CN108877914A - 基于物联网的患者的行为监控方法及装置、存储介质、终端 - Google Patents
基于物联网的患者的行为监控方法及装置、存储介质、终端 Download PDFInfo
- Publication number
- CN108877914A CN108877914A CN201810558137.7A CN201810558137A CN108877914A CN 108877914 A CN108877914 A CN 108877914A CN 201810558137 A CN201810558137 A CN 201810558137A CN 108877914 A CN108877914 A CN 108877914A
- Authority
- CN
- China
- Prior art keywords
- patient
- predeterminable area
- doctor
- advice
- behavior monitoring
- 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.)
- Withdrawn
Links
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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种基于物联网的患者的行为监控方法及装置、存储介质、终端，所述方法包括：基于所述患者的医嘱确定第一预设区域；发送提示信息至与所述患者绑定的医疗终端，以引导所述患者移动至所述第一预设区域；在所述患者移动期间，从物联网设备获取所述患者的患者数据，所述患者数据包括生命体征及移动信息；响应于预设警戒事件，发出提示信息，所述预设警戒事件基于所述患者的患者数据触发。通过本发明提供的方案能够基于物联网技术极大地便利医护场景中对患者行为的监控，以优化患者和医护人员双方的用户体验。
Description
技术领域
本发明涉及物联网技术领域，具体地涉及一种基于物联网的患者的行为监控方法及装置、存储介质、终端。
背景技术
随着物联网技术的发展及其在医院等医护场景中的推广应用，越来越多的医院开始采用智能手环、摄像头等设备来监控患者在医院内的行为。
但是，现有针对患者的行为监控措施仅能起到记录作用，以便在发生事故时作为证据展示。
在现阶段，大多数情况下，在医护场景中患者的行为监控存在较多局限，无法充分发挥智能手环、摄像头等电子设备的全部优势，使得患者的使用体验大打折扣，也不利于医护人员对患者的行为进行及时跟踪。
发明内容
本发明解决的技术问题是如何基于物联网技术更好地实现在医护场景中对患者行为的监控，以优化用户体验。
为解决上述技术问题，本发明实施例提供一种基于物联网的患者的行为监控方法，包括：基于所述患者的医嘱确定第一预设区域；发送提示信息至与所述患者绑定的医疗终端，以引导所述患者移动至所述第一预设区域；在所述患者移动期间，从物联网设备获取所述患者的患者数据，所述患者数据包括生命体征及移动信息；响应于预设警戒事件，发出提示信息，所述预设警戒事件基于所述患者的患者数据触发。
可选的，所述基于所述患者的医嘱确定第一预设区域包括：获取所述患者的医嘱；根据所述患者的医嘱及预设区域内的人流分布信息确定所述第一预设区域。
可选的，所述从物联网设备获取所述患者的患者数据包括：从所述患者携带的便携式设备获取所述患者的生命体征；从设置于预设区域的影像采集设备获取采集到的影像信息；对采集到的影像信息进行人脸识别，以从中筛选出所述患者的影像信息；根据所述患者的影像信息获取所述患者的移动信息。
可选的，所述预设警戒事件包括：所述患者进入第二预设区域，所述第二预设区域包括预设区域内的常态禁区以及根据所述患者的医嘱和/或生命体征确定的临时禁区；所述响应于预设警戒事件，发出提示信息包括：响应于所述患者进入所述第二预设区域，根据所述第二预设区域的安全等级和/或所述患者的移动信息，向所述患者和/或与所述患者关联的人员发出所述提示信息。
可选的，所述根据所述第二预设区域的安全等级和/或所述患者的移动信息，向所述患者和/或与所述患者关联的人员发出所述提示信息包括：当所述第二预设区域的安全等级低于第一预设阈值，和/或所述患者的移动信息表明所述患者的移动幅度小于第二预设阈值时，向所述患者携带的便携式设备发出所述提示信息。
可选的，所述根据所述第二预设区域的安全等级和/或所述患者的移动信息，向所述患者和/或与所述患者关联的人员发出所述提示信息包括：当所述第二预设区域的安全等级高于第一预设阈值，和/或所述患者的移动信息表明所述患者的移动幅度大于第二预设阈值时，向所述患者携带的便携式设备以及与所述患者关联的人员的信息提示设备发出所述提示信息。
可选的，所述预设警戒事件包括：所述患者的生命体征发生异常；所述响应于预设警戒事件，发出提示信息包括：响应于识别到所述患者的生命体征发生异常，向与所述患者关联的人员的信息提示设备发出提示信息。
可选的，通过所述患者携带的便携式设备识别所述患者的生命体征是否发生异常。
可选的，所述预设警戒事件包括：所述患者的移动信息发生异常；所述响应于预设警戒事件，发出提示信息包括：响应于识别到所述患者的移动信息发生异常，向与所述患者关联的人员的信息提示设备发出提示信息。
可选的，通过对影像采集设备采集到的患者的影像信息进行动作识别来判断所述患者的移动信息是否发生异常。
可选的，所述响应于预设警戒事件被触发，发出提示信息包括：根据所述预设警戒事件的紧急等级确定与所述患者关联的人员；向所述与所述患者关联的人员的信息提示设备发出提示信息。
可选的，所述基于所述患者的医嘱确定第一预设区域包括：获取所述患者的医嘱；基于预设多隐层深度学习算法模型确定所述患者的医嘱与预设区域集合中各预设区域的关联度，所述预设多隐层深度学习算法模型是通过对历史数据的训练获得的，所述历史数据包括预设时间段内产生的患者的医嘱和对应的第一预设区域；将关联度最大的预设区域确定为所述第一预设区域。
可选的，所述预设多隐层深度学习算法模型包括：输入层，用于接收所述患者的医嘱；至少一层隐层，用于通过先发散后收敛的运算逻辑对所述输入层输入的患者的医嘱进行计算，以确定所述患者的医嘱与所述预设区域集合中各预设区域的关联度，对于每一层隐层，该隐层的输入为其上一层隐层的输出；输出层，用于输出所述至少一层隐层的计算结果。
可选的，对于每一层隐层，所述隐层包括多个连接元，对于每一连接元，所述连接元用于连接该连接元所在隐层的上一层隐层的每一输出，所述连接元可以基于线性方程式bx＝ax1+…+bxi+…+cxd+…+dxm表示，其中，bx为所述连接元，{x1,…,xi,…,xd,…xm}为所述上一层隐层的输出集合，{a,…,b,…,c,…d}为连接权重集合，不同的连接元对应不同的连接权重集合，各连接元对应的连接权重集合是通过对所述历史数据的训练获得的。
可选的，所述关联度是指：所述患者的医嘱对应至所述预设区域集合中各预设区域的概率。
可选的，所述行为监控方法还包括：响应于所述提示信息被发出，存储发出时刻前后所述物联网设备获取的所述患者的患者数据。
本发明实施例还提供一种基于物联网的患者的行为监控装置，包括：确定模块，用于基于所述患者的医嘱确定第一预设区域；发送模块，用于发送提示信息至与所述患者绑定的医疗终端，以引导所述患者移动至所述第一预设区域；获取模块，在所述患者移动期间，从物联网设备获取所述患者的患者数据，所述患者数据包括生命体征及移动信息；提示模块，响应于预设警戒事件，发出提示信息，所述预设警戒事件基于所述患者的患者数据触发。
可选的，所述确定模块包括：第一获取子模块，用于获取所述患者的医嘱；第一确定子模块，用于根据所述患者的医嘱及预设区域内的人流分布信息确定所述第一预设区域。
可选的，所述获取模块包括：第二获取子模块，用于从所述患者携带的便携式设备获取所述患者的生命体征；第三获取子模块，用于从设置于预设区域的影像采集设备获取采集到的影像信息；人脸识别子模块，用于对采集到的影像信息进行人脸识别，以从中筛选出所述患者的影像信息；第四获取子模块，用于根据所述患者的影像信息获取所述患者的移动信息。
可选的，所述预设警戒事件包括：所述患者进入第二预设区域，所述第二预设区域包括预设区域内的常态禁区以及根据所述患者的医嘱和/或生命体征确定的临时禁区；所述提示模块包括：第一提示子模块，响应于所述患者进入所述第二预设区域，根据所述第二预设区域的安全等级和/或所述患者的移动信息，向所述患者和/或与所述患者关联的人员发出所述提示信息。
可选的，所述第一提示子模块包括：第一提示单元，当所述第二预设区域的安全等级低于第一预设阈值，和/或所述患者的移动信息表明所述患者的移动幅度小于第二预设阈值时，向所述患者携带的便携式设备发出所述提示信息。
可选的，所述第一提示子模块包括：第二提示单元，当所述第二预设区域的安全等级高于第一预设阈值，和/或所述患者的移动信息表明所述患者的移动幅度大于第二预设阈值时，向所述患者携带的便携式设备以及与所述患者关联的人员的信息提示设备发出所述提示信息。
可选的，所述预设警戒事件包括：所述患者的生命体征发生异常；所述提示模块包括：第二提示子模块，响应于识别到所述患者的生命体征发生异常，向与所述患者关联的人员的信息提示设备发出提示信息。
可选的，所述行为监控装置通过所述患者携带的便携式设备识别所述患者的生命体征是否发生异常。
可选的，所述预设警戒事件包括：所述患者的移动信息发生异常；所述提示模块包括：第三提示子模块，响应于识别到所述患者的移动信息发生异常，向与所述患者关联的人员的信息提示设备发出提示信息。
可选的，所述行为监控装置通过对影像采集设备采集到的患者的影像信息进行动作识别来判断所述患者的移动信息是否发生异常。
可选的，所述提示模块包括：第二确定子模块，用于根据所述预设警戒事件的紧急等级确定与所述患者关联的人员；第四提示子模块，用于向所述与所述患者关联的人员的信息提示设备发出提示信息。
可选的，所述确定模块包括：第五获取子模块，用于获取所述患者的医嘱；第三确定子模块，用于基于预设多隐层深度学习算法模型确定所述患者的医嘱与预设区域集合中各预设区域的关联度，所述预设多隐层深度学习算法模型是通过对历史数据的训练获得的，所述历史数据包括预设时间段内产生的患者的医嘱和对应的第一预设区域；选择子模块，用于将关联度最大的预设区域确定为所述第一预设区域。
可选的，所述预设多隐层深度学习算法模型包括：输入层，用于接收所述患者的医嘱；至少一层隐层，用于通过先发散后收敛的运算逻辑对所述输入层输入的患者的医嘱进行计算，以确定所述患者的医嘱与所述预设区域集合中各预设区域的关联度，对于每一层隐层，该隐层的输入为其上一层隐层的输出；输出层，用于输出所述至少一层隐层的计算结果。
可选的，对于每一层隐层，所述隐层包括多个连接元，对于每一连接元，所述连接元用于连接该连接元所在隐层的上一层隐层的每一输出，所述连接元可以基于线性方程式bx＝ax1+…+bxi+…+cxd+…+dxm表示，其中，bx为所述连接元，{x1,…,xi,…,xd,…xm}为所述上一层隐层的输出集合，{a,…,b,…,c,…d}为连接权重集合，不同的连接元对应不同的连接权重集合，各连接元对应的连接权重集合是通过对所述历史数据的训练获得的。
可选的，所述关联度是指：所述患者的医嘱对应至所述预设区域集合中各预设区域的概率。
可选的，所述行为监控装置还包括：存储模块，响应于所述提示信息被发出，存储发出时刻前后所述物联网设备获取的所述患者的生命体征及移动信息。
本发明实施例还提供一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述方法的步骤。
本发明实施例还提供一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述方法的步骤。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
本发明实施例提供一种基于物联网的患者的行为监控方法，包括：基于所述患者的医嘱确定第一预设区域；发送提示信息至与所述患者绑定的医疗终端，以引导所述患者移动至所述第一预设区域；在所述患者移动期间，从物联网设备获取所述患者的患者数据，所述患者数据包括生命体征及移动信息；响应于预设警戒事件，发出提示信息，所述预设警戒事件基于所述患者的患者数据触发。较之现有对患者的行为监控方案，本实施例所述方案能够根据所述患者的医嘱确定最适合于所述患者的第一预设区域(如花园、天台等)，通过与所述患者绑定的医疗终端提示并引导所述患者移动至所述第一预设区域。进一步，在引导期间以及患者到达所述第一预设区域后在所述第一预取区域内活动期间，基于本发明实施例所述方案还可以获取所述患者的患者数据，以在发生预设警戒事件时发出提示，供所述患者或与其相关联的人员及时做出反应。本领域技术人员理解，结合所述患者的医嘱以及基于物联网技术实时采集获得的所述患者的患者数据，本发明实施例所述方案能够对患者在医院内的行为实现实时、连续的跟踪监控，并在发生预设警戒事件时，及时发出提示信息，以防出现意外事件，保障患者的人身安全。
进一步，所述预设警戒事件包括：所述患者进入第二预设区域，所述第二预设区域包括预设区域内的常态禁区以及根据所述患者的医嘱和/或生命体征确定的临时禁区；所述响应于预设警戒事件，发出提示信息包括：响应于所述患者进入所述第二预设区域，根据所述第二预设区域的安全等级和/或所述患者的移动信息，向所述患者和/或与所述患者关联的人员发出所述提示信息。本领域技术人员理解，通过本发明实施例所述方案，能够连续监控所述患者在预设区域(如医院)内的行为，从而在发现患者进入或意图进入所述第二预设区域时，及时触发所述预设警戒事件，向所述患者及其关联的人员发出提示信息，维护预设区域内的秩序稳定，降低突发事件的发生概率，保障患者的人身安全。
进一步，获取所述患者的医嘱；基于预设多隐层深度学习算法模型确定所述患者的医嘱与预设区域集合中各预设区域的关联度，所述预设多隐层深度学习算法模型是通过对历史数据的训练获得的，所述历史数据包括预设时间段内产生的患者的医嘱和对应的第一预设区域；将关联度最大的预设区域确定为所述第一预设区域。本领域技术人员理解，本实施例的方案以历史上(如预设时段内)产生的患者的医嘱和对应的第一预设区域为训练基础对所述预设多隐层深度学习算法模型进行训练，根据历史数据调整模型中各个学习元(即患者的医嘱包括的多个参考维度)之间的连接权重，使得训练获得的模型对历史数据中患者的医嘱与预设区域集合中各预设区域的关联度的预测结果符合历史数据的实际结果。也即，对于每一历史数据中的患者的医嘱，当基于所述模型预测的与该患者的医嘱的关联度最高的预设区域与该历史数据中该患者的医嘱对应的第一预设区域相同时，可以认为该模型训练效果较好。进一步，在实际应用中，基于前述训练好的所述预设多隐层深度学习算法模型，能够精准预测出当前获取的患者的医嘱对应的第一预设区域，通过类似于神经网络的预测方法模拟人脑思维，根据患者的医嘱、数据环境等因素智能化地确定第一预设区域。
附图说明
图1是本发明第一实施例的一种基于物联网的患者的行为监控方法的流程图；
图2是本发明第一实施例的一个典型的应用场景的示意图；
图3是本发明第一实施例中预设多隐层深度学习算法模型的原理示意图；
图4是本发明第二实施例的一种基于物联网的患者的行为监控装置的结构示意图。
具体实施方式
本领域技术人员理解，如背景技术所言，在现有的医护场景中，对患者的行为监控方案仍局限于数据记录方面，无法充分发挥物联网技术的全部优势，极大影响了患者和医护人员双方的用户体验。
为了解决上述技术问题，本发明实施例的方案提供一种基于物联网的患者的行为监控方法，包括：基于所述患者的医嘱确定第一预设区域；发送提示信息至与所述患者绑定的医疗终端，以引导所述患者移动至所述第一预设区域；在所述患者移动期间，从物联网设备获取所述患者的患者数据，所述患者数据包括生命体征及移动信息；响应于预设警戒事件，发出提示信息，所述预设警戒事件基于所述患者的患者数据触发。
本领域技术人员理解，本实施例所述方案能够根据所述患者的医嘱确定最适合于所述患者的第一预设区域(如花园、天台等)，通过与所述患者绑定的医疗终端提示并引导所述患者移动至所述第一预设区域。
进一步地，在引导期间以及患者到达所述第一预设区域后在所述第一预取区域内活动期间，基于本发明实施例所述方案还可以获取所述患者的患者数据，以在发生预设警戒事件时发出提示，供所述患者或与其相关联的人员及时做出反应。
本领域技术人员理解，结合所述患者的医嘱以及基于物联网设备实时采集获得的所述患者的患者数据，本发明实施例所述方案能够对患者在医院内的行为实现实时、连续的跟踪监控，并在发生预设警戒事件时，及时发出提示信息，以防出现意外事件，保障患者的人身安全。
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
图1是本发明第一实施例的一种基于物联网的患者的行为监控方法的流程图。其中，本实施例可以是应用于医护场景的，以供医护人员利用物联网对患者在预设区域(如医院、病区、病房)内的各种行为进行有效监控，并根据监控的结果阻止或引导患者进入特定区域，以为患者提供更好的医护体验，同时保障医护人员的人身、隐私安全；本实施例所述方案可以由设置于所述预设区域内的后台服务器执行，如设置于护士站的后台服务器，或者，也可以由与所述患者相关联的医护人员的医用平板电脑执行。
具体地，在本实施例中，所述基于物联网的患者的行为监控方法可以包括如下步骤：
步骤101，基于所述患者的医嘱确定第一预设区域。
步骤S102，发送提示信息至与所述患者绑定的医疗终端，以引导所述患者移动至所述第一预设区域。
步骤S103，在所述患者移动期间，从物联网设备获取所述患者的患者数据，所述患者数据包括生命体征及移动信息。
步骤S104，响应于预设警戒事件，发出提示信息，所述预设警戒事件基于所述患者的患者数据触发。
更为具体地，所述第一预设区域可以是针对所述患者的推荐活动区域。
进一步地，所述物联网设备是指搭载有物联网通讯模块的设备。
例如，所述物联网设备可以包括：输液报警器、心跳采集设备、体温采集设备、医用手环、影像采集设备、红外感应设备等能够通过相应的通信协议与所述后台服务器相通讯的任何适当的外部设备。具体而言，所述输液报警器用以监控患者的输液过程是否存在异常；各个体征信息(血压、心跳、体温等)采集设备用以采集患者的体征信息(也可称为生命体征)；医用手环可以由所述患者佩戴，所述医用手环上可以集成有定位芯片以精准定位患者的实时位置，所述体征信息采集设备也可以集成在所述医用手环上，以及时监测所述患者的生命体征；所述影像采集设备(如监控摄像头)和红外感应设备均可以用以获取所述患者的移动信息，其中，所述红外感应设备还可用以采集所述患者的体表温度数据。在实际应用中，也可以采用其他便携式设备(如手表等)采集所述患者的患者数据，在此不予赘述。
进一步地，所述物联网通讯模块可以包括：射频(Radio Frequency，简称RF)模块、射频识别(Radio Frequency Identification，简称RFID)模块、近场通信(Near FieldCommunication，简称NFC)模块，蓝牙模块，Wi-Fi模块，ZigBee模块等。
在一个非限制性实施例中，所述步骤S101可以包括步骤：获取所述患者的医嘱；根据所述患者的医嘱及预设区域内的人流分布信息确定所述第一预设区域，以使所述患者的运动量符合所述医嘱建议且所述预设区域内的人流分布保持均衡。
例如，所述患者的医嘱推荐所述患者今天要运动三十分钟，而所述患者的病历信息表明其膝关节存在损伤，则基于本实施例所述方案，可以将预设区域(如医院)内的花园等地势平缓、少台阶的区域确定为针对所述患者的第一预设区域，以使所述患者能够在所述第一预设区域获得更好的活动体验。
进一步地，所述第一预设区域还可以根据所述医院内的人流分布情况实时更新，从而将医院内的患者分散的引导至适合的活动区域，避免部分区域人流太过密集，影响患者的住院体验。
进一步地，所述医疗终端可以包括医用平板电脑、便携式设备等物联网设备。
在实际应用中，所述患者可以基于其身份信息预先与医用平板电脑和便携式设备进行绑定，其中，所述医用平板电脑可以常设于所述患者的病房内，所述便携式设备可以供所述患者随身携带。
进一步地，所述便携式设备可以包括医用手环、智能手表等可穿戴设备，还可以包括手机、掌上电脑(Personal Digital Assistant，简称PDA)等可随身携带的设备。
在一个典型的应用场景中，在初始未运动时(如患者在早上醒来后)，所述后台服务器可以基于所述患者绑定的医用平板电脑获取所述患者的医嘱(如护士预先留在所述医用平板电脑上的运动建议)，并执行所述步骤S101，以基于所述医嘱确定所述第一预设区域。
进一步地，在确定所述第一预设区域后，所述后台服务器可以基于所述医用平板电脑向所述患者展示为其规划的移动路线，以引导所述患者从所述医用平板电脑所处位置移动至所述第一预设区域。
优选地，所述移动路线也可以是根据所述患者的医嘱确定的。例如，对于膝关节受损的患者，为其规划的移动路线可以是以扶梯、电梯等交通工具为主的行进路线，以尽量减少上下台阶对患者膝盖的损伤。
优选地，所述移动路线还可以是根据所述预设区域内的人流分布信息确定的，以避免患者在行进过程中收到意外冲撞。
进一步地，在所述患者移动期间，所述后台服务器还可以通过与所述患者携带的便携式设备的实时交互获取所述患者的实时位置信息，以根据所述患者的实时位置信息及时修正推荐至所述患者的移动路线，并通过所述便携式设备以文字提示和/或语音播报的方式提示给所述患者，以引导所述患者安全、舒适地移动至所述第一预设区域。
进一步地，所述预设区域内所有患者的医嘱可以集中存储于所述后台服务器中，或者，同一主治医生或主治护士所负责的所有患者的医嘱可以集中存储于该主治医生或主治护士的医用平板电脑，在针对特定患者执行本实施例所述方案时，可以从所述后台服务器或所述患者关联的主治医生或主治护士的医用平板电脑处获取所述患者的医嘱。
进一步地，在所述患者移动期间，如在所述患者向所述第一预设区域行进期间，以及在所述患者到达所述第一预设区域并在其内活动期间，所述后台服务器还可以基于所述物联网设备获取所述患者的患者数据，以实现对所述患者的行为的实时监控，从而能够对各种突发事件及时作出反应。
进一步地，所述患者数据可以包括生命体征，还可以包括移动信息。
进一步地，所述患者的生命体征可以包括：所述患者的心跳、体温、血压等数据。
进一步地，所述患者的移动信息可以包括：所述患者的行进方向；所述患者的动作信息(如步伐、步态、摆臂幅度、摆臂频率)等。
在一个非限制性实施例中，所述步骤S103可以包括：从所述患者携带的便携式设备获取所述患者的生命体征；从设置于预设区域的影像采集设备获取采集到的影像信息；对采集到的影像信息进行人脸识别，以从中筛选出所述患者的影像信息；根据所述患者的影像信息获取所述患者的移动信息。
其中，所述预设区域可以包括所述第一预设区域以及所述患者移动至第一预设区域的移动路径所覆盖的区域。例如，假设所述预设区域为医院，所述第一预设区域为该医院的楼顶花园，则可以调取所述医院内设置的所有的影像采集设备采集到的影像信息并加以分析，以从中获取所述患者的影像信息。或者，也可以仅调取推荐给所述患者的移动路径所经过的区域以及所述第一预设区域内的影像采集设备采集到的影像信息，以节省信息传输量，节约成本。
具体而言，可以从设置于所述患者的移动路线上的影像采集设备获取采集到的影像信息，以对所述患者在所述预设区域内的行为进行全程性地、持续性的监控。
进一步地，除了对采集到的影像信息进行人脸识别之外，还可以对采集到的所述影像信息进行身体特征识别，以从中筛选出所述患者的影像信息。
例如，可以预先采集所述患者的人脸信息以及身体特征信息(如身高、发型、肩宽等)，以供执行本实施例所述方案时调用。
优选地，所述患者的人脸信息可以预存于后台服务器中；或者，也可以存储于其他第三方数据库中，所述后台服务器可以通过与所述第三方数据库的数据通信调用所述患者的人脸信息以执行本实施例所述筛选操作。
进一步地，所述根据所述患者的影像信息获取所述患者的移动信息可以包括：对所述患者的影像信息进行动作识别，以获取所述患者的移动信息。
例如，所述后台服务器上可以安装有动作识别程序，以对所述患者的影像信息进行动作识别，从而获取所述患者的移动信息。
进一步地，所述影像采集设备可以包括：监控摄像头、抓拍相机等。本领域技术人员还可根据实际需要变化出更多实施例，在此不予赘述。
进一步地，所述便携式设备也可以用于感应所述患者的移动信息，如通过重力感应来感应患者是否发生跌倒等情形。
在一个非限制性实施例中，所述预设警戒事件可以包括：所述患者进入第二预设区域，所述第二预设区域包括预设区域内的常态禁区以及根据所述患者的医嘱和/或生命体征确定的临时禁区。
其中，所述常态禁区可以为所述医院的院长办公室、护士站等办公场所，还可以为所述医院的重症监护室等限制出入区域。
其中，所述临时禁区可以与所述患者的生理状态不相适合的区域，如针对膝关节损伤的患者，假山、阶梯教室等场所可以被列入所述临时禁区；针对医生留言表明禁止接触水的患者，淋浴室可以被列入所述临时禁区。
相应的，在本非限制性实施例中，所述步骤S104可以包括：响应于所述患者进入所述第二预设区域，根据所述第二预设区域的安全等级和/或所述患者的移动信息，向所述患者和/或与所述患者关联的人员发出所述提示信息。
本领域技术人员理解，在不同的场景下，所述后台服务器可以作出不同程度的应对策略，以在优化人力资源配置的同时，更好的确保患者和医护人员的人身安全。
进一步地，可以针对所述第二预设区域预先设定相应的安全等级，以便执行本实施例所述方案时能够区分对应的应用场景进而触发不同的信息提示策略。
例如，所述常态禁区的安全等级可以高于所述临时禁区的安全等级；所述院长办公室的安全等级可以高于所述护士站的安全等级。本领域技术人员还可以根据实际需要变化出更多实施例，在此不予赘述。
在一个典型的应用场景中，当所述第二预设区域的安全等级低于第一预设阈值，和/或所述患者的移动信息表明所述患者的移动幅度小于第二预设阈值时，向所述患者携带的便携式设备发出所述提示信息。
优选地，所述第一预设阈值和第二预设阈值可以由所述医护人员预先设定。在实际应用中，还可随时对所述第一预设阈值进行调整。其中，所述第一预设阈值可以用于衡量所述第二预设区域的安全等级；所述第二预设阈值可以用于衡量所述患者的移动幅度(也可理解为肢体状态)，如步伐、摆臂幅度等。例如，响应于所述患者进入所述护士站(安全等级低于所述第一预设阈值)，所述后台服务器可以仅向所述患者携带的便携式设备发出所述提示信息。
又例如，响应于所述患者接近所述第二预设区域或在所述第二预设区域内的移动幅度小于所述第二预设阈值，如缓慢接近所述第二预设区域，所述后台服务器可以仅向所述患者携带的便携式设备发出所述提示信息，以提示所述患者其以接近或进入所述第二预设区域需立即离开。
再例如，响应于所述患者缓慢进入所述重症监护室(安全等级高于所述第一预设阈值)，由于此时所述患者的移动幅度小于所述第二预设阈值，所述后台服务器可以仅向所述患者携带的便携式设备发出所述提示信息，以提示所述患者其已接近或进入所述第二预设区域需立即离开。
在另一个典型的应用场景中，当所述第二预设区域的安全等级高于第一预设阈值，和/或所述患者的移动信息表明所述患者的移动幅度大于第二预设阈值时，向所述患者携带的便携式设备以及与所述患者关联的人员的信息提示设备发出所述提示信息。
例如，响应于所述患者进入新生儿监护室(安全等级高于所述第一预设阈值)，所述后台服务器可以向所述患者携带的便携式设备以及与所述患者关联的人员的信息提示设备发出所述提示信息。其中，所述与所述患者关联的人员可以包括所述患者的主治医生、责任护士等。所述与所述患者关联的人员的信息提示设备可以包括所述医用平板电脑、物联网扫描枪、PDA、手机等。所述提示信息可以采用语音、文字、提示音等形式。
又例如，响应于所述患者冲进所述护士站，所述后台服务器可以向所述患者携带的便携式设备以及与所述患者关联的人员的信息提示设备发出所述提示信息，以供相关人员及时应对。其中，可以基于所述患者的移动幅度大于所述第二预设阈值确定所述患者的冲入行为。
进一步地，除了向所述患者关联的人员的信息提示设备发出所述提示信息外，还可以向所述第二预设区域关联的人员的信息提示设备发出所述提示信息。其中，所述第二预设区域关联的人员可以包括当前位于所述第二预设区域的医护人员、安保人员等，还可以包括所述第二预设区域的责任人员。
进一步地，还可以通过设置于所述第二预设区域的公共提示设备发出，所述公共提示设备可以包括门牌机、廊屏、电视、喇叭、护士站显示屏等。
作为另一个非限制性实施例，所述预设警戒事件可以包括：所述患者的生命体征发生异常。
进一步地，可以通过所述患者携带的便携式设备识别所述患者的生命体征是否发生异常。例如，基于所述患者的心跳、血压等数据判断所述患者的生命体征是否发生异常。
相应的，所述步骤S104可以包括：响应于识别到所述患者的生命体征发生异常，向与所述患者关联的人员的信息提示设备发出提示信息。
例如，在所述患者进入所述第一预设区域期间，响应于所述患者的生命体征表明所述患者的心跳过快，需要卧床静养，可以将除了所述患者的病房之外的区域均设置为所述第二预设区域，并通过所述患者携带的便携式设备向所述患者发出提示信息，以提示所述患者尽快回房休息。进一步地，若所述患者的心跳信息显示持续异常，所述后台服务器还可以向所述患者的主治医生和责任护士的医用平板电脑发出所述提示信息，以提示相关人员尽快处理。
作为又一个非限制性实施例，所述预设警戒事件可以包括：所述患者的移动信息发生异常。例如，可以通过对所述影像采集设备采集到的患者的影像信息进行动作识别来判断所述患者的移动信息是否发生异常；又例如，还可以基于所述便携式设备感应所述患者是否发生异常。其中，所述异常可以指发生跌倒、被猛烈碰撞等意外事件，还可以指突然加速、与他人发生肢体冲突等人为事件。
相应的，所述步骤S104可以包括：响应于识别到所述患者的移动信息发生异常，向与所述患者关联的人员的信息提示设备发出提示信息。
例如，在所述患者进入所述第一预设区域期间，若所述患者携带的便携式设备感应到所述患者发生跌倒事件，所述后台服务器可以基于所述便携式设备的感应信息立即向与所述患者关联的人员的信息提示设备发出提示信息，以提示所述与所述患者关联的人员及时到场进行处理。
又例如，若对所述影像采集设备采集到的患者的影像信息进行动作识别的识别结果表明所述患者与他人发生肢体冲突，则无论所述患者当前是否处于所述第二预设区域，所述后台服务器均向与所述患者关联的人员的信息提示设备发出提示信息，以提示所述与所述患者关联的人员及时到场进行处理。
作为又一个非限制性实施例，所述步骤S104还可以包括：根据所述预设警戒事件的紧急等级确定与所述患者关联的人员；向所述与所述患者关联的人员的信息提示设备发出提示信息。
进一步地，针对前述不同的预设警戒事件，可以预先设定不同的紧急等级。
例如，当所述预设警戒事件为所述患者进入第二预设区域，并且所述第二预设区域的安全等级低于第一预设阈值，和/或所述患者的移动信息表明所述患者的移动幅度小于第二预设阈值时，可以确定该预设警戒事件对应的紧急等级为低等级，当触发该预设警戒事件时，仅向所述患者发出提示信息，或者，还向所述患者的责任护士发出提示信息。
又例如，当所述预设警戒事件为所述患者进入第二预设区域，并且所述第二预设区域的安全等级高于第一预设阈值，和/或所述患者的移动信息表明所述患者的移动幅度大于第二预设阈值时，可以确定该预设警戒事件对应的紧急等级为高等级，当触发该预设警戒事件时，不仅向所述患者发出提示信息，还向所述患者关联的医护人员以及所述预设区域的安保人员发出提示信息。
再例如，当所述预设警戒事件为所述患者的生命体征发生异常，则根据所述异常的严重程度可以对应不同的紧急等级，进而确定不同范围的与所述患者关联的人员。优选地，越严重的异常情况对应越高的紧急等级，需要通知的人员也越多，级别也越高。例如，轻度异常需要通知的人员可以包括所述患者的责任护士；中度异常需要通知的人员可以包括所述患者的责任护士和主治医生；重度异常(如心脏骤停)需要通知的人员可以包括所述预设区域内的所有医护人员。
又例如，当所述预设警戒事件为所述患者的移动信息发生异常，也可以将所述异常的严重程度对应不同的紧急等级，进而确定不同范围的与所述患者关联的人员。优选地，越严重的异常情况对应越高的紧急等级，需要通知的人员也越多，级别也越高。例如，轻度异常需要通知的人员可以包括所述患者的责任护士；中度异常需要通知的人员可以包括所述患者的责任护士和主治医生；重度异常(如患者与他人发生肢体冲突)需要通知的人员可以包括所述预设区域内的安保人员。
优选地，所述预设警戒事件与紧急等级的对应关系可以由所述医护人员预先设定，并在实际应用中根据需要随时调整。
进一步地，在所述步骤S104之后还可以包括步骤：响应于所述提示信息被发出，存储发出时刻前后所述物联网设备获取的所述患者的生命体征及移动信息，以备后续调用、查看。
在本实施例的一个典型的应用场景中，参考图2，响应于接收到医护人员针对患者1的运动建议，所述后台服务器可以根据所述患者1的病历信息等内容确定第一预设区域2，确定从所述患者1的当前位置到所述第一预设区域2的移动路线s1，并基于所述患者1绑定的医用平板电脑向所述患者1展示所述移动路线s1。
进一步地，在所述患者1移动期间，所述后台服务器可以调用设置于预设区域3内的影像采集设备4，以监控所述患者1在所述预设区域3内的行为。优选地，所述预设区域3内可以设置多个影像采集设备4，所述多个影像采集设备4的图像采集范围覆盖所述预设区域3的所有区域。
进一步地，所述后台服务器获取所述影像采集设备4采集到的影像信息，并基于人脸识别技术从中识别出所述患者1的影像信息，进而获取所述患者1的移动信息。
进一步地，所述后台服务器还可以与所述患者1携带的便携式设备5进行数据交互，以获取所述患者1的生命体征及实时位置。
进一步地，响应于所述便携式设备5采集到的所述患者1的生命体征及所述患者1的医嘱，所述后台服务器可以及时调整所述移动路线s1，并通过所述便携式设备5提示至所述患者1。
在一个优选例中，在所述患者1进入所述第一预设区域2期间，响应于所述患者1进入第二预设区域6，而所述第二预设区域6的安全等级低于第一预设阈值，并且所述患者1的移动信息表明所述患者1的移动幅度小于第二预设阈值，所述后台服务器向所述患者1携带的便携式设备5发出提示信息，以提示所述患者5尽快离开所述第二预设区域6。
在另一个优选例中，在所述患者1移动期间，响应于所述患者1进入第二预设区域7，而所述第二预设区域7的安全等级高于所述第一预设阈值，或者，虽然所述第二预设区域7的安全等级低于所述第一预设阈值但所述患者1的移动信息表明所述患者1的移动幅度大于第二预设阈值，所述后台服务器在向所述患者1携带的便携式设备5发出提示信息的同时，还向所述患者1关联的医护人员的信息提示设备发出提示信息，以提示所述患者5尽快离开所述第二预设区域6，并提示所述医护人员尽快到场处理。
在又一个优选例中，在所述患者1移动期间，响应于所述患者1的生命体征出现异常，所述后台服务器可以根据异常的紧急程度向所述患者1和/或护士站8的主机发出提示信息，以提示医护人员尽快到场处理。
在再一个优选例中，在所述患者1移动期间，响应于所述患者1的移动信息发生异常，所述后台服务器也可以根据异常的紧急程度向所述患者1和/或所述预设区域3内的安保人员发出提示信息，以提示相关人员尽快到场处理。
作为一个非限制性实施例，所述步骤S101可以包括：获取所述患者的医嘱；基于预设多隐层深度学习算法模型确定所述患者的医嘱与预设区域集合中各预设区域的关联度，所述预设多隐层深度学习算法模型是通过对历史数据的训练获得的，所述历史数据包括预设时间段内产生的患者的医嘱和对应的第一预设区域；将关联度最大的预设区域确定为所述第一预设区域。
具体地，结合图3，所述预设多隐层深度学习模型10可以包括：输入层11，用于作为所述预设多隐层深度学习模型10的输入端口，在本实施例中，所述输入层11接收到的数据为所述患者的医嘱；至少一层隐层12(图3中仅示出一层)，用于作为输入和输出之间的连接，所述隐层12发散后再收敛，以通过不确定性的运算获得确定的输出结果；输出层13，用于作为所述预设多隐层深度学习模型10的输出端口，在本实施例中，所述输出层13输出的数据为所述数据层11输入的患者的医嘱与预设区域集合中各预设区域的关联度。
更为具体地，所述关联度可以基于概率描述。也即，所述输出层13输出的实际为所述患者的医嘱对应至预设区域集合中各预设区域的概率。
优选地，关联度最大(即概率最大)的预设区域即为所述患者的医嘱对应的第一预设区域。
对于所述输入层11，输入的所述患者的医嘱可以包括多个参考维度x1…xm(图3中仅示出其中的三个参考维度x1、xi和xd)。所述参考维度可以包括：医生医嘱、化验、常规检查、B超、年龄等个性化维度。
对于所述输出层13，输出的关联度可以包括所述预设区域集合包括的每一预设区域的关联度y1…ym(图3中仅示出其中的三个关联度y1，yj和yl)。所述预设区域集合包括的元素可以由用户预先定义，并在实际应用中根据需要进行增减。
对于每一所述隐层12，均可以包括多个连接元，其中每一连接元用于连接上一层隐层12(或输入层11)的每一输出，当前隐层12的输出(即每一连接元)为下一层隐层12(或输出层13)的输入。
对于每一连接元，均可基于线性方程式bx＝ax1+…+bxi+…+cxd+…+dxm表示，其中，bx为所述连接元，{x1,…,xi,…,xd,…xm}为所述上一层隐层的输出集合(由于图3仅示出一层隐层12，所以该隐层12的连接元的输入即为所述输入层11接收到的输入数据)，{a,…,b,…,c,…d}为连接权重集合，不同的连接元可以对应不同的连接权重集合。本实施例基于历史数据训练所述预设多隐层深度学习模型10，以调整各连接元对应的连接权重集合以及每个连接权重的阈值，使得所述预设多隐层深度学习模型10的输出结果符合历史数据的实际结果，以使所述预设多隐层深度学习模型10能够在实际应用中发挥作用。
换言之，本实施例的方案以历史上(如预设时段内)产生的患者的医嘱和对应的第一预设区域为训练基础对所述预设多隐层深度学习算法模型10进行训练，根据历史数据调整模型中各个学习元(即患者的医嘱包括的多个参考维度)之间的连接权重，使得训练获得的模型对历史数据中患者的医嘱与预设区域集合中各预设区域的关联度的预测结果符合历史数据的实际结果。
也即，对于每一历史数据中的患者的医嘱，当基于所述模型预测的与该患者的医嘱的关联度最高的预设区域与该历史数据中该患者的医嘱对应的第一预设区域相同时，可以认为该模型训练效果较好。
进一步，在实际应用中，基于前述训练好的所述预设多隐层深度学习算法模型10，能够精准预测出当前获取的患者的医嘱对应的第一预设区域，通过类似于神经网络的预测方法模拟人脑思维，根据患者的医嘱、数据环境等因素智能化地确定第一预设区域。
接下来对所述预设多隐层深度学习算法模型10的训练过程做具体阐述。
具体地，可以根据医院在预设时段内采集的样本数据来进行训练。
例如，给定训练集D＝{(x1,y1),(x2,y2),...,(xm,ym)}，以其中的一个训练例(xk,yk)为例，其中xk为第k位患者的医嘱(包括多个参考维度)，yk为历史上根据所述第k位患者的医嘱确定的第一预设区域，1≤k≤m，m为样本数据的总数。
假定所述预设多隐层深度学习算法模型10的输出为其中，为第k位患者在输入患者数据(如患者的医嘱)后根据模型预测的输出值，为所述输出值中的每个预设区域的值的大小，l为所述预设区域集合包括的元素的数量。
假定公式1.1：
其中，为所述第k位患者在输入患者数据后根据模型预测的输出值中第j个预设区域的值的大小，1≤j≤l，βj为输入参数(即所述第k位患者的医嘱)进行权重连接计算求和的函数，即上一层隐层的每个输入参数的权重乘以当前隐层后的加和，θj为该函数中的阈值，该阈值的具体数值也可以是通过模型训练获得的，所述阈值可以用于增强预设多隐层深度学习算法模型10(以下简称模型10)的准确性和拟合性。
进一步地，所述预设多隐层深度学习算法模型10所采用的多隐层深度学习算法在训练例(xk,yk)上的均方误差可以基于公式1.2表示：
其中，Ek为训练例(xk,yk)的均方误差，为所述第k位患者在输入患者数据后根据模型预测的输出值中第j个预设区域的值的大小，1≤j≤l，为历史上针对所述第k位患者确定的第一预设区域的编号。
具体而言，在基于历史数据训练期间，所述均方误差可以用于衡量所述模型10计算产生的第一预设区域相对于历史上实际确定的第一预设区域的偏差程度。也即，所述公式1.2的计算结果越小，代表所述模型10的计算结果越准确。一个训练例(即样本)对应一个均方误差，所述训练集D可能包含几万个、几十万个样本，每个样本经模型10训练后都要采集其均方误差，最后对所有样本的累计均方误差进行优化，从而调整所述模型10(如调整各隐层12各连接元的连接权重)，最终获得符合历史数据的模型10。
假设任意参数υ的更新估计式为：
υ←υ+Δυ 1.3
其中，所述任意参数υ为模型公式中的连接权重的指代；Δυ为所述任意参数υ的更新估计值(即步长，对应后续公式中的Δw)。
本实施例所述预设多隐层深度学习算法模型10基于梯度下降策略，以目标的负梯度方向对参数进行调整。具体而言，当所述公式1.2获得的均方误差过大(即模型10仍不够准确)时，需要通过逆梯度倒推的方式逐渐调整(一般为降低)公式1.1中各参数的权重，以使所述公式1.2的计算结果符合预期。
在一个优选例中，对于均方误差Ek，给定学习率η，通过公式1.4至1.7(可理解为梯度下降公式)进行偏微分计算：
f'(x)＝f(x)(1-f(x)) 1.7
其中，η为学习率，βj为输入参数进行权重连接计算求和的函数，whj为模型公式中的输入参数的连接权重，bh为隐层的输出值。所述学习率η可以用于控制所述步长。
根据公式1.1和1.2，可以得到公式1.8：
其中，gj为输出层13参数的梯度项。
进一步地，将公式1.8和公式1.6代入公式1.5，然后再代入公式1.4，可以获得所述预设多隐层深度学习算法模型10关于whj的更新公式：
Δwhj＝ηgjbh 1.9
Δθj＝-ηgj 1.10
Δυih＝ηehxi 1.11
Δγh＝-ηeh 1.12
其中，γh为隐层12参数的阈值，θj为输出层13参数的阈值，whj为输出层13参数的连接权重，υih为隐层12参数的连接权重。
公式1.11和公式1.12中的eh可以基于如下公式表示：
其中，eh为隐层12参数的梯度项。
进一步地，基于如上各公式所述算法，可以搭建出所述预设多隐层深度学习算法模型10进行训练，对于每一训练例和历史数据，通过执行上述各公式构成的算法后，能够计算输出层13的误差，再将误差逆向传播至各隐层12计算层，根据隐层12计算层的误差训练(平均轮数为5000轮)对输出层13的误差进行修正，直至所述输出层13的输出结果与历史数据的实际结果相符。
例如，对于历史数据：患者A有50个参考维度(即50个x)，最终为其确定的第一预设区域y为第29预设区域。
在对所述预设多隐层深度学习算法模型10进行训练时(如第一次运行该模型，系统初始化各学习元的连接权重)，将所述50个参考维度代入公式1.1并进行后续计算，得到最终的50个输出数据其中，l＝50。
进一步地，对50个输出数据进行归一化处理，以获得各个y的概率。
若其中概率最大的y对应的预设区域和历史数据不相匹配，则所述预设多隐层深度学习算法模型10按照梯度下降策略调整各隐层12的连接权重，回算参数，直至最终的输出结果中概率最大的y对应的预设区域为第29预设区域。此时，对所述预设多隐层深度学习算法模型10的训练完成。
进一步地，训练完成后，根据所述公式1.1的结果，在实际应用中，每输入一未知患者的医嘱时，公式1.2根据模型计算出结果后，可以根据SOFTMAX函数模型对其进行归一化分类，具体地归一化处理公式如下：
其中，e表示自然常数，yi表示模型输出结果中某一区域参数值的大小。
经上述归一化分类处理后，P值最大的yi即为输入的患者的医嘱对应的第一预设区域。
图4是本发明第二实施例的一种基于物联网的患者的行为监控装置的结构示意图。本领域技术人员理解，本实施例所述基于物联网的患者的行为监控装置9(以下简称为行为监控装置9)可以用于实施上述图1所示实施例中所述的方法技术方案。
具体地，在本实施例中，所述行为监控装置9可以包括：确定模块91，用于基于所述患者的医嘱确定第一预设区域；发送模块92，用于发送提示信息至与所述患者绑定的医疗终端，以引导所述患者移动至所述第一预设区域；获取模块93，在所述患者移动期间，从物联网设备获取所述患者的患者数据，所述患者数据包括生命体征及移动信息；提示模块94，响应于预设警戒事件，发出提示信息，所述预设警戒事件基于所述患者的患者数据触发。
进一步地，所述确定模块91可以包括：第一获取子模块911，用于获取所述患者的医嘱；第一确定子模块912，用于根据所述患者的医嘱及预设区域内的人流分布信息确定所述第一预设区域。
进一步地，所述获取模块93可以包括：第二获取子模块931，用于从所述患者携带的便携式设备获取所述患者的生命体征；第三获取子模块932，用于从设置于预设区域的影像采集设备获取采集到的影像信息；人脸识别子模块933，用于对采集到的影像信息进行人脸识别，以从中筛选出所述患者的影像信息；第四获取子模块934，用于根据所述患者的影像信息获取所述患者的移动信息。
进一步地，所述第四获取子模块934可以包括：动作识别单元9341，用于对所述患者的影像信息进行动作识别，以获取所述患者的移动信息。
在一个优选例中，所述预设警戒事件可以包括：所述患者进入第二预设区域，所述第二预设区域包括预设区域内的常态禁区以及根据所述患者的医嘱和/或生命体征确定的临时禁区；所述提示模块94可以包括：第一提示子模块941，响应于所述患者进入所述第二预设区域，根据所述第二预设区域的安全等级和/或所述患者的移动信息，向所述患者和/或与所述患者关联的人员发出所述提示信息。
例如，所述第一提示子模块941可以包括：第一提示单元9411，当所述第二预设区域的安全等级低于第一预设阈值，和/或所述患者的移动信息表明所述患者的移动幅度小于第二预设阈值时，向所述患者携带的便携式设备发出所述提示信息。
又例如，所述第一提示子模块941可以包括：第二提示单元9412，当所述第二预设区域的安全等级高于第一预设阈值，和/或所述患者的移动信息表明所述患者的移动幅度大于第二预设阈值时，向所述患者携带的便携式设备以及与所述患者关联的人员的信息提示设备发出所述提示信息。
在另一个优选例中，所述预设警戒事件可以包括：所述患者的生命体征发生异常；所述提示模块94可以包括：第二提示子模块942，响应于识别到所述患者的生命体征发生异常，向与所述患者关联的人员的信息提示设备发出提示信息。
进一步地，所述行为监控装置9可以通过所述患者携带的便携式设备识别所述患者的生命体征是否发生异常。
在又一个优选例中，所述预设警戒事件可以包括：所述患者的移动信息发生异常；所述提示模块94可以包括：第三提示子模块943，响应于识别到所述患者的移动信息发生异常，向与所述患者关联的人员的信息提示设备发出提示信息。
进一步地，所述行为监控装置9可以通过对影像采集设备采集到的患者的影像信息进行动作识别来判断所述患者的移动信息是否发生异常。
在又一个优选例中，所述提示模块94可以包括：第二确定子模块944，用于根据所述预设警戒事件的紧急等级确定与所述患者关联的人员；第四提示子模块945，用于向所述与所述患者关联的人员的信息提示设备发出提示信息。
作为一个非限制性实施例，所述确定模块91可以包括：第五获取子模块913，用于获取所述患者的医嘱；第三确定子模块914，用于基于预设多隐层深度学习算法模型确定所述患者的医嘱与预设区域集合中各预设区域的关联度，所述预设多隐层深度学习算法模型是通过对历史数据的训练获得的，所述历史数据包括预设时间段内产生的患者的医嘱和对应的第一预设区域；选择子模块915，用于将关联度最大的预设区域确定为所述第一预设区域。
其中，所述第一获取子模块911与所述第五获取子模块913可以为同一模块，或者，两者也可以为独立的两个模块以应用于不同的场景。
进一步地，所述预设多隐层深度学习算法模型可以包括：输入层，用于接收所述患者的医嘱；至少一层隐层，用于通过先发散后收敛的运算逻辑对所述输入层输入的患者的医嘱进行计算，以确定所述患者的医嘱与所述预设区域集合中各预设区域的关联度，对于每一层隐层，该隐层的输入为其上一层隐层的输出；输出层，用于输出所述至少一层隐层的计算结果。
对于每一层隐层，所述隐层包括多个连接元，对于每一连接元，所述连接元用于连接该连接元所在隐层的上一层隐层的每一输出，所述连接元可以基于线性方程式bx＝ax1+…+bxi+…+cxd+…+dxm表示，其中，bx为所述连接元，{x1,…,xi,…,xd,…xm}为所述上一层隐层的输出集合，{a,…,b,…,c,…d}为连接权重集合，不同的连接元对应不同的连接权重集合，各连接元对应的连接权重集合是通过对所述历史数据的训练获得的。
进一步地，所述关联度是指：所述患者的医嘱对应至所述预设区域集合中各预设区域的概率。
进一步地，所述行为监控装置9还可以包括：存储模块95，响应于所述提示信息被发出，存储发出时刻前后所述物联网设备获取的所述患者的生命体征及移动信息。
关于所述行为监控装置9的工作原理、工作方式的更多内容，可以参照图1中的相关描述，这里不再赘述。
进一步地，本发明实施例还公开一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述图1所示实施例中所述的方法技术方案。优选地，所述存储介质可以包括计算机可读存储介质。所述存储介质可以包括ROM、RAM、磁盘或光盘等。
进一步地，本发明实施例还公开一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述图1所示实施例中所述的方法技术方案。优选地，所述终端可以为所述后台服务器。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (34)
1.一种基于物联网的患者的行为监控方法，其特征在于，包括：
基于所述患者的医嘱确定第一预设区域；
发送提示信息至与所述患者绑定的医疗终端，以引导所述患者移动至所述第一预设区域；
在所述患者移动期间，从物联网设备获取所述患者的患者数据，所述患者数据包括生命体征及移动信息；
响应于预设警戒事件，发出提示信息，所述预设警戒事件基于所述患者的患者数据触发。
2.根据权利要求1所述的行为监控方法，其特征在于，所述基于所述患者的医嘱确定第一预设区域包括：
获取所述患者的医嘱；
根据所述患者的医嘱及预设区域内的人流分布信息确定所述第一预设区域。
3.根据权利要求1所述的行为监控方法，其特征在于，所述从物联网设备获取所述患者的患者数据包括：
从所述患者携带的便携式设备获取所述患者的生命体征；
从设置于预设区域的影像采集设备获取采集到的影像信息；
对采集到的影像信息进行人脸识别，以从中筛选出所述患者的影像信息；
根据所述患者的影像信息获取所述患者的移动信息。
4.根据权利要求1所述的行为监控方法，其特征在于，所述预设警戒事件包括：所述患者进入第二预设区域，所述第二预设区域包括预设区域内的常态禁区以及根据所述患者的医嘱和/或生命体征确定的临时禁区；所述响应于预设警戒事件，发出提示信息包括：
响应于所述患者进入所述第二预设区域，根据所述第二预设区域的安全等级和/或所述患者的移动信息，向所述患者和/或与所述患者关联的人员发出所述提示信息。
5.根据权利要求4所述的行为监控方法，其特征在于，所述根据所述第二预设区域的安全等级和/或所述患者的移动信息，向所述患者和/或与所述患者关联的人员发出所述提示信息包括：
当所述第二预设区域的安全等级低于第一预设阈值，和/或所述患者的移动信息表明所述患者的移动幅度小于第二预设阈值时，向所述患者携带的便携式设备发出所述提示信息。
6.根据权利要求4所述的行为监控方法，其特征在于，所述根据所述第二预设区域的安全等级和/或所述患者的移动信息，向所述患者和/或与所述患者关联的人员发出所述提示信息包括：
当所述第二预设区域的安全等级高于第一预设阈值，和/或所述患者的移动信息表明所述患者的移动幅度大于第二预设阈值时，向所述患者携带的便携式设备以及与所述患者关联的人员的物联网设备发出所述提示信息。
7.根据权利要求1所述的行为监控方法，其特征在于，所述预设警戒事件包括：所述患者的生命体征发生异常；所述响应于预设警戒事件，发出提示信息包括：
响应于识别到所述患者的生命体征发生异常，向与所述患者关联的人员的信息提示设备发出提示信息。
8.根据权利要求7所述的行为监控方法，其特征在于，通过所述患者携带的便携式设备识别所述患者的生命体征是否发生异常。
9.根据权利要求1所述的行为监控方法，其特征在于，所述预设警戒事件包括：所述患者的移动信息发生异常；所述响应于预设警戒事件，发出提示信息包括：
响应于识别到所述患者的移动信息发生异常，向与所述患者关联的人员的信息提示设备发出提示信息。
10.根据权利要求9所述的行为监控方法，其特征在于，通过对影像采集设备采集到的患者的影像信息进行动作识别来判断所述患者的移动信息是否发生异常。
11.根据权利要求1所述的行为监控方法，其特征在于，所述响应于预设警戒事件被触发，发出提示信息包括：
根据所述预设警戒事件的紧急等级确定与所述患者关联的人员；
向所述与所述患者关联的人员的信息提示设备发出提示信息。
12.根据权利要求1所述的行为监控方法，其特征在于，所述基于所述患者的医嘱确定第一预设区域包括：
获取所述患者的医嘱；
基于预设多隐层深度学习算法模型确定所述患者的医嘱与预设区域集合中各预设区域的关联度，所述预设多隐层深度学习算法模型是通过对历史数据的训练获得的，所述历史数据包括预设时间段内产生的患者的医嘱和对应的第一预设区域；
将关联度最大的预设区域确定为所述第一预设区域。
13.根据权利要求12所述的行为监控方法，其特征在于，所述预设多隐层深度学习算法模型包括：输入层，用于接收所述患者的医嘱；至少一层隐层，用于通过先发散后收敛的运算逻辑对所述输入层输入的患者的医嘱进行计算，以确定所述患者的医嘱与所述预设区域集合中各预设区域的关联度，对于每一层隐层，该隐层的输入为其上一层隐层的输出；输出层，用于输出所述至少一层隐层的计算结果。
14.根据权利要求13所述的行为监控方法，其特征在于，对于每一层隐层，所述隐层包括多个连接元，对于每一连接元，所述连接元用于连接该连接元所在隐层的上一层隐层的每一输出，所述连接元可以基于线性方程式bx＝ax1+…+bxi+…+cxd+…+dxm表示，其中，bx为所述连接元，{x1,…,xi,…,xd,…xm}为所述上一层隐层的输出集合，{a,…,b,…,c,…d}为连接权重集合，不同的连接元对应不同的连接权重集合，各连接元对应的连接权重集合是通过对所述历史数据的训练获得的。
15.根据权利要求12所述的行为监控方法，其特征在于，所述关联度是指：所述患者的医嘱对应至所述预设区域集合中各预设区域的概率。
16.根据权利要求1至15中任一项所述的行为监控方法，其特征在于，还包括：
响应于所述提示信息被发出，存储发出时刻前后所述物联网设备获取的所述患者的患者数据。
17.一种基于物联网的患者的行为监控装置，其特征在于，包括：
确定模块，用于基于所述患者的医嘱确定第一预设区域；
发送模块，用于发送提示信息至与所述患者绑定的医疗终端，以引导所述患者移动至所述第一预设区域；
获取模块，在所述患者移动期间，从物联网设备获取所述患者的患者数据，所述患者数据包括生命体征及移动信息；
提示模块，响应于预设警戒事件，发出提示信息，所述预设警戒事件基于所述患者的患者数据触发。
18.根据权利要求17所述的行为监控装置，其特征在于，所述确定模块包括：
第一获取子模块，用于获取所述患者的医嘱；
第一确定子模块，用于根据所述患者的医嘱及预设区域内的人流分布信息确定所述第一预设区域。
19.根据权利要求17所述的行为监控装置，其特征在于，所述获取模块包括：
第二获取子模块，用于从所述患者携带的便携式设备获取所述患者的生命体征；
第三获取子模块，用于从设置于预设区域的影像采集设备获取采集到的影像信息；
人脸识别子模块，用于对采集到的影像信息进行人脸识别，以从中筛选出所述患者的影像信息；
第四获取子模块，用于根据所述患者的影像信息获取所述患者的移动信息。
20.根据权利要求17所述的行为监控装置，其特征在于，所述预设警戒事件包括：所述患者进入第二预设区域，所述第二预设区域包括预设区域内的常态禁区以及根据所述患者的医嘱和/或生命体征确定的临时禁区；所述提示模块包括：
第一提示子模块，响应于所述患者进入所述第二预设区域，根据所述第二预设区域的安全等级和/或所述患者的移动信息，向所述患者和/或与所述患者关联的人员发出所述提示信息。
21.根据权利要求20所述的行为监控装置，其特征在于，所述第一提示子模块包括：
第一提示单元，当所述第二预设区域的安全等级低于第一预设阈值，和/或所述患者的移动信息表明所述患者的移动幅度小于第二预设阈值时，向所述患者携带的便携式设备发出所述提示信息。
22.根据权利要求20所述的行为监控装置，其特征在于，所述第一提示子模块包括：
第二提示单元，当所述第二预设区域的安全等级高于第一预设阈值，和/或所述患者的移动信息表明所述患者的移动幅度大于第二预设阈值时，向所述患者携带的便携式设备以及与所述患者关联的人员的信息提示设备发出所述提示信息。
23.根据权利要求17所述的行为监控装置，其特征在于，所述预设警戒事件包括：所述患者的生命体征发生异常；所述提示模块包括：
第二提示子模块，响应于识别到所述患者的生命体征发生异常，向与所述患者关联的人员的信息提示设备发出提示信息。
24.根据权利要求23所述的行为监控装置，其特征在于，所述行为监控装置通过所述患者携带的便携式设备识别所述患者的生命体征是否发生异常。
25.根据权利要求17所述的行为监控装置，其特征在于，所述预设警戒事件包括：所述患者的移动信息发生异常；所述提示模块包括：
第三提示子模块，响应于识别到所述患者的移动信息发生异常，向与所述患者关联的人员的信息提示设备发出提示信息。
26.根据权利要求25所述的行为监控装置，其特征在于，所述行为监控装置通过对影像采集设备采集到的患者的影像信息进行动作识别来判断所述患者的移动信息是否发生异常。
27.根据权利要求17所述的行为监控装置，其特征在于，所述提示模块包括：
第二确定子模块，用于根据所述预设警戒事件的紧急等级确定与所述患者关联的人员；
第四提示子模块，用于向所述与所述患者关联的人员的信息提示设备发出提示信息。
28.根据权利要求17所述的行为监控装置，其特征在于，所述确定模块包括：
第五获取子模块，用于获取所述患者的医嘱；
第三确定子模块，用于基于预设多隐层深度学习算法模型确定所述患者的医嘱与预设区域集合中各预设区域的关联度，所述预设多隐层深度学习算法模型是通过对历史数据的训练获得的，所述历史数据包括预设时间段内产生的患者的医嘱和对应的第一预设区域；
选择子模块，用于将关联度最大的预设区域确定为所述第一预设区域。
29.根据权利要求28所述的行为监控装置，其特征在于，所述预设多隐层深度学习算法模型包括：输入层，用于接收所述患者的医嘱；至少一层隐层，用于通过先发散后收敛的运算逻辑对所述输入层输入的患者的医嘱进行计算，以确定所述患者的医嘱与所述预设区域集合中各预设区域的关联度，对于每一层隐层，该隐层的输入为其上一层隐层的输出；输出层，用于输出所述至少一层隐层的计算结果。
30.根据权利要求29所述的行为监控装置，其特征在于，对于每一层隐层，所述隐层包括多个连接元，对于每一连接元，所述连接元用于连接该连接元所在隐层的上一层隐层的每一输出，所述连接元可以基于线性方程式bx＝ax1+…+bxi+…+cxd+…+dxm表示，其中，bx为所述连接元，{x1,…,xi,…,xd,…xm}为所述上一层隐层的输出集合，{a,…,b,…,c,…d}为连接权重集合，不同的连接元对应不同的连接权重集合，各连接元对应的连接权重集合是通过对所述历史数据的训练获得的。
31.根据权利要求28所述的行为监控装置，其特征在于，所述关联度是指：所述患者的医嘱对应至所述预设区域集合中各预设区域的概率。
32.根据权利要求17至31中任一项所述的行为监控装置，其特征在于，还包括：
存储模块，响应于所述提示信息被发出，存储发出时刻前后所述物联网设备获取的所述患者的生命体征及移动信息。
33.一种存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至16任一项所述方法的步骤。
34.一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1至16任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810558137.7A CN108877914A (zh) | 2018-06-01 | 2018-06-01 | 基于物联网的患者的行为监控方法及装置、存储介质、终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810558137.7A CN108877914A (zh) | 2018-06-01 | 2018-06-01 | 基于物联网的患者的行为监控方法及装置、存储介质、终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108877914A true CN108877914A (zh) | 2018-11-23 |
Family
ID=64336313
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810558137.7A Withdrawn CN108877914A (zh) | 2018-06-01 | 2018-06-01 | 基于物联网的患者的行为监控方法及装置、存储介质、终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108877914A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109815991A (zh) * | 2018-12-29 | 2019-05-28 | 北京城市网邻信息技术有限公司 | 机器学习模型的训练方法、装置、电子设备及存储介质 |
| CN110096509A (zh) * | 2019-05-16 | 2019-08-06 | 普元信息技术股份有限公司 | 大数据环境下实现历史数据拉链表存储建模处理的系统及方法 |
| CN110852709A (zh) * | 2019-11-05 | 2020-02-28 | 北京明略软件系统有限公司 | 一种实现预警处理的方法、装置、计算机存储介质及终端 |
| CN111128326A (zh) * | 2019-12-24 | 2020-05-08 | 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病患监控方法和系统 |
| WO2020132811A1 (zh) * | 2018-12-24 | 2020-07-02 | 深圳迈瑞生物医疗电子股份有限公司 | 一种基于监护设备的界面显示方法及监护设备 |
| US11287876B2 (en) | 2019-08-14 | 2022-03-29 | International Business Machines Corporation | Managing user movement via machine learning |
| CN114554413A (zh) * | 2020-11-24 | 2022-05-27 | 上海新微技术研发中心有限公司 | 室内定位区域管控系统 |
| US11684318B2 (en) | 2018-12-24 | 2023-06-27 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Monitoring device |
| CN117636265A (zh) * | 2024-01-25 | 2024-03-01 | 南昌大学第一附属医院 | 一种用于医疗场景中的患者定位方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184312A (zh) * | 2011-03-15 | 2011-09-14 | 温州医学院眼视光研究院 | 基于物联网的医疗管理监控系统 |
| WO2012093319A1 (en) * | 2011-01-06 | 2012-07-12 | Koninklijke Philips Electronics N.V. | Patient monitoring system and method for monitoring the physiological status of a patient |
| CN105105762A (zh) * | 2015-09-22 | 2015-12-02 | 赖大坤 | 一种多参数自动预警和快速定位响应的遥测监护方法及系统 |
| CN106097656A (zh) * | 2016-08-22 | 2016-11-09 | 南京工程学院 | 基于物联网的老人看护系统 |
| CN107229814A (zh) * | 2016-03-24 | 2017-10-03 | 深圳中迈数字医疗技术有限公司 | 根据慢性病患者信息进行干预的方法及系统 |
| CN107833629A (zh) * | 2017-10-25 | 2018-03-23 | 厦门大学 | 基于深度学习的辅助诊断方法及系统 |
| CN107910040A (zh) * | 2017-10-27 | 2018-04-13 | 深圳中迈数字医疗技术有限公司 | 一种智能医疗设备终端 |
| CN207352975U (zh) * | 2017-09-27 | 2018-05-11 | 郑州大学第五附属医院 | 一种医院人员安全监控及定位系统 |
-
2018
- 2018-06-01 CN CN201810558137.7A patent/CN108877914A/zh not_active Withdrawn
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012093319A1 (en) * | 2011-01-06 | 2012-07-12 | Koninklijke Philips Electronics N.V. | Patient monitoring system and method for monitoring the physiological status of a patient |
| CN102184312A (zh) * | 2011-03-15 | 2011-09-14 | 温州医学院眼视光研究院 | 基于物联网的医疗管理监控系统 |
| CN105105762A (zh) * | 2015-09-22 | 2015-12-02 | 赖大坤 | 一种多参数自动预警和快速定位响应的遥测监护方法及系统 |
| CN107229814A (zh) * | 2016-03-24 | 2017-10-03 | 深圳中迈数字医疗技术有限公司 | 根据慢性病患者信息进行干预的方法及系统 |
| CN106097656A (zh) * | 2016-08-22 | 2016-11-09 | 南京工程学院 | 基于物联网的老人看护系统 |
| CN207352975U (zh) * | 2017-09-27 | 2018-05-11 | 郑州大学第五附属医院 | 一种医院人员安全监控及定位系统 |
| CN107833629A (zh) * | 2017-10-25 | 2018-03-23 | 厦门大学 | 基于深度学习的辅助诊断方法及系统 |
| CN107910040A (zh) * | 2017-10-27 | 2018-04-13 | 深圳中迈数字医疗技术有限公司 | 一种智能医疗设备终端 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020132811A1 (zh) * | 2018-12-24 | 2020-07-02 | 深圳迈瑞生物医疗电子股份有限公司 | 一种基于监护设备的界面显示方法及监护设备 |
| US11684318B2 (en) | 2018-12-24 | 2023-06-27 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Monitoring device |
| CN109815991A (zh) * | 2018-12-29 | 2019-05-28 | 北京城市网邻信息技术有限公司 | 机器学习模型的训练方法、装置、电子设备及存储介质 |
| CN110096509A (zh) * | 2019-05-16 | 2019-08-06 | 普元信息技术股份有限公司 | 大数据环境下实现历史数据拉链表存储建模处理的系统及方法 |
| US11287876B2 (en) | 2019-08-14 | 2022-03-29 | International Business Machines Corporation | Managing user movement via machine learning |
| CN110852709A (zh) * | 2019-11-05 | 2020-02-28 | 北京明略软件系统有限公司 | 一种实现预警处理的方法、装置、计算机存储介质及终端 |
| CN111128326A (zh) * | 2019-12-24 | 2020-05-08 | 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病患监控方法和系统 |
| CN114554413A (zh) * | 2020-11-24 | 2022-05-27 | 上海新微技术研发中心有限公司 | 室内定位区域管控系统 |
| CN117636265A (zh) * | 2024-01-25 | 2024-03-01 | 南昌大学第一附属医院 | 一种用于医疗场景中的患者定位方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108877914A (zh) | 基于物联网的患者的行为监控方法及装置、存储介质、终端 | |
| Baskar et al. | A dynamic and interoperable communication framework for controlling the operations of wearable sensors in smart healthcare applications | |
| Doukas et al. | Emergency fall incidents detection in assisted living environments utilizing motion, sound, and visual perceptual components | |
| EP1294272B1 (en) | System for maintenance and management of health | |
| Tang et al. | An IoMT-based geriatric care management system for achieving smart health in nursing homes | |
| CN108428477A (zh) | 基于数字双胞胎的云医疗仿真平台的构建方法及云医疗系统 | |
| CN108937972A (zh) | 一种多特征融合的就诊用户情绪监控方法 | |
| CN109659017A (zh) | 一种预测、分配医生就诊量的智慧医疗系统 | |
| Zhang et al. | A context-aware mhealth system for online physiological monitoring in remote healthcare | |
| CN110494187A (zh) | 用于心脏骤停的快速响应系统 | |
| EP3582228A1 (en) | Method, system and mobile communications device medical for optimizing clinical care delivery | |
| Roda et al. | A multi-agent system for acquired brain injury rehabilitation in ambient intelligence environments | |
| CN116564561A (zh) | 基于生理与情感特征的智能语音看护系统及看护方法 | |
| CN107710329A (zh) | 心肺复苏术协调方法、计算机程序产品以及系统 | |
| CN110974158B (zh) | 一种基于深度学习的社区病患识别、呼救方法和系统方法及系统 | |
| López-Cuevas et al. | FiToViz: A visualisation approach for real-time risk situation awareness | |
| WO2021146368A1 (en) | Artificial intelligence-based platform to optimize skill training and performance | |
| CN115578223A (zh) | 一种多端协同远程指导施救的应急救援方法 | |
| Mishra et al. | Cognitive inference device for activity supervision in the elderly | |
| Mohan et al. | Artificial Intelligence and IoT in Elderly Fall Prevention: A Review | |
| CN113643798A (zh) | 为失能人员匹配照护人员的方法、装置及计算机设备 | |
| Sanz-Bobi et al. | Multi-agent systems orientated to assist with daily activities in the homes of elderly and disabled people | |
| Lv et al. | Edge-Cloud-Based wearable computing for automation empowered virtual rehabilitation | |
| CN105989218A (zh) | 一种信息化处理方法和装置 | |
| Qu et al. | A virtual community healthcare framework in metaverse enabled by digital twins |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181123 |
|
| WW01 | Invention patent application withdrawn after publication |