CN105260620A - 基于人体体温建模的健康评估方法及专家系统 - Google Patents

Abstract

本发明提出了一种基于人体体温建模的健康评估方法、专家系统及电子设备。一种基于人体体温建模的健康评估方法，包括：获取至少两个人体预设位置的温度采样值，形成采样温度向量；将所述采样温度向量与预设体温参考模型进行差值匹配，得到差值向量；基于所述差值向量以及预设的温度漂移阈值的比较，判断人体体表温度是否异常。通过采用本发明实施例提供的技术方案，容易识别人体温度的变化的异常状态，并给出相应的生理机能方面的提示。

Description

基于人体体温建模的健康评估方法及专家系统

技术领域

本发明属于人体温度测量领域，尤其涉及一种基于人体体温建模的健康评估方法及专家系统。

背景技术

体温，通常指人体内部的温度、机体深部的平均温度。在生物学上是指细胞外液的温度，一般为37度，正常人腋下温度为36～37度，测量方法有口测法、腋测法及肛测法。口腔温度比腋下高0.2～0.4度，直肠温度又比口腔温度高0.3～0.5度。

人体的温度是相对恒定的，正常人在24小时内体温略有波动，一般相差不超过1度。生理状态下，早晨体温略低，下午略高。运动、进食后、妇女月经期前或妊娠期体温稍高，而老年人体温偏低。体温高于正常称为发热，37.3～38摄氏度为低热，38.1～39摄氏度为中度发热，39.1～41摄氏度为高热，41摄氏度以上为超高热。人体温度相对恒定是维持人体正常生命活动的重要条件之一，如体温高于41摄氏度或低于25摄氏度时将严重影响各系统(特别是神经系统)的机能活动，甚至危害生命。机体的产热和散热，是受神经中枢调节的，很多不适都可使体温正常调节机能发生障碍而使体温发生变化。

人体在正常的体温范围内保持一个较高的水平，对身体产生如下影响：体温较高，能让体内酵素更有活力，能提升白血球功能，增强免疫力，能促进血液循环，提高基础代谢率，改善体质。

而在正常体温范围内如果长期处在较低体温水平，常常会对身体产生一些负面的影响，容易产生不适，如影响自律神经功能以及激素平衡，导致免疫力下降，细胞的新陈代谢率衰退，进而引起肩膀僵硬、头痛、晕眩、手脚冰冷，易疲倦，及各种不舒服的症状，如便秘、胃胀气、尿量减少，肌肤变差。因此，观察体温的变化对健康评估以及保健有重要意义。

发明内容

本发明提出了一种基于人体体温建模的健康评估方法、专家系统及电子装置，从而解决利用温度异常检测判断人体是否存在异常。

一方面，根据本发明的一个实施例，提供了一种基于人体体温建模的健康评估方法，所述方法包括：

获取至少两个人体预设位置的温度采样值，形成采样温度向量；

将所述采样温度向量与预设体温参考模型进行差值匹配，得到差值向量；

基于所述差值向量以及预设的温度漂移阈值的比较，判断人体体表温度是否异常。

可选的，通过采集多个正常人体的预设位置的温度值，构建所述预设体温参考模型。

可选的，所述采集多个正常人体的预设位置的温度值，包括：

在预设时间段内连续采集多个正常人体的预设位置的温度值。

可选的，所述多个正常人体的数量大于5000。

可选的，所述基于所述差值向量以及预设的温度漂移阈值的比较，判断人体体表温度是否异常，包括：

若所述差值向量小于所述预设的温度漂移阈值，则判定人体体表温度正常。

可选的，所述预设位置的温度采样值为人体基础体温采样值；

所述预设体温参考模型为预设的人体基础体温参考模型。

可选的，所述将所述采样温度向量与预设体温参考模型进行差值匹配，得到差值向量，包括：

设置与所述采样温度向量维度相同的加权向量；

将所述采样温度向量与预设体温参考模型进行减法运算的结果与所述加权向量进行点积运算，进而获取所述差值向量。

可选的，所述基于所述差值向量以及预设的温度漂移阈值的比较，判断人体体表温度是否异常，包括：

若所述差值向量大于所述预设的温度漂移阈值，则判定人体体表温度异常。

可选的，所述方法还包括：

分别计算所述采样温度向量与多个非正常状态体表温度参考模型的欧氏距离，形成第一欧式距离向量；

获取人体关联于所述第一欧式距离向量中小于预设欧氏距离值的向量元素所对应的非正常状态体表温度参考模型。

可选的，所述方法还包括：

将所述第一欧式距离向量中所有小于预设欧氏距离值的向量元素关联的非正常状态体表温度参考模型确定为人体非正常状态模型。

可选的，所述方法还包括：

将所述第一欧式距离向量中所有小于预设欧氏距离值的最小值向量元素关联的非正常状态体表温度参考模型确定为人体非正常状态模型。

第二方面，根据本发明的另外一个实施例，提供了一种基于人体体温建模的健康评估专家系统，所述系统包括：

采样模块，所述采样模块获取至少两个人体预设位置的温度采样值，形成采样温度向量；

匹配模块，所述匹配模块将所述采样温度向量与预设体温参考模型进行差值匹配，得到差值向量；

判断模块，所述判断模块基于所述差值向量以及预设的温度漂移阈值的比较，判断人体体表温度是否异常。

可选的，所述采样模块还用于：

通过采集多个正常人体的预设位置的温度值，构建所述预设体温参考模型。

可选的，所述采集多个正常人体的预设位置的温度值，包括：

在预设时间段内连续采集多个正常人体的预设位置的温度值。

可选的，所述多个正常人体的数量大于5000。

可选的，所述基于所述差值向量以及预设的温度漂移阈值的比较，判断人体体表温度是否异常，包括：

若所述差值向量小于所述预设的温度漂移阈值，则判定人体体表温度正常。

可选的，所述预设位置的温度采样值为人体基础体温采样值；

所述预设体温参考模型为预设的人体基础体温参考模型。

可选的，所述将所述采样温度向量与预设体温参考模型进行差值匹配，得到差值向量，包括：

设置与所述采样温度向量维度相同的加权向量；

将所述采样温度向量与预设体温参考模型进行减法运算的结果与所述加权向量进行点积运算，进而获取所述差值向量。

可选的，所述基于所述差值向量以及预设的温度漂移阈值的比较，判断人体体表温度是否异常，包括：

若所述差值向量大于所述预设的温度漂移阈值，则判定人体体表温度异常常。

可选的，所述系统还包括：

计算模块，用于计算所述采样温度向量与多个非正常状态体表温度参考模型的欧氏距离，形成第一欧式距离向量；以及

筛选模块，用于获取人体关联于所述第一欧式距离向量中小于预设欧氏距离值的向量元素所对应的非正常状态体表温度参考模型。

可选的，所述筛选模块还用于：

将所述第一欧式距离向量中所有小于预设欧氏距离值的向量元素关联的非正常状态体表温度参考模型确定为人体非正常状态模型。

可选的，所述筛选模块还用于：

将所述第一欧式距离向量中所有小于预设欧氏距离值的最小值向量元素关联的非正常状态体表温度参考模型确定为人体非正常状态模型。

第三方面，根据本发明的另外一个实施例，提供了一种电子设备，其特征在于，包括：处理器、存储器、通信接口和总线；

所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信；

所述存储器存储可执行程序代码；

所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于：

获取至少两个人体预设位置的温度采样值，形成采样温度向量；

将所述采样温度向量与预设体温参考模型进行差值匹配，得到差值向量；

基于所述差值向量以及预设的温度漂移阈值的比较，判断人体体表温度是否异常。

通过上述实施例中的基于人体体温建模的健康评估方法、专家系统及电子装置，通过获取至少两个人体预设位置的温度采样值，与预设体温参考模型进行差值匹配，得到差值向量，基于差值向量以及预设的温度漂移阈值，判断人体体表温度是否异常。通过简单有效的方式进行快速判断，简化了判断流程。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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他的附图。

图1为根据本发明的一个实施例的一种基于人体体温建模的健康评估方法的流程图；

图2为根据本发明的另一个实施例中基于欧式空间确定不适类型的示意图；

图3为根据本发明的另一个实施例中辅助用于温度信号采集的装置；

图4为根据本发明的另一个实施例的一种基于人体体温建模的健康评估专家系统的结构示意图。

其中，相同或相似的附图标记表示相同或相似的步骤特征或装置(模块)。

具体实施方式

为了使本领域技术人员更好地理解本发明实施例中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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他实施例，都属于本发明保护的范围。

图1为根据本发明的一种基于人体体温建模的健康评估方法，该方法包括以下步骤：

S101获取至少两个人体预设位置的温度采样值，形成采样温度向量。

以人体为例，为了能够较为准确的测试多个温度值，需要尽可能的设置较多的测试点。

对于测试人体而言，由于人体不同部位的温度略有差异，通常是测量具有典型意义的区域，这些区域包括：口腔内、腋下、肛门、脚、额头等部位，形成采样序列如下所示：

采样序列：{a₁，a₂，a₃，...，a_n}。

S102将所述采样温度向量与预设体温参考模型进行差值匹配，得到差值向量。

通过上述采样序列，可以获知人体在整体上的温度数据，通过对采样数据进行处理，可以得到用户的一些生理特性。比如采集到用户腋下及口腔温度分布为{38，38.2}摄氏度，而根据预设体温参考模型，腋下温度是【36.8-36.9】，口腔温度为【36.9-37.1】，通过与预设体温模型最大值的进行比较，得到差值向量为{1.1，1.1}。

S103基于所述差值向量以及预设的温度漂移阈值的比较，判断人体体表温度是否异常。

对于步骤S102中得到的差值向量{1.1，1.1}，查找对应的阈值，比如腋下的温度阈值为1摄氏度，口腔的阈值为0.9摄氏度，此时能够判断出用户的体表温度存在异常。

由于人体不同部位采集的温度的存在误差，采用加权的方式对采集的差值向量进行点积运算，例如设置向量元素累加和为1的加权向量为{0.4，0.6}，针对差值向量{1.1，1.1}进行点积运算后，变为{0.44，0.66}，此时将点积运算之后的向量元素进行累加运算，作为差值进行一维数据上的比较。

为了构建预设体温参考模型，需要进行集中趋势分析。集中量数也称集中趋势量数，是用一个数值去代表一组数据的一般水平。常用的集中量数有平均数、中位数和众数。平均数是所有测量数据的算术平均值，中位数是将测量数据按大小顺序一分为二的变量属性值，即位于排列顺序中间位置的数值，众数是测量数据中出现频率最高的数值。

例如，采集到9个不同人体腋下的体温：36.6、36.6、36.7、36.9、37.0、37.1、37.2、37.4、38.5。

则：平均数为37.0，中位数为37.0，众数为36.6。

可以根据不同的模型需要分别采取平均数、中位数或众数作为预设体温参考模型数值。

由于同一个人体在不同的时间段，其稳定也会略有差异，可以进行连续时间段内不同测量部位的采集，例如，所述第一采集部位为人体腋下，所述第二采集部位为人体额头，人体腋下的采样序列1为：{X_a1，X_a2，X_a3，...，X_an}，人体额头采样序列2为：{X_b1，X_b2，X_b3，...，X_bn}。

例如，可以通过平均值得方式获得第一采集部位的温度序列平均值：X_as＝(X_a1+X_a2+X_v3+，...，+X_an)/n

第二采集部位的温度序列平均值为：

X_bv＝(X_b1+X_b2+X_b3+，...，+X_bn)/n

将平均值作为采样值，构建预设体温参考模型。为了提高预设体温参考模型的广泛性，通常需要大的采样样本，比如5000人以上的采样人群。

对于采集数据各维分量的分布不一样，假设温度测量样本集X的均值(mean)为m，标准差(standarddeviation)为s，那么X的“标准化变量”表示为：(X-m)/s

而且标准化变量的数学期望为0，方差为1。因此样本集的标准化过程(standardization)用公式描述就是：

$X^{*}=\frac{X-m}{s}$

标准化后的值＝(标准化前的值-分量的均值)/分量的标准差

经过简单的推导就可以得到两个n维向量a(x11，x12，…，x1n)与b(x21，x22，…，x2n)间的标准化欧氏距离的公式：

$d_{12}=\sqrt{\underset{k=1}{\overset{n}{\Σ}}{\left(\frac{x_{1k}-x_{2k}}{s_k}\right)}^2}$

通过比较标准化欧氏距离的大小，可以比较两个温度序列值的大小。

除此之外，还可以通过计算两个测试向量的相关系数进行两个测试序列的匹配，定义相关系数如下：

${\mathrm{\ρ}}_{XY}=\frac{Cov\left(X,Y\right)}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}=\frac{E\left(\left(X-EX\right)\left(Y-EY\right)\right)}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}$

(其中，E为数学期望或均值，D为方差，D开根号为标准差，E{[X-E(X)][Y-E(Y)]}称为随机变量X与Y的协方差，记为Cov(X，Y)，即Cov(X，Y)＝E{[X-E(X)][Y-E(Y)]}，而两个变量之间的协方差和标准差的商则称为随机变量X与Y的相关系数)

相关系数衡量随机变量X与Y相关程度的一种方法，相关系数的取值范围是[-1，1]。相关系数的绝对值越大，则表明X与Y相关度越高。当X与Y线性相关时，相关系数取值为1(正线性相关)或-1(负线性相关)。

具体的，如果有两个变量：X、Y，最终计算出的相关系数的含义可以有如下理解：

当相关系数为0时，X和Y两变量无关系。

当X的值增大(减小)，Y值增大(减小)，两个变量为正相关，相关系数在0.00与1.00之间。

当X的值增大(减小)，Y值减小(增大)，两个变量为负相关，相关系数在-1.00与0.00之间。

通常情况下通过以下取值范围判断变量的相关强度：

相关系数0.8-1.0极强相关

0.6-0.8强相关

0.4-0.6中等程度相关

0.2-0.4弱相关

0.0-0.2极弱相关或无相关

参见图2，图2中列出了欧式空间中各个温度采样模型在其中的位置，四周的四个方框，分别代表第1-4类不适的体温模型在欧式空间中的位置，中间圆形，代表正常体温模型，圆形外侧的虚线，代表第一阈值，即温度漂移阈值，如果研究对象的温度模型与正常体温模型的距离超出该温度漂移阈值范围，则可筛查为疑似不适。比如，有的不适表现为，头部高于平均值，38.5度；而脚部低于平均值，36度——头热脚凉；而有的不适则表现为，全身都是一致性的体温过高：均在38.6-39.1度之间，周身并无发凉的地方。通过量化的结论性的数据，能区分筛查上述两类不同的不适及其表现情形。具体而言，除了图2中虚线所表示的阈值之外，被采样的研究对象的人体温度模型，与某一不适模型间欧氏距离必须小于第二阈值(预设欧式距离值)，这是因为，在进行健康评估的过程中，需要保证准确性。由于某不适模型库并不一定健全，需要基于第二阈值判断研究对象的温度模型与多个不适模型中的相似度。

如图2所示，五角星所示为研究对象的体温模型，其体温处于异常状态(大于第一阈值)，此时需要分别计算该体温模型与图2中1-4类非正常状态体表温度参考模型的欧式距离，形成第一欧式距离向量，例如第一欧式距离向量为{0.8，0.2，0.3，0.9}，此时设置第二阈值为0.5，此时第一欧式距离向量中元素值小于0.5的均为有效元素。

作为一种实施方式，全部选取第一欧式距离向量中的有效元素0.2和0.3为有效欧式距离值，通过分析可知，0.2及0.3分别代表第2类非正常状态体表温度参考模型及第3类非正常状态体表温度参考模型，此时可以认定用户可能患有第2类非正常状态体表温度参考模型及第3类非正常状态体表温度参考模型所关联的不适情形。

作为另外一种实施方式，也可以选取第一欧式距离向量中有效元素值最小的值所关联的非正常状态体表温度参考模型确定为用户的不适模型，即选取0.2所代表的第2类非正常状态体表温度参考模型所代表的不适情形。

作为另外一个实施例，所述采集每个温度测试点在预设时间内的温度值序列，包括：在人体的耳内设置测量耳温的温度传感器，将预设时间内按照预设采样周期采集的耳温作为温度值序列。

如图3所示，根据本发明的一个实施例中用于温度信号采集的装置30，包括：粘贴式温度传感器303、数据传输链路302以及数据通信接口301。

所述粘贴式温度传感器303的数目及粘贴方式可以根据用户的需要自由设定，用户将粘贴式温度传感器303放置在太阳穴或额头等部位，粘贴式温度传感器303便会按照预定的周期采集用户的温度数据。

所述数据传输链路302用于将粘贴式温度传感器303采集的数据传递到数据通信接口，数据传输链路可以采用有线或无线的方式进行通信。

所述数据通信接口301用于将采集的温度数据传递该相应的客户机(图中未示出)，作为一个例子，数据通信接口301为USB通信接口，数据通信接口通过USB数据方式将温度数据传递给用户的手机，以便于用户通过手机查看相应的内容。

使用者通过佩戴该装置30，可以采集到其基础脑温的数据。针对这些体温数据的采样序列，可以以在线或离线的方式处理这些数据，从而判断使用者的脑温、基础脑温的是否有异常，异常模式及其对应的潜在不适信息的表征。

图4为根据本发明的一个实施例的温度测量装置的结构示意图，该装置包括采样模块401、匹配模块402以及判断模块403。

采集模块401，获取至少两个人体预设位置的温度采样值，形成采样温度向量。

以人体为例，为了能够较为准确的测试多个温度值，需要尽可能的设置较多的测试点。

对于测试人体而言，由于人体不同部位的温度略有差异，通常是测量具有典型意义的区域，这些区域包括：口腔内、腋下、肛门、脚、额头等部位，形成采样序列如下所示：

采样序列：{a₁，a₂，a₃，...，a_n}。

匹配模块402，将所述采样温度向量与预设体温参考模型进行差值匹配，得到差值向量。

通过上述采样序列，可以获知人体在整体上的温度数据，通过对采样数据进行处理，可以得到用户的一些生理特性。比如采集到用户腋下及口腔温度分布为{38，38.2}摄氏度，而根据预设体温参考模型，腋下温度是【36.8-36.9】，口腔温度为【36.9-37.1】，通过与预设体温模型最大值的进行比较，得到差值向量为{1.1，1.1}。

判断模块403，基于所述差值向量以及预设的温度漂移阈值的比较，判断人体体表温度是否异常。

对于匹配模块402得到的差值向量{1.1，1.1}，查找对应的阈值，比如腋下的温度阈值为1摄氏度，口腔的阈值为0.9摄氏度，此时能够判断出用户的体表温度存在异常。

由于人体不同部位采集的温度的存在误差，采用加权的方式对采集的差值向量进行点积运算，例如设置向量元素累加和为1的加权向量为{0.4，0.6}，针对差值向量{1.1，1.1}进行点积运算后，变为{0.44，0.66}，此时将点积运算之后的向量元素进行累加运算，作为差值进行一维数据上的比较。

为了构建预设体温参考模型，需要进行集中趋势分析。集中量数也称集中趋势量数，是用一个数值去代表一组数据的一般水平。常用的集中量数有平均数、中位数和众数。平均数是所有测量数据的算术平均值，中位数是将测量数据按大小顺序一分为二的变量属性值，即位于排列顺序中间位置的数值，众数是测量数据中出现频率最高的数值。

例如，采集到9个不同人体腋下的体温：36.6、36.6、36.7、36.9、37.0、37.1、37.2、37.4、38.5。

则：平均数为37.0，中位数为37.0，众数为36.6。

可以根据不同的模型需要分别采取平均数、中位数或众数作为预设体温参考模型数值。

由于同一个人体在不同的时间段，其稳定也会略有差异，可以进行连续时间段内不同测量部位的采集，例如，所述第一采集部位为人体腋下，所述第二采集部位为人体额头，人体腋下的采样序列1为：{X_a1，X_a2，X_a3，...，X_an}，人体额头采样序列2为：{X_b1，X_b2，X_b3，...，X_bn}。

例如，可以通过平均值得方式获得第一采集部位的温度序列平均值：X_av＝(X_a1+X_a2+X_a3+，...，+X_an)/n

第二采集部位的温度序列平均值为：

X_bv＝(X_b1+X_b2+X_b3+，...，+X_bn)/n

将平均值作为采样值，构建预设体温参考模型。为了提高预设体温参考模型的广泛性，通常需要大的采样样本，比如5000人以上的采样人群。

对于采集数据各维分量的分布不一样，假设温度测量样本集X的均值(mean)为m，标准差(standarddeviation)为s，那么X的“标准化变量”表示为：(X-m)/s

而且标准化变量的数学期望为0，方差为1。因此样本集的标准化过程(standardization)用公式描述就是：

$X^{*}=\frac{X-m}{s}$

标准化后的值＝(标准化前的值-分量的均值)/分量的标准差

经过简单的推导就可以得到两个n维向量a(x11，x12，…，x1n)与b(x21，x22，…，x2n)间的标准化欧氏距离的公式：

$d_{12}=\sqrt{\underset{k=1}{\overset{n}{\Σ}}{\left(\frac{x_{1k}-x_{2k}}{s_k}\right)}^2}$

通过比较标准化欧氏距离的大小，可以比较两个温度序列值的大小。

除此之外，还可以通过计算两个测试向量的相关系数进行两个测试序列的匹配，定义相关系数如下：

${\mathrm{\ρ}}_{XY}=\frac{Cov\left(X,Y\right)}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}=\frac{E\left(\left(X-EX\right)\left(Y-EY\right)\right)}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}$

(其中，E为数学期望或均值，D为方差，D开根号为标准差，E{[X-E(X)][Y-E(Y)]}称为随机变量X与Y的协方差，记为Cov(X，Y)，即Cov(X，Y)＝E{[X-E(X)][Y-E(Y)]}，而两个变量之间的协方差和标准差的商则称为随机变量X与Y的相关系数)

相关系数衡量随机变量X与Y相关程度的一种方法，相关系数的取值范围是[-1，1]。相关系数的绝对值越大，则表明X与Y相关度越高。当X与Y线性相关时，相关系数取值为1(正线性相关)或-1(负线性相关)。

具体的，如果有两个变量：X、Y，最终计算出的相关系数的含义可以有如下理解：

当相关系数为0时，X和Y两变量无关系。

当X的值增大(减小)，Y值增大(减小)，两个变量为正相关，相关系数在0.00与1.00之间。

当X的值增大(减小)，Y值减小(增大)，两个变量为负相关，相关系数在-1.00与0.00之间。

通常情况下通过以下取值范围判断变量的相关强度：

相关系数0.8-1.0极强相关

0.6-0.8强相关

0.4-0.6中等程度相关

0.2-0.4弱相关

0.0-0.2极弱相关或无相关

相应于上面的方法实施例和装置实施例，本发明实施例还提供了一种电子设备，该电子设备包括：处理器、存储器、通信接口和总线；

所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信；

所述存储器存储可执行程序代码；

所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于：

获取至少两个人体预设位置的温度采样值，形成采样温度向量；

将所述采样温度向量与预设体温参考模型进行差值匹配，获取差值向量；

基于所述差值向量以及预设的温度漂移阈值的比较，判断人体体表温度是否异常。

该电子设备以多种形式存在，包括但不限于：

(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。

(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等，例如iPad。

(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。

(4)服务器：提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。

(5)其他具有数据交互功能的电子装置。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (23)

1.一种基于人体体温建模的健康评估方法，其特征在于，所述方法包括：

获取至少两个人体预设位置的温度采样值，形成采样温度向量；

将所述采样温度向量与预设体温参考模型进行差值匹配，得到差值向量；

基于所述差值向量以及预设的温度漂移阈值的比较，判断人体体表温度是否异常。

2.根据权利要求1所述的方法，其特征在于：

通过采集多个正常人体的预设位置的温度值，构建所述预设体温参考模型。

3.根据权利要求2所述的方法，其特征在于，所述采集多个正常人体的预设位置的温度值，包括：

在预设时间段内连续采集多个正常人体的预设位置的温度值。

4.根据权利要求2或3所述的方法，其特征在于：

所述多个正常人体的数量大于5000。

5.根据权利要求1所述的方法，其特征在于，所述基于所述差值向量以及预设的温度漂移阈值的比较，判断人体体表温度是否异常，包括：

若所述差值向量小于所述预设的温度漂移阈值，则判定人体体表温度正常。

6.根据权利要求1所述的方法，其特征在于：

所述预设位置的温度采样值为人体基础体温采样值；

所述预设体温参考模型为预设的人体基础体温参考模型。

7.根据权利要求1所述的方法，其特征在于，所述将所述采样温度向量与预设体温参考模型进行差值匹配，得到差值向量，包括：

设置与所述采样温度向量维度相同的加权向量；

将所述采样温度向量与预设体温参考模型进行减法运算的结果与所述加权向量进行点积运算，进而获取所述差值向量。

8.根据权利要求1或7所述的方法，其特征在于，所述基于所述差值向量以及预设的温度漂移阈值的比较，判断人体体表温度是否异常，包括：

若所述差值向量大于所述预设的温度漂移阈值，则判定人体体表温度异常。

9.根据权利要求8所述的方法，其特征在于，所述方法还包括：

分别计算所述采样温度向量与多个非正常状态体表温度参考模型的欧氏距离，形成第一欧式距离向量；

获取人体关联于所述第一欧式距离向量中小于预设欧氏距离值的向量元素所对应的非正常状态体表温度参考模型。

10.根据权利要求9所述的方法，其特征在于，所述方法还包括：

将所述第一欧式距离向量中所有小于预设欧氏距离值的向量元素关联的非正常状态体表温度参考模型确定为人体非正常状态模型。

11.根据权利要求9所述的方法，其特征在于，所述方法还包括：

将所述第一欧式距离向量中所有小于预设欧氏距离值的最小值向量元素关联的非正常状态体表温度参考模型确定为人体非正常状态模型。

12.一种基于人体体温建模的健康评估专家系统，其特征在于，所述系统包括：

采样模块，所述采样模块获取至少两个人体预设位置的温度采样值，形成采样温度向量；

匹配模块，所述匹配模块将所述采样温度向量与预设体温参考模型进行差值匹配，得到差值向量；

判断模块，所述判断模块基于所述差值向量以及预设的温度漂移阈值的比较，判断人体体表温度是否异常。

13.根据权利要求12所述的系统，其特征在于，所述采样模块还用于：

通过采集多个正常人体的预设位置的温度值，构建所述预设体温参考模型。

14.根据权利要求13所述的系统，其特征在于，所述采集多个正常人体的预设位置的温度值，包括：

在预设时间段内连续采集多个正常人体的预设位置的温度值。

15.根据权利要求13或14所述的系统，其特征在于：

所述多个正常人体的数量大于5000。

16.根据权利要求12所述的系统，其特征在于，所述基于所述差值向量以及预设的温度漂移阈值的比较，判断人体体表温度是否异常，包括：

若所述差值向量小于所述预设的温度漂移阈值，则判定人体体表温度正常。

17.根据权利要求12所述的系统，其特征在于：

所述预设位置的温度采样值为人体基础体温采样值；

所述预设体温参考模型为预设的人体基础体温参考模型。

18.根据权利要求12所述的系统，其特征在于，所述将所述采样温度向量与预设体温参考模型进行差值匹配，得到差值向量，包括：

设置与所述采样温度向量维度相同的加权向量；

将所述采样温度向量与预设体温参考模型进行减法运算的结果与所述加权向量进行点积运算，进而获取所述差值向量。

19.根据权利要求12或18所述的系统，其特征在于，所述基于所述差值向量以及预设的温度漂移阈值的比较，判断人体体表温度是否异常，包括：

若所述差值向量大于所述预设的温度漂移阈值，则判定人体体表温度异常。

20.根据权利要求19所述的系统，其特征在于，所述系统还包括：

计算模块，用于计算所述采样温度向量与多个非正常状态体表温度参考模型的欧氏距离，形成第一欧式距离向量；以及

筛选模块，用于获取人体关联于所述第一欧式距离向量中小于预设欧氏距离值的向量元素所对应的非正常状态体表温度参考模型。

21.根据权利要求20所述的系统，其特征在于，所述筛选模块还用于：

将所述第一欧式距离向量中所有小于预设欧氏距离值的向量元素关联的非正常状态体表温度参考模型确定为人体非正常状态模型。

22.根据权利要求20所述的系统，其特征在于，所述筛选模块还用于：

将所述第一欧式距离向量中所有小于预设欧氏距离值的最小值向量元素关联的非正常状态体表温度参考模型确定为人体非正常状态模型。

23.一种电子设备，其特征在于，包括：处理器、存储器、通信接口和总线；

所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信；

所述存储器存储可执行程序代码；

所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于：

获取至少两个人体预设位置的温度采样值，形成采样温度向量；

将所述采样温度向量与预设体温参考模型进行差值匹配，得到差值向量；

基于所述差值向量以及预设的温度漂移阈值的比较，判断人体体表温度是否异常。