CN112043251B - 动静态切换下的心肺功能评估方法、装置、设备、存储介质及系统 - Google Patents

动静态切换下的心肺功能评估方法、装置、设备、存储介质及系统 Download PDF

Info

Publication number
CN112043251B
CN112043251B CN202011065303.3A CN202011065303A CN112043251B CN 112043251 B CN112043251 B CN 112043251B CN 202011065303 A CN202011065303 A CN 202011065303A CN 112043251 B CN112043251 B CN 112043251B
Authority
CN
China
Prior art keywords
cardiopulmonary function
function evaluation
state
cardiopulmonary
switching
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.)
Active
Application number
CN202011065303.3A
Other languages
English (en)
Other versions
CN112043251A (zh
Inventor
马永
马赛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Elite Medical Technology Co ltd
Original Assignee
Shenzhen Elite Medical Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Elite Medical Technology Co ltd filed Critical Shenzhen Elite Medical Technology Co ltd
Priority to CN202011065303.3A priority Critical patent/CN112043251B/zh
Publication of CN112043251A publication Critical patent/CN112043251A/zh
Application granted granted Critical
Publication of CN112043251B publication Critical patent/CN112043251B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/091—Measuring volume of inspired or expired gases, e.g. to determine lung capacity

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Cardiology (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Pulmonology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明适用于计算机技术领域，提供了一种动静态切换下的心肺功能评估方法、装置、设备、存储介质及系统，所述方法包括：在预设的周期内持续获取用户的呼出气体流量曲线以及心率变化曲线作为心肺功能评估信息；对心肺功能评估信息进行辨识处理，生成静止‑运动状态切换时的心肺功能评估信息；根据状态切换心肺功能评估模型对心肺功能评估信息进行处理，生成状态切换心肺功能评估结果。本发明提供的方法，相对于单纯获取稳定状态下的心肺功能评估信息，由于状态切换时的心肺功能评估信息包含有更多的生理信息，在配合后续的状态切换心肺功能评估模型对静止‑运动状态切换时的心肺功能评估信息进行处理，能够更加全面精确的确定出心肺功能评估结果。

