CN111161872A - 一种儿童健康智能管理系统 - Google Patents
一种儿童健康智能管理系统 Download PDFInfo
- Publication number
- CN111161872A CN111161872A CN201911220629.6A CN201911220629A CN111161872A CN 111161872 A CN111161872 A CN 111161872A CN 201911220629 A CN201911220629 A CN 201911220629A CN 111161872 A CN111161872 A CN 111161872A
- Authority
- CN
- China
- Prior art keywords
- information
- value
- disease
- time
- equal
- 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
Images
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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种儿童健康智能管理系统,包括身份识别策略、基本信息识别策略、被传染率估算策略、患病特征识别策略以及患病指数计算策略,身份识别策略对被识别人进行识别并获取被识别人体质信息;基本信息识别策略获得健康值;被传染率估算策略获得被传染率值;患病特征识别策略获得患病特征相似值;患病指数计算策略对上述数值以加权的计算方式进行计算得到患病指数值,所述患病指数值用于反映被识别人患病的风险。有益效果:本发明对影响被识别人患病率高低的各因素进行考虑,并进行计算,将难以估算的情况转化为明确的数值。得到用于反映被识别人患病的风险患病指数值,判断结果更为准确。
Description
技术领域
本发明属于手足口病监测技术领域,具体是一种儿童健康智能管理系统。
背景技术
手足口病又称手足口综合征,是常见的传染病。以手足和口腔粘膜出现疱疹或溃疡为主要临床特征,可通过口、手、空气飞沫、以及污染的水源、食物等多种途径传播。手足口病。手足口病多发生于5岁以下儿童,手、脚、后臀、口腔可出现疱疹,还会出现发热的症状。
如今的人工智能(AI)已经可以为医学解决具体的医学问题,并且已经取得了巨大的进展,通过深度学习技术实现,主要应用于医疗机器人、智能药物研发、智能诊疗、智能影响识别、智能健康管理等五大领域,甚至可以解决很多医学上目前无法解决的问题。列举目前典型的应用案例,比如俄罗斯ExoAtlet 公司的智能外骨骼可以帮助瘫痪患者进行日常生活行动,斯坦福大学已经可以成功分辨皮肤癌,中国Airdoc识别糖尿病性视网膜病变能力已经和三甲眼科医生相当,美国的Arterys公司旗下的产品Arterys Cardio DL获得FDA批准,百度推出百度医疗大脑,其诊断和北大医院医生的诊断80%相同,目前人工智能应用在医疗领域已经是个趋势。
由于医生是一个偏经验性的行业,而人工智能可以在海量的数据中快速的学习样本特征,将人工智能应用于医疗诊断可以将医生从重复的繁重劳动中解放出来。目前,将深度学习方法应用于移动医疗,实现患者的在线自诊。幼儿园以及小学是手足口病患病的集中地点,其中幼儿数量较多,医生诊断的工作量大且医生无法每天对幼儿进行疾病检测。因此亟需一种用机器智能代替人工的智能检测方法对幼儿是否患手足口病进行检测并估算患病概率,做好提前防御工作。
发明内容
本发明的目的在于提供一种可对幼儿快速进行手足口病的检测并预测其患病概率的一种儿童健康智能管理系统。
为实现上述发明目的,本发明提供了以下技术方案:
一种儿童健康智能管理系统,包括身份识别策略、基本信息识别策略、被传染率估算策略、患病特征识别策略以及患病指数计算策略,
身份识别策略,获取指纹信息、静脉信息、瞳孔信息、面部信息中的一种或多种信息作为待识别的身份信息,后台服务器对待识别的身份信息进行识别,并以待识别的身份信息为索引从数据库中获得对应的被识别人体质信息,被识别人体质信息用于反映被识别人与体质健康有关的体质信息,
基本信息识别策略,获取被识别人体质信息,健康值算法根据被识别人体质信息计算得到健康值,健康值用于反映被识别人的年龄以及体质健康状况;
被传染率估算策略,获取待识别的身份信息作为待匹配的被识别人信息,后台服务器对待匹配的被识别人信息进行识别,并以待匹配的被识别人信息为索引, 从数据库中的移动者实时信息数据集中获得距被识别时间点X天内被识别人实时移动信息以及已患病者的实时移动信息,筛选算法对被识别人实时移动信息进行筛选得到移动者进入已患病者Ym范围内的有效接近信息,得到风险数据集,被传染率算法根据被传染率估算参数对风险数据集中的有效接近信息进行计算,得到被传染率值,被传染率值用于反映被识别人与已患病者接近后的被传染概率;
患病特征识别策略,构造卷积神经网络模型,获取手足口病病灶样本集,卷积神经网络从手足口病病灶样本集内的图像中提取典型病症特征信息,得到手足口病的神经网络诊断模型;获取被识别人手足以及口腔照片作为待识别图像信息,利用神经网络诊断模型从待识别图像信息中提取得到待识别的病症特征信息,相似度算法根据待识别的病症特征信息与典型病症特征信息,计算得到患病特征相似值,患病特征相似值用于反映被识别人手足以及口腔的病症特征与典型病症特征之间的相似度;
患病指数计算策略,获取健康值、被传染率值以及患病特征相似值,健康值包括BMI健康值、免疫力值以及体龄值,BMI健康值记为A,免疫力值记为B,体龄值记为C,被传染率值记为D,被传染率估算参数记为d,患病特征相似值记为E,患病指数算法以加权的计算方式对A、B、C、D、E计算得到患病指数值,患病指数值记为β,患病指数值用于反映被识别人患病的风险。
优选地,被识别人体质信息包括被识别人的姓名信息、体重信息以及身高信息,
健康值算法包括BMI值子算法,BMI值子算法,获取身高信息和体重信息作为待计算的身份信息,BMI算法根据待计算的身份信息,计算得到待匹配的BMI 值,并对待匹配的BMI值进行匹配计算得到BMI健康值,
当待匹配的BMI值<10时,A=4,当10≤待匹配的BMI值<12时,当12≤待匹配的BMI值<16时,A=0,当16≤待匹配的BMI值<17时,A=1,当17≤待匹配的 BMI值<18时,A=2,当待匹配的BMI值≥18时,A=4。
优选地,被识别人体质信息包括历史患病次数信息以及病愈时间信息,历史患病次数信息用于反映被识别人在被识别时间点前患免疫类疾病的次数,病愈时间信息用于反映被识别人在被识别时间点前每次患免疫类疾病病愈的时间,健康值算法包括免疫力值子算法,
免疫力值子算法,获取历史患病次数信息以及病愈时间信息作为待匹配的历史信息,患病情况匹配算法对待匹配的历史信息进行匹配计算得到免疫力值,
患病情况匹配算法为:当历史患病次数=0时,B=0,当1≤历史患病次数<3 时,B=1,当3≤历史患病次数<5时,B=2,当5≤历史患病次数<7时,B=3,当历史患病次数≥7时,B=5;当1天≤病愈时间<2天时,B=B,当2天≤病愈时间 <8天时,B=B+1,当8天≤病愈时间<14天时,B=B+2,当14天≤病愈时间<20天时,B=B+3,当病愈时间≥20天时,B=B+5。
优选地,被识别人体质信息包括年龄信息,健康值算法包括体龄值子算法,
体龄值子算法,获取年龄信息作为待匹配的年龄信息,年龄匹配算法对待匹配的年龄信息进行匹配计算得到体龄值,
年龄匹配算法为:当1岁≤年龄<4岁时,C=5,当4岁≤年龄<7岁时,C=3,当7岁≤年龄<10岁时,C=2,当10岁≤年龄<13岁时,C=1,当年龄≥13岁时, C=0。
优选地,筛选算法为:当移动者进入已患病移动者5m范围内时,记为开始时间点,当移动者离开已患病移动者5m范围内时,记为结束时间点,将开始时间点到结束时间点这段时间的移动者实时移动信息移入风险数据集内。
优选地,被传染率估算算法为:对风险数据集中的移动者和已患病移动者在同一时间点之间的距离进行计算,并记录危险距离、危险距离持续的时间以及距测定时间点的时间段,将危险距离记为Lm,将危险距离持续的时间记为t小时以及将距测定时间点的时间段记为T小时,当120≤T<240时,
优选地,相似度匹配算法为:计算待识别的病症特征信息与典型病症特征信息之间的欧氏距离,欧式距离为患病特征相似值,将患病特征相似值记为E。
优选地,患病指数算法为:将β=0.1*A+0.3*B+0.2*C+0.4*D+0.6*E,当β≤1 时,无患病风险,当1≤β<2,有轻微患病风险,当2≤β<3,有中轻度患病风险,当3≤β<4,有中度患病风险,当4≤β<5,有中重度患病风险,当β≥5时,有重度患病风险。
优选地,被传染率估算策略还包括被传染率估算训练子策略,被传染率估算训练子策略,从数据库中的移动者实时信息数据集中获得已患病者距被确诊时间点之前X天内的历史实时移动信息,筛选训练算法对已患病者的历史实时移动信息进行筛选,得到已患病者Ym范围内其他移动者的实时移动信息,得到训练风险数据集,被传染率估算训练算法为:对训练风险数据集中的其他移动者和已患病者在同一时间点之间的距离进行计算,并记录训练危险距离、训练危险距离持续的时间以及距测定时间点的时间段,将危险距离记为L1m,将危险距离持续的时间记为t1小时以及将距测定时间点的时间段记为T1小时,将被传染率值记为 D1,当120≤T1<240时,当T1<120时,
当D1<0时,D1=0,当D1≥8时,D1=8,计算得到被传染率训练信息,D1;根据实际情况记录已患病移动者Ym范围内其他移动者的实际被传染率,记为D0,根据被传染率训练信息,D1和实际被传染率D0的差值对被传染率估算参数进行修正。
优选地,移动者实时信息数据集的构建方法为:在移动者实时信息数据集中建立以移动者名字或代号为名称的移动者实时信息数据子集,给相应的移动者佩戴装有定位机构的手环,手环每隔Z秒将定位信息发送给后台服务器,后台服务器将定位信息输入移动者实时信息数据子集。
与现有技术相比,本发明的有益效果为:
1、被识别人患病率的高低与本人的体质情况具有较大关系,本发明可与医院数据进行对接,及时获取被识别人的体质信息,将被识别人在被识别时间点前患免疫类疾病的次数以及每次患免疫类疾病病愈的时间,作为判断被识别人患病率高低的参考因素之一,判断结果更为准确;
2、因手足口病可通过口、手以及空气飞沫等途径进行传播,所以与已患病者的接触情况与被识别人患病率的高低有较大关系。本发明通过先获得风险数据集然后再获得有效接近信息的方式,将被识别人与已患病者的接触情况作为判断被识别人患病率高低的参考因素之一,判断结果更为准确;
3、本发明对影响被识别人患病率高低的各因素进行考虑,如被识别人的体质、与已患病者的接触情况以及被识别人病症特征,并对上述因素进行计算,将难以估算的情况转化为明确的数值,得到健康值、被传染率值以及患病特征相似值。最后综合考虑各因素对患病率高低的影响,对上述数值以加权的计算方式,得到用于反映被识别人患病的风险患病指数值,判断结果更为准确。
附图说明
图1为本发明流程图。
具体实施方式
下面通过实施例对本发明方案作进一步的说明。
实施例1:
一种儿童健康智能管理系统,包括身份识别策略、基本信息识别策略、被传染率估算策略、患病特征识别策略以及患病指数计算策略,
身份识别策略,获取指纹信息、静脉信息、瞳孔信息、面部信息中的一种或多种信息作为待识别的身份信息,后台服务器对待识别的身份信息进行识别,并以待识别的身份信息为索引从数据库中获得对应的被识别人体质信息,被识别人体质信息用于反映被识别人与体质健康有关的体质信息,被识别人体质信息包括被识别人的姓名信息、体重信息、身高信息、历史患病次数信息、病愈时间信息以及年龄信息,从被识别人体质信息中截取里面的数值。具体示例如下:
被识别人为张三,通过获得张三的指纹信息、静脉信息、瞳孔信息、面部信息中的一种或多种信息作为待识别的身份信息,后台服务器对待识别的身份信息进行识别,并以待识别的身份信息为索引从数据库中获得张三的体质信息,张三的体质信息用于反映被识别人与体质健康有关的体质信息,张三的体质信息包括张三的姓名信息、体重信息、身高信息、历史患病次数信息、病愈时间信息以及年龄信息,张三的人体质信息中截取里面的数值,如体重19kg,截取数值19;身高1.03m,截取数值1.03;历史患病3次,截取数值3;病愈时间5天,14天,7天,截取数值5,14,7;年龄4岁,截取数值4。
基本信息识别策略,获取被识别人体质信息,健康值算法根据被识别人体质信息计算得到健康值,健康值用于反映被识别人的年龄以及体质健康状况,
所述健康值算法包括BMI值子算法,所述BMI值子算法,获取身高信息和体重信息作为待计算的身份信息,BMI算法根据所述待计算的身份信息,计算得到待匹配的BMI值,并对所述待匹配的BMI值进行匹配计算得到BMI健康值,
当待匹配的BMI值<10时,A=4,当10≤待匹配的BMI值<12时,当12≤待匹配的BMI值<16时,A=0,当16≤待匹配的BMI值<17时,A=1,当17≤待匹配的BMI值<18时,A=2,当待匹配的BMI值≥18时,A=4。具体示例如下:
健康值算法包括免疫力值子算法,免疫力值子算法,获取历史患病次数信息以及病愈时间信息作为待匹配的历史信息,患病情况匹配算法对所述待匹配的历史信息进行匹配计算得到免疫力值,
所述患病情况匹配算法为:当历史患病次数=0时,B=0,当1≤历史患病次数 <3时,B=1,当3≤历史患病次数<5时,B=2,当5≤历史患病次数<7时,B=3,当历史患病次数≥7时,B=5;当1天≤病愈时间<2天时,B=B,当2天≤病愈时间<8天时,B=B+1,当8天≤病愈时间<14天时,B=B+2,当14天≤病愈时间<20 天时,B=B+3,当病愈时间≥20天时,B=B+5。具体示例如下:
历史患病3次,B=2;病愈时间5天,14天,7天,B=2+1+3+1=7,截取数值 7。
健康值算法包括体龄值子算法,体龄值子算法,获取年龄信息作为待匹配的年龄信息,年龄匹配算法对所述待匹配的年龄信息进行匹配计算得到体龄值,
所述年龄匹配算法为:当1岁≤年龄<4岁时,C=5,当4岁≤年龄<7岁时, C=3,当7岁≤年龄<10岁时,C=2,当10岁≤年龄<13岁时,C=1,当年龄≥13 岁时,C=0。具体示例如下:
年龄4岁,C=3,截取数值3。
被传染率估算策略,获取待识别的身份信息作为待匹配的被识别人信息,后台服务器对待匹配的被识别人信息进行识别,并以待匹配的被识别人信息为索引, 从数据库中的移动者实时信息数据集中获得距被识别时间点X天内被识别人实时移动信息以及已患病者的实时移动信息,筛选算法对被识别人实时移动信息进行筛选得到移动者进入已患病者Ym范围内的有效接近信息,得到风险数据集,被传染率算法根据被传染率估算参数对风险数据集中的有效接近信息进行计算,得到被传染率值,被传染率值用于反映被识别人与已患病者接近后的被传染概率。
筛选算法为:当移动者进入已患病移动者5m范围内时,记为开始时间点,当移动者离开已患病移动者5m范围内时,记为结束时间点,将开始时间点到结束时间点这段时间的移动者实时移动信息移入风险数据集内。
被传染率估算算法为:对风险数据集中的移动者和已患病移动者在同一时间点之间的距离进行计算,并记录危险距离、危险距离持续的时间以及距测定时间点的时间段,将危险距离记为Lm,将危险距离持续的时间记为t小时以及将距测定时间点的时间段记为T小时,当120≤T<240时,当 T<120时,当D<0时,D=0,当D≥8时,D=8。具体示例如下:
被传染率估算策略,获取张三的身份信息作为待匹配的被识别人信息,后台服务器对待匹配的被识别人信息进行识别,并以待匹配的被识别人信息为索引, 从数据库中的移动者实时信息数据集中获得距被识别时间点10天内张三实时移动信息以及已患病的李四的实时移动信息,当移动者进入已患病移动者5m范围内时,记为开始时间点,当移动者离开已患病移动者5m范围内时,记为结束时间点,将开始时间点到结束时间点这段时间的移动者实时移动信息移入风险数据集内。被传染率算法根据被传染率估算参数对风险数据集中的有效接近信息进行计算,得到被传染率值,被传染率值用于反映被识别人与已患病者接近后的被传染概率。
L=3.6m,t=0.2h;L=1.6m,t=0.9h;L=0.1m,t=3h;L=2.8m,t=2h;L=4m, t=10h;L=3.2m,t=0.03h;L=4.2m,t=1.2h,截取数值3.6,0.2;1.6,0.9;0.1,3; 2.8,2;4,10;3.2,0.03;4.2,1.2。
根据公式计算结果为D=8,截取数值8。
患病特征识别策略,构造卷积神经网络模型,获取手足口病病灶样本集,卷积神经网络从手足口病病灶样本集内的图像中提取典型病症特征信息,得到手足口病的神经网络诊断模型;获取被识别人手足以及口腔照片作为待识别图像信息,利用神经网络诊断模型从待识别图像信息中提取得到待识别的病症特征信息,相似度算法根据待识别的病症特征信息与典型病症特征信息,计算得到患病特征相似值,患病特征相似值用于反映被识别人手足以及口腔的病症特征与典型病症特征之间的相似度。具体示例如下:
患病特征识别策略,构造卷积神经网络模型,获取手足口病病灶样本集,卷积神经网络从手足口病病灶样本集内的图像中提取典型病症特征信息,得到手足口病的神经网络诊断模型;获取张三手足以及口腔照片作为待识别图像信息,利用神经网络诊断模型从待识别图像信息中提取得到待识别的病症特征信息,计算待识别的病症特征信息与典型病症特征信息之间的欧氏距离,欧式距离为患病特征相似值,将患病特征相似值记为E,张三的手足以及口腔照片中的病症特征信息与典型病症特征信息之间的欧氏距离值为3,E=3,截取数值3。
患病指数计算策略,获取健康值、被传染率值以及患病特征相似值,健康值包括BMI健康值、免疫力值以及体龄值,BMI健康值记为A,免疫力值记为B,体龄值记为C,被传染率值记为D,被传染率估算参数记为d,患病特征相似值记为E,患病指数算法以加权的计算方式对A、B、C、D、E计算得到患病指数值,患病指数值记为β,患病指数值用于反映被识别人患病的风险。
患病指数算法为:当β≤1时,无患病风险,当1≤β<2,有轻微患病风险,当2≤β<3,有中轻度患病风险,当3≤β<4,有中度患病风险,当4≤β<5,有中重度患病风险,当β≥5时,有重度患病风险。具体示例如下:
患病指数计算策略,获取健康值、被传染率值以及患病特征相似值,健康值包括BMI健康值、免疫力值以及体龄值,BMI健康值记为A,免疫力值记为B,体龄值记为C,被传染率值记为D,被传染率估算参数记为d,患病特征相似值记为E,患病指数值记为β,β=0.1*A+0.3*B+0.2*C+0.4*D+0.6*E。将数值代入公式计算得到β=7.9,张三有重度患病风险。
移动者实时信息数据集的构建方法为:在移动者实时信息数据集中建立以移动者名字或代号为名称的移动者实时信息数据子集,给相应的移动者佩戴装有定位机构的手环,手环每隔Z秒将定位信息发送给后台服务器,后台服务器将定位信息输入移动者实时信息数据子集。
被传染率估算策略还包括被传染率估算训练子策略,被传染率估算训练子策略,从数据库中的移动者实时信息数据集中获得已患病者距被确诊时间点之前X 天内的历史实时移动信息,筛选训练算法对已患病者的历史实时移动信息进行筛选,得到已患病者Ym范围内其他移动者的实时移动信息,得到训练风险数据集,被传染率估算训练算法为:对训练风险数据集中的其他移动者和已患病者在同一时间点之间的距离进行计算,并记录训练危险距离、训练危险距离持续的时间以及距测定时间点的时间段,将危险距离记为L1m,将危险距离持续的时间记为t1小时以及将距测定时间点的时间段记为T1小时,将被传染率值记为D1,当120≤ T1<240时,当T1<120时,当D1<0时,D1=0,当D1≥8时,D1=8,计算得到被传染率训练信息,D1;根据实际情况记录已患病移动者5m范围内其他移动者的实际被传染率,记为D0,根据被传染率训练信息,D1和实际被传染率D0的差值对被传染率估算参数进行修正。
应当指出,对于本领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种儿童健康智能管理系统,其特征在于包括身份识别策略、基本信息识别策略、被传染率估算策略、患病特征识别策略以及患病指数计算策略,
身份识别策略,获取指纹信息、静脉信息、瞳孔信息、面部信息中的一种或多种信息作为待识别的身份信息,后台服务器对所述待识别的身份信息进行识别,并以所述待识别的身份信息为索引从数据库中获得对应的被识别人体质信息,所述被识别人体质信息用于反映被识别人与体质健康有关的体质信息;
基本信息识别策略,获取被识别人体质信息,健康值算法根据所述被识别人体质信息计算得到健康值,所述健康值用于反映被识别人的年龄以及体质健康状况;
被传染率估算策略,获取所述待识别的身份信息作为待匹配的被识别人信息,所述后台服务器对所述待匹配的被识别人信息进行识别,并以所述待匹配的被识别人信息为索引,从数据库中的移动者实时信息数据集中获得距被识别时间点X天内被识别人实时移动信息以及已患病者的实时移动信息,筛选算法对被识别人实时移动信息进行筛选得到移动者进入已患病者Ym范围内的有效接近信息,得到风险数据集,被传染率算法根据被传染率估算参数对所述风险数据集中的所述有效接近信息进行计算,得到被传染率值,所述被传染率值用于反映被识别人与已患病者接近后的被传染概率;
患病特征识别策略,构造卷积神经网络模型,获取手足口病病灶样本集,卷积神经网络从所述手足口病病灶样本集内的图像中提取典型病症特征信息,得到手足口病的神经网络诊断模型;获取被识别人手足以及口腔照片作为待识别图像信息,利用所述神经网络诊断模型从所述待识别图像信息中提取得到待识别的病症特征信息,相似度算法根据所述待识别的病症特征信息与所述典型病症特征信息,计算得到患病特征相似值,所述患病特征相似值用于反映被识别人手足以及口腔的病症特征与典型病症特征之间的相似度;
患病指数计算策略,获取所述健康值、被传染率值以及患病特征相似值,所述健康值包括BMI健康值、免疫力值以及体龄值,所述BMI健康值记为A,所述免疫力值记为B,所述体龄值记为C,所述被传染率值记为D,所述被传染率估算参数记为d,所述患病特征相似值记为E,患病指数算法以加权的计算方式对A、B、C、D、E计算得到患病指数值,所述患病指数值记为β,所述患病指数值用于反映被识别人患病的风险。
2.根据权利要求1所述的一种儿童健康智能管理系统,其特征在于,所述被识别人体质信息包括被识别人的姓名信息、体重信息以及身高信息,所述健康值算法包括BMI值子算法,
所述BMI值子算法,获取身高信息和体重信息作为待计算的身份信息,BMI算法根据所述待计算的身份信息,计算得到待匹配的BMI值,并对所述待匹配的BMI值进行匹配计算得到BMI健康值,
当待匹配的BMI值<10时,A=4,当10≤待匹配的BMI值<12时,当12≤待匹配的BMI值<16时,A=0,当16≤待匹配的BMI值<17时,A=1,当17≤待匹配的BMI值<18时,A=2,当待匹配的BMI值≥18时,A=4。
3.根据权利要求1所述的一种儿童健康智能管理系统,其特征在于,所述被识别人体质信息包括历史患病次数信息以及病愈时间信息,所述历史患病次数信息用于反映被识别人在被识别时间点前患免疫类疾病的次数,所述病愈时间信息用于反映被识别人在被识别时间点前每次患免疫类疾病病愈的时间,所述健康值算法包括免疫力值子算法,
所述免疫力值子算法,获取历史患病次数信息以及病愈时间信息作为待匹配的历史信息,患病情况匹配算法对所述待匹配的历史信息进行匹配计算得到免疫力值,
所述患病情况匹配算法为:当历史患病次数=0时,B=0,当1≤历史患病次数<3时,B=1,当3≤历史患病次数<5时,B=2,当5≤历史患病次数<7时,B=3,当历史患病次数≥7时,B=5;当1天≤病愈时间<2天时,B=B,当2天≤病愈时间<8天时,B=B+1,当8天≤病愈时间<14天时,B=B+2,当14天≤病愈时间<20天时,B=B+3,当病愈时间≥20天时,B=B+5。
4.根据权利要求1所述的一种儿童健康智能管理系统,其特征在于,所述被识别人体质信息包括年龄信息,所述健康值算法包括体龄值子算法,
所述体龄值子算法,获取年龄信息作为待匹配的年龄信息,年龄匹配算法对所述待匹配的年龄信息进行匹配计算得到体龄值,
所述年龄匹配算法为:当1岁≤年龄<4岁时,C=5,当4岁≤年龄<7岁时,C=3,当7岁≤年龄<10岁时,C=2,当10岁≤年龄<13岁时,C=1,当年龄≥13岁时,C=0。
5.根据权利要求1所述的一种儿童健康智能管理系统,其特征在于,所述筛选算法为:当移动者进入已患病移动者5m范围内时,记为开始时间点,当移动者离开已患病移动者5m范围内时,记为结束时间点,将开始时间点到结束时间点这段时间的移动者实时移动信息移入风险数据集内。
7.根据权利要求1所述的一种儿童健康智能管理系统,其特征在于,所述相似度匹配算法为:计算所述待识别的病症特征信息与所述典型病症特征信息之间的欧氏距离,所述欧式距离为患病特征相似值,将所述患病特征相似值记为E。
8.根据权利要求1~7任一所述的一种儿童健康智能管理系统,其特征在于,所述患病指数算法为:将β=0.1*A+0.3*B+0.2*C+0.4*D+0.6*E,当β≤1时,无患病风险,当1≤β<2,有轻微患病风险,当2≤β<3,有中轻度患病风险,当3≤β<4,有中度患病风险,当4≤β<5,有中重度患病风险,当β≥5时,有重度患病风险。
9.根据权利要求1所述的一种儿童健康智能管理系统,其特征在于,所述被传染率估算策略还包括被传染率估算训练子策略,所述被传染率估算训练子策略,从数据库中的移动者实时信息数据集中获得已患病者距被确诊时间点之前X天内的历史实时移动信息,筛选训练算法对已患病者的历史实时移动信息进行筛选,得到已患病者Ym范围内其他移动者的实时移动信息,得到训练风险数据集,被传染率估算训练算法为:对所述训练风险数据集中的其他移动者和已患病者在同一时间点之间的距离进行计算,并记录训练危险距离、训练危险距离持续的时间以及距测定时间点的时间段,将所述危险距离记为L1m,将所述危险距离持续的时间记为t1小时以及将所述距测定时间点的时间段记为T1小时,将所述被传染率训练值记为D1,当120≤T1<240时,当T1<120时,当D1<0时,D1=0,当D1≥8时,D1=8,计算得到被传染率训练信息,D1;根据实际情况记录已患病移动者Ym范围内其他移动者的实际被传染率,记为D0,根据被传染率训练值和实际被传染率的差值对被传染率估算参数进行修正。
10.根据权利要求1所述的一种儿童健康智能管理系统,其特征在于,所述移动者实时信息数据集的构建方法为:在所述移动者实时信息数据集中建立以移动者名字或代号为名称的移动者实时信息数据子集,给相应的移动者佩戴装有定位机构的手环,手环每隔Z秒将定位信息发送给后台服务器,所述后台服务器将所述定位信息输入所述移动者实时信息数据子集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911220629.6A CN111161872B (zh) | 2019-12-03 | 2019-12-03 | 一种儿童健康智能管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911220629.6A CN111161872B (zh) | 2019-12-03 | 2019-12-03 | 一种儿童健康智能管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111161872A true CN111161872A (zh) | 2020-05-15 |
CN111161872B CN111161872B (zh) | 2022-08-23 |
Family
ID=70556351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911220629.6A Active CN111161872B (zh) | 2019-12-03 | 2019-12-03 | 一种儿童健康智能管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111161872B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112786192A (zh) * | 2021-01-18 | 2021-05-11 | 吾征智能技术(北京)有限公司 | 一种手足口病智能认知系统、设备、存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542146A (zh) * | 2010-12-30 | 2012-07-04 | 浙江大学 | 一种用于ⅱ型糖尿病健康生活管理的网络测评系统 |
CN102713914A (zh) * | 2009-10-19 | 2012-10-03 | 提拉诺斯公司 | 集成的健康数据采集和分析系统 |
CN103413189A (zh) * | 2012-11-26 | 2013-11-27 | 中国计量学院 | 一种幼儿园安全健康管理系统 |
WO2015009240A1 (en) * | 2013-07-18 | 2015-01-22 | Cyberland Consultancy Pte Ltd | Mobile integrated device and system for identifying potential infected subjects and managing health data and method of operation |
CN105232054A (zh) * | 2015-10-20 | 2016-01-13 | 沈阳国际旅行卫生保健中心 | 一种人体内分泌系统健康风险预警系统 |
CN105303041A (zh) * | 2015-10-20 | 2016-02-03 | 沈阳国际旅行卫生保健中心 | 一种人体消化系统健康风险预警系统 |
CN106355033A (zh) * | 2016-09-27 | 2017-01-25 | 无锡金世纪国民体质与健康研究有限公司 | 一种生活风险评估系统 |
WO2017044880A1 (en) * | 2015-09-09 | 2017-03-16 | uBiome, Inc. | Method and system for microbiome-derived diagnostics and therapeutics infectious disease and other health conditions associated with antibiotic usage |
CN106529177A (zh) * | 2016-11-12 | 2017-03-22 | 杭州电子科技大学 | 一种基于医疗大数据的患者画像方法及装置 |
CN107862694A (zh) * | 2017-12-19 | 2018-03-30 | 济南大象信息技术有限公司 | 一种基于深度学习的手足口病检测系统 |
CN108565023A (zh) * | 2018-03-16 | 2018-09-21 | 夏伟 | 一种儿童疾病防控监测方法、装置和系统 |
CN109166630A (zh) * | 2018-08-03 | 2019-01-08 | 杜占玮 | 一种传染病数据监控处理方法和系统 |
CN109636694A (zh) * | 2018-12-21 | 2019-04-16 | 广州智而康网络科技有限公司 | 一种幼儿健康数据管理的方法及系统 |
CN109844532A (zh) * | 2016-08-10 | 2019-06-04 | 米密德诊断学有限公司 | 分析生物数据的系统和方法 |
CN110008865A (zh) * | 2019-03-25 | 2019-07-12 | 南京蒙特梭利健康科技有限公司 | 一种幼儿园晨检方法及其装置 |
-
2019
- 2019-12-03 CN CN201911220629.6A patent/CN111161872B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102713914A (zh) * | 2009-10-19 | 2012-10-03 | 提拉诺斯公司 | 集成的健康数据采集和分析系统 |
CN102542146A (zh) * | 2010-12-30 | 2012-07-04 | 浙江大学 | 一种用于ⅱ型糖尿病健康生活管理的网络测评系统 |
CN103413189A (zh) * | 2012-11-26 | 2013-11-27 | 中国计量学院 | 一种幼儿园安全健康管理系统 |
WO2015009240A1 (en) * | 2013-07-18 | 2015-01-22 | Cyberland Consultancy Pte Ltd | Mobile integrated device and system for identifying potential infected subjects and managing health data and method of operation |
WO2017044880A1 (en) * | 2015-09-09 | 2017-03-16 | uBiome, Inc. | Method and system for microbiome-derived diagnostics and therapeutics infectious disease and other health conditions associated with antibiotic usage |
CN105232054A (zh) * | 2015-10-20 | 2016-01-13 | 沈阳国际旅行卫生保健中心 | 一种人体内分泌系统健康风险预警系统 |
CN105303041A (zh) * | 2015-10-20 | 2016-02-03 | 沈阳国际旅行卫生保健中心 | 一种人体消化系统健康风险预警系统 |
CN109844532A (zh) * | 2016-08-10 | 2019-06-04 | 米密德诊断学有限公司 | 分析生物数据的系统和方法 |
CN106355033A (zh) * | 2016-09-27 | 2017-01-25 | 无锡金世纪国民体质与健康研究有限公司 | 一种生活风险评估系统 |
CN106529177A (zh) * | 2016-11-12 | 2017-03-22 | 杭州电子科技大学 | 一种基于医疗大数据的患者画像方法及装置 |
CN107862694A (zh) * | 2017-12-19 | 2018-03-30 | 济南大象信息技术有限公司 | 一种基于深度学习的手足口病检测系统 |
CN108565023A (zh) * | 2018-03-16 | 2018-09-21 | 夏伟 | 一种儿童疾病防控监测方法、装置和系统 |
CN109166630A (zh) * | 2018-08-03 | 2019-01-08 | 杜占玮 | 一种传染病数据监控处理方法和系统 |
CN109636694A (zh) * | 2018-12-21 | 2019-04-16 | 广州智而康网络科技有限公司 | 一种幼儿健康数据管理的方法及系统 |
CN110008865A (zh) * | 2019-03-25 | 2019-07-12 | 南京蒙特梭利健康科技有限公司 | 一种幼儿园晨检方法及其装置 |
Non-Patent Citations (3)
Title |
---|
丘文洋等: "利用空间聚集的贝叶斯网络评估手足口病发病风险", 《地球信息科学学报》 * |
王斌等: "基于贝叶斯网络模型对重症手足口病预测变量的筛选研究", 《现代预防医学》 * |
高雅等: "2015-2016年上海市宝山区手足口病流行特征的聚类分析", 《实用预防医学》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112786192A (zh) * | 2021-01-18 | 2021-05-11 | 吾征智能技术(北京)有限公司 | 一种手足口病智能认知系统、设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111161872B (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220331028A1 (en) | System for Capturing Movement Patterns and/or Vital Signs of a Person | |
US9710920B2 (en) | Motion information processing device | |
CN108778097A (zh) | 用于评估心力衰竭的装置和方法 | |
CN113647939B (zh) | 一种针对脊柱退行性疾病的人工智能康复评估与训练系统 | |
Pham et al. | Cloud-based smart home environment (CoSHE) for home healthcare | |
CN111724879A (zh) | 康复训练评估处理方法、装置及设备 | |
CN106255449A (zh) | 具有用于生命体征扫描的多个集成传感器的便携式装置 | |
CN111259872A (zh) | 一种人证合一的新型流感防控检测装置及方法 | |
CN111000688A (zh) | 一种智能医疗床监控系统 | |
CN111345823A (zh) | 一种远程运动康复方法、装置和计算机可读存储介质 | |
CN111012309A (zh) | 一种晨检自助系统 | |
CN111161872B (zh) | 一种儿童健康智能管理系统 | |
CN113688740B (zh) | 一种基于多传感器融合视觉的室内姿势检测方法 | |
Abeyratne et al. | Cough Sound Analysis-A new tool for diagnosing Pneumonia | |
CN114328426A (zh) | 一种医疗数据采集及共享系统 | |
CN117133464B (zh) | 一种老年人健康智能监测系统及监测方法 | |
CN113823376A (zh) | 智能服药提醒方法、装置、设备及存储介质 | |
CN115662631B (zh) | 基于ai智能判别的养老院管理系统 | |
CN116945156A (zh) | 一种基于计算机视觉技术的老年人智能陪护系统 | |
CN114582489A (zh) | 一种用于针灸治疗膝骨关节炎的红外热像辅助选穴系统 | |
Dhanapal et al. | Pervasive computational model and wearable devices for prediction of respiratory symptoms in progression of COVID-19 | |
Chen et al. | Biovitals™: a personalized multivariate physiology analytics using continuous mobile biosensors | |
Lyu et al. | Skeleton-based sleep posture recognition with BP neural network | |
CN112002418A (zh) | 一种家庭式智能药箱系统及其智能监测方法 | |
CN115068897B (zh) | 一种基于互联网的远程康复辅助监护系统 |
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 |