CN112132267B - 一种基于lstm神经网络的体温快速预测方法 - Google Patents
一种基于lstm神经网络的体温快速预测方法 Download PDFInfo
- Publication number
- CN112132267B CN112132267B CN202011013859.8A CN202011013859A CN112132267B CN 112132267 B CN112132267 B CN 112132267B CN 202011013859 A CN202011013859 A CN 202011013859A CN 112132267 B CN112132267 B CN 112132267B
- Authority
- CN
- China
- Prior art keywords
- temperature
- data set
- data
- standard deviation
- array
- 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.)
- Expired - Fee Related
Links
- 230000036760 body temperature Effects 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 18
- 238000003491 array Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 abstract description 2
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 5
- 229910052753 mercury Inorganic materials 0.000 description 5
- 210000000613 ear canal Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000004861 thermometry Methods 0.000 description 1
- 210000003454 tympanic membrane Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measuring Temperature Or Quantity Of Heat (AREA)
Abstract
一种基于LSTM神经网络的体温快速预测方法，从电子温度计中获取开始测量到达到稳定的温度数据集；对测量数据集A每列再分组，并为每个温度数组确定一个真实值数据集yi；提取每组温度数组t的梯度、均值及标准差特征，组成梯度数据集ΔT与均值标准差数据集F；将温度数据集T、梯度数据集ΔT以及均值标准差数据集F作为输入，构建基于LSTM神经网络的模型。本发明通过LSTM递归神经网络将温度原始数据与其他特征相结合，构建电子体温计的预测模型，能够连续且快速地测量体温。
Description
技术领域
本发明涉及一种电子体温计利用人工智能技术快速预测体温的方法，特别涉及基于长短时记忆LSTM神经网络的腋下体温快速测量方法。
背景技术
与传统水银温度计相比，电子测温仪器由于更方便卫生，变得越来越人们的青睐。电子测温仪器可以分为接触式和非接触式的测量。非接触式温度测量仪包括额温枪、耳温枪、电子体温计等。额温枪和耳温枪利用红外线所发出的光谱来决定体温，能快速方便测量体温；但是受多种条件影响，不能准确地反映人体真实温度。非接触式的电子测温仪还有一种耳温枪，即测量耳道中鼓膜的温度，由于人的耳道并不是笔直的，尤其是婴幼儿耳道直径较小，不适宜用耳温枪。接触式电子测温仪如电子体温计、柔性温度贴等，操作和使用方法与传统水银温度计类似，后者由于外形柔软，使用时贴在腋下，更为舒适且更适合婴幼儿群体使用，给连续温度监测带来可能。但是接触式温度测量受温度传感器的限制，测量体温需要的时间较长，根据传感器精度不同，有的需要10分钟左右才能检测到人体实际温度，而使用普通水银温度计在腋下测量需要达到较为精确的人体体温所需时间为5到6分钟左右。
发明内容
为了解决电子温度计升温慢，测量体温等待时间长的问题，提出了一种基于长短时记忆神经网络的腋下电子体温快速预测方法。本发明充分利用LSTM神经网络可以很好处理时间序列的特性，使电子温度计更精确，温度检测更快速。
为了实现上述目的，本发明采用以下技术方案：
一种基于LSTM神经网络的体温快速预测方法，包括以下步骤：
步骤1：从电子温度计中获取开始测量到达到稳定的温度数据集，并对数据集进行筛选：
步骤1.1：将收集的温度数据集按列排列，每一列为一次测量数据样本，将取得的各列数据组成数据集A；
步骤1.2：设温度的下限阈值TH1，人体测量的最高温度值为上限阈值TH2，在数据集中选择范围从下限阈值TH1到上限阈值TH2的温度作为快速预测的温度范围；
步骤2：对测量数据集A每列再分组，并为每个温度数组确定一个真实值数据集yi；
