CN112244882B - 一种基于多模态生理数据的疾病预警方法和装置 - Google Patents
一种基于多模态生理数据的疾病预警方法和装置 Download PDFInfo
- Publication number
- CN112244882B CN112244882B CN202011187297.9A CN202011187297A CN112244882B CN 112244882 B CN112244882 B CN 112244882B CN 202011187297 A CN202011187297 A CN 202011187297A CN 112244882 B CN112244882 B CN 112244882B
- Authority
- CN
- China
- Prior art keywords
- information
- user
- obtaining
- muscle
- disease
- 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
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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种基于多模态生理数据的疾病预警方法和装置,涉及疾病预防技术领域,通过获得第一表面电极采集的第一肌肉电信号;获得第二表面电极采集的第二肌肉电信号;获得第一数据信息;获得第一提取指令;根据第一提取指令,对第一数据信息进行特征提取之后,获得目标信号特征信息;根据目标信号特征信息,建立第一疾病识别模型;获得第一用户在第一时间的第三肌肉电信号、第四肌肉电信号;将第三肌肉电信号、第四肌肉电信号输入至第一疾病识别模型中,获得第一疾病识别模型的第一输出结果信息;根据第一输出结果信息,确定是否发送第一预警信息给第一用户,从而达到了能够对累积性创伤疾病进行准确的预防和识别的技术效果。
Description
技术领域
本发明涉及疾病预防技术领域,尤其涉及一种基于多模态生理数据的疾病预警方法和装置。
背景技术
智能手环是一种穿戴式智能设备。通过智能手环,用户可以记录日常生活中的锻炼、睡眠、部分还有饮食等实时数据,并将这些数据与手机、平板、ipod touch同步,起到通过数据指导健康生活的作用。智能手环作为备受用户关注的科技产品,其拥有的强大功能正悄无声息地渗透和改变人们的生活。当用户长时间使用电脑、手机或者从事其他一些重复性的手部活动时,手腕/手指要么长时间处于一种固定的姿势、要么频繁反复同样的动作,这样很容易导致手部关节或者神经劳损,患上腱鞘炎、腕管综合征等疾病,而且不易治愈。
但本发明申请人发现现有技术至少存在如下技术问题:
现有技术中难以准确的进行肌肉电信号的采集和分析,从而使得难以对累积性创伤疾病进行准确的预防和识别,增加了用户的患病几率,对用户的身体健康产生一定的影响。
发明内容
本发明实施例提供了一种基于多模态生理数据的疾病预警方法和装置,解决了现有技术中难以准确的进行肌肉电信号的采集和分析,从而使得难以对累积性创伤疾病进行准确的预防和识别,增加了用户的患病几率,对用户的身体健康产生不利影响的技术问题,达到了能够对累积性创伤疾病进行准确的预防和识别,预防累积性创伤疾病的发生,提高实时监测和预警效果,提高用户的使用体验感的技术效果。
鉴于上述问题,提出了本申请实施例以便提供一种基于多模态生理数据的疾病预警方法和装置。
第一方面,本发明提供了一种基于多模态生理数据的疾病预警方法,应用于一智能手环,且所述智能手环上设置有第一表面电极和第二表面电极,其中,所述方法包括:获得所述第一表面电极采集的第一肌肉电信号;获得所述第二表面电极采集的第二肌肉电信号;根据所述第一肌肉电信号、第二肌肉电信号,获得第一数据信息;获得第一提取指令;根据所述第一提取指令,对所述第一数据信息进行特征提取之后,获得目标信号特征信息;根据所述目标信号特征信息,建立第一疾病识别模型;获得第一用户在第一时间的第三肌肉电信号;获得所述第一用户在所述第一时间的第四肌肉电信号;将所述第三肌肉电信号、第四肌肉电信号输入至所述第一疾病识别模型中,获得所述第一疾病识别模型的第一输出结果信息;根据所述第一输出结果信息,确定是否发送第一预警信息给所述第一用户。
第二方面,本发明提供了一种基于多模态生理数据的疾病预警装置,所述装置包括:
第一获得单元,所述第一获得单元用于获得所述第一表面电极采集的第一肌肉电信号;
第二获得单元,所述第二获得单元用于获得所述第二表面电极采集的第二肌肉电信号;
第三获得单元,所述第三获得单元用于根据所述第一肌肉电信号、第二肌肉电信号,获得第一数据信息;
第四获得单元,所述第四获得单元用于获得第一提取指令;
第五获得单元,所述第五获得单元用于根据所述第一提取指令,对所述第一数据信息进行特征提取之后,获得目标信号特征信息;
第一建立单元,所述第一建立单元用于根据所述目标信号特征信息,建立第一疾病识别模型;
第六获得单元,所述第六获得单元用于获得第一用户在第一时间的第三肌肉电信号;
第七获得单元,所述第七获得单元用于获得所述第一用户在所述第一时间的第四肌肉电信号;
第一执行单元,所述第一执行单元用于将所述第三肌肉电信号、第四肌肉电信号输入至所述第一疾病识别模型中,获得所述第一疾病识别模型的第一输出结果信息;
第二执行单元,所述第二执行单元用于根据所述第一输出结果信息,确定是否发送第一预警信息给所述第一用户。
第三方面,本发明提供了一种基于多模态生理数据的疾病预警装置,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前述第一方面中任一项所述方法的步骤。
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
本发明实施例提供的一种基于多模态生理数据的疾病预警方法和装置,应用于一智能手环,且所述智能手环上设置有第一表面电极和第二表面电极,其中,所述方法包括:获得所述第一表面电极采集的第一肌肉电信号;获得所述第二表面电极采集的第二肌肉电信号;根据所述第一肌肉电信号、第二肌肉电信号,获得第一数据信息;获得第一提取指令;根据所述第一提取指令,对所述第一数据信息进行特征提取之后,获得目标信号特征信息;根据所述目标信号特征信息,建立第一疾病识别模型;获得第一用户在第一时间的第三肌肉电信号;获得所述第一用户在所述第一时间的第四肌肉电信号;将所述第三肌肉电信号、第四肌肉电信号输入至所述第一疾病识别模型中,获得所述第一疾病识别模型的第一输出结果信息;根据所述第一输出结果信息,确定是否发送第一预警信息给所述第一用户,从而解决了现有技术中难以准确的进行肌肉电信号的采集和分析,从而使得难以对累积性创伤疾病进行准确的预防和识别,增加了用户的患病几率,对用户的身体健康产生不利影响的技术问题,达到了能够对累积性创伤疾病进行准确的预防和识别,预防累积性创伤疾病的发生,提高实时监测和预警效果,提高用户的使用体验感的技术效果。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
图1为本发明实施例中一种基于多模态生理数据的疾病预警方法的流程示意图;
图2为本发明实施例中一种基于多模态生理数据的疾病预警方法的另一的流程示意图;
图3为本发明实施例中一种基于多模态生理数据的疾病预警装置的结构示意图;
图4为本发明实施例中另一种示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第四获得单元14,第五获得单元15,第一建立单元16,第六获得单元17,第七获得单元18,第一执行单元19,第二执行单元20,总线300,接收器301,处理器302,发送器303,存储器304,总线接口306。
具体实施方式
本发明实施例提供了一种基于多模态生理数据的疾病预警方法和装置,用于解决现有技术中难以准确的进行肌肉电信号的采集和分析,从而使得难以对累积性创伤疾病进行准确的预防和识别,增加了用户的患病几率,对用户的身体健康产生不利影响的技术问题,达到了能够对累积性创伤疾病进行准确的预防和识别,预防累积性创伤疾病的发生,提高实时监测和预警效果,提高用户的使用体验感的技术效果。下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
智能手环是一种穿戴式智能设备。通过智能手环,用户可以记录日常生活中的锻炼、睡眠、部分还有饮食等实时数据,并将这些数据与手机、平板、ipod touch同步,起到通过数据指导健康生活的作用。智能手环作为备受用户关注的科技产品,其拥有的强大功能正悄无声息地渗透和改变人们的生活。当用户长时间使用电脑、手机或者从事其他一些重复性的手部活动时,手腕/手指要么长时间处于一种固定的姿势、要么频繁反复同样的动作,这样很容易导致手部关节或者神经劳损,患上腱鞘炎、腕管综合征等疾病,而且不易治愈。但是,现有技术中难以准确的进行肌肉电信号的采集和分析,从而使得难以对累积性创伤疾病进行准确的预防和识别,增加了用户的患病几率,对用户的身体健康产生一定的影响。
针对上述技术问题,本发明提供的技术方案总体思路如下:
本申请实施例提供了一种基于多模态生理数据的疾病预警方法,应用于一智能手环,且所述智能手环上设置有第一表面电极和第二表面电极,其中,所述方法包括:获得所述第一表面电极采集的第一肌肉电信号;获得所述第二表面电极采集的第二肌肉电信号;根据所述第一肌肉电信号、第二肌肉电信号,获得第一数据信息;获得第一提取指令;根据所述第一提取指令,对所述第一数据信息进行特征提取之后,获得目标信号特征信息;根据所述目标信号特征信息,建立第一疾病识别模型;获得第一用户在第一时间的第三肌肉电信号;获得所述第一用户在所述第一时间的第四肌肉电信号;将所述第三肌肉电信号、第四肌肉电信号输入至所述第一疾病识别模型中,获得所述第一疾病识别模型的第一输出结果信息;根据所述第一输出结果信息,确定是否发送第一预警信息给所述第一用户。
在介绍了本申请基本原理后,下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
实施例一
图1为本发明实施例中一种基于多模态生理数据的疾病预警方法的流程示意图。如图1、2所示,本发明实施例提供了一种基于多模态生理数据的疾病预警方法,应用于一智能手环,且所述智能手环上设置有第一表面电极和第二表面电极,所述方法包括:
步骤100:获得所述第一表面电极采集的第一肌肉电信号。
步骤200:获得所述第二表面电极采集的第二肌肉电信号;
步骤300:根据所述第一肌肉电信号、第二肌肉电信号,获得第一数据信息;
具体而言,本实施例中的基于多模态生理数据的疾病预警方法可应用于一智能手环,进一步的,可以在多模态生理数据采集手环的绑带内侧安装电极,也就是说,在智能手环上设置有第一表面电极和第二表面电极,在实际使用时,可将第一表面电极和第二表面电极分别置于尺神经与中正神经的位置,采集工作中的肌肉电信号,通过第一表面电极和第二表面电极可以进行数据的采集,以便于后续进行数据分析和处理。进而,可以获得第一表面电极采集的第一肌肉电信号,也就是尺神经表面电极所采集到的肌肉电信号,获得第二表面电极采集的第二肌肉电信号,也就是正中神经表面电极所采集到的肌肉电信号,进而根据第一肌肉电信号、第二肌肉电信号,获得第一数据信息,其中,第一数据信息即为工作中的肌电信号。
步骤400:获得第一提取指令;
步骤500:根据所述第一提取指令,对所述第一数据信息进行特征提取之后,获得目标信号特征信息;
进一步的,所述目标信号特征信息包括:第一生理信号特征、第二生理信号特征、第三生理信号特征、第四生理信号特征,其中,所述第一生理信号特征为中正神经远端潜伏期、所述第二生理信号特征为复合肌肉动作电位、所述第三生理信号特征为腕-肘段运动传导速度、所述第四生理信号特征为中正神经感觉传导速度。
具体而言,在得到第一数据信息之后,接着获得第一提取指令,并根据第一提取指令,对第一数据信息进行特征提取,从而得到目标信号特征信息,进一步的,本实施例中的目标信号特征信息包括:第一生理信号特征、第二生理信号特征、第三生理信号特征、第四生理信号特征,其中,第一生理信号特征信息为中正神经远端潜伏期(DML)、第二生理信号特征信息为复合肌肉动作电位(CMAP)、第三生理信号特征信息为腕-肘段运动传导速度(MCV)、第四生理信号特征信息为中正神经感觉传导速度(SNCV),换句话说,在采集到工作中的肌肉电信号之后,即可相应的提取中正神经远端潜伏期(DML),符合肌肉动作电位(CMAP),腕-肘段运动传导速度(MCV),中正神经感觉传导速度(SNCV)等生理信号特征。
步骤600:根据所述目标信号特征信息,建立第一疾病识别模型;
具体而言,提取到目标信号特征信息之后,通过有监督学习的机器学习建模,进而建立第一疾病识别模型,其中,建立第一疾病识别模型即为建立腕部的高工作负荷状态识别模型,从而通过第一疾病识别模型,达到以预防累积性创伤疾病的发生的目的。
步骤700:获得第一用户在第一时间的第三肌肉电信号;
步骤800:获得所述第一用户在所述第一时间的第四肌肉电信号;
具体而言,第一用户即为佩带智能手环的用户,因此,可以得到第一用户在第一时间的第三肌肉电信号,以及在第一时间的第四肌肉电信号,其中,第三肌肉电信号为尺神经表面电极所采集到的肌肉电信号,第四肌肉电信号为正中神经表面电极所采集到的肌肉电信号。
步骤900:将所述第三肌肉电信号、第四肌肉电信号输入至所述第一疾病识别模型中,获得所述第一疾病识别模型的第一输出结果信息;
进一步的,为了能够准确的对用户是否存在累积性创伤疾病进行准确的预防和识别,以实现实时监测和预警的效果,本申请实施例步骤900还包括:
步骤910:将所述第三肌肉电信号和所述第四肌肉电信号输入所述第一疾病识别模型,其中,所述第一疾病识别模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第三肌肉电信号、所述第四肌肉电信号和标识第一输出结果的标识信息;
步骤920:获得所述第一疾病识别模型的输出信息,其中,所述输出信息包括所述第一结果信息,其中,所述第一输出结果信息为所述第一用户是否处于腕部高工作负荷状态的信息;
步骤930:将所述第一输出结果信息作为监督数据,输入所述每一组训练数据中,对所述第一用户的第三肌肉电信号和所述第一用户的第四肌肉电信号进行监督学习,确定所述第一疾病识别模型的输出信息达到收敛状态。
具体而言,在得到第三肌肉电信号和第四肌肉电信号之后,即可将第三肌肉电信号和第四肌肉电信号作为输入信息输入第一疾病识别模型中,从而获得第一疾病识别模型的第一输出结果信息,此时的第一输出结果信息即代表着第一用户是否处于腕部的高工作负荷状态。
进一步的,训练模型为机器学习模型中的神经网络模型,机器学习模型能通过大量数据不断的学习,进而不断地修正模型,最终获得满意的经验来处理其他数据。机器模型通过多组训练数据训练获得,神经网络模型通过训练数据训练的过程本质上为监督学习的过程。本申请实施例中的训练模型是通过多组训练数据利用机器学习训练得出的,多组中的训练数据中的每一组训练数据均包括:第三肌肉电信号、第四肌肉电信号和用来标识第一输出结果的标识信息。
其中,将第一输出结果的标识信息作为监督数据。输入每一组训练数据中,对第三肌肉电信号、第四肌肉电信号进行监督学习,确定训练模型的输出信息达到收敛状态。通过第一输出结果信息与训练模型的输出结果进行对比,当一致时,本组数据监督学习完成,进行下一组数据监督学习;当不一致时,则训练模型进行自我修正,直至其输出结果与标识的第一输出结果信息一致,本组监督学习完成,进行下一组数据监督学习;通过大量数据的监督学习,使得机器学习模型的输出结果达到收敛状态,则监督学习完成。通过对训练模型进行监督学习的过程,使得训练模型输出的第一输出结果信息更加准确,达到了能够准确的对用户是否存在累积性创伤疾病进行预防和识别,以实现实时监测和预警,实现智能化的效果。
步骤1000:根据所述第一输出结果信息,确定是否发送第一预警信息给所述第一用户。
具体而言,第一输出结果信息为第一用户是否处于腕部高工作负荷状态的信息,因此,根据第一输出结果信息,即可判定第一用户腕部是否处于高工作负荷状态,如果处于腕部高工作负荷状态,则生成第一预警信息,并将第一预警信息发送给第一用户,以达到提醒用户及时进行休息,防止长期处于腕部高工作负荷状态下,增加累积性创伤疾病的发生几率的效果。
进一步的,为了能够达到进一步对用户腕部状态进行判断,预防累积性创伤疾病的发生的效果,本申请实施例步骤920还包括:
步骤921:当所述第一输出结果信息为所述第一用户腕部处于高工作负荷状态时,获得第一发送指令;
步骤922:根据所述第一发送指令,将所述第一预警信息给所述第一用户之后,获得所述第一用户在第二时间,所述第一疾病识别模型的第二输出结果信息;
步骤923:当所述第二输出结果信息为所述第一用户处于高工作负荷状态时,根据所述第一时间和所述第二时间,获得第一时间差;
步骤924:判断所述第一时间差是否处于预设时间差范围内;
步骤925:若超过,则获得第二发送指令;
步骤926:根据所述第二发送指令,发送第二预警信息给所述第一用户。
具体而言,当第一输出结果信息为所述第一用户腕部处于高工作负荷状态时,说明用户的腕部正处在危险状态下,若持续保持当前高工作负荷状态,会增加用户患病几率,在生成第一发送指令之后,将第一预警信息给第一用户,以提醒用户当前已经处于腕部处于高工作负荷状态,需要及时更改状态,例如进行休息,以缓解腕部当前的动作状态,接着,获得第二时间,第二时间即为发送第一预警信息给第一用户间隔一定时间之后,再次获得尺神经表面电极所采集到的肌肉电信号和正中神经表面电极所采集到的肌肉电信号,并输入至第一疾病识别模型之后,获得第二输出结果信息,当第二输出结果信息为第一用户仍然处于腕部高工作负荷状态时,则根据第一时间和第二时间,获得前后两个时间之间的第一时间差,然后在获得预设时间差范围之后,其中,预设时间差范围即为预先设定的时间差阈值范围,判断第一时间差是否处于预设时间差范围内,若不处于,说明第一用户已经保持腕部高工作负荷状态很长一段时间,若再继续保持腕部高工作负荷状态,会进一步增加用户的患病几率,对用户健康产生非常不利的影响,因此,需要生成第二发送指令,然后在第二发送指令的指令下,发送第二预警信息给第一用户,其中,第二预警信息的预警强度和力度大于第一预警信息的强度和力度,例如加大对于用户的提醒频率,从而进一步达到预防累积性创伤疾病的发生,保障用户健康的效果。
进一步的,为了能够达到为用户制定个性化的预警消息的效果,本申请实施例步骤920还包括:
步骤927:当所述第一输出结果信息为所述第一用户腕部处于高工作负荷状态时,获得所述第一用户的第一身份信息、第一属性信息;
步骤928:根据所述第一身份信息、第一属性信息,获得所述第一用户的第一画像信息;
步骤929:根据所述第一画像信息,为所述第一用户设定第一预警信息。
具体而言,当第一输出结果信息为第一用户腕部处于高工作负荷状态时,获得第一用户的第一身份信息、第一属性信息,其中,第一身份信息即为第一用户个人身份相关的信息,包括但不限于第一用户的年龄、性别、身高、体重、身材等等,第一属性信息即为第一用户的社会属性信息,例如第一用户为银行职员,经常坐在电脑前面工作,再比如第一用户为全职妈妈,经常需要抱孩子等等;从而根据第一身份信息、第一属性信息,为用户生成第一画像信息,其中,第一画像信息也就是用户的个人标签信息,通过第一画像信息,可以为第一用户设定第一预警信息,也就是说,通过用户的个人标签不同,可以为用户制定个性化的预警信息,例如,当第一预警信息设定为语音提醒时,且用户为上班族时,则可以设定让用户休息休息,起身走动走动的相关语音消息,当用户为宝妈时,则可以设定让用户放下孩子,换个姿势陪孩子玩耍的相关语音消息,从而实现为不同标签的用户设定不同预警消息的功能,提升用户使用体验感的目的。
进一步的,为了能够达到进一步对用户腕部状态进行判断,预防累积性创伤疾病的发生的效果,本申请实施例步骤900还包括:
步骤940:获得高工作负荷状态与累积性创伤疾病之间的第一影响关系信息;
步骤950:获得第一预定时间段;
步骤960:获得所述第一用户在所述第一预定时间段内的历史输出结果信息;
步骤970:根据所述历史输出结果信息,获得所述第一用户在所述第一预定时间段内,处于高工作负荷状态的第一负荷时长;
步骤980:根据所述第一影响关系信息,获得所述第一负荷时长的第一影响等级;
步骤990:当所述第一影响等级超过预设影响等级下限值时,获得第三发送指令;
步骤9100:根据所述第三发送指令,发送第三预警信息给所述第一用户。
具体而言,获得高工作负荷状态与累积性创伤疾病之间的第一影响关系信息,即建立高工作负荷状态的时长与患累积性创伤疾病之间的第一影响关系信息,换句话说,腕部高工作负荷状态的时长越长,则患累积性创伤疾病的几率越大,因此,腕部处于高工作负荷状态的时长与患累积性创伤疾病的几率之间存在一定的相互影响的关系,获得第一预定时间段,其中,第一预定时间段即为预先设定的时间段,可根据实际需要进行设置,本实施例中不做具体限制,例如可设置为一天,两天,一周等,进而得到第一用户在第一预定时间段内,第一疾病识别模型的历史输出结果信息,根据历史输出结果信息,可以获得第一用户在第一预定时间段内,处于高工作负荷状态的第一负荷时长,其中,第一负荷时长也就是第一用户在第一预定时间段内腕部处于高工作负荷状态的总时长,根据第一影响关系信息,可以得到第一负荷时长的第一影响等级,当第一影响等级超过预设影响等级下限值时,也就是说,第一负荷时长已经会对用户的健康产生一定的影响,则需要生成第三发送指令,然后发送第三预警信息给所述第一用户,告知用户在第一预定时间段内,负荷时长已经超出了最低的影响等级,需要及时进行休息,避免加重当前的腕部状态,增加患病几率。
进一步的,为了达到获得准确的预警信息的效果,本申请实施例步骤9100还包括:
步骤9110:判断所述第一负荷时长是否为所述第一用户在连续状态下的时长;
步骤9120:若所述第一负荷时长不是所述第一用户在连续状态下的时长,则获得所述第一预定时间段内,所述第一用户处于高工作负荷状态下的相邻时间段之间的时间间隔信息;
步骤9130:根据所述时间间隔信息,获得第一影响度;
步骤9140:根据所述第一影响度,对所述第三预警信息进行调整。
具体而言,判断第一负荷时长是否为第一用户在连续状态下的时长,也就是说,判断在第一负荷时长是否为用户在持续保持高工作负荷状态下所得到的负荷时间,如果第一负荷时长不是第一用户在连续状态下的时长,说明用户在高工作负荷状态下存在一定的休息时间,从而获得第一用户处于高工作负荷状态下的相邻时间段之间的时间间隔信息,根据时间间隔信息,获得第一影响度,也就是说时间间隔的不同,对于用户的健康影响度也不同,进而根据第一影响度,可以对第三预警信息进行调整。举例而言,当用户在一天内的第一负荷时长为4小时时,若此时4小时的负荷时长并非用户一次性连续保持高工作负荷状态下所得到的,也就是说,用户在期间存在一定的休息时间,例如用户高工作负荷状态下工作一小时,休息一会儿再继续处于高工作负荷状态下工作,从而累积得到的第一负荷时长为4小时,这样,可以得到用户在前后两个高工作负荷状态下的时长内的时间间隔,并得到时间间隔的影响度,从而根据影响度对第三预警信息进行调整,例如告知用户当前累积负荷时长,需要及时进行状态调整等,从而达到获得准确的预警信息,进一步预防累积性创伤疾病的发生,提高实时监测和预警效果,提高用户的使用体验感的效果。
实施例二
基于与前述实施例中一种基于多模态生理数据的疾病预警方法同样的发明构思,本发明还提供一种基于多模态生理数据的疾病预警方法装置,如图3所示,所述装置包括:
第一获得单元11,所述第一获得单元11用于获得所述第一表面电极采集的第一肌肉电信号;
第二获得单元12,所述第二获得单元12用于获得所述第二表面电极采集的第二肌肉电信号;
第三获得单元13,所述第三获得单元13用于根据所述第一肌肉电信号、第二肌肉电信号,获得第一数据信息;
第四获得单元14,所述第四获得单元14用于获得第一提取指令;
第五获得单元15,所述第五获得单元15用于根据所述第一提取指令,对所述第一数据信息进行特征提取之后,获得目标信号特征信息;
第一建立单元16,所述第一建立单元16用于根据所述目标信号特征信息,建立第一疾病识别模型;
第六获得单元17,所述第六获得单元17用于获得第一用户在第一时间的第三肌肉电信号;
第七获得单元18,所述第七获得单元18用于获得所述第一用户在所述第一时间的第四肌肉电信号;
第一执行单元19,所述第一执行单元19用于将所述第三肌肉电信号、第四肌肉电信号输入至所述第一疾病识别模型中,获得所述第一疾病识别模型的第一输出结果信息;
第二执行单元20,所述第二执行单元20用于根据所述第一输出结果信息,确定是否发送第一预警信息给所述第一用户。
进一步的,所述目标信号特征信息包括:第一生理信号特征、第二生理信号特征、第三生理信号特征、第四生理信号特征,其中,所述第一生理信号特征为中正神经远端潜伏期、所述第二生理信号特征为复合肌肉动作电位、所述第三生理信号特征为腕-肘段运动传导速度、所述第四生理信号特征为中正神经感觉传导速度。
进一步的,所述第一执行单元还包括:
第一训练单元,所述第一训练单元用于将所述第三肌肉电信号和所述第四肌肉电信号输入所述第一疾病识别模型,其中,所述第一疾病识别模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第三肌肉电信号、所述第四肌肉电信号和标识第一输出结果的标识信息;
第八获得单元,所述第八获得单元用于获得所述第一疾病识别模型的输出信息,其中,所述输出信息包括所述第一结果信息,其中,所述第一输出结果信息为所述第一用户是否处于腕部高工作负荷状态的信息;
第一输入单元,所述第一输入单元用于将所述第一输出结果信息作为监督数据,输入所述每一组训练数据中,对所述第一用户的第三肌肉电信号和所述第一用户的第四肌肉电信号进行监督学习,确定所述第一疾病识别模型的输出信息达到收敛状态。
进一步的,所述装置还包括:
第九获得单元,所述第九获得单元用于当所述第一输出结果信息为所述第一用户腕部处于高工作负荷状态时,获得第一发送指令;
第十获得单元,所述第十获得单元用于根据所述第一发送指令,将所述第一预警信息给所述第一用户之后,获得所述第一用户在第二时间,所述第一疾病识别模型的第二输出结果信息;
第十一获得单元,所述第十一获得单元用于当所述第二输出结果信息为所述第一用户处于高工作负荷状态时,根据所述第一时间和所述第二时间,获得第一时间差;
第一判断单元,所述第一判断单元用于判断所述第一时间差是否处于预设时间差范围内;
第十二获得单元,所述第十二获得单元用于若超过,则获得第二发送指令;
第一发送单元,所述第一发送单元用于根据所述第二发送指令,发送第二预警信息给所述第一用户。
进一步的,所述装置还包括:
第十三获得单元,所述第十三获得单元用于获得高工作负荷状态与累积性创伤疾病之间的第一影响关系信息;
第十四获得单元,所述第十四获得单元用于获得第一预定时间段;
第十五获得单元,所述第十五获得单元用于获得所述第一用户在所述第一预定时间段内的历史输出结果信息;
第十六获得单元,所述第十六获得单元用于根据所述历史输出结果信息,获得所述第一用户在所述第一预定时间段内,处于高工作负荷状态的第一负荷时长;
第十七获得单元,所述第十七获得单元用于根据所述第一影响关系信息,获得所述第一负荷时长的第一影响等级;
第十八获得单元,所述第十八获得单元用于当所述第一影响等级超过预设影响等级下限值时,获得第三发送指令;
第二发送单元,所述第二发送单元用于根据所述第三发送指令,发送第三预警信息给所述第一用户。
进一步的,所述装置还包括:
第二判断单元,所述第二判断单元用于判断所述第一负荷时长是否为所述第一用户在连续状态下的时长;
第十九获得单元,所述第十九获得单元用于若所述第一负荷时长不是所述第一用户在连续状态下的时长,则获得所述第一预定时间段内,所述第一用户处于高工作负荷状态下的相邻时间段之间的时间间隔信息;
第二十获得单元,所述第二十获得单元用于根据所述时间间隔信息,获得第一影响度;
第一调整单元,所述第一调整单元用于根据所述第一影响度,对所述第三预警信息进行调整。
进一步的,所述装置还包括:
第二十一获得单元,所述第二十一获得单元用于当所述第一输出结果信息为所述第一用户腕部处于高工作负荷状态时,获得所述第一用户的第一身份信息、第一属性信息;
第二十二获得单元,所述第二十二获得单元用于根据所述第一身份信息、第一属性信息,获得所述第一用户的第一画像信息;
第一设定单元,所述第一设定单元用于根据所述第一画像信息,为所述第一用户设定第一预警信息。
前述图1实施例一中的一种基于多模态生理数据的疾病预警方法的各种变化方式和具体实例同样适用于本实施例的一种基于多模态生理数据的疾病预警装置,通过前述对一种基于多模态生理数据的疾病预警方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于多模态生理数据的疾病预警装置的实施方法,所以为了说明书的简洁,在此不再详述。
实施例三
基于与前述实施例中一种基于多模态生理数据的疾病预警方法同样的发明构思,本发明还提供一种示例性电子设备,如图4所示,包括存储器304、处理器302及存储在存储器304上并可在处理器302上运行的计算机程序,所述处理器302执行所述程序时实现前文所述一种基于多模态生理数据的疾病预警方法的任一方法的步骤。
其中,在图4中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
本发明实施例提供的一种基于多模态生理数据的疾病预警方法和装置,应用于一智能手环,且所述智能手环上设置有第一表面电极和第二表面电极,其中,所述方法包括:获得所述第一表面电极采集的第一肌肉电信号;获得所述第二表面电极采集的第二肌肉电信号;根据所述第一肌肉电信号、第二肌肉电信号,获得第一数据信息;获得第一提取指令;根据所述第一提取指令,对所述第一数据信息进行特征提取之后,获得目标信号特征信息;根据所述目标信号特征信息,建立第一疾病识别模型;获得第一用户在第一时间的第三肌肉电信号;获得所述第一用户在所述第一时间的第四肌肉电信号;将所述第三肌肉电信号、第四肌肉电信号输入至所述第一疾病识别模型中,获得所述第一疾病识别模型的第一输出结果信息;根据所述第一输出结果信息,确定是否发送第一预警信息给所述第一用户,从而解决了现有技术中难以准确的进行肌肉电信号的采集和分析,从而使得难以对累积性创伤疾病进行准确的预防和识别,增加了用户的患病几率,对用户的身体健康产生不利影响的技术问题,达到了能够对累积性创伤疾病进行准确的预防和识别,预防累积性创伤疾病的发生,提高实时监测和预警效果,提高用户的使用体验感的技术效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于多模态生理数据的疾病预警方法,应用于一智能手环,且所述智能手环上设置有第一表面电极和第二表面电极,其中,所述方法包括:
获得所述第一表面电极采集的第一肌肉电信号;
获得所述第二表面电极采集的第二肌肉电信号;
根据所述第一肌肉电信号、第二肌肉电信号,获得第一数据信息;
获得第一提取指令;
根据所述第一提取指令,对所述第一数据信息进行特征提取之后,获得目标信号特征信息;
根据所述目标信号特征信息,建立第一疾病识别模型;
获得第一用户在第一时间的第三肌肉电信号;
获得所述第一用户在所述第一时间的第四肌肉电信号;
将所述第三肌肉电信号、第四肌肉电信号输入至所述第一疾病识别模型中,获得所述第一疾病识别模型的第一输出结果信息;
根据所述第一输出结果信息,确定是否发送第一预警信息给所述第一用户;
所述方法还包括:
获得高工作负荷状态与累积性创伤疾病之间的第一影响关系信息;
获得第一预定时间段;
获得所述第一用户在所述第一预定时间段内的历史输出结果信息;
根据所述历史输出结果信息,获得所述第一用户在所述第一预定时间段内,处于高工作负荷状态的第一负荷时长;
根据所述第一影响关系信息,获得所述第一负荷时长的第一影响等级;
当所述第一影响等级超过预设影响等级下限值时,获得第三发送指令;
根据所述第三发送指令,发送第三预警信息给所述第一用户;
所述方法还包括:
判断所述第一负荷时长是否为所述第一用户在连续状态下的时长;
若所述第一负荷时长不是所述第一用户在连续状态下的时长,则获得所述第一预定时间段内,所述第一用户处于高工作负荷状态下的相邻时间段之间的时间间隔信息;
根据所述时间间隔信息,获得第一影响度;
根据所述第一影响度,对所述第三预警信息进行调整。
2.如权利要求1所述的方法,其中,所述目标信号特征信息包括:第一生理信号特征、第二生理信号特征、第三生理信号特征、第四生理信号特征,其中,所述第一生理信号特征为中正神经远端潜伏期、所述第二生理信号特征为复合肌肉动作电位、所述第三生理信号特征为腕-肘段运动传导速度、所述第四生理信号特征为中正神经感觉传导速度。
3.如权利要求1所述的方法,其中,所述将所述第三肌肉电信号、第四肌肉电信号输入至所述第一疾病识别模型中,获得所述第一疾病识别模型的第一输出结果信息,包括:
将所述第三肌肉电信号和所述第四肌肉电信号输入所述第一疾病识别模型,其中,所述第一疾病识别模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第三肌肉电信号、所述第四肌肉电信号和标识第一输出结果的标识信息;
获得所述第一疾病识别模型的输出信息,其中,所述输出信息包括所述第一结果信息,其中,所述第一输出结果信息为所述第一用户是否处于腕部高工作负荷状态的信息;
将所述第一输出结果信息作为监督数据,输入所述每一组训练数据中,对所述第一用户的第三肌肉电信号和所述第一用户的第四肌肉电信号进行监督学习,确定所述第一疾病识别模型的输出信息达到收敛状态。
4.如权利要求3所述的方法,其特征在于,所述方法还包括:
当所述第一输出结果信息为所述第一用户腕部处于高工作负荷状态时,获得第一发送指令;
根据所述第一发送指令,将所述第一预警信息给所述第一用户之后,获得所述第一用户在第二时间,所述第一疾病识别模型的第二输出结果信息;
当所述第二输出结果信息为所述第一用户处于高工作负荷状态时,根据所述第一时间和所述第二时间,获得第一时间差;
判断所述第一时间差是否处于预设时间差范围内;
若超过,则获得第二发送指令;
根据所述第二发送指令,发送第二预警信息给所述第一用户。
5.如权利要求4所述的方法,其特征在于,所述方法还包括:
当所述第一输出结果信息为所述第一用户腕部处于高工作负荷状态时,获得所述第一用户的第一身份信息、第一属性信息;
根据所述第一身份信息、第一属性信息,获得所述第一用户的第一画像信息;
根据所述第一画像信息,为所述第一用户设定第一预警信息。
6.一种基于多模态生理数据的疾病预警装置,其特征在于,所述装置包括:
第一获得单元,所述第一获得单元用于获得所述第一表面电极采集的第一肌肉电信号;
第二获得单元,所述第二获得单元用于获得所述第二表面电极采集的第二肌肉电信号;
第三获得单元,所述第三获得单元用于根据所述第一肌肉电信号、第二肌肉电信号,获得第一数据信息;
第四获得单元,所述第四获得单元用于获得第一提取指令;
第五获得单元,所述第五获得单元用于根据所述第一提取指令,对所述第一数据信息进行特征提取之后,获得目标信号特征信息;
第一建立单元,所述第一建立单元用于根据所述目标信号特征信息,建立第一疾病识别模型;
第六获得单元,所述第六获得单元用于获得第一用户在第一时间的第三肌肉电信号;
第七获得单元,所述第七获得单元用于获得所述第一用户在所述第一时间的第四肌肉电信号;
第一执行单元,所述第一执行单元用于将所述第三肌肉电信号、第四肌肉电信号输入至所述第一疾病识别模型中,获得所述第一疾病识别模型的第一输出结果信息;
第二执行单元,所述第二执行单元用于根据所述第一输出结果信息,确定是否发送第一预警信息给所述第一用户;
第十三获得单元,所述第十三获得单元用于获得高工作负荷状态与累积性创伤疾病之间的第一影响关系信息;
第十四获得单元,所述第十四获得单元用于获得第一预定时间段;
第十五获得单元,所述第十五获得单元用于获得所述第一用户在所述第一预定时间段内的历史输出结果信息;
第十六获得单元,所述第十六获得单元用于根据所述历史输出结果信息,获得所述第一用户在所述第一预定时间段内,处于高工作负荷状态的第一负荷时长;
第十七获得单元,所述第十七获得单元用于根据所述第一影响关系信息,获得所述第一负荷时长的第一影响等级;
第十八获得单元,所述第十八获得单元用于当所述第一影响等级超过预设影响等级下限值时,获得第三发送指令;
第二发送单元,所述第二发送单元用于根据所述第三发送指令,发送第三预警信息给所述第一用户;
第二判断单元,所述第二判断单元用于判断所述第一负荷时长是否为所述第一用户在连续状态下的时长;
第十九获得单元,所述第十九获得单元用于若所述第一负荷时长不是所述第一用户在连续状态下的时长,则获得所述第一预定时间段内,所述第一用户处于高工作负荷状态下的相邻时间段之间的时间间隔信息;
第二十获得单元,所述第二十获得单元用于根据所述时间间隔信息,获得第一影响度;
第一调整单元,所述第一调整单元用于根据所述第一影响度,对所述第三预警信息进行调整。
7.一种基于多模态生理数据的疾病预警装置,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权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011187297.9A CN112244882B (zh) | 2020-10-30 | 2020-10-30 | 一种基于多模态生理数据的疾病预警方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011187297.9A CN112244882B (zh) | 2020-10-30 | 2020-10-30 | 一种基于多模态生理数据的疾病预警方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112244882A CN112244882A (zh) | 2021-01-22 |
CN112244882B true CN112244882B (zh) | 2023-06-02 |
Family
ID=74268989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011187297.9A Active CN112244882B (zh) | 2020-10-30 | 2020-10-30 | 一种基于多模态生理数据的疾病预警方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112244882B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103126657A (zh) * | 2013-03-15 | 2013-06-05 | 河海大学常州校区 | 一种监测指腕疲劳与工作时间的装置与方法 |
CN107169432A (zh) * | 2017-05-09 | 2017-09-15 | 深圳市科迈爱康科技有限公司 | 基于肌电的生物识别方法、终端及计算机可读存储介质 |
CN109222969A (zh) * | 2018-10-31 | 2019-01-18 | 郑州大学 | 一种基于多传感器数据融合的可穿戴式人体上肢肌肉运动疲劳检测及训练系统 |
CN109256212A (zh) * | 2018-08-17 | 2019-01-22 | 上海米因医疗器械科技有限公司 | 骨健康评估模型构建方法、装置、设备、介质及评估方法 |
CN109464129A (zh) * | 2019-01-09 | 2019-03-15 | 浙江强脑科技有限公司 | 肌肉疲劳状态的检测方法、设备及计算机可读存储介质 |
CN109550146A (zh) * | 2018-11-16 | 2019-04-02 | 上海交通大学 | 一种基于电刺激与肌肉信息检测的疲劳缓解装置 |
CN109717831A (zh) * | 2018-11-26 | 2019-05-07 | 中国科学院软件研究所 | 一种基于触控手势的非干扰式神经系统疾病辅助检测系统 |
CN110200619A (zh) * | 2019-06-06 | 2019-09-06 | 中山大学孙逸仙纪念医院 | 一种建立重大心血管疾病风险预警模型方法及装置 |
CN110313900A (zh) * | 2019-07-25 | 2019-10-11 | 大连理工大学 | 一种基于深度学习对膝关节摆动信号的分类方法 |
CN110660041A (zh) * | 2019-08-06 | 2020-01-07 | 上海孚典智能科技有限公司 | 基于深度神经网络的肺部退行性疾病判别技术 |
CN111176441A (zh) * | 2019-11-27 | 2020-05-19 | 广州雪利昂生物科技有限公司 | 基于表面肌电的人机交互训练方法、装置及存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599553B (zh) * | 2016-11-29 | 2019-08-16 | 中国科学院深圳先进技术研究院 | 疾病预警装置 |
CN108211307B (zh) * | 2017-05-25 | 2019-11-12 | 深圳市未来健身科技有限公司 | 一种运动训练预警方法及装置 |
CN107346371A (zh) * | 2017-06-06 | 2017-11-14 | 北京云知声信息技术有限公司 | 一种警告方法及装置 |
CN109065187A (zh) * | 2018-07-27 | 2018-12-21 | 赵凯 | 一种尿液跟踪分析方法和装置 |
CN109887561A (zh) * | 2019-02-12 | 2019-06-14 | 北京倍肯恒业科技发展股份有限公司 | 一种人工智能宫颈癌筛查确定方法和装置 |
CN110060770A (zh) * | 2019-04-22 | 2019-07-26 | 北京倍肯恒业科技发展股份有限公司 | 一种医疗检测的信息处理方法和装置 |
CN110459325A (zh) * | 2019-07-01 | 2019-11-15 | 江苏环亚医用科技集团股份有限公司 | 一种健康管理的方法和装置 |
CN110444266A (zh) * | 2019-07-01 | 2019-11-12 | 江苏环亚医用科技集团股份有限公司 | 一种基于疾病监控的药物管理方法和装置 |
CN111222464B (zh) * | 2020-01-07 | 2023-11-07 | 中国医学科学院生物医学工程研究所 | 情感分析方法以及系统 |
CN111728711A (zh) * | 2020-07-03 | 2020-10-02 | 西安医学院第二附属医院 | 一种妇产科手术的防喷溅方法和装置 |
-
2020
- 2020-10-30 CN CN202011187297.9A patent/CN112244882B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103126657A (zh) * | 2013-03-15 | 2013-06-05 | 河海大学常州校区 | 一种监测指腕疲劳与工作时间的装置与方法 |
CN107169432A (zh) * | 2017-05-09 | 2017-09-15 | 深圳市科迈爱康科技有限公司 | 基于肌电的生物识别方法、终端及计算机可读存储介质 |
CN109256212A (zh) * | 2018-08-17 | 2019-01-22 | 上海米因医疗器械科技有限公司 | 骨健康评估模型构建方法、装置、设备、介质及评估方法 |
CN109222969A (zh) * | 2018-10-31 | 2019-01-18 | 郑州大学 | 一种基于多传感器数据融合的可穿戴式人体上肢肌肉运动疲劳检测及训练系统 |
CN109550146A (zh) * | 2018-11-16 | 2019-04-02 | 上海交通大学 | 一种基于电刺激与肌肉信息检测的疲劳缓解装置 |
CN109717831A (zh) * | 2018-11-26 | 2019-05-07 | 中国科学院软件研究所 | 一种基于触控手势的非干扰式神经系统疾病辅助检测系统 |
CN109464129A (zh) * | 2019-01-09 | 2019-03-15 | 浙江强脑科技有限公司 | 肌肉疲劳状态的检测方法、设备及计算机可读存储介质 |
CN110200619A (zh) * | 2019-06-06 | 2019-09-06 | 中山大学孙逸仙纪念医院 | 一种建立重大心血管疾病风险预警模型方法及装置 |
CN110313900A (zh) * | 2019-07-25 | 2019-10-11 | 大连理工大学 | 一种基于深度学习对膝关节摆动信号的分类方法 |
CN110660041A (zh) * | 2019-08-06 | 2020-01-07 | 上海孚典智能科技有限公司 | 基于深度神经网络的肺部退行性疾病判别技术 |
CN111176441A (zh) * | 2019-11-27 | 2020-05-19 | 广州雪利昂生物科技有限公司 | 基于表面肌电的人机交互训练方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112244882A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11325000B2 (en) | Wearable device systems and methods for guiding physical movements | |
US20190328243A1 (en) | Methods and Systems for Determining Abnormal Cardiac Activity | |
CN107773214A (zh) | 一种最佳唤醒策略的方法、计算机可读介质和系统 | |
CN105827731A (zh) | 基于融合模型的智能化健康管理服务器、系统及其控制方法 | |
WO2018122633A1 (en) | Emotion estimation apparatus, method, and program | |
CN109363659B (zh) | 基于深度学习的心率监控方法、装置及存储介质 | |
CN113520340A (zh) | 一种睡眠报告的生成方法、装置、终端以及存储介质 | |
CN104142583A (zh) | 一种具有眨眼检测功能的智能眼镜及实现方法 | |
CN109949438B (zh) | 异常驾驶监测模型建立方法、装置及存储介质 | |
CN109394207A (zh) | 情绪识别方法及系统、电子设备 | |
JP6468637B2 (ja) | 眠気推定装置及び眠気推定プログラム | |
US20200193858A1 (en) | Unobtrusive motivation estimation | |
CN105554263A (zh) | 一种具有提示功能的智能穿戴设备和使用方法 | |
CN112244882B (zh) | 一种基于多模态生理数据的疾病预警方法和装置 | |
CN112022172A (zh) | 一种基于多模态生理数据的压力检测方法和装置 | |
JP6468635B2 (ja) | 眠気推定装置及び眠気推定プログラム | |
CN111814523A (zh) | 人体活动识别方法及装置 | |
Ekiz et al. | Long short-term memory network based unobtrusive workload monitoring with consumer grade smartwatches | |
CN113436702A (zh) | 一种基于人工智能的健康分析方法 | |
CN111430007B (zh) | 信息处理方法和装置 | |
CN110881988B (zh) | 能量检测的方法、装置、设备和介质 | |
CN114708946B (zh) | 一种目标导向性专项能力训练方法及装置 | |
CN114698564B (zh) | 耳标状态的检测方法、装置、存储介质及电子设备 | |
CN116725538B (zh) | 一种基于深度学习的手环情绪识别方法 | |
CN112274163B (zh) | 一种基于多模态生理数据采集的腕部工作负荷的预测方法和装置 |
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 |