CN112155520A - 基于体温数据的监测装置及方法、电子设备、存储介质 - Google Patents
基于体温数据的监测装置及方法、电子设备、存储介质 Download PDFInfo
- Publication number
- CN112155520A CN112155520A CN202010724515.1A CN202010724515A CN112155520A CN 112155520 A CN112155520 A CN 112155520A CN 202010724515 A CN202010724515 A CN 202010724515A CN 112155520 A CN112155520 A CN 112155520A
- Authority
- CN
- China
- Prior art keywords
- body temperature
- input object
- dimensional body
- module
- dimensional
- 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
- 230000036760 body temperature Effects 0.000 title claims abstract description 211
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012806 monitoring device Methods 0.000 title claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 55
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 206010037660 Pyrexia Diseases 0.000 claims abstract description 28
- 208000024891 symptom Diseases 0.000 claims abstract description 24
- 238000002790 cross-validation Methods 0.000 claims abstract description 13
- 238000013145 classification model Methods 0.000 claims description 26
- 238000012544 monitoring process Methods 0.000 claims description 23
- 238000007635 classification algorithm Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000002955 isolation Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 7
- 239000006185 dispersion Substances 0.000 claims description 5
- 206010020843 Hyperthermia Diseases 0.000 claims 1
- 230000036031 hyperthermia Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 5
- 238000012216 screening Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 229910003460 diamond Inorganic materials 0.000 description 2
- 239000010432 diamond Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010035664 Pneumonia Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明实施例提供一种基于体温数据的监测装置及方法、电子设备、存储介质,包括:高维体温特征提取模块,用于对输入对象的体温数据进行高维特征提取,得到输入对象的高维体温特征;异常点检测模块,用于计算出输入对象属于体温异常人群的概率P1;分类模块,用于计算出输入对象分别为疫情患者人群、健康人群及其他发热症状人群的概率P5;特征模式匹配模块,用于计算出输入对象与疫情案例库中高维体温特征最接近的案例的特征匹配概率P6;判断模块,分别连接所述异常点检测模块、分类模块、特征模式匹配模块,用于对所述P1、P5、P6进行交叉验证。通过本案得到的判断结果更具准确性与参考价值。
Description
技术领域
本发明涉及数据监测装置技术领域,尤其涉及一种基于体温数据的监测装置及方法、电子设备、存储介质。
背景技术
近期以来,病毒等疫情席卷全球,为全世界人民带来了巨大灾难。体温特征作为肺炎等疫情的重要指标,在初步筛选疫情患者中发挥了重要作用。
目前,通过体温特征来筛选疫情主要有两种模式:
一种是在指定场所设立体温监测点,对来往人员进行体温测量,若瞬时温度超过指定阈值,则对该人员采取进一步观察措施。
另一种是通过佩戴智能体温计,实现对体温的实时测量,当瞬时温度超过指定阈值时,则对该人员采取进一步观察措施。
上述这两种主流方式,虽然在体温获取途径、体温采集频率上有较大区别,但本质上都是通过瞬时体温数据来进行体温异常判断,其结论也是简单的二元化,即体温异常或者正常,而无法识别出是疫情导致的发热还是其他原因导致的发热,从而导致实际工作中出现了大量其他原因发热被误报为疫情发热的情况,给当事人造成了巨大的紧张感及压力,也消耗了大量的人力物力及医疗资源。
实际上,智能体温计已经可以实现对体温的连续测量,仅仅通过瞬时体温进行判断大大浪费了历史体温数据的价值,也无法提供具有参考价值的健康状况监测的装置。
发明内容
本发明实施例提供一种基于体温数据的监测装置及方法、电子设备、存储介质,用以解决现有技术中仅仅通过瞬时体温进行判断大大浪费了历史体温数据价值的缺陷,实现更具准确性、科学性、具有参考价值的监测。
本发明实施例提供一种基于体温数据的监测装置,包括:
高维体温特征提取模块,用于对输入对象的体温数据进行高维特征提取,得到输入对象的高维体温特征;
异常点检测模块,连接所述高维体温特征提取模块,用于将所述输入对象的高维体温特征输入到异常点检测模型,计算出输入对象属于体温异常人群的概率P1;
分类模块,连接所述高维体温特征提取模块,用于将所述输入对象的高维体温特征输入到分类模型,计算出输入对象分别为疫情患者人群、健康人群及其他发热症状人群的概率P5;
特征模式匹配模块,连接所述高维体温特征提取模块,用于将所述输入对象的高维体温特征输入到特征模式匹配模型,所述特征模式匹配模型具有疫情案例库,计算出输入对象与疫情案例库中高维体温特征最接近的案例的特征匹配概率P6;
判断模块,分别连接所述异常点检测模块、分类模块、特征模式匹配模块,用于对所述P1、P5、P6进行交叉验证。
根据本发明一个实施例的基于体温数据的监测装置,所述输入对象的体温数据为预设时间段内连续的体温数据。
根据本发明一个实施例的基于体温数据的监测装置,所述高维体温特征为基于所述输入对象的体温数据提取的用以表征体温在预设时间段内扰动、离散、分布的统计量。
根据本发明一个实施例的基于体温数据的监测装置,所述高维体温特征包括体温均值、最大值、最小值、方差、众数、高温持续时间占比、熵值、偏度、峰度中的至少两种。
根据本发明一个实施例的基于体温数据的监测装置,所述异常点检测模型采用多组人群的高维体温特征通过Numeric Outlier、Z-score、 DBSCAN、Isolation Forest算法进行模型训练得到;
根据本发明一个实施例的基于体温数据的监测装置,所述分类模型采用多组人群通过决策树分类算法、深度学习分类算法、K-means 分类算法等进行模型训练得到。
本发明实施例提供一种基于体温数据的监测方法,包括:
S1:对输入对象的体温数据进行高维特征提取,得到输入对象的高维体温特征;
S21:将所述输入对象的高维体温特征输入到异常点检测模型,计算出输入对象属于体温异常人群的概率P1;
S22:将所述输入对象的高维体温特征输入到分类模型,计算出输入对象分别为疫情患者人群、健康人群及其他发热症状人群的概率 P5;
S23:将所述输入对象的高维体温特征输入到特征模式匹配模型,所述特征模式匹配模型具有疫情案例库,计算出输入对象与疫情案例库中高维体温特征最接近的案例的特征匹配概率P6;
S3:对所述P1、P5、P6进行交叉验证。
根据本发明一个实施例基于体温数据的监测方法,所述异常点检测模型采用多组人群的高维体温特征通过Numeric Outlier、Z-score、DBSCAN、Isolation Forest算法进行模型训练得到;和/或,所述分类模型采用多组人群通过决策树分类算法、深度学习分类算法、K-means 分类算法等进行模型训练得到。
本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述基于体温数据的监测方法的步骤。
本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述基于体温数据的监测方法的步骤。
本发明实施例提供的基于体温数据的监测装置及方法、电子设备、存储介质,通过高维体温特征提取模块提取并分析输入对象的高维体温特征,相比现有技术中采用单一时刻瞬时体温数据的方式而言,高维体温特征能够展现出一段时间内体温的特征;并通过异常点检测模型、分类模型、特征模式匹配模型来判别输入对象身体健康状况,与单一依靠瞬时体温超标判断相比,结果更具有科学性与说服力,且通过本案的监测装置对三类结果之间进行交叉验证,综合分析出某对象为健康人群、疫情人群、其他发热症状人群的可能性,从而筛选出输入对象为疫情人群的概率,并对该可能性进一步划分为极大、较大、进一步分析三个不同标准,使得判断结果也更具准确性与参考价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于体温数据的监测装置的结构示意图;
图2是本发明实施例提供的高维特征提取示意图;
图3是本发明实施例提供的异常点检测模型的示意图;
图4是本发明实施例提供的分类模型的示意图;
图5是本发明实施例提供的特征模式匹配模型的示意图;
图6是本发明实施例提供的某佩戴者温度曲线;
图7是本发明实施例提供的某佩戴者高维体温数据图;
图8是本发明实施例提供的异常点检测模型处理流程图;
图9是本发明实施例提供的分类模型处理流程图;
图10是本发明实施例提供的特征模式匹配模型流程图;
图11是本发明实施例提供的基于体温数据的监测方法的流程图;
图12是本发明实施例提供的一种电子设备的结构示意图。
附图标记:
10:高维体温特征提取模块;21:异常点检测模块;22:分类模块;23:特征模式匹配模块;30:判断模块;810:处理器;820:通信接口;830:存储器;840:通信总线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面对本发明实施例提供的基于体温数据的监测装置进行描述,结合图1描述本发明实施例的一种基于体温数据的监测装置,包括:
高维体温特征提取模块10,用于对输入对象的体温数据进行高维特征提取,得到输入对象的高维体温特征;
异常点检测模块21,连接所述高维体温特征提取模块10,用于将所述输入对象的高维体温特征输入到异常点检测模型,计算出输入对象属于体温异常人群的概率P1;
分类模块22,连接所述高维体温特征提取模块10,用于将所述输入对象的高维体温特征输入到分类模型,计算出输入对象分别为疫情患者人群、健康人群及其他发热症状人群的概率P5;
特征模式匹配模块23,连接所述高维体温特征提取模块10,用于将所述输入对象的高维体温特征输入到特征模式匹配模型,所述特征模式匹配模型具有疫情案例库,计算出输入对象与疫情案例库中高维体温特征最接近的案例的特征匹配概率P6;
判断模块30,分别连接所述异常点检测模块21、分类模块22、特征模式匹配模块23,用于对所述P1、P5、P6进行交叉验证。
以上的高维体温特征提取模块10为前端数据采集装置,异常点检测模块21,分类模块22,特征模式匹配模块23,判断模块30均是属于后台数据分析系统,本案实施例通过前端数据采集装置结合后台数据分析系统,并根据P1、P5、P6进行交叉验证结果,筛选出输入对象属于疫情引起的体温异常人群的概率或者可能性。
本案实施例通过高维体温特征提取模块10对输入对象的体温数据进行高维特征提取,得到输入对象的高维体温特征,并通过输入对象的高维体温特征,基异常点检测模块21,分类模块22,特征模式匹配模块23,得到输入对象属于体温异常人群的概率P1、输入对象分别为疫情患者人群、健康人群及其他发热症状人群的概率P5、输入对象与疫情案例库中高维体温特征最接近的案例的特征匹配概率P6,通过判断模块3对异常点检测模型、分类模型及特征模式匹配模型对输入对象的高维体温特征进行交叉验证分析,判断出输入对象身体分别为正常人群、疫情人群或是其他发热症状人群的可能性。上述的疫情患者人群可以包含疫情患者人群等各种疫情患者人群,各种疫情患者人群引起的体温异常的情况都有各自的特点,因而本系统可以根据各种疫情患者人群的高维体温特征大数据进行更为精准的判断,初步判定输入对象身体分别为正常人群、疫情人群或是其他发热症状人群的可能性,为进一步的医学检查提供有效技术支持。
本发明实施例提供的基于体温数据的监测装置通过提取并分析输入对象的高维体温特征,相比现有技术中采用单一时刻瞬时体温数据的方式而言,高维体温特征能够展现出一段时间内体温的特征;并通过异常点检测模型、分类模型、特征模式匹配模型来判别输入对象身体健康状况,与单一依靠瞬时体温超标判断相比,结果更具有科学性与说服力,且对三类结果之间进行交叉验证,综合分析出某对象为健康人群、疫情人群、其他发热症状人群的可能性,并对该可能性进一步划分为极大、较大、进一步分析三个不同标准,使得判断结果也更具准确性与参考价值。需要说明的是,本案仅仅起到了筛选、得出具体参考意义的数据的作用,而不能直接判断出该输入对象属于健康人群、疫情人群、其他发热症状人群中的某一种的结果,如果需要确定,则需要进行进一步的检验。
所述输入对象的体温数据为预设时间段内连续的体温数据,也就是一维体温数据,连续的体温数据是指在一个预设时间段内,例如3h、 6h、或者12h,由温度测量装置获取的再该预设时间段内的若干个体温数据,该连续的体温数据作为数据源,需要进行提取的用以表征体温在预设时间段内扰动、离散、分布的统计量,即为高维体温特征。
所述高维体温特征为基于所述输入对象的体温数据提取的用以表征体温在预设时间段内扰动、离散、分布的统计量,所述高维体温特征包括体温均值、最大值、最小值、方差、众数、高温持续时间占比、熵值、偏度、峰度中的至少两种,这些高维体温特征均是后续步骤中判断健康状况的有效输入值。
所述异常点检测模型采用多组人群的高维体温特征通过Numeric Outlier、Z-score、DBSCAN、Isolation Forest算法进行模型训练得到;和/或,所述分类模型采用多组人群通过决策树分类算法、深度学习分类算法、K-means分类算法等进行模型训练得到。异常点检测模型、分类模型均是采用多组人群通过不同的算法进行模型训练得到,多组人群的选择上可以选取健康人群、疫情人群、其他发热症状人群这三种人群,经过大量的学习训练,最终得到的异常点检测模型、分类模型可以更为精准的根据高维体温特征计算出输入对象属于体温异常人群的概率P1;以及输入对象分别为疫情患者人群、健康人群及其他发热症状人群的概率P5。
以下是对基于体温数据的监测装置的应用,具体的,如附图2所示,对佩戴者智能体温计上传的一维连续体温数据进行高维特征提取,其中,T代表时刻,S代表某时刻对应的体温,C代表提取出的高维体温特征,L为其对应的数据值。一维体温数据是指一段时间内连续的一些体温值;高维体温数据指基于一维数据提取的用以表征体温一段时间内扰动、离散、分布等的统计量。本实施例中的高维体温特征包含体温均值、最大值、最小值、方差、众数、高温持续时间占比、熵值、偏度、峰度9个特征中的至少两个。异常点检测模型可采用高维体温特征中的所有或部分特征通过Numeric Outlier、Z-score、 DBSCAN、IsolationForest等算法进行模型训练,输出为体温异常与否。如附图3所示,P1=1代表该对象为体温异常者,P1=0代表该对象为身体健康者。
分类模型可判断输入对象为疫情人群、健康人群及其他发热症状人群的概率。分类模型可采用高维体温特征中的所有或部分特征通过决策树分类算法、深度学习分类算法、K-means分类算法等来进行模型训练。模型输出为佩戴对象为疫情人群、健康人群及其他发热症状人群的概率。如附图4所示:P5=1代表该对象为身体健康者,P5=2 代表该对象为疫情,P5=3代表该对象为其他发热症状者。
特征模式匹配模型可以找到案例库中与输入对象高维体温特征最为接近的案例样本,并判断该案例与输入对象高维体温特征的匹配概率。特征模式匹配可采用高维体温特征中的所有或部分特征通过特征向量匹配、层次化K-d树特征匹配方式等进行匹配,如附图5所示。
异常点检测模型输出为P1,分类模型输出为P5,特征模式匹配模型输出值为P6。通过对P1,P5,P6交叉验证,可判断输入对象健康状况,如附表1所示。
附表1交叉验证结论表
上表中,M表示佩戴对象与疫情案例库中最接近案例的高维特征匹配概率的临界值,若P6大于该值,则表明案例库中存在接近案例,即该对象可能患有疫情。
上述基于体温数据的监测的应用如下案例:某佩戴者温度曲线如附图6;高维特征提取后结果如附图7;本案例中提取6个高维特征中,即体温均值、最大值、最小值、方差、众数、高温持续时间占比,分别对应附图8中的C1-C6,其值用菱形点表示。本案例中采用Isolation Forest算法训练异常点检测模型,曲线表示模型训练出的 C1-C6的决策边界,即若数据点处于圈外,则代表该项数据异常,如附图8所示。附图9中显示C2、C3两项异常,则异常点检测模型输出P1=1。
本案例中采用深度学习分类方法进行分类,处理流程如附图9所示;附图10中输出结果P5=3,即该输入对象为其他发热症状者。本案例中采用层次化K-d树特征匹配方式进行匹配,流程如附图10所示。附图11中,正方形的点代表与该对象高维体温数据最接近的疫情的C1-C6特征对应的数值,菱形的点表示该输入对象的C1-C6特征对应的数值,两者的匹配度P6=0.4,小于临界值M,其中,临界值 M根据经验值设置为0.4-0.8之间的某些数值,临界值M具体可以根据实际监测情形选择,当在中高风险的疫区或者对于亲密接触者进行监测、需要严格监测时,临界值M可以选取0.4-0.5,当作为低风险或者无风险地区或者作为日常监测时,临界值M可以选取0.7-0.8,在本案例中是作为日常监测,因此选取的临界值M为0.8。
综合该案例中P1=1,P5=3,P6=0.4<M,可判断该对象为结论3对应情况,三个结果中有两个表明该对象体温异常,并有一个结果表明是其他发热引起的异常,该对象患其他发热症状可能性较大。通过对该佩戴者回访,结论是其他发热引起的异常,判断结果正确。
如图11所示,本案实施例还提供了一种基于体温数据的监测方法,包括:
S1:对输入对象的体温数据进行高维特征提取,得到输入对象的高维体温特征;
S21:将所述输入对象的高维体温特征输入到异常点检测模型,计算出输入对象属于体温异常人群的概率P1;
S22:将所述输入对象的高维体温特征输入到分类模型,计算出输入对象分别为疫情患者人群、健康人群及其他发热症状人群的概率 P5;
S23:将所述输入对象的高维体温特征输入到特征模式匹配模型,所述特征模式匹配模型具有疫情案例库,计算出输入对象与疫情案例库中高维体温特征最接近的案例的特征匹配概率P6;
S3:对所述P1、P5、P6进行交叉验证。所述异常点检测模型采用多组人群的高维体温特征通过Numeric Outlier、Z-score、DBSCAN、 Isolation Forest算法进行模型训练得到;和/或,所述分类模型采用多组人群通过决策树分类算法、深度学习分类算法、K-means分类算法等进行模型训练得到。由于本案实施例的基于体温数据的监测方法与上文描述的基于体温数据的监测装置是——对应的,其工作原理与基于体温数据的监测装置是一致的,此处不再——赘述。
图12示例了一种电子设备的实体结构示意图,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口 820,存储器830通过通信总线840完成相互间的通信。处理器810 可以调用存储器830中的逻辑指令,以执行基于体温数据的监测方法。该方法包括:
S1:对输入对象的体温数据进行高维特征提取,得到输入对象的高维体温特征;
S21:将所述输入对象的高维体温特征输入到异常点检测模型,计算出输入对象属于体温异常人群的概率P1;
S22:将所述输入对象的高维体温特征输入到分类模型,计算出输入对象分别为疫情患者人群、健康人群及其他发热症状人群的概率 P5;
S23:将所述输入对象的高维体温特征输入到特征模式匹配模型,所述特征模式匹配模型具有疫情案例库,计算出输入对象与疫情案例库中高维体温特征最接近的案例的特征匹配概率P6;
S3:对所述P1、P5、P6进行交叉验证。S3中,通过异常点检测模型、分类模型及特征模式匹配模型对输入对象的高维体温特征进行交叉验证分析,判断出输入对象身体为正常人群、疫情人群或是其他发热症状人群的可能性。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read- Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的基于体温数据的监测方法,该方法包括:
S1:对输入对象的体温数据进行高维特征提取,得到输入对象的高维体温特征;
S21:将所述输入对象的高维体温特征输入到异常点检测模型,计算出输入对象属于体温异常人群的概率P1;
S22:将所述输入对象的高维体温特征输入到分类模型,计算出输入对象分别为疫情患者人群、健康人群及其他发热症状人群的概率 P5;
S23:将所述输入对象的高维体温特征输入到特征模式匹配模型,所述特征模式匹配模型具有疫情案例库,计算出输入对象与疫情案例库中高维体温特征最接近的案例的特征匹配概率P6;
S3:对所述P1、P5、P6进行交叉验证。
又一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的基于体温数据的监测方法,该方法包括:
S1:对输入对象的体温数据进行高维特征提取,得到输入对象的高维体温特征;
S21:将所述输入对象的高维体温特征输入到异常点检测模型,计算出输入对象属于体温异常人群的概率P1;
S22:将所述输入对象的高维体温特征输入到分类模型,计算出输入对象分别为疫情患者人群、健康人群及其他发热症状人群的概率 P5;
S23:将所述输入对象的高维体温特征输入到特征模式匹配模型,所述特征模式匹配模型具有疫情案例库,计算出输入对象与疫情案例库中高维体温特征最接近的案例的特征匹配概率P6;
S3:对所述P1、P5、P6进行交叉验证
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于体温数据的监测装置,其特征在于,包括:
高维体温特征提取模块,用于对输入对象的体温数据进行高维特征提取,得到输入对象的高维体温特征;
异常点检测模块,连接所述高维体温特征提取模块,用于将所述输入对象的高维体温特征输入到异常点检测模型,计算出输入对象属于体温异常人群的概率P1;
分类模块,连接所述高维体温特征提取模块,用于将所述输入对象的高维体温特征输入到分类模型,计算出输入对象分别为疫情患者人群、健康人群及其他发热症状人群的概率P5;
特征模式匹配模块,连接所述高维体温特征提取模块,用于将所述输入对象的高维体温特征输入到特征模式匹配模型,所述特征模式匹配模型具有疫情案例库,计算出输入对象与疫情案例库中高维体温特征最接近的案例的特征匹配概率P6;
判断模块,分别连接所述异常点检测模块、分类模块、特征模式匹配模块,用于对所述P1、P5、P6进行交叉验证。
2.根据权利要求1所述的基于体温数据的监测装置,其特征在于,所述输入对象的体温数据为预设时间段内连续的体温数据。
3.根据权利要求2所述的基于体温数据的监测装置,其特征在于,所述高维体温特征为基于所述输入对象的体温数据提取的用以表征体温在预设时间段内扰动、离散、分布的统计量。
4.根据权利要求3所述的基于体温数据的监测装置,其特征在于,所述高维体温特征包括体温均值、最大值、最小值、方差、众数、高温持续时间占比、熵值、偏度、峰度中的至少两种。
5.根据权利要求3所述的基于体温数据的监测装置,其特征在于,所述异常点检测模型采用多组人群的高维体温特征通过Numeric Outlier、Z-score、DBSCAN、Isolation Forest算法进行模型训练得到;
6.根据权利要求3所述的基于体温数据的监测装置,其特征在于,所述分类模型采用多组人群通过决策树分类算法、深度学习分类算法、K-means分类算法等进行模型训练得到。
7.一种基于体温数据的监测方法,其特征在于,包括:
S1:对输入对象的体温数据进行高维特征提取,得到输入对象的高维体温特征;
S21:将所述输入对象的高维体温特征输入到异常点检测模型,计算出输入对象属于体温异常人群的概率P1;
S22:将所述输入对象的高维体温特征输入到分类模型,计算出输入对象分别为疫情患者人群、健康人群及其他发热症状人群的概率P5;
S23:将所述输入对象的高维体温特征输入到特征模式匹配模型,所述特征模式匹配模型具有疫情案例库,计算出输入对象与疫情案例库中高维体温特征最接近的案例的特征匹配概率P6;
S3:对所述P1、P5、P6进行交叉验证。
8.根据权利要求7所述的基于体温数据的监测方法,其特征在于,所述异常点检测模型采用多组人群的高维体温特征通过Numeric Outlier、Z-score、DBSCAN、Isolation Forest算法进行模型训练得到;和/或,所述分类模型采用多组人群通过决策树分类算法、深度学习分类算法、K-means分类算法等进行模型训练得到。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求7至8任一项所述基于体温数据的监测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求7至8任一项所述基于体温数据的监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010724515.1A CN112155520A (zh) | 2020-07-24 | 2020-07-24 | 基于体温数据的监测装置及方法、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010724515.1A CN112155520A (zh) | 2020-07-24 | 2020-07-24 | 基于体温数据的监测装置及方法、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112155520A true CN112155520A (zh) | 2021-01-01 |
Family
ID=73859855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010724515.1A Pending CN112155520A (zh) | 2020-07-24 | 2020-07-24 | 基于体温数据的监测装置及方法、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112155520A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470818A (zh) * | 2021-07-08 | 2021-10-01 | 建信金融科技有限责任公司 | 疾病预测方法、装置、系统、电子设备及计算机可读介质 |
CN113854973A (zh) * | 2021-09-28 | 2021-12-31 | 广东小天才科技有限公司 | 一种体温测量方法、装置、可穿戴设备及存储介质 |
-
2020
- 2020-07-24 CN CN202010724515.1A patent/CN112155520A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470818A (zh) * | 2021-07-08 | 2021-10-01 | 建信金融科技有限责任公司 | 疾病预测方法、装置、系统、电子设备及计算机可读介质 |
CN113854973A (zh) * | 2021-09-28 | 2021-12-31 | 广东小天才科技有限公司 | 一种体温测量方法、装置、可穿戴设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106580282A (zh) | 一种人体健康监测装置、系统及方法 | |
Shoily et al. | Detection of stroke disease using machine learning algorithms | |
US10332638B2 (en) | Methods and systems for pre-symptomatic detection of exposure to an agent | |
CN112155520A (zh) | 基于体温数据的监测装置及方法、电子设备、存储介质 | |
EP4160342A1 (en) | Abnormal modulation cause identification device, abnormal modulation cause identification method, and abnormal modulation cause identification program | |
CN117438024B (zh) | 急诊病人体征数据的智能采集分析系统及方法 | |
CN102106730A (zh) | 基于分形特征的脑电信号处理及警觉度检测方法 | |
CN111243753A (zh) | 一种面向医疗数据的多因素相关性交互式分析方法 | |
CN114240874A (zh) | 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质 | |
CN115698881A (zh) | 异常调制原因确定装置、异常调制原因确定方法以及异常调制原因确定程序 | |
CN117598700B (zh) | 智能化血氧饱和度检测系统及方法 | |
CN117476214A (zh) | 一种基于医院信息的数据治理方法和系统 | |
EP2347362A1 (en) | Improvements in or relating to multi-parameter monitoring | |
CN115336977B (zh) | 一种精准icu警报分级评估方法 | |
CN114783552A (zh) | 操作人员岗前疲劳检测方法和系统 | |
Luca et al. | Anomaly detection using the Poisson process limit for extremes | |
Martins et al. | Be-sys: Big data e-health system for analysis and detection of risk of septic shock in adult patients | |
Summers et al. | Functionality of empirical model-based predictive analytics for the early detection of hemodynamic instabilty | |
CN113822181B (zh) | 一种基于肢体活跃度的行为心理异常检测方法 | |
CN113111918A (zh) | 基于异常样本检测和多维信息输出的脑卒中风险筛查方法 | |
Saranya et al. | Human body temperature and face mask audit system for COVID protocol | |
CN116738296B (zh) | 机房状况综合智能监控系统 | |
CN117643461B (zh) | 基于人工智能的心率智能监测系统及方法 | |
CN116522248B (zh) | 基于机器学习的核酸异常数据智能研判系统 | |
CN117668711A (zh) | 一种对象监测方法、系统及存储介质和电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210101 |
|
RJ01 | Rejection of invention patent application after publication |