CN112418513A - 温度预测方法及装置、存储介质、电子装置 - Google Patents

温度预测方法及装置、存储介质、电子装置 Download PDF

Info

Publication number
CN112418513A
CN112418513A CN202011303803.6A CN202011303803A CN112418513A CN 112418513 A CN112418513 A CN 112418513A CN 202011303803 A CN202011303803 A CN 202011303803A CN 112418513 A CN112418513 A CN 112418513A
Authority
CN
China
Prior art keywords
temperature
data
value
target object
target
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
Application number
CN202011303803.6A
Other languages
English (en)
Inventor
方华标
王守峰
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.)
Qingdao Haier Technology Co Ltd
Haier Smart Home Co Ltd
Original Assignee
Qingdao Haier Technology Co Ltd
Haier Smart Home 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 Qingdao Haier Technology Co Ltd, Haier Smart Home Co Ltd filed Critical Qingdao Haier Technology Co Ltd
Priority to CN202011303803.6A priority Critical patent/CN112418513A/zh
Publication of CN112418513A publication Critical patent/CN112418513A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/0003—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiant heat transfer of samples, e.g. emittance meter
    • G01J5/0011—Ear thermometers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/0022—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation of moving bodies
    • G01J5/0025—Living bodies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Strategic Management (AREA)
  • Medical Informatics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Emergency Management (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提供了一种温度预测方法及装置、存储介质、电子装置，上述方法包括：采集目标对象在目标时间段内的温度数据，并将温度数据输入到马尔科夫模型；其中，马尔科夫模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：多个温度区间和多个温度区间分别对应的概率值；通过马尔科夫模型对温度数据中的温度值进行概率值预测，得到温度值对应的预测结果；根据预测结果确定目标对象在目标时间段的下一时间点的温度区间，因此，可以解决现有技术中获取温度数据的效率低下且无法进行温度数据的预测等问题，使目标对象可及时获知异常温度数据，对于异常数据进行准确、及时的处理。

Description

温度预测方法及装置、存储介质、电子装置
技术领域
本发明涉及通信领域，具体而言，涉及一种温度预测方法及装置、存储介质、电子装置。
背景技术
体温，通常指机体内部的温度，它包括体表温度和体核温度。人体的体温是相对恒定的，正常的人体体温为36～37℃。诸多疾病都会导致人体体温正常调节机能发生障碍，从而导致体温出现异常。临床上对病人的体温进行测量，能够为诸多疾病的诊治和预防提供依据。体温是医护人员采集病史和资料过程中一项重要的客观指标，也是一项比较容易获得生理参数。
在此疫情期间，在家的用户希望每天早晚测量家人体温，并且目前大多是人工测体温，由于整个过程繁琐耗时，容易忘记，对于个人在家庭不能做到天天测量体温，并记录测量结果，进而导致对于体温检测到的有效率极低，并无法预测用户的下次测量结果。
针对相关技术中，获取温度数据的效率低下且无法进行温度数据的预测等问题，尚未提出有效的技术方案。
发明内容
本发明实施例提供了一种温度预测方法及装置、存储介质、电子装置，以至少解决相关技术中，获取温度数据的效率低下且无法进行温度数据的预测等问题。
根据本发明的一个实施例，提供了一种温度预测方法，包括：采集目标对象在目标时间段内的温度数据，并将所述温度数据输入到马尔科夫模型；其中，所述马尔科夫模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：多个温度区间和所述多个温度区间分别对应的概率值；通过马尔科夫模型对所述温度数据中的温度值进行概率值预测，得到所述温度值对应的预测结果；根据所述预测结果确定所述目标对象在所述目标时间段的下一时间点的温度区间。
在一个示例性实施例中，根据所述预测结果确认所述目标对象在所述目标时间段的下一时间点的温度区间之后，所述方法还包括：在所述下一时间点的温度区间的最小值大于第一预设阈值的情况下，通过第一告警事件发出提醒；在所述下一时间点的温度区间的最大值小于第二预设阈值的情况下，通过第二告警事件发出提醒；其中，所述第二预设阈值小于所述第一预设阈值。
在一个示例性实施例中，采集目标对象在目标时间段内的温度数据，包括：通过图像采集装置获取所述目标对象的图像信息，其中，所述图像信息包括：用于唯一标识所述目标对象的特征信息；在所述特征信息位于目标数据库的情况下，采集目标对象在目标时间段内的温度数据，其中，所述目标数据库中包括：多个特征信息，所述多个特征信息对应多个目标对象，所述图像采集装置被授权对所述多个目标对象进行图像采集。
在一个示例性实施例中，通过马尔科夫模型对所述温度数据中的温度值进行概率值预测，得到所述温度值对应的预测结果，包括：获取所述目标对象的温度取值范围；对所述温度取值范围进行划分，得到多个温度区间；根据所述多个温度区间确定所述马尔科夫模型中的转移矩阵，以通过包含所述转移矩阵的马尔科夫模型对所述温度数据进行概率值预测，得到所述温度值所在温度区间对应的预测结果。
在一个示例性实施例中，通过所述转移矩阵对所述温度数据进行概率值预测，得到所述温度值所在温度区间对应的预测结果，包括：确定所述温度值对应的多个概率值；将所述多个概率值中的最大概率值所对应的温度区间作为所述温度值对应的预测结果。
在一个示例性实施例中，将所述多个概率值中的最大概率值所对应的温度区间作为所述温度值对应的预测结果之后，所述方法还包括：在所述最大概率值所对应的温度区间不是所述温度取值范围的子集的情况下，确定对所述转移矩阵进行更新，以使再次预测出的所述温度区间处于所述温度取值范围内。
根据本发明的另一个实施例，提供了一种温度预测装置，包括：采集模块，采集目标对象在目标时间段内的温度数据，并将所述温度数据输入到马尔科夫模型；其中，所述马尔科夫模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：多个温度区间和所述多个温度区间分别对应的概率值；预测模块，用于通过马尔科夫模型对所述温度数据中的温度值进行概率值预测，得到所述温度值对应的预测结果；确定模块，用于根据所述预测结果确定所述目标对象在所述目标时间段的下一时间点的温度区间。
在一个示例性实施例中，上述装置还包括：提醒模块，用于在所述下一时间点的温度区间的最小值大于第一预设阈值的情况下，通过第一告警事件发出提醒；在所述下一时间点的温度区间的最大值小于第二预设阈值的情况下，通过第二告警事件发出提醒；其中，所述第二预设阈值小于所述第一预设阈值。
在一个示例性实施例中，上述采集模块，还用于通过图像采集装置获取所述目标对象的图像信息，其中，所述图像信息包括：用于唯一标识所述目标对象的特征信息；在所述特征信息位于目标数据库的情况下，采集目标对象在目标时间段内的温度数据，其中，所述目标数据库中包括：多个特征信息，所述多个特征信息对应多个目标对象，所述图像采集装置被授权对所述多个目标对象进行图像采集。
在一个示例性实施例中，上述预测模块，还用于获取所述目标对象的温度取值范围；对所述温度取值范围进行划分，得到多个温度区间；根据所述多个温度区间确定所述马尔科夫模型中的转移矩阵，以通过包含所述转移矩阵的马尔科夫模型对所述温度数据进行概率值预测，得到所述温度值所在温度区间对应的预测结果。
在一个示例性实施例中，上述预测模块，还用于通过所述转移矩阵对所述温度数据进行概率值预测，得到所述温度值所在温度区间对应的预测结果，包括：确定所述温度值对应的多个概率值；将所述多个概率值中的最大概率值所对应的温度区间作为所述温度值对应的预测结果。
在一个示例性实施例中，上述装置还包括：更新模块，用于在所述最大概率值所对应的温度区间不是所述温度取值范围的子集的情况下，确定对所述转移矩阵进行更新，以使再次预测出的所述温度区间处于所述温度取值范围内。
根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明，采集目标对象在目标时间段内的温度数据，并将所述温度数据输入到马尔科夫模型；其中，所述马尔科夫模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：多个温度区间和所述多个温度区间分别对应的概率值；通过马尔科夫模型对所述温度数据中的温度值进行概率值预测，得到所述温度值对应的预测结果；根据所述预测结果确定所述目标对象在所述目标时间段的下一时间点的温度区间，也就是说，通过马尔科夫模型实现了对目标对象在下一时间点的温度的预测，提高了对于目标对象的温度数据的获取效率，因此，可以解决现有技术中获取温度数据的效率低下且无法进行温度数据的预测等问题，确保对于目标对象的温度数据的采集效果，便于目标对象使用，进一步的，使目标对象可及时获知异常温度数据，对于异常数据进行准确、及时的处理。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例的一种温度预测方法的设备终端的硬件结构框图；
图2是根据本发明实施例的温度预测方法的流程图；
图3是根据本发明可选实施例的温度预测系统的架构示意图；
图4是根据本发明实施例的温度预测装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
为了更好的理解本发明实施例以及可选实施例的技术方案，以下对本发明实施例以及可选实施例中可能出现的名词进行解释说明。
人脸检测：人脸检测是指对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果是则返回一脸的位置、大小和姿态。人脸检测是自动人脸识别系统中的一个关键环节。
人脸识别：人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。根据人脸识别可以确定当前用户的确定标识。
非接触式体温测量：非接触式体温测量，一般是利用辐射体在全波长范围的积分辐射亮度与温度之间的函数关系实现温度测量的方法。这种体温测量方式因为不直接和人体接触，不容易有传染病的传播，另外测量时间比较短，对大规模的人群做筛查比较合适。非接触式温度计又可分为耳温计，额温计，红外热像，红波体温监测仪。
马尔科夫模型：马尔科夫模型是概率论和数理统计中具有马尔科夫性质且存在于离散的指数集和状态空间内的随机过程。马尔科夫模型中随机变量的状态随时间步的变化被称为演变或转移。可以用转移矩阵来描述马尔科夫模型结构。若X(k)是k时刻的状态向量，P是一步转移概率矩阵，则有X(k+1)＝X(k)*P，即通过T＝K时刻的状态向量，以及一步转移概率矩阵，可以分析与预测对象在T＝K+1时刻的状态向量。
本申请实施例所提供的方法实施例可以在移动终端或者计算机终端类似的运算装置中执行。以运行在设备终端上为例，图1是本发明实施例的一种温度预测方法的设备终端的硬件结构框图。如图1所示，设备终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，在一个示例性实施例中，上述设备终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述设备终端的结构造成限定。例如，设备终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示等同功能或比图1所示功能更多的不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的温度预测方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至设备终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括设备终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种温度预测方法，图2是根据本发明实施例的温度预测方法的流程图，该流程包括如下步骤：
步骤S202，采集目标对象在目标时间段内的温度数据，并将所述温度数据输入到马尔科夫模型；其中，所述马尔科夫模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：多个温度区间和所述多个温度区间分别对应的概率值；
步骤S204，通过马尔科夫模型对所述温度数据中的温度值进行概率值预测，得到所述温度值对应的预测结果；
步骤S206，根据所述预测结果确定所述目标对象在所述目标时间段的下一时间点的温度区间。
通过上述步骤，采集目标对象在目标时间段内的温度数据，并将所述温度数据输入到马尔科夫模型；其中，所述马尔科夫模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：多个温度区间和所述多个温度区间分别对应的概率值；通过马尔科夫模型对所述温度数据中的温度值进行概率值预测，得到所述温度值对应的预测结果；根据所述预测结果确定所述目标对象在所述目标时间段的下一时间点的温度区间，也就是说，通过马尔科夫模型实现了对目标对象在下一时间点的温度的预测，提高了对于目标对象的温度数据的获取效率，因此，可以解决现有技术中获取温度数据的效率低下且无法进行温度数据的预测等问题，确保对于目标对象的温度数据的采集效果，便于目标对象使用，进一步的，使目标对象可及时获知异常温度数据，对于异常数据进行准确、及时的处理。
在一个示例性实施例中，根据所述预测结果确认所述目标对象在所述目标时间段的下一时间点的温度区间之后，所述方法还包括：在所述下一时间点的温度区间的最小值大于第一预设阈值的情况下，通过第一告警事件发出提醒；在所述下一时间点的温度区间的最大值小于第二预设阈值的情况下，通过第二告警事件发出提醒；其中，所述第二预设阈值小于所述第一预设阈值。
由于通过马尔科夫模型的预测出的目标对象的在目标时间段的下一时间点的温度存在多种情况，为了使得当预测出的目标时间段的下一时间点的温度在出现异常时对于目标对象的提示更加准确，因此，设置关于目标时间段的下一时间点的引起告警的温度预设阈值区间。
举例说明，人体正常体温范围是35.7℃到37.3℃，但人体体温不会低于35.7℃，可以将35.7℃设为第二预设阈值以及将37.3℃设为第一预设阈值；当在10:50时，目标对象测量出的温度为36.4℃，结合目标对象的历史温度数据通过马尔科夫模型预测出，当目标对象在11:00进行测温时的预测温度为36.6℃附近的温度区间，说明目标用户的温度数据正常，不会引告警，假如预测出的目标对象在11:00的温度可能为34.8℃附近的温度区间，因此，虽然该温度数据为正常体温，但是会有预测数据异常的第二告警事件提醒，提醒用户需要重新进行预测；或者，如果预测出的温度区间的最小值大于37.7℃，说明目标用户的温度数据在下一时间点会出现体温异常，会向目标对象发出提前进行预防异常温度出现的第一告警事件提醒。
在一个示例性实施例中，采集目标对象在目标时间段内的温度数据，包括：通过图像采集装置获取所述目标对象的图像信息，其中，所述图像信息包括：用于唯一标识所述目标对象的特征信息；在所述特征信息位于目标数据库的情况下，采集目标对象在目标时间段内的温度数据，其中，所述目标数据库中包括：多个特征信息，所述多个特征信息对应多个目标对象，所述图像采集装置被授权对所述多个目标对象进行图像采集。
也就是说，为确保温度数据采集的准确性，以及对目标对象温度采集的连续性，目标对象需要进行允许采集目标对象温度的注册确认，通过图像采集装置获目标对象的图像信息，进一步的确定出唯一标识目标对象的特征信息，当确认特征信息在已进行注册授权的目标数据库中时，该特征信息对应的目标对象可以采集在目标时间段内的温度数据。
在一个示例性实施例中，通过马尔科夫模型对所述温度数据中的温度值进行概率值预测，得到所述温度值对应的预测结果，包括：获取所述目标对象的温度取值范围；对所述温度取值范围进行划分，得到多个温度区间；根据所述多个温度区间确定所述马尔科夫模型中的转移矩阵，以通过包含所述转移矩阵的马尔科夫模型对所述温度数据进行概率值预测，得到所述温度值所在温度区间对应的预测结果。
简而言之，可以在获取到目标对象的标准温度取值范围后，对目标对象的温度取值范围的划分，从而得到多个温度区间来确定出可进行预测下一时间点的温度的马尔科夫模型所对应的转移矩阵，进而根据确定出的转移矩阵对获取的多个目标对象的多组温度数据进行分析，得出多个目标对象的在下一时间点的预测温度的分析结果。
在一个示例性实施例中，通过所述转移矩阵对所述温度数据进行概率值预测，得到所述温度值所在温度区间对应的预测结果，包括：确定所述温度值对应的多个概率值；将所述多个概率值中的最大概率值所对应的温度区间作为所述温度值对应的预测结果。
为了提升预测下一时间点的温度的准确性，在通过马尔科夫模型所对应的转移矩阵进行下一时间点的温度预测时，通过确认转移矩阵中多个概率值中的最大概率值所对应的温度区间为预测的下一时间点的温度所在的温度区间，进一步的，还可以将将该温度区间中的最大温度值作为预测的下一时间点的温度的预测分析结果。
在一个示例性实施例中，将所述多个概率值中的最大概率值所对应的温度区间作为所述温度值对应的预测结果之后，所述方法还包括：在所述最大概率值所对应的温度区间不是所述温度取值范围的子集的情况下，确定对所述转移矩阵进行更新，以使再次预测出的所述温度区间处于所述温度取值范围内。
由于目标对象可同时存在多个，每个目标对象的测量数据均是不相同的，当出现通过马尔科夫模型预测出最大概率值所对应的温度区间不是温度取值范围的子集时，需要对转移矩阵进行更新，已确保转移矩阵维持预测的精准性，使得再次通过马尔科夫模型进行温度预测时，预测出的温度区间处于目标对象的温度取值范围内。
例如，人体正常体温范围是35.7℃到37.3℃，但人体体温不会低于35.7℃，以0.5度为一个区间，以37.3为分界点，可以划分出6个温度区间，[33.0,35.7]，[35.8,36.2]，[36.3,36.7]，[36.8,37.2]，[37.3,37.7]，[37.8,43.0]，当通过马尔科夫模型预测出最大概率值所对应的温度区间为[33.0,35.7]温度区间时，由于人体体温不会低于35.7℃，因此，需要对马尔科夫模型所对应的转移矩阵进行更新，确保再次预测时不会出现此温度区间所包含的温度。
为了更好的理解上述温度预测方法的过程，以下结合可选实施例对上述温度预测方法流程进行说明。
本发明可选实施例中，主要提供了一种温度预测系统，图3为本发明可选实施例的温度预测系统的架构示意图，温度预测系统连接着人脸检测子系统以及体温测量仪(相当于本发明实施例中的图像采集装置)，在温度预测系统通过设置时间段，当用户(相当于本发明实施例中的目标对象)走近人脸检测子系统时，体温测量仪测量的是该用户的体温(相当于本发明实施例中温度数据)。进而实现在每天的多个时间段测量各个家庭成员的体温并记录其测量结果，根据长时间的测量结果，利用马尔科夫模型进行分析，预测下次测量结果(相当于本发明实施例中的目标时间段的下一时间点的温度)，从而提前发现异常，进行告警提示，并且其它系统也可通过开放的体温查询接口查询本系统所记录的数据，用作查询或进一步分析处理。
具体的，上述温度预测系统的工作流程如下：
步骤一：检测人脸，预设用户a在测量时间段t，走近人脸检测子系统，人脸检测成功，人脸检测子系统上报人脸图片到控制系统。
步骤二：人脸识别，控制系统的人脸识别模块识别人脸，若是已知合法用户，则进入步骤三测量体温，否则结束服务。
步骤三：测量体温，控制系统启动体温测量仪，并测量体温，把数据返回给体温处理模块获得最终体温数据。
步骤四：体温数据处理，体温处理模块判断所测量的体温是否异常，若异常控制系统发出告警，并记录数据(人，体温，时间)，若体温正常，判断此时间段用户a是否已经记录体温数据，若未记录则记录数据(人，体温，时间)。
步骤五：数据分析，通过数据分析模块，利用马尔科夫模型进行数据分析。
可选的，根据测量的数据，利用统计方法确定出测量数据的一步转移矩阵P，其算法如下：
人体正常体温范围是35.7℃到37.3℃。因此，以37.3为分界点，每0.5度一个区间，分为4个区间：[35.8,36.2]，[36.3,36.7]，[36.8,37.2]，[37.3,37.7]。外加头尾两个区间[33.0,35.7]和[37.8,43.0]，一共六个区间。第一个区间是体温低于等于35.7℃，最后一个区间是体温高于等于37.8℃，这样六个区间，定义为马尔科夫模型的状态空间S0,S1,S2,S3,S4,S5：S0[33.0,35.7]；S1[35.8,36.2]；S2[36.3,36.7]；S3[36.8,37.2]；S4[37.3,37.7]；S5[37.8,43.0]；此外，将低于33.0℃或高于43.0℃确定为测量错误的数据，不在系统中处理。进而利用统计方法，根据测量数据生成一步转移矩阵P。
例如，当测量数据为36.5,35.9,36.5,36.1,36.6,36.3,37.0,37.4,36.1,36.8,36.9,36.1时，根据测量数据生成的一步转移矩阵P为表1所示。
表1
转移矩阵 S0 S1 S2 S3 S4 S5
S0 0.000 0.273 0.364 0.273 0.091 0.000
S1 0.000 0.000 0.667 0.333 0.000 0.000
S2 0.000 0.500 0.250 0.250 0.000 0.000
S3 0.000 0.333 0.000 0.333 0.333 0.000
S4 0.000 1.000 0.000 0.000 0.000 0.000
S5 0.000 0.273 0.364 0.273 0.091 0.000
可选的，根据X(k+1)＝X(k)*P，可以做两个比较。
a.根据上次测量结果，比较此次测量结果。
如上表的测量数据，最后一个测量数据为36.1，其在S1，则此次测量的结果应该是S2或S3，因为其转换概率分别为0.667和0.333。若为S0，S1，此为正常体温，但会有测量数据异常告警，则会触发转移矩阵P的更新；若为S4，S5则在步骤四已有体温异常告警。
b.根据此次测量结果，预测下次测量结果。
若此次测量结果为36.9，其在S3，则根据转移矩阵，下次测量结果可能为S1，S3，S4。其中，S4属于异常体温，且可能性为0.333，表示用户在下次测量体温时，可能会异常的告警，提醒用户注意身体健康，将可能会出现高体温；此外，为了避免频繁的预测告警，还可以为预测结果中S4，S5的概率设置阈值，当大于阀值(如0.100)后才可触发告警。
综上，通过本发明可选实施例，通过根据人脸识别结果自动测量体温，并把体温和用户相关联，进行后续活动(告警或记录)，在测量时间段t启动人脸检测子系统，在非测量时间段，关闭人脸检测子系统，根据马尔科夫模型进行分析预测，继而使得温度预测系统具有以下优点：1)在默认的时间段进行动人脸检测子系统的启动(如：上午6:00-12:00，傍晚18:00-24:00)，该过程无需用户参与，避免了因遗忘导致未进行体温测量；2)在测量时间段，用户出现在本系统前，将会自动测量该用户体温数据，并记录(人，体温，时间)；若测量的体温不在正常范围，本系统会有告警信息用于提醒用户；3)即使测量体温在正常范围，但利用马尔科夫模型进行预测的下次测量结果异常，也会有告警，警示用户进行提前预防。
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根据上述实施例的方法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，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
在本实施例中还提供了一种温度预测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图4是根据本发明实施例的温度预测装置的结构框图，如图4所示，该装置包括：
(1)采集模块42，采集目标对象在目标时间段内的温度数据，并将所述温度数据输入到马尔科夫模型；其中，所述马尔科夫模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：多个温度区间和所述多个温度区间分别对应的概率值；
(2)预测模块44，用于通过马尔科夫模型对所述温度数据中的温度值进行概率值预测，得到所述温度值对应的预测结果；
(3)确定模块46，用于根据所述预测结果确定所述目标对象在所述目标时间段的下一时间点的温度区间。
通过上述装置，采集目标对象在目标时间段内的温度数据，并将所述温度数据输入到马尔科夫模型；其中，所述马尔科夫模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：多个温度区间和所述多个温度区间分别对应的概率值；通过马尔科夫模型对所述温度数据中的温度值进行概率值预测，得到所述温度值对应的预测结果；根据所述预测结果确定所述目标对象在所述目标时间段的下一时间点的温度区间，也就是说，通过马尔科夫模型实现了对目标对象在下一时间点的温度的预测，提高了对于目标对象的温度数据的获取效率，因此，可以解决现有技术中获取温度数据的效率低下且无法进行温度数据的预测等问题，确保对于目标对象的温度数据的采集效果，便于目标对象使用，进一步的，使目标对象可及时获知异常温度数据，对于异常数据进行准确、及时的处理。
在一个示例性实施例中，上述装置还包括：提醒模块，用于在所述下一时间点的温度区间的最小值大于第一预设阈值的情况下，通过第一告警事件发出提醒；在所述下一时间点的温度区间的最大值小于第二预设阈值的情况下，通过第二告警事件发出提醒；其中，所述第二预设阈值小于所述第一预设阈值。
由于通过马尔科夫模型的预测出的目标对象的在目标时间段的下一时间点的温度存在多种情况，为了使得当预测出的目标时间段的下一时间点的温度在出现异常时对于目标对象的提示更加准确，因此，设置关于目标时间段的下一时间点的引起告警的温度预设阈值区间。
举例说明，人体正常体温范围是35.7℃到37.3℃，但人体体温不会低于35.7℃，可以将35.7℃设为第二预设阈值以及将37.3℃设为第一预设阈值；当在10:50时，目标对象测量出的温度为36.4℃，结合目标对象的历史温度数据通过马尔科夫模型预测出，当目标对象在11:00进行测温时的预测温度为36.6℃附近的温度区间，说明目标用户的温度数据正常，不会引告警，假如预测出的目标对象在11:00的温度可能为34.8℃附近的温度区间，因此，虽然该温度数据为正常体温，但是会有预测数据异常的第二告警事件提醒，提醒用户需要重新进行预测；或者，如果预测出的温度区间的最小值大于37.7℃，说明目标用户的温度数据在下一时间点会出现体温异常，会向目标对象发出提前进行预防异常温度出现的第一告警事件提醒。
在一个示例性实施例中，上述采集模块，还用于通过图像采集装置获取所述目标对象的图像信息，其中，所述图像信息包括：用于唯一标识所述目标对象的特征信息；在所述特征信息位于目标数据库的情况下，采集目标对象在目标时间段内的温度数据，其中，所述目标数据库中包括：多个特征信息，所述多个特征信息对应多个目标对象，所述图像采集装置被授权对所述多个目标对象进行图像采集。
也就是说，为确保温度数据采集的准确性，以及对目标对象温度采集的连续性，目标对象需要进行允许采集目标对象温度的注册确认，通过图像采集装置获目标对象的图像信息，进一步的确定出唯一标识目标对象的特征信息，当确认特征信息在已进行注册授权的目标数据库中时，该特征信息对应的目标对象可以采集在目标时间段内的温度数据。
在一个示例性实施例中，上述预测模块，还用于获取所述目标对象的温度取值范围；对所述温度取值范围进行划分，得到多个温度区间；根据所述多个温度区间确定所述马尔科夫模型中的转移矩阵，以通过包含所述转移矩阵的马尔科夫模型对所述温度数据进行概率值预测，得到所述温度值所在温度区间对应的预测结果。
简而言之，可以在获取到目标对象的标准温度取值范围后，对目标对象的温度取值范围的划分，从而得到多个温度区间来确定出可进行预测下一时间点的温度的马尔科夫模型所对应的转移矩阵，进而根据确定出的转移矩阵对获取的多个目标对象的多组温度数据进行分析，得出多个目标对象的在下一时间点的预测温度的分析结果。
在一个示例性实施例中，上述预测模块，还用于通过所述转移矩阵对所述温度数据进行概率值预测，得到所述温度值所在温度区间对应的预测结果，包括：确定所述温度值对应的多个概率值；将所述多个概率值中的最大概率值所对应的温度区间作为所述温度值对应的预测结果。
为了提升预测下一时间点的温度的准确性，在通过马尔科夫模型所对应的转移矩阵进行下一时间点的温度预测时，通过确认转移矩阵中多个概率值中的最大概率值所对应的温度区间为预测的下一时间点的温度所在的温度区间，进一步的，还可以将将该温度区间中的最大温度值作为预测的下一时间点的温度的预测分析结果。
在一个示例性实施例中，上述装置还包括：更新模块，用于在所述最大概率值所对应的温度区间不是所述温度取值范围的子集的情况下，确定对所述转移矩阵进行更新，以使再次预测出的所述温度区间处于所述温度取值范围内。
由于目标对象可同时存在多个，每个目标对象的测量数据均是不相同的，当出现通过马尔科夫模型预测出最大概率值所对应的温度区间不是温度取值范围的子集时，需要对转移矩阵进行更新，已确保转移矩阵维持预测的精准性，使得再次通过马尔科夫模型进行温度预测时，预测出的温度区间处于目标对象的温度取值范围内。
例如，人体正常体温范围是35.7℃到37.3℃，但人体体温不会低于35.7℃，以0.5度为一个区间，以37.3为分界点，可以划分出6个温度区间，[33.0,35.7]，[35.8,36.2]，[36.3,36.7]，[36.8,37.2]，[37.3,37.7]，[37.8,43.0]，当通过马尔科夫模型预测出最大概率值所对应的温度区间为[33.0,35.7]温度区间时，由于人体体温不会低于35.7℃，因此，需要对马尔科夫模型所对应的转移矩阵进行更新，确保再次预测时不会出现此温度区间所包含的温度。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，采集目标对象在目标时间段内的温度数据，并将所述温度数据输入到马尔科夫模型；其中，所述马尔科夫模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：多个温度区间和所述多个温度区间分别对应的概率值；
S2，通过马尔科夫模型对所述温度数据中的温度值进行概率值预测，得到所述温度值对应的预测结果；
S3，根据所述预测结果确定所述目标对象在所述目标时间段的下一时间点的温度区间。
在一个示例性实施例中，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
在一个示例性实施例中，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，采集目标对象在目标时间段内的温度数据，并将所述温度数据输入到马尔科夫模型；其中，所述马尔科夫模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：多个温度区间和所述多个温度区间分别对应的概率值；
S2，通过马尔科夫模型对所述温度数据中的温度值进行概率值预测，得到所述温度值对应的预测结果；
S3，根据所述预测结果确定所述目标对象在所述目标时间段的下一时间点的温度区间。
在一个示例性实施例中，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，在一个示例性实施例中，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种温度预测方法，其特征在于，包括：
采集目标对象在目标时间段内的温度数据，并将所述温度数据输入到马尔科夫模型；其中，所述马尔科夫模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：多个温度区间和所述多个温度区间分别对应的概率值；
通过马尔科夫模型对所述温度数据中的温度值进行概率值预测，得到所述温度值对应的预测结果；
根据所述预测结果确定所述目标对象在所述目标时间段的下一时间点的温度区间。
2.根据权利要求1所述的方法，其特征在于，根据所述预测结果确认所述目标对象在所述目标时间段的下一时间点的温度区间之后，所述方法还包括：
在所述下一时间点的温度区间的最小值大于第一预设阈值的情况下，通过第一告警事件发出提醒；
在所述下一时间点的温度区间的最大值小于第二预设阈值的情况下，通过第二告警事件发出提醒；
其中，所述第二预设阈值小于所述第一预设阈值。
3.根据权利要求1所述的方法，其特征在于，采集目标对象在目标时间段内的温度数据，包括：
通过图像采集装置获取所述目标对象的图像信息，其中，所述图像信息包括：用于唯一标识所述目标对象的特征信息；
在所述特征信息位于目标数据库的情况下，采集目标对象在目标时间段内的温度数据，其中，所述目标数据库中包括：多个特征信息，所述多个特征信息对应多个目标对象，所述图像采集装置被授权对所述多个目标对象进行图像采集。
4.根据权利要求1所述的方法，其特征在于，通过马尔科夫模型对所述温度数据中的温度值进行概率值预测，得到所述温度值对应的预测结果，包括：
获取所述目标对象的温度取值范围；
对所述温度取值范围进行划分，得到多个温度区间；
根据所述多个温度区间确定所述马尔科夫模型中的转移矩阵，以通过包含所述转移矩阵的马尔科夫模型对所述温度数据进行概率值预测，得到所述温度值所在温度区间对应的预测结果。
5.根据权利要求4所述的方法，其特征在于，通过所述转移矩阵对所述温度数据进行概率值预测，得到所述温度值所在温度区间对应的预测结果，包括：
确定预测得到的每个温度值对应的概率值；
将所述概率值中的最大概率值所对应的温度值所在的温度区间作为所述温度值对应的预测结果。
6.根据权利要求5所述的方法，其特征在于，将所述多个概率值中的最大概率值所对应的温度区间作为所述温度值对应的预测结果之后，所述方法还包括：
在所述最大概率值所对应的温度区间不是所述温度取值范围的子集的情况下，确定对所述转移矩阵进行更新，以使再次预测出的所述温度区间处于所述温度取值范围内。
7.一种温度预测装置，其特征在于，包括：
采集模块，采集目标对象在目标时间段内的温度数据，并将所述温度数据输入到马尔科夫模型；其中，所述马尔科夫模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：多个温度区间和所述多个温度区间分别对应的概率值；
预测模块，用于通过马尔科夫模型对所述温度数据中的温度值进行概率值预测，得到所述温度值对应的预测结果；
确定模块，用于根据所述预测结果确定所述目标对象在所述目标时间段的下一时间点的温度区间。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：提醒模块，用于在所述下一时间点的温度区间的最小值大于第一预设阈值的情况下，通过第一告警事件发出提醒；在所述下一时间点的温度区间的最大值小于第二预设阈值的情况下，通过第二告警事件发出提醒；其中，所述第二预设阈值小于所述第一预设阈值。
9.一种计算机可读的存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6任一项中所述的方法。
CN202011303803.6A 2020-11-19 2020-11-19 温度预测方法及装置、存储介质、电子装置 Pending CN112418513A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011303803.6A CN112418513A (zh) 2020-11-19 2020-11-19 温度预测方法及装置、存储介质、电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011303803.6A CN112418513A (zh) 2020-11-19 2020-11-19 温度预测方法及装置、存储介质、电子装置

Publications (1)

Publication Number Publication Date
CN112418513A true CN112418513A (zh) 2021-02-26

Family

ID=74773668

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011303803.6A Pending CN112418513A (zh) 2020-11-19 2020-11-19 温度预测方法及装置、存储介质、电子装置

Country Status (1)

Country Link
CN (1) CN112418513A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113375832A (zh) * 2021-08-12 2021-09-10 天津飞旋科技股份有限公司 温度监测系统、方法、装置、电机设备及计算机存储介质
CN113673760A (zh) * 2021-08-19 2021-11-19 上海上实龙创智能科技股份有限公司 一种能耗预测方法、装置、计算机设备和存储介质
CN116269738A (zh) * 2023-05-25 2023-06-23 深圳市科医仁科技发展有限公司 射频治疗仪的智能控制方法、装置、设备及存储介质
CN116277690A (zh) * 2023-05-23 2023-06-23 成都正西液压设备制造有限公司 一种基于模具参数检测的复材模压机电控系统
CN118549008A (zh) * 2024-07-29 2024-08-27 浙江正泰电气科技有限公司 一种开关柜装置的温度预警方法及开关柜装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462858A (zh) * 2014-12-30 2015-03-25 天津迈沃医药技术有限公司 基于多阶隐马尔可夫模型的健康预警方法
CN107146050A (zh) * 2017-04-24 2017-09-08 南京农业大学 一种冷链运输环境预测方法以及系统
CN110544530A (zh) * 2018-05-29 2019-12-06 浙江清华柔性电子技术研究院 体温数据预测装置及其体温数据预测模型构建方法
CN111595450A (zh) * 2020-05-15 2020-08-28 北京百度网讯科技有限公司 测量温度的方法、装置、电子设备和计算机可读存储介质
CN111772595A (zh) * 2020-07-13 2020-10-16 江苏中科智能制造研究院有限公司 一种群体体温检测系统与方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462858A (zh) * 2014-12-30 2015-03-25 天津迈沃医药技术有限公司 基于多阶隐马尔可夫模型的健康预警方法
CN107146050A (zh) * 2017-04-24 2017-09-08 南京农业大学 一种冷链运输环境预测方法以及系统
CN110544530A (zh) * 2018-05-29 2019-12-06 浙江清华柔性电子技术研究院 体温数据预测装置及其体温数据预测模型构建方法
CN111595450A (zh) * 2020-05-15 2020-08-28 北京百度网讯科技有限公司 测量温度的方法、装置、电子设备和计算机可读存储介质
CN111772595A (zh) * 2020-07-13 2020-10-16 江苏中科智能制造研究院有限公司 一种群体体温检测系统与方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113375832A (zh) * 2021-08-12 2021-09-10 天津飞旋科技股份有限公司 温度监测系统、方法、装置、电机设备及计算机存储介质
CN113375832B (zh) * 2021-08-12 2021-11-05 天津飞旋科技股份有限公司 温度监测系统、方法、装置、电机设备及计算机存储介质
CN113673760A (zh) * 2021-08-19 2021-11-19 上海上实龙创智能科技股份有限公司 一种能耗预测方法、装置、计算机设备和存储介质
CN116277690A (zh) * 2023-05-23 2023-06-23 成都正西液压设备制造有限公司 一种基于模具参数检测的复材模压机电控系统
CN116269738A (zh) * 2023-05-25 2023-06-23 深圳市科医仁科技发展有限公司 射频治疗仪的智能控制方法、装置、设备及存储介质
CN118549008A (zh) * 2024-07-29 2024-08-27 浙江正泰电气科技有限公司 一种开关柜装置的温度预警方法及开关柜装置

Similar Documents

Publication Publication Date Title
CN112418513A (zh) 温度预测方法及装置、存储介质、电子装置
CN116580830B (zh) 一种基于云平台的远程智能医疗服务系统
CN110838118B (zh) 用于医疗过程中异常检测的系统和方法
CN111314173B (zh) 监控信息异常的定位方法、装置、计算机设备及存储介质
CN104334075A (zh) 具有调整通知的生物测定属性异常检测系统
CN110879995A (zh) 目标物品检测方法及装置、存储介质及电子装置
CN108511067B (zh) 预警方法及电子设备
EP3287918A1 (en) Managing patient devices based on sensor data
CN115238828A (zh) 一种色谱仪故障监测方法及装置
CN111863252A (zh) 健康监测方法、系统、计算机设备及存储介质
CN109003674A (zh) 一种健康管理方法及系统
CN118197615B (zh) 基于大数据和人工智能的术后风险预测方法及系统
CN109523396A (zh) 基于数据分析的医保基金风控方法、装置、服务器及介质
CN118786487A (zh) 使用计算机视觉和机器学习来进行创伤管理和治疗
EP4024403A1 (en) Method and system for mental index prediction
CN117557415B (zh) 一种基于智慧物业的社区资源管理方法及系统
CN112964376A (zh) 一种智慧测温方法、装置、计算机设备及存储介质
US20200381131A1 (en) System and method for healthcare compliance
CN113343004B (zh) 对象的识别方法和装置、存储介质及电子装置
CN106859597B (zh) 一种远程监护方法和装置
CN211044275U (zh) 温度测试及防控系统
CN114203301A (zh) 一种诊后患者健康状况追踪方法及系统
EP3255593A1 (en) Performance analysing and forecasting system
EP3847595A1 (en) Monitoring moveable entities in a predetermined area
CN111696677A (zh) 利用医疗大数据支撑临床科研的信息管理系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210226