CN105827731A - 基于融合模型的智能化健康管理服务器、系统及其控制方法 - Google Patents
基于融合模型的智能化健康管理服务器、系统及其控制方法 Download PDFInfo
- Publication number
- CN105827731A CN105827731A CN201610303848.0A CN201610303848A CN105827731A CN 105827731 A CN105827731 A CN 105827731A CN 201610303848 A CN201610303848 A CN 201610303848A CN 105827731 A CN105827731 A CN 105827731A
- Authority
- CN
- China
- Prior art keywords
- health
- source heterogeneous
- data
- decision
- diagnosis
- 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.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 162
- 230000004927 fusion Effects 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000013598 vector Substances 0.000 claims abstract description 139
- 238000003745 diagnosis Methods 0.000 claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 230000026683 transduction Effects 0.000 claims description 38
- 238000010361 transduction Methods 0.000 claims description 38
- 230000007958 sleep Effects 0.000 claims description 27
- 230000002996 emotional effect Effects 0.000 claims description 24
- 208000017667 Chronic Disease Diseases 0.000 claims description 15
- 230000002452 interceptive effect Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000002463 transducing effect Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 2
- 230000003862 health status Effects 0.000 abstract description 9
- 230000003993 interaction Effects 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 abstract description 2
- 230000001133 acceleration Effects 0.000 description 12
- 239000011551 heat transfer agent Substances 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000003449 preventive effect Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000007418 data mining Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000001303 quality assessment method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000008376 long-term health Effects 0.000 description 4
- 230000003340 mental effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 description 3
- 230000001154 acute effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000037007 arousal Effects 0.000 description 2
- 210000003403 autonomic nervous system Anatomy 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 210000003169 central nervous system Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007596 consolidation process Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000004630 mental health Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 230000008667 sleep stage Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/40—Support for services or applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Child & Adolescent Psychology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例公开了一种基于融合模型的智能化健康管理服务器、系统及其控制方法。健康管理服务器从数据采集装置获取多源异构传感特征信号；根据所述多源异构传感信号识别用于反映人体健康状态的特征状态向量集；获取诊断/预测策略，根据所述诊断/预测策略融合分析所述特征状态向量集，生成健康管理决策；交互终端输出所述健康管理决策，并为用户提供基于所述健康管理决策的反馈干预训练机制。本发明提供的实施例，可实现多尺度高精准量化标定，从而能够融合决策个体的健康状况和应采取的干预或预防手段，指导用户实现优化可靠的健康调控，提升用户体验。
Description
技术领域
本发明涉及智能化医疗领域，尤其涉及一种基于融合模型的智能化健康管理服务器、系统及其控制方法。
背景技术
近年来，为实现国家层面医疗模式的战略转变，大力发展低廉、微型、便捷、智能的分布式医疗和个体化医疗手段，对于广大人民福祉的改善、医疗卫生事业可持续发展和社会和谐稳定具有极其重要的意义。分布式医疗将重心下移到基层医院、社康中心甚至家庭，把服务从治疗前移到预防和早期诊断，把治病模式转变为治未病模式，将以往只有大医院才能使用的医疗仪器廉价化、微型化、操作简化，目前这种理念已被贯彻，在学术界和产业界的研究、开发如火如荼，方兴未艾。而个体化医疗将是未来的发展方向，利用随身携带、穿戴的智能硬件和数码产品，结合移动互联网和大数据分析，为每个人定制健康管理方案，实时监测身体状况，把服务端延伸到健康和亚健康人群，把治病模式转变为健康监护模式。这两种医疗模式代表了当前和未来的发展趋势，也对相应医疗仪器提出了全新的技术挑战，同时意味着巨大的学科发展机会和市场应用前景。
近年来，穿戴式技术、通信技术、云计算技术、大数据技术等飞速发展，为可移动式医疗系统的发展带来了新的曙光。典型的可穿戴式躯感网节点平台能够通过生物传感器精确地采集生理信号，通过微控制器处理过的数据，以无线的方式传输到智能终端上，所有的传感器数据由智能终端负责收集，并进一步处理，融合，然后通过无线局域网、蓝牙或3G/4G网络传送到中央监控服务器。其核心问题可以归结为健康信息的获取、存储、传输、分析和利用。各种可移动式监测仪器的相继面世，说明可移动式医疗系统的研究已经有了相当成果。
但是，目前面世的这些可移动式医疗系统，往往只对单一维度的传感信息进行分析处理，例如只分析心率、脑电波等，无法全面地分析人体健康状态、行为习惯等，因而无法提供可靠的治疗手段和预防手段，用户体验较差。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于融合模型的智能化健康管理服务器、系统及其控制方法，克服现有技术中基础传感信息过于单一因而无法提供全面可靠的评估手段和预防手段的缺陷。
为了解决上述技术问题，本发明实施例提供了一种基于融合模型的智能化健康管理控制方法，包括：
获取多源异构传感信号及其特征值；
根据所述多源异构传感信号提取用于反映人体健康状态的特征状态向量集，所述特征状态向量集包括运动状态向量、情绪状态向量、睡眠状态向量和位置状态向量；
获取诊断/预测策略，根据所述诊断/预测策略融合分析所述特征状态向量集，生成健康管理决策；
输出所述健康管理决策，为用户提供基于所述健康管理决策的反馈干预训练机制。
其中，所述方法还包括将所述多源异构传感特征信号和所述特征状态向量集存储至个人档案，所述个人档案对应于单个用户；
所述获取诊断/预测策略的步骤包括：
获取云端个性化健康管理数据；
根据所述个人档案和所述云端个性化健康管理数据生成诊断/预测策略。
其中，所述根据所述诊断/预测策略融合分析所述特征状态向量集，生成健康管理决策的步骤包括：
根据所述个人档案计算所述用户的多源信息特征向量集；
根据所述诊断/预测策略融合分析所述多源信息特征向量集，生成针对所述用户的健康管理和异常干预手段。
其中，所述获取多源异构传感特征信号的步骤包括：
获取多源异构传感融合数据；
根据预设的数据处理算法提取所述多源异构传感融合数据的特征集，作为多源异构传感特征信号。
其中，所述获取多源异构传感融合数据的步骤包括：
采集多源异构传感原始数据；
将所述多源异构传感原始数据归一化，生成多源异构传感融合数据。
另一方面，本发明还提供了一种基于融合模型的智能化健康管理系统，所述系统包括数据采集装置、健康管理服务器和交互终端；
所述数据采集装置用于采集多源异构传感原始数据；
所述健康管理服务器包括：
特征获取模块，用于从所述多源异构传感原始数据中获取多源异构传感特征信号；
状态向量识别模块，用于根据所述多源异构传感特征信号识别用于反映人体健康状态的特征状态向量集，所述特征状态向量集包括运动状态向量、情绪状态向量、睡眠状态向量和位置状态向量；
决策模块，用于获取诊断/预测策略，根据所述诊断/预测策略融合分析所述特征状态向量集，生成健康管理决策；
所述交互终端用于输出所述健康管理决策，为用户提供基于所述健康管理决策的反馈干预训练机制。
其中，所述健康管理服务器还包括用于存储所述多源异构传感特征信号和所述特征状态向量集，所述个人档案对应于单个用户；
所述决策模块进一步包括：
个性化数据获取模块，用于获取云端个性化健康管理数据；
策略生成模块，用于根据所述个人档案和所述云端个性化健康管理数据生成诊断/预测策略；
决策融合模块，用于根据所述诊断/预测策略融合分析所述特征状态向量集，生成健康管理决策。
其中，所述决策融合模块进一步包括：
健康状态样本模块，用于根据所述个人档案计算所述用户的多源信息特征向量集；
健康状态决策模块，用于根据所述诊断/预测策略融合分析所述多源信息特征向量集和所述特征状态向量集，生成针对所述用户的健康管理和异常干预手段。
其中，所述特征获取模块包括：
原始数据接收模块，用于接收所述数据采集装置采集的多源异构传感原始数据；
数据融合模块，用于将所述多源异构传感原始数据归一化，生成多源异构传感融合数据。
特征融合模块，用于根据预设的数据处理算法提取所述多源异构传感融合数据的特征集，作为多源异构传感特征信号。
另外，本发明还提供了一种基于融合模型的智能化健康管理服务器，所述服务器包括：
特征获取模块，用于获取多源异构传感特征信号；
状态向量识别模块，用于根据所述多源异构传感特征信号识别用于反映人体健康状态的特征状态向量集，所述特征状态向量集包括运动状态向量、情绪状态向量、睡眠状态向量和位置状态向量；
决策模块，用于获取诊断/预测策略，根据所述诊断/预测策略融合分析所述特征状态向量集，生成健康管理决策，并通过交互终端输出述健康管理决策，为用户提供基于所述健康管理决策的反馈干预训练机制。
实施本发明实施例，具有如下有益效果：通过探究多源异构传感信息与运动状态、情绪状态、睡眠状态及位置状态的映射关系，从多源异构传感特征信号中识别运动状态向量、情绪状态向量、睡眠状态向量和位置状态向量这四个特征状态向量集，可实现多尺度高精准量化标定，从而能够融合决策个体的健康状况和应采取的治疗或预防手段，指导用户实现优化可靠的健康调控，提升用户体验。
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是本发明提供的基于融合模型的智能化健康管理控制方法的第一实施例流程图；
图2是本发明提供的基于融合模型的智能化健康管理控制方法的第二实施例流程图；
图3是本发明提供的基于融合模型的智能化健康管理控制方法的第三实施例流程图；
图4是本发明一个优选实施例提供的运动状态向量识别方法的示意图；
图5是本发明另一个优选实施例提供的情绪状态向量识别方法的示意图；
图6是本发明提供的基于融合模型的智能化健康管理系统的第一实施例结构示意图；
图7是本发明提供的基于融合模型的智能化健康管理系统的第二实施例结构示意图；
图8是本发明提供的基于融合模型的智能化健康管理系统的第三实施例结构示意图。
具体实施方式
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作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。
请参见图1，是本发明提供的基于融合模型的智能化健康管理控制方法的第一实施例流程图，该方法包括：
步骤S11、获取多源异构传感特征信号。
具体地，获取多源异构传感特征信号的步骤包含了数据融合的过程。数据融合的步骤可以包括：通过传感器采集多源异构传感原始数据；将所述多源异构传感原始数据格式归一化，生成多源异构传感融合数据。其中多源异构传感原始数据可以包括GPS数据、加速度数据、心电数据、脉搏数据、皮温数据、呼吸数据等，这些数据格式多样，通过数据融合后，使所有数据融合为统一格式，便于数据分析。
具体地，获取多源异构传感特征信号的步骤还包含了特征融合的过程。特征融合的步骤可以包括：获取多源异构传感融合数据；根据预设的数据处理算法提取所述多源异构传感融合数据的特征集，作为多源异构传感特征信号。由于多源异构传感融合数据中包含了较多信息，其中有些信息与健康管理无关，或者可信度不高，需要加以筛除，因此可以采用各种方法对多源异构传感融合数据进行处理，提取特征集。通常可以通过抗干扰算法、信号质量评估等信号可信度增强技术提取高质量高可信多源异构传感融合数据，例如基于数学形态法及经验模式分解的噪声抑制及伪差消除、基于约束时序估计模型的信号质量评估等。然后可以通过运用差分阈值、小波分析、数据挖掘、神经网络等算法，协同分析与推算多源异构传感融合数据的特征集作为多源异构传感特征信号。
步骤S12、根据所述多源异构传感特征信号识别用于反映人体健康状态的特征状态向量集，所述特征状态向量集包括运动状态向量、情绪状态向量、睡眠状态向量和位置状态向量。运动状态向量、情绪状态向量、睡眠状态向量和位置状态向量属于决策级信息，根据这四个状态向量信息，能够较准确地反映人体的身体状态、心理状态及日常的行为习惯。
步骤S13、获取诊断/预测策略，根据所述诊断/预测策略融合分析所述特征状态向量集，生成健康管理决策。例如，可以根据来自家庭、医院、服务中心等不同来源的健康数据及运营管理数据来生成诊断/预测策略。通过融合分析多模态、多维度的特征状态向量集，包括生理信息、心理信息、空间信息及运动信息，可以结合主观、客观各因素对健康状态的影响，生成更加精细化可靠化的健康管理决策。
步骤S14、输出所述健康管理决策，为用户提供基于所述健康管理决策的反馈干预训练机制。例如，可以通过声、光、电、触觉、视觉、听觉等人机接口的交互模式，将健康管理决策输出给用户；用户根据健康管理决策进行反馈训练后，再重复步骤S11，形成健康管理的闭循环。
本发明提供的基于融合模型的智能化健康管理控制方法，通过探究多源异构传感信息与运动状态、情绪状态、睡眠状态及位置状态的映射关系，从多源异构传感特征信号中识别运动状态向量、情绪状态向量、睡眠状态向量和位置状态向量这四个特征状态向量集，可实现多尺度高精准量化标定，从而能够融合决策个体的健康状况和应采取的治疗或预防手段，指导用户实现优化可靠的健康调控，提升用户体验。
请参见图2，是本发明提供的基于融合模型的智能化健康管理控制方法的第二实施例流程图，该方法包括：
步骤S21、获取多源异构传感特征信号，将所述多源异构传感特征信号和所述特征状态向量集存储至个人档案，所述个人档案对应于单个用户。具体地，个人档案中存储有该用户此前的所有多元异构传感特征信号和特征状态向量集，形成该用户的个人健康档案。
步骤S22、根据所述多源异构传感特征信号识别用于反映人体健康状态的特征状态向量集，所述特征状态向量集包括运动状态向量、情绪状态向量、睡眠状态向量和位置状态向量。
步骤S23、获取云端个性化健康管理数据。云端个性化健康管理数据存储在云端平台，可以包括来自家庭、医院、服务中心等不同来源的健康数据及专业知识经验。
步骤S24、根据所述个人档案和所述云端个性化健康管理数据生成诊断/预测策略。目前常见的移动式健康管理系统中，由于没有个人历史数据做参考，诊断/预测策略只能依据预置的专业知识经验，无法反映个体差异性，可能造成结果不准确，影响用户体验。本实施例中通过融合个人档案和个性化健康管理数据来动态地生成诊断/预测策略，能够提高诊断/预测结果的个性化、精确性和可靠性。
步骤S25、根据所述诊断/预测策略融合分析所述特征状态向量集，生成健康管理决策。
步骤S26、输出所述健康管理决策，为用户提供基于所述健康管理决策的反馈干预训练机制。例如，可以通过声、光、电、触觉、视觉、听觉等人机接口的交互模式，将健康管理决策输出给用户；用户根据健康管理决策进行反馈训练后，再重复步骤S21，形成健康管理的闭循环。
本发明实施例，通过建立个人长期健康档案，综合专业知识经验与多源异构传感信息，在一定准则下加以自动分析、综合、支配和使用，通过数据级融合、特征级融合和决策级融合，获得对被测对象的一致性解释与描述，以完成所需的健康管理决策任务，通过对信息优化组合导出更多的有效信息，可以向患者本人、亲属及医院提供病人健康状况及健康管理实施效果的评估结果，为专业医务人员进行诊断提供参考。
特别是对于以下患者：1)属于慢性疾病患者，需要长期连续进行监测；2)属于已被医院告知为急性疾病突然发作的潜在患者；3)属于航空、军事、运动员、危险作业等行业人员，工作地点远离医院，且工作场所不适宜携带大型设备，有可能导致事故发生而不能提前预警的人群。本发明实施例提供的基于融合模型的智能化健康管理控制方法可以为以上患者提供个性化、精细化的实时长期健康管理，增强自治神经系统的调控功能，增强中央神经系统的应激反应水平等。下面将以慢性疾病患者为例说明本方法。
请参见图3，是本发明提供的基于融合模型的智能化健康管理控制方法的第三实施例流程图，该方法包括：
步骤S31、获取多源异构传感特征信号，将所述多源异构传感特征信号和所述特征状态向量集存储至个人档案，所述个人档案对应于单个用户。
步骤S32、根据所述多源异构传感特征信号识别用于反映人体健康状态的特征状态向量集，所述特征状态向量集包括运动状态向量、情绪状态向量、睡眠状态向量和位置状态向量。
步骤S33、获取云端个性化健康管理数据。
步骤S34、根据所述个人档案和所述云端个性化健康管理数据生成诊断/预测策略。
步骤S35、根据所述个人档案计算所述用户的多源信息特征向量集。
步骤S36、根据所述诊断/预测策略融合分析所述多源信息特征向量集，生成针对所述用户的健康管理及异常状态干预手段。
步骤S37、将所述健康管理和异常干预手段输出给所述用户，使所述用户根据所述健康管理和异常干预手段进行反馈训练。例如，可以通过声、光、电、触觉、视觉、听觉等人机接口的交互模式，将健康管理决策输出给用户；用户根据健康管理和异常干预手段进行反馈训练后，再重复步骤S31，形成健康管理的闭循环。
本发明实施例通过数据挖掘手段发现与个体患者相关的健康管理规律，采取对应的干预手段指导患者实现优化、差异化的健康调控；更进一步，还可以通过对运营管理数据的挖掘，实现健康服务质量的控制及优化。
在本发明的一个优选实施例中，运动状态向量的识别方法如图5所示。在该方法中，利用可穿戴设备或智能手机配置的加速度传感器实现对人体运动状态的监测，并将人体日常运动行为与个人的身心健康关联起来实现对人体的日常运动进行监测，对于制定科学的运动健身计划，改善身体健康状况具有重要意义。基于加速度传感器的人体运动监测领域的研究理论以及常用的研究方法，将加速度信号经过高通滤波器去除信号直流偏置等预处理后，提取时间窗内的方差，均值，最大值，最小值，小波变换系数，傅里叶频率特性等特征，再利用该特征评估值跟预先设置的阈值比较来识别人体日常运动。该方法针对多层次层分类器结构，采用自适应特征提取算法实现训练多个分类器，一类分类器采用加速度和陀螺仪，通过数据融合识别复杂姿态，另一类分类器只采用加速度用来识别简单姿态，同时可获得日常运动量和能量消耗等健康指标。
在本发明的一个优选实施例中，情绪状态向量的识别方法如图6所示。该方法中，通过计算心率变异性、心脏及呼吸节奏模式，采集自我评价及生活事件量表，结合主客观个体信息，基于D-S证据理论决策层融合模型实现多级分层心理压力量化评估。
在本发明的一个优选实施例中，睡眠状态向量的识别方法包括：基于心率(或脉率)变异性的时域/频域/几何/非线性特征及人体姿态特征集，通过数据融合及统计分析方法逼近临床睡眠评估指标(呼吸紊乱/微觉醒指数、睡眠分期等)，得到睡眠状态向量。
在本发明的一个优选实施例中，位置状态向量识别方法摒弃了GPRS长连服务器和短信指令更新位置的做法，通过运动状态自适应切换位置上报及跟踪，实现精准位置服务。
请参见图6，是本发明提供的基于融合模型的智能化健康管理系统的第一实施例结构示意图。如图6所示，该系统包括数据采集装置600、健康管理服务器700和交互终端800。
数据采集装置600，用于采集多源异构传感原始数据。数据采集装置600可以是任意一种或多种穿戴式设备和/或便携式设备，例如衣服、帽子、眼镜、手环、手表、鞋子、手机、平板电脑等等，这种设备小巧贴身、省电耐用，可以通过无损、实时地数字化记录人的体征和感知信息，并通过移动互联网、云计算和大数据分析，与医疗资源无缝对接，实现对个体健康的充分监护和医疗资源的高效利用。
健康管理服务器700包括特征获取模块710、状态向量识别模块720和决策模块730。
特征获取模块710，用于从所述多源异构传感原始数据中获取多源异构传感特征信号。
具体地，特征获取模块710包括：原始数据接收模块711，用于接收所述数据采集装置600采集的多源异构传感原始数据；数据融合模块712，用于将所述多源异构传感原始数据归一化，生成多源异构传感融合数据；特征融合模块713，用于根据预设的数据处理算法提取所述多源异构传感融合数据的特征集，作为多源异构传感特征信号。
其中，多源异构传感原始数据可以包括GPS数据、加速度数据、心电数据、脉搏数据、皮温数据、呼吸数据等，这些数据格式多样，通过数据融合模块712的数据融合后，使所有数据融合为统一格式，便于数据分析。
另外，由于多源异构传感融合数据中包含了较多信息，其中有些信息与健康管理无关，或者可信度不高，需要加以筛除，因此可以采用各种方法对多源异构传感融合数据进行处理，提取特征集。通常特征融合模块713可以通过抗干扰算法、信号质量评估等信号可信度增强技术提取高质量高可信多源异构传感融合数据，例如基于数学形态法及经验模式分解的噪声抑制及伪差消除、基于约束时序估计模型的信号质量评估等。然后可以通过运用差分阈值、小波分析、数据挖掘、神经网络等算法，协同分析与推算多源异构传感融合数据的特征集作为多源异构传感特征信号。
状态向量识别模块720，用于根据所述多源异构传感特征信号识别用于反映人体健康状态的特征状态向量集，所述特征状态向量集包括运动状态向量、情绪状态向量、睡眠状态向量和位置状态向量。运动状态向量、情绪状态向量、睡眠状态向量和位置状态向量属于决策级信息，根据这四个状态向量信息，能够较准确地反映人体的身体状态、心理状态及日常的行为习惯。
决策模块730，用于获取诊断/预测策略，根据所述诊断/预测策略融合分析所述特征状态向量集，生成健康管理决策。例如，决策模块730可以根据来自家庭、医院、服务中心等不同来源的健康数据及运营管理数据来生成诊断/预测策略。通过融合分析多模态、多维度的特征状态向量集，包括生理信息、心理信息、空间信息及运动信息，可以结合主观、客观各因素对健康状态的影响，生成更加精细化可靠化的健康管理决策。
交互终端800，用于输出所述健康管理决策，为用户提供基于所述健康管理决策的反馈干预训练机制。交互终端800可以和数据采集装置是同一电子设备，例如手机、平板电脑等。例如，交互终端800可以通过声、光、电、触觉、视觉、听觉等人机接口的交互模式，将健康管理决策输出给用户；用户根据健康管理决策进行反馈训练后，数据采集装置600再采集实时多源异构传感原始数据，形成健康管理的闭循环。
本发明提供的基于融合模型的智能化健康管理系统，通过探究多源异构传感信息与运动状态、情绪状态、睡眠状态及位置状态的映射关系，从多源异构传感特征信号中识别运动状态向量、情绪状态向量、睡眠状态向量和位置状态向量这四个特征状态向量，可实现多尺度高精准量化标定，从而能够融合决策个体的健康状况和应采取的治疗或预防手段，指导用户实现优化可靠的健康调控，提升用户体验。
请参见图7，是本发明提供的基于融合模型的智能化健康管理系统的第二实施例结构示意图。
该实施例中，健康管理服务器700还包括个人档案740。个人档案740用于存储所述多源异构传感特征信号和所述特征状态向量集，所述个人档案对应于单个用户。具体地，个人档案中存储有该用户此前的所有多元异构传感特征信号和特征状态向量集，形成该用户的个人健康档案。
决策模块730进一步包括：
个性化数据获取模块731，用于获取云端个性化健康管理数据。云端个性化健康管理数据存储在云端平台，可以包括来自家庭、医院、服务中心等不同来源的健康数据及专业知识经验。
策略生成模块732，用于根据所述个人档案和所述云端个性化健康管理数据生成诊断/预测策略。目前常见的移动式健康管理系统中，由于没有个人历史数据做参考，诊断/预测策略只能依据预置的专业知识经验，无法反映个体差异性，可能造成结果不准确，影响用户体验。本实施例中策略生成模块732通过融合个人档案和个性化健康管理数据来动态地生成诊断/预测策略，能够提高诊断/预测结果的个性化、精确性和可靠性。
决策融合模块733，用于根据所述诊断/预测策略融合分析所述特征状态向量集，生成健康管理决策。
本发明实施例，通过建立个人长期健康档案，综合专业知识经验与多源异构传感信息，在一定准则下加以自动分析、综合、支配和使用，通过数据级融合、特征级融合和决策级融合，获得对被测对象的一致性解释与描述，以完成所需的健康管理决策任务，通过对信息优化组合导出更多的有效信息，可以向患者本人、亲属及医院提供病人健康状况及健康管理实施效果的评估结果，为专业医务人员进行诊断提供参考。
特别是对于以下患者：1)属于慢性疾病患者，需要长期连续进行监测；2)属于已被医院告知为急性疾病突然发作的潜在患者；3)属于航空、军事、运动员、危险作业等行业人员，工作地点远离医院，且工作场所不适宜携带大型设备，有可能导致事故发生而不能提前预警的人群。本发明实施例提供的基于融合模型的智能化健康管理系统可以为以上患者提供个性化、精细化的实时长期健康管理，增强自治神经系统的调控功能，增强中央神经系统的应激反应水平等。下面将以慢性疾病患者为例说明本方法。
请参见图8，是本发明提供的基于融合模型的智能化健康管理系统的第三实施例结构示意图。
其中，决策融合模块733进一步包括：
慢性病样本模块733A，用于根据所述个人档案740计算所述用户的慢性病管理样本。
慢性病决策模块733B，用于根据所述诊断/预测策略融合分析所述慢性病管理样本和所述特征状态向量，生成针对所述用户的慢性病干预手段。通过交互终端800将所述慢性病干预手段输出给所述用户，使所述用户根据所述慢性病干预手段进行反馈训练。
本发明实施例通过数据挖掘手段发现与个体患者相关的慢性病管理规律，采取对应的干预手段指导患者实现优化、差异化的健康调控；更进一步，还可以通过对运营管理数据的挖掘，实现健康服务质量的控制及优化。
具体地，状态向量识别模块720可以包括运动状态向量识别模块、情绪状态向量识别模块、睡眠状态向量识别模块和位置状态向量识别模块。
在本发明的一个优选实施例中，运动状态向量识别模块的识别方法如图5所示。在该实施例中，利用可穿戴设备或智能手机配置的加速度传感器实现对人体运动状态的监测，并将人体日常运动行为与个人的身心健康关联起来实现对人体的日常运动进行监测，对于制定科学的运动健身计划，改善身体健康状况具有重要意义。基于加速度传感器的人体运动监测领域的研究理论以及常用的研究方法，将加速度信号经过高通滤波器去除信号直流偏置等预处理后，提取时间窗内的方差，均值，最大值，最小值，小波变换系数，傅里叶频率特性等特征，再利用该特征评估值跟预先设置的阈值比较来识别人体日常运动。该方法针对多层次层分类器结构，采用自适应特征提取算法实现训练多个分类器，一类分类器采用加速度和陀螺仪，通过数据融合识别复杂姿态，另一类分类器只采用加速度用来识别简单姿态，同时可获得日常运动量和能量消耗等健康指标。
在本发明的一个优选实施例中，情绪状态向量模块的识别方法如图6所示。该实施例中，通过计算心率变异性、心脏及呼吸节奏模式，采集自我评价及生活事件量表，结合主客观个体信息，基于D-S证据理论决策层融合模型实现多级分层心理压力量化评估。
在本发明的一个优选实施例中，睡眠状态向量模块基于心率(或脉率)变异性的时域/频域/几何/非线性特征及人体姿态特征集，通过数据融合及统计分析方法逼近临床睡眠评估指标(呼吸紊乱/微觉醒指数、睡眠分期等)，得到睡眠状态向量。
在本发明的一个优选实施例中，位置状态向量识别模块摒弃了GPRS长连服务器和短信指令更新位置的做法，通过运动状态自适应切换位置上报及跟踪，实现精准位置服务。
本发明提供的基于融合模型的智能化健康管理系统采用通用结构的模块化硬件电路优化设计方案，包括中央处理单元、传感单元、接口及人机交互单元等部分，可为用户提供个性化服务定制方案，以降低系统复杂性及功耗。通过结构优化、器件选型、工作模式设定等，高度集成运动、空间、生理感知传感单元，在满足低功耗、低噪声、稳定可靠的前提下实现加/角速度、磁场强度、空间位置、心电、脉搏、呼吸等传感信息的获取、处理、存储、传输，并输出相应控制信号。本发明将基于HTML5框架实现跨平台多智能终端软件，通过将软件系统平台化，优化功能模块，降低对RAM/ROM需求，改善运行速度，联动实现用户基本信息、运动信息、位置信息、情绪信息、睡眠信息的数据分析、存储、同步、协同、安全及分享等功能。
本发明实施例通过用于采用多源异构传感信息获取的智能可穿戴设备,优化设计软硬件系统架构，集成新型抗干扰算法、信号质量评估算法及特征值提取算法，从而获取高质量高可信传感数据，并结合专业知识经验构建决策级数据融合模型，实现睡眠状态、运动状态、位置状态及情绪状态的智能化评估及个性化反馈训练机制，同时依托云计算平台中心，建立个人健康管理系统，针对以老年人和亚健康群体为代表的慢性病人群，通过长期跟踪记录，建立患者个体健康档案，采集个体的多种生理数据和日常生活习惯信息；利用信息提取、信息融合、高维医学数据挖掘等技术进行数据分析，为患者提供精细化、个性化的健康管理指导；从而提高生活质量，对突发疾病风险给予预警提示。
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。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。
Claims (10)
1.一种基于融合模型的智能化健康管理控制方法，其特征在于，包括：
获取多源异构传感信号及其特征值；
根据所述多源异构传感信号识别用于反映人体健康状态的特征状态向量集，所述特征状态向量集包括运动状态向量、情绪状态向量、睡眠状态向量和位置状态向量；
获取诊断/预测策略，根据所述诊断/预测策略模型融合、分析所述特征状态向量集，生成健康管理决策；
输出所述健康管理决策，为用户提供基于所述健康管理决策反馈干预训练机制。
2.如权利要求1所述的基于融合模型的智能化健康管理控制方法，其特征在于，所述方法还包括将所述多源异构传感特征信号和所述特征状态向量集存储至个人档案，所述个人档案对应于单个用户；
所述获取诊断/预测策略的步骤包括：
获取云端个性化健康管理数据；
根据所述个人档案和所述云端个性化健康管理数据生成诊断/预测策略。
3.如权利要求2所述的基于融合模型的智能化健康管理控制方法，其特征在于，所述根据所述诊断/预测策略融合分析所述特征状态向量集，生成健康管理决策的步骤包括：
根据所述个人档案计算所述用户的多源信息特征向量集；
根据所述诊断/预测策略融合分析所述多源信息特征向量集特征状态向量集，生成针对所述用户的健康管理和异常干预手段。
4.如权利要求1所述的基于融合模型的智能化健康管理控制方法，其特征在于，所述获取多源异构传感特征信号的步骤包括：
获取多源异构传感融合数据；
根据预设的数据处理算法提取所述多源异构传感融合数据的特征集，作为多源异构传感特征信号。
5.如权利要求4所述的基于融合模型的智能化健康管理控制方法，其特征在于，所述获取多源异构传感融合数据的步骤包括：
采集多源异构传感原始数据；
将所述多源异构传感原始数据归一化，生成多源同构融合数据。
6.一种基于融合模型的智能化健康管理系统，其特征在于，所述系统包括数据采集装置、健康管理服务器和交互终端；
所述数据采集装置用于采集多源异构传感原始数据；
所述健康管理服务器包括：
特征获取模块，用于从所述多源异构传感原始数据中获取多源异构传感特征信号；
状态向量识别模块，用于根据所述多源异构传感特征信号识别用于反映人体健康状态的特征状态向量集，所述特征状态向量集包括运动状态向量、情绪状态向量、睡眠状态向量和位置状态向量；
决策模块，用于获取诊断/预测策略，根据所述诊断/预测策略融合分析所述特征状态向量集，生成健康管理决策；
所述交互终端用于输出所述健康管理决策，为用户提供基于所述健康管理决策的反馈干预训练机制。
7.如权利要求6所述的基于融合模型的智能化健康管理系统，其特征在于，所述健康管理服务器还包括用于存储所述多源异构传感特征信号和所述特征状态向量集，所述个人档案对应于单个用户；
所述决策模块进一步包括：
个性化数据获取模块，用于获取云端个性化健康管理数据；
策略生成模块，用于根据所述个人档案和所述云端个性化健康管理数据生成诊断/预测策略；
决策融合模块，用于根据所述诊断/预测策略融合分析所述特征状态向量集，生成健康管理决策。
8.如权利要求7所述的基于融合模型的智能化健康管理系统，其特征在于，所述决策融合模块进一步包括：
慢性病样本模块，用于根据所述个人档案计算所述用户的多源信息特征向量集；
慢性病决策模块，用于根据所述诊断/预测策略融合分析所述多源信息和所述特征状态向量集，生成针对所述用户的健康管理和异常状态干预手段。
9.如权利要求6所述的基于融合模型的智能化健康管理系统，其特征在于，所述特征获取模块包括：
原始数据接收模块，用于接收所述数据采集装置采集的多源异构传感原始数据；
数据融合模块，用于将所述多源异构传感原始数据归一化，生成多源异构传感融合数据。
特征融合模块，用于根据预设的数据处理算法提取所述多源异构传感融合数据的特征集，作为多源异构传感特征信号。
10.一种基于融合模型的智能化健康管理服务器，其特征在于，所述服务器包括：
特征获取模块，用于获取多源异构传感特征信号；
状态向量识别模块，用于根据所述多源异构传感特征信号识别用于反映人体健康状态的特征状态向量集，所述特征状态向量集包括运动状态向量、情绪状态向量、睡眠状态向量和位置状态向量；
决策模块，用于获取诊断/预测策略，根据所述诊断/预测策略融合分析所述特征状态向量集，生成健康管理决策，并通过交互终端输出述健康管理决策，为用户提供基于所述健康管理决策的反馈干预训练机制。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610303848.0A CN105827731A (zh) | 2016-05-09 | 2016-05-09 | 基于融合模型的智能化健康管理服务器、系统及其控制方法 |
| PCT/CN2016/096213 WO2017193497A1 (zh) | 2016-05-09 | 2016-08-22 | 基于融合模型的智能化健康管理服务器、系统及其控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610303848.0A CN105827731A (zh) | 2016-05-09 | 2016-05-09 | 基于融合模型的智能化健康管理服务器、系统及其控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105827731A true CN105827731A (zh) | 2016-08-03 |
Family
ID=56529218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610303848.0A Pending CN105827731A (zh) | 2016-05-09 | 2016-05-09 | 基于融合模型的智能化健康管理服务器、系统及其控制方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN105827731A (zh) |
| WO (1) | WO2017193497A1 (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106557655A (zh) * | 2016-11-17 | 2017-04-05 | 包磊 | 一种基于用户状态的分析推荐方法和装置 |
| WO2017193497A1 (zh) * | 2016-05-09 | 2017-11-16 | 包磊 | 基于融合模型的智能化健康管理服务器、系统及其控制方法 |
| CN108389628A (zh) * | 2018-02-28 | 2018-08-10 | 张晶心 | 一种健康指标改善模型确定方法和装置 |
| CN109102890A (zh) * | 2018-08-07 | 2018-12-28 | 陈弼梅 | 分布式医疗检测服务平台、系统及其终端 |
| CN109215791A (zh) * | 2018-10-31 | 2019-01-15 | 深圳市儿童医院 | 基于多信息决策的健康管理方法、系统、设备及存储介质 |
| CN109711678A (zh) * | 2018-12-07 | 2019-05-03 | 江南机电设计研究所 | 一种基于机器学习的异构传感器智能任务规划方法 |
| CN110051191A (zh) * | 2019-04-11 | 2019-07-26 | 南京邮电大学 | 智能办公学习桌垫及其健康提醒方法 |
| CN110085317A (zh) * | 2018-01-26 | 2019-08-02 | 上海草家物联网科技有限公司 | 个人健康指导系统和指导方法以及智能餐具 |
| CN110364241A (zh) * | 2019-07-17 | 2019-10-22 | 孟李中 | 一种练养防治身心疾病并提供锻炼记录及数据反馈的系统 |
| CN110728606A (zh) * | 2019-09-04 | 2020-01-24 | 重庆特斯联智慧科技股份有限公司 | 一种基于目标跟踪的社区养老服务远程交互方法和系统 |
| CN110970114A (zh) * | 2019-11-13 | 2020-04-07 | 清华大学 | 中医健康导引系统 |
| CN111066090A (zh) * | 2017-06-30 | 2020-04-24 | 迈恩特公司 | 用于感测生物特征数据的方法及其用于确定用户情绪状态的应用 |
| CN111427909A (zh) * | 2020-01-17 | 2020-07-17 | 吾达软件（武汉）股份有限公司 | 一种基于人工智能的行为大数据与心理健康测试系统 |
| CN112712874A (zh) * | 2020-12-29 | 2021-04-27 | 北京浪潮数据技术有限公司 | 一种智能诊脉方法、装置及电子设备和存储介质 |
| CN113693572A (zh) * | 2021-07-21 | 2021-11-26 | 湖北智奥物联网科技有限公司 | 无创多维度动态健康管理系统及装置 |
| CN114081462A (zh) * | 2021-11-19 | 2022-02-25 | 齐齐哈尔大学 | 一种基于多维度生理信息的心脏健康监护系统 |
| CN115969330A (zh) * | 2023-03-20 | 2023-04-18 | 安徽星辰智跃科技有限责任公司 | 一种睡眠情绪活跃水平检测量化的方法、系统和装置 |
| CN117524489A (zh) * | 2024-01-08 | 2024-02-06 | 吉林大学 | 患者的健康监测管理系统及方法 |
| CN117894476A (zh) * | 2024-03-12 | 2024-04-16 | 西南医科大学附属医院 | 一种基于云数据的生殖健康管理系统 |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108932581A (zh) * | 2018-06-06 | 2018-12-04 | 深圳大学 | 多物理域信息融合的自主感知方法及系统 |
| CN109033279A (zh) * | 2018-06-28 | 2018-12-18 | 西安华云智联信息科技有限公司 | 一种数据处理方法及模块、计算平台及工业物联网 |
| CN111241032A (zh) * | 2020-01-08 | 2020-06-05 | 中国电子科技集团公司电子科学研究院 | 一种多源异构数据处理方法、装置和存储介质 |
| CN111310198B (zh) * | 2020-01-15 | 2022-08-16 | 华南理工大学 | 移动群体感知中异构数据隐私保护及可靠性判断方法 |
| CN112802500B (zh) * | 2020-12-31 | 2022-08-12 | 周凯 | 一种面向多源异构文旅大数据的分布式全息数据存储装置 |
| CN112914589B (zh) * | 2021-03-02 | 2023-04-18 | 钦州市第二人民医院 | 一种多导睡眠监测无线网帽装置及监测方法 |
| CN115054248B (zh) * | 2021-12-10 | 2023-10-20 | 荣耀终端有限公司 | 情绪监测方法和情绪监测装置 |
| CN114510367B (zh) * | 2022-01-11 | 2023-06-02 | 电子科技大学 | 一种安全智能的多源异构数据处理系统 |
| CN114785821A (zh) * | 2022-03-16 | 2022-07-22 | 陇东学院 | 一种基于Hadoop的城市物联网数据处理系统及其方法 |
| CN114818961B (zh) * | 2022-05-10 | 2024-04-02 | 西安交通大学 | 一种滚动轴承多模态信息多级融合监测方法及系统 |
| CN115101188A (zh) * | 2022-08-23 | 2022-09-23 | 苏州利博软件技术有限公司 | 一种生化分析仪预测性维护系统及辅助决策方法 |
| CN116092673B (zh) * | 2023-04-10 | 2023-06-16 | 华南理工大学 | 一种便携式多信息融合分析及干预评估系统及其方法 |
| CN116564561A (zh) * | 2023-05-11 | 2023-08-08 | 亿慧云智能科技（深圳）股份有限公司 | 基于生理与情感特征的智能语音看护系统及看护方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102087680A (zh) * | 2010-11-19 | 2011-06-08 | 陈博 | 创意性生命健康状态集成评价系统 |
| CN102715902A (zh) * | 2012-06-15 | 2012-10-10 | 天津大学 | 特殊人群的情绪监护方法 |
| CN103970271A (zh) * | 2014-04-04 | 2014-08-06 | 浙江大学 | 融合运动和生理传感数据的日常活动识别方法 |
| CN105069728A (zh) * | 2015-08-19 | 2015-11-18 | 南京邮电大学 | 一种基于无线传感网的情感推理方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103778312B (zh) * | 2012-10-24 | 2017-05-10 | 中兴通讯股份有限公司 | 远程家庭保健系统 |
| CN105827731A (zh) * | 2016-05-09 | 2016-08-03 | 包磊 | 基于融合模型的智能化健康管理服务器、系统及其控制方法 |
-
2016
- 2016-05-09 CN CN201610303848.0A patent/CN105827731A/zh active Pending
- 2016-08-22 WO PCT/CN2016/096213 patent/WO2017193497A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102087680A (zh) * | 2010-11-19 | 2011-06-08 | 陈博 | 创意性生命健康状态集成评价系统 |
| CN102715902A (zh) * | 2012-06-15 | 2012-10-10 | 天津大学 | 特殊人群的情绪监护方法 |
| CN103970271A (zh) * | 2014-04-04 | 2014-08-06 | 浙江大学 | 融合运动和生理传感数据的日常活动识别方法 |
| CN105069728A (zh) * | 2015-08-19 | 2015-11-18 | 南京邮电大学 | 一种基于无线传感网的情感推理方法 |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017193497A1 (zh) * | 2016-05-09 | 2017-11-16 | 包磊 | 基于融合模型的智能化健康管理服务器、系统及其控制方法 |
| CN106557655A (zh) * | 2016-11-17 | 2017-04-05 | 包磊 | 一种基于用户状态的分析推荐方法和装置 |
| CN111066090A (zh) * | 2017-06-30 | 2020-04-24 | 迈恩特公司 | 用于感测生物特征数据的方法及其用于确定用户情绪状态的应用 |
| CN110085317A (zh) * | 2018-01-26 | 2019-08-02 | 上海草家物联网科技有限公司 | 个人健康指导系统和指导方法以及智能餐具 |
| CN108389628A (zh) * | 2018-02-28 | 2018-08-10 | 张晶心 | 一种健康指标改善模型确定方法和装置 |
| CN109102890A (zh) * | 2018-08-07 | 2018-12-28 | 陈弼梅 | 分布式医疗检测服务平台、系统及其终端 |
| CN109102890B (zh) * | 2018-08-07 | 2021-11-26 | 福建医锦智能科技有限公司 | 分布式医疗检测服务平台、系统及其终端 |
| CN109215791A (zh) * | 2018-10-31 | 2019-01-15 | 深圳市儿童医院 | 基于多信息决策的健康管理方法、系统、设备及存储介质 |
| CN109711678A (zh) * | 2018-12-07 | 2019-05-03 | 江南机电设计研究所 | 一种基于机器学习的异构传感器智能任务规划方法 |
| CN109711678B (zh) * | 2018-12-07 | 2021-02-12 | 江南机电设计研究所 | 一种基于机器学习的异构传感器智能任务规划方法 |
| CN110051191A (zh) * | 2019-04-11 | 2019-07-26 | 南京邮电大学 | 智能办公学习桌垫及其健康提醒方法 |
| CN110051191B (zh) * | 2019-04-11 | 2021-02-26 | 南京邮电大学 | 智能办公学习桌垫及其健康提醒方法 |
| CN110364241A (zh) * | 2019-07-17 | 2019-10-22 | 孟李中 | 一种练养防治身心疾病并提供锻炼记录及数据反馈的系统 |
| CN110728606A (zh) * | 2019-09-04 | 2020-01-24 | 重庆特斯联智慧科技股份有限公司 | 一种基于目标跟踪的社区养老服务远程交互方法和系统 |
| CN110970114A (zh) * | 2019-11-13 | 2020-04-07 | 清华大学 | 中医健康导引系统 |
| CN111427909A (zh) * | 2020-01-17 | 2020-07-17 | 吾达软件（武汉）股份有限公司 | 一种基于人工智能的行为大数据与心理健康测试系统 |
| CN112712874A (zh) * | 2020-12-29 | 2021-04-27 | 北京浪潮数据技术有限公司 | 一种智能诊脉方法、装置及电子设备和存储介质 |
| CN113693572A (zh) * | 2021-07-21 | 2021-11-26 | 湖北智奥物联网科技有限公司 | 无创多维度动态健康管理系统及装置 |
| CN114081462A (zh) * | 2021-11-19 | 2022-02-25 | 齐齐哈尔大学 | 一种基于多维度生理信息的心脏健康监护系统 |
| CN114081462B (zh) * | 2021-11-19 | 2023-06-09 | 齐齐哈尔大学 | 一种基于多维度生理信息的心脏健康监护系统 |
| CN115969330A (zh) * | 2023-03-20 | 2023-04-18 | 安徽星辰智跃科技有限责任公司 | 一种睡眠情绪活跃水平检测量化的方法、系统和装置 |
| CN117524489A (zh) * | 2024-01-08 | 2024-02-06 | 吉林大学 | 患者的健康监测管理系统及方法 |
| CN117524489B (zh) * | 2024-01-08 | 2024-03-08 | 吉林大学 | 患者的健康监测管理系统及方法 |
| CN117894476A (zh) * | 2024-03-12 | 2024-04-16 | 西南医科大学附属医院 | 一种基于云数据的生殖健康管理系统 |
| CN117894476B (zh) * | 2024-03-12 | 2024-05-14 | 西南医科大学附属医院 | 一种基于云数据的生殖健康管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2017193497A1 (zh) | 2017-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105827731A (zh) | 基于融合模型的智能化健康管理服务器、系统及其控制方法 | |
| US11696714B2 (en) | System and method for brain modelling | |
| US7621871B2 (en) | Systems and methods for monitoring and evaluating individual performance | |
| US20150366518A1 (en) | Apparatuses, Methods, Processes, and Systems Related to Significant Detrimental Changes in Health Parameters and Activating Lifesaving Measures | |
| US10582862B1 (en) | Determination and monitoring of basal heart rate | |
| EP3783619A1 (en) | Human body health assessment method and system based on sleep big data | |
| CN109009017B (zh) | 一种智能健康监测系统及其数据处理方法 | |
| CN109887568A (zh) | 基于医嘱的健康管理系统 | |
| CN110415821B (zh) | 一种基于人体生理数据的健康知识推荐系统及其运行方法 | |
| CN109215791A (zh) | 基于多信息决策的健康管理方法、系统、设备及存储介质 | |
| KR101854812B1 (ko) | 시청각 콘텐츠와 생체신호 분석을 활용한 정신증상 평가 시스템 | |
| AU2018285950A1 (en) | Mental state indicator | |
| WO2019075522A1 (en) | RISK INDICATOR | |
| Massaro et al. | Decisional support system with artificial intelligence oriented on health prediction using a wearable device and big data | |
| Gan et al. | Human-computer interaction based interface design of intelligent health detection using PCANet and multi-sensor information fusion | |
| CN109770904A (zh) | 呼吸暂停的监测方法、装置、计算机设备和存储介质 | |
| Cabestany et al. | Artificial intelligence contribution to eHealth application | |
| WO2019075520A1 (en) | INDICATOR OF RESPIRATORY CONDITION | |
| KR20170129937A (ko) | 정신적 고통 모니터링 시스템 | |
| CN116570246A (zh) | 一种癫痫监测及远程报警系统 | |
| Kaimakamis et al. | Screening of patients with Obstructive Sleep Apnea Syndrome using C4. 5 algorithm based on non linear analysis of respiratory signals during sleep | |
| KR102556663B1 (ko) | 생체신호 모니터링 시스템 및 방법 | |
| Uribe et al. | Physiological signals fusion oriented to diagnosis-A review | |
| Kaur et al. | The interoperability of fog and IoT in healthcare domain: Architecture, application, and challenges | |
| Karthikeyan et al. | Machine learning technologies in IoT EEG‐based healthcare prediction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160803 |
|
| RJ01 | Rejection of invention patent application after publication |