CN106446533A - 一种人体健康数据处理系统及其方法 - Google Patents
一种人体健康数据处理系统及其方法 Download PDFInfo
- Publication number
- CN106446533A CN106446533A CN201610819024.9A CN201610819024A CN106446533A CN 106446533 A CN106446533 A CN 106446533A CN 201610819024 A CN201610819024 A CN 201610819024A CN 106446533 A CN106446533 A CN 106446533A
- Authority
- CN
- China
- Prior art keywords
- data
- healthy
- health
- individual
- processing system
- 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
- 230000036541 health Effects 0.000 title claims abstract description 85
- 238000012545 processing Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000010276 construction Methods 0.000 claims abstract description 6
- 239000008280 blood Substances 0.000 claims description 19
- 210000004369 blood Anatomy 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 230000004069 differentiation Effects 0.000 claims description 16
- 208000024891 symptom Diseases 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 10
- 229910052760 oxygen Inorganic materials 0.000 claims description 10
- 239000001301 oxygen Substances 0.000 claims description 10
- 230000036772 blood pressure Effects 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000010365 information processing Effects 0.000 claims description 5
- 229940074869 marquis Drugs 0.000 claims description 5
- VBUNOIXRZNJNAD-UHFFFAOYSA-N ponazuril Chemical compound CC1=CC(N2C(N(C)C(=O)NC2=O)=O)=CC=C1OC1=CC=C(S(=O)(=O)C(F)(F)F)C=C1 VBUNOIXRZNJNAD-UHFFFAOYSA-N 0.000 claims description 5
- YJJZLQRYDADJRV-BTVCFUMJSA-N 7,9-dihydro-3h-purine-2,6,8-trione;(2r,3s,4r,5r)-2,3,4,5,6-pentahydroxyhexanal Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](O)C=O.N1C(=O)NC(=O)C2=C1NC(=O)N2 YJJZLQRYDADJRV-BTVCFUMJSA-N 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 18
- 201000010099 disease Diseases 0.000 abstract description 17
- 238000010801 machine learning Methods 0.000 abstract description 7
- 230000007935 neutral effect Effects 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000005548 health behavior Effects 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 abstract description 2
- 230000003090 exacerbative effect Effects 0.000 abstract 1
- 230000001737 promoting effect Effects 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 31
- 230000006870 function Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 8
- 208000032023 Signs and Symptoms Diseases 0.000 description 7
- 230000008506 pathogenesis Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000003748 differential diagnosis Methods 0.000 description 5
- 230000036760 body temperature Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008821 health effect Effects 0.000 description 4
- 239000003814 drug Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 210000000653 nervous system Anatomy 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 208000002173 dizziness Diseases 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000011580 syndromic disease Diseases 0.000 description 2
- 206010054196 Affect lability Diseases 0.000 description 1
- HJCMDXDYPOUFDY-WHFBIAKZSA-N Ala-Gln Chemical compound C[C@H](N)C(=O)N[C@H](C(O)=O)CCC(N)=O HJCMDXDYPOUFDY-WHFBIAKZSA-N 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 244000086443 Craterellus fallax Species 0.000 description 1
- 235000007926 Craterellus fallax Nutrition 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 241000045500 Diseae Species 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010020852 Hypertonia Diseases 0.000 description 1
- 244000283207 Indigofera tinctoria Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 206010040007 Sense of oppression Diseases 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004026 adhesive bonding Methods 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 108010044940 alanylglutamine Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 210000003811 finger Anatomy 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 210000004936 left thumb Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 206010027175 memory impairment Diseases 0.000 description 1
- 230000002175 menstrual effect Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 206010036067 polydipsia Diseases 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 210000004935 right thumb Anatomy 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000013220 shortness of breath Diseases 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Abstract
本发明公开了一种人体健康数据处理系统及其方法,包括:获取单元,用于通过APP应用获取个体的健康症状的体征数据;第一处理单元,用于对体征数据使用向量空间模型进行健康特征构建;第二处理单元,用于抽取特征,构造数据集,并体征检测数据的除噪和重构;计算单元,挖掘确定影响对应个体的健康影响因子;输出单元,生成对应个体健康分析结果和指导建议信息。本发明的优点是:通过数据自动检测和移动计算、信息抽取、关联挖掘、神经网络、机器学习等技术,从个体健康数据中确认个体健康状态和发展趋势,并持续跟踪和实时预警,分析健康影响因子,提升个体健康水平,未病先防,既病防变,指导个体采取最合适的健康行为,实现方便。
Description
技术领域
本发明涉及一种人体健康数据处理系统及其方法。
背景技术
随着人们生活水平的提高和健康意识的增强,更多的人会关注自身的健康。居民健康意识的提高引发了主动健康消费观念的增强,造成健康问题原因一般包括:第一,饮食不合理。当机体摄入热量过多或营养贫乏时,都可导致机体功能失调。过量吸烟、酗酒、睡眠不足、缺少运动、情绪低落、心理障碍以及大气污染、长期接触有毒物品,也可出现这种状态。第二,休息不足,特别是睡眠不足。起居无规律、作息不正常已经成为常见病因。对于青少年,由于影视、网络、游戏、跳舞、打牌、麻将等娱乐,以及备考开夜车等,常打乱生活规律;成人有时候也会因为娱乐(如打牌、麻将)、看护患者而影响到休息。第三,心理过度紧张,压力太大。特别是白领人士,身体运动不足,精力、体力透支。第四,长久的不良情绪影响。第五,过度疲劳造成的精力、体力透支。由于竞争的日趋激烈,人们用心、用脑过度,身体的主要器官长期处于入不敷出的非正常负荷状态。第六,人体的自老化。表现出体力不足、精力不支、社会适应能力降低。第七,现代疾病(心脑血管疾病、肿瘤等)的前期。在发病前,人体在相当长的时间内不会出现器质性病变,但在功能上已经发生了障碍,如胸闷气短、头晕目眩、失眠健忘等。第八,人体生物周期中的低潮时期。即使是健康人,也会在一个特定的时期内处于亚健康状态,例如女性在月经来潮前表现出的烦躁、不安、情绪不稳、易激动等。现有技术的显著缺点是:大多都局限在单项数据的检测和存储,即使有设备宣称可进行“综合检测”,但实际上大多只是不同检测设备的简单组合,不同检测数据和功能缺乏有机联结和整体分析,无法给个体健康带来个性化的有益健康指导和建议。
发明内容
有鉴于此,本发明的主要目的在于提供一种人体健康数据处理系统,其能够实现对人体健康数据进行完善化处理。
为达到上述目的,本发明的技术方案是这样实现的:一种人体健康数据处理系统,其特征在于,包括:获取单元,用于获取个体征检测数据,并且,通过APP应用获取个体的健康症状的体征数据;第一处理单元,用于对所述体征数据使用向量空间模型进行健康特征构建,使用预先通过卷积神经网络学习和训练确定的特征结构进行数据预处理,之后上传给云端数据和计算中心;第二处理单元,用于根据事先确定的中医辨证论治症状、证侯同义词库进行归类和异常处理,根据主诉词典和语法模式库,从中抽取特征,构造数据集,并体征检测数据的除噪和重构;计算单元,用于获取上述各类数据,输入通过卷积神经网络进行学习和训练所得到的模型进行数据计算,提取对应个体的健康分类、关联特征,挖掘确定影响对应个体的健康影响因子;输出单元,用于根据对应健康数据计算结果,基于训练完成的分类模型,自动生成对应个体健康分析结果和指导建议信息。
本发明的另一目的在于提供一种人体健康数据处理方法,其特征在于,包括:步骤一,获取单元获取个体征检测数据,并且,通过APP应用获取个体的健康症状的体征数据;步骤二,第一处理单元对所述体征数据使用向量空间模型进行健康特征构建,使用预先通过卷积神经网络学习和训练确定的特征结构进行数据预处理,之后上传给云端数据和计算中心;步骤三,第二处理单元根据事先确定的中医辨证论治症状、证侯同义词库进行归类和异常处理,根据主诉词典和语法模式库,从中抽取特征,构造数据集,并体征检测数据的除噪和重构;步骤四,计算单元获取上述各类数据,输入通过卷积神经网络进行学习和训练所得到的模型进行数据计算,提取对应个体的健康分类、关联特征,挖掘确定影响对应个体的健康影响因子;步骤五,输出单元根据对应健康数据计算结果,基于训练完成的分类模型,自动生成对应个体健康分析结果和指导建议信息。
本发明相对于现有技术具有以下突出的实质性特点和显著的进步:
结构简单,包括获取单元,第一处理单元,第二处理单元,计算单元和输出单元,通过数据自动检测和移动计算、信息抽取、关联挖掘、神经网络、机器学习等技术,从个体健康数据中确认个体健康状态和发展趋势,并持续跟踪和实时预警,分析健康影响因子,提升个体健康水平,未病先防,既病防变,指导个体采取最合适的健康行为,实现方便。
附图说明
图1为本发明的人体健康数据处理系统的原理示意图;
图2为实施例中央控制电路图;
图3为实施例血压检测电路图;
图4为实施例体温检测电路图;
图5为实施例血氧检测电路图;
图6为实施例血糖尿酸检测电路图;
图7为实施例心电检测电路图;
图8为实施例无线传输电路图;
图9为实施例充电电路图;
图10为实施例开关机电路图;
图11为本发明的人体健康数据处理方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
请参照图1,本发明的人体健康数据处理系统包括:获取单元301,用于获取个体征检测数据,并且,通过APP应用获取个体的健康症状的体征数据;第一处理单元302,用于对所述体征数据使用向量空间模型进行健康特征构建,使用预先通过卷积神经网络学习和训练确定的特征结构进行数据预处理,之后上传给云端数据和计算中心;第二处理单元303,用于根据事先确定的中医辨证论治症状、证侯同义词库进行归类和异常处理,根据主诉词典和语法模式库,从中抽取特征,构造数据集,并体征检测数据的除噪和重构;计算单元304,用于获取上述各类数据,输入通过卷积神经网络进行学习和训练所得到的模型进行数据计算,提取对应个体的健康分类、关联特征,挖掘确定影响对应个体的健康影响因子;输出单元305,用于根据对应健康数据计算结果,基于训练完成的分类模型,自动生成对应个体健康分析结果和指导建议信息。
作为具体实施例,用于获取个体征检测数据采用控制电路板,包括中央控制电路,所述中央控制电路连接血压检测电路,体温检测电路,血氧检测电路,血糖尿酸检测电路,心电检测电路,充电电路,开关机电路以及无线传输电路。
优选地,请参照图2,所述中央控制电路包括ATMEL工业级ARM Cortex-M0核芯片。性能稳定,功耗低,可在很宽的温度范围内稳定工作。工作时测试控制指令由PAD端健康应用软件端发出,通过蓝牙(未来支持多种传输方式)发送到主板蓝牙部分,CPU通过与蓝牙模块连接的串口接收指令并按预定的协议解晰指令意图,并按指令要求通过串口控制相应的模块进行测量工作。模块将测试数据通过串口发送到CPU,并由CPU按预定协议打包,通过蓝牙BLE模块上传到PAD,并由应用程序对数据进行分析和处理,上传到云端数据中心做深入挖掘。
优选地,请参照图3,所述血压检测电路包括:通过接口J2连接的外部血压检测模块,J2的1脚连接到U2第2脚,J2第2脚连接到U2第1脚。电源芯片U11,其1脚连接D4的正极,D4的负极连接电容C14和C15,电阻R12,U11的3脚连接电阻R16和R12。D4的正极还连接L1,L1与Q1和电容C17连接。操作方便,打开PAD电源与主板电源,系统进入健康应用软件操作界面。PAD蓝牙与主板蓝牙模块自动连接成功后,点击自已设定的用户名进入测试界面,选择血压测试。用户将血压测试袖带套在右臂上,注意两根输气管靠在右臂内侧,粘好袖带后选择开始测试,系统控制气泵开始打气,当气压达到预定值后开始缓慢放气,直到界面显示血压值和压差值,并给出测量分析结果。测试完成后,对检测数据进行实时分析,给出对应的健康指导建议。如果用户个体健康状态超出健康标准指标,软件通过短信、微信等方式给出实时预警,最大程度保障个体健康。
优选地,请参照图4,所述体温检测电路包括:U6,其1脚连接功率放大器U8的输出端,U8的正向输入端连接电阻R10,反向输入端连接电阻R13,U6的3脚连接电阻R9,5脚连接电容C18,3脚连接电阻R9和U219脚,4脚连接电阻R11和U216脚。操作方便,打开PAD电源和主板电源,系统进入健康应用软件和操作界面;PAD蓝牙与主板蓝牙模块自动连接成功后,点击自已设定的用户名进入测试界面,选择体温测试。用户将体温笔插入体温笔插孔,将体温笔头部的感温部分放在腋下夹住,选择开始测试,系统进入体温测试界面并实时显示体温数据,直到系统显示测试完成,并给出测量分析结果。测试完成后,对体温数据进行实时和连续性分析,给出对应的健康指导建议。如果用户个体健康状态超出健康标准指标,软件通过短信、微信等方式给出实时预警,最大程度保障个体健康。
优选地,请参照图5,所述血氧检测电路包括:血氧模块J8,J8第1脚与J15的第6脚相连,J8第2脚与J15的第5脚相连,J8第5脚与J15第4脚相连,J8第6脚与J15第3脚相连,J8第11脚连接到U2第32脚,电源芯片U14,其4脚连接电容C27,5脚连接电容C25,3脚连接电阻R23,1脚连接电容C26。操作方便,打开PAD电源和主板电源,系统进入健康应用软件操作界面。PAD蓝牙与主板蓝牙模块连接成功后,点击自已设定的用户名进入测试界面,选择血氧测试。系统进入血氧测试界面,选择开始测试,用户安静坐在设备前,将右手实指放入血氧槽合适位置,界面显示实时血氧值和脉率值,直到系统提示测试完成,并给出测试指标结果。测试完成后,对检测数据进行实时分析,给出对应的健康指导建议。如果用户个体健康状态超出健康标准指标,软件通过短信、微信等方式给出实时预警,最大程度保障个体健康。
优选地,请参照图6,所述血糖尿酸检测电路包括:U18,其6脚连接电容C38与电阻R40,13脚与14脚连接电容C39和U19,U19的4脚连接电容C41,U19的第1脚连接电容C40,U17的第3脚连接电阻R41。操作方便,打开PAD电源和主板电源,系统进入健康应用软件操作界面,PAD蓝牙与主板蓝牙模块自动连接成功后,点击自已设定的用户名进入测试界面,选择血糠测试。输入试条验证码,选择开始测试,按系统提示插入试条,系统提示滴血,用采血针刺破手指指尖后用手轻轻挤压,将血液滴在试条滴血处,系统显示倒计时,5秒后显示血糠值,并给出测量分析结果。测试完成后,对检测数据进行实时分析,给出对应的健康指导建议。如果用户个体健康状态超出健康标准指标,软件通过短信、微信等方式给出实时预警,最大程度保障个体健康。
优选地,请参照图7,所述心电检测电路包括:U20,其8脚连接电阻R30与电容C30,5脚连接电容C32与U17,U17的4脚连接电容C37,U17的第1脚连接电容C33,U17的第3脚连接电阻R35。操作方便,打开PAD电源和主板电源,系统进入健康应用软件操作界面,PAD蓝牙与主板蓝牙模块牙自动连接成功后,点击自已设定的用户名进入测试界面,选择心电测试。点击开始测试,系统进入心电测试界面,用户安静坐在设备前,将左右大拇指自然的放在电极片上,界面显示客户心电实时波形和心率值,直到系统提示测试完成,并给出测试指标结果。测试完成后,对检测数据进行实时分析,给出对应的健康指导建议。如果用户个体健康状态超出健康标准指标,软件通过短信、微信等方式给出实时预警,最大程度保障个体健康。
优选地,请参照图8,所述无线传输电路包括:蓝牙芯片U1,12脚连接电容C7与U5,U5的4脚连接电容C8,U5的1脚连接电容C6,U5的3脚连接电容R8。上位机(PAD)与下位机(主机)结构,上位机负责指令下发,数据分析处理、显示,下位机负责数据采集、数据干扰处理、数据传输、状态报告。上下位机之间用蓝牙无线连接方式交换数据。用户只需在健康应用软件上选中特定检测功能,并按提示要求操作即可完成,简单易学,每次操作只测试一项指标,界面直观清晰有序。
优选地,请参照图9,所述充电电路包括:U16,其2脚连接L2,L2连接R31,7脚连接电容C35与C36,1脚连接发光二极管LED3的负极,LED3的正极连接电阻R33,5脚接电容C34,3脚接电容C29和二极管D5,此电路稳定可靠,简单耐用。
优选地,请参照图10,所述开机电路还包括三极管Q5与Q6,Q5的基极连接电阻R45与R46,Q6的基极连接电阻R47与R48,Q5的集电极与Q6的集电极连接Q3,所述Q3连接Q4。正常使用时当开机按键按下时Q6导通,因此Q3导通,电池通过Q3与Q4后给系统供电,同时程序通过控制Q5导通完成按键开机自锁,确保系统正常开机。当关机键按下时系统判断输入电平变化,并释放自锁电平为低电平,Q3断开,切断系统电源完成关机。
检测设备持续收集个体的健康数据,同时也运用中医辨证论治体系,通过移动终端软件进行个体中医特征数据的收集,例如个体舌象、个体症状输入能。通过后台云计算和数据中心,将个体数据通过卷积神经网络进行交叉计算和分析,准确对个体健康状况做出现状评估、健康走势预测,给个体以真正个性化的健康指导建议。
辨证论治是在中医理论指导下,对“望、闻、问、切”四诊收集到的病情资料进行辨别、分析、综合,判断其证候类型的思维过程,即确定现阶段属于何证的思维加工过程。它是将患者周围环境、体质强弱与疾病规律综合考虑的一种诊断方法,具有整体、动态和个体的特色,而这也是本发明计算处理的一个重要基石。
本发明辨病与辨证相结合的主要形式以中医辨病与辨证分型相结合、西医辨病与辨证相结合为主线。中医学术的发展当前突破了辨证论治的局限,从“症状、病”着手,即在明确疾病病理变化(病性)的基础上,结合辨病位而确定疾病病种及分类,建立“辨病论治为基础,辨证论治为主导”的辨治体系,中医学的辨证论治体系是在中医病的基础上所进行的辨证而论治,先辨病后辨证论治是辨证论治体系之精位。与此同时,本发明对20多项体征数据(例如血糖、血氧、体脂、心电、体温、血压等)进行多维度、多时序的综合分析。同中医的辨证论治交叉检验、处理,互为补充,极大程度提升了分析结构的准确、科学和有效性。
请参照图2,本发明的人体健康数据处理方法,包括:步骤S301,获取单元获取个体征检测数据,并且,通过APP应用获取个体的健康症状的体征数据;步骤S302,第一处理单元对所述体征数据使用向量空间模型进行健康特征构建,使用预先通过卷积神经网络学习和训练确定的特征结构进行数据预处理,之后上传给云端数据和计算中心;步骤S303,第二处理单元根据事先确定的中医辨证论治症状、证侯同义词库进行归类和异常处理,根据主诉词典和语法模式库,从中抽取特征,构造数据集,并体征检测数据的除噪和重构;步骤S304,计算单元获取上述各类数据,输入通过卷积神经网络进行学习和训练所得到的模型进行数据计算,提取对应个体的健康分类、关联特征,挖掘确定影响对应个体的健康影响因子;步骤S305,输出单元根据对应健康数据计算结果,基于训练完成的分类模型,自动生成对应个体健康分析结果和指导建议信息。
采用卷积核函数输出为
关键点为卷积尺寸和参数的设定。假设我们有一个固定的训练数据集{(x(1),y(1)),...,(x(m),y(m))},其中x(i)是第i个样本,y(i)是第i个样本的标签。网络学习的目的是实现了一个映射y=hw,b(x)。网络的第一个隐含层为第一层,层数用1表示。第1层的节点个数为si,隐含层和输出层节点的激活函数为f(x)。这里使用一个样本为例来说明BP算法。
对一个输入样本(x,y),其误差(损失函数)计算为:
其中hw,b(x)的计算便是神经网络中前向传播的过程。既从输入层开始,计算每层的输入和和输出:
zl=Wlal-1+bl
al=f(zl)
其中每层的输入zl是前一层的输出al-1与权值的点乘。输出是输入的非线牲映射。第一层的输出就是输入数据x。最后一层的输出便是hw,b(x)。可以看到J(W,b;x,y)可以表示为权值的函数,而且这个函数是连续可导的,可以通过更新权值,使得输出结果更接近目标值。权值更新的方法便是计算权值的梯度,然后将权值在负梯度方向更新:
其中α是步长,代表权值在负梯度方向走多远。在梯度后向传播中传播的误差项可以看作函数相对于基的灵敏度,也就是损失函数相对于每层输入的导数。
误差项从后往前传播的公式如下:
δi=(Wi+1)Tδi+1οf′(zl)
其中ο代表元素相乘。输出层的误差项方式如下:
δL=f′(zL)ο(hW,b(x)-y)
在得到每层的后,梯度计算如下:
以上便是神经网络后向传播的过程。
深度学习是神经网络、人工智能、图形化建模、优化、模式识别、信号处理等研究的交叉领域。深度学习是机器学习的子领域,是试图通过一系列多层的非线性的变换对数据进行抽象的算法。
深度学习是基于表征学习的多层次的机器学习算法。一个观测值(例如,个体舌象、病症分类)可以通过多种方式来表示,如再舌象分析中,可以用强度值矩阵表示像素,表征学习的目标是寻求更好的表示方法并建立更好的模型来学习这些表示方法。
本发明利用深度学习算法,模拟具有丰富层次结构的脑神经系统,建立了类似于人脑的分层模型结构,对输入的健康特征数据逐级提取,形成更加抽象的高层表示(例如基于中医辨证论治体系的证型属性类别、特征),利用多层非线性信息处理来实现有监督或者无监督的特征提取和转换、模式分析和分类,用来分析和提取如舌象、主诉数据、个体健康特征数据。
本发明中算法涉及的各种高层次的描述信息中,主要有两个关键方面:(1)模型由多层次或阶段的非线性信息处理组成;(2)特征表示的有监督或无监督学习的结合,随着层数的提高,而更加抽象。深度学习使用了分层抽象的思想,高层的概念通过低层的概念学习得到。这一分层结构通常使用贪婪逐层训练算法构建而成,并从中选取有助于机器学习的有效特征。
在个体健康数据关联和分类挖掘中,考虑到个体健康实际状况的复杂度,也利用了无监督学习,能被应用于其他算法无法企及的无标签数据,例如复杂、分散的不规则健康个体主诉表达数据。这一类数据比有标签的数据更为丰富,这一点也是深度学习的重要优势。
深度学习算法可以使用个体健康分析的几个其他原因是,首先,芯片的处理能力大幅提高了,例如,通用图形处理单元(或称GPGPU)的出现;其次,硬件计算的成本显著降低;第三,机器学习和信号/信息处理研究的进步。这些进步使得深度学习方法可以有效地利用复杂的、集成的非线性函数,来学习分布式和分层的特征表示,并有效利用有标签和无标签的数据的。
大多数传统的机器学习和信号处理技术,都是利用浅层结构的架构。例如高斯混合模型(GMMs)、线性或非线性动力系统、条件随机场(CRFs)、最大熵(Max Ent)模型、支持向量机(SVMs)、Logistic回归、核回归、多层感知机(MLPs)等等都是浅层结构。这些结构通常包含一层或两层的非线性特征变换,可以看成是具有一层隐含层或者没有隐含层的结构。浅层结构在解决一些简单的或者受限的问题中显示出了有效性,但由于其有限的建模和表征能力,在处理更为复杂的实际的应用时非常困难。
为此,本发明使用深度网络,含有多个隐含层结构。通过引入深度网络,我们可以通过学习一种深层的非线性网络,来实现复杂函数的逼近,从而计算更为复杂的输入特征。由于每一个隐含层可以对上一层的输出进行非线性变换,因此深度网络拥有比浅层网络更为优异的表达能力,例如可以通过学习得到更为复杂的函数关系,并且表现出了从少数样本中学习数据的本质特征的能力。深度网络最主要的优点在于,它能用更加简单的方式来表示比传统浅层网络大得多的函数集合,而多层的优势是可以利用较少的参数来表示复杂的函数关系。当处理对象是舌象图片时,通过使用深度网络可以学习到“部分-整体”的分解关系。例如,第一层可以学习如何将图像中的像素组合在一起来检测边缘,第二层可以将边缘组合起来检测更长的轮廓或者简单的“目标部件”。在更深的层次上,可以将这些轮廓进一步组合起来以检测更为复杂的特征。
个体健康数据实际上庞大而复杂,数据间的很多生层次的关联和交互作用,靠人工方式是很难甚至是无法发现的。此外,人类的神经网络系统相对于目前的计算机来说仍有诸多优势,人工神经网络模型受到动物神经网络的启发,虽然比动物的神经系统简单很多,但也具有生物神经系统的一些特点。目前人工神经网络在模式识别,分类,图像,语音处理等领域应用广泛,已经成为重要的信息处理模型。
本算法采用卷积神经网络进行健康模型的学习和训练。卷积神经网(CNN)的基本结构包括两种特殊的神经元层,其一为卷积层,每个神经元的输入与前一层的局部相连,并提取该局部的特征;其二是池化层,用来求局部敏感性与二次特征提取的计算层。这种两次特征提取结构减小了特征分辨率,减少了需要优化的参数数目。对于健康数据分析和挖据而言,关键是要综合考虑各类健康数据特性,构造出最合适、有效的函数模型。
卷积神经网络可以用来识别位移、缩放及其他形式扭曲不变性的二维或三维图像。卷积神经网(CNN)的特征提取层参数是通过训练数据学习得到的,所以其避免了人工特征抽取,而是从训练数据中进行学习;其次同一特征图的神经元共享权值,减少了网络参数,这也是卷积网络相对于全连接网络的一大优势。共享局部权值这一特殊结构更接近于真实的生物神经网络使卷积神经网络在图像处理、语音识别领域有着独特的优越性,另一方面权值共享同时降低了网络的复杂性,且多维输入信号语音、图像可以直接输入网络的特点避免了特征提取和分类过程中数据重排的过程。
本发明基于健康数据的固有特性、舌象数据的同质异构特性和病历主诉的文本自然分布特性,在进行神经网络卷积运算时,对于卷积核的构造了独特构造,采用了多层分布,有效构造特征层和池化层时。例如大分辨率舌象处理选取n*n的小块作为样本,并且从该样本中学习到了一些特征,这时我们可以把从这个n*n样本中学习到的特征探测器应用到这个图像的其他部分,并有多达256~512个特征提取。
以舌象图像分析为例,图像具有的“静态性”的属性,这意味着在一个图像区域有用的特征极有可能在另一个区域同样适用。因此,为了描述大分辨率的图像,可以对不同位置的特征进行统计,例如可以计算图像一个区域上的特定特征卷积核卷积后的平均值(或最大值)。这些计算后的统计特征具有低得多的维度,同时也提高了模型的泛化能力(不容易过拟合)。从中医分析看,舌象结构有独特的结构特征,对于池化模型的选取,本发明也是基于结构特征同个体健康的特性关联和分布,在不同特征层处理阶段和层次,构造了独特的池化模型,保障了识别和分析的有效。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.一种人体健康数据处理系统,其特征在于,包括:
获取单元,用于获取个体征检测数据,并且,通过APP应用获取个体的健康症状的体征数据;
第一处理单元,用于对所述体征数据使用向量空间模型进行健康特征构建,使用预先通过卷积神经网络学习和训练确定的特征结构进行数据预处理,之后上传给云端数据和计算中心;
第二处理单元,用于根据事先确定的中医辨证论治症状、证侯同义词库进行归类和异常处理,根据主诉词典和语法模式库,从中抽取特征,构造数据集,并体征检测数据的除噪和重构;
计算单元,用于获取上述各类数据,输入通过卷积神经网络进行学习和训练所得到的模型进行数据计算,提取对应个体的健康分类、关联特征,挖掘确定影响对应个体的健康影响因子;
输出单元,用于根据对应健康数据计算结果,基于训练完成的分类模型,自动生成对应个体健康分析结果和指导建议信息。
2.如权利要求1所述的人体健康数据处理系统,其特征在于,所述卷积神经网络学习和训练确定的特征结构为构造卷积核函数与池化模型。
3.如权利要求2所述的人体健康数据处理系统,其特征在于,所述卷积核函数输出为
关键点为卷积尺寸和参数的设定。
4.如权利要求3所述的人体健康数据处理系统,其特征在于,所述池化模型为:由多层次或阶段的非线性信息处理组成。
5.如权利要求1所述的人体健康数据处理系统,其特征在于,所述获取单元包括壳体,在壳体内设有中央控制电路,所述中央控制电路连接血压检测电路,体温检测电路,血氧检测电路,血糖尿酸检测电路,心电检测电路,充电电路,开关机电路以及无线传输电路。
6.一种人体健康数据处理方法,其特征在于,包括:
步骤一,获取单元获取个体征检测数据,并且,通过APP应用获取个体的健康症状的体征数据;
步骤二,第一处理单元对所述体征数据使用向量空间模型进行健康特征构建,使用预先通过卷积神经网络学习和训练确定的特征结构进行数据预处理,之后上传给云端数据和计算中心;
步骤三,第二处理单元根据事先确定的中医辨证论治症状、证侯同义词库进行归类和异常处理,根据主诉词典和语法模式库,从中抽取特征,构造数据集,并体征检测数据的除噪和重构;
步骤四,计算单元获取上述各类数据,输入通过卷积神经网络进行学习和训练所得到的模型进行数据计算,提取对应个体的健康分类、关联特征,挖掘确定影响对应个体的健康影响因子;
步骤五,输出单元根据对应健康数据计算结果,基于训练完成的分类模型,自动生成对应个体健康分析结果和指导建议信息。
7.如权利要求6所述人体健康数据处理方法,其特征在于,所述体征数据包括:个体的健康症状输入数据、舌象、面象图片。
8.如权利要求6所述人体健康数据处理方法,其特征在于,所述卷积神经网络学习和训练确定的特征结构为构造卷积核函数与池化模型。
9.如权利要求8所述人体健康数据处理方法,其特征在于,所述构造卷积核函数为使每个神经元的输入与前一层的局部相连,并提取该局部的特征。
10.如权利要求9所述人体健康数据处理方法,其特征在于,所述池化模型为求健康特征数据局部敏感性与二次特征提取的计算层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610819024.9A CN106446533B (zh) | 2016-09-12 | 2016-09-12 | 一种人体健康数据处理系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610819024.9A CN106446533B (zh) | 2016-09-12 | 2016-09-12 | 一种人体健康数据处理系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106446533A true CN106446533A (zh) | 2017-02-22 |
CN106446533B CN106446533B (zh) | 2023-12-19 |
Family
ID=58168803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610819024.9A Active CN106446533B (zh) | 2016-09-12 | 2016-09-12 | 一种人体健康数据处理系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106446533B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145744A (zh) * | 2017-05-08 | 2017-09-08 | 合肥工业大学 | 医学知识图谱的构建方法、装置及辅助诊断方法 |
CN108389623A (zh) * | 2018-01-30 | 2018-08-10 | 重庆云日创心教育科技有限公司 | 基于历史发布图片的心理健康测评方法及测评系统 |
CN109009013A (zh) * | 2018-06-25 | 2018-12-18 | 彭礼烨 | 智能手环 |
CN109448855A (zh) * | 2018-09-17 | 2019-03-08 | 大连大学 | 一种基于cnn和模型融合的糖尿病血糖预测方法 |
CN109994175A (zh) * | 2019-01-09 | 2019-07-09 | 上海正太网络科技有限公司 | 基于人工智能的健康检测方法及系统 |
CN110033858A (zh) * | 2018-12-28 | 2019-07-19 | 深圳铁盒子文化科技发展有限公司 | 一种舌象分析方法及其存储介质 |
CN110277164A (zh) * | 2018-03-14 | 2019-09-24 | 深圳欧德蒙科技有限公司 | 症状和体征的量化方法、系统及终端 |
CN110403611A (zh) * | 2018-04-28 | 2019-11-05 | 张世平 | 血液成分值预测方法、装置、计算机设备和存储介质 |
CN110869859A (zh) * | 2017-07-04 | 2020-03-06 | 西门子股份公司 | 用于确定机床主轴状态的装置和方法 |
CN110897626A (zh) * | 2018-09-14 | 2020-03-24 | 杭州脉流科技有限公司 | 基于深度神经网络的心电图分析方法、装置、计算机设备和系统 |
CN111194468A (zh) * | 2017-10-06 | 2020-05-22 | 阿利弗克公司 | 利用移动装置持续监测用户健康 |
CN111728600A (zh) * | 2020-06-29 | 2020-10-02 | 北京凤凰医联科技有限公司 | 血压血糖监测系统 |
CN112233797A (zh) * | 2020-10-21 | 2021-01-15 | 何泽仪 | 一种健康管理方法、装置以及计算机可读存储介质 |
CN112735561A (zh) * | 2021-01-07 | 2021-04-30 | 深圳市罗湖医院集团 | 一种用于肥胖患者恢复健康的管理方法、设备及可读介质 |
CN113539486A (zh) * | 2021-09-15 | 2021-10-22 | 成都中医药大学 | 一种基于中医面舌象动态变化的健康状态辨识系统 |
CN114999649A (zh) * | 2022-06-06 | 2022-09-02 | 广州培生智能科技有限公司 | 一种基于深度学习的老人体征数据监控预警方法和系统 |
CN115860537A (zh) * | 2022-11-30 | 2023-03-28 | 杭州光海科技有限公司 | 一种基于校园卡体质测试系统及方法 |
CN116092701A (zh) * | 2023-03-07 | 2023-05-09 | 南京康尔健医疗科技有限公司 | 基于健康数据分析管理平台的控制系统及其方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030233250A1 (en) * | 2002-02-19 | 2003-12-18 | David Joffe | Systems and methods for managing biological data and providing data interpretation tools |
US20080171916A1 (en) * | 2005-05-20 | 2008-07-17 | Carlos Feder | Practical computer program that diagnoses diseases in actual patients |
US20100280350A1 (en) * | 2009-05-02 | 2010-11-04 | Xinyu Zhang | Chinese medicine tele-diagnostics and triage system |
US20110004110A1 (en) * | 2000-05-30 | 2011-01-06 | Vladimir Shusterman | Personalized Monitoring and Healthcare Information Management Using Physiological Basis Functions |
CN102841972A (zh) * | 2011-06-23 | 2012-12-26 | 张家港凯纳信息技术有限公司 | 亚健康人群信息采集分析系统 |
US20160034809A1 (en) * | 2014-06-10 | 2016-02-04 | Sightline Innovation Inc. | System and method for network based application development and implementation |
CN105894088A (zh) * | 2016-03-25 | 2016-08-24 | 苏州赫博特医疗信息科技有限公司 | 基于深度学习及分布式语义特征医学信息抽取系统及方法 |
CN206414265U (zh) * | 2016-09-12 | 2017-08-18 | 北京和信康科技有限公司 | 一种多功能检测仪 |
-
2016
- 2016-09-12 CN CN201610819024.9A patent/CN106446533B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110004110A1 (en) * | 2000-05-30 | 2011-01-06 | Vladimir Shusterman | Personalized Monitoring and Healthcare Information Management Using Physiological Basis Functions |
US20030233250A1 (en) * | 2002-02-19 | 2003-12-18 | David Joffe | Systems and methods for managing biological data and providing data interpretation tools |
US20080171916A1 (en) * | 2005-05-20 | 2008-07-17 | Carlos Feder | Practical computer program that diagnoses diseases in actual patients |
US20100280350A1 (en) * | 2009-05-02 | 2010-11-04 | Xinyu Zhang | Chinese medicine tele-diagnostics and triage system |
CN102841972A (zh) * | 2011-06-23 | 2012-12-26 | 张家港凯纳信息技术有限公司 | 亚健康人群信息采集分析系统 |
US20160034809A1 (en) * | 2014-06-10 | 2016-02-04 | Sightline Innovation Inc. | System and method for network based application development and implementation |
CN105894088A (zh) * | 2016-03-25 | 2016-08-24 | 苏州赫博特医疗信息科技有限公司 | 基于深度学习及分布式语义特征医学信息抽取系统及方法 |
CN206414265U (zh) * | 2016-09-12 | 2017-08-18 | 北京和信康科技有限公司 | 一种多功能检测仪 |
Non-Patent Citations (3)
Title |
---|
MICHAEL J. MCGRATH等: "Body-Worn, Ambient, and Consumer Sensing for Health Applications", 《SENSOR TECHNOLOGIES》 * |
曹妮;范梦颖;丁煊;傅晓庆;杨佳红;陈付毅;: "高性能生物信号检测仪", 科技视界, no. 34 * |
石金兰: "面向智能服装的亚健康评估系统的研究" * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145744A (zh) * | 2017-05-08 | 2017-09-08 | 合肥工业大学 | 医学知识图谱的构建方法、装置及辅助诊断方法 |
CN110869859B (zh) * | 2017-07-04 | 2023-09-12 | 西门子股份公司 | 用于确定机床主轴状态的装置和方法 |
CN110869859A (zh) * | 2017-07-04 | 2020-03-06 | 西门子股份公司 | 用于确定机床主轴状态的装置和方法 |
CN111194468A (zh) * | 2017-10-06 | 2020-05-22 | 阿利弗克公司 | 利用移动装置持续监测用户健康 |
CN108389623A (zh) * | 2018-01-30 | 2018-08-10 | 重庆云日创心教育科技有限公司 | 基于历史发布图片的心理健康测评方法及测评系统 |
CN110277164A (zh) * | 2018-03-14 | 2019-09-24 | 深圳欧德蒙科技有限公司 | 症状和体征的量化方法、系统及终端 |
CN110403611A (zh) * | 2018-04-28 | 2019-11-05 | 张世平 | 血液成分值预测方法、装置、计算机设备和存储介质 |
CN109009013A (zh) * | 2018-06-25 | 2018-12-18 | 彭礼烨 | 智能手环 |
CN110897626A (zh) * | 2018-09-14 | 2020-03-24 | 杭州脉流科技有限公司 | 基于深度神经网络的心电图分析方法、装置、计算机设备和系统 |
CN109448855A (zh) * | 2018-09-17 | 2019-03-08 | 大连大学 | 一种基于cnn和模型融合的糖尿病血糖预测方法 |
CN110033858A (zh) * | 2018-12-28 | 2019-07-19 | 深圳铁盒子文化科技发展有限公司 | 一种舌象分析方法及其存储介质 |
CN109994175A (zh) * | 2019-01-09 | 2019-07-09 | 上海正太网络科技有限公司 | 基于人工智能的健康检测方法及系统 |
CN111728600A (zh) * | 2020-06-29 | 2020-10-02 | 北京凤凰医联科技有限公司 | 血压血糖监测系统 |
CN111728600B (zh) * | 2020-06-29 | 2021-01-19 | 北京凤凰医联科技有限公司 | 血压血糖监测系统 |
CN112233797A (zh) * | 2020-10-21 | 2021-01-15 | 何泽仪 | 一种健康管理方法、装置以及计算机可读存储介质 |
CN112735561A (zh) * | 2021-01-07 | 2021-04-30 | 深圳市罗湖医院集团 | 一种用于肥胖患者恢复健康的管理方法、设备及可读介质 |
CN113539486A (zh) * | 2021-09-15 | 2021-10-22 | 成都中医药大学 | 一种基于中医面舌象动态变化的健康状态辨识系统 |
CN114999649A (zh) * | 2022-06-06 | 2022-09-02 | 广州培生智能科技有限公司 | 一种基于深度学习的老人体征数据监控预警方法和系统 |
CN115860537A (zh) * | 2022-11-30 | 2023-03-28 | 杭州光海科技有限公司 | 一种基于校园卡体质测试系统及方法 |
CN115860537B (zh) * | 2022-11-30 | 2023-08-22 | 杭州光海科技有限公司 | 一种基于校园卡体质测试系统及方法 |
CN116092701A (zh) * | 2023-03-07 | 2023-05-09 | 南京康尔健医疗科技有限公司 | 基于健康数据分析管理平台的控制系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106446533B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106446533A (zh) | 一种人体健康数据处理系统及其方法 | |
CN107799165A (zh) | 一种基于虚拟现实技术的心理评估方法 | |
CN106682616A (zh) | 基于双通道特征深度学习的新生儿疼痛表情识别方法 | |
CN105393252B (zh) | 生理数据采集和分析 | |
CN106778657A (zh) | 基于卷积神经网络的新生儿疼痛表情分类方法 | |
Yeh et al. | A study for the application of body sensing in assisted rehabilitation training | |
CN109998500A (zh) | 一种基于生成式对抗网络的脉搏信号生成方法及系统 | |
CN108836285A (zh) | 人体疾病自主诊断模型和人工智能体检方法及系统和健康评估直观演示方法 | |
CN106725376B (zh) | 体征信号检测方法及装置 | |
CN109065162A (zh) | 一种综合性智能化诊断系统 | |
CN110584601B (zh) | 一种老人认知功能监测和评估系统 | |
KR20080005798A (ko) | 모션트랙킹 기술과 증강현실 기법을 활용한 인지 및행동장애 재활 지원시스템 | |
CN104462760A (zh) | 三维可视化健康评估方法与系统 | |
Callejas-Cuervo et al. | Emotion recognition techniques using physiological signals and video games-Systematic review | |
KR102388595B1 (ko) | 뇌 상태를 판단하고, 디지털 컨텐츠 기반의 치료 정보를 제공하는 장치 | |
CN103027668A (zh) | 用于中医脉诊的脉搏信号的处理 | |
CN105078474A (zh) | 一种血糖及血压监测和控制系统 | |
CN107025377A (zh) | 一种健康管理系统和方法 | |
CN104462765A (zh) | 三维可视化医患沟通平台构建方法和系统 | |
CN104462761A (zh) | 三维可视化数字监护方法和系统 | |
CN111402642A (zh) | 临床思维能力训练及考核系统 | |
CN110321827A (zh) | 一种基于人脸疼痛表情视频的疼痛水平评估方法 | |
Jiang et al. | Continuous blood pressure estimation based on multi-scale feature extraction by the neural network with multi-task learning | |
CN113593693A (zh) | 远程健康管理平台 | |
CN108198617A (zh) | 病症评估方法、终端设备及计算机可读介质 |
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 |