Description

动静态切换下的心肺功能评估方法、装置、设备、存储介质及 系统
技术领域
本发明属于计算机技术领域，提供了一种动静态切换下的心肺功能评估方法、装置、设备、存储介质及系统。
背景技术
随着科技的发展，越来越多的人开始注重健康，其中心肺功能是人正常生理活动的最关键部分。
当前已经有很多可以对心肺功能进行评估的技术，但是大多数技术都仅仅只是测试人体在静止状态下的心肺功能，而少有测试运动状态下的心肺功能。然而不管是测试静止状态下的心肺功能还是测试运动状态下的心肺功能，都往往是在稳定状态下进行测试，这样的测试数据往往过于片面而导致实际评估的心肺功能不够准确。
发明内容
本发明实施例的目的在于提供一种动静态切换下的心肺功能评估方法，旨在解决现有技术在评估心肺功能时还存在的数据片面导致实际评估效果不够准确的技术问题。
本发明实施例是这样实现的，一种动静态切换下的心肺功能评估方法，包括：
在预设的周期内持续获取用户心肺功能评估信息；所述心肺功能评估信息包括呼出气体流量曲线以及心率变化曲线；
根据预设的状态辨识规则对所述心肺功能评估信息进行处理，生成静止-运动状态切换时的心肺功能评估信息；
根据预设的状态切换心肺功能评估模型对所述静止-运动状态切换时的心肺功能评估信息进行处理，生成状态切换心肺功能评估结果；所述状态切换心肺功能评估模型是预先基于深度神经网络算法训练生成的。
本发明实施例的另一目的在于提供一种动静态切换下的心肺功能评估装置，包括：
心肺功能评估信息获取单元，用于在预设的周期内持续获取用户心肺功能评估信息；所述心肺功能评估信息包括呼出气体流量曲线以及心率变化曲线；
心肺功能评估信息状态辨识单元，用于根据预设的状态辨识规则对所述心肺功能评估信息进行处理，生成静止-运动状态切换时的心肺功能评估信息；
心肺功能评估结果确定单元，用于根据预设的状态切换心肺功能评估模型对所述静止-运动状态切换时的心肺功能评估信息进行处理，生成状态切换心肺功能评估结果；所述状态切换心肺功能评估模型是预先基于深度神经网络算法训练生成的。
本发明实施例的另一目的在于提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述所述动静态切换下的心肺功能评估方法的步骤。
本发明实施例的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述所述动静态切换下的心肺功能评估方法的步骤。
本发明实施例的另一目的在于提供一种心肺功能评估系统，包括运动心电图仪、肺功能采集盒、跑步机以及如上述所述的动静态切换下的心肺功能评估装置；所述运动心电图仪、肺功能采集盒与所述心肺功能评估装置连接，并向所述心肺功能评估装置持续发送用户心肺功能评估信息。
本发明实施例提供的一种动静态切换下的心肺功能评估方法，通过在预设的周期内持续获取用户心肺功能评估信息，包括呼出气体流量曲线以及心率变化曲线，然后利用预设的状态辨识规则来对心肺功能评估信息进行处理，得到静止-运动状态切换时的心肺功能评估信息，相对于单纯获取稳定静止状态或者稳定运动状态下的心肺功能评估信息，由于静止-运动状态切换时的心肺功能评估信息包含有更多的生理信息，因此，配合后续的状态切换心肺功能评估模型对静止-运动状态切换时的心肺功能评估信息进行处理，能够更加全面精确的确定出用户的心肺功能评估结果，预先基于深度神经网络算法训练生成的状态切换心肺功能评估模型进一步提高了心肺功能评估结果的准确率。
附图说明
图1为本发明实施例提供的一种动静态切换下的心肺功能评估方法的应用环境图；
图2为本发明实施例提供的一种动静态切换下的心肺功能评估方法的步骤流程图；
图3为本发明实施例提供的另一种动静态切换下的心肺功能评估方法的步骤流程图；
图4为本发明实施例提供的又一种动静态切换下的心肺功能评估方法的步骤流程图；
图5为本发明实施例提供的再一种动静态切换下的心肺功能评估方法的步骤流程图；
图6为本发明实施例提供的还一种动静态切换下的心肺功能评估方法的步骤流程图；
图7为本发明实施例提供的一种训练生成状态切换心肺功能评估模型的步骤流程图；
图8为本发明实施例提供的一种动静态切换下的心肺功能评估装置的结构示意图；
图9为本发明实施例提供的一种执行动静态切换下的心肺功能评估方法的计算机设备的内部结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，为本发明实施例提供的一种动静态切换下的心肺功能评估方法的应用环境图，也可以理解为一种动静态切换下的心肺功能评估系统的结构示意图，详述如下。
在本发明实施例中，所述动静态切换下的心肺功能评估系统包括运动心电图仪110、肺功能采集盒120、跑步机130以及心肺功能评估装置140；其中所述运动心电图仪110、肺功能采集盒120与所述心肺功能评估装置140连接，并向所述心肺功能评估装置140持续发送用户心肺功能评估信息，所述心肺功能评估装置140用于对持续获取到的心肺功能评估信息按照预设的心肺功能评估方法进行处理，以得到用户的心肺功能评估结果。
在本发明实施例中，由于静止-运动状态切换时的心率变化曲线可以较好地反映出一个人的心功能，因此运动心电图仪主要用于获取在预设的周期内的心率变化曲线，当然也可以通过运动心电图仪或者其他设备来获取其他基本的心功能参数，这些心功能参数可以与心率变化曲线一同构成心肺功能评估信息，以进一步提高心肺功能评估结果的准确率，本发明对其他的心功能参数不作具体的限制，具体根据实际条件选择。
在本发明实施例中，同样的，在静止-运动状态切换时的呼出气体流量曲线也可以较好的反映出一个人的肺功能，因此肺功能采集盒主要用于获取在预设的周期内的呼出气体流量曲线，此外，除了呼出气体流量曲线之外，还可以进一步通过肺功能采集盒相关的功能来获取呼出气体中氧浓度和二氧化碳浓度的变化曲线以及吸气肺活量、深吸气量、潮气量、补呼气量、最大通气量、用力肺活量、一秒量、二氧化碳排出量、摄氧量、氧当量、每分钟通气量、二氧化碳当量、呼气潮气量和每公斤摄氧量等相关参数来辅助进行评估肺功能，上述参数信息可以与呼出气体流量曲线一同构成心肺功能评估信息，来进一步提高心肺功能评估结果的准确率。当然，上述参数可以基于实际情况具体选择。
在本发明实施例中，跑步机主要用于实现用户从静止到运动状态的切换，从而可以方便的获取在预设的周期内的用户心肺功能评估信息，当然也可以利用其他形式来实现从静止到运动状态的切换，但考虑到实际条件的限制，跑步机能够方便快捷的实现用户从静止到运动状态的切换。
在本发明实施例中，运动心电图仪在获取到预设周期内的心率变化曲线以及其他可以获取的心功能参数后，肺功能采集盒在获取到预设周期内的呼出气体流量曲线以及其他可以获取的肺功能参数后，可以通过数据线或者无线局域网等任意可行的通讯方式发送给心肺功能评估装置，此时心肺功能评估装置所接收到的心率变化曲线、心功能参数、呼出气体流量曲线以及肺功能参数都可以视为心肺功能评估信息。此时，心肺功能评估装置对心肺功能评估信息进行处理的步骤，具体请参阅图2及其解释说明的内容。
如图2所示，为本发明实施例提供的一种动静态切换下的心肺功能评估方法的步骤流程图，该方法主要以应用于如图1中所示的心肺功能评估装置140上，具体包括以下步骤：
步骤S202，在预设的周期内持续获取用户心肺功能评估信息。
在本发明实施例中，所述心肺功能评估信息包括呼出气体流量曲线以及心率变化曲线，其中呼出气体流量曲线通常是由肺功能采集盒采集的，而心率变化曲线是由运动心电仪采集的。此外，还可以包括其他心肺功能评估信息例如前述提到的吸气肺活量、氧浓度和二氧化碳浓度的变化曲线等等。
步骤S204，根据预设的状态辨识规则对所述心肺功能评估信息进行处理，生成静止-运动状态切换时的心肺功能评估信息。
在本发明实施例中，需要说明的一点是静止-运动状态切换时的心肺功能评估信息不仅仅包括从静止状态到运动状态的心肺功能评估信息，还可以包括从运动状态到静止状态的心肺功能评估信息，也就是从运动状态当中恢复过来的心肺功能评估信息。
在本发明实施例中，其中对心肺功能评估信息进行辨识可以是通过曲线随时间的关系来识别的，例如可以设定采集多少秒静止状态下的数据，然后开始进入运动状态，持续多少秒，然后恢复静止，此时就可以根据采集时间简单确定出静止-运动状态切换时的心肺功能评估信息。当然也可以通过对数据的分析来实现对心肺功能评估信息，例如，在静止状态下与在运动状态下的心肺功能评估信息具有一定的差异，通过对特征点进行辨识，确定属于静止状态下的临界点以及稳定运动状态下的临界点，则此时静止状态下的临界点与稳定运动状态下的临界点之间的即为静止-运动状态切换时的心肺功能评估信息。
步骤S206，根据预设的状态切换心肺功能评估模型对所述静止-运动状态切换时的心肺功能评估信息进行处理，生成状态切换心肺功能评估结果。
在本发明实施例中，由于静止-运动状态切换时的心肺功能评估信息与静止状态下以及运动状态下的心肺功能评估信息包含的信息内容不相同，因此，需要针对于静止-运动状态切换时的心肺功能评估信息重新训练生成状态切换心肺功能评估模型，此后可以直接利用该状态切换心肺功能评估模型对心肺功能评估信息进行处理，从而直接得到心肺功能评估信息进行处理。其中训练生成状态切换心肺功能评估模型的步骤，具体请参阅图7及其解释说明。
在本发明实施例中，由于状态切换时的心肺功能评估信息包含了更加丰富的生理数据，因此通过对静止-运动状态切换时的心肺功能评估信息进行处理，相比于现有技术单纯对稳定状态下的心肺功能评估信息，所得到的心肺功能评估结果更加全面准确。
在本发明实施例中，所述状态切换心肺功能评估模型是预先基于深度神经网络算法训练生成的，能够进一步提高状态切换心肺功能评估结果的准确率。
本发明实施例提供的一种动静态切换下的心肺功能评估方法，通过在预设的周期内持续获取用户心肺功能评估信息，包括呼出气体流量曲线以及心率变化曲线，然后利用预设的状态辨识规则来对心肺功能评估信息进行处理，得到静止-运动状态切换时的心肺功能评估信息，相对于单纯获取稳定静止状态或者稳定运动状态下的心肺功能评估信息，由于静止-运动状态切换时的心肺功能评估信息包含有更多的生理信息，因此，配合后续的状态切换心肺功能评估模型对静止-运动状态切换时的心肺功能评估信息进行处理，能够更加全面精确的确定出用户的心肺功能评估结果，预先基于深度神经网络算法训练生成的状态切换心肺功能评估模型进一步提高了心肺功能评估结果的准确率。
