CN109215791A - 基于多信息决策的健康管理方法、系统、设备及存储介质 - Google Patents

基于多信息决策的健康管理方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN109215791A
CN109215791A CN201811291414.9A CN201811291414A CN109215791A CN 109215791 A CN109215791 A CN 109215791A CN 201811291414 A CN201811291414 A CN 201811291414A CN 109215791 A CN109215791 A CN 109215791A
Authority
CN
China
Prior art keywords
health
signal
user
section
mentioned
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.)
Pending
Application number
CN201811291414.9A
Other languages
English (en)
Inventor
陈乾
吴万庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Childrens Hospital
Original Assignee
Shenzhen Childrens Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Childrens Hospital filed Critical Shenzhen Childrens Hospital
Priority to CN201811291414.9A priority Critical patent/CN109215791A/zh
Publication of CN109215791A publication Critical patent/CN109215791A/zh
Pending legal-status Critical Current

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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature

Landscapes

  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Cardiology (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physics & Mathematics (AREA)
  • Pulmonology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明揭示了一种基于多信息决策的健康管理方法、系统、设备及存储介质，其方法包括：建立用于评价使用者健康程度的处理区间；获取使用者的生物信号和运动信号，并通过生物信号和运动信号在对应区间内换算出相应的健康评价；根据运动区间、情绪区间和睡眠区间的健康评价分别判断使用者是否处于健康状态；若使用者至少一个处理区间处于非健康状态，则根据运动区间、情绪区间和睡眠区间的健康评价匹配出对应的反馈训练，协助使用者对调整当前的健康状况。通过结合可穿戴软硬件以及算法、反馈技术等软件形成嵌套式多重闭循环系统，实现多源传感信息从软件和硬件系统层面的高度融合，形成以身心健康评估模型为核心的健康管理。

Description

基于多信息决策的健康管理方法、系统、设备及存储介质
技术领域
本发明涉及到电子信息领域，特别是涉及到一种基于多信息决策的健康管理方法、系统、设备及存储介质。
背景技术
穿戴式技术(Wearable Technology)是信息技术的扩展和延伸，即把信息的采集、存储、显示、传输、分析等功能与我们的日常穿戴相结合，成为我们穿戴的一部分如衣服、帽子、眼镜、手环、手表、鞋子等等。早在20世纪50年代就有人提出穿戴式计算机的概念，一直到70年代，加拿大多伦多大学的Steve Mann教授发明了用于控制照相设备的穿戴式计算机，才成为有真正意义上的穿戴式产品。无线传输的实现，使得穿戴式计算机出现了飞跃，使得穿戴式产品和计算机大规模存储和处理分开，便于穿戴式产品更加小巧贴身，促进了穿戴式技术向着精确、稳定、可靠、耐用、省电等更加精细的方向发展。近年来，随着云计算、大数据等技术的发展，为穿戴式医疗、移动医疗带来了新的曙光。穿戴式健康监护通过无损、实时地数字化记录人的体征和感知信息，并通过移动互联网、云计算和大数据分析，与医疗资源无缝对接，实现对个体健康的充分监护和医疗资源的高效利用。
典型的可穿戴式躯感网节点平台能够通过生物传感器精确地采集生理信号，通过微控制器处理过的数据，以无线的方式传输到智能终端上，所有的传感器数据由智能终端负责收集，并进一步处理，融合，然后通过无线局域网、蓝牙或3G/4G网络传送到中央监控服务器。其核心问题可以归结为健康信息的获取、存储、传输、分析和利用。各种可移动式监测仪器的相继面世，说明可移动式医疗系统的研究已经有了相当成果，但是总体上还没有实现长期连续监测的目标，也还没有实现传感器模块的微型化、智能化的要求。尤其缺乏基于智能穿戴式技术及多源异构传感信息的健康管理系统用于个体多场景全天候的实时监控、预警及反馈干预。
发明内容
本发明的主要目的为提供基于多信息决策的健康管理方法、系统、设备及存储介质，以解决背景技术中所提出的至少一个技术问题。
本发明提出一种基于多信息决策的健康管理方法，包括：
建立用于评价使用者健康程度的处理区间，包括运动区间、情绪区间和睡眠区间；
获取使用者的生物信号和运动信号，并通过上述生物信号和运动信号在对应区间内换算出相应的健康评价；
根据上述运动区间、情绪区间和睡眠区间的健康评价分别判断使用者是否处于健康状态；
若使用者至少一个处理区间处于非健康状态，则根据上述运动区间、情绪区间和睡眠区间的健康评价匹配出对应的反馈训练，协助使用者对调整当前的健康状况。
进一步地，在上述的基于多信息决策的健康管理方法中，
上述生物信号包括心率信号、温度信号、呼吸信号和人体姿势特征，上述运动信号包括加速度信号和方向信号；
上述通过上述生物信号和运动信号在对应区间内换算出相应的健康评价的步骤，包括：
上述运动区间根据上述加速度信号和方向信号进行健康评价；
上述情绪区间根据使用者自我评价表、生活事件表、上述心率信号和温度信号进行健康评价；
上述睡眠区间根据上述心率信号、呼吸信号和人体姿势特征进行健康评价。
进一步地，在上述的基于多信息决策的健康管理方法中，上述运动区间根据上述加速度信号和方向信号进行健康评价的步骤，包括：
将上述加速度信号进行过滤处理；
分别提取指定时间段内上述加速度信号和方向信号的特征评估值；
根据上述特征评估值和方向信号得出上述使用者在上述指定时间段内的运动量和能量消耗量，并将上述运动量和能量消耗量与预设的阈值进行比较；
根据比较结果换算出上述运动区间的健康等级。
进一步地，在上述的基于多信息决策的健康管理方法中，上述情绪区间根据使用者的自我评量表、生活事件量表、上述心率信号和温度信号进行健康评价的步骤，包括：
分别提取上述心电信号和温度信号中的生理特征向量；
利用统计学法提取上述自我评量表和生活事件量表中的心理特征向量；
根据上述生理特征向量和心理特征向量，通过模糊C均值算法和有序加权平均算子对健康状态进行初级分类，
其中，上述初级分类结果包括：健康、亚健康和异常；
当上述健康状态的初级分类为亚健康时，通过基于D-S证据理论的信息融合模型分析使用者的心理状态是否为良性进行二次分类，当上述健康状态的初级分类为异常时，生成与当前状态相对应的反馈训练信号，
其中，上述二次分类结果包括健康和非健康；
当上述健康状态的二级分类为健康时，对使用者的压力进行量值评价，并判断压力评价量值是否大于量化阈值，当上述健康状态的二级分类为非健康时，生成与当前状态相对应的反馈训练信号；
若压力评价量值大于量化阈值时，则生成与当前状态相对应的反馈训练信号。
进一步地，在上述的基于多信息决策的健康管理方法中，上述睡眠区间根据上述心率信号、呼吸信号和人体姿势特征进行健康评价的步骤，包括：
提取上述心率信号中的心率变异性时域、心率变异性频域、心率变异性几何特征和心率变异性非线性特征；
根据上述心率变异性时域、心率变异性频域、心率变异性几何特征、心率变异性非线性特征和人体姿态特征，通过数据融合和统计分析法得出睡眠评估指标，
其中，上述睡眠评估指标包括：呼吸紊乱/微觉醒指数、睡眠分期。
进一步地，在上述的基于多信息决策的健康管理方法中，在获取使用者的生物信号和运动信号，并通过上述生物信号和运动信号在对应区间内换算出相应的健康评价的步骤之后，还包括步骤：
通过上述运动信号换算出运动状态，并判断使用者是否处于运动过程；
当使用者出与运动过程时，获取使用者位置信息并进行实时进行位置跟踪和位置上报。
本发明提出一种基于多信息决策的健康管理系统，包括：
用于建立用于评价使用者健康程度的处理区间，包括运动区间、情绪区间和睡眠区间；通过上述生物信号和运动信号在对应区间内换算出相应的健康评价；根据上述运动区间、情绪区间和睡眠区间的健康评价分别判断使用者是否处于健康状态的控制单元；
用于获取使用者的生物信号和运动信号的获取电路，其中，与上述获取电路连接的传感器包括：用于获取生物信号的心电传感器、体温传感器、呼吸传感器和压力传感器，以及用于获取运动信号的加速度传感器和角速度传感器；
用于若使用者至少一个处理区间处于非健康状态，则根据上述运动区间、情绪区间和睡眠区间的健康评价匹配出对应的反馈训练，协助使用者对调整当前的健康状况的移动人机交互终端；
上述心电传感器、体温传感器、呼吸传感器、压力传感器、加速度传感器和角速度传感器分别与上述获取电路电连接，将获取的生物信号和运动信号发送至上述获取电路进行特征提取，上述获取电路采用分时复用的方式对上述生物信号和运动信号进行分时提取；
上述获取电路与上述控制单元通过第一射频电路进行无线连接；上述控制单元与移动人机交互终端通过第二射频电路进行无线连接。
进一步地，在上述的基于多信息决策的健康管理系统中，上述加速度传感器包括第一传感器组和第二传感器组，
上述第一传感器组和第二传感器组分别与获取电路连接，其中，上述控制单元通过上述第一传感器组获取的第一加速度信号与上述角速度传感器获取的加速度信号检测多姿势动作，上述控制单元通过上述第二传感器组获取的第二加速度信号检测单姿势动作。
本发明提出一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，上述处理器执行上述程序时实现如上述实施例中任意一项上述的方法。
本发明提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例中任意一项上述的方法。
本发明的基于多信息决策的健康管理方法、系统、设备及存储介质的有益效果为：本发明集成多模态、多维度的个体多源异构传感信息，包括生理信息、心理信息、空间信息及运动信息，结合主观、客观各因素对健康状态的影响，实现个性化、精细化、长期有效的健康管理模式。通过结合可穿戴软硬件以及算法、反馈技术等软件形成嵌套式多重闭循环系统，实现多源传感信息从软件和硬件系统层面的高度融合，形成以身心健康评估模型为核心，以个性化反馈干预机制为交互，以智能设备为载体的多维度、多场景、多尺度的身心健康新生态。
附图说明
图1为本发明一实施例的基于多信息决策的健康管理方法的流程示意图；
图2为本发明一实施例的基于多信息决策的健康管理方法的流程示意图；
图3为本发明一实施例的基于多信息决策的健康管理方法的流程示意图；
图4为本发明一实施例的基于多信息决策的健康管理方法的流程示意图；
图5为本发明一实施例的基于多信息决策的健康管理方法的流程示意图；
图6为本发明一实施例的基于多信息决策的健康管理方法的流程示意图；
图7为本发明一实施例的基于多信息决策的健康管理系统的模块结构示意图；
图8为本发明一实施例的一种计算机设备的结构示意图。
1、控制单元；2、获取电路；3、心电传感器；4、体温传感器；5、呼吸传感器；6、压力传感器；7、加速度传感器；8、角速度传感器；9、人机交互终端；6、第一射频电路；12、计算机设备；14、外部设备；16、处理单元；18、总线；20、网络适配器；22、(I/O)接口；24、显示器；28、系统存储器；30、随机存取存储器(RAM)；31、去噪电路；32、高速缓存存储器；34、存储系统；40、程序/实用工具；42、程序模块。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
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的一部分实施例，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。
另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参照图1，本发明提出一种基于多信息决策的健康管理方法，包括：
S1、建立用于评价使用者健康程度的处理区间，包括运动区间、情绪区间和睡眠区间；
S2、获取使用者的生物信号和运动信号，并通过上述生物信号和运动信号在对应区间内换算出相应的健康评价；
S3、根据上述运动区间、情绪区间和睡眠区间的健康评价分别判断使用者是否处于健康状态；
