CN106510651A - 一种体温预测算法的评估方法及装置 - Google Patents
一种体温预测算法的评估方法及装置 Download PDFInfo
- Publication number
- CN106510651A CN106510651A CN201611130083.1A CN201611130083A CN106510651A CN 106510651 A CN106510651 A CN 106510651A CN 201611130083 A CN201611130083 A CN 201611130083A CN 106510651 A CN106510651 A CN 106510651A
- Authority
- CN
- China
- Prior art keywords
- body temperature
- data
- temperature
- prediction
- prediction algorithm
- 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
- 230000036760 body temperature Effects 0.000 title claims abstract description 202
- 238000011156 evaluation Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000005259 measurement Methods 0.000 claims description 23
- 241001269238 Data Species 0.000 claims description 18
- 230000001143 conditioned effect Effects 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 8
- 206010020741 Hyperpyrexia Diseases 0.000 claims description 5
- 230000003139 buffering effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 241000083513 Punctum Species 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 208000021760 high fever Diseases 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measuring Temperature Or Quantity Of Heat (AREA)
Abstract
本发明公开的体温预测算法的评估方法和装置，先通过运行体温预测算法获得多个个体的预测体温数据，再对符合某一特定体温状态的个体进行算法评估，具体为分别计算符合所述体温状态的每一个体的实际体温数据的最大值分别与预设时刻点下预测体温数据、预测体温数据的最大值的差值的绝对值，当满足两者均小于第二阈值的个体占符合所述体温状态的总个体的比例大于所述第一阈值时，则评估所述体温预测算法对于符合所述体温状态的个体在预设的时刻点能够预测体温。通过这种方法，可以引导人们科学使用带有体温预测的电子体温计，使结果更可靠和合理。
Description
技术领域
本发明涉及人体温度测量技术领域，尤其涉及一种体温预测算法的评估方法及装置。
背景技术
带有体温预测算法的电子体温计对人体进行测量体温时，可以根据该体温计测得实际体温数据通过体温预测算法计算缩短测量体温的时间，因此对体温预测算法的评估将直接影响到电子体温计预测体温温度的准确性。
对于体温预测算法的验证评估，传统的做法是采用单次测量的方法，每更新一个体温预测算法，就必须重新对不同发烧程度的人群进行体温测量验证，传统的体温预测算法的验证缺陷是人工统计验证体温预测算法的准确性，每次验证新版体温预测算法必须将要验证的新版体温预测算法烧录入电子体温计，而且发烧人群的资源难以寻找，成本消耗高，效率低。
另一方面，市面上带有体温预测电子体温计，但由于人们对体温测量的温升曲线认识不深，导致体温计的测量效果不佳，尤其是发高烧的情况下，很容易出现大幅度超调的情况，因此可信度不高，影响病情的诊断，不被大众接受。因此需要对电子体温计的体温预测算法进行合理的评估，以引导大众科学使用电子体温计进行体温预测。
发明内容
本发明提供了一种用于体温预测算法的评估方法，可评估体温预测算法预测体温温度的准确性，还能评估体温预测算法对于特定群体的适用性。
为实现上述技术问题，本发明的一种用于体温预测算法的评估方法，包括如下步骤：
根据数据库内保存的多个个体的实际体温数据，运行待评估的体温预测算法得到所述多个个体的预测体温数据；每一所述个体根据其实际体温数据对应符合一种体温状态；
对于符合任一体温状态的个体，当满足第一预设条件的个体占符合所述体温状态的总个体的比例大于预设的第一阈值时，则评估所述体温预测算法对于符合所述体温状态的个体在预设的时刻点能够预测体温；其中，所述第一预设条件为在所述预设的时刻点下所述预测体温数据与实际体温数据最大值的差值的绝对值小于预设的第二阈值，且所述预测体温数据的最大值与实际体温数据的最大值的差值的绝对值小于预设的所述第二阈值。
本方案中，通过对体温预测算法的评估准确后，再烧录进电子体温计内，从而减少传统体温预测算法验证准确性的麻烦，避免人工验证体温预测算法的带来的问题。尤其的，本方案通过对符合某个特定体温状态的个体进行体温预测算法的评估，即分别计算符合某个特定体温状态的每一个体的实际体温数据的最大值与预设时刻点下预测体温数据和其预测体温数据的最大值的差值的绝对值，当满足两者均小于第二阈值的个体占该体温状态的个体的比例大于所述第一阈值时，则评估所述体温预测算法对于符合所述特定的体温状态的个体在预设的时刻点能够预测体温。通过这种方法，能够有效评估体温预测算法对于特定群体的适用性，可以引导人们科学使用带有体温预测的电子体温计，使结果更可靠和合理。
作为上述方案的改进，通过以下步骤将所述实际体温数据保存至所述数据库内：
读取体温计的测量数据，根据所述体温计的测量数据显示实际体温数据的曲线；
对所述曲线进行数据解析和数据审核，将所述体温计的测量数据保存至所述数据库；所述数据解析包括标记起始点、数据分类和数据编辑。
通过采样多个个体的体温数据，可以保证算法评估的合理性和准确性，更科学合理。因为真正测量人体的起止时间时不确定的，因此需要对原始数据进行人为标记。且在保存体温数据至数据库前对数据进行审核，可以剔除异常数据，修正不合理数据。
作为上述方案的改进，所述读取体温计的测量数据具体为：
进行USB设备检测，当检测到所述USB设备，读取所述USB设备进行串口数据的读取并写入上位机；其中所述串口数据包括体温计的测量数据。通过使用带有数据保存功能的电子体温计，体温测量结束后，可通过USB转串口存入算法评估系统中。
作为上述方案的改进，每一所述个体根据其实际体温数据的最大值对应符合一种体温状态，所述体温状态包括正常、低热、中热、高热或超高热。使用合理的体温状态分类，使算法评估的结果更可靠，具有更好的引导作用。
作为上述方案的改进，分别基于所述多个个体的预测体温数据和实际体温数据，当满足第一预设条件的个体占全部个体的比例大于预设的第三阈值时，则评估所述体温预测算法对于多个个体在所述预设的时刻点下能够预测体温。通过计算能够预测体温的比例，可以得到所述体温预测算法对所有人群的准确度，可作为所述体温预测算法供人们参考的一项指标，具有重要的意义，有利于人们对于所述体温预测算法的认识。
作为上述方案的改进，预设的时刻点为5min、8min或20min。。通过计算多个时刻点能够预测体温的比例，可以直观地查看所述体温预测算法的有效性和快速性。
作为上述方案的改进，所述方法还包括步骤：
基于所述每一个体的预测体温数据和实际体温数据，显示任一所述个体的预测体温数据和实际体温数据的曲线。
本发明一种体温预测算法的评估装置，包括：
算法运行模块，用于根据数据库内保存的多个个体的实际体温数据，运行待评估的体温预测算法得到所述多个个体的预测体温数据；每一所述个体根据其实际体温数据对应符合一种体温状态；
算法评估模块，用于对于符合任一体温状态的个体，当满足第一预设条件的个体占符合所述体温状态的总个体的比例大于预设的第一阈值时，则评估所述体温预测算法对于符合所述体温状态的个体在预设的时刻点能够预测体温；其中，所述第一预设条件为在所述预设的时刻点下所述预测体温数据与实际体温数据最大值的差值的绝对值小于预设的第二阈值，且所述预测体温数据的最大值与实际体温数据的最大值的差值的绝对值小于预设的所述第二阈值。
本方案中，体温预测算法的评估装置的数据库内保存有多个个体的实际体温数据，因此可待评估的体温预测算法进行评估准确后，再烧录进电子体温计内，从而减少传统体温预测算法验证准确性的麻烦，避免人工验证体温预测算法的带来的问题。进一步地，基于多个个体的实际体温数据，通过算法运行模块输出所述多个个体的预测体温数据并传送至算法评估模块；所述算法评估模块可对符合某一体温状态的个体进行算法的评估，计算满足以下两个条件的个体占符合所述体温状态的总个体的比例，所述两个条件分别为：所述预设的时刻点下所述预测体温数据与实际体温数据最大值的差值的绝对值小于预设的第二阈值，所述预测体温数据的最大值与实际体温数据的最大值的差值的绝对值小于预设的所述第二阈值。因此，本方案克服了现有体温预测算法需要人工验证体温预测算法成本高和效率低的问题，有效地评估体温预测算法对于特定人群的准确性，使带有低温预测的电子体温计更可靠，有利于病情的诊断。
作为上述方案的改进，每一所述个体根据其实际体温数据的最大值对应符合一种体温状态，所述体温状态包括正常、低热、中热、高热或超高热。
附图说明
图1是本发明实施例1提供的一种体温预测算法的评估方法的流程示意图；
图2是本发明提供的将所述实际体温数据保存至所述数据库的一优选实施例的流程示意图；
图3是本发明提供的将所述实际体温数据保存至所述数据库的另一优选实施例的流程示意图；
图4是实际体温数据形成的曲线标记起止点的位置；
图5是本发明实施例2提供的一种体温预测算法的评估方法的流程示意图；
图6是本发明实施例3提供的一种体温预测算法的评估方法的流程示意图；
图7是单个个体的所述实际体温数据和预测体温数据的曲线示意图；
图8是本发明实施例4提供的一种体温预测算法的评估装置的结构示意图。
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。
本发明提供了一种体温预测算法的评估方法及装置，可评估体温预测算法预测体温温度的准确性，还能评估体温预测算法在具体时刻能否达到平稳后的实际体温数据。
参见图1，是本发明实施例1提供的一种体温预测算法的评估方法的流程示意图。该用于体温预测算法的评估方法包括如下步骤：
S11、根据数据库内保存的多个个体的实际体温数据，运行待评估的体温预测算法得到所述多个个体的预测体温数据；每一所述个体根据其实际体温数据对应符合一种体温状态；
S12、对于符合任一体温状态的个体，当满足第一预设条件的个体占符合所述体温状态的总个体的比例大于预设的第一阈值时，则评估所述体温预测算法对于符合所述体温状态的个体在预设的时刻点能够预测体温；其中，所述第一预设条件为在所述预设的时刻点下所述预测体温数据与实际体温数据最大值的差值的绝对值小于预设的第二阈值，且所述预测体温数据的最大值与实际体温数据的最大值的差值的绝对值小于预设的所述第二阈值。
下面，将对本实施例的实施过程和工作原理进行具体的描述。通过调用实际体温数据，进行算法的运算后可得到多个个体的预测体温数据，将多个个体的预测体温数据存入数据库中；对符合任一体温状态的个体进行数据统计分析，即计算满足预设条件的个体占符合所述体温状态的总个体的比例。所述特定条件为所述预设条件为在所述预设的时刻点下所述预测体温数据与实际体温数据最大值的差值的绝对值小于预设的第二阈值，且所述预测体温数据的最大值与实际体温数据的最大值的差值的绝对值小于预设的所述第二阈值。当上述比例大于第二阈值时，则评估所述体温预测算法对于符合所述体温状态的个体在预设的时刻点能够预测体温。
下面以预设的时刻点为5min，预设的第一阈值为70％，预设的第二阈值为0.1℃为例对该实施例进行进一步描述，本发明实施例并不限于预设的时刻点为5min，预设的第一阈值为70％，预设的第二阈值为0.1℃。对于单个个体而言，当同时满足以下条件时，可认为所述体温预测算法对其有效：
|A-A1|<0.1℃，|D-A1|<0.1℃
其中，A为所述单个个体第5分钟时刻的预测体温数据，A1为所述单个个体实际体温数据的最大值，D为所述单个个体的预测体温数据的最大值。
当有效的个体占所述特定数据类型的个体大于70％时，则评估所述体温预测算法对于符合特定体温状态的个体在5min能够有效预测体温数据。
参见表一，为算法一对实际体温数据的最大值在38～39℃下的特定个体所做的数据分析。表一的有效的个体占符合所述体温状态的个体的比例为75％，大于70％，因此评估所述算法一在5min能够预测体温状态为38～39℃下的群体。
表一算法一的数据分析
参见表二，为算法二对实际体温数据的最大值在38～39℃下的特定个体所做的数据分析。表二的有效的个体占所述特定数据类型的个体63.5％，小于70％，因此评估所述算法一在5min预测体温为38～39℃下的群体无效。
表二算法二的数据分析
本实施例中样本数量较少，仅用于说明两个体温预测算法比较评估的方法，实际中样本量越多越能说明评估的准确性。
对于不同的体温数据，可分为正常、低热、中热、高热或超高热的体温状态，它们的范围如表三所示：
根据表三，对体温预测算法进行评估时，应采用同一部位的体温数据进行数据分析，更准确。
表三：体温状态的标准
参见图2，是本发明提供的将所述实际体温数据保存至所述数据库的一优选实施例的流程示意图。
101、读取体温计的测量数据，根据所述体温计的测量数据显示实际体温数据的曲线；
102、对所述曲线进行数据解析和数据审核，将所述体温计的测量数据保存至所述数据库；所述数据解析包括标记起始点、数据分类和数据编辑。
参见图3，是本发明提供的将所述实际体温数据保存至所述数据库的另一优选实施例流程示意图。
111、当检测到所述USB设备，读取所述USB设备进行串口数据读取并写入上位机，根据所述体温计的测量数据显示实际体温数据的曲线；其中，所述串口数据包括体温计的测量数据；
102、对所述曲线进行数据解析和数据审核，将所述体温计的测量数据保存至所述数据库；所述数据解析包括标记起始点、数据分类和数据编辑。
带有数据保存功能的电子体温计一定的频率保存实际体温数据，通过USB转串口的方式写入上位机进行曲线的显示，因为真正测量人体的起止时间时不确定的，因此需要对原始数据进行人为标记。具体实施时，起点标记在温度开始稳定上升的位置，终点标记在温度下降的位置，参见图4的起点a和终点b。选择点击所述曲线上起止点的位置，显示模块的界面上会显示相应的起止点时间，并保存该起止点的时间，便于体温预测算法的调用。数据分类即将数据分为各个部位的体温数据，再将各个部位的体温数据进一步划分为体温过低、正常、低热、中热、高热和超高热。为了避免不合理的数据影响评估结果，可对不合理的数据进行编辑，以满足正常体温数据上升的规律。且在体温数据存入数据库之前必须进行数据审核，以最终确认数据无误，剔除异常数据。通过采样多个个体的体温数据，使数据库内的数据类型更加丰富，可以保证算法评估的合理性和准确性，更科学合理。
参见图5，为本发明实施例2提供的一种体温预测算法的评估方法的流程示意图。本实施例中的体温预测算法的评估方法包括步骤：
S31、根据数据库内保存的多个个体的实际体温数据，将所述多个个体的实际体温数据存入缓冲区，将所述缓冲区内的实际体温数据以动态库的方式链接填充到算法库，读取算法库的数据可得到所述多个个体的预测体温数据；所述多个个体的实际体温数据包括多种数据类型；
S12、分别基于所述多个个体的预测体温数据和实际体温数据，对于某一特定数据类型的个体，当满足预设条件的个体占所述特定数据类型的个体的比例小于预设的第一阈值时，则评估所述体温预测算法对于所述特定的数据类型的个体在预设的时刻点能够预测体温；其中，所述预设条件为在所述预设的时刻点下所述预测体温数据与实际体温数据最大值的差值的绝对值小于预设的第二阈值，且所述预测体温数据的最大值与实际体温数据的最大值的差值的绝对值小于预设的所述第二阈值；
S33、分别基于所述多个个体的预测体温数据和实际体温数据，当满足第一预设条件的个体占全部个体的比例大于预设的第三阈值时，则评估所述体温预测算法对于多个个体在预设的时刻点能够预测体温。
具体实施时，选择待评估的体温预测算法，调用实际体温数据，进行算法的运算后可得到多个个体的预测体温数据；首先，对符合某一特定体温状态的个体是否能在预设的时刻点预测体温进行评估，具体的实施过程可参考实施例1，在此不再赘述；然后对包括符合多种体温状态的多个个体进行算法的评估，计算预测体温数据的最大值与实际体温数据的最大值的差值的绝对值小于预设的所述阈值的个体占全部个体的比例，若上述比例大于预设的第三阈值时，则评估所述体温预测算法对于多个个体能够预测体温。进一步地，为了更直观地查看所述体温预测算法的有效性和快速性，可设置多个时刻点，分别计算多个时刻点下预测体温数据与实际体温数据的最大值的差值的绝对值的个体占全部个体的比例，通过这种方式，可清楚地看到所述体温预测算法的整体准确度和预测的快速性。
下面以预设的时刻点分别为5min、8min、20min下，预设的第二阈值为0.1℃，预设的第三阈值为80％为例对上述两个实施例进行进一步描述，本发明实施例并不限于预设的时刻点5min、8min、20min下，预设的第二阈值为0.1℃，预设的第三阈值为80％。对于单个个体而言，当同时满足(1)～(3)中的任一条件和条件(4)时，可认为所述体温预测算法对该条件下的单个个体有效：
|A-A1|<0.1℃ (1)
|B-A1|<0.1℃ (2)
|C-A1|<0.1℃ (3)
|D-A1|<0.1℃ (4)
其中，A为所述单个个体第5分钟时刻的预测体温数据，B为所述单个个体第8分钟时刻的预测体温数据，C为所述单个个体第20分钟时刻的预测体温数据，A1为所述单个个体实际体温数据的最大值，D为所述单个个体的预测体温数据的最大值。
当在某一时刻点下的预测体温数据和预测体温数据的最大值与实际体温数据的最大值的差值的绝对值均小于预设的所述阈值的个体占全部个体的比例大于80％时，则评估所述体温预测算法对于多个个体在该时刻点能够预测体温。
参见表四，为本实施例算法三对多个个体所做的数据分析。由表四可知，在预测时刻点分别为5min、8min、20min下有效率分别30％、85.2％、87.4％，则在8min、20min下的有效率大于80％，因此评估所述算法三对于多个个体在8min、20min能够预测体温。
表四算法三对多个个体所做的数据分析
参见图6，是本发明实施例3提供的一种体温预测算法的评估方法的流程示意图。该用于体温预测算法的评估方法在实施例1的基础上还包括以下步骤：
S41、基于所述每一个体的预测体温数据和实际体温数据，显示任一所述个体的预测体温数据和实际体温数据的曲线。
参见图7，为单个个体的所述实际体温数据和预测体温数据的曲线示意图，其中，1为实际体温曲线，2为预测体温曲线，横坐标的单位为min，纵坐标的单位为℃。由图可知，预测体温曲线在第五分钟左右最接近实际体温数据的最大值。进一步地，可计算多个个体最接近实际体温数据的最大值的差值，然后计算各个个体的差值的绝对值的平均值作为所述体温预测算法的准确度；另一方面，获取多个个体最接近实际体温数据的最大值的预测体温数据的时刻点，将所述时刻点求平均值，作为评估所述体温预测算法的快速度。
本发明实施例还提供了一种体温预测算法的评估装置。如图8所示的体温预测算法的评估装置100包括：
算法运行模块103，用于根据数据库内保存的多个个体的实际体温数据，运行待评估的体温预测算法得到所述多个个体的预测体温数据；每一所述个体根据其实际体温数据对应符合一种体温状态；
算法评估模块104，用于对于符合任一体温状态的个体，当满足第一预设条件的个体占符合所述体温状态的总个体的比例大于预设的第一阈值时，则评估所述体温预测算法对于符合所述体温状态的个体在预设的时刻点能够预测体温；其中，所述第一预设条件为在所述预设的时刻点下所述预测体温数据与实际体温数据最大值的差值的绝对值小于预设的第二阈值，且所述预测体温数据的最大值与实际体温数据的最大值的差值的绝对值小于预设的所述第二阈值。
具体实施时，基于多个个体的实际体温数据，通过算法运行模块101输出所述多个个体的预测体温数据并传送至算法评估模块102；所述算法评估模块102可对符合某一特定体温状态的个体进行算法的评估，先计算满足以下两个条件的个体占符合所述体温状态的总个体的比例，所述两个条件分别为：所述预设的时刻点下所述预测体温数据与实际体温数据最大值的差值的绝对值小于预设的第二阈值，所述预测体温数据的最大值与实际体温数据的最大值的差值的绝对值小于预设的所述第二阈值。因此，本方案克服了现有体温预测算法需要人工验证体温预测算法成本高和效率低的问题，有效地评估体温预测算法对于特定人群的准确性，使带有低温预测的电子体温计更可靠，有利于病情的诊断。
综上，本发明公开的体温预测算法的评估方法和装置，先通过运行体温预测算法获得多个个体的预测体温数据，再对符合某一特定体温状态的个体进行算法评估，具体为分别计算符合所述体温状态的每一个体的实际体温数据的最大值分别与预设时刻点下预测体温数据、预测体温数据的最大值的差值的绝对值，当满足两者均小于第二阈值的个体占符合所述体温状态的总个体的比例大于所述第一阈值时，则评估所述体温预测算法对于符合所述体温状态的个体在预设的时刻点能够预测体温。通过这种方法，可以引导人们科学使用带有体温预测的电子体温计，使结果更可靠和合理。
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)
1.一种体温预测算法的评估方法，其特征在于，包括如下步骤：
根据数据库内保存的多个个体的实际体温数据，运行待评估的体温预测算法得到所述多个个体的预测体温数据；每一所述个体根据其实际体温数据对应符合一种体温状态；
对于符合任一体温状态的个体，当满足第一预设条件的个体占符合所述体温状态的总个体的比例大于预设的第一阈值时，则评估所述体温预测算法对于符合所述体温状态的个体在预设的时刻点能够预测体温；其中，所述第一预设条件为在所述预设的时刻点下所述预测体温数据与实际体温数据最大值的差值的绝对值小于预设的第二阈值，且所述预测体温数据的最大值与实际体温数据的最大值的差值的绝对值小于预设的所述第二阈值。
2.根据权利要求1所述的体温预测算法的评估方法，其特征在于，通过以下步骤将所述实际体温数据保存至所述数据库内：
读取体温计的测量数据，根据所述体温计的测量数据显示所述实际体温数据的曲线；
对所述曲线进行数据解析和数据审核，将所述体温计的测量数据保存至所述数据库；所述数据解析包括标记起始点、数据分类和数据编辑。
3.根据权利要求2所述的体温预测算法的评估方法，其特征在于，所述读取体温计的测量数据具体为：
当检测到所述USB设备，读取所述USB设备进行串口数据的读取并写入上位机；其中所述串口数据包括体温计的测量数据。
4.根据权利要求1所述的体温预测算法的评估方法，其特征在于，运行待评估的体温预测算法可得到所述多个个体的预测体温数据具体为：
将所述多个个体的实际体温数据存入缓冲区，将所述缓冲区内的实际体温数据以动态库的方式链接填充到所述待评估的体温预测算法的算法库，读取算法库的数据可得到所述多个个体的预测体温数据。
5.根据权利要求2所述的体温预测算法的评估方法，其特征在于，每一所述个体根据其实际体温数据的最大值对应符合一种体温状态，所述体温状态包括正常、低热、中热、高热或超高热。
6.根据权利要求6所述的体温预测算法的评估方法，其特征在于，分别基于所述多个个体的预测体温数据和实际体温数据，当满足第一预设条件的个体占全部个体的比例大于预设的第三阈值时，则评估所述体温预测算法对于所述多个个体在预设的时刻点能够预测体温。
7.根据权利要求1所述的体温预测算法的评估方法，其特征在于，预设的时刻点为5min、8min或20min。
8.根据权利要求1-7中任一权利要求所述的体温预测算法的评估方法，其特征在于，所述方法还包括步骤：
基于每一所述个体的预测体温数据和实际体温数据，显示任一所述个体的预测体温数据和实际体温数据的曲线。
9.一种体温预测算法的评估装置，其特征在于，包括：
算法运行模块，用于根据数据库内保存的多个个体的实际体温数据，运行待评估的体温预测算法得到所述多个个体的预测体温数据；每一所述个体根据其实际体温数据对应符合一种体温状态；
算法评估模块，用于对于符合任一体温状态的个体，当满足第一预设条件的个体占符合所述体温状态的总个体的比例大于预设的第一阈值时，则评估所述体温预测算法对于符合所述体温状态的个体在预设的时刻点能够预测体温；其中，所述第一预设条件为在所述预设的时刻点下所述预测体温数据与实际体温数据最大值的差值的绝对值小于预设的第二阈值，且所述预测体温数据的最大值与实际体温数据的最大值的差值的绝对值小于预设的所述第二阈值。
10.根据权利要求1所述的体温预测算法的评估装置，其特征在于，每一所述个体根据其实际体温数据的最大值对应符合一种体温状态，所述体温状态包括正常、低热、中热、高热或超高热。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611130083.1A CN106510651B (zh) | 2016-12-09 | 2016-12-09 | 一种体温预测算法的评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611130083.1A CN106510651B (zh) | 2016-12-09 | 2016-12-09 | 一种体温预测算法的评估方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106510651A true CN106510651A (zh) | 2017-03-22 |
| CN106510651B CN106510651B (zh) | 2019-04-16 |
Family
ID=58341564
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611130083.1A Active CN106510651B (zh) | 2016-12-09 | 2016-12-09 | 一种体温预测算法的评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106510651B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110276376A (zh) * | 2019-05-14 | 2019-09-24 | 嘉兴职业技术学院 | 一种基于超元启发算法的人群信息聚类方法 |
| CN110276044A (zh) * | 2018-03-13 | 2019-09-24 | 浙江智柔科技有限公司 | 体温预测方法及采用该体温预测方法预测体温的体温计 |
| CN110840430A (zh) * | 2018-08-21 | 2020-02-28 | 北京万生人和科技有限公司 | 腹内压数据筛选方法、计算机可读存储介质、腹内压数据筛选装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101158605A (zh) * | 2006-10-06 | 2008-04-09 | 科维迪恩股份公司 | 具有可选择模式的电子温度计 |
| CN104812324A (zh) * | 2012-11-19 | 2015-07-29 | 皇家飞利浦有限公司 | 温度分布确定装置 |
| CN105956399A (zh) * | 2016-04-29 | 2016-09-21 | 广州视源电子科技股份有限公司 | 一种温度预测方法及电子体温计 |
| CN106037676A (zh) * | 2016-05-19 | 2016-10-26 | 广州视源电子科技股份有限公司 | 体温测量方法和装置 |
-
2016
- 2016-12-09 CN CN201611130083.1A patent/CN106510651B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101158605A (zh) * | 2006-10-06 | 2008-04-09 | 科维迪恩股份公司 | 具有可选择模式的电子温度计 |
| CN104812324A (zh) * | 2012-11-19 | 2015-07-29 | 皇家飞利浦有限公司 | 温度分布确定装置 |
| CN105956399A (zh) * | 2016-04-29 | 2016-09-21 | 广州视源电子科技股份有限公司 | 一种温度预测方法及电子体温计 |
| CN106037676A (zh) * | 2016-05-19 | 2016-10-26 | 广州视源电子科技股份有限公司 | 体温测量方法和装置 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110276044A (zh) * | 2018-03-13 | 2019-09-24 | 浙江智柔科技有限公司 | 体温预测方法及采用该体温预测方法预测体温的体温计 |
| CN110276044B (zh) * | 2018-03-13 | 2023-06-20 | 浙江智柔科技有限公司 | 体温预测方法及采用该体温预测方法预测体温的体温计 |
| 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 |
| CN110840430A (zh) * | 2018-08-21 | 2020-02-28 | 北京万生人和科技有限公司 | 腹内压数据筛选方法、计算机可读存储介质、腹内压数据筛选装置 |
| CN110840430B (zh) * | 2018-08-21 | 2022-09-13 | 北京万生人和科技有限公司 | 腹内压数据筛选方法、计算机可读存储介质、腹内压数据筛选装置 |
| CN110276376A (zh) * | 2019-05-14 | 2019-09-24 | 嘉兴职业技术学院 | 一种基于超元启发算法的人群信息聚类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106510651B (zh) | 2019-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Singh | Does my structural model represent the real phenomenon?: a review of the appropriate use of Structural Equation Modelling (SEM) model fit indices | |
| Antunes et al. | Allometric models for non‐destructive leaf area estimation in coffee (Coffea arabica and Coffea canephora) | |
| Kletting et al. | Molecular radiotherapy: the NUKFIT software for calculating the time‐integrated activity coefficient | |
| CN106510651A (zh) | 一种体温预测算法的评估方法及装置 | |
| CN108921206A (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
| CN106529090A (zh) | 一种航天电子类产品可靠性评估方法 | |
| TW201734837A (zh) | 一種多重抽樣模型訓練方法及裝置 | |
| KR102038237B1 (ko) | 신용점수 모델 훈련 방법，신용 점수 계산 방법，장치 및 서버 | |
| WO2021179957A1 (zh) | 产品使用质量或性能的判定方法及设备 | |
| CN109685334B (zh) | 一种新的基于多尺度理论的水文模型模拟评估方法 | |
| Snapinn et al. | Treatment effect measures under nonproportional hazards | |
| CN114487976A (zh) | 一种mcm电子式互感器校验仪溯源不确定度评定方法及系统 | |
| CN105372579A (zh) | 一种快速有效的电路单元重要性测度方法 | |
| CN110246024A (zh) | 违约指数评估方法 | |
| Okuyama et al. | Critical points for interpreting patients’ survival rate using cancer registries: A literature review | |
| Grassano et al. | Asymptotic distributions of kappa statistics and their differences with many raters, many rating categories and two conditions | |
| US20140156233A1 (en) | Method and apparatus for electronic circuit simulation | |
| Sun et al. | Marginal regression models with time‐varying coefficients for recurrent event data | |
| CN111950605A (zh) | 表计识别模型的学习方法、装置、设备和表计识别方法 | |
| CN116051185B (zh) | 广告位数据的异常检测与筛选方法 | |
| Liu et al. | Statistical methods for estimating the minimum thickness along a pipeline | |
| US11016467B2 (en) | Method and system for sensing fine changes in processing/equipment measurement data | |
| CN108599147B (zh) | 基于正态指数平滑法与核密度估计的组合区间预测方法 | |
| Atkinson et al. | Appropriate within‐subjects statistical models for the analysis of baroreflex sensitivity | |
| Rienzner et al. | A procedure for the detection of undocumented multiple abrupt changes in the mean value of daily temperature time series of a regional network. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |