单片机1;
(2)无线发送装置发送温湿度信号
当单片机1接收到数字温、湿度信号后,发送指令让无线发送模块工作并发送温湿度信号;
(3)无线接收装置接收温湿度信号
通过第二单片机2发送指令控制无线接收模块工作并接收温湿度信号;
(4)温湿度信号的处理
第二单片机2将接收到的信号通过内部已导入的婴儿睡眠监测模型处理,最后计算出婴儿的睡眠躁动程度,当婴儿的睡眠躁动程度值大于婴儿睡眠不舒适的躁动值时,单片机与蜂鸣器连接的I/O口转换电平信号,蜂鸣器报警。
Claims (4)
1.一种基于多源信息融合的婴儿睡眠躁动监测方法,所述方法基于人工神经网络模型,将婴儿睡眠躁动生物信号进行量化,建立温度信号、湿度信号与睡眠躁动生物信号之间的联系,实现对婴儿睡眠躁动的检测,其特征在于,所述方法包括以下步骤:
(1)确定人工神经网络模型的输入输出变量:将婴儿身体温度、湿度值作为输入变量,将婴儿睡眠躁动生物信号按躁动程度的量化值作为输出变量;
(2)获取训练样本数据:采集婴儿身体的温度、湿度时间序列值作为输入变量的训练样本数据,将对应每一时间序列婴儿身体温度、湿度值时的婴儿睡眠躁动生物信号量化值作为输出变量的训练样本数据;
(3)建立多源信息融合的人工神经网络模型:采用两层前向网络结构,隐层和输出层都采用非对称S型传输函数:
(4)确定人工神经网络模型:通过训练确定人工神经网络模型的权值和阈值;
(5)测量婴儿睡眠时身体的温度和湿度值,通过步骤(4)确定的人工神经网络模型,计算反应婴儿睡眠躁动程度的婴儿睡眠躁动程度生物信号输出值,从而实现对婴儿睡眠躁动程度的监测。
2.根据权利要求1所述的婴儿睡眠躁动监测方法,其特征在于:所述两层前向网络结构可以采用网络结构为8-S-1形式,输入层包括温度、湿度的时间序列,共8个输入变量、即T(k)、T(k+1)、T(k+2)、T(k+3),H(k)、H(k+1)、H(k+2)、H(k+3),其中T(k)、T(k+1)、T(k+2)、T(k+3)分别表示第k至k+3个采样时刻的温度值,H(k)、H(k+1)、H(k+2)、H(k+3)分别表示第k至k+3个采样时刻的湿度值,其时间间隔为5秒,躁动生物信号输出值F(K+3),表示第k+3个采样时刻输出的婴儿躁动生物信号输出值。
3.根据权利要求1或2所述的婴儿睡眠躁动监测方法,其特征在于:将婴儿睡眠躁动生物信号量化为0.2,0.4,0.6,0.8和1,分别反应婴儿睡眠时的不同躁动程度。
4.实现权利要求1或2所述的基于多源信息融合的婴儿睡眠躁动监测方法的检测系统,其特征在于:
所述检测系统包括温度传感器、湿度传感器、温度信号放大电路、湿度信号放大电路、第一A/D转换电路、第二A/D转换电路、第一单片机、第二单片机、无线发送装置、无线接收装置以及报警装置;
所述温度传感器、温度信号放大电路、第一A/D转换电路依次相连,所述第一A/D转换电路的输出与所述第一单片机的输入端相连,用于将温度传感器所采集的婴儿睡眠时的身体温度信号经放大、模数转换后输入至第一单片机;
所述湿度传感器、湿度信号放大电路、第二A/D转换电路依次相连,所述第二A/D转换电路的输出与所述第一单片机的输入端相连,用于将湿度传感器所采集的婴儿睡眠时的身体湿度信号经放大、模数转换后输入至第一单片机;
第一单片机与无线发送装置相连,第二单片机与无线接收装置相连,第一单片机通过所述无线发送装置、无线接收装置将所采集温度、湿度信号传送至第二单片机;
第二单片机与报警装置相连,在所述第二单片机中根据温度、湿度信号通过预先导入的躁动函数,计算婴儿的躁动值,所述躁动函数是权利要求1所述的人工神经网络模型,当所述躁动值大于预设的婴儿睡眠不舒适值时,第二单片机控制与第二单片机相连的报警装置报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101039262A CN101564302B (zh) | 2009-05-25 | 2009-05-25 | 基于多源信息融合的婴儿睡眠躁动监测方法及检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101039262A CN101564302B (zh) | 2009-05-25 | 2009-05-25 | 基于多源信息融合的婴儿睡眠躁动监测方法及检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101564302A CN101564302A (zh) | 2009-10-28 |
CN101564302B true CN101564302B (zh) | 2011-06-29 |
Family
ID=41280789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009101039262A Expired - Fee Related CN101564302B (zh) | 2009-05-25 | 2009-05-25 | 基于多源信息融合的婴儿睡眠躁动监测方法及检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101564302B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5646939B2 (ja) | 2010-09-29 | 2014-12-24 | テルモ株式会社 | 水分計 |
CN103561094A (zh) * | 2013-11-04 | 2014-02-05 | 成都数之联科技有限公司 | 一种婴幼儿睡眠情况智能监控方法 |
CN104274191B (zh) * | 2014-10-08 | 2016-05-11 | 北京中维监安信息科技有限公司 | 一种心理测评方法及其系统 |
CN106175702A (zh) * | 2015-05-29 | 2016-12-07 | 上海温尔信息科技有限公司 | 体温计及其测量方法 |
JP7167052B2 (ja) * | 2017-03-29 | 2022-11-08 | コーニンクレッカ フィリップス エヌ ヴェ | 不動タイマーを備えた睡眠姿勢トレーナー |
CN107510295A (zh) * | 2017-09-22 | 2017-12-26 | 承德石油高等专科学校 | 一种儿童床躁动感应装置 |
CN108280314A (zh) * | 2018-03-01 | 2018-07-13 | 江苏理工学院 | 一种基于语义网络的人类疲劳监测系统 |
TWI666941B (zh) * | 2018-03-27 | 2019-07-21 | 緯創資通股份有限公司 | 多層次狀態偵測系統與方法 |
CN109192311A (zh) * | 2018-08-17 | 2019-01-11 | 贵州优品睡眠健康产业有限公司 | 睡眠评估方法、装置、终端设备及存储介质 |
CN110858436B (zh) * | 2018-08-22 | 2021-07-23 | 上海宜链物联网有限公司 | 一种防踢被装置及方法 |
CN110353703B (zh) * | 2019-07-05 | 2021-11-09 | 昆山杜克大学 | 基于鹦鹉学舌语言范式行为分析的孤独症评估装置及系统 |
CN111863230B (zh) * | 2020-06-22 | 2024-01-02 | 南通大学 | 一种婴儿吸吮远程评估和母乳喂养指导方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1468077A (zh) * | 2000-10-02 | 2004-01-14 | ����ҽѧ�ɷ�����˾ | 使用神经网络的cpap的方法和装置 |
CN2758881Y (zh) * | 2004-11-10 | 2006-02-15 | 邵国强 | 婴幼儿睡眠无线监控仪 |
-
2009
- 2009-05-25 CN CN2009101039262A patent/CN101564302B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1468077A (zh) * | 2000-10-02 | 2004-01-14 | ����ҽѧ�ɷ�����˾ | 使用神经网络的cpap的方法和装置 |
CN2758881Y (zh) * | 2004-11-10 | 2006-02-15 | 邵国强 | 婴幼儿睡眠无线监控仪 |
Also Published As
Publication number | Publication date |
---|---|
CN101564302A (zh) | 2009-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101564302B (zh) | 基于多源信息融合的婴儿睡眠躁动监测方法及检测系统 | |
CN107153871B (zh) | 基于卷积神经网络和手机传感器数据的跌倒检测方法 | |
CN102448368B (zh) | 用于提供失眠症的行为治疗的方法和系统 | |
Chernbumroong et al. | A practical multi-sensor activity recognition system for home-based care | |
Nathan et al. | A survey on smart homes for aging in place: Toward solutions to the specific needs of the elderly | |
Zhang et al. | A context-aware mhealth system for online physiological monitoring in remote healthcare | |
CN107920754A (zh) | 监测婴幼儿情绪状态并确定与婴幼儿相关联的生理测量值 | |
CN109480868B (zh) | 一种智能婴儿监护系统 | |
WO2020010668A1 (zh) | 基于睡眠大数据的人体健康评估方法及评估系统 | |
Alemdar et al. | Daily life behaviour monitoring for health assessment using machine learning: bridging the gap between domains | |
Russell et al. | Posture detection using sounds and temperature: LMS-based approach to enable sensory substitution | |
Luo et al. | A fuzzy neural network model for predicting clothing thermal comfort | |
CN108012560A (zh) | 智能婴幼儿监测系统和婴幼儿监测中心及婴幼儿学习接受度检测系统 | |
Wang et al. | Wearable multi-sensor enabled decision support system for environmental comfort evaluation of mutton sheep farming | |
Boyd et al. | An infant smart-mobile system to encourage kicking movements in infants at-risk of cerebral palsy | |
Moshayedi et al. | Recognition system for ergonomic mattress and pillow: design and fabrication | |
Ma et al. | Live demo: LungSys-Automatic digital stethoscope system for adventitious respiratory sound detection | |
Jemila et al. | A sensor-based forage monitoring of grazing cattle in dairy farming | |
Cai | Empathic computing | |
Hao et al. | An initiative service method based on fuzzy analytical hierarchy process and context intention inference for drinking service robot | |
Davis | Characterization of human-induced vibrations | |
Hussain et al. | Estimation of the torques produced by human upper limb during eating activities using NARX-NN | |
CN107221128A (zh) | 一种便携式人体跌倒风险的评价和预警系统及其方法 | |
CN112116967B (zh) | 一种提高尿液样本收集效率的信息处理方法和装置 | |
Fry et al. | Discriminative models of spontaneous kicking movement patterns for term and preterm infants: A pilot study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110629 Termination date: 20120525 |