CN111883257A - 基于多传感器的人体健康状态评估与预警系统及方法 - Google Patents

基于多传感器的人体健康状态评估与预警系统及方法 Download PDF

Info

Publication number
CN111883257A
CN111883257A CN202011020867.5A CN202011020867A CN111883257A CN 111883257 A CN111883257 A CN 111883257A CN 202011020867 A CN202011020867 A CN 202011020867A CN 111883257 A CN111883257 A CN 111883257A
Authority
CN
China
Prior art keywords
posture
data
health
module
human body
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
Application number
CN202011020867.5A
Other languages
English (en)
Other versions
CN111883257B (zh
Inventor
苟先太
李高云
胡永佳
康立烨
陶明江
黄毅凯
苟瀚文
姚一可
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.)
Sichuan Bawei Jiuzhang Technology Co ltd
Original Assignee
Sichuan Bawei Innovation Technology Co ltd
Southwest Jiaotong University
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 Sichuan Bawei Innovation Technology Co ltd, Southwest Jiaotong University filed Critical Sichuan Bawei Innovation Technology Co ltd
Priority to CN202011020867.5A priority Critical patent/CN111883257B/zh
Publication of CN111883257A publication Critical patent/CN111883257A/zh
Application granted granted Critical
Publication of CN111883257B publication Critical patent/CN111883257B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H50/30—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/027—Frames
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0438—Sensor means for detecting
    • G08B21/0469—Presence detectors to detect unsafe condition, e.g. infrared sensor, microphone
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0438—Sensor means for detecting
    • G08B21/0476—Cameras to detect unsafe condition, e.g. video cameras
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Emergency Management (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于多传感器的人体健康状态评估与预警系统及方法，包括：姿态体征变化健康知识库HK、多人姿态识别模块、生命体征信号检测模块、健康状态检测综合数据模块、计时模块、健康等级模块、非健康等级模块、健康预警模块、健康状态评分模块和多传感器模块；本发明解决了养老院中护理人员、医疗人员和管理人员无法时刻对老人进行心跳、呼吸和体温数据监测的问题。

Description

基于多传感器的人体健康状态评估与预警系统及方法
技术领域
本发明涉及健康监护技术领域，具体涉及一种基于多传感器的人体健康状态评估与预警系统及方法。
背景技术
随着我国老龄化和高龄化的加速，大力发展养老事业已成为势在必行之举。养老及养老方式也己成为人民普遍关心的问题。就目前而言，由于老龄化带来的人口压力，子女工作负担加强，家庭负担加重，很难在加重奉养老人，故而，“养老院式养老”出现了，且占重越来越大。在养老院中有护理人员、医疗人员、管理人员，可以随时随地为老人提供各种服务，从而确保老人在衣食住行方面得到保障，可以随时随地与老人的家人进行汇报状况等，能够使其家人得以放心。但由于养老院中，养老人数众多，很难兼顾每一位老人，更无法做到对每一位老人随身监护，时刻监测心跳、呼吸和体温数据，使得对老人的监护不到位，容易发生意外事故。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于多传感器的人体健康状态评估与预警系统及方法解决了养老院中护理人员、医疗人员和管理人员无法时刻对老人进行心跳、呼吸和体温数据监测的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于多传感器的人体健康状态评估与预警系统，包括：姿态体征变化健康知识库HK、多人姿态识别模块、生命体征信号检测模块、健康状态检测综合数据模块、计时模块、健康等级模块、非健康等级模块、健康预警模块、健康状态评分模块和多传感器模块；
所述多传感器模块包括：深度相机、红外摄像头和生物探测雷达；
所述深度相机用于采集人体姿态数据；所述红外摄像头用于拍摄人体所在的区域环境的红外图像；所述生物探测雷达用于采集人体生命体征数据；
所述生命体征信号检测模块用于提取人体所在的区域环境的红外图像上的目标稳定姿态体温数据和目标姿态转换体温数据，以及提取人体生命体征数据中稳定姿态心跳数据、稳定姿态呼吸数据、姿态转换心跳数据和姿态转换呼吸数据；
所述多人姿态识别模块用于对人体姿态数据进行姿态识别，得到人体姿态类型，所述人体姿态类型包括：稳定姿态和姿态转换；
所述计时模块用于标注稳定姿态体温数据、目标姿态转换体温数据、稳定姿态心跳数据、稳定姿态呼吸数据、姿态转换心跳数据、姿态转换呼吸数据、稳定姿态和姿态转换对应的时刻，以同一时刻的体温、心跳、呼吸和姿态数据对人体健康进行综合评价；
所述健康状态检测综合数据模块对标注后的体温、心跳、呼吸和姿态数据进行存储；
所述健康预警模块对健康状态检测综合数据模块输出为姿态转换类型的数据进行该姿态转换下，身体易处于不健康状态的预警；
所述姿态体征变化健康知识库HK用于存储稳定姿态下的心跳、呼吸和体温数据，以及姿态转换时的心跳、呼吸和体温数据，姿态健康评分，姿态转换健康评分；
所述健康状态评分模块对健康状态检测综合数据模块输出为稳定姿态类型的数据进行姿态健康评分；
所述非健康等级模块用于对超阈值的姿态健康评分划分非健康等级，并通过健康预警模块进行健康预警；
所述健康等级模块用于对正常的姿态健康评分划分健康等级。
一种基于多传感器的人体健康状态评估与预警方法，包括以下步骤：
S1、通过多传感器模块采集人体姿态数据、人体所在的区域环境的红外图像和人体生命体征数据；
S2、构建姿态体征变化健康知识库HK；
S3、采用姿态体征变化健康知识库HK训练健康状态评分模块，得到训练完成的健康状态评分模块；
S4、将人体所在的区域环境的红外图像和人体生命体征数据输入生命体征信号检测模块中进行处理；
S5、将人体姿态数据输入多人姿态识别模块进行处理；
S6、将多人姿态识别模块的输出数据和生命体征信号检测模块的输出数据输入健康状态检测综合数据模块，调取健康状态检测综合数据模块的数据，并输入至训练完成的健康状态评分模块，进行健康状态评估与预警。
进一步地，步骤S1中多传感器模块包括：深度相机、红外摄像头、生物探测雷达；
所述深度相机用于采集人体姿态数据；
所述红外摄像头用于拍摄人体所在的区域环境的红外图像；
所述生物探测雷达用于采集人体生命体征数据。
进一步地，步骤S2包括以下步骤：
S21、获取人体处在坐、站、躺、跌倒、走和跑的稳定姿态下的心跳、呼吸和体温数据；
S22、获取人体进行姿态转换时的心跳、呼吸和体温数据；
S23、对稳定姿态下的心跳、呼吸和体温数据设定姿态健康评分，以及对人体进行姿态转换时的心跳、呼吸和体温数据设定姿态转换健康评分；
S24、对稳定姿态下的心跳、呼吸和体温数据，人体进行姿态转换时的心跳、呼吸和体温数据，姿态健康评分，姿态转换健康评分进行存储，建立姿态体征变化健康知识库HK。
进一步地，步骤S4具体为：
S41、通过生命体征信号检测模块提取人体所在的区域环境的红外图像上的目标稳定姿态体温数据和目标姿态转换体温数据；
S42、通过计时模块获取采集该人体所在的区域环境的红外图像的时刻，得到人体所在的区域环境图像采集时刻；
S43、采用人体所在的区域环境图像采集时刻对对应的目标稳定姿态体温数据和目标姿态转换体温数据进行标注，将标注后的体温数据作为生命体征信号检测模块的输出；
S44、采用生命体征信号检测模块，将人体生命体征数据通过模型分离算法，分离得到稳定姿态心跳数据、稳定姿态呼吸数据、姿态转换心跳数据和姿态转换呼吸数据；
S45、通过计时模块获取稳定姿态心跳数据、稳定姿态呼吸数据、姿态转换心跳数据、姿态转换呼吸数据对应的时刻，得到稳定姿态心跳时刻、稳定姿态呼吸时刻、姿态转换心跳时刻和姿态转换呼吸时刻；
S46、采用稳定姿态心跳时刻对稳定姿态心跳数据进行标注，采用稳定姿态呼吸时刻对稳定姿态呼吸数据进行标注，采用姿态转换心跳时刻对姿态转换心跳数据进行标注，采用姿态转换呼吸时刻对姿态转换呼吸数据进行标注，将标注后的心跳和呼吸数据也作为生命体征信号检测模块的输出。
进一步地，步骤S41包括以下步骤：
S411、通过生命体征信号检测模块对人体所在的区域环境的红外图像采集正常的人体区域温度数据与对应的人体区域灰度数据，使用线性最小二乘法进行数据拟合，得到灰度-温度拟合模型；
S412、将人体所在的区域环境的红外图像进行灰度变换，得到灰度图像；
S413、对灰度图像进行去噪，得到去噪图像；
S414、采用otsu算法对去噪图像进行自动分割，得到目标人体区域二值图像；
S415、根据目标人体区域二值图像，提取目标人体区域灰度数据；
S416、采用灰度-温度拟合模型，拟合目标人体区域灰度数据，得到目标稳定姿态体温数据和目标姿态转换体温数据。
进一步地，步骤S411中灰度-温度拟合模型为：
Figure 735971DEST_PATH_IMAGE001
其中，f为线性最小二乘法的目标函数，T h 为第h个人体区域温度数据，
Figure 228133DEST_PATH_IMAGE002
为灰度数据系数，R为人体区域灰度数据，
Figure 266496DEST_PATH_IMAGE003
为修正系数，N为人体区域红外图像的数量。
进一步地，步骤S411中人体区域温度数据与对应的人体区域灰度数据的关系为：
Figure 338357DEST_PATH_IMAGE004
其中，T h 为第h个人体区域温度数据，
Figure 44145DEST_PATH_IMAGE002
为灰度数据系数，R为人体区域灰度数据，
Figure 441628DEST_PATH_IMAGE003
为修正系数，
Figure 91921DEST_PATH_IMAGE005
误差值。
进一步地，步骤S5具体为：
S51、将人体姿态数据输入多人姿态识别模块中，使用基于openpose的人体姿态识别库和深度学习算法识别人体姿态，得到人体姿态类型，所述人体姿态类型包括：稳定姿态和姿态转换；
S52、通过计时模块获取该姿态类型对应的时刻，得到稳定姿态时刻、稳定姿态时间和姿态转换时刻；
S53、采用稳定姿态时刻和稳定姿态时间对对应的稳定姿态进行标注，采用姿态转换时刻对对应的姿态转换进行标注，将标注后的姿态数据作为多人姿态识别模块的输出。
进一步地，步骤S6包括以下步骤：
S61、将多人姿态识别模块的输出数据和生命体征信号检测模块的输出数据输入健康状态检测综合数据模块；
S62、从健康状态检测综合数据模块提取姿态数据，判断该姿态数据是否为姿态转换数据，若是，确定该姿态转换的标注时刻，则跳转至步骤S63，若否，则判定为稳定姿态，并跳转至步骤S66；
S63、根据姿态转换的标注时刻，调取健康状态检测综合数据模块中同时刻下的姿态转换心跳数据、姿态转换呼吸数据和目标姿态转换体温数据；
S64、判断姿态转换心跳数据、姿态转换呼吸数据和目标姿态转换体温数据是否存在有超过各自的阈值的数据，若是，则记录下同一天心跳超阈值次数、呼吸超阈值次数和体温超阈值次数，并跳转至步骤S65，若否，则结束分步骤；
S65、判断心跳超阈值次数、呼吸超阈值次数和体温超阈值次数是否存在超过各自的次数阈值的次数，若是，则采用健康预警模块进行该姿态转换下，身体易处于不健康状态的预警，结束分步骤，若否，则结束分步骤；
S66、根据稳定姿态标注的时刻，调取健康状态检测综合数据模块中同时刻下的稳定姿态心跳数据、稳定姿态呼吸数据和目标稳定姿态体温数据；
S67、将同时刻下的稳定姿态心跳数据、稳定姿态呼吸数据和目标稳定姿态体温数据输入至训练完成的健康状态评分模块，得到姿态健康评分，其中，健康状态评分模块的公式为：
Figure 970403DEST_PATH_IMAGE006
其中，Y为姿态健康评分，a 0 、a 1 、a 2 、a 3 均为健康评估系数，x为稳定姿态心跳数据，y为稳定姿态呼吸数据，z为目标稳定姿态体温数据，
Figure 530697DEST_PATH_IMAGE007
为心跳数据误差系数，
Figure 99082DEST_PATH_IMAGE008
为呼吸数据误差系数，
Figure 112037DEST_PATH_IMAGE009
为体温数据误差系数，H为该姿态稳定对应的时间，
Figure 100002_DEST_PATH_IMAGE010
均为时间误差系数。
S68、判断姿态健康评分是否大于姿态健康评分阈值，若是，则将姿态健康评分输入健康等级模块，得到健康等级，若否，则将姿态健康评分输入非健康等级模块，得到非健康等级，并通过健康预警模块进行健康预警。
综上，本发明的有益效果为：将深度相机、红外摄像头和生物探测雷达布置在养老院，对位于传感器范围内的老人进行人体姿态数据、人体所在的区域环境的红外图像和人体生命体征数据采集，进而获取各种稳定姿态和姿态转换的温度、心跳和呼吸数据，判断同一时刻的温度、心跳和呼吸数据的异常情况和健康等级，并进行健康预警；本发明实现自动对老人的实时监控，反馈老人的健康状态，减少养老院中护理人员、医疗人员和管理人员的工作强度。
附图说明
图1为一种基于多传感器的人体健康状态评估与预警系统的系统框图；
图2为一种基于多传感器的人体健康状态评估与预警方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种基于多传感器的人体健康状态评估与预警系统，包括：姿态体征变化健康知识库HK、多人姿态识别模块、生命体征信号检测模块、健康状态检测综合数据模块、计时模块、健康等级模块、非健康等级模块、健康预警模块、健康状态评分模块和多传感器模块；
所述多传感器模块包括：深度相机、红外摄像头和生物探测雷达；
所述深度相机用于采集人体姿态数据；所述红外摄像头用于拍摄人体所在的区域环境的红外图像；所述生物探测雷达用于采集人体生命体征数据；
所述生命体征信号检测模块用于提取人体所在的区域环境的红外图像上的目标稳定姿态体温数据和目标姿态转换体温数据，以及提取人体生命体征数据中稳定姿态心跳数据、稳定姿态呼吸数据、姿态转换心跳数据和姿态转换呼吸数据；
所述多人姿态识别模块用于对人体姿态数据进行姿态识别，得到人体姿态类型，所述人体姿态类型包括：稳定姿态和姿态转换；
所述计时模块用于标注稳定姿态体温数据、目标姿态转换体温数据、稳定姿态心跳数据、稳定姿态呼吸数据、姿态转换心跳数据、姿态转换呼吸数据、稳定姿态和姿态转换对应的时刻，以同一时刻的体温、心跳、呼吸和姿态数据对人体健康进行综合评价；
所述健康状态检测综合数据模块对标注后的体温、心跳、呼吸和姿态数据进行存储；
所述健康预警模块对健康状态检测综合数据模块输出为姿态转换类型的数据进行该姿态转换下，身体易处于不健康状态的预警；
所述姿态体征变化健康知识库HK用于存储稳定姿态下的心跳、呼吸和体温数据，以及姿态转换时的心跳、呼吸和体温数据，姿态健康评分，姿态转换健康评分；
所述健康状态评分模块采用姿态体征变化健康知识库HK中数据进行训练，得到训练完成的健康状态评分模块；
所述健康状态评分模块对健康状态检测综合数据模块输出为稳定姿态类型的数据进行姿态健康评分；
所述非健康等级模块用于对超阈值的姿态健康评分划分非健康等级，并通过健康预警模块进行健康预警；
所述健康等级模块用于对正常的姿态健康评分划分健康等级。
如图2所示，一种基于多传感器的人体健康状态评估与预警方法，包括以下步骤：
S1、通过多传感器模块采集人体姿态数据、人体所在的区域环境的红外图像和人体生命体征数据；
步骤S1中多传感器模块包括：深度相机、红外摄像头、生物探测雷达；
所述深度相机用于采集人体姿态数据；
所述红外摄像头用于拍摄人体所在的区域环境的红外图像；
所述生物探测雷达用于采集人体生命体征数据。
S2、构建姿态体征变化健康知识库HK；
步骤S2包括以下步骤：
S21、获取人体处在坐、站、躺、跌倒、走和跑的稳定姿态下的心跳、呼吸和体温数据；
S22、获取人体进行姿态转换时的心跳、呼吸和体温数据；
S23、对稳定姿态下的心跳、呼吸和体温数据设定姿态健康评分，以及对人体进行姿态转换时的心跳、呼吸和体温数据设定姿态转换健康评分；
S24、对稳定姿态下的心跳、呼吸和体温数据，人体进行姿态转换时的心跳、呼吸和体温数据，姿态健康评分，姿态转换健康评分进行存储，建立姿态体征变化健康知识库HK。
S3、采用姿态体征变化健康知识库HK训练健康状态评分模块，得到训练完成的健康状态评分模块；
S4、将人体所在的区域环境的红外图像和人体生命体征数据输入生命体征信号检测模块中进行处理；
步骤S4具体为：
S41、通过生命体征信号检测模块提取人体所在的区域环境的红外图像上的目标稳定姿态体温数据和目标姿态转换体温数据；
步骤S41包括以下步骤：
S411、通过生命体征信号检测模块对人体所在的区域环境的红外图像采集正常的人体区域温度数据与对应的人体区域灰度数据，使用线性最小二乘法进行数据拟合，得到灰度-温度拟合模型；
步骤S411中人体区域温度数据与对应的人体区域灰度数据的关系为：
Figure 853597DEST_PATH_IMAGE004
其中，T h 为第h个人体区域温度数据，
Figure 268398DEST_PATH_IMAGE002
为灰度数据系数，R为人体区域灰度数据，
Figure 273263DEST_PATH_IMAGE003
为修正系数，
Figure 623780DEST_PATH_IMAGE005
误差值。
步骤S411中灰度-温度拟合模型为：
Figure 106714DEST_PATH_IMAGE001
其中，f为线性最小二乘法的目标函数，T h 为第h个人体区域温度数据，
Figure 376021DEST_PATH_IMAGE002
为灰度数据系数，R为人体区域灰度数据，
Figure 286209DEST_PATH_IMAGE003
为修正系数，N为人体区域红外图像的数量。
S412、将人体所在的区域环境的红外图像进行灰度变换，得到灰度图像；
S413、对灰度图像进行去噪，得到去噪图像；
S414、采用otsu算法对去噪图像进行自动分割，得到目标人体区域二值图像；
S415、根据目标人体区域二值图像，提取目标人体区域灰度数据；
S416、采用灰度-温度拟合模型，拟合目标人体区域灰度数据，得到目标稳定姿态体温数据和目标姿态转换体温数据。
S42、通过计时模块获取采集该人体所在的区域环境的红外图像的时刻，得到人体所在的区域环境图像采集时刻；
S43、采用人体所在的区域环境图像采集时刻对对应的目标稳定姿态体温数据和目标姿态转换体温数据进行标注，将标注后的体温数据作为生命体征信号检测模块的输出；
S44、采用生命体征信号检测模块，将人体生命体征数据通过模型分离算法，分离得到稳定姿态心跳数据、稳定姿态呼吸数据、姿态转换心跳数据和姿态转换呼吸数据；
S45、通过计时模块获取稳定姿态心跳数据、稳定姿态呼吸数据、姿态转换心跳数据、姿态转换呼吸数据对应的时刻，得到稳定姿态心跳时刻、稳定姿态呼吸时刻、姿态转换心跳时刻和姿态转换呼吸时刻；
S46、采用稳定姿态心跳时刻对稳定姿态心跳数据进行标注，采用稳定姿态呼吸时刻对稳定姿态呼吸数据进行标注，采用姿态转换心跳时刻对姿态转换心跳数据进行标注，采用姿态转换呼吸时刻对姿态转换呼吸数据进行标注，将标注后的心跳和呼吸数据也作为生命体征信号检测模块的输出。
S5、将人体姿态数据输入多人姿态识别模块进行处理；
步骤S5具体为：
S51、将人体姿态数据输入多人姿态识别模块中，使用基于openpose的人体姿态识别库和深度学习算法识别人体姿态，得到人体姿态类型，所述人体姿态类型包括：稳定姿态和姿态转换；
S52、通过计时模块获取该姿态类型对应的时刻，得到稳定姿态时刻、稳定姿态时间和姿态转换时刻；
S53、采用稳定姿态时刻和稳定姿态时间对对应的稳定姿态进行标注，采用姿态转换时刻对对应的姿态转换进行标注，将标注后的姿态数据作为多人姿态识别模块的输出。
S6、将多人姿态识别模块的输出数据和生命体征信号检测模块的输出数据输入健康状态检测综合数据模块，调取健康状态检测综合数据模块的数据，并输入至训练完成的健康状态评分模块，进行健康状态评估与预警。
步骤S6包括以下步骤：
S61、将多人姿态识别模块的输出数据和生命体征信号检测模块的输出数据输入健康状态检测综合数据模块；
S62、从健康状态检测综合数据模块提取姿态数据，判断该姿态数据是否为姿态转换数据，若是，确定该姿态转换的标注时刻，则跳转至步骤S63，若否，则判定为稳定姿态，并跳转至步骤S66；
S63、根据姿态转换的标注时刻，调取健康状态检测综合数据模块中同时刻下的姿态转换心跳数据、姿态转换呼吸数据和目标姿态转换体温数据；
S64、判断姿态转换心跳数据、姿态转换呼吸数据和目标姿态转换体温数据是否存在有超过各自的阈值的数据，若是，则记录下同一天心跳超阈值次数、呼吸超阈值次数和体温超阈值次数，并跳转至步骤S65，若否，则结束分步骤；
S65、判断心跳超阈值次数、呼吸超阈值次数和体温超阈值次数是否存在超过各自的次数阈值的次数，若是，则采用健康预警模块进行该姿态转换下，身体易处于不健康状态的预警，结束分步骤，若否，则结束分步骤；
S66、根据稳定姿态标注的时刻，调取健康状态检测综合数据模块中同时刻下的稳定姿态心跳数据、稳定姿态呼吸数据和目标稳定姿态体温数据；
S67、将同时刻下的稳定姿态心跳数据、稳定姿态呼吸数据和目标稳定姿态体温数据输入至训练完成的健康状态评分模块，得到姿态健康评分，其中，健康状态评分模块的公式为：
Figure 273756DEST_PATH_IMAGE006
其中，Y为姿态健康评分，a 0 、a 1 、a 2 、a 3 均为健康评估系数，x为稳定姿态心跳数据，y为稳定姿态呼吸数据，z为目标稳定姿态体温数据，
Figure 560381DEST_PATH_IMAGE007
为心跳数据误差系数，
Figure 418616DEST_PATH_IMAGE008
为呼吸数据误差系数，
Figure 768213DEST_PATH_IMAGE009
为体温数据误差系数，H为该姿态稳定对应的时间，
Figure 243057DEST_PATH_IMAGE010
均为时间误差系数。
S68、判断姿态健康评分是否大于姿态健康评分阈值，若是，则将姿态健康评分输入健康等级模块，得到健康等级，若否，则将姿态健康评分输入非健康等级模块，得到非健康等级，并通过健康预警模块进行健康预警。

Claims (10)

1.一种基于多传感器的人体健康状态评估与预警系统，其特征在于，包括：姿态体征变化健康知识库HK、多人姿态识别模块、生命体征信号检测模块、健康状态检测综合数据模块、计时模块、健康等级模块、非健康等级模块、健康预警模块、健康状态评分模块和多传感器模块；
所述多传感器模块包括：深度相机、红外摄像头和生物探测雷达；
所述深度相机用于采集人体姿态数据；所述红外摄像头用于拍摄人体所在的区域环境的红外图像；所述生物探测雷达用于采集人体生命体征数据；
所述生命体征信号检测模块用于提取人体所在的区域环境的红外图像上的目标稳定姿态体温数据和目标姿态转换体温数据，以及提取人体生命体征数据中稳定姿态心跳数据、稳定姿态呼吸数据、姿态转换心跳数据和姿态转换呼吸数据；
所述多人姿态识别模块用于对人体姿态数据进行姿态识别，得到人体姿态类型，所述人体姿态类型包括：稳定姿态和姿态转换；
所述计时模块用于标注稳定姿态体温数据、目标姿态转换体温数据、稳定姿态心跳数据、稳定姿态呼吸数据、姿态转换心跳数据、姿态转换呼吸数据、稳定姿态和姿态转换对应的时刻，以同一时刻的体温、心跳、呼吸和姿态数据对人体健康进行综合评价；
所述健康状态检测综合数据模块用于对标注后的体温、心跳、呼吸和姿态数据进行存储；
所述健康预警模块用于对健康状态检测综合数据模块输出为姿态转换类型的数据进行该姿态转换下，身体易处于不健康状态的预警；
所述姿态体征变化健康知识库HK用于存储稳定姿态下的心跳、呼吸和体温数据，以及姿态转换时的心跳、呼吸和体温数据，姿态健康评分，姿态转换健康评分；
所述健康状态评分模块用于对健康状态检测综合数据模块输出为稳定姿态类型的数据进行姿态健康评分；
所述非健康等级模块用于对超阈值的姿态健康评分划分非健康等级，并通过健康预警模块进行健康预警；
所述健康等级模块用于对正常的姿态健康评分划分健康等级。
2.一种基于多传感器的人体健康状态评估与预警方法，其特征在于，包括以下步骤：
S1、通过多传感器模块采集人体姿态数据、人体所在的区域环境的红外图像和人体生命体征数据；
S2、构建姿态体征变化健康知识库HK；
S3、采用姿态体征变化健康知识库HK训练健康状态评分模块，得到训练完成的健康状态评分模块；
S4、将人体所在的区域环境的红外图像和人体生命体征数据输入生命体征信号检测模块中进行处理；
S5、将人体姿态数据输入多人姿态识别模块进行处理；
S6、将多人姿态识别模块的输出数据和生命体征信号检测模块的输出数据输入健康状态检测综合数据模块，调取健康状态检测综合数据模块的数据，并输入至训练完成的健康状态评分模块，进行健康状态评估与预警。
3.根据权利要求2所述的基于多传感器的人体健康状态评估与预警方法，其特征在于，所述步骤S1中多传感器模块包括：深度相机、红外摄像头、生物探测雷达；
所述深度相机用于采集人体姿态数据；
所述红外摄像头用于拍摄人体所在的区域环境的红外图像；
所述生物探测雷达用于采集人体生命体征数据。
4.根据权利要求2所述的基于多传感器的人体健康状态评估与预警方法，其特征在于，所述步骤S2包括以下步骤：
S21、获取人体处在坐、站、躺、跌倒、走和跑的稳定姿态下的心跳、呼吸和体温数据；
S22、获取人体进行姿态转换时的心跳、呼吸和体温数据；
S23、对稳定姿态下的心跳、呼吸和体温数据设定姿态健康评分，以及对人体进行姿态转换时的心跳、呼吸和体温数据设定姿态转换健康评分；
S24、对稳定姿态下的心跳、呼吸和体温数据，人体进行姿态转换时的心跳、呼吸和体温数据，姿态健康评分，姿态转换健康评分进行存储，建立姿态体征变化健康知识库HK。
5.根据权利要求2所述的基于多传感器的人体健康状态评估与预警方法，其特征在于，所述步骤S4具体为：
S41、通过生命体征信号检测模块提取人体所在的区域环境的红外图像上的目标稳定姿态体温数据和目标姿态转换体温数据；
S42、通过计时模块获取采集该人体所在的区域环境的红外图像的时刻，得到人体所在的区域环境图像采集时刻；
S43、采用人体所在的区域环境图像采集时刻对对应的目标稳定姿态体温数据和目标姿态转换体温数据进行标注，将标注后的体温数据作为生命体征信号检测模块的输出；
S44、采用生命体征信号检测模块，将人体生命体征数据通过模型分离算法，分离得到稳定姿态心跳数据、稳定姿态呼吸数据、姿态转换心跳数据和姿态转换呼吸数据；
S45、通过计时模块获取稳定姿态心跳数据、稳定姿态呼吸数据、姿态转换心跳数据、姿态转换呼吸数据对应的时刻，得到稳定姿态心跳时刻、稳定姿态呼吸时刻、姿态转换心跳时刻和姿态转换呼吸时刻；
S46、采用稳定姿态心跳时刻对稳定姿态心跳数据进行标注，采用稳定姿态呼吸时刻对稳定姿态呼吸数据进行标注，采用姿态转换心跳时刻对姿态转换心跳数据进行标注，采用姿态转换呼吸时刻对姿态转换呼吸数据进行标注，将标注后的心跳和呼吸数据也作为生命体征信号检测模块的输出。
6.根据权利要求5所述的基于多传感器的人体健康状态评估与预警方法，其特征在于，所述步骤S41包括以下步骤：
S411、通过生命体征信号检测模块对人体所在的区域环境的红外图像采集正常的人体区域温度数据与对应的人体区域灰度数据，使用线性最小二乘法进行数据拟合，得到灰度-温度拟合模型；
S412、将人体所在的区域环境的红外图像进行灰度变换，得到灰度图像；
S413、对灰度图像进行去噪，得到去噪图像；
S414、采用otsu算法对去噪图像进行自动分割，得到目标人体区域二值图像；
S415、根据目标人体区域二值图像，提取目标人体区域灰度数据；
S416、采用灰度-温度拟合模型，拟合目标人体区域灰度数据，得到目标稳定姿态体温数据和目标姿态转换体温数据。
7.根据权利要求6所述的基于多传感器的人体健康状态评估与预警方法，其特征在于，所述步骤S411中灰度-温度拟合模型为：
Figure 721116DEST_PATH_IMAGE001
其中，f为线性最小二乘法的目标函数，T h 为第h个人体区域温度数据，
Figure 385795DEST_PATH_IMAGE002
为灰度数据系数，R为人体区域灰度数据，
Figure 696691DEST_PATH_IMAGE003
为修正系数，N为人体区域红外图像的数量。
8.根据权利要求6所述的基于多传感器的人体健康状态评估与预警方法，其特征在于，所述步骤S411中人体区域温度数据与对应的人体区域灰度数据的关系为：
Figure 154217DEST_PATH_IMAGE004
其中，T h 为第h个人体区域温度数据，
Figure 33836DEST_PATH_IMAGE002
为灰度数据系数，R为人体区域灰度数据，
Figure 653036DEST_PATH_IMAGE003
为修正系数，
Figure 982386DEST_PATH_IMAGE005
误差值。
9.根据权利要求2所述的基于多传感器的人体健康状态评估与预警方法，其特征在于，所述步骤S5具体为：
S51、将人体姿态数据输入多人姿态识别模块中，使用基于openpose的人体姿态识别库和深度学习算法识别人体姿态，得到人体姿态类型，所述人体姿态类型包括：稳定姿态和姿态转换；
S52、通过计时模块获取该姿态类型对应的时刻，得到稳定姿态时刻、稳定姿态时间和姿态转换时刻；
S53、采用稳定姿态时刻和稳定姿态时间对对应的稳定姿态进行标注，采用姿态转换时刻对对应的姿态转换进行标注，将标注后的姿态数据作为多人姿态识别模块的输出。
10.根据权利要求3所述的基于多传感器的人体健康状态评估与预警方法，其特征在于，所述步骤S6包括以下步骤：
S61、将多人姿态识别模块的输出数据和生命体征信号检测模块的输出数据输入健康状态检测综合数据模块；
S62、从健康状态检测综合数据模块提取姿态数据，判断该姿态数据是否为姿态转换数据，若是，确定该姿态转换的标注时刻，则跳转至步骤S63，若否，则判定为稳定姿态，并跳转至步骤S66；
S63、根据姿态转换的标注时刻，调取健康状态检测综合数据模块中同时刻下的姿态转换心跳数据、姿态转换呼吸数据和目标姿态转换体温数据；
S64、判断姿态转换心跳数据、姿态转换呼吸数据和目标姿态转换体温数据是否存在有超过各自的阈值的数据，若是，则记录下同一天心跳超阈值次数、呼吸超阈值次数和体温超阈值次数，并跳转至步骤S65，若否，则结束健康状态评估与预警；
S65、判断心跳超阈值次数、呼吸超阈值次数和体温超阈值次数是否存在超过各自的次数阈值的次数，若是，则采用健康预警模块进行该姿态转换下，身体易处于不健康状态的预警，结束健康状态评估与预警，若否，则结束健康状态评估与预警；
S66、根据稳定姿态标注的时刻，调取健康状态检测综合数据模块中同时刻下的稳定姿态心跳数据、稳定姿态呼吸数据和目标稳定姿态体温数据；
S67、将同时刻下的稳定姿态心跳数据、稳定姿态呼吸数据和目标稳定姿态体温数据输入至训练完成的健康状态评分模块，得到姿态健康评分，其中，健康状态评分模块的公式为：
Figure 243603DEST_PATH_IMAGE006
其中，Y为姿态健康评分，a 0 、a 1 、a 2 、a 3 均为健康评估系数，x为稳定姿态心跳数据，y为稳定姿态呼吸数据，z为目标稳定姿态体温数据，
Figure 833853DEST_PATH_IMAGE007
为心跳数据误差系数，
Figure 889534DEST_PATH_IMAGE008
为呼吸数据误差系数，
Figure 706180DEST_PATH_IMAGE009
为体温数据误差系数，H为该姿态稳定对应的时间，
Figure DEST_PATH_IMAGE010
均为时间误差系数；
S68、判断姿态健康评分是否大于姿态健康评分阈值，若是，则将姿态健康评分输入健康等级模块，得到健康等级，若否，则将姿态健康评分输入非健康等级模块，得到非健康等级，并通过健康预警模块进行健康预警。
CN202011020867.5A 2020-09-25 2020-09-25 基于多传感器的人体健康状态评估与预警系统 Active CN111883257B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011020867.5A CN111883257B (zh) 2020-09-25 2020-09-25 基于多传感器的人体健康状态评估与预警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011020867.5A CN111883257B (zh) 2020-09-25 2020-09-25 基于多传感器的人体健康状态评估与预警系统

Publications (2)

Publication Number Publication Date
CN111883257A true CN111883257A (zh) 2020-11-03
CN111883257B CN111883257B (zh) 2021-02-26

Family

ID=73199148

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011020867.5A Active CN111883257B (zh) 2020-09-25 2020-09-25 基于多传感器的人体健康状态评估与预警系统

Country Status (1)

Country Link
CN (1) CN111883257B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112782664A (zh) * 2021-02-22 2021-05-11 西南交通大学 一种基于毫米波雷达的卫生间跌倒检测方法
CN113925475A (zh) * 2021-10-16 2022-01-14 谢俊 一种非接触式的人体健康监测装置及方法
CN114081459A (zh) * 2021-11-22 2022-02-25 庚辰科技(宁波)有限公司 一种基于雷达技术的多人呼吸状态监测方法和系统
CN114463701A (zh) * 2022-04-14 2022-05-10 华南农业大学 一种基于多源大数据动物养殖数据挖掘的监测预警系统
CN116895382A (zh) * 2023-07-12 2023-10-17 普迪特(泰州)生物科技有限公司 基于数据分析的人体健康监测管理系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203506700U (zh) * 2013-10-14 2014-04-02 南京信息工程大学 一种基于无接触生命探测仪的远程生命监视系统
CN204091964U (zh) * 2014-09-05 2015-01-14 山西家有爸妈医药科技有限公司 健康管理数据监测仪
US9008794B2 (en) * 2011-02-14 2015-04-14 Antonio Alexandre Sensor device for treatment and remote monitoring of vital biological parameters
CN108041772A (zh) * 2017-08-03 2018-05-18 浙江工业大学 一种老人摔倒检测智能手环及老人摔倒检测方法
CN108378830A (zh) * 2018-03-09 2018-08-10 芜湖博高光电科技股份有限公司 一种监测摔倒的非接触式生命体征探测仪
CN108847288A (zh) * 2018-07-13 2018-11-20 武汉久乐科技有限公司 一种健康预警方法和装置
US20180333083A1 (en) * 2015-02-25 2018-11-22 Leonardo Y. Orellano Fall detection systems and methods
CN208259692U (zh) * 2017-09-04 2018-12-21 东北大学 基于多传感器融合的人体生理状态检测智能头盔及系统
CN109480403A (zh) * 2018-10-12 2019-03-19 桂林电子科技大学 一种基于大数据的认知手环检测老人跌倒及报警方法
CN109528183A (zh) * 2019-01-15 2019-03-29 浙江强脑科技有限公司 人体异常状态监控方法、设备及计算机可读存储介质
CN110008822A (zh) * 2019-02-18 2019-07-12 武汉高德智感科技有限公司 一种基于红外传感器的姿态识别方法及系统
CN110675595A (zh) * 2019-09-09 2020-01-10 杭州憶盛医疗科技有限公司 一种基于视觉和人工智能的跌倒检测系统
CN111110243A (zh) * 2019-12-19 2020-05-08 北京建筑大学 一种穿戴式摔倒监测设备及系统
CN111281342A (zh) * 2020-02-05 2020-06-16 京东方科技集团股份有限公司 一种监护设备及方法
CN111588362A (zh) * 2020-06-12 2020-08-28 常州工学院 人体健康安全监测预警系统和方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9008794B2 (en) * 2011-02-14 2015-04-14 Antonio Alexandre Sensor device for treatment and remote monitoring of vital biological parameters
CN203506700U (zh) * 2013-10-14 2014-04-02 南京信息工程大学 一种基于无接触生命探测仪的远程生命监视系统
CN204091964U (zh) * 2014-09-05 2015-01-14 山西家有爸妈医药科技有限公司 健康管理数据监测仪
US20180333083A1 (en) * 2015-02-25 2018-11-22 Leonardo Y. Orellano Fall detection systems and methods
CN108041772A (zh) * 2017-08-03 2018-05-18 浙江工业大学 一种老人摔倒检测智能手环及老人摔倒检测方法
CN208259692U (zh) * 2017-09-04 2018-12-21 东北大学 基于多传感器融合的人体生理状态检测智能头盔及系统
CN108378830A (zh) * 2018-03-09 2018-08-10 芜湖博高光电科技股份有限公司 一种监测摔倒的非接触式生命体征探测仪
CN108847288A (zh) * 2018-07-13 2018-11-20 武汉久乐科技有限公司 一种健康预警方法和装置
CN109480403A (zh) * 2018-10-12 2019-03-19 桂林电子科技大学 一种基于大数据的认知手环检测老人跌倒及报警方法
CN109528183A (zh) * 2019-01-15 2019-03-29 浙江强脑科技有限公司 人体异常状态监控方法、设备及计算机可读存储介质
CN110008822A (zh) * 2019-02-18 2019-07-12 武汉高德智感科技有限公司 一种基于红外传感器的姿态识别方法及系统
CN110675595A (zh) * 2019-09-09 2020-01-10 杭州憶盛医疗科技有限公司 一种基于视觉和人工智能的跌倒检测系统
CN111110243A (zh) * 2019-12-19 2020-05-08 北京建筑大学 一种穿戴式摔倒监测设备及系统
CN111281342A (zh) * 2020-02-05 2020-06-16 京东方科技集团股份有限公司 一种监护设备及方法
CN111588362A (zh) * 2020-06-12 2020-08-28 常州工学院 人体健康安全监测预警系统和方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112782664A (zh) * 2021-02-22 2021-05-11 西南交通大学 一种基于毫米波雷达的卫生间跌倒检测方法
CN112782664B (zh) * 2021-02-22 2023-12-12 四川八维九章科技有限公司 一种基于毫米波雷达的卫生间跌倒检测方法
CN113925475A (zh) * 2021-10-16 2022-01-14 谢俊 一种非接触式的人体健康监测装置及方法
CN114081459A (zh) * 2021-11-22 2022-02-25 庚辰科技(宁波)有限公司 一种基于雷达技术的多人呼吸状态监测方法和系统
CN114463701A (zh) * 2022-04-14 2022-05-10 华南农业大学 一种基于多源大数据动物养殖数据挖掘的监测预警系统
CN116895382A (zh) * 2023-07-12 2023-10-17 普迪特(泰州)生物科技有限公司 基于数据分析的人体健康监测管理系统
CN116895382B (zh) * 2023-07-12 2024-02-13 中健三六五健康科技有限公司 基于数据分析的人体健康监测管理系统

Also Published As

Publication number Publication date
CN111883257B (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
CN111883257B (zh) 基于多传感器的人体健康状态评估与预警系统
CN109726672B (zh) 一种基于人体骨架序列和卷积神经网络的摔倒检测方法
JP6823160B2 (ja) ベッド転落を予測及び防止する患者監視のためのデバイス、システム、及び方法
RU2637610C2 (ru) Устройство мониторинга для мониторинга физиологического сигнала
US20200029832A1 (en) Abnormality reporting device, recording medium, and abnormality reporting method
CN112784662A (zh) 基于视频的跌倒风险评价系统
RU2623304C2 (ru) Система мониторинга для мониторинга пациента и обнаружения делирия у пациента
US11510613B2 (en) Biological condition determining apparatus and biological condition determining method
US11129549B2 (en) Device, system and method for patient monitoring to predict and prevent bed falls
CN109846466B (zh) 异常判定装置、电子设备及计算机可读存储介质
CN109891516A (zh) 用于患者监测以预测和防止床跌落的设备、系统和方法
EP3504649B1 (en) Device, system and method for patient monitoring to predict and prevent bed falls
US20210020295A1 (en) Physical function independence support device of physical function and method therefor
US20210059569A1 (en) Fall risk evaluation method, fall risk evaluation device, and non-transitory computer-readable recording medium in which fall risk evaluation program is recorded
CN112016619A (zh) 一种基于鞋垫的跌倒检测方法
CN115662631A (zh) 基于ai智能判别的养老院管理系统
CN111768863A (zh) 一种基于人工智能的婴幼儿发展监测系统及其方法
Weber et al. Preterm newborn presence detection in incubator and open bed using deep transfer learning
Bourke et al. Development of a gold-standard method for the identification of sedentary, light and moderate physical activities in older adults: Definitions for video annotation
CN117133464B (zh) 一种老年人健康智能监测系统及监测方法
US20210059596A1 (en) Cognitive function evaluation method, cognitive function evaluation device, and non-transitory computer-readable recording medium in which cognitive function evaluation program is recorded
JP2019097829A (ja) 異常報知装置及びプログラム
CN111436939B (zh) 基于深度学习的识别体征信号的方法、系统、设备及介质
Fry-Hilderbrand et al. Validating a system to monitor motor development of at-risk infants in black communities: A case study
KR102229909B1 (ko) 사용자 빅데이터를 활용한 사고위험 예측방법 및 장치

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

Effective date of registration: 20210129

Address after: 610000, No. two, section 111, North Ring Road, Jinniu District, Sichuan, Chengdu

Applicant after: SOUTHWEST JIAOTONG University

Applicant after: Sichuan Bawei Power Technology Co.,Ltd.

Applicant after: Sichuan Bawei Jiuzhang Technology Co.,Ltd.

Address before: 610000, No. two, section 111, North Ring Road, Jinniu District, Sichuan, Chengdu

Applicant before: SOUTHWEST JIAOTONG University

Applicant before: Sichuan Bawei Innovation Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20231016

Address after: 610000 Chengdu, Sichuan Province, China (Sichuan) Free Trade Pilot Zone

Patentee after: Sichuan Bawei Jiuzhang Technology Co.,Ltd.

Address before: 610000, No. two, section 111, North Ring Road, Jinniu District, Sichuan, Chengdu

Patentee before: SOUTHWEST JIAOTONG University

Patentee before: Sichuan Bawei Power Technology Co.,Ltd.

Patentee before: Sichuan Bawei Jiuzhang Technology Co.,Ltd.

TR01 Transfer of patent right