如图3所示，为本发明实施例提供的另一种动静态切换下的心肺功能评估方法的步骤流程图，详述如下。
在本发明实施例中，与图2所示出的一种动静态切换下的心肺功能评估方法的步骤流程图的区别在于，所述步骤S204具体为：
步骤S302，根据预设的状态辨识模型对所述心肺功能评估信息进行处理，生成静止-运动状态切换时的心肺功能评估信息、静止状态下心肺功能评估信息以及运动状态下心肺功能评估信息。
在本发明实施例中，除了单独利用状态切换时的心肺功能评估信息来对心肺功能进行评估外，还可以结合进一步静止状态和运动状态的心肺功能评估信息，则此时在辨识的过程中，需要具体确定静止-运动状态切换时的心肺功能评估信息、静止状态下心肺功能评估信息以及运动状态下心肺功能评估信息。
在所述步骤S206之后，还包括：
步骤S304，根据预设的静止状态心肺功能评估模型对所述静止状态下心肺功能评估信息进行处理，生成静止状态心肺功能评估结果。
在本发明实施例中，与前述步骤S206相似，针对于不同状态下的心肺功能评估信息需要采用对应的状态心肺功能评估模型，也就是对于静止状态下心肺功能评估信息需要采用静止状态心肺功能评估模型，静止状态心肺功能评估模型也是预先训练生成的，作为优选，同样是基于深度神经网络训练生成的，训练过程同样可以参阅图7及其解释说明，此时训练数据需要为静止状态下的心肺功能评估信息。
步骤S306，根据预设的运动状态心肺功能评估模型对所述运动状态下心肺功能评估信息进行处理，生成运动状态心肺功能评估结果。
在本发明实施例中，同样的，对于运动状态下心肺功能评估信息需要采用运动状态心肺功能评估模型，在此不做具体的说明，具体可以类比前述步骤S304。
步骤S308，根据所述状态切换心肺功能评估结果、所述静止状态心肺功能评估结果以及所述运动状态心肺功能评估结果确定心肺功能评估结果。
在本发明实施例中，相比于单纯利用状态切换的心肺功能评估信息来确定心肺功能评估结果，结合了三种状态的心肺功能评估信息并分别对三种状态下的心肺功能评估信息进行评估处理，最终结合三种状态下得到的心肺功能评估结果进行综合评价，能够保证最终生成的心肺功能评估结果更加准确。
如图4所示，为本发明实施例提供的又一种动静态切换下的心肺功能评估方法的步骤流程图，详述如下。
在本发明实施例中，与图3所示出的一种动静态切换下的心肺功能评估方法的步骤流程图的区别在于，所述步骤S308，具体包括：
步骤S402，按照预设的权重确定规则分别确定所述状态切换心肺功能评估结果、所述静止状态心肺功能评估结果以及所述运动状态心肺功能评估结果的权重。
在本发明实施例中，考虑到在实际数据的采集过程中，三种数据采集的时间可能不同，这也就导致了三种状态下的心肺功能评估信息不对等，对于信息更丰富的心肺功能评估信息，其确定的当前状态心肺功能评估结果也更加准确，此时，可以根据不同状态下的心肺功能评估信息的丰富度来确定各个状态下的心肺功能评估结果的权重，例如对于采集时间更长的运动状态心肺功能评估信息，可以相应提高对应运动状态心肺功能评估结果的权重，而略降低剩余状态的心肺功能评估结果的权重，具体的权重可以是根据前述辨识过程中所得到的各个状态下心肺功能评估信息的采集时间所确定。
步骤S404，根据所述状态切换心肺功能评估结果及其权重、所述静止状态心肺功能评估结果及其权重以及所述运动状态心肺功能评估结果及其权重确定心肺功能评估结果。
在本发明实施例中，通过提高丰富度更好的不同状态下心肺功能评估信息所对应的心肺功能评估结果的权重，能够进一步提高最终综合三种状态下心肺功能评估结果所确定出最终心肺功能评估结果的准确性。
如图5所示，为本发明实施例提供的再一种动静态切换下的心肺功能评估方法的步骤流程图，详述如下。
在本发明实施例中，与图2所示出的一种动静态切换下的心肺功能评估方法的步骤流程图的区别在于，在所述步骤S202后，还包括：
步骤S502，根据小波变换对所述呼出气体流量曲线以及心率变化曲线进行降噪处理，生成降噪处理后的心肺功能评估信息。
在本发明实施例中，考虑到实际过程中，因受到外界环境的干扰，所采集的呼出气体流量曲线以及心率变化曲线会受到噪音干扰而与实际结果有一定差异，因此，可以通过小波变换的思想对呼出气体流量曲线以及心率变化曲线进行降噪处理，以保证心肺功能评估信息是降噪处理后的心肺功能评估信息，从而在后续的处理过程中，处理结果更加准确。
如图6所示，为本发明实施例提供的还一种动静态切换下的心肺功能评估方法的步骤流程图，详述如下。
在本发明实施例中，与图2所示出的一种动静态切换下的心肺功能评估方法的步骤流程图的区别在于，所述步骤S206，具体包括：
步骤S602，根据预设的采样规则对所述静止-运动状态切换时的呼出气体流量曲线以及心率变化曲线进行采样，生成静止-运动状态切换时的心肺功能变化向量。
在本发明实施例中，考虑到状态切换心肺功能评估模型是基于深度神经网络模型训练生成的，此时无法直接对呼出气体流量曲线以及心率变化曲线进行处理，本发明通过按照预设的采样规则对呼出气体流量曲线以及心率变化曲线按照时间进行采样，从而可以生成一组向量，该向量即可以作为心肺功能变化特征向量，用于被状态切换心肺功能评估模型，此外，该向量还进一步提高维数，也就是结合其他的心肺功能评估信息，例如直接将吸气肺活量、深吸气量、潮气量、补呼气量、最大通气量、用力肺活量、一秒量、二氧化碳排出量、摄氧量、氧当量、每分钟通气量、二氧化碳当量、呼气潮气量和每公斤摄氧量等参数加入到向量当中，向量的维数越高，处理结果也更准确，但同时会增加数据量。
步骤S604，根据预设的状态切换心肺功能评估模型对所述心肺功能变化向量进行处理，生成状态切换心肺功能评估结果。
在本发明实施例中，通过对呼出气体流量曲线以及心率变化曲线进行采样处理，来得到一组特征向量，此时将该特征向量输入到状态切换心肺功能评估模型中即可得到一组描述心肺功能评估结果的输出向量，对于此部分的内容，属于神经网络模型的基本思想，本发明在此不做具体的说明。
如图7所示，为本发明实施例提供的一种训练生成状态切换心肺功能评估模型的步骤流程图，具体包括以下步骤：
步骤S702，获取训练数据。
在本发明实施例中，所述训练数据包括多组心肺功能评估信息以及对应的真实心肺功能评估结果；所述心肺功能评估信息包括静止-运动状态切换时的呼出气体流量曲线以及心率变化曲线。
步骤S704，构建初始化的状态切换心肺功能评估模型。
在本发明实施例中，心肺功能评估模型是利用多个可变参数来拟合心肺功能评估信息以及心肺功能评估结果的关系，通过不断的训练，来不断更新该可变参数，从而找到心肺功能评估信息以及心肺功能评估结果之间的关系。
步骤S706，根据所述心肺功能评估模型对所述心肺功能评估信息进行处理，生成响应心肺功能评估结果。
步骤S708，确定所述响应心肺功能评估结果与所述真实心肺功能评估结果的损失值。
在本发明实施例中，可以理解，若心肺功能评估模型的可变参数与真实结果足够接近，则利用该心肺功能评估模型对心肺功能评估信息所处理得到的心肺功能评估结果也应当接近真实值，因此，可以通过真实值与响应值之间的差异来反馈出可变参数的误差有多大，即计算响应心肺功能评估结果与所述真实心肺功能评估结果的损失值。
步骤S710，判断是否满足预设的心肺功能评估模型优化完成条件。当判断不满足预设的心肺功能评估模型优化完成条件时，执行步骤S712；当判断满足预设的心肺功能评估模型优化完成条件时，执行步骤S714。
在本发明实施例中，其中预设的心肺功能评估模型优化完成条件可以是与损失值有关，也就是响应值与真实值之间的差异已经足够小，则可以认为心肺功能评估模型能够很好的拟合心肺功能评估信息与心肺功能评估结果之间的关系，此时认为心肺功能评估模型优化完全。当然也可以通过判断心肺功能评估模型的迭代优化次数，即当迭代优化若干次数后，自动结束心肺功能评估模型的优化过程。
步骤S712，根据所述损失值对所述状态切换心肺功能评估模型进行更新，并返回至所述步骤S706。
在本发明实施例中，在判断心肺功能评估模型未优化完全时，通常是基于梯度下降算法并根据损失值来对所述状态切换心肺功能评估模型进行更新，然后返回至步骤S706来重新利用更新后的状态切换心肺功能评估模型对心肺功能评估进行处理。
步骤S714，将当前心肺功能评估模型确定为状态切换心肺功能评估模型。
在本发明实施例中，在心肺功能评估模型训练完成后，由于训练数据为状态切换心肺功能评估信息以及状态切换心肺功能评估结果，因此心肺功能评估模型能够很好地拟合状态切换心肺功能评估信息与状态切换心肺功能评估结果之间的关系，在后续的使用过程中，直接利用该模型对状态切换心肺功能评估信息进行处理，就能够得到准确的状态切换心肺功能评估结果。
在本发明实施例中，基于同样的步骤，利用不同的训练数据，还可以实现训练生成静止状态心肺功能评估模型的过程以及训练生成运动状态心肺功能评估模型的过程。
如图8所示，为本发明实施例提供的一种动静态切换下的心肺功能评估装置的结构示意图，具体包括以下结构。
心肺功能评估信息获取单元810，用于在预设的周期内持续获取用户心肺功能评估信息。
在本发明实施例中，所述心肺功能评估信息包括呼出气体流量曲线以及心率变化曲线，其中呼出气体流量曲线通常是由肺功能采集盒采集的，而心率变化曲线是由运动心电仪采集的。此外，还可以包括其他心肺功能评估信息例如前述提到的吸气肺活量、氧浓度和二氧化碳浓度的变化曲线等等。
心肺功能评估信息状态辨识单元820，用于根据预设的状态辨识规则对所述心肺功能评估信息进行处理，生成静止-运动状态切换时的心肺功能评估信息。
在本发明实施例中，需要说明的一点是静止-运动状态切换时的心肺功能评估信息不仅仅包括从静止状态到运动状态的心肺功能评估信息，还可以包括从运动状态到静止状态的心肺功能评估信息，也就是从运动状态当中恢复过来的心肺功能评估信息。
在本发明实施例中，其中对心肺功能评估信息进行辨识可以是通过曲线随时间的关系来识别的，例如可以设定采集多少秒静止状态下的数据，然后开始进入运动状态，持续多少秒，然后恢复静止，此时就可以根据采集时间简单确定出静止-运动状态切换时的心肺功能评估信息。当然也可以通过对数据的分析来实现对心肺功能评估信息，例如，在静止状态下与在运动状态下的心肺功能评估信息具有一定的差异，通过对特征点进行辨识，确定属于静止状态下的临界点以及稳定运动状态下的临界点，则此时静止状态下的临界点与稳定运动状态下的临界点之间的即为静止-运动状态切换时的心肺功能评估信息。
心肺功能评估结果确定单元830，用于根据预设的状态切换心肺功能评估模型对所述静止-运动状态切换时的心肺功能评估信息进行处理，生成状态切换心肺功能评估结果。
在本发明实施例中，由于静止-运动状态切换时的心肺功能评估信息与静止状态下以及运动状态下的心肺功能评估信息包含的信息内容不相同，因此，需要针对于静止-运动状态切换时的心肺功能评估信息重新训练生成状态切换心肺功能评估模型，此后可以直接利用该状态切换心肺功能评估模型对心肺功能评估信息进行处理，从而直接得到心肺功能评估信息进行处理。
本发明实施例提供的一种动静态切换下的心肺功能评估装置，通过在预设的周期内持续获取用户心肺功能评估信息，包括呼出气体流量曲线以及心率变化曲线，然后利用预设的状态辨识规则来对心肺功能评估信息进行处理，得到静止-运动状态切换时的心肺功能评估信息，相对于单纯获取稳定静止状态或者稳定运动状态下的心肺功能评估信息，由于静止-运动状态切换时的心肺功能评估信息包含有更多的生理信息，因此，配合后续的状态切换心肺功能评估模型对静止-运动状态切换时的心肺功能评估信息进行处理，能够更加全面精确的确定出用户的心肺功能评估结果，预先基于深度神经网络算法训练生成的状态切换心肺功能评估模型进一步提高了心肺功能评估结果的准确率。
图9示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的心肺功能评估装置140。如图9所示，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现动静态切换下的心肺功能评估方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行动静态切换下的心肺功能评估方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的动静态切换下的心肺功能评估装置可以实现为一种计算机程序的形式，计算机程序可在如图8所示的计算机设备上运行。计算机设备的存储器中可存储组成该动静态切换下的心肺功能评估装置的各个程序模块，比如，图8所示的心肺功能评估信息获取单元810、心肺功能评估信息状态辨识单元820以及心肺功能评估结果确定单元830。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的动静态切换下的心肺功能评估方法中的步骤。
例如，图9所示的计算机设备可以通过如图8所示的动静态切换下的心肺功能评估装置中的心肺功能评估信息获取单元710执行步骤S202；计算机设备可通过心肺功能评估信息状态辨识单元执行步骤S204；计算机设备可通过心肺功能评估结果确定单元830执行步骤S206。
在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
在预设的周期内持续获取用户心肺功能评估信息；所述心肺功能评估信息包括呼出气体流量曲线以及心率变化曲线；
根据预设的状态辨识规则对所述心肺功能评估信息进行处理，生成静止-运动状态切换时的心肺功能评估信息；
根据预设的状态切换心肺功能评估模型对所述静止-运动状态切换时的心肺功能评估信息进行处理，生成状态切换心肺功能评估结果；所述状态切换心肺功能评估模型是预先基于深度神经网络算法训练生成的。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
在预设的周期内持续获取用户心肺功能评估信息；所述心肺功能评估信息包括呼出气体流量曲线以及心率变化曲线；
根据预设的状态辨识规则对所述心肺功能评估信息进行处理，生成静止-运动状态切换时的心肺功能评估信息；
根据预设的状态切换心肺功能评估模型对所述静止-运动状态切换时的心肺功能评估信息进行处理，生成状态切换心肺功能评估结果；所述状态切换心肺功能评估模型是预先基于深度神经网络算法训练生成的。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种动静态切换下的心肺功能评估方法，其特征在于，包括：
在预设的周期内持续获取用户心肺功能评估信息；所述心肺功能评估信息包括呼出气体流量曲线以及心率变化曲线；
根据预设的状态辨识模型对所述心肺功能评估信息进行处理，生成静止-运动状态切换时的心肺功能评估信息、静止状态下心肺功能评估信息以及运动状态下心肺功能评估信息；
根据预设的状态切换心肺功能评估模型对所述静止-运动状态切换时的心肺功能评估信息进行处理，生成状态切换心肺功能评估结果；所述状态切换心肺功能评估模型是预先基于深度神经网络算法训练生成的；
根据预设的静止状态心肺功能评估模型对所述静止状态下心肺功能评估信息进行处理，生成静止状态心肺功能评估结果；
根据预设的运动状态心肺功能评估模型对所述运动状态下心肺功能评估信息进行处理，生成运动状态心肺功能评估结果；
按照预设的权重确定规则分别确定所述状态切换心肺功能评估结果、所述静止状态心肺功能评估结果以及所述运动状态心肺功能评估结果的权重；
根据所述状态切换心肺功能评估结果及其权重、所述静止状态心肺功能评估结果及其权重以及所述运动状态心肺功能评估结果及其权重确定心肺功能评估结果。
2.根据权利要求1所述的心肺功能评估方法，其特征在于，在所述在预设的周期内持续获取用户心肺功能评估信息的步骤之后，还包括：
根据小波变换对所述呼出气体流量曲线以及心率变化曲线进行降噪处理，生成降噪处理后的心肺功能评估信息。
3.根据权利要求1所述的心肺功能评估方法，其特征在于，所述静止-运动状态切换时的心肺功能评估信息包括静止-运动状态切换时的呼出气体流量曲线以及心率变化曲线；所述根据预设的状态切换心肺功能评估模型对所述静止-运动状态切换时的心肺功能评估信息进行处理，生成状态切换心肺功能评估结果的步骤，具体包括：
根据预设的采样规则对所述静止-运动状态切换时的呼出气体流量曲线以及心率变化曲线进行采样，生成静止-运动状态切换时的心肺功能变化向量；
根据预设的状态切换心肺功能评估模型对所述心肺功能变化向量进行处理，生成状态切换心肺功能评估结果。
4.根据权利要求1所述的心肺功能评估方法，其特征在于，训练生成所述状态切换心肺功能评估模型的步骤，具体包括：
获取训练数据；所述训练数据包括多组心肺功能评估信息以及对应的真实心肺功能评估结果；所述心肺功能评估信息包括静止-运动状态切换时的呼出气体流量曲线以及心率变化曲线；
构建初始化的状态切换心肺功能评估模型；
根据所述心肺功能评估模型对所述心肺功能评估信息进行处理，生成响应心肺功能评估结果；
确定所述响应心肺功能评估结果与所述真实心肺功能评估结果的损失值；
判断是否满足预设的心肺功能评估模型优化完成条件；
当判断不满足预设的心肺功能评估模型优化完成条件时，根据所述损失值对所述状态切换心肺功能评估模型进行更新，并返回至所述根据所述心肺功能评估模型对所述心肺功能评估信息进行处理，生成响应心肺功能评估结果的步骤；
当判断满足预设的心肺功能评估模型优化完成条件时，将当前心肺功能评估模型确定为状态切换心肺功能评估模型。
5.一种动静态切换下的心肺功能评估方法装置，其特征在于，包括：
心肺功能评估信息获取单元，用于在预设的周期内持续获取用户心肺功能评估信息；所述心肺功能评估信息包括呼出气体流量曲线以及心率变化曲线；
心肺功能评估信息状态辨识单元，用于根据预设的状态辨识模型对所述心肺功能评估信息进行处理，生成静止-运动状态切换时的心肺功能评估信息、静止状态下心肺功能评估信息以及运动状态下心肺功能评估信息；
心肺功能评估结果确定单元，用于根据预设的状态切换心肺功能评估模型对所述静止-运动状态切换时的心肺功能评估信息进行处理，生成状态切换心肺功能评估结果；所述状态切换心肺功能评估模型是预先基于深度神经网络算法训练生成的；
所述心肺功能评估结果确定单元，还用于根据预设的静止状态心肺功能评估模型对所述静止状态下心肺功能评估信息进行处理，生成静止状态心肺功能评估结果；根据预设的运动状态心肺功能评估模型对所述运动状态下心肺功能评估信息进行处理，生成运动状态心肺功能评估结果；按照预设的权重确定规则分别确定所述状态切换心肺功能评估结果、所述静止状态心肺功能评估结果以及所述运动状态心肺功能评估结果的权重；根据所述状态切换心肺功能评估结果及其权重、所述静止状态心肺功能评估结果及其权重以及所述运动状态心肺功能评估结果及其权重确定心肺功能评估结果。
6.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至4中任一项权利要求所述动静态切换下的心肺功能评估方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至4中任一项权利要求所述动静态切换下的心肺功能评估方法的步骤。
8.一种心肺功能评估系统，其特征在于，包括运动心电图仪、肺功能采集盒、跑步机以及如权利要求5所述的动静态切换下的心肺功能评估装置；所述运动心电图仪、肺功能采集盒与所述心肺功能评估装置连接，并向所述心肺功能评估装置持续发送用户心肺功能评估信息。
CN202011065303.3A 2020-09-30 2020-09-30 动静态切换下的心肺功能评估方法、装置、设备、存储介质及系统 Active CN112043251B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011065303.3A CN112043251B (zh) 2020-09-30 2020-09-30 动静态切换下的心肺功能评估方法、装置、设备、存储介质及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011065303.3A CN112043251B (zh) 2020-09-30 2020-09-30 动静态切换下的心肺功能评估方法、装置、设备、存储介质及系统

Publications (2)

Publication Number Publication Date
CN112043251A CN112043251A (zh) 2020-12-08
CN112043251B true CN112043251B (zh) 2021-05-25

Family

ID=73605123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011065303.3A Active CN112043251B (zh) 2020-09-30 2020-09-30 动静态切换下的心肺功能评估方法、装置、设备、存储介质及系统

Country Status (1)

Country Link
CN (1) CN112043251B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115670419A (zh) * 2023-01-03 2023-02-03 深圳市微克科技有限公司 基于智能手表预测运动信息的数据处理方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101181156A (zh) * 2006-11-17 2008-05-21 松拓有限公司 用于监测运动的设备和方法
JP2009532072A (ja) * 2005-11-01 2009-09-10 アーリーセンス エルティディ 臨床発作患者の監視方法及びシステム
CN104736055A (zh) * 2012-05-30 2015-06-24 瑞思迈传感器技术有限公司 用于监控心肺健康的方法和设备
US9072437B2 (en) * 2008-02-26 2015-07-07 Beddit Oy Method, apparatus and computer program product for detecting heart rate
CN204618229U (zh) * 2015-04-30 2015-09-09 吴健康 测试心脏运动功能的设备和系统
CN105530858A (zh) * 2013-09-16 2016-04-27 皇家飞利浦有限公司 用于估计人员的心血管健康的系统和方法
CN106037738A (zh) * 2016-07-11 2016-10-26 中国人民解放军第三军医大学第三附属医院 可穿戴式体能训练评估系统及装置
CN106264499A (zh) * 2016-08-26 2017-01-04 中山大学 一种量化心肺系统交互作用的分析方法
CN106456017A (zh) * 2014-05-15 2017-02-22 加利福尼亚大学董事会 多传感器生理监测系统和方法
CN110236517A (zh) * 2019-04-02 2019-09-17 复旦大学 用于睡眠监测的心肺信号感知与采集系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE533365C2 (sv) * 2008-02-08 2010-09-07 Igeloesa Life Science Ab Förfarande och system för hjärtlungräddning
CN107997755A (zh) * 2017-12-12 2018-05-08 北京动亮健康科技有限公司 心肺测试方法及系统
CN209500401U (zh) * 2018-12-20 2019-10-18 首都医科大学附属北京安贞医院 体外循环膜肺血温测量转换装置
CN111199787A (zh) * 2020-02-03 2020-05-26 青岛市中心医院 一种心肺功能评估训练装置及其试验方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009532072A (ja) * 2005-11-01 2009-09-10 アーリーセンス エルティディ 臨床発作患者の監視方法及びシステム
CN101181156A (zh) * 2006-11-17 2008-05-21 松拓有限公司 用于监测运动的设备和方法
US9072437B2 (en) * 2008-02-26 2015-07-07 Beddit Oy Method, apparatus and computer program product for detecting heart rate
CN104736055A (zh) * 2012-05-30 2015-06-24 瑞思迈传感器技术有限公司 用于监控心肺健康的方法和设备
CN105530858A (zh) * 2013-09-16 2016-04-27 皇家飞利浦有限公司 用于估计人员的心血管健康的系统和方法
CN106456017A (zh) * 2014-05-15 2017-02-22 加利福尼亚大学董事会 多传感器生理监测系统和方法
CN204618229U (zh) * 2015-04-30 2015-09-09 吴健康 测试心脏运动功能的设备和系统
CN106037738A (zh) * 2016-07-11 2016-10-26 中国人民解放军第三军医大学第三附属医院 可穿戴式体能训练评估系统及装置
CN106264499A (zh) * 2016-08-26 2017-01-04 中山大学 一种量化心肺系统交互作用的分析方法
CN110236517A (zh) * 2019-04-02 2019-09-17 复旦大学 用于睡眠监测的心肺信号感知与采集系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
（完整版）心肺运动试验;正气清风;《百度文库》;20200415;全文 *

Also Published As

Publication number Publication date
CN112043251A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
CN110444263B (zh) 基于联邦学习的疾病数据处理方法、装置、设备及介质
US20230131876A1 (en) Systems and methods of identity analysis of electrocardiograms
CN108597601B (zh) 基于支持向量机的慢性阻塞性肺疾病诊断辅助系统及方法
CN109620205B (zh) 心电数据分类方法、装置、计算机设备和存储介质
US11317840B2 (en) Method for real time analyzing stress using deep neural network algorithm
CN110051324A (zh) 一种急性呼吸窘迫综合征死亡率预测方法及系统
CN114566282B (zh) 一种基于超声心动图检测报告的治疗决策系统
CN112043251B (zh) 动静态切换下的心肺功能评估方法、装置、设备、存储介质及系统
CN115363586A (zh) 一种基于脉搏波信号的心理压力等级评估系统及方法
US20220101527A1 (en) Visualization method for evaluating brain addiction traits, apparatus, and medium
CN111598966B (zh) 一种基于生成对抗网络的磁共振成像方法及装置
KR101330404B1 (ko) 맥파를 이용한 건강 상태 판단 장치 및 방법
CN114998816B (zh) 基于骨骼ai视频的病例改进方法、装置及存储介质
Masullo et al. CaloriNet: From silhouettes to calorie estimation in private environments
CN110164520A (zh) 时空大数据关联的慢病管理装置
CN115565639A (zh) 一种锻炼心率的预测方法、装置以及设备
US11436205B2 (en) Method and apparatus for predicting parameter values of data entries in data set
CN111466877A (zh) 一种基于lstm网络的氧减状态预测方法
CN117877748B (zh) 一种多参数心肺功能测试设备及其数据处理方法
CN109464147A (zh) 呼吸信号检测方法、装置及计算机可读存储介质
CN114869241B (zh) 睡眠呼吸事件预测方法、装置、设备及可读存储介质
CN116030937B (zh) 一种生成跑步运动处方的方法
Grzywalski et al. Interactive Lungs Auscultation with Reinforcement Learning Agent
KR102549558B1 (ko) 비접촉식 측정 데이터를 통한 감정 예측을 위한 인공지능 기반 감정인식 시스템 및 방법
US20220111255A1 (en) Method for building up energy metabolism system to monitoring exercise

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
CB02 Change of applicant information

Address after: 518000 Room 101, 201, 301, 401, 501, building B, junsida Science Park, clock base, mashantou community, Matian street, Guangming District, Shenzhen City, Guangdong Province

Applicant after: SHENZHEN ELITE MEDICAL TECHNOLOGY Co.,Ltd.

Address before: 6 / F, building D, Huawan Industrial Park, Bao'an Avenue, Bao'an District, Shenzhen City, Guangdong Province

Applicant before: SHENZHEN ELITE MEDICAL TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant