CN105962906A - 一种体温测量方法及装置 - Google Patents
一种体温测量方法及装置 Download PDFInfo
- Publication number
- CN105962906A CN105962906A CN201610415281.6A CN201610415281A CN105962906A CN 105962906 A CN105962906 A CN 105962906A CN 201610415281 A CN201610415281 A CN 201610415281A CN 105962906 A CN105962906 A CN 105962906A
- Authority
- CN
- China
- Prior art keywords
- body temperature
- time series
- sampling
- history value
- neural network
- 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.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
- A61B5/015—By temperature mapping of body part
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measuring Temperature Or Quantity Of Heat (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种体温测量方法，包括：根据实时测量得到的人体温度来获取实际体温时间序列；根据所述实际体温时间序列，采用预先构建的自回归滑动平均模型，获得体温观测值时间序列；根据所述实际体温时间序列和所述体温观测值时间序列，采用预先构建的神经网络模型，预测预设时段后的人体温度。相应的，本发明还公开了一种体温测量装置。采用本发明实施例，能够提高体温测量的效率。
Description
技术领域
本发明涉及信号检测与处理技术领域，尤其涉及一种体温测量方法及装置。
背景技术
在医学领域中，常用的检测体温的方法是利用水银温度计进行测量，先将温度计插进病人体内，使温度计与人体接触的时间足够长，一般为四到八分钟以上，以保证体温检测的准确性，最后由专业人员对温度计进行读取。这种体温检测方法存在很多不足之处，测量时间较长，而且在测量的过程中要保证体温计与人体一直保持紧密接触状态，使得被测者要保持一种比较安稳的状态，对于一些特殊患者来说，显得十分不方便。此外，传统的水银温度计在读取方面也不太便利，很容易产生人为错误，而且测量的精度很多时候也无法满足临床上的需要。因此，电子体温计应运而生。但是，为了使温度传感器能够稳固固定，电子体温计的温度传感器外部包裹了一层导热材料，使得人体和温度传感器之间没有直接接触，而导热器件需要较长时间的缓慢升温，从而导致电子体温计对外界温度的测量时间较长，测量效率低下。
发明内容
本发明实施例提出一种体温测量方法及装置，能够提高体温测量的效率。
本发明实施例提供一种体温测量方法，包括：
根据实时测量得到的人体温度来获取实际体温时间序列；
根据所述实际体温时间序列，采用预先构建的自回归滑动平均模型，获得体温观测值时间序列；
根据所述实际体温时间序列和所述体温观测值时间序列，采用预先构建的神经网络模型，预测预设时段后的人体温度。
进一步地，所述根据所述实际体温时间序列和所述体温观测值时间序列，采用预先构建的神经网络模型，预测预设时段后的人体温度，具体包括：
计算所述实际体温时间序列与所述体温观测值时间序列在每一时刻的差值，获得体温残差值时间序列；
根据所述实际体温时间序列和所述体温残差值时间序列，采用预先构建的神经网络模型，预测预设时段后的人体温度。
进一步，在所述实时测量人体温度，获得实际体温时间序列之前，还包括：
对人体温度进行采样，获得体温采样数据；所述体温采样数据包括采样历史值时间序列；
根据所述采样历史值时间序列，构建所述自回归滑动平均模型；
根据所述采样历史值时间序列，采用所述自回归滑动平均模型，获得采样观测值时间序列；
根据所述采样历史值时间序列和所述采样观测值时间序列，构建所述神经网络模型。
进一步，所述根据所述采样历史值时间序列和所述采样观测值时间序列，构建所述神经网络模型，具体包括：
计算所述采样历史值时间序列与所述采样观测值时间序列在每一时刻的差值，获得采样残差值时间序列；
对所述采样历史值时间序列进行噪声处理；
对所述采样残差值时间序列和噪声处理后的采样历史值时间序列进行归一化处理；
根据归一化处理后的采样残差值时间序列和采样历史值时间序列，构建所述神经网络模型。
进一步，所述体温采样数据还包括所述采样历史值时间序列预设时段后的采样体温；
所述根据归一化处理后的采样残差值时间序列和采样历史值时间序列，构建所述神经网络模型，具体包括：
以所述归一化处理后的采样残差值时间序列和采样历史值时间序列作为输入数据，以所述预设时段后的采样体温作为输出数据，对神经网络进行训练，获得神经网络模型。
相应地，本发明实施例还提供一种体温测量装置，包括：
实际体温获取模块，用于根据实时测量得到的人体温度来获取实际体温时间序列；
观测值获取模块，用于根据所述实际体温时间序列，采用预先构建的自回归滑动平均模型，获得体温观测值时间序列；以及，
体温预测模块，用于根据所述实际体温时间序列和所述体温观测值时间序列，采用预先构建的神经网络模型，预测预设时段后的人体温度。
进一步，所述体温预测模块具体包括：
残差值计算单元，用于计算所述实际体温时间序列与所述体温观测值时间序列在每一时刻的差值，获得体温残差值时间序列；以及，
体温预测单元，用于根据所述实际体温时间序列和所述体温残差值时间序列，采用预先构建的神经网络模型，预测预设时段后的人体温度。
进一步，所述体温测量装置还包括：
采样模块，用于对人体温度进行采样，获得体温采样数据；所述体温采样数据包括采样历史值时间序列；
第一模型构建模块，用于根据所述采样历史值时间序列，构建所述自回归滑动平均模型；
采样观测值获取模块，用于根据所述采样历史值时间序列，采用所述自回归滑动平均模型，获得采样观测值时间序列；以及，
第二模型构建模块，用于根据所述采样历史值时间序列和所述采样观测值时间序列，构建所述神经网络模型。
进一步，所述第二模型构建模块具体包括：
采样残差值计算单元，用于计算所述采样历史值时间序列与所述采样观测值时间序列在每一时刻的差值，获得采样残差值时间序列；
噪声处理单元，用于对所述采样历史值时间序列进行噪声处理；
归一化处理单元，用于对所述采样残差值时间序列和噪声处理后的采样历史值时间序列进行归一化处理；以及，
神经网络模型构建单元，用于根据归一化处理后的采样残差值时间序列和采样历史值时间序列，构建所述神经网络模型。
进一步，所述体温采样数据还包括所述采样历史值时间序列预设时段后的采样体温；
所述神经网络模型构建单元具体用于以所述归一化处理后的采样残差值时间序列和采样历史值时间序列作为输入数据，以所述预设时段后的采样体温作为输出数据，对神经网络进行训练，获得神经网络模型。
实施本发明实施例，具有如下有益效果：
本发明实施例提供的体温测量方法及装置，能够根据测量获得的实际体温时间序列及其相应的体温观测值时间序列，采用神经网络模型，预测人体温度，实现体温的快速测量，大大节省测量时间，提高测量效率，而且，体温的快速测量能够使医护人员更加及时了解被测者的生理状况，以便对被测者采取更加准确有效的治疗手段。
附图说明
图1是本发明提供的体温测量方法的一个实施例的流程示意图；
图2是本发明提供的体温测量方法的一个实施例的体温预测曲线图；
图3是本发明提供的体温测量方法的另一个实施例的部分流程示意图；
图4是本发明提供的体温测量方法的一个实施例的体温采样数据曲线图；
图5是本发明提供的体温测量装置的一个实施例的结构示意图；
图6是本发明提供的体温测量装置的另一个实施例的部分结构示意图。
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。
参见图1，本发明提供的体温测量方法的一个实施例的流程示意图，包括：
S1、根据实时测量得到的人体温度来获取实际体温时间序列；
S2、根据所述实际体温时间序列，采用预先构建的自回归滑动平均模型，获得体温观测值时间序列；
S3、根据所述实际体温时间序列和所述体温观测值时间序列，采用预先构建的神经网络模型，预测预设时段后的人体温度。
需要说明的是，在体温测量过程中，每实时通过蓝牙电子体温计测量一次人体温度，则结合当前时刻的前N个时刻测量到的人体温度，构成实际体温时间序列，其中，N≥1。将实际体温时间序列中每个时刻所测的体温通过自回归滑动平均模型，即可获得相应时刻的体温观测值，从而构成体温观测值时间序列。根据实际体温时间序列和体温观测值时间序列作，通过神经网络模型，即可预测出预设时段后的人体温度。体温的预测实现体温的快速测量，大大节省测量时间，提高测量效率，免去被测者需要长时间保持相同状态的麻烦，为医护人员带来更多便利，而且，体温的快速测量能够作为个人或医护人员检测、诊断的基础，使医护人员更加及时了解被测者的生理状况，以便对被测者采取更加准确有效的治疗手段。
进一步地，所述根据所述实际体温时间序列和所述体温观测值时间序列，采用预先构建的神经网络模型，预测预设时段后的人体温度，具体包括：
计算所述实际体温时间序列与所述体温观测值时间序列在每一时刻的差值，获得体温残差值时间序列；
根据所述实际体温时间序列和所述体温残差值时间序列，采用预先构建的神经网络模型，预测预设时段后的人体温度。
需要说明的是，在获取体温观测值时间序列后，即可求取每一时刻实际体温与体温观测值之间的差值，构成体温残差值时间序列。以实际体温时间序列和体温残差值时间序列作为输入，通过神经网络模型，即可预测出预设时段后的人体温度，实现体温的快速测量，其体温预测曲线图如图2所示。采用神经网络模型对人体温度进行预测，极大提高预测值与实际值的逼近程度，而且神经网络模型具有较高的拟合精度，具有并行处理、高速度、高可靠性等明显优越性。
进一步，如图3所示，在所述实时测量人体温度，获得实际体温时间序列之前，还包括：
S01、对人体温度进行采样，获得体温采样数据；所述体温采样数据包括采样历史值时间序列；
S02、根据所述采样历史值时间序列，构建所述自回归滑动平均模型；
S03、根据所述采样历史值时间序列，采用所述自回归滑动平均模型，获得采样观测值时间序列；
S04、根据所述采样历史值时间序列和所述采样观测值时间序列，构建所述神经网络模型。
需要说明的是，在对体温进行测量前，需先构建自回归滑动平均模型和神经网络模型。在构建自回归滑动平均模型时，先通过蓝牙电子体温计对人体温度进行采样，每隔δt(s)获得一次体温采样数据，采样频率为F(Hz)，从而获得采样历史值时间序列，其变化趋势如图4所示。利用采样历史值时间序列，构建自回归模型AR(p)：其中，Byt＝yt-1，B为延迟算子，p为自回归模型的阶数，yt为时间序列中当前时刻的观测值，at为随机干扰。在自回归模型AR(p)中，当前时刻的观测值yt由p个历史时刻的观测值和一个当前时刻的随机干扰at来表示。然后，利用滑动平均法来优化自回归模型AR(p)，其中，滑动平均模型MA(q)为yt＝θ(B)·at，θ(B)＝1-θ1-...-θqBq，其中，q为滑动平均模型的阶数。在滑动平均模型MA(q)中，当前时刻的观测值yt由q个历史时刻的观测值和一个当前时刻的随机干扰at来表示。优化后，即可获得自回归滑动平均模型ARMA(p，q)：利用采样历史值时间序列，通过自回归滑动平均模型ARMA(p，q)，即可获得每一时刻的观测值，从而构成采样观测值时间序列。通过采样历史值时间序列和采样观测值时间序列对神经网络进行训练，即可构建可靠的神经网络模型以对人体温度进行预测。
进一步，所述根据所述采样历史值时间序列和所述采样观测值时间序列，构建所述神经网络模型，具体包括：
计算所述采样历史值时间序列与所述采样观测值时间序列在每一时刻的差值，获得采样残差值时间序列；
对所述采样历史值时间序列进行噪声处理；
对所述采样残差值时间序列和噪声处理后的采样历史值时间序列进行归一化处理；
根据归一化处理后的采样残差值时间序列和采样历史值时间序列，构建所述神经网络模型。
需要说明的是，在构建神经网络模型时，先选取模型的输入变量。选取自回归滑动平均模型ARMA(p，q)的最近的N个采样历史值和M个采样残差值，构成采样历史值时间序列和采样残差值时间序列。其中，N通常为100，可依照采样频率设定，M<N，p、q可取1，也可取其他值，满足性能要求即可。在选取输入变量后，对输入变量进行数据预处理。对采样历史值时间序列进行异常、噪声的处理，直接去除采样历史值时间序列中明显异常的数据。由于数据采集间隔较短，相邻的几组数据通常只有微小的变化，而数据采集过程中难免存在偶然干扰，从而导致数据出现跳变，因此对相邻几组数据进行平均化处理即可消除噪声干扰。在对采样历史值时间序列进行噪声处理后，对采样历史值时间序列和采样残差值时间序列进行归一化处理。其中，归一化公式为其中，X为输入变量，δ为零点偏移量，Xmin、Xmax分别为输入变量中的最小值和最大值。根据归一化处理后的数据即可构建所需的神经网络模型。
进一步，所述体温采样数据还包括所述采样历史值时间序列预设时段后的采样体温；
所述根据归一化处理后的采样残差值时间序列和采样历史值时间序列，构建所述神经网络模型，具体包括：
以所述归一化处理后的采样残差值时间序列和采样历史值时间序列作为输入数据，以所述预设时段后的采样体温作为输出数据，对神经网络进行训练，获得神经网络模型。
需要说明的是，从体温采样数据中选取采样历史值时间序列预设时段后的采样体温作为输出数据来训练神经网络，其中，预设时段一般为10分钟。在神经网络结构设计中，采用自适应法或其他方式来确定隐层数，一般取1即可满足要求，以收敛性能和收敛速度为目标采用试凑法确定隐层节点数为k个，采用试凑法确定学习速率为μ，一般选取在0.02～0.2之间。再采用Levenberg-Marquart算法(列文伯格-马夸尔特法算法)或共轭梯度学习算法等算法作为神经网络的学习算法，对神经网络进行训练。当神经网络满足误差要求时，即可将其作为可靠的神经网络模型。
本发明实施例提供的体温测量方法，能够根据测量获得的实际体温时间序列及其相应的体温观测值时间序列，采用神经网络模型，预测人体温度，实现体温的快速测量，大大节省测量时间，提高测量效率，而且，体温的快速测量能够使医护人员更加及时了解被测者的生理状况，以便对被测者采取更加准确有效的治疗手段。
相应的，本发明还提供一种体温测量装置，能够实现上述实施例中的体温测量方法的所有流程。
参见图5，是本发明提供的体温测量装置的一个实施例的结构示意图，包括：
实际体温获取模块1，用于根据实时测量得到的人体温度来获取实际体温时间序列；
观测值获取模块2，用于根据所述实际体温时间序列，采用预先构建的自回归滑动平均模型，获得体温观测值时间序列；以及，
体温预测模块3，用于根据所述实际体温时间序列和所述体温观测值时间序列，采用预先构建的神经网络模型，预测预设时段后的人体温度。
进一步，所述体温预测模块具体包括：
残差值计算单元，用于计算所述实际体温时间序列与所述体温观测值时间序列在每一时刻的差值，获得体温残差值时间序列；以及，
体温预测单元，用于根据所述实际体温时间序列和所述体温残差值时间序列，采用预先构建的神经网络模型，预测预设时段后的人体温度。
进一步，如图6所示，所述体温测量装置还包括：
采样模块01，用于对人体温度进行采样，获得体温采样数据；所述体温采样数据包括采样历史值时间序列；
第一模型构建模块02，用于根据所述采样历史值时间序列，构建所述自回归滑动平均模型；
采样观测值获取模块03，用于根据所述采样历史值时间序列，采用所述自回归滑动平均模型，获得采样观测值时间序列；以及，
第二模型构建模块04，用于根据所述采样历史值时间序列和所述采样观测值时间序列，构建所述神经网络模型。
进一步，所述第二模型构建模块具体包括：
采样残差值计算单元，用于计算所述采样历史值时间序列与所述采样观测值时间序列在每一时刻的差值，获得采样残差值时间序列；
噪声处理单元，用于对所述采样历史值时间序列进行噪声处理；
归一化处理单元，用于对所述采样残差值时间序列和噪声处理后的采样历史值时间序列进行归一化处理；以及，
神经网络模型构建单元，用于根据归一化处理后的采样残差值时间序列和采样历史值时间序列，构建所述神经网络模型。
进一步，所述体温采样数据还包括所述采样历史值时间序列预设时段后的采样体温；
所述神经网络模型构建单元具体用于以所述归一化处理后的采样残差值时间序列和采样历史值时间序列作为输入数据，以所述预设时段后的采样体温作为输出数据，对神经网络进行训练，获得神经网络模型。
本发明实施例提供的体温测量装置，能够根据测量获得的实际体温时间序列及其相应的体温观测值时间序列，采用神经网络模型，预测人体温度，实现体温的快速测量，大大节省测量时间，提高测量效率，而且，体温的快速测量能够使医护人员更加及时了解被测者的生理状况，以便对被测者采取更加准确有效的治疗手段。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种体温测量方法，其特征在于，包括：
根据实时测量得到的人体温度来获取实际体温时间序列；
根据所述实际体温时间序列，采用预先构建的自回归滑动平均模型，获得体温观测值时间序列；
根据所述实际体温时间序列和所述体温观测值时间序列，采用预先构建的神经网络模型，预测预设时段后的人体温度。
2.如权利要求1所述的体温测量方法，其特征在于，所述根据所述实际体温时间序列和所述体温观测值时间序列，采用预先构建的神经网络模型，预测预设时段后的人体温度，具体包括：
计算所述实际体温时间序列与所述体温观测值时间序列在每一时刻的差值，获得体温残差值时间序列；
根据所述实际体温时间序列和所述体温残差值时间序列，采用预先构建的神经网络模型，预测预设时段后的人体温度。
3.如权利要求1或2所述的体温测量方法，其特征在于，在所述实时测量人体温度，获得实际体温时间序列之前，还包括：
对人体温度进行采样，获得体温采样数据；所述体温采样数据包括采样历史值时间序列；
根据所述采样历史值时间序列，构建所述自回归滑动平均模型；
根据所述采样历史值时间序列，采用所述自回归滑动平均模型，获得采样观测值时间序列；
根据所述采样历史值时间序列和所述采样观测值时间序列，构建所述神经网络模型。
4.如权利要求3所述的体温测量方法，其特征在于，所述根据所述采样历史值时间序列和所述采样观测值时间序列，构建所述神经网络模型，具体包括：
计算所述采样历史值时间序列与所述采样观测值时间序列在每一时刻的差值，获得采样残差值时间序列；
对所述采样历史值时间序列进行噪声处理；
对所述采样残差值时间序列和噪声处理后的采样历史值时间序列进行归一化处理；
根据归一化处理后的采样残差值时间序列和采样历史值时间序列，构建所述神经网络模型。
5.如权利要求4所述的体温测量方法，其特征在于，所述体温采样数据还包括所述采样历史值时间序列预设时段后的采样体温；
所述根据归一化处理后的采样残差值时间序列和采样历史值时间序列，构建所述神经网络模型，具体包括：
以所述归一化处理后的采样残差值时间序列和采样历史值时间序列作为输入数据，以所述预设时段后的采样体温作为输出数据，对神经网络进行训练，获得神经网络模型。
6.一种体温测量装置，其特征在于，包括：
实际体温获取模块，用于根据实时测量得到的人体温度来获取实际体温时间序列；
观测值获取模块，用于根据所述实际体温时间序列，采用预先构建的自回归滑动平均模型，获得体温观测值时间序列；以及，
体温预测模块，用于根据所述实际体温时间序列和所述体温观测值时间序列，采用预先构建的神经网络模型，预测预设时段后的人体温度。
7.如权利要求6所述的体温测量装置，其特征在于，所述体温预测模块具体包括：
残差值计算单元，用于计算所述实际体温时间序列与所述体温观测值时间序列在每一时刻的差值，获得体温残差值时间序列；以及，
体温预测单元，用于根据所述实际体温时间序列和所述体温残差值时间序列，采用预先构建的神经网络模型，预测预设时段后的人体温度。
8.如权利要求6或7所述的体温测量装置，其特征在于，所述体温测量装置还包括：
采样模块，用于对人体温度进行采样，获得体温采样数据；所述体温采样数据包括采样历史值时间序列；
第一模型构建模块，用于根据所述采样历史值时间序列，构建所述自回归滑动平均模型；
采样观测值获取模块，用于根据所述采样历史值时间序列，采用所述自回归滑动平均模型，获得采样观测值时间序列；以及，
第二模型构建模块，用于根据所述采样历史值时间序列和所述采样观测值时间序列，构建所述神经网络模型。
9.如权利要求8所述的体温测量装置，其特征在于，所述第二模型构建模块具体包括：
采样残差值计算单元，用于计算所述采样历史值时间序列与所述采样观测值时间序列在每一时刻的差值，获得采样残差值时间序列；
噪声处理单元，用于对所述采样历史值时间序列进行噪声处理；
归一化处理单元，用于对所述采样残差值时间序列和噪声处理后的采样历史值时间序列进行归一化处理；以及，
神经网络模型构建单元，用于根据归一化处理后的采样残差值时间序列和采样历史值时间序列，构建所述神经网络模型。
10.如权利要求9所述的体温测量装置，其特征在于，所述体温采样数据还包括所述采样历史值时间序列预设时段后的采样体温；
所述神经网络模型构建单元具体用于以所述归一化处理后的采样残差值时间序列和采样历史值时间序列作为输入数据，以所述预设时段后的采样体温作为输出数据，对神经网络进行训练，获得神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610415281.6A CN105962906B (zh) | 2016-06-14 | 2016-06-14 | 一种体温测量方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610415281.6A CN105962906B (zh) | 2016-06-14 | 2016-06-14 | 一种体温测量方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105962906A true CN105962906A (zh) | 2016-09-28 |
| CN105962906B CN105962906B (zh) | 2019-05-24 |
Family
ID=57011679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610415281.6A Active CN105962906B (zh) | 2016-06-14 | 2016-06-14 | 一种体温测量方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105962906B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107887021A (zh) * | 2017-11-09 | 2018-04-06 | 杭州质子科技有限公司 | 一种人体腋下体温快速预测的方法 |
| CN108735297A (zh) * | 2018-05-25 | 2018-11-02 | 上海夏先机电科技发展有限公司 | 一种基础体温数据预测方法、系统及终端 |
| CN108871615A (zh) * | 2018-07-24 | 2018-11-23 | 杭州质子科技有限公司 | 一种基于长时间监测的人体腋下体温抗干扰处理方法 |
| CN108989889A (zh) * | 2018-08-09 | 2018-12-11 | 北京奇艺世纪科技有限公司 | 一种视频播放量预测方法、装置及电子设备 |
| CN109044302A (zh) * | 2018-07-03 | 2018-12-21 | 京东方科技集团股份有限公司 | 测量血压的装置、电子设备以及计算机可读存储介质 |
| CN109489859A (zh) * | 2018-09-25 | 2019-03-19 | 维灵（杭州）信息技术有限公司 | 一种用于电子体温设备显示温度的预测算法 |
| CN109738079A (zh) * | 2019-01-28 | 2019-05-10 | 成都启康医疗器械有限公司 | 一种多探头表面温度精准预测技术 |
| CN111053540A (zh) * | 2019-12-23 | 2020-04-24 | 浙江大学 | 一种基于机器学习的crrt上机病人体温校正系统 |
| CN111458030A (zh) * | 2020-03-11 | 2020-07-28 | 华瑞新智科技（北京）有限公司 | 一种红外人体测温的校准方法以及装置 |
| CN112071434A (zh) * | 2020-08-03 | 2020-12-11 | 北京邮电大学 | 一种异常体温序列检测新方法 |
| US10909835B1 (en) | 2020-08-14 | 2021-02-02 | Temperature Gate Ip Holdings Llc | Rapid thermal dynamic image capture devices |
| US11164441B2 (en) | 2017-06-12 | 2021-11-02 | Temperature Gate Ip Holdings Llc | Rapid thermal dynamic image capture devices with increased recognition and monitoring capacity |
| CN113782131A (zh) * | 2021-08-30 | 2021-12-10 | 中南大学湘雅二医院 | 用于临床护理的体温测量数据收集系统、设备、介质、终端 |
| CN114052669A (zh) * | 2020-08-05 | 2022-02-18 | 广东小天才科技有限公司 | 体温检测方法、耳挂式耳机、智能穿戴设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2050176A1 (en) * | 2006-08-11 | 2009-04-22 | Abb Research Ltd. | Parameter estimation for a thermal model of a power line |
| US20110016070A1 (en) * | 2009-07-14 | 2011-01-20 | Nikovski Daniel N | Method for Predicting Future Environmental Conditions |
| CN102360388A (zh) * | 2011-10-20 | 2012-02-22 | 苏州大学 | 基于支持向量回归的时间序列预测方法及系统 |
| CN105286812A (zh) * | 2015-12-02 | 2016-02-03 | 广东宝莱特医用科技股份有限公司 | 一种体温测量方法和装置 |
| CN105342579A (zh) * | 2015-12-02 | 2016-02-24 | 广东宝莱特医用科技股份有限公司 | 一种体温测量方法和装置 |
-
2016
- 2016-06-14 CN CN201610415281.6A patent/CN105962906B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2050176A1 (en) * | 2006-08-11 | 2009-04-22 | Abb Research Ltd. | Parameter estimation for a thermal model of a power line |
| US20110016070A1 (en) * | 2009-07-14 | 2011-01-20 | Nikovski Daniel N | Method for Predicting Future Environmental Conditions |
| CN102360388A (zh) * | 2011-10-20 | 2012-02-22 | 苏州大学 | 基于支持向量回归的时间序列预测方法及系统 |
| CN105286812A (zh) * | 2015-12-02 | 2016-02-03 | 广东宝莱特医用科技股份有限公司 | 一种体温测量方法和装置 |
| CN105342579A (zh) * | 2015-12-02 | 2016-02-24 | 广东宝莱特医用科技股份有限公司 | 一种体温测量方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| 杨中亮: "基于组合模型的桥梁监测数据分析研究", 《万方学位论文》 * |
| 杨德平 等: "《经济预测方法及MATLAB实现》", 31 March 2012 * |
| 赵卫东: "《智能商务（第3版）》", 31 January 2014 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11164441B2 (en) | 2017-06-12 | 2021-11-02 | Temperature Gate Ip Holdings Llc | Rapid thermal dynamic image capture devices with increased recognition and monitoring capacity |
| CN107887021A (zh) * | 2017-11-09 | 2018-04-06 | 杭州质子科技有限公司 | 一种人体腋下体温快速预测的方法 |
| CN108735297A (zh) * | 2018-05-25 | 2018-11-02 | 上海夏先机电科技发展有限公司 | 一种基础体温数据预测方法、系统及终端 |
| CN109044302A (zh) * | 2018-07-03 | 2018-12-21 | 京东方科技集团股份有限公司 | 测量血压的装置、电子设备以及计算机可读存储介质 |
| CN108871615A (zh) * | 2018-07-24 | 2018-11-23 | 杭州质子科技有限公司 | 一种基于长时间监测的人体腋下体温抗干扰处理方法 |
| CN108989889A (zh) * | 2018-08-09 | 2018-12-11 | 北京奇艺世纪科技有限公司 | 一种视频播放量预测方法、装置及电子设备 |
| CN108989889B (zh) * | 2018-08-09 | 2022-01-21 | 北京奇艺世纪科技有限公司 | 一种视频播放量预测方法、装置及电子设备 |
| CN109489859A (zh) * | 2018-09-25 | 2019-03-19 | 维灵（杭州）信息技术有限公司 | 一种用于电子体温设备显示温度的预测算法 |
| CN109738079B (zh) * | 2019-01-28 | 2022-02-08 | 四川汉尔医疗科技有限公司 | 一种多探头表面温度精准预测方法 |
| CN109738079A (zh) * | 2019-01-28 | 2019-05-10 | 成都启康医疗器械有限公司 | 一种多探头表面温度精准预测技术 |
| CN111053540A (zh) * | 2019-12-23 | 2020-04-24 | 浙江大学 | 一种基于机器学习的crrt上机病人体温校正系统 |
| CN111458030B (zh) * | 2020-03-11 | 2021-04-09 | 华瑞新智科技（北京）有限公司 | 一种红外人体测温的校准方法以及装置 |
| CN111458030A (zh) * | 2020-03-11 | 2020-07-28 | 华瑞新智科技（北京）有限公司 | 一种红外人体测温的校准方法以及装置 |
| CN112071434A (zh) * | 2020-08-03 | 2020-12-11 | 北京邮电大学 | 一种异常体温序列检测新方法 |
| CN112071434B (zh) * | 2020-08-03 | 2022-11-29 | 北京邮电大学 | 一种异常体温序列检测方法 |
| CN114052669A (zh) * | 2020-08-05 | 2022-02-18 | 广东小天才科技有限公司 | 体温检测方法、耳挂式耳机、智能穿戴设备和存储介质 |
| CN114052669B (zh) * | 2020-08-05 | 2024-04-12 | 广东小天才科技有限公司 | 体温检测方法、耳挂式耳机、智能穿戴设备和存储介质 |
| US10909835B1 (en) | 2020-08-14 | 2021-02-02 | Temperature Gate Ip Holdings Llc | Rapid thermal dynamic image capture devices |
| US11676473B2 (en) | 2020-08-14 | 2023-06-13 | Temperature Gate Ip Holdings Llc | Rapid thermal dynamic image capture devices |
| CN113782131A (zh) * | 2021-08-30 | 2021-12-10 | 中南大学湘雅二医院 | 用于临床护理的体温测量数据收集系统、设备、介质、终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105962906B (zh) | 2019-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105962906A (zh) | 一种体温测量方法及装置 | |
| Tan et al. | Non-invasive continuous blood pressure measurement based on mean impact value method, BP neural network, and genetic algorithm | |
| US10825569B2 (en) | Universal non-invasive blood glucose estimation method based on time series analysis | |
| Shimazaki et al. | Cuffless blood pressure estimation from only the waveform of photoplethysmography using CNN | |
| CN111354471B (zh) | 基于数据的传染病传播率及疫情评估方法 | |
| US10289652B2 (en) | Calibration method for the prospective calibration of measuring equipment | |
| CN103892818B (zh) | 一种无创中心动脉血压测量方法和设备 | |
| KR102098561B1 (ko) | 동맥압 파형을 이용한 심박출량 획득 방법 및 그 프로그램 | |
| WO2017127530A1 (en) | Wireless monitoring system | |
| US20140244278A1 (en) | Health management system and method of providing health information by using the system | |
| EP3295868B1 (en) | Blood pressure calculation method based on pulse reflected wave transit time, and blood pressure monitor | |
| US9684770B2 (en) | Performing measurement of a subject | |
| CN104921736A (zh) | 一种包含参数估计功能滤波模块的连续血糖监测设备 | |
| CN117310455B (zh) | 一种基于电信号的口腔扫描仪电路板故障检测方法 | |
| CN113539522A (zh) | 一种基于单路心冲击信号的连续血压监测方法 | |
| EP3586742A1 (en) | Methods for computing a real-time step length and speed of a running or walking individual | |
| JP2016506278A (ja) | 心臓血管スクリーニング診断及びモニタリングシステム並びに方法 | |
| CN107928636B (zh) | 一种具有温度补偿功能的脉诊仪 | |
| CN110276044A (zh) | 体温预测方法及采用该体温预测方法预测体温的体温计 | |
| CN107802255A (zh) | 一种基于代谢法的血糖数据处理方法及装置 | |
| Hanawa et al. | Basic study on non-contact measurement of human oral breathing by using far infra-red imaging | |
| CN112729585A (zh) | 一种体温计快速测温算法 | |
| Zhi-Hao et al. | Wireless network home health care system of social welfare institution | |
| KR102106907B1 (ko) | 피부상태 관리 시스템 및 방법 | |
| CN110840413A (zh) | 基于综合生理特征的测温方法、系统及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |