CN108122232B - 一种医用夹板患处不同动作的智能识别方法 - Google Patents
一种医用夹板患处不同动作的智能识别方法 Download PDFInfo
- Publication number
- CN108122232B CN108122232B CN201810104448.6A CN201810104448A CN108122232B CN 108122232 B CN108122232 B CN 108122232B CN 201810104448 A CN201810104448 A CN 201810104448A CN 108122232 B CN108122232 B CN 108122232B
- Authority
- CN
- China
- Prior art keywords
- pressure
- dimensional
- splint
- affected part
- actions
- 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.)
- Expired - Fee Related
Links
- 230000009471 action Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013136 deep learning model Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 210000000707 wrist Anatomy 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 208000010392 Bone Fractures Diseases 0.000 description 6
- 206010017076 Fracture Diseases 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6824—Arm or wrist
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种医用夹板患处不同动作的智能识别方法,包括步骤:1)设计压力检测装置;2)采集压力信号、传输与存储;3)压力信号标准化;4)对采集的三通道信号进行RGB转换;5)构建并训练深度学习模型;6)检测、转换、输入新数据并得到识别结果;7)统计、输出结果及预警。本发明采用三个气垫和相应三个压力传感器,设计可以动态检测患处不同位置压力的医用夹板,通过运用深度学习方法对压力变化进行分析,从而能够快速、准确、自动地识别夹板松紧度变化及患处不同类型的动作。
Description
技术领域
本发明涉及医学生理信号检测与分析的技术领域,尤其是指一种医用夹板患处不同动作的智能识别方法。
背景技术
对骨折患者进行治疗时,需要对骨折处进行固定,通常使用固定夹板。现有的医用固定板,骨折患者佩戴时间一般都比较长,夹板会发生移动、松动或过紧情况,但骨折患者很难做出准确判断,医生也无法实时监控或及时获知患处夹板的松紧变化,往往导致骨折患者的恢复进度延缓,甚至会加深骨折病人的创伤程度(如错位、红肿发炎),增加患者的痛苦与经济负担。
此外,骨折患者在康复治疗过程中,临床医生通常会要求其每天做一定量的有规律的训练动作(如:握松拳、局部伸展),禁止做一些不利于康复的动作(如旋腕,大幅度运动),主治医生迫切需要及时获知患者的状况,以便及时干预并给予指导。
目前临床广泛使用的这种夹板固定术,在以下方面存在重要不足:
(1)夹板固定、松紧完全凭借医生的个人经验,无统一的标准;
(2)患者在康复期间,夹板出现松动或过紧、错位时,患者往往疏忽或发现不及时,待感觉异常时,往往为时已晚;
(3)患者康复阶段,主治医生无法及时获知患者的康复状况与动态,是否按照医嘱进行必须的康复运动,避免有损康复的运动,主治医生或家人不能进行适当的指导与帮助。
因此,研制一种实时、精确地检测患处压力的装置,准确识别患者动作、及时预警,对实现患者康复状况的实时监测与干预治疗,具有十分重要的意义与临床应用价值。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种医用夹板患处不同动作的智能识别方法,该方法基于深度学习,通过检测患处的压力及其变化,能快速、准确地识别夹板松紧度变化及患处不同类型的动作。
为实现上述目的,本发明所提供的技术方案为:一种医用夹板患处不同动作的智能识别方法,包括以下步骤:
1)设计能够动态检测患处不同位置压力的医用夹板压力检测装置,所述医用夹板压力检测装置包括夹板、单片机及其外围系统、三个压力气垫、三个压力传感器、三根连接管,所述三个压力传感器和单片机相连,所述三个压力气垫内置于夹板内,并分布于夹板的上、下和侧面,且每个压力气垫通过连接管分别对应连接一个传感器,通过对压力变化进行分析,自动识别患处不同动作;
2)模拟患者患处的不同类型动作,利用单片机采集不同动作产生的压力信号,并传输到处理端存储,包括以下步骤:
2.1)佩带夹板于手腕患处,模拟患者患处的不同类型动作;
2.2)采集握松拳、局部伸展、抬腕、压腕、旋腕这些不同动作,利用单片机采集压力信号,并传输到处理端存储,其中假定采集的三个通道压力信号分别用PR,PG和PB表示;
3)将三个通道压力信号标准化到0-255范围;其中的标准化是通过公式转换实现,运用如下公式:
式中,PN、P、Pmin和Pmax分别表示标准化后的压力信号、原压力信号及其最小值、最大值;
4)对采集的三个通道压力信号进行RGB转换,将每个通道一维信号转换为二维信号,从而得到三个通道二维信号,即IR、IG和IB三个通道的数字图像,作为数据集,包括以下步骤:
4.1)选定时间间隔长度作为数字图像的长度即T个数据点,将每个通道的一维信号,按时间顺序依次分解为长度均为T个数据点的若干段,其中T>1;
4.2)每一段作为二维信号的一行,依次选取H行,H>1,通常设定H=T,构成(H,T)的二维数组,从而将一维信号变换为二维信号,即数字图像;由此,三通道一维信号PR、PG和PB被转换为IR、IG和IB三通道二维信号;
5)构建并训练深度学习模型,将IR、IG和IB三通道二维信号,对应红、绿、蓝三个通道图像,即R、G、B三个通道图像,作为深度学习模型的输入,应用深度学习模型进行训练和测试,包括以下步骤:
5.1)构建深度学习模型,运用在图像领域学习能力优秀的卷积神经网络模型对图像进行识别,其中所述深度学习模型包括卷积、池化、全连接与分类器;
5.2)按a:b:c的比例,从数据集中选定训练样本、测试样本与独立验证集,其中a+b+c=1;
5.3)将训练与测试样本输入深度学习模型,对模型进行训练和测试,并利用独立验证集评估模型识别不同类型动作产生压力信号的性能;
6)采集新的一维压力信号并转换为二维数据,将其输入深度学习模型,得到识别结果;
7)判断夹板松紧度的变化情况,统计不同动作发生的频数,保存、输出结果到本地及服务端,供患者、医师及看护人员查看,并根据所定规则及时发出预警信号。
在步骤7)中,根据所定规则及时发出预警信号具体是:若监测到夹板松动,或抬腕、压腕、旋腕这些不利于康复的动作的频数,一天内超过所设置的阈值Y次,Y>30,则发出预警信号。
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明方法通过设计三个压力传感器,可以实时、有效地采集医用夹板患处上、下和侧面的压力变化。
2、本发明方法将三通道的一维压力信号,转换为二维信号,对应R、G、B三个通道图像,将其作为深度学习模型的输入,将时域信号变为空间域信号,省去了现有时域信号的复杂变换、处理分析和机器学习方法的复杂特征选择过程。
3、本发明方法中的深度学习模型,训练完成后,能自动、高效地判断夹板松紧度,识别患处发生的动作类型,及时发出异常预警信息,统计、保存并传输结果至本地及服务器端,供患者、医生及医护人员使用。
附图说明
图1是本发明方法流程图。
图2为本发明方法的压力检测和识别系统示意图。
图3是本发明三通道传感器、气垫、导管与单片机连接图。
图4是本发明三通道一维信号转换为二维RGB图像示意图。
图5是本发明三通道原信号。
图6是本发明标准化后的信号。
图7为本发明转换后的R、G、B三通道信号及融合图像。
图8是本发明中用到的卷积神经网络模型。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1至图3所示,本实施例所提供的医用夹板患处不同动作的智能识别方法是采用三个气垫和相应三个压力传感器,设计可以动态检测患处不同位置压力的医用夹板,通过对压力变化进行分析,自动识别患处不同动作,其包括以下步骤:
1)设计可以动态检测患处不同位置压力的医用夹板压力检测装置,所述医用夹板压力检测装置包括夹板、单片机及其外围系统、三个压力气垫、三个压力传感器、三根连接管;三个压力传感器和单片机相连,三个压力气垫内置于夹板内,每个压力气垫通过连接管分别对应连接一个传感器,三个压力气垫分别分布于夹板的上、下和侧面。通过对压力变化进行分析,自动识别患处不同动作。
2)模拟患者患处的不同类型动作,利用单片机采集不同动作产生的压力信号,并传输到处理端,存储。其包括以下步骤:
2.1)佩带夹板于手腕患处,模拟患者患处的不同类型动作;
2.2)利用单片机采集握松拳、局部伸展、抬腕、压腕、旋腕等不同动作产生的压力信号,并传输到处理端,存储;假定采集的三通道压力信号分别用PR,PG和PB表示,三通道原信号如图5所示。
3)压力信号标准化,是指将三个通道压力信号标准化到0-255范围,转化过程如图4所示;其中的标准化是通过公式转换实现,运用如下公式:
式中,PN、P、Pmin和Pmax分别表示标准化后的压力信号、原压力信号及其最小值、最大值,标准化后的信号如图6所示。
4)对采集的三通道信号进行RGB转换,将每个通道一维信号转换为二维信号(图像),从而得到三个通道二维信号,即IR,IG和IB三个通道的数字图像,作为数据集,如图7所示。其包括以下步骤:
4.1)选定时间间隔长度作为数字图像的长度即50个数据点,将每个通道的一维信号,按时间顺序依次分解为长度均为50个数据点的若干段;
4.2)每一段作为二维信号的一行,依次选取50行,构成(50,50)的二维数组,从而将一维信号变换为二维信号,三通道的数据组合成(50,50,3)的三维数组即数字图像;由此,三通道一维信号PR,PG和PB被转换为IR,IG和IB三通道二维信号(图像)。
5)构建并训练深度学习模型,将IR,IG和IB三通道二维信号,对应红(R)、绿(G)、兰(B)三个通道图像,作为深度学习模型的输入,应用深度学习模型进行训练和测试。其包括如下步骤:
5.1)构建深度学习模型,运用在图像领域学习能力优秀的卷积神经网络模型对图像进行识别,其中深度学习模型包括卷积、池化、全连接与分类器。如图8所示。
卷积神经网络模型具体参数如下表所示:
表1 卷积神经网络模型具体参数
5.2)按60%:20%:20%的比例,从数据集中选定训练样本、测试样本与独立验证集;
5.3)将训练与测试样本输入深度学习模型,对模型进行训练和测试,并利用独立验证集评估模型识别不同类型动作产生压力信号的性能。
6)检测、转换、输入新数据并得到识别结果,采集新的一维压力信号并转换为二维数据,将其输入深度学习模型,得到识别结果。
7)判断夹板松紧度的变化情况,统计不同动作发生的频数,保存、输出结果到本地及服务端,供患者、医师及看护人员,并根据规则及时发出预警信号,如监测到夹板松动,或抬腕、压腕、旋腕这些不利于康复的动作的频数,一天内超过所设置的阈值Y(Y>30)次,则发出预警信号。
综上所述,在采用以上方案后,本发明为医用夹板患处不同动作的识别提供了新的方法,运用深度学习方法对压力信号作分析,能够准确识别患者动作、及时预警,以及患者康复状况的实时监测与干预治疗,具有十分重要的意义与临床应用价值,具有实际推广价值,值得推广。
上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围内。
Claims (2)
1.一种医用夹板患处不同动作的智能识别方法,其特征在于,包括以下步骤:
1)设计能够动态检测患处不同位置压力的医用夹板压力检测装置,所述医用夹板压力检测装置包括夹板、单片机及其外围系统、三个压力气垫、三个压力传感器、三根连接管,所述三个压力传感器和单片机相连,所述三个压力气垫内置于夹板内,并分布于夹板的上、下和侧面,且每个压力气垫通过连接管分别对应连接一个传感器,通过对压力变化进行分析,自动识别患处不同动作;
2)模拟患者患处的不同类型动作,利用单片机采集不同动作产生的压力信号,并传输到处理端存储,包括以下步骤:
2.1)佩带夹板于手腕患处,模拟患者患处的不同类型动作;
2.2)采集握松拳、局部伸展、抬腕、压腕、旋腕这些不同动作,利用单片机采集压力信号,并传输到处理端存储,其中假定采集的三个通道压力信号分别用PR,PG和PB表示;
3)将三个通道压力信号标准化到0-255范围;其中的标准化是通过公式转换实现,运用如下公式:
式中,PN、P、Pmin和Pmax分别表示标准化后的压力信号、原压力信号及其最小值、最大值;
4)对采集的三个通道压力信号进行RGB转换,将每个通道一维信号转换为二维信号,从而得到三个通道二维信号,即IR、IG和IB三个通道的数字图像,作为数据集,包括以下步骤:
4.1)选定时间间隔长度作为数字图像的长度即T个数据点,将每个通道的一维信号,按时间顺序依次分解为长度均为T个数据点的若干段,其中T>1;
4.2)每一段作为二维信号的一行,依次选取H行,H>1,通常设定H=T,构成(H,T)的二维数组,从而将一维信号变换为二维信号,即数字图像;由此,三通道一维信号PR、PG和PB被转换为IR、IG和IB三通道二维信号;
5)构建并训练深度学习模型,将IR、IG和IB三通道二维信号,对应红、绿、蓝三个通道图像,即R、G、B三个通道图像,作为深度学习模型的输入,应用深度学习模型进行训练和测试,包括以下步骤:
5.1)构建深度学习模型,运用在图像领域学习能力优秀的卷积神经网络模型对图像进行识别,其中所述深度学习模型包括卷积、池化、全连接与分类器;
5.2)按a:b:c的比例,从数据集中选定训练样本、测试样本与独立验证集,其中a+b+c=1;
5.3)将训练与测试样本输入深度学习模型,对模型进行训练和测试,并利用独立验证集评估模型识别不同类型动作产生压力信号的性能;
6)采集新的一维压力信号并转换为二维数据,将其输入深度学习模型,得到识别结果;
7)判断夹板松紧度的变化情况,统计不同动作发生的频数,保存、输出结果到本地及服务端,供患者、医师及看护人员查看,并根据所定规则及时发出预警信号。
2.根据权利要求1所述的一种医用夹板患处不同动作的智能识别方法,其特征在于:在步骤7)中,根据所定规则及时发出预警信号具体是:若监测到夹板松动,或抬腕、压腕、旋腕这些不利于康复的动作的频数,一天内超过所设置的阈值Y次,Y>30,则发出预警信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810104448.6A CN108122232B (zh) | 2018-02-02 | 2018-02-02 | 一种医用夹板患处不同动作的智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810104448.6A CN108122232B (zh) | 2018-02-02 | 2018-02-02 | 一种医用夹板患处不同动作的智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108122232A CN108122232A (zh) | 2018-06-05 |
CN108122232B true CN108122232B (zh) | 2020-05-22 |
Family
ID=62233299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810104448.6A Expired - Fee Related CN108122232B (zh) | 2018-02-02 | 2018-02-02 | 一种医用夹板患处不同动作的智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108122232B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10762632B2 (en) * | 2018-09-12 | 2020-09-01 | Siemens Healthcare Gmbh | Analysis of skeletal trauma using deep learning |
US11684505B2 (en) | 2020-07-15 | 2023-06-27 | Toyota Motor Engineering & Manufacturing North America, Inc. | Temporary cast devices comprising artificial muscles |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101623547A (zh) * | 2009-08-05 | 2010-01-13 | 燕山大学 | 截瘫患者用下肢康复医疗机器人 |
CN105232206A (zh) * | 2015-11-05 | 2016-01-13 | 广东工业大学 | 肢体夹板及其制作方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130090571A1 (en) * | 2011-10-06 | 2013-04-11 | The Board Of Regents Of The University Of Texas System | Methods and systems for monitoring and preventing pressure ulcers |
-
2018
- 2018-02-02 CN CN201810104448.6A patent/CN108122232B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101623547A (zh) * | 2009-08-05 | 2010-01-13 | 燕山大学 | 截瘫患者用下肢康复医疗机器人 |
CN105232206A (zh) * | 2015-11-05 | 2016-01-13 | 广东工业大学 | 肢体夹板及其制作方法 |
Non-Patent Citations (3)
Title |
---|
3-D Fingertip Touch Force Prediction Using Fingernail Imaging With Automated Calibration;Thomas R. Grieve 等;《IEEE TRANSACTIONS ON ROBOTICS》;20151031;第31卷(第5期);第1116-1129页 * |
基于深度卷积神经网络的人体动作识别;吴军 等;《华中科技大学学报(自然科学版)》;20161031;第44卷;第190-194页 * |
数字化夹板设计及有限元分析;姜自伟 等;《中国组织工程研究》;20170308;第21卷(第7期);第1052-1056页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108122232A (zh) | 2018-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492890B (zh) | 一种人体健康状态监测系统及方法 | |
US6741888B2 (en) | Method and apparatus for estimating degree of neuronal impairment in brain cortex | |
CN102509010B (zh) | 一种远程医疗检测系统 | |
CN204336890U (zh) | 用于健康管理的皮肤病筛查系统 | |
CN105193443A (zh) | 用于预测胃肠损害的系统和方法 | |
CN108122232B (zh) | 一种医用夹板患处不同动作的智能识别方法 | |
CN110742595A (zh) | 基于认知云系统的异常血压监护系统 | |
CN111466878A (zh) | 基于表情识别的卧床病人疼痛症状实时监护方法及装置 | |
US20240038383A1 (en) | Health Monitoring System | |
US20190142342A1 (en) | Hospital bed automation system and methods for performing signal read and correlation as well as real-time data processing | |
CN111403029B (zh) | 一种提高评估质量的信息处理方法及装置 | |
CN110575178B (zh) | 一种运动状态判断的诊断监控综合医疗系统及其判断方法 | |
CN117617921B (zh) | 基于物联网的智能血压监控系统及方法 | |
CN112489806B (zh) | 一种糖尿病足患者病状信息智能化管理方法及系统 | |
CN107307883B (zh) | 一种带有智能图像判读器的多路超声影像诊断系统及其使用方法 | |
CN107658019A (zh) | 一种智能疾病诊断系统 | |
CN117373595A (zh) | 一种基于ai的内科患者个性化治疗方案生成系统 | |
CN105528857B (zh) | 一种智能远程体征数据采集装置 | |
CN116548938A (zh) | 临床医学用防感染隔离体征状态监测设备及监测系统 | |
CN109480812A (zh) | 一种基于物联网通讯的脉搏健康数据管理系统 | |
CN115019924A (zh) | 应用人工智能健康机器人的健康数据采集和分析方法 | |
CN110021438A (zh) | 人体营养状态辅助诊断系统及方法 | |
CN114049293A (zh) | 一种奶牛乳房炎识别与患病等级划分装置 | |
CN105662396A (zh) | 一种人体生命数据采集方法 | |
CN107307882B (zh) | 一种基于智能导航探测角度的b超体检群控系统的使用方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200522 |