CN111489824A - 基于物联网的osahs预测系统 - Google Patents
基于物联网的osahs预测系统 Download PDFInfo
- Publication number
- CN111489824A CN111489824A CN202010276804.XA CN202010276804A CN111489824A CN 111489824 A CN111489824 A CN 111489824A CN 202010276804 A CN202010276804 A CN 202010276804A CN 111489824 A CN111489824 A CN 111489824A
- Authority
- CN
- China
- Prior art keywords
- osahs
- module
- snore
- prediction
- server
- 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
- 208000001797 obstructive sleep apnea Diseases 0.000 title claims abstract description 79
- 206010041235 Snoring Diseases 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 33
- 235000011034 Rubus glaucus Nutrition 0.000 claims description 27
- 235000009122 Rubus idaeus Nutrition 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 24
- 240000007651 Rubus glaucus Species 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 15
- 238000013461 design Methods 0.000 claims description 14
- 244000235659 Rubus idaeus Species 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 238000012546 transfer Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 238000000034 method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 201000004193 respiratory failure Diseases 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 201000002859 sleep apnea Diseases 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
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
- G16H50/30—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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了基于物联网的OSAHS预测系统,属于预测系统应用领域。包括鼾声检测模块、OSAHS识别模块和系统应用平台,所述的系统应用平台基于云服务和客户端,所述OSAHS识别模块由服务器端预测模型和数据库执行;鼾声检测模块负责鼾声采集和信号处理,并将处理结果上传至服务器的OSAHS识别模块,客户端进行用户年龄、BMI、性别等OSAHS相关危险因素的Form ID收集,上传至与服务器的OSAHS识别模块,OSAHS识别模块识别后将识别结果返回至客户端显示。整个系统操作简单、且非接触式,用户体验良好,所需元器件少,总体成本较低,具有更高的识别率,实时性强、低功耗、可靠性高。
Description
技术领域
本发明属于预测系统应用领域,具体涉及基于物联网的OSAHS预测系统。
背景技术
阻塞性睡眠呼吸暂停综合症(OSAHS)是一种严重的与睡眠相关的呼吸障碍疾病,伴有打鼾、呼吸结构紊乱、频繁血氧饱和度下降,易引发由夜间呼吸不足和心脑血管疾病引起的粹死,国际发病率约为3%~5%。现有技术使用最多的是多导睡眠图(PSG),但是其检测方法,两大缺陷十分明显:一是设备操作复杂且极其昂贵;二是为“接触式”的监测设备,身体多个部位被导管连接进行测量,严重影响用户睡眠质量,这些使潜在患者不能正确认识鼾症并及时预防、治疗。随着物联网技术和智慧医疗的发展,未来物联网可解决医疗系统中机构效率低下、智能医疗看护等问题,提高医学研究的速度和成效。因此,将传统医疗与物联网体系相结合开发出一套操作简单,成本低廉,能惠及更多普通病人的检测设备具有远大前景。
发明内容
针对现有技术存在的问题,本发明提供了基于物联网的OSAHS预测系统的技术方案,通过基于物联网的OSAHS预测系统应用设计,让用户轻松通过OSAHS预测系统服务进行自查患病预测概率,并获得个性化的睡眠质量报告和治疗方案。
本发明要解决的技术问题是通过以下技术方案来实现的:
基于物联网的OSAHS预测系统,包括鼾声检测模块、OSAHS识别模块和系统应用平台,所述的系统应用平台基于云服务和客户端,所述OSAHS识别模块由服务器端预测模型和数据库执行;鼾声检测模块负责鼾声采集和信号处理,并将处理结果上传至服务器的OSAHS识别模块,客户端进行用户年龄、BMI、性别等OSAHS相关危险因素的Form ID收集,上传至与服务器的OSAHS识别模块,OSAHS识别模块识别后将识别结果返回至客户端显示。
进一步的,所述的鼾声检测模块包括主控模块、采集模块、数据处理模块和无线传输模块,通过鼾声采集模块24小时采集音频,将采集的音频流进行储存,后台由数据处理模块进行运算,将处理后结果通过无线传输模块,利用TCP通信协议转发至服务器。
进一步的,所述主控模块采用树莓派Raspberry Pi4,其40个GPIO接口足够满足小居室环境的设备开发,4个USB端口,能够支持更多的串行通信设备,能很好接入音频处理的前端设备;
所述的采集模块采用ReSpeaker4麦克风阵列,基于AC108开发,其中AC108是一款高度集成的四通道ADC,具有I2S/TDM输出转换功能,可实现3米内的高清语音捕获;
所述的数据处理模块利用树莓派后台作为主运算中心,支持多种操作系统及语言,本文将采用Liunx操作系统和主流python语言,在IDE环境下对鼾声相关信号进行数据处理;
所述的无线传输模块:采用ESP WiFi模块,可支持无线b/g/n标准,支持基站/热点/基站+热点三种工作模式,内置32位MCU,可兼作应用处理器,单电源供电可通过AT指令控制模块,主要功能为串口透传、PWM调控、GPIO控制。
进一步的,所述的数据处理模块由树莓派端后台进行鼾声数据处理,本系统主要在Linux操作系统中运行,以python为主要实现语言,先通过树莓派Raspberry Pi4搭载ReSpeaker4麦克风阵列采集鼾声有关音频数据并储存,后台在IDE环境下对信号进行分帧加窗等预处理、采用谱减法进行降噪、采用改进的子带谱熵算法进行端点检测、鼾声段的修正,确定鼾声有关信号的起始位置和终止位置,然后将处理后数据传至服务器端,所述处理后的数据包括鼾声次数及间隔。
进一步的,所述的OSAHS识别模块在云服务器上部署CentOS操作系统和IDE环境,确定将鼾声检测模块处理的鼾声次数及间隔、BMI、性别、年龄等临床指标利用BP神经网络建立OSAHS预测模型,通过MySQL数据库实现用户信息管理和存储OSAHS预测系统的识别结果,MySQL是一个小型关系型数据库管理系统,支持多种操作系统,并为多种语言提供API,它支持多线程,充分利用CPU资源,支持TCP/IP、ODBC等连接方式。
进一步的,所述的OSAHS识别模块中,OSAHS预测模型的具体实施为将样本数据集划分为训练集:测试集:验证集=70%:15%:15%,,通过两层前馈神经网络,使用BP反向传播算法,将隐藏单元设置为10,训练函数=trainscg、隐藏层激活函数=tansig、输出层激活函数=softmax、最大迭代步数epochs=500、学习率lr=0.01、目标误差goal=0.01、训练周期=50进行梯度下降训练不断调整权重和阈值逼近实际输出值和期望输出值的最小均方误差。
进一步的,所述的OSAHS识别模块中,采用Mysql数据库的设计包含两部分功能:
(1)明确存储的用户与对应的数据信息,确定表中各个字段的属性;
(2)提供增加、删除、查询、修改的功能,方便用户及其他相关程序对识别结果的调用。
进一步的,所述的系统应用平台由客户端和云服务搭建,客户端将用户信息采用form表单打包通过向服务器REST API发送POST请求上传并访问服务器,经OSAHS预测模型识别后返回JSON格式封装的结果在页面显示中的OSAHS预测结果。
进一步的,所述的客户端采用微信小程序,微信小程序设计,针对OSAHS预测系统应用的需求分析,根据微信小程序提供的MINA框架,利用提供的视图层特有的描述语言WXML、WXSS,全局配置JSON、以及基于Java Script的逻辑层进行了视图层、逻辑层和系统层设计,用户可以较为容易地结合硬件设备获取疑似OSAHS的预测概率及睡眠报告等。
本发明与传统OSAHS预测系统相比有如下优点:
(1)整个系统操作简单、且非接触式,利用物联网技术,通过云服务和微信小程序极为便携的预测OSAHS患病情况并获取个性化的睡眠报告,用户体验良好;
(2)采用树莓派搭建麦克风阵列采集数据并利用后台作为数据运算中心、实时性强、低功耗、可靠性高;
(3)综合鼾声、年龄、BMI、性别等多OSAHS相关危险因素采用BP神经网络训练OSAHS预测模型部署在云服务器进行识别,相较于利用单一生理信号如心电、血氧等或者Logistic回归、决策树等方法搭建的筛查模型具有更高的识别率;
(4)所需元器件少,总体成本较低,适宜大规模使用于家庭健康管理等多场景下。
附图说明
图1为本发明的系统总体方案图;
图2为硬件设计结构图;
图3为软件设计流程图;
图4为小程序设计界面图。
具体实施方式
下面结合说明书附图对发明的技术方案做进一步说明。
图1为本发明提供的一种基于物联网的OSAHS预测系统总体方案图,整个系统由鼾声检测模块、OSAHS识别模块和系统应用平台,系统应用平台由云服务器和客户端构成,客户端可以为微信小程序。鼾声检测模块负责鼾声采集、信号处理,并将处理后的鼾声信息发送至OSAHS识别模块,OSAHS识别模块由云服务器端实现。微信小程序进行用户年龄、BMI、性别等危险因素的Form ID收集,然后将特征参数发送网络请求至服务器端OSAHS模型识别,利用MySQL数据库进行管理,识别结果由小程序通过云端提供的REST API发送HTTPS请求,返回JSON格式封装的结果在页面显示,所述识别结果包括OSAHS病症的预测概率、鼾声次数、疑似AHI指数、患病程度。
图2为本发明提供的一种基于物联网的OSAHS预测系统硬件结构图,即鼾声检测模块,由主控模块、采集模块、数据处理模块和无线传输模块等组成,主控模块和数据处理模块均由树莓派实现。通过鼾声采集模块24小时采集音频,将采集的音频流进行储存,后台由数据处理模块进行运算,将处理后结果通过WiFi方式,利用TCP通信协议转发至服务器。
主控模块:采用树莓派Raspberry Pi4,其40个GPIO接口足够满足小居室环境的设备开发,4个USB端口,能够支持更多的串行通信设备,能很好接入音频处理的前端设备。
鼾声采集模块:采用ReSpeaker4麦克风阵列,所述麦克风阵列基于AC108开发,其中AC108是一款高度集成的四通道ADC,具有I2S/TDM输出转换功能,可实现3米内的高清语音捕获。
数据处理模块:树莓派后台可作为主运算中心,支持多种操作系统及语言,本发明将采用Liunx操作系统和主流python语言,在IDE环境下对鼾声相关信号进行数据处理。
无线传输模块:ESP WiFi模块。ESP支持无线b/g/n标准,支持基站/热点/基站+热点三种工作模式,内置32位MCU,可兼作应用处理器,单电源供电可通过AT指令控制模块。ESP主要功能为串口透传、PWM调控、GPIO控制。
实施过程如下:
(1)启动树莓派:通过SD卡将Raspbian系统写入树莓派中,使用putty.exe的ssh客户端软件连接树莓派,进入pi的登录界面输入账号和密码;
(2)配置:树莓派连接WiFi,查看树莓派的IP地址。当电脑与树莓派属于同一WiFi下使用软件工具VNC Viewer来远程控制树莓派,并配置ReSpeaker4麦克风阵列;
(3)环境搭建:安装操作系统、IDE编辑器,并将设备在云平台中注册;
(4)文件移植:鼾声采集及数据处理应用程序文件用python移植到Linux操作系统;
(5)运行程序:开始鼾声数据采集、信号处理、传输与识别。
图3为本发明提供的一种基于物联网的OSAHS预测系统软件设计流程图,本发明基于鼾声、年龄、BMI、性别等多项临床指标综合预测识别OSAHS患病情况,其中,鼾声数据经树莓派端采集并处理后上传云服务器,其他危险因素由小程序表单form打包后上传,均在云服务器部署的MySQL数据库储存,通过已训练好的OSAHS识别模型识别后将结果返回小程序页面显示结果,即鼾声检测模块由树莓派端完成,OSAHS识别模块由服务器端预测模型和数据库执行,应用平台基于云服务器和微信小程序。
(1)鼾声检测模块
鼾声检测由树莓派端实现音频采集、数据处理,本系统主要在Linux操作系统中运行,以python为主要实现语言。先通过Raspberry Pi4采集鼾声有关音频数据并储存,后台在IDE环境下对信号进行预处理、降噪、端点检测,确定鼾声有关信号的起始位置和终止位置,然后将处理后数据传至服务器端,预处理包括中的幅值归一化、分帧、加窗等常用语音信号处理。
其中,在鼾声检测识别中,对原始信号采用谱减法进行降噪提高信噪比,并采用李战明等人提出的改进的子带谱熵算法进行端点检测,将时间间隔小于0.3s的两个鼾声修正合并为一个鼾声,可得到更符合真实情况的检测效果,检测完成后鼾声检测模块将包含鼾声次数、鼾声间隔的鼾声信息发送到云服务器端。
(2)OSAHS识别模块
在云服务器上部署CentOS操作系统和IDE环境,确定将鼾声次数及间隔、BMI、性别、年龄等临床指标利用BP神经网络建立OSAHS预测模型,通过MySQL数据库实现用户信息管理和存储OSAHS预测系统的识别结果。具体实施为将样本数据集划分为训练集:测试集:验证集=70%:15%:15%,,通过两层前馈神经网络,使用BP反向传播算法,将隐藏单元设置为10,训练函数=trainscg、隐藏层激活函数=tansig、输出层激活函数=softmax、最大迭代步数epochs=500、学习率lr=0.01、目标误差goal=0.01、训练周期=50进行梯度下降训练不断调整权重和阈值逼近实际输出值和期望输出值的最小均方误差。
BP神经网络算法原理:
2.利用前向传播计算每层状态z(l)、激活值a(l);,其中l为层数、f(·)为激活函数z(l)=W(l)a(l-1)+b(l)
a(l)=f(z(l))
3.误差反传,将实际输出值和期望输出值yi通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差E对应的权值和阈值。
数据库的设计上,MySQL是一个小型关系型数据库管理系统,支持多种操作系统,并为多种语言提供API,它支持多线程,充分利用CPU资源,支持TCP/IP、ODBC等连接方式。
采用Mysql数据库的设计(如下表所示)包含以下两部分:
1.明确存储的用户与对应的数据信息,确定表中各个字段的属性。
2.提供增加、删除、查询、修改的功能,方便用户及其他相关程序对识别结果的调用。
表1 Mysql数据库设计表
图4为本发明提供的一种基于物联网的OSAHS预测系统应用设计微信小程序设计图,针对OSAHS预测系统应用的需求分析,根据微信小程序提供的MINA框架,进行了视图层、逻辑层和系统层设计。
开发流程步骤:
(1)申请账号,登录微信公众开发平台,进行网页注册。
(2)创建小程序,用APPID和APPkey激活开发者工具。
(3)借助微信开发者工具,参考相关的开发文档,进行小程序页面的创建和逻辑的编写,if步实现目标功能。
微信小程序与服务器间的通信:
(1)预先设置一个已经通过ICP备案的通信域名,只支持HTTPS和WSS协议小程序,可以和指定域名进行网络通信,包括普通的HTTPS请求、上传文件、下载文件和Websocket通信。
(2)在官方网站上申请SSL证书,,将证书下载解压至本地,将所需文件上传至服务器,并对Apache做出相应的修改
(3)微信小程序通过向服务器REST API发送POST请求上传用户信息并访问服务器中的OSAHS预测结果。
工作过程:
1.对系统各模块进行初始化;
2.通过树莓派搭载麦克风阵列进行鼾声数据、信号处理、上传云服务器;
3.通过微信小程序Form表单收集用户用户年龄、BMI、性别等危险因素上传云服务器;
4.云端MySQL数据库对数据信息管理;
5.利用训练好的OSAHS预测识别模型进行识别;
6.小程序通过云端提供的REST API发送HTTPS请求;
7.服务器返回JSON格式封装的识别结果在小程序页面显示。
Claims (9)
1.基于物联网的OSAHS预测系统,其特征在于:包括鼾声检测模块、OSAHS识别模块和系统应用平台,所述的系统应用平台基于云服务和客户端,所述OSAHS识别模块由服务器端预测模型和数据库执行;鼾声检测模块负责鼾声采集和信号处理,并将处理结果上传至服务器的OSAHS识别模块,客户端进行用户年龄、BMI、性别等OSAHS相关危险因素的Form ID收集,上传至与服务器的OSAHS识别模块,OSAHS识别模块识别后将识别结果返回至客户端显示。
2.根据权利要求1所述的基于物联网的OSAHS预测系统,其特征在于:所述的鼾声检测模块包括主控模块、采集模块、数据处理模块和无线传输模块,通过鼾声采集模块24小时采集音频,将采集的音频流进行储存,后台由数据处理模块进行运算,将处理后结果通过无线传输模块,利用 TCP通信协议转发至服务器。
3.根据权利要求2所述的基于物联网的OSAHS预测系统,其特征在于:
所述主控模块采用树莓派Raspberry Pi4,其40个GPIO接口足够满足小居室环境的设备开发,4个USB端口,能够支持更多的串行通信设备,能很好接入音频处理的前端设备;
所述的采集模块采用ReSpeaker4麦克风阵列,基于AC108开发,其中AC108是一款高度集成的四通道ADC,具有I2S/TDM输出转换功能,可实现3米内的高清语音捕获;
所述的数据处理模块利用树莓派后台作为主运算中心,支持多种操作系统及语言,本文将采用Liunx操作系统和主流python语言,在IDE环境下对鼾声相关信号进行数据处理;
所述的无线传输模块:采用ESP WiFi模块,可支持无线b/g/n标准,支持基站/热点/基站+热点三种工作模式,内置 32 位MCU,可兼作应用处理器,单电源供电可通过 AT 指令控制模块,主要功能为串口透传、PWM调控、GPIO控制。
4.根据权利要求2所述的基于物联网的OSAHS预测系统,其特征在于:所述的数据处理模块由树莓派端后台进行鼾声数据处理,本系统主要在Linux操作系统中运行,以python为主要实现语言,先通过树莓派Raspberry Pi4搭载ReSpeaker4麦克风阵列采集鼾声有关音频数据并储存,后台在IDE环境下对信号进行分帧加窗等预处理、采用谱减法进行降噪、采用改进的子带谱熵算法进行端点检测、鼾声段的修正,确定鼾声有关信号的起始位置和终止位置,然后将处理后数据传至服务器端,所述处理后的数据包括鼾声次数及间隔。
5.根据权利要求1所述的基于物联网的OSAHS预测系统,其特征在于:所述的OSAHS识别模块在云服务器上部署CentOS操作系统和IDE环境,确定将鼾声检测模块处理的鼾声次数及间隔、BMI、性别、年龄等临床指标利用BP神经网络建立OSAHS预测模型,通过MySQL数据库实现用户信息管理和存储OSAHS预测系统的识别结果,MySQL是一个小型关系型数据库管理系统,支持多种操作系统,并为多种语言提供API,它支持多线程,充分利用CPU资源,支持TCP/IP、ODBC等连接方式。
6.根据权利要求5所述的基于物联网的OSAHS预测系统,其特征在于:所述的OSAHS识别模块中,OSAHS预测模型的具体实施为将样本数据集划分为训练集:测试集:验证集=70%:15%:15%,,通过两层前馈神经网络,使用BP反向传播算法,将隐藏单元设置为10,训练函数=trainscg、隐藏层激活函数=tansig、输出层激活函数=softmax、最大迭代步数epochs=500、学习率lr=0.01、目标误差goal=0.01、训练周期=50进行梯度下降训练不断调整权重和阈值逼近实际输出值和期望输出值的最小均方误差。
7.根据权利要求5所述的基于物联网的OSAHS预测系统,其特征在于:所述的OSAHS识别模块中,采用Mysql数据库的设计包含两部分功能:
(1)明确存储的用户与对应的数据信息,确定表中各个字段的属性;
(2)提供增加、删除、查询、修改的功能,方便用户及其他相关程序对识别结果的调用。
8.根据权利要求1所述的基于物联网的OSAHS预测系统,其特征在于:所述的系统应用平台由客户端和云服务搭建,客户端将用户信息采用form表单打包通过向服务器REST API发送POST请求上传并访问服务器,经OSAHS预测模型识别后返回JSON格式封装的结果在页面显示中的OSAHS预测结果。
9.根据权利要求8所述的基于物联网的OSAHS预测系统,其特征在于:所述的客户端采用微信小程序,微信小程序设计,针对OSAHS预测系统应用的需求分析,根据微信小程序提供的MINA 框架,利用提供的视图层特有的描述语言 WXML 、WXSS,全局配置JSON、以及基于Java Script的逻辑层进行了视图层、逻辑层和系统层设计,用户可以较为容易地结合硬件设备获取疑似OSAHS的预测概率及睡眠报告等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010276804.XA CN111489824A (zh) | 2020-04-09 | 2020-04-09 | 基于物联网的osahs预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010276804.XA CN111489824A (zh) | 2020-04-09 | 2020-04-09 | 基于物联网的osahs预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111489824A true CN111489824A (zh) | 2020-08-04 |
Family
ID=71798378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010276804.XA Pending CN111489824A (zh) | 2020-04-09 | 2020-04-09 | 基于物联网的osahs预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111489824A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111920390A (zh) * | 2020-09-15 | 2020-11-13 | 成都启英泰伦科技有限公司 | 一种基于嵌入式终端的鼾声检测方法 |
CN114121263A (zh) * | 2021-11-08 | 2022-03-01 | 绵阳富临医院有限公司 | 人工智能辅助早期胃癌、肺癌筛查系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101524300A (zh) * | 2009-04-08 | 2009-09-09 | 南通爱尔馨家用品有限公司 | 数字式鼾声信号识别的头部睡眠姿势矫正枕式装置 |
CN104688229A (zh) * | 2015-01-28 | 2015-06-10 | 中国人民解放军理工大学 | 一种基于鼾声信号的睡眠呼吸监测方法 |
CN109124219A (zh) * | 2018-09-30 | 2019-01-04 | 太原理工大学 | 多功能智能枕头 |
CN109350014A (zh) * | 2018-12-10 | 2019-02-19 | 苏州小蓝医疗科技有限公司 | 一种鼾声识别方法与系统 |
-
2020
- 2020-04-09 CN CN202010276804.XA patent/CN111489824A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101524300A (zh) * | 2009-04-08 | 2009-09-09 | 南通爱尔馨家用品有限公司 | 数字式鼾声信号识别的头部睡眠姿势矫正枕式装置 |
CN104688229A (zh) * | 2015-01-28 | 2015-06-10 | 中国人民解放军理工大学 | 一种基于鼾声信号的睡眠呼吸监测方法 |
CN109124219A (zh) * | 2018-09-30 | 2019-01-04 | 太原理工大学 | 多功能智能枕头 |
CN109350014A (zh) * | 2018-12-10 | 2019-02-19 | 苏州小蓝医疗科技有限公司 | 一种鼾声识别方法与系统 |
Non-Patent Citations (1)
Title |
---|
李忠海等: "基于云架构的睡眠监测系统设计与实现", pages 128 - 144 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111920390A (zh) * | 2020-09-15 | 2020-11-13 | 成都启英泰伦科技有限公司 | 一种基于嵌入式终端的鼾声检测方法 |
CN114121263A (zh) * | 2021-11-08 | 2022-03-01 | 绵阳富临医院有限公司 | 人工智能辅助早期胃癌、肺癌筛查系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9993166B1 (en) | Monitoring device using radar and measuring motion with a non-contact device | |
CN107622797B (zh) | 一种基于声音的身体状况确定系统及方法 | |
Abeyratne et al. | Cough sound analysis can rapidly diagnose childhood pneumonia | |
Yang et al. | Internet-of-Things-enabled data fusion method for sleep healthcare applications | |
US11862188B2 (en) | Method for detecting and classifying coughs or other non-semantic sounds using audio feature set learned from speech | |
US20200093459A1 (en) | System and method for monitoring pathological breathing patterns | |
Parra et al. | Multimedia sensors embedded in smartphones for ambient assisted living and e-health | |
US11298101B2 (en) | Device embedded in, or attached to, a pillow configured for in-bed monitoring of respiration | |
CN111489824A (zh) | 基于物联网的osahs预测系统 | |
US20210338103A1 (en) | Screening of individuals for a respiratory disease using artificial intelligence | |
CN111685774B (zh) | 基于概率集成回归模型的osahs诊断方法 | |
CN105962923A (zh) | 一种智慧健康全信息采集分析系统 | |
CN110720946A (zh) | 一种基于深度学习的智能听诊系统 | |
CN110299207A (zh) | 用于慢性病检测中的基于计算机预测模型数据处理方法 | |
Liu et al. | Deep Learning versus Professional Healthcare Equipment: A Fine‐Grained Breathing Rate Monitoring Model | |
Hong et al. | Cardiolearn: a cloud deep learning service for cardiac disease detection from electrocardiogram | |
Jeong et al. | Closed-loop network of skin-interfaced wireless devices for quantifying vocal fatigue and providing user feedback | |
Huang et al. | Deep learning-based lung sound analysis for intelligent stethoscope | |
Tran-Anh et al. | Multi-task learning neural networks for breath sound detection and classification in pervasive healthcare | |
CN102920445A (zh) | 具有云功能的动脉硬化检测仪 | |
CN110074759B (zh) | 语音数据辅助诊断方法、装置、计算机设备及存储介质 | |
US11688264B2 (en) | System and method for patient movement detection and fall monitoring | |
CN116246658A (zh) | 一种基于MobileCBAM-CenterNet的鼾声检测方法及装置 | |
Paraschiv et al. | On the continuous development of IoT in Big Data Era in the context of Remote Healthcare Monitoring & Artificial Intelligence | |
Xu et al. | Hearing heartbeat from voice: Towards next generation voice-user interfaces with cardiac sensing functions |
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 |