步骤2.1：取数据集A的一列，从第一行开始以长度W截取温度数据，并以步长S移动，重复截取长度为W的数据，直到包含所有数据点；将数据集A所有列数据采用相同的方法分组，所有分组数据打乱并按列排列，每列为W长度的温度数组t组成温度数据集T；
步骤2.2：在同一数据样本中，取当前温度数组v秒后的温度数据作为该组温度数组的真实值，组成训练真实值数据集Y，与温度数据集T使用相同的索引进行打乱；
步骤3：提取每组温度数组t的梯度、均值及标准差特征，组成梯度数据集ΔT与均值标准差数据集F；
步骤3.1：将每组长度为W的温度数组t取前向差分求梯度，得到特征数组Δt，对所有数组采取同样的计算，组成梯度数据集ΔT：
Δt[i]＝t[i+1]-t[i] (1)
其中，i为温度数组t的索引，i的取值范围为[1,W-1]；
步骤3.2：根据下式求出每组温度数据t的均值μ与标准差σ，将每个数组的[μ,σ]组合得到均值标准差数据集F：
其中W为温度数组的长度，ti表示温度数组t中的每个元素，下标i表示ti在温度数组t中的位置，取值范围为[1,W]；
步骤4：将温度数据集T、梯度数据集ΔT以及均值标准差数据集F作为输入，构建基于LSTM神经网络的模型，该模型包括：
对三个输入的批量标准化处理BN层，两个LSTM网络提取温度数据集T的特征，两个级联层将温度数据特征与梯度特征及均值标准差特征结合，5个全连接层，4个线性整流激活函数ReLu，及一个Sigmoid激活函数；
步骤4.1：对于输入的温度数据集T首先经过批量标准化BN层处理，再输入长短时记忆网络LSTM，使用ReLu作为激活函数输出；
步骤4.2：梯度数据集ΔT经过BN层处理与步骤4.1的输出级联，输入N个由全连接层Dense layer与ReLu激活函数组合的网络；
步骤4.3：均值标准差数据集F经过批量标准化处理BN层处理与步骤4.2的输出级联，输入全连接层Dense layer，输出预测温度Tp，最小化Tp与对应的真实值数据集Y之间的均方误差更新迭代网络；将电子体温计所测量的真实值按照步骤2的方式分组并传入模型，即可得出持续更新的预测温度数据。
LSTM是一种递归神经网络，它可以存储当前状态同时根据内部的三个门结构处理之前的状态，学习数据的长期特征。
本发明中，设有下限阈值TH1，当温度小于下限阈值TH1时，电子温度计能够快速灵敏反映温度变化。本发明针对现有接触式电子测温仪到达稳定温度时间过长，设计了一种基于LSTM的神经网络预测温度，将温度原始数据与其他特征相结合，构建电子体温计的预测模型，能够连续且快速地测量体温。
附图说明
图1为本发明方法的体温预测流程图。
图2为本发明基于LSTM神经网络的体温预测模型网络结构。
图3为升温曲线对比。
具体实施方式
以下结合附图，对本发明作进一步描述。
本发明方法所基于的LSTM网络是一种时间循环网络，常应用于时间序列的处理。本发明将原始温度数据经过LSTM网络处理后，与温度数据的梯度特征以及均值和标准差结合构建模型。如图所示本发明流程图，首先采集温度数据，经过数据筛选和分组，提取每组的梯度特征以及均值标准差等特征，将温度数据与特征结合构建模型，并在电子温度计内应用该模型，能快速精确预测腋下真实温度。
本实施例具体方法步骤如下：
步骤1：测试某款电子温度计从开始测量到达到稳定温度，即最终腋下体温所需要的时间TM。以TM为最大测量时间，使用电子温度计采集不同个体或同一个体不同时间的温度数据，并对数据进行筛选，去除温度小于下限阈值TH1的点；步骤1.1：将收集的温度数据样本按列排列，每一列为一次测量数据样本，包含开始测量到温度达到稳定状态时的数据，组成数据集A，如表1所示。
表1
| 32.71 | 27.85 | 29.6 | 27.85 | 29.28 | 25.52 | 20.23 | 22.12 | … |
| 33.01 | 28.53 | 30.51 | 28.49 | 29.82 | 27.61 | 21.82 | 22.89 | … |
| 33.24 | 29.14 | 31.27 | 29.32 | 30.25 | 29.07 | 24.23 | 25.21 | … |
| 33.42 | 29.67 | 31.86 | 30.03 | 30.61 | 30.08 | 26.5 | 27.38 | … |
| 33.58 | 30.1 | 32.35 | 30.59 | 30.92 | 30.86 | 28.18 | 29 | … |
| 32.71 | 27.85 | 29.6 | 27.85 | 29.28 | 25.52 | 20.23 | 22.12 | … |
| … | … | ... | ... | … | … | … | … | … |
本例中，TH1取值32，TH2取值40，TM根据电子体温计不同设置不同的时间，本例中设为10分钟。
步骤1.2：电子温度计的升温速度是先快后慢的过程，当温度小于TH1＝32或大于TH2＝40时，电子温度计能够快速灵敏反映温度变化，而在区间(TH1,TH2)电子温度计呈现缓慢上升的趋势，故在数据集中选择范围从TH1到TH2的温度作为快速预测的范围；
步骤2：对测量数据集A每列进行分组，每一列可以分为多个温度数组t，为每个温度数组t确定一个预测的真实值数据yi：
步骤2.1：取数据集A的一列，从第一行开始以W＝40为长度截取温度数据，并以S＝240为步长移动，再截取W长度温度数据，重复操作直到包含所有数据点，如取A中一列大小为296x1的样本数据，经过分组后得到大小为16x40的温度数组；将A中每列即所有样本数据采用相同的方法分组，并将所有温度数组按列排列，组成温度数据集T，如表2所示，T的每列为W长度的温度数据t，将T按列打乱温度数据的排列顺序；
表2
| 32.6 | 32.28 | 33.13 | 34.07 | 34.54 | 34.34 | 33.82 | 32.89 | … |
| 32.89 | 32.6 | 33.34 | 34.17 | 34.6 | 34.41 | 33.95 | 33.13 | … |
| 33.13 | 32.89 | 33.52 | 34.26 | 34.66 | 34.48 | 34.07 | 33.34 | … |
| 33.34 | 33.13 | 33.68 | 34.34 | 34.71 | 34.54 | 34.17 | 33.52 | … |
| 33.52 | 33.34 | 33.82 | 34.41 | 34.76 | 34.6 | 34.26 | 33.68 | … |
| 33.68 | 33.52 | 33.95 | 34.48 | 34.8 | 34.66 | 34.34 | 33.82 | … |
| … | … | ... | ... | … | … | … | … | … |
步骤2.2：在测量数据集A中，对于每列同一样本中，采取当前长度W的温度数组v秒后的温度数据作为预测的真实值yi，组成训练真实值数据集Y，与温度数据集T相同的索引进行打乱；
步骤3：对于温度数据集T，提取每组数据的特征，组成梯度数据集ΔT与均值标准差数据集F；
步骤3.1：将温度数据集T每列长度为W的温度数组t取前向差分求梯度，得到梯度数组Δt，对T所有列采取同样的计算，组成梯度数据集ΔT，如表3所示：
Δt[i]＝t[i+1]-t[i] (1)
其中，i为温度数组t的索引，i的取值范围为[1,W-1]。
表3
| 0.29 | 0.32 | 0.21 | 0.1 | 0.06 | 0.07 | 0.13 | 0.24 | … |
| 0.24 | 0.29 | 0.18 | 0.09 | 0.06 | 0.07 | 0.12 | 0.21 | … |
| 0.21 | 0.24 | 0.16 | 0.08 | 0.05 | 0.06 | 0.1 | 0.18 | … |
| 0.18 | 0.21 | 0.14 | 0.07 | 0.05 | 0.06 | 0.09 | 0.16 | … |
| 0.16 | 0.18 | 0.13 | 0.07 | 0.04 | 0.06 | 0.08 | 0.14 | … |
| 0.14 | 0.16 | 0.12 | 0.06 | 0.05 | 0.05 | 0.07 | 0.13 | … |
| … | … | ... | ... | … | … | … | … | … |
步骤3.2：根据下式求温度数据集T每行温度数据t的均值μ与标准差σ，将每个数组的[μ,σ]组合得到均值标准差数据集F，如表4所示：
其中W为温度数组的长度，ti表示温度数组t中的每个元素，下标i表示ti在温度数组t中的位置，取值范围为[1,W]。
表4
| 34.60 | 34.52 | 34.73 | 35.02 | 35.22 | 35.13 | 34.94 | 34.67 | … |
| 0.74 | 0.81 | 0.62 | 0.42 | 0.32 | 0.36 | 0.47 | 0.67 | … |
步骤4：将温度数据集T、梯度数据集ΔT以及均值标准差数据集F作为输入，构建基于LSTM神经网络的模型：包括了对三个输入的批量标准化处理BN层，两个LSTM网络提取温度数据集T的特征，两个级联层Concatenate将温度数据特征与梯度特征及均值标准差特征结合，5个全连接层Dense layer，4个ReLu激活函数，及一个Sigmoid激活函数，如图2为基于LSTM神经网络的体温预测模型网络结构；
步骤4.1：对于输入的温度数据集T首先经过批量标准化BN层处理，再输入长短时记忆网络LSTM，使用ReLu作为激活函数输出，最后再连接一个LSTM网络提取温度数据的特征；
步骤4.2：梯度数据集ΔT经过BN层处理与步骤4.1的输出经过级联层Concatenate，级联方式采取按照输出特征的最后一个维度扩展，级联输出的维度为两个输入最后一维之和，再输入N＝3个由不同层数全连接层Dense layer与ReLu激活函数组合的网络；
步骤4.3：均值标准差数据集F经过BN层处理与步骤4.2的输出级联，级联方式采取步骤4.2相同方式，再输入全连接层Dense layer，输出预测温度Tp，最小化Tp与对应的真实值数据集Y之间的均方误差更新迭代模型，样本训练次数在训练200次后，训练集及验证集上的损失均小于0.01；将电子体温计所测量的真实值按照步骤2的方式分组并传入模型，使用电子温度计实际升温曲线与加入本发明快速预测方法升温曲线如图3所示，可以看出本发明方法能持续更新的预测温度数据，且快速准确达到电子温度计的稳定值。
本发明通过温度预测算法，在保持电子测温仪结构、原理不变的条件下，将电子测温仪中温度传感器所测量到的真实数据输入到构建好的神经网络中，预测人体实际温度，达到快速、准确测量体温的目的。本发明所提温度预测算法可以应用在电子体温计中，提高测量速度，快速显示人体体温，也可以用于柔性温度贴中，联网使用，实时记录人体温度值，达到长期监测的目的。
Claims (1)
1.一种基于LSTM神经网络的体温快速预测方法，其特征在于包括以下步骤：
步骤1：从电子温度计中获取开始测量到达到稳定的温度数据集，并对数据集进行筛选：
步骤1.1：将收集的温度数据集按列排列，每一列为一次测量数据样本，将取得的各列数据组成数据集A；
步骤1.2：设温度的下限阈值TH1，人体测量的最高温度值为上限阈值TH2，在数据集中选择范围从下限阈值TH1到上限阈值TH2的温度作为快速预测的温度范围；
步骤2：对测量数据集A每列再分组，并为每个温度数组确定一个真实值数据集yi；
步骤2.1：取数据集A的一列，从第一行开始以长度W截取温度数据，并以步长S移动，重复截取长度为W的数据，直到包含所有数据点；将数据集A所有列数据采用相同的方法分组，所有分组数据打乱并按列排列，每列为W长度的温度数组t组成温度数据集T；
步骤2.2：在同一数据样本中，取当前温度数组v秒后的温度数据作为该组温度数组的真实值，组成训练真实值数据集Y，与温度数据集T使用相同的索引进行打乱；
步骤3：提取每组温度数组t的梯度、均值及标准差特征，组成梯度数据集ΔT与均值标准差数据集F；
步骤3.1：将每组长度为W的温度数组t取前向差分求梯度，得到特征数组Δt，对所有数组采取同样的计算，组成梯度数据集ΔT：
Δt[i]＝t[i+1]-t[i] (1)
其中，i为温度数组t的索引，i的取值范围为[1,W-1]；
步骤3.2：根据下式求出每组温度数据t的均值μ与标准差σ，将每个数组的[μ,σ]组合得到均值标准差数据集F：
其中W为温度数组的长度，ti表示温度数组t中的每个元素，下标i表示ti在温度数组t中的位置，取值范围为[1,W]；
步骤4：将温度数据集T、梯度数据集ΔT以及均值标准差数据集F作为输入，构建基于LSTM神经网络的模型，该模型包括：
对三个输入的批量标准化处理BN层，两个LSTM网络提取温度数据集T的特征，两个级联层将温度数据特征与梯度特征及均值标准差特征结合，5个全连接层，4个线性整流激活函数ReLu，及一个Sigmoid激活函数；
步骤4.1：对于输入的温度数据集T首先经过批量标准化BN层处理，再输入长短时记忆网络LSTM，使用ReLu作为激活函数输出；
步骤4.2：梯度数据集ΔT经过BN层处理与步骤4.1的输出级联，输入N个由全连接层Denselayer与ReLu激活函数组合的网络；
步骤4.3：均值标准差数据集F经过批量标准化处理BN层处理与步骤4.2的输出级联，输入全连接层Dense layer，输出预测温度Tp，最小化Tp与对应的真实值数据集Y之间的均方误差更新迭代网络；将电子体温计所测量的真实值按照步骤2的方式分组并传入模型，即可得出持续更新的预测温度数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011013859.8A CN112132267B (zh) | 2020-09-24 | 2020-09-24 | 一种基于lstm神经网络的体温快速预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011013859.8A CN112132267B (zh) | 2020-09-24 | 2020-09-24 | 一种基于lstm神经网络的体温快速预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112132267A CN112132267A (zh) | 2020-12-25 |
| CN112132267B true CN112132267B (zh) | 2022-04-01 |
Family
ID=73839184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011013859.8A Expired - Fee Related CN112132267B (zh) | 2020-09-24 | 2020-09-24 | 一种基于lstm神经网络的体温快速预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112132267B (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190038148A1 (en) * | 2013-12-12 | 2019-02-07 | Alivecor, Inc. | Health with a mobile device |
| CN109758160B (zh) * | 2019-01-11 | 2021-07-20 | 南京邮电大学 | 一种基于lstm-rnn模型的无创血糖预测方法 |
| CN110210174A (zh) * | 2019-06-21 | 2019-09-06 | 西南交通大学 | 一种基于多层lstm的动车组轴箱轴承温度预测方法 |
| CN110648030A (zh) * | 2019-10-31 | 2020-01-03 | 吉林大学 | 海水温度的预测方法及装置 |
| CN111237134B (zh) * | 2020-01-14 | 2022-04-01 | 上海电力大学 | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 |
| CN111351664B (zh) * | 2020-02-13 | 2022-02-01 | 成都运达科技股份有限公司 | 一种基于lstm模型的轴承温度预测和报警诊断方法 |
-
2020
- 2020-09-24 CN CN202011013859.8A patent/CN112132267B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN112132267A (zh) | 2020-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109755683B (zh) | 一种基于压缩感知理论的电池包内部温度实时监测方法 | |
| CN104361414B (zh) | 一种基于相关向量机的输电线路覆冰预测方法 | |
| CN103916896B (zh) | 基于多维Epanechnikov核密度估计的异常检测方法 | |
| CN108414682A (zh) | 一种基于无线传感器网络的空气质量监测数据快速校准方法 | |
| EP0456412B1 (en) | Temperature measuring method using infrared sensors and processor | |
| CN112651119B (zh) | 一种空间谐波减速器多性能参数加速退化试验评估方法 | |
| CN113268935B (zh) | 一种基于阵列式柔性触觉传感器的解耦分析方法 | |
| CN109738079B (zh) | 一种多探头表面温度精准预测方法 | |
| CN109613976B (zh) | 一种智能柔性压力传感手语识别装置 | |
| CN111795744A (zh) | 基于双目摄像头测距的红外测温补偿方法 | |
| CN104156768B (zh) | 一种模糊c均值聚类小数据量识别混沌的方法 | |
| CN112132267B (zh) | 一种基于lstm神经网络的体温快速预测方法 | |
| CN115730509A (zh) | 基于机器学习的航天器舱内温度场重建任务研究基准方法 | |
| Ring | History of thermology and thermography: pioneers and progress | |
| CN111307481B (zh) | 一种基于非线性人工神经网络的动态热壁热流逆估计方法 | |
| CN111859810B (zh) | 基于加权字典学习的温度场重构方法、装置、设备及介质 | |
| Vieland | Where’s the Evidence? | |
| Xie et al. | A deep learning-based fusion method of infrared thermography and visible image for pig body temperature detection | |
| CN113782131A (zh) | 用于临床护理的体温测量数据收集系统、设备、介质、终端 | |
| Hongyan | A simple multi-sensor data fusion algorithm based on principal component analysis | |
| KR101557259B1 (ko) | 슬라이딩벡터 기반의 등간격 선형 어레이 도래각의 향상된 추정 방법 및 그 장치 | |
| CN114385965A (zh) | 适用于智能终端的温度快速预测方法、装置与设备 | |
| Oyeka et al. | Use of ordinal dummy variables in regression models | |
| Campos et al. | Comparison between thermal recovery in women with Raynaud’s Phenomenon and not diagnosed women using thermography | |
| CN112529299A (zh) | 基于arima和lstm混合神经网络的短交通流预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220401 |