S4、若使用者至少一个处理区间处于非健康状态，则根据上述运动区间、情绪区间和睡眠区间的健康评价匹配出对应的反馈训练，协助使用者对调整当前的健康状况。
如上述步骤S1，建立用于评价使用者健康程度的处理区间，包括运动区间、情绪区间和睡眠区间，需要说明的是，上述用于评价使用者健康程度的处理区间，包括运动区间、情绪区间和睡眠区间以外，还可以根据实际使用者所处情况对处理区间进行增减，如：当使用者处于高温地区或低温地区时，可增加体温区间，进行单独的检测。
如上述步骤S2，获取使用者的生物信号和运动信号，并通过上述生物信号和运动信号在对应区间内换算出相应的健康评价，其中，上述生物信号包括——但不限于——心率信号、温度信号、呼吸信号和人体姿势特征，还可以包括血压、血糖等生物类信号；上述运动信号包括——但不限于——加速度信号、方向信号，其中，运动区间通过加速度信号与方向信号进行健康评价；情绪区间通过上述心率信号和温度信号的生物信号以及协同自我评量表以及生活事件量表进行健康评价；睡眠区间通过心率信号、呼吸信号和人体姿势特征进行健康评价。
如上述步骤S3，根据上述运动区间、情绪区间和睡眠区间的健康评价分别判断使用者是否处于健康状态，上述健康评价结果一般包括健康、亚健康、非健康和异常4结果，除健康外其余评价结果均为非健康状态，亚健康、非健康和异常的结果用于适配相应的反馈训练。
如上述步骤S4，若使用者至少一个处理区间处于非健康状态，则根据上述运动区间、情绪区间和睡眠区间的健康评价匹配出对应的反馈训练，协助使用者对调整当前的健康状况，需要说明的是，上述反馈训练分为若干个训练等级，在每次匹配出的上述反馈训练的训练等级根据各处理区间的健康状态判定结果以及健康评价等级而确定，如：当处理区间包括运动区间、情绪区间和睡眠区间，且每个处理区间健康状态评定结果包括4个(健康、亚健康、非健康和异常)，则该训练等级一般至多包括64级，其中，可根据健康评价的相似性情况减少训练等级，如：若情绪区间和睡眠区间的亚健康状态的健康评价相似，可将与情绪区间与睡眠区间相关的等级合并，以达到减少测试时匹配训练等级的时间的目的。
参照图2，在本实施例中，在上述的基于多信息决策的健康管理方法中，
上述生物信号包括心率信号、温度信号、呼吸信号和人体姿势特征，上述运动信号包括加速度信号和方向信号；
上述通过上述生物信号和运动信号在对应区间内换算出相应的健康评价的步骤，包括：
S21、上述运动区间根据上述加速度信号和方向信号进行健康评价；
S22、上述情绪区间根据使用者自我评价表、生活事件表、上述心率信号和温度信号进行健康评价；
S23、上述睡眠区间根据上述心率信号、呼吸信号和人体姿势特征进行健康评价。
如上述步骤S21，上述运动区间根据上述加速度信号和方向信号进行健康评价，需要说明的是，上述加速度信号一般包括第一加速度信号和第二加速度信号，上述运动区间通过第一加速度信号和方向信号结合检测使用者的多姿势动作(复杂动作)，通过第二角速度信号检测使用者的单姿势动作(简单动作)。
如上述步骤S22，上述情绪区间根据使用者自我评价表、生活事件表、上述心率信号和温度信号进行健康评价，需要说明的是，上述自我评价表用于获取使用者基础性格，以协助情绪区间的健康评价，上述生活事件表用于记录使用者当天生活事件以确认事件对情绪影响的等级以及筛选出对使用者情绪影响不同程度的生活事件。
如上述步骤S23，上述睡眠区间根据上述心率信号、呼吸信号和人体姿势特征进行健康评价，需要说明的是，通过心率信号和呼吸信号的变化检测出深度睡眠和浅度睡眠的频率及持续时长，通过结合人体姿势特征检测出睡眠质量。
需要说明的是，上述步骤21-23可以以任意执行顺序执行或以任意组合方式同时执行步骤。
参照图3，在本实施例中，在上述的基于多信息决策的健康管理方法中，上述运动区间根据上述加速度信号和方向信号进行健康评价的步骤，包括：
S211、将上述加速度信号进行过滤处理；
S212、分别提取指定时间段内上述加速度信号和方向信号的特征评估值；
S213、根据上述特征评估值和方向信号得出上述使用者在上述指定时间段内的运动量和能量消耗量，并将上述运动量和能量消耗量与预设的阈值进行比较；
S214、根据比较结果换算出上述运动区间的健康等级。
如上述步骤S211，将上述加速度信号进行过滤处理，需要说明的是，上述过滤处理一般为高通滤波处理，通过高通滤波处理将信号的直流偏置去除。
如上述步骤S212，分别提取指定时间段内上述加速度信号的特征评估值，上述特征评估值一般包括该指定时间段内加速度的方差，均值，最大值，最小值，小波变换系数，傅里叶频率特性等特征。
如上述步骤S213，根据上述特征评估值和方向信号得出上述使用者在上述指定时间段内的运动量和能量消耗量，并将上述运动量和能量消耗量与预设的阈值进行比较，需要说明的是，一部分加速度信号的特征评估值通过与方向信号联合换算出使用者的复杂姿势，另一部分的加速度信号换算出使用者的简单姿势，通过识别复杂姿势和简单姿势从而识别出使用者的运动种类，并通过加速度大小判断运动的剧烈程度，通过运动的剧烈程度、运动时长已经运动种类判断出使用者的运动量以及能量消耗。
如上述步骤S214，根据比较结果换算出上述运动区间的健康等级，通过使用者当日的运动总量和能量消耗总量换算出使用者当天的健康等级，还可以通过使用者至当前时间的运动量及能量消耗重量换算出使用者当前的健康等级。
参照图3和4，在本实施例中，在上述的基于多信息决策的健康管理方法中，上述情绪区间根据使用者的自我评量表、生活事件量表、上述心率信号和温度信号进行健康评价的步骤，包括：
S221、分别提取上述心电信号和温度信号中的生理特征向量；
S222、利用统计学法提取上述自我评量表和生活事件量表中的心理特征向量；
S223、根据上述生理特征向量和心理特征向量，通过模糊C均值算法和有序加权平均算子对健康状态进行初级分类，
其中，上述初级分类结果包括：健康、亚健康和异常；
S224、当上述健康状态的初级分类为亚健康时，通过基于D-S证据理论的信息融合模型分析使用者的心理状态是否为良性进行二次分类，当上述健康状态的初级分类为异常时，S226、生成与当前状态相对应的反馈训练信号，
其中，上述二次分类结果包括健康和非健康；
S225、当上述健康状态的二级分类为健康时，对使用者的压力进行量值评价，并判断压力评价量值是否大于量化阈值，当上述健康状态的二级分类为非健康时，S226、生成与当前状态相对应的反馈训练信号；
若压力评价量值大于量化阈值时，则S226、生成与当前状态相对应的反馈训练信号。
如上述步骤S221，分别提取上述心电信号和温度信号中的生理特征向量，需要说明的是，在对上述心电信号和温度信号进行提取特征向量前，一般会对上述心电信号和温度信号进行信号放大和信号质量评估，当信号质量评估结果为合格时，才对上述心电信号和温度信号进行生理特征向量提取，其中，上述生物信号的生理特征向量包括——但不限于：
1)心脏节奏模式。
2)心率变异性，包括以下：
a.心率变异性的时域参数，包括：①SDNN(Standard deviation of normal-to-normal intervals)，即所有的窦性心搏R-R(N-N)间期的标准差；②rMSSD(The root meansquare of difference between adjacent NN intervals)，即指相邻N-N间期差值的均方根；③pNN50(Percent of NN50in the total number of RR intervals)：窦性相邻N-N间期差值>5Oms的心搏数占NN间期总搏数的百分比；
b.心率变异性的频域参数,包括：①高频功率(high frequency,HF)，在有参数算法中(AR回归模型)代表高频分量曲线(中心频段在0.15～0.40Hz范围内)的积分值,在无参数算法(傅里叶变换)中，代表整个频谱曲线在0.15～0.40Hz范围内的积分值，受迷走神经调节；②低频功率(low frequency,LF)，在有参数算法中代表低频分量曲线(中心频段0.04～0.15Hz范围内)的积分值，在无参数算法中，代表整个频谱曲线在0.04～0.15Hz范围内的积分值，由交感神经和迷走神经共同调节，与体位、姿势有明显的关系。③LH/HF(低高频比值)：正常范围1.5～2.0；该指标主要反映交感神经与迷走神经张力平衡性。频谱分析采用实时短期分析(5分钟)和长期(24小时)分析两种相结合的方法，其意义各有不同。长期频谱分析其意义反映的是24小时平均的自主神经调节情况，用于监控血压、呼吸以及心血管的生理异常现象；短时间的频谱分析能反映自主神经调节的细微变化，可用于实时情绪压力的检测和评价；
c.心率变异性节奏模式。
3)心电图波形特征。
上述温度信号的生理特征向量包括——但不限于——温度变化模式、运动能力评估和个体能量消耗。
如上述步骤S222，利用统计学法提取上述自我评量表和生活事件量表中的心理特征向量，需要说明的是，上述心理特征向量一般通过统计学方法进行特征提取，上述统计学方法在本实施例中优选K-Means聚类分析法，但上述统计学方法不限于以上公开的统计学方法，还包括能够达到相同目的结果的任意统计学方法，其中，从上述自我评量表中提取的心理特征向量包括——但不限于——个人信息、情绪健康情况、思维能力值和人格完整等量值；从上述生活事件表中提取的心理特征向量包括——但不限于——人际交往、环境适应情况和生活习惯等量值。
如上述步骤S223，根据上述生理特征向量和心理特征向量，通过模糊C均值算法和有序加权平均算子对健康状态进行初级分类，其中，上述初级分类结果包括：健康、亚健康和异常，需要说明的是，当初级分类结果为健康时，一般直接判定其二次分类结果亦为健康(步骤S224)；当初级分类的结果为亚健康时，则通过步骤S224进行二次分类和心理分析；当初级分类的结果为异常时，则生成相应的反馈训练信号。
如上述步骤S224，当上述健康状态的初级分类为亚健康时，通过基于D-S证据理论的信息融合模型分析使用者的心理状态是否为良性进行二次分类，当上述健康状态的初级分类为异常时，生成与当前状态相对应的反馈训练信号，其中，上述二次分类结果包括健康和非健康，需要说明的是，当上述心理状态为良性时，上述二次分类的结果为健康，当上述心理状态的为非良性时，上述二次分类的结果为非健康，当上述二次分类的结果为健康是，执行步骤S226；当上述二次分类的结果为非健康时，生成相应的反馈训练信号。
如上述步骤S225，对使用者的压力进行量值评价，并判断压力评价量值是否大于量化阈值，其中，当上述健康状态的二级分类为非健康时，生成与当前状态相对应的反馈训练信号，若上述压力评价量值大于量化阈值，则执行步骤S226，若上述压力评价量值小于量化阈值，则判定使用者的压力状态为健康。
如上述步骤S226，生成与当前状态相对应的反馈训练信号，需要说明的是，在反馈训练的过程中会持续进行步骤S221-226，以达到实时监控的目的。
需要说明的是，在上述步骤S221-226的任意步骤中，任意生成反馈训练信号的步骤均会在生成反馈训练后重新执行步骤S221-226。
参照图5，在本实施例中，在上述的基于多信息决策的健康管理方法中，上述睡眠区间根据上述心率信号、呼吸信号和人体姿势特征进行健康评价的步骤，包括：
S231、提取上述心率信号中的心率变异性时域、心率变异性频域、心率变异性几何特征和心率变异性非线性特征；
S232、根据上述心率变异性时域、心率变异性频域、心率变异性几何特征、心率变异性非线性特征和人体姿态特征，通过数据融合和统计分析法得出睡眠评估指标，
其中，上述睡眠评估指标包括：呼吸紊乱/微觉醒指数、睡眠分期。
如上述步骤S231，提取上述心率信号中的心率变异性时域、心率变异性频域、心率变异性几何特征和心率变异性非线性特征，
其中，心率变异性的时域参数，包括：①SDNN(Standard deviation of normal-to-normal intervals)，即所有的窦性心搏R-R(N-N)间期的标准差；②rMSSD(The rootmean square of difference between adjacent NN intervals)，即指相邻N-N间期差值的均方根；③pNN50(Percent of NN50in the total number of RR intervals)：窦性相邻N-N间期差值>5Oms的心搏数占NN间期总搏数的百分比；
心率变异性的频域参数，包括：①高频功率(high frequency,HF)，在有参数算法中(AR回归模型)代表高频分量曲线(中心频段在0.15～0.40Hz范围内)的积分值,在无参数算法(傅里叶变换)中，代表整个频谱曲线在0.15～0.40Hz范围内的积分值，受迷走神经调节；②低频功率(low frequency,LF)，在有参数算法中代表低频分量曲线(中心频段0.04～0.15Hz范围内)的积分值，在无参数算法中，代表整个频谱曲线在0.04～0.15Hz范围内的积分值，由交感神经和迷走神经共同调节，与体位、姿势有明显的关系。③LH/HF(低高频比值)：正常范围1.5～2.0；该指标主要反映交感神经与迷走神经张力平衡性。④极低频带(Very Low Frequency,VLF)频段为：0.01-0.04Hz,可作为交感神经活动的指标。频谱分析采用实时短期分析(5分钟)和长期(24小时)分析两种相结合的方法，其意义各有不同。长期频谱分析其意义反映的是24小时平均的自主神经调节情况，用于监控血压、呼吸以及心血管的生理异常现象；短时间的频谱分析能反映自主神经调节的细微变化，可用于实时情绪压力的检测和评价；
心率变异性几何特征及非线性特征参数，包括散点图，近似熵，去趋势分析等，在本发明中非线性参数可作为情绪、压力及生理异常的辅助判断方法，提高检测的精确性、有效性及鲁棒性。
如上述步骤S232，根据上述心率变异性时域、心率变异性频域、心率变异性几何特征、心率变异性非线性特征和人体姿态特征，通过数据融合和统计分析法得出睡眠评估指标，其中，上述睡眠评估指标包括：呼吸紊乱/微觉醒指数、睡眠分期，其中，上述睡眠区间的健康评价根据上述睡眠评估指标计算公式如下：
低通气指数：AHI＝-38.357+1.318*VLF[％]
呼吸紊乱指数：ODI＝-55.588+1.715VLF[％]
微觉醒指数：MI＝-13.389+11.297LF/HF+0.266*SDNN。
参照图6，在本实施例中，在上述的基于多信息决策的健康管理方法中，在获取使用者的生物信号和运动信号，并通过上述生物信号和运动信号在对应区间内换算出相应的健康评价的步骤之后，还包括步骤：
S5、通过上述运动信号换算出运动状态，并判断使用者是否处于运动过程；
S6、当使用者出与运动过程时，获取使用者位置信息并进行实时进行位置跟踪和位置上报。
如上述步骤S5，通过上述运动信号换算出运动状态，并判断使用者是否处于运动过程，通过上述步骤S211-S214得出实用者的当前运动状态，当使用者处于运动状态时，执行步骤S6。
如上述步骤S6，当使用者处于运动过程时，获取使用者位置信息并进行实时进行位置跟踪和位置上报，需要说明的是，上述步骤S6具体包括下列步骤：
判断监测到设备是否处于未移动或弱移动状态，且设备GSM网络所连接基站和相邻基站是否发生变化；
若监测到设备处于未移动或弱移动状态，且设备GSM网络所连接基站和相邻基站无变化，则判定设备所处位置没有变化，自动停止位置更新并提醒服务器“位置保持”；
若监测到设备处于未移动或弱移动状态，但GSM网络所连接基站和相邻基站发生显著变化，则判定设备所处于类匀速移动的状态，不进行计步；.
若监测到设备处于移动状态，开始计步算法，当计步数到达设定的临界值时，开启GPS，主动更新并提醒是否进行位置跟踪。
参照图7，一种基于多信息决策的健康管理系统，包括：
用于建立用于评价使用者健康程度的处理区间，包括运动区间、情绪区间和睡眠区间；通过上述生物信号和运动信号在对应区间内换算出相应的健康评价；根据上述运动区间、情绪区间和睡眠区间的健康评价分别判断使用者是否处于健康状态的控制单元1；
用于获取使用者的生物信号和运动信号的获取电路2，其中，与上述获取电路连接的传感器包括：用于获取生物信号的心电传感器3、体温传感器4、呼吸传感器5和压力传感器6，以及用于获取运动信号的加速度传感器7和角速度传感器8；
用于若使用者至少一个处理区间处于非健康状态，则根据上述运动区间、情绪区间和睡眠区间的健康评价匹配出对应的反馈训练，协助使用者对调整当前的健康状况的移动人机交互终端9；
上述心电传感器3、体温传感器4、呼吸传感器5、压力传感器6、加速度传感器7和角速度传感器8分别与上述获取电路2电连接，将获取的生物信号和运动信号发送至上述获取电路进行特征提取，上述获取电路2采用分时复用的方式对上述生物信号和运动信号进行分时提取；
上述获取电路2与上述控制单元1通过第一射频电路进行无线连接；上述控制单元与移动人机交互终端通过第二射频电路进行无线连接。
需要说明的是，上述心电传感器1的心电电极采用银丝和导电纤维混纺而成的织物电极，将其集成到衣服、腕表、皮带等载体上，利用电极与人体之间的容性耦合来实现不同导联心电信号的检测；
需要说明的是，上述呼吸传感器2优选为胸部和腹部呼吸传感器采用抗扭曲的传感器导线嵌入到可穿戴载体中，通过感知胸腔及腹腔产生的物理形变来测量呼吸信号；
需要说明的是，上述体温传感器4的优选型号为Si7051，上述压力传感器6的优选型号为SDT1-028K压电薄膜传感器，上述加速度传感器7的优选型号为bosch三轴加速度传感器BMA250E，上述角速度传感器8的优选型号为7302BM5角加速度传感器；
其中，上述基于多信息决策的健康管理系统中，还可以通过扩展接口增加其他传感器(如：脉搏传感器、血氧饱和度传感器及实时血压传感器)以实现更全面的辅助及检测。
需要说明的是，上述获取电路3基于通用结构的传感器模拟电路方案进行设计。本发明中的上述获取电路中用于进行信号调理模块单元(即去噪电路部分)按照下列顺序进行排列及连接，顺序为：差分放大模块、高通滤波模块、低通滤波模块及主放大模块，通过该顺序进行信号调理能够最大程度地消除基线漂流、直流偏置等问题，具有低功耗(单电源供电)、低截止频率、低噪声、高信噪比等特点；
需要另外说明的是，由于本发明中需要对多生物传感器信号调理(心电信号以及呼吸信号)，信号调理模块单元采用低功耗的仪表放大器及运算放大器，采用单电源供电(1.8V～4.4V)，并在此基础之上，使用分时复用的方式使用单个运算放大器对不同的生物信号进行分时放大，降低运算放大器的使用数量，从而进一步降低系统功耗，减小设计空间并节约开发成本。
需要说明的是，上述心电传感器和呼吸传感器的传感器数字电路基于通用结构的传感器数字电路方案设计。本发明中的传感器数字电路采用TI的MSP430F149微处理器，通过使用微处理器内12bit模拟数字转换器模块实现模拟信号向数字信号的转换功能(ADC)，使用串行外设接口(SPI)实现数据存储功能(连接SD卡或TF卡等外部存储器)，以及显示实时信号及数据等功能(连接OLED显示屏等)，使用内置低功耗模式(LPM)及存储器直接访问模块(DMA)以实现降低功耗的目的，使用全双工通用同步/异步串行收发模块(USART)封装数字信号，并传送至通讯模块(射频电路)以实现短距离无线传输的目的。其中，本发明中的射频电路采用低功耗的BLE蓝牙(Bluetooth)短距离无线传送技术。同时，该数字电路提供了的扩展接口以用于功能扩展和模块集成。
需要说明的是，上述移动人机交互终端，一般包括——但不限于——智能移动终端、手持式智能设备、智能穿戴设备和手提电脑等。
参照图7，在本实施例中，在上述的基于多信息决策的健康管理系统中，上述加速度传感器包括第一传感器组和第二传感器组，
上述第一传感器组和第二传感器组分别与获取电路连接，其中，上述控制单元通过上述第一传感器组获取的第一加速度信号与上述角速度传感器获取的加速度信号检测多姿势动作，上述控制单元通过上述第二传感器组获取的第二加速度信号检测单姿势动作。
在一个具体实施例中，包括整个健康管理系统的信息技术支撑基础的健康云服务平台，通过可穿戴智能设备以及智能家具获取使用者的健康管理数据，通过云服务平台承担来自家庭、医院、服务中心的不同来源健康数据及运营管理数据的汇总、融合、管理与分析功能，通过移动处理终端实现健康管理数据以使用者之间的人机交互。通过长期健康档案的统计分析与展示，向患者本人、亲属及医院提供病人健康状况及健康管理实施效果的评估结果，为专业医务人员进行诊断提供参考；通过数据挖掘手段发现与个体患者相关的慢性病管理规律，采取对应的干预手段指导患者实现优化、差异化的健康调控；更进一步，还可以通过对运营管理数据的挖掘，实现健康服务质量的控制及优化。
参照图8，在本发明实施例中，本发明还提供一种计算机设备，上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线18结构中的一种或多种，包括存储器总线18或者存储器控制器，外围总线18，图形加速端口，处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线18，微通道体系结构(MAC)总线18，增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD～ROM，DVD～ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN))，广域网(WAN)和/或公共网络(例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图8中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的基于多信息决策的健康管理方法。
也即，上述处理单元16执行上述程序时实现：建立用于评价使用者健康程度的处理区间，包括运动区间、情绪区间和睡眠区间；获取使用者的生物信号和运动信号，并通过上述生物信号和运动信号在对应区间内换算出相应的健康评价；根据上述运动区间、情绪区间和睡眠区间的健康评价分别判断使用者是否处于健康状态；若使用者至少一个处理区间处于非健康状态，则根据上述运动区间、情绪区间和睡眠区间的健康评价匹配出对应的反馈训练，协助使用者对调整当前的健康状况。
在本发明实施例中，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有实施例提供的基于多信息决策的健康管理方法：
也即，给程序被处理器执行时实现：建立用于评价使用者健康程度的处理区间，包括运动区间、情绪区间和睡眠区间；获取使用者的生物信号和运动信号，并通过上述生物信号和运动信号在对应区间内换算出相应的健康评价；根据上述运动区间、情绪区间和睡眠区间的健康评价分别判断使用者是否处于健康状态；若使用者至少一个处理区间处于非健康状态，则根据上述运动区间、情绪区间和睡眠区间的健康评价匹配出对应的反馈训练，协助使用者对调整当前的健康状况。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机克顿信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPOM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD～ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，改计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本发明的基于多信息决策的健康管理方法、系统、设备及存储介质的有益效果为：本发明集成多模态、多维度的个体多源异构传感信息，包括生理信息、心理信息、空间信息及运动信息，结合主观、客观各因素对健康状态的影响，实现个性化、精细化、长期有效的健康管理模式。通过结合可穿戴软硬件以及算法、反馈技术等软件形成嵌套式多重闭循环系统，实现多源传感信息从软件和硬件系统层面的高度融合，形成以身心健康评估模型为核心，以个性化反馈干预机制为交互，以智能设备为载体的多维度、多场景、多尺度的身心健康新生态。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于多信息决策的健康管理方法，其特征在于，包括：
建立用于评价使用者健康程度的处理区间，包括运动区间、情绪区间和睡眠区间；
获取使用者的生物信号和运动信号，并通过所述生物信号和运动信号在对应区间内换算出相应的健康评价；
根据所述运动区间、情绪区间和睡眠区间的健康评价分别判断使用者是否处于健康状态；
若使用者至少一个处理区间处于非健康状态，则根据所述运动区间、情绪区间和睡眠区间的健康评价匹配出对应的反馈训练，协助使用者对调整当前的健康状况。
2.根据权利要求1所述的基于多信息决策的健康管理方法，其特征在于，
所述生物信号包括心率信号、温度信号、呼吸信号和人体姿势特征，所述运动信号包括加速度信号和方向信号；
所述通过所述生物信号和运动信号在对应区间内换算出相应的健康评价的步骤，包括：
所述运动区间根据所述加速度信号和方向信号进行健康评价；
所述情绪区间根据使用者自我评价表、生活事件表、所述心率信号和温度信号进行健康评价；
所述睡眠区间根据所述心率信号、呼吸信号和人体姿势特征进行健康评价。
3.根据权利要求2所述的基于多信息决策的健康管理方法，其特征在于，所述运动区间根据所述加速度信号和方向信号进行健康评价的步骤，包括：
将所述加速度信号进行过滤处理；
分别提取指定时间段内所述加速度信号的特征评估值；
根据所述特征评估值和方向信号得出所述使用者在所述指定时间段内的运动量和能量消耗量，并将所述运动量和能量消耗量与预设的阈值进行比较；
根据比较结果换算出所述运动区间的健康等级。
4.根据权利要求2所述的基于多信息决策的健康管理方法，其特征在于，所述情绪区间根据使用者的自我评量表、生活事件量表、所述心率信号和温度信号进行健康评价的步骤，包括：
分别提取所述心电信号和温度信号中的生理特征向量；
利用统计学法提取所述自我评量表和生活事件量表中的心理特征向量；
根据所述生理特征向量和心理特征向量，通过模糊C均值算法和有序加权平均算子对健康状态进行初级分类，
其中，所述初级分类结果包括：健康、亚健康和异常；
当所述健康状态的初级分类为亚健康时，通过基于D-S证据理论的信息融合模型分析使用者的心理状态是否为良性进行二次分类，当所述健康状态的初级分类为异常时，生成与当前状态相对应的反馈训练信号，
其中，所述二次分类结果包括健康和非健康；
当所述健康状态的二级分类为健康时，对使用者的压力进行量值评价，并判断压力评价量值是否大于量化阈值，当所述健康状态的二级分类为非健康时，生成与当前状态相对应的反馈训练信号；
若压力评价量值大于量化阈值时，则生成与当前状态相对应的反馈训练信号。
5.根据权利要求2所述的基于多信息决策的健康管理方法，其特征在于，所述睡眠区间根据所述心率信号、呼吸信号和人体姿势特征进行健康评价的步骤，包括：
提取所述心率信号中的心率变异性时域、心率变异性频域、心率变异性几何特征和心率变异性非线性特征；
根据所述心率变异性时域、心率变异性频域、心率变异性几何特征、心率变异性非线性特征和人体姿态特征，通过数据融合和统计分析法得出睡眠评估指标，
其中，所述睡眠评估指标包括：呼吸紊乱/微觉醒指数、睡眠分期。
6.根据权利要求1所述的基于多信息决策的健康管理方法，其特征在于，在获取使用者的生物信号和运动信号，并通过所述生物信号和运动信号在对应区间内换算出相应的健康评价的步骤之后，还包括步骤：
通过所述运动信号换算出运动状态，并判断使用者是否处于运动过程；
当使用者出与运动过程时，获取使用者位置信息并进行实时进行位置跟踪和位置上报。
7.一种基于多信息决策的健康管理系统，其特征在于，包括：
用于建立用于评价使用者健康程度的处理区间，包括运动区间、情绪区间和睡眠区间；通过所述生物信号和运动信号在对应区间内换算出相应的健康评价；根据所述运动区间、情绪区间和睡眠区间的健康评价分别判断使用者是否处于健康状态的控制单元；
用于获取使用者的生物信号和运动信号的获取电路，其中，与所述获取电路连接的传感器包括：用于获取生物信号的心电传感器、体温传感器、呼吸传感器和压力传感器，以及用于获取运动信号的加速度传感器和角速度传感器；
用于若使用者至少一个处理区间处于非健康状态，则根据所述运动区间、情绪区间和睡眠区间的健康评价匹配出对应的反馈训练，协助使用者对调整当前的健康状况的移动人机交互终端；
所述心电传感器、体温传感器、呼吸传感器、压力传感器、加速度传感器和角速度传感器分别与所述获取电路电连接，将获取的生物信号和运动信号发送至所述获取电路进行特征提取，所述获取电路采用分时复用的方式对所述生物信号和运动信号进行分时提取；
所述获取电路与所述控制单元通过第一射频电路进行无线连接；所述控制单元与移动人机交互终端通过第二射频电路进行无线连接。
8.根据权利要求7所述的基于多信息决策的健康管理系统，其特征在于，所述加速度传感器包括第一传感器组和第二传感器组，
所述第一传感器组和第二传感器组分别与获取电路连接，其中，所述控制单元通过所述第一传感器组获取的第一加速度信号与所述角速度传感器获取的加速度信号检测多姿势动作，所述控制单元通过所述第二传感器组获取的第二加速度信号检测单姿势动作。
9.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～6中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～6中任意一项所述的方法。
CN201811291414.9A 2018-10-31 2018-10-31 基于多信息决策的健康管理方法、系统、设备及存储介质 Pending CN109215791A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811291414.9A CN109215791A (zh) 2018-10-31 2018-10-31 基于多信息决策的健康管理方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811291414.9A CN109215791A (zh) 2018-10-31 2018-10-31 基于多信息决策的健康管理方法、系统、设备及存储介质

Publications (1)

Publication Number Publication Date
CN109215791A true CN109215791A (zh) 2019-01-15

Family

ID=64998305

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811291414.9A Pending CN109215791A (zh) 2018-10-31 2018-10-31 基于多信息决策的健康管理方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN109215791A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503302A (zh) * 2019-07-18 2019-11-26 长春市万易科技有限公司 一种文化养老活动效果评价方法
CN110752034A (zh) * 2019-08-05 2020-02-04 北京泷信科技有限公司 心理数据处理方法和设备
CN111166354A (zh) * 2020-01-23 2020-05-19 北京津发科技股份有限公司 影响情绪变化的因素的分析方法及电子设备
CN111798978A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 用户健康评估方法、装置、存储介质及电子设备
CN112489798A (zh) * 2019-09-12 2021-03-12 金安国科智能科技(北京)有限公司 一种人体状态评价、人体数据可视化方法、装置、设备及介质
CN112859609A (zh) * 2021-01-15 2021-05-28 东南大学 一种基于证据回归与统计回归混合建模获取火电机组煤耗特性的方法
CN113539487A (zh) * 2020-04-15 2021-10-22 华为技术有限公司 数据处理方法、装置与终端设备
CN113662514A (zh) * 2021-09-15 2021-11-19 上海七十迈数字科技有限公司 一种用于用户身体状态预警提示的方法与设备
CN114469024A (zh) * 2021-12-23 2022-05-13 广东建采网科技有限公司 一种基于智能手环的建筑工人安全预警方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104224147A (zh) * 2014-09-15 2014-12-24 中国科学院苏州生物医学工程技术研究所 无线便携式人体健康与睡眠质量监护仪
CN105590287A (zh) * 2016-01-07 2016-05-18 刘冬明 一种家庭医疗服务系统
CN105827731A (zh) * 2016-05-09 2016-08-03 包磊 基于融合模型的智能化健康管理服务器、系统及其控制方法
CN106778575A (zh) * 2016-12-06 2017-05-31 山东瀚岳智能科技股份有限公司 一种基于可穿戴设备的学生学习状态的识别方法与系统
CN108618788A (zh) * 2017-11-29 2018-10-09 淄博职业学院 一种心理压力评估装置及心理压力评估方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104224147A (zh) * 2014-09-15 2014-12-24 中国科学院苏州生物医学工程技术研究所 无线便携式人体健康与睡眠质量监护仪
CN105590287A (zh) * 2016-01-07 2016-05-18 刘冬明 一种家庭医疗服务系统
CN105827731A (zh) * 2016-05-09 2016-08-03 包磊 基于融合模型的智能化健康管理服务器、系统及其控制方法
CN106778575A (zh) * 2016-12-06 2017-05-31 山东瀚岳智能科技股份有限公司 一种基于可穿戴设备的学生学习状态的识别方法与系统
CN108618788A (zh) * 2017-11-29 2018-10-09 淄博职业学院 一种心理压力评估装置及心理压力评估方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111798978A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 用户健康评估方法、装置、存储介质及电子设备
CN110503302A (zh) * 2019-07-18 2019-11-26 长春市万易科技有限公司 一种文化养老活动效果评价方法
CN110503302B (zh) * 2019-07-18 2023-06-06 长春市万易科技有限公司 一种文化养老活动效果评价方法
CN110752034A (zh) * 2019-08-05 2020-02-04 北京泷信科技有限公司 心理数据处理方法和设备
CN112489798A (zh) * 2019-09-12 2021-03-12 金安国科智能科技(北京)有限公司 一种人体状态评价、人体数据可视化方法、装置、设备及介质
CN111166354A (zh) * 2020-01-23 2020-05-19 北京津发科技股份有限公司 影响情绪变化的因素的分析方法及电子设备
CN113539487A (zh) * 2020-04-15 2021-10-22 华为技术有限公司 数据处理方法、装置与终端设备
CN112859609A (zh) * 2021-01-15 2021-05-28 东南大学 一种基于证据回归与统计回归混合建模获取火电机组煤耗特性的方法
CN112859609B (zh) * 2021-01-15 2022-08-19 贵州黔西中水发电有限公司 一种基于证据回归与统计回归混合建模获取火电机组煤耗特性的方法
CN113662514A (zh) * 2021-09-15 2021-11-19 上海七十迈数字科技有限公司 一种用于用户身体状态预警提示的方法与设备
CN114469024A (zh) * 2021-12-23 2022-05-13 广东建采网科技有限公司 一种基于智能手环的建筑工人安全预警方法和系统
CN114469024B (zh) * 2021-12-23 2023-12-22 广东智云城建科技有限公司 一种基于智能手环的建筑工人安全预警方法和系统

Similar Documents

Publication Publication Date Title
CN109215791A (zh) 基于多信息决策的健康管理方法、系统、设备及存储介质
Dzedzickis et al. Human emotion recognition: Review of sensors and methods
CN108852283B (zh) 基于生理信息的睡眠评分
Massé et al. Miniaturized wireless ECG monitor for real-time detection of epileptic seizures
JP5775868B2 (ja) 不眠症のための行動療法を提供するシステム及びその制御方法
US20180125418A1 (en) Device and method for monitoring a physiological state of a subject
EP3106084B1 (en) Method and apparatus for evaluating physiological aging level
CN112005311B (zh) 用于基于睡眠架构模型向用户递送感官刺激的系统和方法
CN105827731A (zh) 基于融合模型的智能化健康管理服务器、系统及其控制方法
US20140121540A1 (en) System and method for monitoring the health of a user
WO2017040331A1 (en) Determining sleep stages and sleep events using sensor data
US20070276270A1 (en) Mesh network stroke monitoring appliance
KR102100120B1 (ko) 생체 신호를 모니터링하는 방법, 장치 및 컴퓨터 프로그램
CN107863152A (zh) 脑卒中预警系统及方法
WO2022056148A1 (en) Mental state monitoring system
US20210282705A1 (en) Systems and methods for modeling sleep parameters for a subject
AU2020319890A1 (en) System and method for continuous monitoring of respiratory ailments
WO2021070472A1 (ja) 情報処理装置、情報処理システム及び情報処理方法
CN109157232A (zh) 心率变异性反馈训练辅助方法、装置、设备及存储介质
Nam et al. Biological‐Signal‐Based User‐Interface System for Virtual‐Reality Applications for Healthcare
US20220183607A1 (en) Contextual biometric information for use in cardiac health monitoring
Ma et al. Design and application of mental fatigue detection system using non-contact ECG and BCG measurement
CN112386224A (zh) 睡眠健康管理系统
Kuo et al. An EOG-based automatic sleep scoring system and its related application in sleep environmental control
KR102556663B1 (ko) 생체신호 모니터링 시스템 및 방법

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190115