CN111281361A - 基于大数据的学生健康监测系统 - Google Patents
基于大数据的学生健康监测系统 Download PDFInfo
- Publication number
- CN111281361A CN111281361A CN202010159400.2A CN202010159400A CN111281361A CN 111281361 A CN111281361 A CN 111281361A CN 202010159400 A CN202010159400 A CN 202010159400A CN 111281361 A CN111281361 A CN 111281361A
- Authority
- CN
- China
- Prior art keywords
- information
- pupil
- value
- time
- disease
- 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
Links
- 230000036541 health Effects 0.000 title claims abstract description 76
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 210000001747 pupil Anatomy 0.000 claims abstract description 238
- 201000010099 disease Diseases 0.000 claims abstract description 137
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 137
- 230000004044 response Effects 0.000 claims abstract description 85
- 238000001514 detection method Methods 0.000 claims abstract description 84
- 230000033001 locomotion Effects 0.000 claims abstract description 40
- 208000020061 Hand, Foot and Mouth Disease Diseases 0.000 claims abstract description 35
- 208000025713 Hand-foot-and-mouth disease Diseases 0.000 claims abstract description 35
- 230000004438 eyesight Effects 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000007405 data analysis Methods 0.000 claims abstract description 6
- 230000006978 adaptation Effects 0.000 claims abstract description 4
- 230000035484 reaction time Effects 0.000 claims abstract description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 140
- 238000012549 training Methods 0.000 claims description 101
- 208000015181 infectious disease Diseases 0.000 claims description 73
- 230000003068 static effect Effects 0.000 claims description 54
- 210000005252 bulbus oculi Anatomy 0.000 claims description 41
- 210000001508 eye Anatomy 0.000 claims description 32
- 230000036772 blood pressure Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 20
- 230000036760 body temperature Effects 0.000 claims description 18
- 230000036039 immunity Effects 0.000 claims description 17
- 210000004087 cornea Anatomy 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 12
- 238000003745 diagnosis Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 210000000214 mouth Anatomy 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 6
- 208000026278 immune system disease Diseases 0.000 claims description 6
- 230000035876 healing Effects 0.000 claims description 5
- 210000003462 vein Anatomy 0.000 claims description 4
- 208000031636 Body Temperature Changes Diseases 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 230000001815 facial effect Effects 0.000 claims description 2
- 230000001179 pupillary effect Effects 0.000 claims 1
- 238000000034 method Methods 0.000 description 6
- 230000004379 myopia Effects 0.000 description 5
- 208000001491 myopia Diseases 0.000 description 5
- 208000006550 Mydriasis Diseases 0.000 description 4
- 230000001886 ciliary effect Effects 0.000 description 4
- 210000003205 muscle Anatomy 0.000 description 4
- 239000011324 bead Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 210000000695 crystalline len Anatomy 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004436 pseudomyopia Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/11—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for measuring interpupillary distance or diameter of pupils
- A61B3/112—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for measuring interpupillary distance or diameter of pupils for measuring diameter of pupils
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/14—Arrangements specially adapted for eye photography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/002—Monitoring the patient using a local or closed circuit, e.g. in a room or building
-
- 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
- A61B5/681—Wristwatch-type devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
- G01C22/006—Pedometers
-
- 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
-
- 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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- 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
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
Abstract
本发明公开了一种基于大数据的学生健康监测系统，包括手足口病检测模块、视力检测模块和运动手环检测模块，手足口病检测模块用于获得患病指数值，患病指数值用于反映被检测者患手足口病的风险，视力检测模块用于获得瞳径值、虹应时间、瞳应时间和瞳孔‑角膜反射向量坐标，瞳径值用于反映被检测者在自然光照射下瞳孔直径的大小，虹应时间用于反映被检测者视力捕捉到亮起的图案的反应时间，瞳应时间用于反映瞳孔对光照亮度变化的适应时间，瞳孔‑角膜反射向量坐标用于反映瞳孔中心与角膜反射光斑中心的偏移量。获取上述信息输入到数据库中并作为待分析大数据信息，大数据分析步骤对待分析大数据信息进行分析得到分析判断信息。
Description
技术领域
本发明涉及学生健康数据收集技术领域，尤其是涉及一种基于大数据的学生健康监测系统。
背景技术
随着社会的进步和蓬勃发展，并且伴随着教育事业呈井喷式发展，由此而引发的“学生健康成长”问题成为校园建设的重中之重。只有有效保障学生的生理健康，才能促进教育事业的全面建设和提升。目前大部分检测装置是针对独居、孤寡老人或者需要健康检测的人员，而忽略了学生这一群体。目前学生健康存在如下诸多问题：
1)缺少有效的手段和措施监控学生的生理健康，导致学生不能进行及时地发现隐患的疾病，从而不能得到及时的救助；
2)没有充足的数据支撑，无法发现学生身体健康各指数之间的关系。
发明内容
本发明的目的在于提供了一种可同时收集多种反映学生身体健康的数据的基于大数据的学生健康监测系统。
为实现上述目的，本发明采取的技术方案为：基于大数据的学生健康监测系统，包括手足口病检测模块、视力检测模块和运动手环检测模块，所述手足口病检测模块用于获得患病指数值，所述患病指数值用于反映被检测者患手足口病的风险，所述视力检测模块用于获得瞳径值、虹应时间、瞳应时间和瞳孔-角膜反射向量坐标，所述瞳径值用于反映被检测者在自然光照射下瞳孔直径的大小，所述虹应时间用于反映被检测者视力捕捉到亮起的图案的反应时间，所述瞳应时间用于反映瞳孔对光照亮度变化的适应时间，所述瞳孔-角膜反射向量坐标用于反映瞳孔中心与角膜反射光斑中心的偏移量，
所述运动手环检测模块包括心率检测单元、运动步数检测单元、血压检测单元、体温检测单元和WiFi检测单元，所述心率检测单元用于实时检测运动被检测者的心率变化得到心率值，所述运动步数检测单元用于实时检测运动被检测者的运动步数积累量得到运动量，所述血压检测单元用于实时检测运动被检测者的血压变化得到血压值，所述体温检测单元用于实时检测运动被检测者的体温变化得到体温值，所述WiFi检测单元通过检测WiFi来判断佩戴者在室内还是在室外得到定位值，
学生健康监测系统还包括信息分析模块，所述信息分析模块配置有信息分析策略，所述信息分析策略配置有数据库，所述信息分析策略包括大数据获取步骤和大数据分析步骤，所述大数据获取步骤获取所述手足口病检测模块、所述视力检测模块和所述运动手环检测模块分别检测到的所述患病指数值、所述瞳径值、所述虹应时间、所述瞳应时间、所述瞳孔-角膜反射向量坐标、所述心率值、所述运动量、所述血压值、所述体温值和所述定位值输入到数据库中并作为待分析大数据信息，所述大数据分析步骤对所述待分析大数据信息进行分析得到分析判断信息。
作为优选，所述手足口病检测模块内配置有身份识别策略、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，所述数据库中存储有被检测者体质信息和移动者实时信息数据集，所述被检测者体质信息用于反映被检测者与体质健康有关的体质信息，所述移动者实时信息数据集内存储有多人实时移动信息，
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检测者体质信息；
基本信息识别策略，获取被检测者体质信息，健康值算法根据所述被检测者体质信息计算得到健康值，所述健康值用于反映被检测者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检测者信息，所述后台服务器对所述待匹配的被检测者信息进行识别，并以所述待匹配的被检测者信息为索引,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天内被检测者实时移动信息以及已患病者的实时移动信息，筛选算法对被检测者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检测者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；获取被检测者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检测者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，所述患病指数值输入数据库中。
作为优选，所述被检测者体质信息包括被检测者的姓名信息、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；
所述被检测者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检测者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检测者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；
所述被检测者体质信息还包括年龄信息，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。
作为优选，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，
所述被传染率估算算法为：对所述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，将所述危险距离记为Lm，将所述危险距离持续的时间记为t小时以及将所述距测定时间点的时间段记为T小时，当120≤T<240时，
当T<120时，
作为优选，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。
作为优选，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。
作为优选，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，
作为优选，所述视力检测模块配置有瞳孔测定仪和验光仪，所述瞳孔测定仪包括测量处、静态测量装置和动态测量装置，所述静态测量装置用于测定在自然光照射下人眼瞳孔的直径大小，得到瞳径值，所述动态测量装置包括显示屏和微型摄像机，所述微型摄像机设有多个，多个所述微型摄像机均布在所述显示屏周围，多个所述微型摄像机均朝向所述测量处倾斜设置，所述显示屏在一时间段内在相同位置持续输出单个图案，相邻时间段输出的图案位置不同，
所述瞳孔测定仪配置有虹膜捕获策略、瞳孔反应策略和中心偏移策略，
所述虹膜捕获策略包括动态显示控制步骤、动态区域获取步骤和虹应输出步骤，
所述动态显示控制步骤，获取所述屈光度，根据所述屈光度调整所述显示屏输出的图案的缩放比例，将所述显示屏上开始输出图案的时间点记为开始时刻，且在开始时刻时多个所述微型摄像机同时开始工作；
所述动态区域获取步骤，获取多个所述微型摄像机拍摄的视频得到多个待截取动态视频，以相同时间间隔从多个所述待截取动态视频中截取得到多帧待拼接动态图片，采用图像拼接算法分别将在同一时间点截取得到的所述待拼接动态图片进行拼接得到多个完整眼部动态图像信息，采用区域分割算法通过对眼珠边缘进行识别将多个所述完整眼部动态图像信息分别进行分割得到多个眼珠动态图像信息；
所述虹应输出步骤，获取多个所述眼珠动态图像信息作为多个待比对眼珠图像信息，在相似比对算法中设定相似度基准值，所述相似比对算法将相邻所述待比对眼珠图像信息进行相似度比对得到相似度值，当所述相似度值小于设定的所述相似度基准值时，获取比对的最后一个所述待比对眼珠图像信息所对应的所述待拼接动态图片的拍摄时间点，记为虹应结束时刻，计算所述开始时刻与虹应结束时刻之间的时间差得到虹应时间，
所述瞳孔反应策略，包括所述动态显示控制步骤、所述动态区域获取步骤、瞳孔区域获取步骤和瞳应输出步骤，
所述瞳孔区域获取步骤，依次通过所述动态显示控制步骤和所述动态区域获取步骤获取多个所述眼珠图像信息作为多个待分割眼珠图像信息，采用所述区域分割算法通过对瞳孔边缘进行识别分别将多个待分割眼珠图像信息进行分割得到多个瞳孔动态图像信息，
所述瞳应输出步骤，获取多个所述瞳孔动态图像信息作为待测量瞳径动态图像信息，瞳径测量算法分别对多个所述待测量瞳径动态图像信息进行测量，得到多个动态瞳径值，相邻所述动态瞳径值相减得到瞳径差值，在大小比对算法中设定大小基准值，当所述瞳径差值小于所述大小基准值时，获取比对的最后一个所述待测量瞳径图像信息所对应的所述待拼接动态图片的拍摄时间点，记为瞳应结束时刻，计算所述开始时刻与瞳应结束时刻之间的时间差得到瞳应时间，
所述中心偏移策略，包括所述动态显示控制步骤、所述动态区域获取步骤、所述瞳孔区域获取步骤和偏移输出步骤，
所述偏移输出步骤，依次通过所述动态显示控制步骤、所述动态区域获取步骤和所述瞳孔区域获取步骤获得多个所述瞳孔图像信息作为待识别瞳孔图像信息，双层过滤的瞳孔中心和角膜反射光斑中心的定位算法从所述待识别瞳孔图像信息中识别得到瞳孔中心的位置信息，然后以瞳孔中心为基点进行坐标转换，得到角膜反射光斑中心的位置信息，根据所述瞳孔中心的位置信息和所述角膜反射光斑中心的位置信息得到瞳孔-角膜反射向量坐标，所述瞳径值、所述虹应时间、所述瞳应时间和所述瞳孔-角膜反射向量坐标输入到数据库中。
作为优选，所述静态测量装置包括光源和所述微型摄像机，所述光源用于提供自然光，
所述静态测量装置配置有瞳孔测量策略，所述瞳孔测量策略包括静态图像获取步骤和瞳径输出步骤，
所述静态图像获取步骤，获取所述微型摄像机在所述光源照射下拍摄的视频得到待截取静态视频，以相同时间间隔从多个所述待截取静态视频中截取得到多帧待拼接静态图片，采用所述图像拼接算法分别将在同一时间点截取得到的所述待拼接静态图片进行拼接得到多个完整眼部静态图像信息；
所述瞳径输出步骤，获取多个所述完整眼部静态图像信息作为待分割眼部图像信息，采用区域分割算法通过对眼珠边缘进行识别将多个所述待分割眼部图像信息分别进行分割得到多个待分割眼珠静态图像信息，采用所述区域分割算法通过对瞳孔边缘进行识别分别将多个待分割眼珠静态图像信息进行分割得到多个瞳孔静态图像信息，瞳径测量算法分别对多个所述待测量瞳径静态图像信息进行测量，得到多个静态瞳径值，多个所述静态瞳径值进行平均得到瞳径值。
作为优选，所述视力检测模块还配置有偏移预测策略，所述偏移预测策略包括所述动态显示控制步骤、所述动态区域获取步骤、所述瞳孔区域获取步骤、训练数据获取步骤和系数修正步骤，
所述训练数据获取步骤，依次通过所述动态显示控制步骤、所述动态区域获取步骤和所述瞳孔区域获取步骤获取多个所述瞳孔动态图像信息作为瞳孔图像训练信息，所述瞳径测量算法分别对多个所述瞳孔图像训练信息进行测量，得到多个动态训练瞳径值，所述双层过滤的瞳孔中心和角膜反射光斑中心的定位算法对多个所述瞳孔图像训练信息进行识别得到多个瞳孔-角膜反射向量训练坐标，对应的所述动态训练瞳径值与所述瞳孔-角膜反射向量训练坐标从同一个所述瞳孔图像训练信息中获得且组成一组训练数据，多个所述动态训练瞳径值与多个所述瞳孔-角膜反射向量训练坐标组成多组训练数据；
所述系数修正步骤，所述系数修正步骤中包括预测算法，所述预测算法包括预测参数并设定有模拟基准值，获得多组所述训练数据，在预测算法中输入所述动态训练瞳径值，计算得到瞳孔-角膜反射向量训练预测坐标；
所述系数修正步骤还包括训练算法，所述训练算法计算所述瞳孔-角膜反射向量训练预测坐标和与所述动态训练瞳径值同组的所述瞳孔-角膜反射向量训练坐标之间的差值得到预测偏差值，当所述预测偏差值大于所述模拟基准值，修正所述预测参数，当所述预测偏差值小于所述模拟基准值，所述训练算法停止运行，输出所述预测参数。
与现有技术相比，本发明的优点在于：
1、获取手足口病检测模块、视力检测模块和运动手环检测模块分别检测到的患病指数值、瞳径值、虹应时间、瞳应时间、瞳孔-角膜反射向量坐标、心率值、运动量、血压值、体温值和定位值输入到数据库中并作为待分析大数据信息，大数据分析步骤对待分析大数据信息进行分析得到分析判断信息。待分析大数据信息中信息量多，可根据不同需要对其中的数据进行分析，进一步提高对学生健康的监测；
2、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；
3、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；
4、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；
5、分别通过虹膜捕获策略、瞳孔反应策略和中心偏移策略测得虹应时间、瞳应时间和瞳孔-角膜反射向量坐标。通过上述测定的多种数据对青少年睫状肌的疲劳程度和晶状体在睫状肌长期收缩作用下变形变厚的程度进行多方面的测定，测定数据准确；
6、可从虹应时间和瞳应时间来判断青少年睫状肌的瞬间呈现的疲劳度，从瞳孔-角膜反射向量坐标来判断睫状肌长期积累的疲劳度，从而判断青少年为假性近视还是真性近视；
7、将瞳径值、虹应时间、瞳应时间和瞳孔-角膜反射向量坐标分别定出a、b、c、d个档，组合形成a×b×c×d种情况，每种情况均标有建议编号，每个建议编号均匹配有相应的治疗矫正建议信息。通过对瞳径值、虹应时间、瞳应时间和瞳孔-角膜反射向量坐标的测定，并根据测定的多种数据进行匹配快速得到适合被测青少年的治疗矫正建议，帮助其恢复视力；
8、做近视矫正手术之前均要进行散瞳以得到眼睛真正的屈光状态，散瞳前后瞳孔中心和角膜反射光斑中心的偏移量发生变化。若单以散瞳前的偏移量为准或单以散瞳后偏移量为准或单以正视前方时的偏移量为准或单以侧视时的偏移量为准确定切削区中心进行近视校正手术，手术结果均会不理想。本发明通过显示屏随机输出图案的方式测定在眼球不同转动方向时的偏移量和瞳孔直径不同时的偏移量。并且预测算法可根据不同瞳孔直径预测出瞳孔-角膜反射向量训练预测坐标，以此来获得更多瞳孔中心和角膜反射光斑中心的偏移量，为医生进行近视矫正手术前确定切削中心提供充足的数据，提高手术的成功率和手术效果。
附图说明
图1为本发明流程图；
图2为手足口病检测模块的流程图；
图3为瞳孔测定仪中配置的策略流程图；
图4偏移预测策略流程图。
具体实施方式
下面结合附图和实施例，对本发明进一步详细说明。
实施例1：
用于分析在室内和室外运动与心率、血压以及视疲劳之间的关系，并匹配相应的治疗矫正建议信息。
如图1所示，基于大数据的学生健康监测系统，包括视力检测模块和运动手环检测模块，视力检测模块用于获得瞳径值、虹应时间、瞳应时间和瞳孔-角膜反射向量坐标，瞳径值用于反映被检测者在自然光照射下瞳孔直径的大小，虹应时间用于反映被检测者视力捕捉到亮起的图案的反应时间，瞳应时间用于反映瞳孔对光照亮度变化的适应时间，瞳孔-角膜反射向量坐标用于反映瞳孔中心与角膜反射光斑中心的偏移量，
运动手环检测模块包括心率检测单元、运动步数检测单元、血压检测单元和WiFi检测单元，心率检测单元用于实时检测运动被检测者的心率变化得到心率值，运动步数检测单元用于实时检测运动被检测者的运动步数积累量得到运动量，血压检测单元用于实时检测运动被检测者的血压变化得到血压值，WiFi检测单元通过检测WiFi来判断佩戴者在室内还是在室外得到定位值，
学生健康监测系统还包括信息分析模块，信息分析模块配置有信息分析策略，信息分析策略配置有数据库，信息分析策略包括大数据获取步骤和大数据分析步骤，大数据获取步骤获取视力检测模块和运动手环检测模块分别检测到的瞳径值、虹应时间、瞳应时间、瞳孔-角膜反射向量坐标、心率值、运动量、血压值、体温值和定位值输入到数据库中并作为待分析大数据信息，大数据分析步骤对待分析大数据信息进行分析得到分析判断信息。
如图3所示，视力检测模块配置有瞳孔测定仪和验光仪，瞳孔测定仪包括测量处、静态测量装置和动态测量装置，静态测量装置用于测定在自然光照射下人眼瞳孔的直径大小，得到瞳径值，动态测量装置包括显示屏和微型摄像机，微型摄像机设有多个，多个微型摄像机均布在显示屏周围，多个微型摄像机均朝向测量处倾斜设置，显示屏在一时间段内在相同位置持续输出单个图案，相邻时间段输出的图案位置不同，
瞳孔测定仪配置有虹膜捕获策略、瞳孔反应策略和中心偏移策略，
虹膜捕获策略包括动态显示控制步骤、动态区域获取步骤和虹应输出步骤，
动态显示控制步骤，获取屈光度，根据屈光度调整显示屏输出的图案的缩放比例，将显示屏上开始输出图案的时间点记为开始时刻，且在开始时刻时多个微型摄像机同时开始工作；
动态区域获取步骤，获取多个微型摄像机拍摄的视频得到多个待截取动态视频，以相同时间间隔从多个待截取动态视频中截取得到多帧待拼接动态图片，采用图像拼接算法分别将在同一时间点截取得到的待拼接动态图片进行拼接得到多个完整眼部动态图像信息，采用区域分割算法通过对眼珠边缘进行识别将多个完整眼部动态图像信息分别进行分割得到多个眼珠动态图像信息；
虹应输出步骤，获取多个眼珠动态图像信息作为多个待比对眼珠图像信息，在相似比对算法中设定相似度基准值，相似比对算法将相邻待比对眼珠图像信息进行相似度比对得到相似度值，当相似度值小于设定的相似度基准值时，获取比对的最后一个待比对眼珠图像信息所对应的待拼接动态图片的拍摄时间点，记为虹应结束时刻，计算开始时刻与虹应结束时刻之间的时间差得到虹应时间。具体示例如下：
动态显示控制步骤，从个人数据库中或直接从验光仪中获得屈光度，根据该屈光度调整显示屏输出图案的缩放比例使得张三在裸眼状态下可清晰看见该图案。显示屏输出图案的同时多个微型摄像机同时开始工作且将该时间点记为开始时刻t1；
动态区域获取步骤，获取多个微型摄像机拍摄的视频得到多个待截取动态视频，以30ms为时间间隔从t1开始从多个截取动态视频中截取得到多帧待拼接动态图片，采用图像拼接算法分别将在同一时间点截取得到的待拼接动态图片进行拼接得到多个完整眼部动态图像信息，采用区域分割算法通过对眼珠边缘进行识别将多个完整眼部动态图像信息分别进行分割得到多个整个裸露在外面的眼珠的眼珠动态图像信息；
虹应输出步骤，获取多个眼珠动态图像信息作为多个待比对眼珠图像信息，在相似比对算法中设定相似度基准值，相似比对算法将相邻待比对眼珠图像信息进行相似度比对得到相似度值，当相似度值小于设定的相似度基准值时，获取比对的最后一个待比对眼珠图像信息所对应的待拼接动态图片的拍摄时间点(如t1+4*30ms)，记为虹应结束时刻，计算开始时刻与虹应结束时刻之间的时间差得到虹应时间(如4*30ms即120ms)。
瞳孔反应策略，包括动态显示控制步骤、动态区域获取步骤、瞳孔区域获取步骤和瞳应输出步骤，
瞳孔区域获取步骤，依次通过动态显示控制步骤和动态区域获取步骤获取多个眼珠图像信息作为多个待分割眼珠图像信息，采用区域分割算法通过对瞳孔边缘进行识别分别将多个待分割眼珠图像信息进行分割得到多个瞳孔动态图像信息，
瞳应输出步骤，获取多个瞳孔动态图像信息作为待测量瞳径动态图像信息，瞳径测量算法分别对多个待测量瞳径动态图像信息进行测量，得到多个动态瞳径值，相邻动态瞳径值相减得到瞳径差值，在大小比对算法中设定大小基准值，当瞳径差值小于大小基准值时，获取比对的最后一个待测量瞳径图像信息所对应的待拼接动态图片的拍摄时间点，记为瞳应结束时刻，计算开始时刻与瞳应结束时刻之间的时间差得到瞳应时间。具体示例如下：
瞳孔区域获取步骤，依次通过动态显示控制步骤和动态区域获取步骤获取多个眼珠图像信息作为多个待分割眼珠图像信息，采用区域分割算法通过对瞳孔边缘进行识别分别将多个待分割眼珠图像信息进行分割得到多个瞳孔动态图像信息；
瞳应输出步骤，获取多个瞳孔动态图像信息作为待测量瞳径动态图像信息，瞳径测量算法分别对多个待测量瞳径动态图像信息进行测量，得到多个动态瞳径值，相邻动态瞳径值相减得到瞳径差值，在大小比对算法中设定大小基准值，当瞳径差值小于大小基准值时，获取比对的最后一个待测量瞳径图像信息所对应的待拼接动态图片的拍摄时间点(如t1+14*30ms)，记为瞳应结束时刻，计算开始时刻与瞳应结束时刻之间的时间差得到瞳应时间(如14*30ms即420ms)。
中心偏移策略，包括动态显示控制步骤、动态区域获取步骤、瞳孔区域获取步骤和偏移输出步骤，
偏移输出步骤，依次通过动态显示控制步骤、动态区域获取步骤和瞳孔区域获取步骤获得多个瞳孔图像信息作为待识别瞳孔图像信息，双层过滤的瞳孔中心和角膜反射光斑中心的定位算法从待识别瞳孔图像信息中识别得到瞳孔中心的位置信息，然后以瞳孔中心为基点进行坐标转换，得到角膜反射光斑中心的位置信息，根据瞳孔中心的位置信息和角膜反射光斑中心的位置信息得到瞳孔-角膜反射向量坐标，瞳径值、虹应时间、瞳应时间和瞳孔-角膜反射向量坐标输入到数据库中。
获取每个人的心率值、定位值、运动量、血压值、瞳径值、虹应时间、瞳应时间和瞳孔-角膜反射向量坐标，对这些信息进行分析。
获取瞳径值、虹应时间、瞳应时间和瞳孔-角膜反射向量坐标，将瞳径值、瞳应时间和瞳孔-角膜反射向量坐标分别定出a、b、c、d个档且每个档位的瞳径值、瞳应时间和瞳孔-角膜反射向量坐标均标有相应编号，分别得到瞳径编号、瞳应编号和向量编号，瞳径编号、瞳应编号和向量编号组合形成a×b×c×d种情况，每种情况均标有建议编号，每个建议编号均匹配有相应的治疗矫正建议信息。
静态测量装置包括光源和微型摄像机，光源用于提供自然光，
静态测量装置配置有瞳孔测量策略，瞳孔测量策略包括静态图像获取步骤和瞳径输出步骤，
静态图像获取步骤，获取微型摄像机在光源照射下拍摄的视频得到待截取静态视频，以相同时间间隔从多个待截取静态视频中截取得到多帧待拼接静态图片，采用图像拼接算法分别将在同一时间点截取得到的待拼接静态图片进行拼接得到多个完整眼部静态图像信息；
瞳径输出步骤，获取多个完整眼部静态图像信息作为待分割眼部图像信息，采用区域分割算法通过对眼珠边缘进行识别将多个待分割眼部图像信息分别进行分割得到多个待分割眼珠静态图像信息，采用区域分割算法通过对瞳孔边缘进行识别分别将多个待分割眼珠静态图像信息进行分割得到多个瞳孔静态图像信息，瞳径测量算法分别对多个待测量瞳径静态图像信息进行测量，得到多个静态瞳径值，多个静态瞳径值进行平均得到瞳径值。
实施例2：
为医生做近视矫正手术前确定切削中心：
视力检测模块还配置有偏移预测策略，偏移预测策略包括动态显示控制步骤、动态区域获取步骤、瞳孔区域获取步骤、训练数据获取步骤和系数修正步骤，
训练数据获取步骤，依次通过动态显示控制步骤、动态区域获取步骤和瞳孔区域获取步骤获取多个瞳孔动态图像信息作为瞳孔图像训练信息，瞳径测量算法分别对多个瞳孔图像训练信息进行测量，得到多个动态训练瞳径值，双层过滤的瞳孔中心和角膜反射光斑中心的定位算法对多个瞳孔图像训练信息进行识别得到多个瞳孔-角膜反射向量训练坐标，对应的动态训练瞳径值与瞳孔-角膜反射向量训练坐标从同一个瞳孔图像训练信息中获得且组成一组训练数据，多个动态训练瞳径值与多个瞳孔-角膜反射向量训练坐标组成多组训练数据；
系数修正步骤，系数修正步骤中包括预测算法，预测算法包括预测参数并设定有模拟基准值，获得多组训练数据，在预测算法中输入动态训练瞳径值，计算得到瞳孔-角膜反射向量训练预测坐标；
系数修正步骤还包括训练算法，训练算法计算瞳孔-角膜反射向量训练预测坐标和与动态训练瞳径值同组的瞳孔-角膜反射向量训练坐标之间的差值得到预测偏差值，当预测偏差值大于模拟基准值，修正预测参数，当预测偏差值小于模拟基准值，训练算法停止运行，输出预测参数。
实施例3：
用于分析在室内和室外运动与心率、血压以及手足口病患病率之间的关系。
基于大数据的学生健康监测系统，包括手足口病检测模块和运动手环检测模块，手足口病检测模块用于获得患病指数值，患病指数值用于反映被检测者患手足口病的风险，
运动手环检测模块包括心率检测单元、运动步数检测单元、血压检测单元、体温检测单元和WiFi检测单元，心率检测单元用于实时检测运动被检测者的心率变化得到心率值，运动步数检测单元用于实时检测运动被检测者的运动步数积累量得到运动量，血压检测单元用于实时检测运动被检测者的血压变化得到血压值，体温检测单元用于实时检测运动被检测者的体温变化得到体温值，WiFi检测单元通过检测WiFi来判断佩戴者在室内还是在室外得到定位值，
学生健康监测系统还包括信息分析模块，信息分析模块配置有信息分析策略，信息分析策略配置有数据库，信息分析策略包括大数据获取步骤和大数据分析步骤，大数据获取步骤获取手足口病检测模块和运动手环检测模块分别检测到的患病指数值、心率值、运动量、血压值、体温值和定位值输入到数据库中并作为待分析大数据信息，大数据分析步骤对待分析大数据信息进行分析得到分析判断信息。
手足口病检测模块内配置有身份识别策略、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，数据库中存储有被检测者体质信息和移动者实时信息数据集，被检测者体质信息用于反映被检测者与体质健康有关的体质信息，移动者实时信息数据集内存储有多人实时移动信息，
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，
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。具体示例如下：
待匹配的
待匹配的
A＝2，截取数值2。
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。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。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，
获取每个人的心率值、定位值、运动量、血压值和患病指数值，对这些信息进行分析。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。
Claims (10)
1.基于大数据的学生健康监测系统，其特征在于包括手足口病检测模块、视力检测模块和运动手环检测模块，所述手足口病检测模块用于获得患病指数值，所述患病指数值用于反映被检测者患手足口病的风险，所述视力检测模块用于获得瞳径值、虹应时间、瞳应时间和瞳孔-角膜反射向量坐标，所述瞳径值用于反映被检测者在自然光照射下瞳孔直径的大小，所述虹应时间用于反映被检测者视力捕捉到亮起的图案的反应时间，所述瞳应时间用于反映瞳孔对光照亮度变化的适应时间，所述瞳孔-角膜反射向量坐标用于反映瞳孔中心与角膜反射光斑中心的偏移量，
所述运动手环检测模块包括心率检测单元、运动步数检测单元、血压检测单元、体温检测单元和WiFi检测单元，所述心率检测单元用于实时检测运动被检测者的心率变化得到心率值，所述运动步数检测单元用于实时检测运动被检测者的运动步数积累量得到运动量，所述血压检测单元用于实时检测运动被检测者的血压变化得到血压值，所述体温检测单元用于实时检测运动被检测者的体温变化得到体温值，所述WiFi检测单元通过检测WiFi来判断佩戴者在室内还是在室外得到定位值，
学生健康监测系统还包括信息分析模块，所述信息分析模块配置有信息分析策略，所述信息分析策略配置有数据库，所述信息分析策略包括大数据获取步骤和大数据分析步骤，所述大数据获取步骤获取所述手足口病检测模块、所述视力检测模块和所述运动手环检测模块分别检测到的所述患病指数值、所述瞳径值、所述虹应时间、所述瞳应时间、所述瞳孔-角膜反射向量坐标、所述心率值、所述运动量、所述血压值、所述体温值和所述定位值输入到数据库中并作为待分析大数据信息，所述大数据分析步骤对所述待分析大数据信息进行分析得到分析判断信息。
2.根据权利要求1所述的基于大数据的学生健康监测系统，其特征在于，所述手足口病检测模块内配置有身份识别策略、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，所述数据库中存储有被检测者体质信息和移动者实时信息数据集，所述被检测者体质信息用于反映被检测者与体质健康有关的体质信息，所述移动者实时信息数据集内存储有多人实时移动信息，
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检测者体质信息；
基本信息识别策略，获取被检测者体质信息，健康值算法根据所述被检测者体质信息计算得到健康值，所述健康值用于反映被检测者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检测者信息，所述后台服务器对所述待匹配的被检测者信息进行识别，并以所述待匹配的被检测者信息为索引,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天内被检测者实时移动信息以及已患病者的实时移动信息，筛选算法对被检测者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检测者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；获取被检测者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检测者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，所述患病指数值输入数据库中。
3.根据权利要求2所述的基于大数据的学生健康监测系统，其特征在于，所述被检测者体质信息包括被检测者的姓名信息、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；
所述被检测者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检测者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检测者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；
所述被检测者体质信息还包括年龄信息，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。
4.根据权利要求2所述的基于大数据的学生健康监测系统，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，
所述被传染率估算算法为：对所述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，将所述危险距离记为Lm，将所述危险距离持续的时间记为t小时以及将所述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。
5.根据权利要求1所述的基于大数据的学生健康监测系统，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。
6.根据权利要求2～5任一所述的基于大数据的学生健康监测系统，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。
7.根据权利要求2所述的基于大数据的学生健康监测系统，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。
8.根据权利要求1所述的基于大数据的学生健康监测系统，其特征在于，所述视力检测模块配置有瞳孔测定仪和验光仪，所述瞳孔测定仪包括测量处、静态测量装置和动态测量装置，所述静态测量装置用于测定在自然光照射下人眼瞳孔的直径大小，得到瞳径值，所述动态测量装置包括显示屏和微型摄像机，所述微型摄像机设有多个，多个所述微型摄像机均布在所述显示屏周围，多个所述微型摄像机均朝向所述测量处倾斜设置，所述显示屏在一时间段内在相同位置持续输出单个图案，相邻时间段输出的图案位置不同，
所述瞳孔测定仪配置有虹膜捕获策略、瞳孔反应策略和中心偏移策略，
所述虹膜捕获策略包括动态显示控制步骤、动态区域获取步骤和虹应输出步骤，
所述动态显示控制步骤，获取所述屈光度，根据所述屈光度调整所述显示屏输出的图案的缩放比例，将所述显示屏上开始输出图案的时间点记为开始时刻，且在开始时刻时多个所述微型摄像机同时开始工作；
所述动态区域获取步骤，获取多个所述微型摄像机拍摄的视频得到多个待截取动态视频，以相同时间间隔从多个所述待截取动态视频中截取得到多帧待拼接动态图片，采用图像拼接算法分别将在同一时间点截取得到的所述待拼接动态图片进行拼接得到多个完整眼部动态图像信息，采用区域分割算法通过对眼珠边缘进行识别将多个所述完整眼部动态图像信息分别进行分割得到多个眼珠动态图像信息；
所述虹应输出步骤，获取多个所述眼珠动态图像信息作为多个待比对眼珠图像信息，在相似比对算法中设定相似度基准值，所述相似比对算法将相邻所述待比对眼珠图像信息进行相似度比对得到相似度值，当所述相似度值小于设定的所述相似度基准值时，获取比对的最后一个所述待比对眼珠图像信息所对应的所述待拼接动态图片的拍摄时间点，记为虹应结束时刻，计算所述开始时刻与虹应结束时刻之间的时间差得到虹应时间，
所述瞳孔反应策略，包括所述动态显示控制步骤、所述动态区域获取步骤、瞳孔区域获取步骤和瞳应输出步骤，
所述瞳孔区域获取步骤，依次通过所述动态显示控制步骤和所述动态区域获取步骤获取多个所述眼珠图像信息作为多个待分割眼珠图像信息，采用所述区域分割算法通过对瞳孔边缘进行识别分别将多个待分割眼珠图像信息进行分割得到多个瞳孔动态图像信息，
所述瞳应输出步骤，获取多个所述瞳孔动态图像信息作为待测量瞳径动态图像信息，瞳径测量算法分别对多个所述待测量瞳径动态图像信息进行测量，得到多个动态瞳径值，相邻所述动态瞳径值相减得到瞳径差值，在大小比对算法中设定大小基准值，当所述瞳径差值小于所述大小基准值时，获取比对的最后一个所述待测量瞳径图像信息所对应的所述待拼接动态图片的拍摄时间点，记为瞳应结束时刻，计算所述开始时刻与瞳应结束时刻之间的时间差得到瞳应时间，
所述中心偏移策略，包括所述动态显示控制步骤、所述动态区域获取步骤、所述瞳孔区域获取步骤和偏移输出步骤，
所述偏移输出步骤，依次通过所述动态显示控制步骤、所述动态区域获取步骤和所述瞳孔区域获取步骤获得多个所述瞳孔图像信息作为待识别瞳孔图像信息，双层过滤的瞳孔中心和角膜反射光斑中心的定位算法从所述待识别瞳孔图像信息中识别得到瞳孔中心的位置信息，然后以瞳孔中心为基点进行坐标转换，得到角膜反射光斑中心的位置信息，根据所述瞳孔中心的位置信息和所述角膜反射光斑中心的位置信息得到瞳孔-角膜反射向量坐标，所述瞳径值、所述虹应时间、所述瞳应时间和所述瞳孔-角膜反射向量坐标输入到数据库中。
9.根据权利要求8所述的基于大数据的学生健康监测系统，其特征在于，所述静态测量装置包括光源和所述微型摄像机，所述光源用于提供自然光，
所述静态测量装置配置有瞳孔测量策略，所述瞳孔测量策略包括静态图像获取步骤和瞳径输出步骤，
所述静态图像获取步骤，获取所述微型摄像机在所述光源照射下拍摄的视频得到待截取静态视频，以相同时间间隔从多个所述待截取静态视频中截取得到多帧待拼接静态图片，采用所述图像拼接算法分别将在同一时间点截取得到的所述待拼接静态图片进行拼接得到多个完整眼部静态图像信息；
所述瞳径输出步骤，获取多个所述完整眼部静态图像信息作为待分割眼部图像信息，采用区域分割算法通过对眼珠边缘进行识别将多个所述待分割眼部图像信息分别进行分割得到多个待分割眼珠静态图像信息，采用所述区域分割算法通过对瞳孔边缘进行识别分别将多个待分割眼珠静态图像信息进行分割得到多个瞳孔静态图像信息，瞳径测量算法分别对多个所述待测量瞳径静态图像信息进行测量，得到多个静态瞳径值，多个所述静态瞳径值进行平均得到瞳径值。
10.根据权利要求8所述的基于大数据的学生健康监测系统，其特征在于，所述视力检测模块还配置有偏移预测策略，所述偏移预测策略包括所述动态显示控制步骤、所述动态区域获取步骤、所述瞳孔区域获取步骤、训练数据获取步骤和系数修正步骤，
所述训练数据获取步骤，依次通过所述动态显示控制步骤、所述动态区域获取步骤和所述瞳孔区域获取步骤获取多个所述瞳孔动态图像信息作为瞳孔图像训练信息，所述瞳径测量算法分别对多个所述瞳孔图像训练信息进行测量，得到多个动态训练瞳径值，所述双层过滤的瞳孔中心和角膜反射光斑中心的定位算法对多个所述瞳孔图像训练信息进行识别得到多个瞳孔-角膜反射向量训练坐标，对应的所述动态训练瞳径值与所述瞳孔-角膜反射向量训练坐标从同一个所述瞳孔图像训练信息中获得且组成一组训练数据，多个所述动态训练瞳径值与多个所述瞳孔-角膜反射向量训练坐标组成多组训练数据；
所述系数修正步骤，所述系数修正步骤中包括预测算法，所述预测算法包括预测参数并设定有模拟基准值，获得多组所述训练数据，在预测算法中输入所述动态训练瞳径值，计算得到瞳孔-角膜反射向量训练预测坐标；
所述系数修正步骤还包括训练算法，所述训练算法计算所述瞳孔-角膜反射向量训练预测坐标和与所述动态训练瞳径值同组的所述瞳孔-角膜反射向量训练坐标之间的差值得到预测偏差值，当所述预测偏差值大于所述模拟基准值，修正所述预测参数，当所述预测偏差值小于所述模拟基准值，所述训练算法停止运行，输出所述预测参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010159400.2A CN111281361A (zh) | 2020-03-09 | 2020-03-09 | 基于大数据的学生健康监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010159400.2A CN111281361A (zh) | 2020-03-09 | 2020-03-09 | 基于大数据的学生健康监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111281361A true CN111281361A (zh) | 2020-06-16 |
Family
ID=71018575
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010159400.2A Pending CN111281361A (zh) | 2020-03-09 | 2020-03-09 | 基于大数据的学生健康监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111281361A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112205960A (zh) * | 2020-09-15 | 2021-01-12 | 万达信息股份有限公司 | 一种视力监测方法、系统、管理端和存储介质 |
| CN112205961A (zh) * | 2020-10-30 | 2021-01-12 | 深圳数联天下智能科技有限公司 | 中控机及视力检测装置 |
| CN112890767A (zh) * | 2020-12-30 | 2021-06-04 | 浙江大学 | 一种口手足健康状态自动检测装置及方法 |
| CN113456022A (zh) * | 2021-07-01 | 2021-10-01 | 河北北方学院 | 一种基于大数据拟合的视力监测档案管理系统与方法 |
| CN115510414A (zh) * | 2022-09-22 | 2022-12-23 | 四川丰瑞华电力科技有限公司 | 基于通信网络的电力企业数据安全管理系统及其装置 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102799794A (zh) * | 2012-08-28 | 2012-11-28 | 史荣涛 | 生命体生理状况自助评估系统及其评估方法 |
| 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 |
| CN104739364A (zh) * | 2015-03-14 | 2015-07-01 | 中国科学院苏州生物医学工程技术研究所 | 一种双目瞳孔对光反射跟踪系统 |
| US20160110515A1 (en) * | 2014-10-21 | 2016-04-21 | Zachary Apte | Method and system for microbiome-derived diagnostics and therapeutics |
| CN106419831A (zh) * | 2016-07-22 | 2017-02-22 | 广州市眼视光健康产业投资管理有限公司 | 身体健康监测的眼镜 |
| CN106682389A (zh) * | 2016-11-18 | 2017-05-17 | 武汉大学 | 一种用于监控高血压引发的眼部病变健康管理系统 |
| CN106793942A (zh) * | 2014-02-10 | 2017-05-31 | 华柏恩视觉诊断公司 | 用于测量眼球运动和瞳孔反应的系统、方法和设备 |
| 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 |
| CN107967944A (zh) * | 2017-11-24 | 2018-04-27 | 中南大学 | 一种基于Hadoop的户外环境大数据人体健康监测方法与平台 |
| 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 |
| 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 |
| CN110168658A (zh) * | 2016-10-05 | 2019-08-23 | 皇家飞利浦有限公司 | 患者监测系统和方法 |
| KR102052558B1 (ko) * | 2019-04-30 | 2019-12-06 | 주식회사 비알네트콤 | 질환 예측 기반의 사용자 맞춤형 정보 제공 장치 및 그 방법 |
| WO2019239813A1 (ja) * | 2018-06-14 | 2019-12-19 | パナソニックＩｐマネジメント株式会社 | 情報処理方法、情報処理プログラム及び情報処理システム |
| WO2020006495A1 (en) * | 2018-06-29 | 2020-01-02 | Ai Technologies Inc. | Deep learning-based diagnosis and referral of diseases and disorders using natural language processing |
-
2020
- 2020-03-09 CN CN202010159400.2A patent/CN111281361A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102799794A (zh) * | 2012-08-28 | 2012-11-28 | 史荣涛 | 生命体生理状况自助评估系统及其评估方法 |
| 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 |
| CN106793942A (zh) * | 2014-02-10 | 2017-05-31 | 华柏恩视觉诊断公司 | 用于测量眼球运动和瞳孔反应的系统、方法和设备 |
| US20160110515A1 (en) * | 2014-10-21 | 2016-04-21 | Zachary Apte | Method and system for microbiome-derived diagnostics and therapeutics |
| CN104739364A (zh) * | 2015-03-14 | 2015-07-01 | 中国科学院苏州生物医学工程技术研究所 | 一种双目瞳孔对光反射跟踪系统 |
| CN106419831A (zh) * | 2016-07-22 | 2017-02-22 | 广州市眼视光健康产业投资管理有限公司 | 身体健康监测的眼镜 |
| CN110168658A (zh) * | 2016-10-05 | 2019-08-23 | 皇家飞利浦有限公司 | 患者监测系统和方法 |
| CN106682389A (zh) * | 2016-11-18 | 2017-05-17 | 武汉大学 | 一种用于监控高血压引发的眼部病变健康管理系统 |
| CN107967944A (zh) * | 2017-11-24 | 2018-04-27 | 中南大学 | 一种基于Hadoop的户外环境大数据人体健康监测方法与平台 |
| 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 |
| WO2019239813A1 (ja) * | 2018-06-14 | 2019-12-19 | パナソニックＩｐマネジメント株式会社 | 情報処理方法、情報処理プログラム及び情報処理システム |
| WO2020006495A1 (en) * | 2018-06-29 | 2020-01-02 | Ai Technologies Inc. | Deep learning-based diagnosis and referral of diseases and disorders using natural language processing |
| 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 |
| KR102052558B1 (ko) * | 2019-04-30 | 2019-12-06 | 주식회사 비알네트콤 | 질환 예측 기반의 사용자 맞춤형 정보 제공 장치 및 그 방법 |
Non-Patent Citations (1)
| Title |
|---|
| 周云帆: "眼健康大数据平台实践研究", 《医学信息学杂志》, vol. 40, no. 5, pages 32 - 35 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112205960A (zh) * | 2020-09-15 | 2021-01-12 | 万达信息股份有限公司 | 一种视力监测方法、系统、管理端和存储介质 |
| CN112205960B (zh) * | 2020-09-15 | 2023-07-21 | 万达信息股份有限公司 | 一种视力监测方法、系统、管理端和存储介质 |
| CN112205961A (zh) * | 2020-10-30 | 2021-01-12 | 深圳数联天下智能科技有限公司 | 中控机及视力检测装置 |
| CN112890767A (zh) * | 2020-12-30 | 2021-06-04 | 浙江大学 | 一种口手足健康状态自动检测装置及方法 |
| CN113456022A (zh) * | 2021-07-01 | 2021-10-01 | 河北北方学院 | 一种基于大数据拟合的视力监测档案管理系统与方法 |
| CN115510414A (zh) * | 2022-09-22 | 2022-12-23 | 四川丰瑞华电力科技有限公司 | 基于通信网络的电力企业数据安全管理系统及其装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111281361A (zh) | 基于大数据的学生健康监测系统 | |
| US10262423B2 (en) | Disease and fall risk assessment using depth mapping systems | |
| US9149179B2 (en) | System and method for identifying eye conditions | |
| de Almeida et al. | Computational methodology for automatic detection of strabismus in digital images through Hirschberg test | |
| CN111724879A (zh) | 康复训练评估处理方法、装置及设备 | |
| CN108030498A (zh) | 一种基于眼动数据的心理干预系统 | |
| KR102344493B1 (ko) | 인공 지능 기반의 스마트 안진 검사 시스템, 방법 및 프로그램 | |
| CN115590462A (zh) | 一种基于摄像头的视力检测方法和装置 | |
| CN111402184B (zh) | 一种实现远程眼底筛查和健康服务的方法和系统 | |
| US10835120B2 (en) | Extended medical test system | |
| CN111012309A (zh) | 一种晨检自助系统 | |
| EP4325517A1 (en) | Methods and devices in performing a vision testing procedure on a person | |
| CN114240934B (zh) | 一种基于肢端肥大症的图像数据分析方法及系统 | |
| CN110944572B (zh) | 用于监测使用者的视野进展的设备和方法 | |
| CN111401181A (zh) | 一种利于学生视力的防控筛查系统 | |
| CN111259743A (zh) | 一种近视图像深度学习识别模型训练方法及系统 | |
| CN114984540B (zh) | 一种基于人工智能的健身锻炼效果评价分析管理系统 | |
| US20230363637A1 (en) | Remote subjective refraction techniques | |
| CN209360707U (zh) | 一种基于眼动数据的心理干预装置 | |
| CN113314213B (zh) | 基于智能手表和vr眼镜结合的智能诊疗及训练控制系统 | |
| CN111528790B (zh) | 一种取像装置、视力数据处理方法和眼底数据处理方法 | |
| CN117854707A (zh) | 一种植入式眼压监测方法 | |
| RU2723598C1 (ru) | Устройство для определения остроты зрения | |
| CN113854952A (zh) | 一种利用具有摄像功能通用设备的视力检测方法和系统 | |
| Grudzińska et al. | Evaluation of the Usability of the Innovative Strabiscan Device for Automatic Strabismus Angle Measurement |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210816 Address after: 310000 Building 8, Shangsha Yongyu building, No. 252, Tiancheng East Road, Xiasha street, Qiantang new area, Hangzhou, Zhejiang Applicant after: Mingtong health management (Hangzhou) Co.,Ltd. Address before: 310000 room 2-2301, building 8, Shangsha Yongyu building, No. 252, East Tiancheng Road, Qiantang new area, Hangzhou, Zhejiang Applicant before: Kangrui health management (Hangzhou) Co., Ltd |