CN112370765A - 一种人工智能健康监控管理平台 - Google Patents

一种人工智能健康监控管理平台 Download PDF

Info

Publication number
CN112370765A
CN112370765A CN202011017269.2A CN202011017269A CN112370765A CN 112370765 A CN112370765 A CN 112370765A CN 202011017269 A CN202011017269 A CN 202011017269A CN 112370765 A CN112370765 A CN 112370765A
Authority
CN
China
Prior art keywords
data
physiological parameter
user
label
data point
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.)
Withdrawn
Application number
CN202011017269.2A
Other languages
English (en)
Inventor
葛长毅
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.)
Lumo Cultural Media Shanghai Co ltd
Original Assignee
Lumo Cultural Media Shanghai 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 Lumo Cultural Media Shanghai Co ltd filed Critical Lumo Cultural Media Shanghai Co ltd
Publication of CN112370765A publication Critical patent/CN112370765A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
    • A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63C—SKATES; SKIS; ROLLER SKATES; DESIGN OR LAYOUT OF COURTS, RINKS OR THE LIKE
    • A63C19/00—Design or layout of playing courts, rinks, bowling greens or areas for water-skiing; Covers therefor
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
    • A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
    • A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
    • A63B2071/0658—Position or arrangement of display
    • A63B2071/0661—Position or arrangement of display arranged on the user
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2230/00—Measuring physiological parameters of the user
    • A63B2230/04—Measuring physiological parameters of the user heartbeat characteristics, e.g. ECG, blood pressure modulations
    • A63B2230/06—Measuring physiological parameters of the user heartbeat characteristics, e.g. ECG, blood pressure modulations heartbeat rate only
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2230/00—Measuring physiological parameters of the user
    • A63B2230/40—Measuring physiological parameters of the user respiratory characteristics
    • A63B2230/42—Measuring physiological parameters of the user respiratory characteristics rate
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2230/00—Measuring physiological parameters of the user
    • A63B2230/50—Measuring physiological parameters of the user temperature

Landscapes

  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Engineering & Computer Science (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

一种人工智能健康监控管理平台，包括显示模块、电源模块、移动用户端和控制模块。所述电源模块用于供电，所述移动用户端佩戴于用户身上，包括参数设置单元、数据采集单元和危险预警单元，所述参数设置单元用于用户设置参数，所述数据采集单元用于采集用户的生理参数数据，所述采集的生理参数数据传输至控制模块。所述控制模块包括数据处理单元和状态评估单元，所述数据处理单元用于对接收到的生理参数数据进行处理，所述状态评估单元用于根据处理后的生理参数数据对用户的身体状态进行评估，当评估用户的身体状态存在危险时，则将预警信号发送至移动用户端，由移动用户端的危险预警单元进行预警。

Description

一种人工智能健康监控管理平台
技术领域
本发明创造涉及人工智能监控领域，具体涉及一种人工智能健康监控管理平台。
背景技术
现代社会生活节奏快,压力大,人们急需一个能够及时监控自身健康状况的工具,使用现代 通信技术来达到这一目标经济而有效.但是,传统的通信技术条件下,不同网络之间的切换技术 难度大,可靠性不理想,很难做到24小时随时随地的监控。
本发明旨在提供一种人工智能健康监控管理平台，将采集得到的生理参数数据对用户当 前的身体状态进行评估，当判断用户的身体状态存在危险时及时预警，从而确保了用户在任 何情况下的安全性，尤其适合对老年人和病患的健康监控。
发明内容
针对上述问题，本发明旨在提供一种人工智能健康监控管理平台。
本发明创造的目的通过以下技术方案实现：
一种人工智能健康监控管理平台，包括显示模块、电源模块、移动用户端和控制模块。 所述电源模块用于供电，所述移动用户端佩戴于用户身上，包括参数设置单元、数据采集单 元和危险预警单元，所述参数设置单元用于用户设置参数，所述数据采集单元用于采集用户 的生理参数数据，所述采集的生理参数数据传输至控制模块。所述控制模块包括数据处理单 元和状态评估单元，所述数据处理单元用于对接收到的生理参数数据进行处理，所述状态评 估单元用于根据处理后的生理参数数据对用户的身体状态进行评估，当评估用户的身体状态 存在危险时，则将预警信号发送至移动用户端，由移动用户端的危险预警单元进行预警。
本发明还提供了一种健康状态评估系统，其用于根据处理后的生理参数数据对用户当前 时刻的身体状态进行评估，包括离线分类单元和在线评估单元，所述离线分类单元用于将收 集的历史生理参数数据进行分类，所述在线评估单元用于根据处理后的生理参数数据对用户 当前时刻的身体状态进行评估。
作为优选，所述历史生理参数数据包括有标签生理参数数据和无标签生理参数数据，所 述标签包含健康标签和危险标签，所述离线分类单元用于将所述历史生理参数数据进行分类， 设H表示所述历史生理参数数据集合，且H＝{H1,H2,H3}，其中，H1表示有标签且其标签为 健康的历史生理参数数据集合，H2表示有标签且其标签为危险的历史生理参数数据集合，H3表示无标签的历史生理参数数据集合，设h(i)表示集合H3中的第i个数据点，且h(i)＝ {hx(i),x＝1,2,…n}，其中，hx(i)表示数据点h(i)对应的生理参数x的数值，n表示采集的生理 参数的种类；设Li表示数据点h(i)的参考数据集合，且Li＝{h(j)||h(i)-h(j)|＜R(i),j＝ 1,2,…n(i)}，其中，R(i)为给定的参考阈值，且
Figure BDA0002699479790000021
h(l)为和数据点h(i)直接 相邻的数据点，l(i)表示和数据点h(i)直接相邻的数据点数，h(j)表示参考数据集合Li中的第j 个数据点，n(i)表示参考数据集合Li中的数据点数；对参考数据集合Li进行检测，当检测到参 考数据集合Li中至少存在一个有标签数据点时，则对数据点h(i)的标签进行预测，定义数据点 h(i)对应的标签预测函数为P(i)，且P(i)的表达式为：
Figure BDA0002699479790000022
式中，η(h(j),H1)为取值函数，且
Figure BDA0002699479790000023
ρ(h(j),H2)为取值函 数，且
Figure BDA0002699479790000024
η(i)为取值函数η(h(j),H1)对应的修正系数，ρ(i)为取 值函数ρ(h(j),H2)对应的修正系数，且η(i)和ρ(i)的表达式为：
Figure BDA0002699479790000025
Figure BDA0002699479790000026
其中，Lj(j＝1,2,…,n(i))表示数据点h(j)(j＝1,2,…,n(i))的参考数据集合，h(j)(j＝ 1,2,…,n(i))为参考数据集合Li中的第j个数据点，n(j)表示参考数据集合Lj中的数据点数，h(l) 表示参考数据集合Lj中的第l个数据点；
当标签预测函数P(i)＞1时，则判定数据点h(i)的标签为健康，当标签预测函数P(i)＜1时， 则判定数据点h(i)的标签为危险，当标签预测函数P(i)＝1时，则将数据点h(i)标记为二次预 测数据，当集合H3中所有数据点的标签预测结束后，重新采用上述方法对标记的二次预测数 据进行标签预测；
当集合H中的所有数据点都具有标签后，根据各数据点的标签将集合H中具有健康标签的 数据点划分为类C1，将集合H中具有危险标签的数据点划分为类C2。
作为优选，设f′(t)表示处理后的t时刻的生理参数数据点，且f′(t)＝{fi′(t),i＝1,2,…n}， 其中，fi′(t)表示处理后的t时刻的生理参数i的数值，n表示采集的生理参数的种类，对用户当 前时刻的身体状态进行评估，具体为：
设v1表示离线分类单元分类所得的类C1的类中心，且
Figure BDA0002699479790000031
其中，
Figure BDA0002699479790000032
表 示类C1中生理参数i的类中心，设B1表示类C1中的边缘数据点组成的集合，且
Figure BDA0002699479790000033
Figure BDA0002699479790000034
其中，
Figure BDA0002699479790000035
表示集合B1中生理参数i的第x个数据，m1表示集合B1中 的数据点数，设B2表示类C2中的边缘数据点组成的集合，且
Figure BDA0002699479790000036
Figure BDA0002699479790000037
其中，
Figure BDA0002699479790000038
表示集合B2中生理参数i的第x个数据，m2表示集合B2中的数据点数， 定义第一评估系数G1(t)和第二评估系数G2(t)，且G1(t)和G2(t)的表达式分别为：
Figure BDA0002699479790000039
Figure BDA00026994797900000310
Figure BDA00026994797900000311
Figure BDA00026994797900000312
式中，
Figure BDA00026994797900000313
表示集合B1中距离数据fi′(t)最近的边缘数据点，
Figure BDA00026994797900000314
表示集合B2中距 离数据fi′(t)最近的边缘数据点，
Figure BDA00026994797900000315
为比较函数，当
Figure BDA00026994797900000316
时，则
Figure BDA00026994797900000317
否则
Figure BDA00026994797900000318
Figure BDA00026994797900000319
为取值函数，当
Figure BDA00026994797900000320
时，则
Figure BDA00026994797900000321
否则
Figure BDA00026994797900000322
采用第一评估系数G1(t)对用户当前时刻的身体状态进行评估，当第一评估系数G1(t)≤dmin(B1,v1)时，则判定用户当前时刻的身体状态为健康；当第一评估系数 G1(t)＞dmax(B1,v1)时，则判定用户当前时刻的身体状态为危险；当dmin(B1,v1)＜G1(t)≤ dmax(B1,v1)时，继续采用第二评估系数G2(t)对用户当前时刻的身体状态进行评估，当G2(t)＝1时，则判定用户当前时刻的身体状态为健康，当G2(t)＝0时，则判定用户当前时刻 的身体状态为危险，其中，dmin(B1,v1)和dmax(B1,v1)分别表示集合B1中的边缘数据点到类 中心v1的最小距离值和最大距离值。
本发明创造的有益效果：
(1)根据采集得到的生理参数数据对用户当前的身体状态进行评估，当判断用户的身体 状态存在危险时及时预警，从而确保了用户在任何情况下的安全性。
(2)本发明状态评估单元用于根据处理后的生理参数数据对用户当前时刻的身体状态进 行评估，包括离线分类单元和在线评估单元，所述离线分类单元用于将收集的历史生理参数 数据进行分类，所述在线评估单元用于根据采集得到的生理参数数据对用户的身体状态进行 评估。本发明用于将收集的历史生理参数数据进行分类，并将最终的分类结果作为状态评估 单元的参考值；本优选实施例采用的历史生理参数数据包含少量的有标签生理参数数据和大 量的无标签生理参数数据，在对所述历史生理参数数据进行分类时，根据已有标签的生理参 数数据预测无标签生理参数数据的标签，最终根据各生理参数数据的标签完成所述历史生理 参数数据的分类；在对所述无标签生理参数数据的标签进行预测时，选取距离待预测数据较 近的数据点构建待预测数据的参考数据集合，并根据所述参考数据集合中的有标签数据对待 预测数据的标签进行预测，能够有效的实现对待预测数据标签的有效预测；定义标签预测函 数，所述标签预测函数中的取值函数能够对参考数据集合中的有标签数据进行有效的统计， 距离待预测较近的数据点在很大程度上反应了待预测数据的属性，因此，标签预测函数中的 取值函数通过对临近数据点标签的统计能够实现对待预测数据的标签的有效预测；在所述标 签预测函数中针对各取值函数引入了修正系数，修正系数的引入使得所述标签预测函数能够 对处于健康类和危险类之间的边缘数据的标签进行有效的预测，当待预测数据处于健康类和 危险类之间的边缘时，仅仅通过统计待预测数据的参考数据集中的有标签数据进行标签预测 容易造成误判，而修正系数通过统计稍远范围的有标签数据能够有效的避免待预测数据处于 边缘时带来的检测误差，从而提高了分类结果的准确性，进一步的提高了用户身体状态评估 结果的准确性。
(3)本发明根据处理后的生理参数数据和离线分类结果分类所得的类的类中心进行比较， 从而确定用户的身体健康状态，定义了第一评估系数，所述第一评估系数通过将处理后的生 理参数数据和健康类的类中心进行比较，能够有效的检测出用户当前时刻的身体状态处于比 较健康或者比较危险的状态，进一步地，本优选实施例定义了第二评估系数，所述第二评估 系数通过将处理后的生理参数数据和健康类的边缘数据点和危险类的边缘数据点进行比较， 从而在用户的身体状态处于健康和危险的临界值时，依然能够有效的检测出用户当前时刻的 身体状态，从而大大提高了检测结果的准确性。
具体实施方式
结合以下实施例对本发明作进一步描述。
本实施例的一种人工智能健康监控管理平台，包括显示模块、电源模块、移动用户端和 控制模块。所述电源模块用于供电，所述移动用户端佩戴于用户身上，包括参数设置单元、 数据采集单元和危险预警单元，所述参数设置单元用于用户设置参数，所述数据采集单元用 于采集用户的生理参数数据，所述采集的生理参数数据传输至控制模块。所述控制模块包括 数据处理单元和状态评估单元，所述数据处理单元用于对接收到的生理参数数据进行处理， 所述状态评估单元用于根据处理后的生理参数数据对用户的身体状态进行评估，当评估用户 的身体状态存在危险时，则将预警信号发送至移动用户端，由移动用户端的危险预警单元进 行预警。
优选地，所述生理参数包括心率、呼吸率和体温。
优选地，所述显示模块为全彩LED矩阵。
本优选实施例通过状态评估单元，根据采集得到的生理参数数据对用户当前的身体状态 进行评估，当判断用户的身体状态存在危险时及时预警，从而确保了用户在任何情况下的安 全性。
优选地，数据处理单元用于对采集得到的生理参数数据进行滤波处理，设fi(t)表示t时刻 采集的生理参数i的数据，设定长度为(2m+1)的窗口序列Fi(t)，且Fi(t)＝{fi(t-m),fi(t- m+1),…,fi(t-1),fi(t),fi(t+1),…,fi(t+m-1),fi(t+m)}，其中，fi(t-m)、 fi(t-m+1)分别表示(t-m)和(t-m+1)时刻采集的生理参数i的数据，fi(t-1)和 fi(t+1)分别表示(t-1)和(t+1)时刻采集的生理参数i的数据，fi(t+m-1)和fi(t+m)分 别表示(t+m-1)和(t+m)时刻采集的生理参数i的数据，设差值序列ΔFi(t)＝{|fi(t-m+ 1)-fi(t-m)|,…,|fi(t)-fi(t-1)|,|fi(t+1)-fi(t)|,…,|fi(t+m)-fi(t+m-1)|}＝ {Δfi(j),j＝t-m+1,t-m+2,…,t+m}，对窗口序列Fi(t)中的数据进行统计，定义统计系 数θi(t)，且θi(t)的表达式为：
Figure BDA0002699479790000051
式中，Δfi(j)表示差值序列ΔFi(j)中的第j个差值，Δdi(t)为差值衡量系数，且Δdi(t)＝ Δfi(max)-Δfi(min)，其中，Δfi(max)表示差值序列ΔFi(t)中的最大值，Δfi(min)表示差值 序列ΔFi(t)中的最小值，k为给定的区间数，且
Figure BDA0002699479790000061
Figure BDA0002699479790000062
为取值函数；当
Figure BDA0002699479790000063
Figure BDA0002699479790000064
时，则
Figure BDA0002699479790000065
Figure BDA0002699479790000066
当
Figure BDA0002699479790000067
时，则
Figure BDA0002699479790000068
Figure BDA0002699479790000069
e为有效区间数，令e的初始值为1，并以步长1进行增长，当θi(t)第一次满足
Figure BDA00026994797900000610
时，则取此时的e为最终的有效区间数，并记为e′，选取窗口序列Fi(t)中满足
Figure BDA00026994797900000611
的数据fi(j)组成集合Fi′(t)，其中，fi(j)和 fi(j-1)分别为窗口序列Fi(t)中生理参数i的第j和第(j-1)个数据；
根据集合Fi′(t)中的数据确定第一检测阈值H1(t)和第二检测阈值H2(t)，则H1(t)和H2(t)的 表达式为：
Figure BDA00026994797900000612
Figure BDA00026994797900000613
式中，
Figure BDA00026994797900000614
表示集合Fi′(t)中数据的均值，fi(k)表示集合Fi′(t)中生理参数i的第k个数 据，N(Fi′(t))表示集合Fi′(t)中的数据个数；
当fi(t)＜H1(t)或fi(t)＞H2(t)时，则判定数据fi(t)为噪声数据，令
Figure BDA00026994797900000615
当 fi(t)满足H1(t)≤fi(t)≤H2(t)时，则判定fi(t)为有效数据，令fi′(t)＝fi(t)。
本优选实施例用于对采集得到的生理参数数据进行处理，采用移动窗口的模式对所述生 理参数数据进行检测，在所述窗口序列中同时包含了当前时刻前的生理参数数据和当前时刻 后采集的生理参数数据，为了避免窗口序列中当前时刻后采集的噪声数据对当前时刻生理参 数数据处理的影响，对窗口序列中的生理参数数据进行筛选，构造差值序列，从而获得差值 衡量系数，根据获得的差值衡量系数构造k个区间，构造的k个区间反应了窗口序列中相邻数 据之间的差值情况，对区间中的数据统计，选取差值较小的区间中的数据参与当前时刻的生 理参数数据的检测，能够有效的筛选掉窗口序列中的噪声数据，避免了窗口序列中当前时刻 后采集的噪声数据对当前时刻生理参数数据的影响；根据选取的生理参数数据构建的第一检 测阈值和第二检测阈值符合生理参数变化的规律，能够有效的检测出噪声数据的同时，避免 了因用户运动带来的生理参数数据的波动而被误认为噪声的现象。
优选地，所述状态评估单元用于根据处理后的生理参数数据对用户当前时刻的身体状态 进行评估，包括离线分类单元和在线评估单元，所述离线分类单元用于将收集的历史生理参 数数据进行分类，所述在线评估单元用于根据采集得到的生理参数数据对用户的身体状态进 行评估。
优选地，所述历史生理参数数据包括有标签生理参数数据和无标签生理参数数据，所述 标签包含健康标签和危险标签，所述离线分类单元用于将所述历史生理参数数据进行分类， 设H表示所述历史生理参数数据集合，且H＝{H1,H2,H3}，其中，H1表示有标签且其标签为 健康的历史生理参数数据集合，H2表示有标签且其标签为危险的历史生理参数数据集合，H3表示无标签的历史生理参数数据集合，设h(i)表示集合H3中的第i个数据点，且h(i)＝ {hx(i),x＝1,2,…n}，其中，hx(i)表示数据点h(i)对应的生理参数x的数值，n表示采集的生理 参数的种类；设Li表示数据点h(i)的参考数据集合，且Li＝{h(j)||h(i)-h(j)|＜R(i),j＝ 1,2,…n(i)}，其中，R(i)为给定的参考阈值，且
Figure BDA0002699479790000071
h(l)为和数据点h(i)直接 相邻的数据点，l(i)表示和数据点h(i)直接相邻的数据点数，h(j)表示参考数据集合Li中的第j 个数据点，n(i)表示参考数据集合Li中的数据点数；对参考数据集合Li进行检测，当检测到参 考数据集合Li中至少存在一个有标签数据点时，则对数据点h(i)的标签进行预测，定义数据点 h(i)对应的标签预测函数为P(i)，且P(i)的表达式为：
Figure BDA0002699479790000072
式中，η(h(j),H1)为取值函数，且
Figure BDA0002699479790000073
ρ(h(j),H2)为取值函 数，且
Figure BDA0002699479790000074
η(i)为取值函数η(h(j),H1)对应的修正系数，ρ(i)为取 值函数ρ(h(j),H2)对应的修正系数，且η(i)和ρ(i)的表达式为：
Figure BDA0002699479790000075
Figure BDA0002699479790000081
其中，Lj(j＝1,2,…,n(i))表示数据点h(j)(j＝1,2,…,n(i))的参考数据集合，h(j)(j＝ 1,2,…,n(i))为参考数据集合ti中的第j个数据点，n(j)表示参考数据集合Lj中的数据点数，h(l) 表示参考数据集合Lj中的第l个数据点；
当标签预测函数P(i)＞1时，则判定数据点h(i)的标签为健康，当标签预测函数P(i)＜1时， 则判定数据点h(i)的标签为危险，当标签预测函数P(i)＝1时，则将数据点h(i)标记为二次预 测数据，当集合H3中所有数据点的标签预测结束后，重新采用上述方法对标记的二次预测数 据进行标签预测；
当集合H中的所有数据点都具有标签后，根据各数据点的标签将集合H中具有健康标签的 数据点划分为类C1，将集合H中具有危险标签的数据点划分为类C2。
本优选实施例用于将收集的历史生理参数数据进行分类，并将最终的分类结果作为状态 评估单元的参考值；本优选实施例采用的历史生理参数数据包含少量的有标签生理参数数据 和大量的无标签生理参数数据，在对所述历史生理参数数据进行分类时，根据已有标签的生 理参数数据预测无标签生理参数数据的标签，最终根据各生理参数数据的标签完成所述历史 生理参数数据的分类；在对所述无标签生理参数数据的标签进行预测时，选取距离待预测数 据较近的数据点构建待预测数据的参考数据集合，并根据所述参考数据集合中的有标签数据 对待预测数据的标签进行预测，能够有效的实现对待预测数据标签的有效预测；定义标签预 测函数，所述标签预测函数中的取值函数能够对参考数据集合中的有标签数据进行有效的统 计，距离待预测较近的数据点在很大程度上反应了待预测数据的属性，因此，标签预测函数 中的取值函数通过对临近数据点标签的统计能够实现对待预测数据的标签的有效预测；在所 述标签预测函数中针对各取值函数引入了修正系数，修正系数的引入使得所述标签预测函数 能够对处于健康类和危险类之间的边缘数据的标签进行有效的预测，当待预测数据处于健康 类和危险类之间的边缘时，仅仅通过统计待预测数据的参考数据集中的有标签数据进行标签 预测容易造成误判，而修正系数通过统计稍远范围的有标签数据能够有效的避免待预测数据 处于边缘时带来的检测误差，从而提高了分类结果的准确性，进一步的提高了用户身体状态 评估结果的准确性。
优选地，设f′(t)表示处理后的t时刻的生理参数数据点，且f′(t)＝{fi′(t),i＝1,2,…n}， 其中，fi′(t)表示处理后的t时刻的生理参数i的数值，n表示采集的生理参数的种类，对用户当 前时刻的身体状态进行评估，具体为：
设v1表示离线分类单元分类所得的类C1的类中心，且
Figure BDA0002699479790000091
其中，
Figure BDA0002699479790000092
表 示类C1中生理参数i的类中心，设B1表示类C1中的边缘数据点组成的集合，且
Figure BDA0002699479790000093
Figure BDA0002699479790000094
其中，
Figure BDA0002699479790000095
表示集合B1中生理参数i的第x个数据，m1表示集合B1中 的数据点数，设B2表示类C2中的边缘数据点组成的集合，且
Figure BDA0002699479790000096
Figure BDA0002699479790000097
其中，
Figure BDA0002699479790000098
表示集合B2中生理参数i的第x个数据，m2表示集合B2中的数据点数， 定义第一评估系数G1(t)和第二评估系数G2(t)，且G1(t)和G2(t)的表达式分别为：
Figure BDA0002699479790000099
Figure BDA00026994797900000910
Figure BDA00026994797900000911
Figure BDA00026994797900000912
式中，
Figure BDA00026994797900000913
表示集合B1中距离数据fi′(t)最近的边缘数据点，
Figure BDA00026994797900000914
表示集合B2中距 离数据fi ′(t)最近的边缘数据点，
Figure BDA00026994797900000915
为比较函数，当
Figure BDA00026994797900000916
时，则
Figure BDA00026994797900000917
否则
Figure BDA00026994797900000918
Figure BDA00026994797900000919
为取值函数，当
Figure BDA00026994797900000920
时，则
Figure BDA00026994797900000921
否则
Figure BDA00026994797900000922
采用第一评估系数G1(t)对用户当前时刻的身体状态进行评估，当第一评估系数G1(t)≤dmin(B1,v1)时，则判定用户当前时刻的身体状态为健康；当第一评估系数 G1(t)＞dmax(B1,v1)时，则判定用户当前时刻的身体状态为危险；当dmin(B1,v1)＜G1(t)≤ dmax(B1,v1)时，继续采用第二评估系数G2(t)对用户当前时刻的身体状态进行评估，当 G2(t)＝1时，则判定用户当前时刻的身体状态为健康，当G2(t)＝0时，则判定用户当前时刻 的身体状态为危险，其中，dmin(B1,v1)和dmax(B1,v1)分别表示集合B1中的边缘数据点到类 中心v1的最小距离值和最大距离值。
本优选实施例根据处理后的生理参数数据和离线分类结果分类所得的类的类中心进行比 较，从而确定用户的身体健康状态，定义了第一评估系数，所述第一评估系数通过将处理后 的生理参数数据和健康类的类中心进行比较，能够有效的检测出用户当前时刻的身体状态处 于比较健康或者比较危险的状态，进一步地，本优选实施例定义了第二评估系数，所述第二 评估系数通过将处理后的生理参数数据和健康类的边缘数据点和危险类的边缘数据点进行比 较，从而在用户的身体状态处于健康和危险的临界值时，依然能够有效的检测出用户当前时 刻的身体状态，从而大大提高了检测结果的准确性。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围 的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解， 可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (8)

1.一种人工智能健康监控管理平台，包括显示模块、电源模块、移动用户端和控制模块。所述电源模块用于供电，所述移动用户端佩戴于用户身上，包括参数设置单元、数据采集单元和危险预警单元，所述参数设置单元用于用户设置参数，所述数据采集单元用于采集用户的生理参数数据，所述采集的生理参数数据传输至控制模块。所述控制模块包括数据处理单元和状态评估单元，所述数据处理单元用于对接收到的生理参数数据进行处理，所述状态评估单元用于根据处理后的生理参数数据对用户的身体状态进行评估，当评估用户的身体状态存在危险时，则将预警信号发送至移动用户端，由移动用户端的危险预警单元进行预警。
2.根据权利要求1所述的人工智能健康监控管理平台，其特征是，所述显示模块为全彩LED矩阵。
3.根据权利要求2所述的人工智能健康监控管理平台，其特征是，数据处理单元用于对接收到的生理参数数据进行滤波处理。
4.根据权利要求3所述的人工智能健康监控管理平台，其特征是，状态评估单元用于根据处理后的生理参数数据对用户当前时刻的身体状态进行评估，包括离线分类单元和在线评估单元，所述离线分类单元用于将收集的历史生理参数数据进行分类，所述在线评估单元用于根据处理后的生理参数数据对用户当前时刻的身体状态进行评估。
5.根据权利要求4所述的人工智能健康监控管理平台，其特征是，所述历史生理参数数据包括有标签生理参数数据和无标签生理参数数据，所述标签包含健康标签和危险标签，所述离线分类单元用于将所述历史生理参数数据进行分类，设H表示所述历史生理参数数据集合，且H＝{H1，H2，H3}，其中，H1表示有标签且其标签为健康的历史生理参数数据集合，H2表示有标签且其标签为危险的历史生理参数数据集合，H3表示无标签的历史生理参数数据集合，设h(i)表示集合H3中的第i个数据点，且h(i)＝{hx(i)，x＝1，2，...n}，其中，hx(i)表示数据点h(i)对应的生理参数x的数值，n表示采集的生理参数的种类；设Li表示数据点h(i)的参考数据集合，且Li＝{h(j)||h(i)-h(j)|＜R(i)，j＝1，2，...n(i)}，其中，R(i)为给定的参考阈值，且
Figure FDA0002699479780000011
h(l)为和数据点h(i)直接相邻的数据点，l(i)表示和数据点h(i)直接相邻的数据点数，h(j)表示参考数据集合Li中的第j个数据点，n(i)表示参考数据集合Li中的数据点数；对参考数据集合Li进行检测，当检测到参考数据集合Li中至少存在一个有标签数据点时，则对数据点h(i)的标签进行预测，定义数据点h(i)对应的标签预测函数为P(i)，且P(i)的表达式为：
Figure FDA0002699479780000021
式中，η(h(j)，H1)为取值函数，且
Figure FDA0002699479780000022
ρ(h(j)，H2)为取值函数，且
Figure FDA0002699479780000023
η(i)为取值函数η(h(j)，H1)对应的修正系数，ρ(i)为取值函数ρ(h(j)，H2)对应的修正系数，且η(i)和ρ(i)的表达式为：
Figure FDA0002699479780000024
Figure FDA0002699479780000025
其中，Lj(j＝1，2，...，n(i))表示数据点h(j)(j＝1，2，...，n(i))的参考数据集合，h(j)(j＝1，2，...，n(i))为参考数据集合Li中的第j个数据点，n(j)表示参考数据集合Lj中的数据点数，h(l)表示参考数据集合Lj中的第l个数据点；
当标签预测函数P(i)＞1时，则判定数据点h(i)的标签为健康，当标签预测函数P(i)＜1时，则判定数据点h(i)的标签为危险，当标签预测函数P(i)＝1时，则将数据点h(i)标记为二次预测数据，当集合H3中所有数据点的标签预测结束后，重新采用上述方法对标记的二次预测数据进行标签预测；
当集合H中的所有数据点都具有标签后，根据各数据点的标签将集合H中具有健康标签的数据点划分为类C1，将集合H中具有危险标签的数据点划分为类C2。
6.根据权利要求5所述的人工智能健康监控管理平台，其特征是，设f′(t)表示处理后的t时刻的生理参数数据点，且f′(t)＝{fi′(t)，i＝1，2，...n)，其中，fi′(t)表示处理后的t时刻的生理参数i的数值，n表示采集的生理参数的种类，对用户当前时刻的身体状态进行评估，具体为：
设v1表示离线分类单元分类所得的类C1的类中心，且
Figure FDA0002699479780000026
其中，
Figure FDA0002699479780000027
表示类C1中生理参数i的类中心，设B1表示类C1中的边缘数据点组成的集合，且
Figure FDA0002699479780000028
Figure FDA0002699479780000029
其中，
Figure FDA00026994797800000210
表示集合B1中生理参数i的第x个数据，m1表示集合B1中的数据点数，设B2表示类C2中的边缘数据点组成的集合，且
Figure FDA00026994797800000211
Figure FDA00026994797800000212
其中，
Figure FDA00026994797800000213
表示集合B2中生理参数i的第x个数据，m2表示集合B2中的数据点数，定义第一评估系数G1(t)和第二评估系数G2(t)，且G1(t)和G2(t)的表达式分别为：
Figure FDA0002699479780000031
Figure FDA0002699479780000032
Figure FDA0002699479780000033
Figure FDA0002699479780000034
式中，
Figure FDA0002699479780000035
表示集合B1中距离数据fi′(t)最近的边缘数据点，
Figure FDA0002699479780000036
表示集合B2中距离数据fi′(t)最近的边缘数据点，
Figure FDA0002699479780000037
为比较函数，当
Figure FDA0002699479780000038
时，则
Figure FDA0002699479780000039
否则
Figure FDA00026994797800000310
Figure FDA00026994797800000311
为取值函数，当
Figure FDA00026994797800000312
时，则
Figure FDA00026994797800000313
否则
Figure FDA00026994797800000314
采用第一评估系数G1(t)对用户当前时刻的身体状态进行评估，当第一评估系数G1(t)≤dmin(B1，v1)时，则判定用户当前时刻的身体状态为健康；当第一评估系数G1(t)＞dmax(B1，v1)时，则判定用户当前时刻的身体状态为危险；当dmin(B1，v1)＜G1(t)≤dmax(B1，v1)时，继续采用第二评估系数G2(t)对用户当前时刻的身体状态进行评估，当G2(t)＝1时，则判定用户当前时刻的身体状态为健康，当G2(t)＝0时，则判定用户当前时刻的身体状态为危险，其中，dmin(B1，v1)和dmax(B1，v1)分别表示集合B1中的边缘数据点到类中心v1的最小距离值和最大距离值。
7.一种健康状态评估系统，其特征是，用于根据处理后的生理参数数据对用户当前时刻的身体状态进行评估，包括离线分类单元和在线评估单元，所述离线分类单元用于将收集的历史生理参数数据进行分类，所述在线评估单元用于根据处理后的生理参数数据对用户当前时刻的身体状态进行评估，所述历史生理参数数据包括有标签生理参数数据和无标签生理参数数据，所述标签包含健康标签和危险标签，所述离线分类单元用于将所述历史生理参数数据进行分类，设H表示所述历史生理参数数据集合，且H＝{H1，H2，H3}，其中，H1表示有标签且其标签为健康的历史生理参数数据集合，H2表示有标签且其标签为危险的历史生理参数数据集合，H3表示无标签的历史生理参数数据集合，设h(i)表示集合H3中的第i个数据点，且h(i)＝{hx(i)，x＝1，2，...n}，其中，hx(i)表示数据点h(i)对应的生理参数x的数值，n表示采集的生理参数的种类；设Li表示数据点h(i)的参考数据集合，且Li＝{h(j)||h(i)-h(j)|＜R(i)，j＝1，2，...n(i)}，其中，R(i)为给定的参考阈值，且
Figure FDA0002699479780000041
h(l)为和数据点h(i)直接相邻的数据点，l(i)表示和数据点h(i)直接相邻的数据点数，h(j)表示参考数据集合Li中的第j个数据点，n(i)表示参考数据集合Li中的数据点数；对参考数据集合Li进行检测，当检测到参考数据集合Li中至少存在一个有标签数据点时，则对数据点h(i)的标签进行预测，定义数据点h(i)对应的标签预测函数为P(i)，且P(i)的表达式为：
Figure FDA0002699479780000042
式中，η(h(j)，H1)为取值函数，且
Figure FDA0002699479780000043
ρ(h(j)，H2)为取值函数，且
Figure FDA0002699479780000044
η(i)为取值函数η(h(j)，H1)对应的修正系数，ρ(i)为取值函数ρ(h(j)，H2)对应的修正系数，且η(i)和ρ(i)的表达式为：
Figure FDA0002699479780000045
Figure FDA0002699479780000046
其中，Lj(j＝1，2，...，n(i))表示数据点h(j)(j＝1，2，...，n(i))的参考数据集合，h(j)(j＝1，2，...，n(i))为参考数据集合Li中的第j个数据点，n(j)表示参考数据集合Lj中的数据点数，h(l)表示参考数据集合Lj中的第l个数据点；
当标签预测函数P(i)＞1时，则判定数据点h(i)的标签为健康，当标签预测函数P(i)＜1时，则判定数据点h(i)的标签为危险，当标签预测函数P(i)＝1时，则将数据点h(i)标记为二次预测数据，当集合H3中所有数据点的标签预测结束后，重新采用上述方法对标记的二次预测数据进行标签预测；
当集合H中的所有数据点都具有标签后，根据各数据点的标签将集合H中具有健康标签的数据点划分为类C1，将集合H中具有危险标签的数据点划分为类C2。
8.权利要求7所述的健康评估系统，其特征是，设f′(t)表示处理后的t时刻的生理参数数据点，且f′(t)＝{fi′(t)，i＝1，2，...n}，其中，fi′(t)表示处理后的t时刻的生理参数i的数值，n表示采集的生理参数的种类，对用户当前时刻的身体状态进行评估，具体为：
设v1表示离线分类单元分类所得的类C1的类中心，且
Figure FDA0002699479780000051
其中，
Figure FDA0002699479780000052
表示类C1中生理参数i的类中心，设B1表示类C1中的边缘数据点组成的集合，且
Figure FDA0002699479780000053
Figure FDA0002699479780000054
其中，
Figure FDA0002699479780000055
表示集合B1中生理参数i的第x个数据，m1表示集合B1中的数据点数，设B2表示类C2中的边缘数据点组成的集合，且
Figure FDA0002699479780000056
Figure FDA0002699479780000057
其中，
Figure FDA0002699479780000058
表示集合B2中生理参数i的第x个数据，m2表示集合B2中的数据点数，定义第一评估系数G1(t)和第二评估系数G2(t)，且G1(t)和G2(t)的表达式分别为：
Figure FDA0002699479780000059
Figure FDA00026994797800000510
Figure FDA00026994797800000511
Figure FDA00026994797800000512
式中，
Figure FDA00026994797800000513
表示集合B1中距离数据fi′(t)最近的边缘数据点，
Figure FDA00026994797800000514
表示集合B2中距离数据fi′(t)最近的边缘数据点，
Figure FDA00026994797800000515
为比较函数，当
Figure FDA00026994797800000516
时，则
Figure FDA00026994797800000517
否则
Figure FDA00026994797800000518
Figure FDA00026994797800000519
为取值函数，当
Figure FDA00026994797800000520
时，则
Figure FDA00026994797800000521
否则
Figure FDA00026994797800000522
采用第一评估系数G1(t)对用户当前时刻的身体状态进行评估，当第一评估系数G1(t)≤dmin(B1，v1)时，则判定用户当前时刻的身体状态为健康；当第一评估系数G1(t)＞dmax(B1，v1)时，则判定用户当前时刻的身体状态为危险；当dmin(B1，v1)＜G1(t)≤dmax(B1，v1)时，继续采用第二评估系数G2(t)对用户当前时刻的身体状态进行评估，当G2(t)＝1时，则判定用户当前时刻的身体状态为健康，当G2(t)＝0时，则判定用户当前时刻的身体状态为危险，其中，dmin(B1，v1)和dmax(B1，v1)分别表示集合B1中的边缘数据点到类中心v1的最小距离值和最大距离值。
CN202011017269.2A 2020-01-21 2020-09-24 一种人工智能健康监控管理平台 Withdrawn CN112370765A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2020100721886 2020-01-21
CN202010072188.6A CN111249713A (zh) 2020-01-21 2020-01-21 一种智能数字领跑系统

Publications (1)

Publication Number Publication Date
CN112370765A true CN112370765A (zh) 2021-02-19

Family

ID=70945603

Family Applications (3)

Application Number Title Priority Date Filing Date
CN202010072188.6A Pending CN111249713A (zh) 2020-01-21 2020-01-21 一种智能数字领跑系统
CN202011017269.2A Withdrawn CN112370765A (zh) 2020-01-21 2020-09-24 一种人工智能健康监控管理平台
CN202011017273.9A Withdrawn CN111905352A (zh) 2020-01-21 2020-09-24 一种智能数字领跑系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202010072188.6A Pending CN111249713A (zh) 2020-01-21 2020-01-21 一种智能数字领跑系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202011017273.9A Withdrawn CN111905352A (zh) 2020-01-21 2020-09-24 一种智能数字领跑系统

Country Status (1)

Country Link
CN (3) CN111249713A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111921185B (zh) * 2020-09-21 2021-04-13 鲁姆文化传媒（上海）有限公司 一种智能化乘骑游乐方法与系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102096825A (zh) * 2011-03-23 2011-06-15 西安电子科技大学 基于图的半监督高光谱遥感图像分类方法
CN104050361A (zh) * 2014-06-04 2014-09-17 杭州华亭科技有限公司 一种监狱服刑人员危险性倾向的智能分析预警方法
CN107085668A (zh) * 2017-06-15 2017-08-22 合肥讯邦网络科技有限公司 一种健康监测系统
US20180150610A1 (en) * 2016-11-28 2018-05-31 Electronics And Telecommunications Research Institute Health data collection device, health evaluation method using the same, and health evaluation system including the health data collection device
CN109993188A (zh) * 2018-01-02 2019-07-09 中国移动通信有限公司研究院 数据标签识别方法、行为识别方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8107920B2 (en) * 2005-08-17 2012-01-31 Mourad Ben Ayed Emergency detection and notification system
CN201591956U (zh) * 2010-01-07 2010-09-29 曹光达 一种跑道领跑装置
CN103230257A (zh) * 2013-04-11 2013-08-07 赵东明 一种远程健康监护手表
CN104814728B (zh) * 2015-05-28 2018-06-05 京东方科技集团股份有限公司 一种跑步引导方法及跑步引导装置
CN209952168U (zh) * 2019-03-21 2020-01-17 武汉体育学院 一种跑步节奏训练设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102096825A (zh) * 2011-03-23 2011-06-15 西安电子科技大学 基于图的半监督高光谱遥感图像分类方法
CN104050361A (zh) * 2014-06-04 2014-09-17 杭州华亭科技有限公司 一种监狱服刑人员危险性倾向的智能分析预警方法
US20180150610A1 (en) * 2016-11-28 2018-05-31 Electronics And Telecommunications Research Institute Health data collection device, health evaluation method using the same, and health evaluation system including the health data collection device
CN107085668A (zh) * 2017-06-15 2017-08-22 合肥讯邦网络科技有限公司 一种健康监测系统
CN109993188A (zh) * 2018-01-02 2019-07-09 中国移动通信有限公司研究院 数据标签识别方法、行为识别方法及装置

Also Published As

Publication number Publication date
CN111249713A (zh) 2020-06-09
CN111905352A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN111081379B (zh) 一种疾病概率决策方法及其系统
CN113051839B (zh) 一种基于深度学习的设备剩余寿命预测模型构建方法
CN110490486B (zh) 一种企业大数据管理系统
CN115876258B (zh) 基于多源数据的畜禽养殖环境异常监测及报警系统
CN113516313A (zh) 一种基于用户画像的燃气异常检测方法
CN112370765A (zh) 一种人工智能健康监控管理平台
CN114881305B (zh) 一种食堂预测预警系统及其预测方法
CN113662530A (zh) 一种猪只生理生长状态监测预警方法
CN115060312A (zh) 一种基于人工智能的建筑材料安全监测系统
CN111931573A (zh) 基于yolo进化深度学习模型的安全帽检测与预警方法
CN115761647A (zh) 基于计算机视觉的变电站内物体运动轨迹检测方法及系统
CN115588489A (zh) 一种医院科室运营风险管理系统
CN117985077B (zh) 利用无线通信实现铁路沿线施工列车接近智能预警方法
CN118134700A (zh) 一种桥梁结构综合智能养护决策方法及系统
CN109242008B (zh) 一种样本类别不完备条件下的复合故障识别方法
CN117251751A (zh) 机房监测方法、装置、电子设备及存储介质
CN112183751B (zh) 神经网络模型预测置信度校准方法、系统及存储介质
CN114116756B (zh) 一种工程造价数据修正系统及其方法
CN115359050A (zh) 家畜采食量异常检测方法及装置
CN115330362A (zh) 一种工程进度数据处理方法及系统
CN118172711B (zh) 一种ai大数据智能管理方法及系统
CN118430218B (zh) 一种智慧景区智能预警系统
CN115223103B (zh) 基于数字图像处理的高空抛物检测方法
CN117493129B (zh) 一种计算机控制设备的运行功率监测系统
CN118296565B (zh) 基于数据挖掘的动力电池事故溯源管控系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210219