CN112504491A - 一种基于可穿戴设备的体温测量方法 - Google Patents

Abstract

本发明公开了一种基于可穿戴设备的体温测量方法，该体温测量方法包括以下步骤：将收集到的传感器数据在基于环境补偿因素的条件下进行传感器数据融合；利用多项式回归的机器学习方法将环境补偿项，两个传感器的融合数据，以及噪声偏差项与真实的数据进行拟合，得出两个传感器的分别的权重以及环境因素的影响因子和噪声；利用多项式拟合出来的权重得到体表温度，然后用卡尔曼滤波器对体表温度和真实的体温拟合得到二者之间的非线性关系。该基于可穿戴设备的体温测量方法，利用便携式可穿戴技术实现人体生理参数如体温等的远控测量，持续检测解决方案能够有效的避免接触性感染。

Description

一种基于可穿戴设备的体温测量方法

技术领域

本发明涉及体温测量技术领域，具体为一种基于可穿戴设备的体温测量方法。

背景技术

新型冠状病毒(2019-nCoV)主要通过飞沫和接触传播，人感染后常见体征有呼吸道症状、发热、咳嗽、气促和呼吸困难等。在较严重病例中，感染可导致肺炎、严重急性呼吸综合征、肾衰竭，甚至死亡。目前在广大社会人员和团体中都是先通过测量体温来初次确定是否有感染风险进而采取进一步操作，隔离防范期间，隔离者需要对被隔离人员进行测量体温；病者就医，医务人员需测量体温判断；企业复工学校复学后，管理人员需要测量体温来保证工作人员与学生的安全等。传统的体温测量方式，例如水银体温计、耳温枪、额温枪等均无法有效避免医护与患者的近距离接触，增加了医护人员的感染风险，高频的体温测量也加重了医护人员的工作负担。同时，高频的体温测量也加重了医护人员的工作负担，还极易因频繁打扰患者或者隔离者休息而引起不同程度的不满，徒增医护的工作难度。

新型冠状病毒肺炎疫情防控形势严峻复杂。严密防控是头等大事，事关医护人员和人民群众的生命安全。医护人员穿着厚重的隔离衣，测试体温变得困难，不仅会造成防护服的无端浪费，更是体力的消耗，还增加了暴露风险。在疫情仍未完全消除的今天，医疗资源紧缺，利用大数据技术提升防控监测能力，无疑是当下最有效的手段之一。

人体温度测量主要是基于体核温度或体表温度。“体核”主要包括头部和躯干；体表温度定义为皮肤表面温度。由于精确的体核温度需要通过特定仪器深入到皮肤下1cm甚至更深入的位置进行测量，这种操作有风险和疼痛感，因此不适用于日常生活。所以一般都是通过更容易测量的体表温度来替代体核温度。然而相比于体核温度的稳定不变，体表温度则是极易受周围环境温度所影响，尤其是在周围温度突变的情况下，四肢体表温度变化幅度尤其大，在这种情况下便携式设备很难通过测量体表温度来获得人体真实的体温，因此难以确定真实体温是否异常，为此，提出一种基于可穿戴设备的体温测量方法。

发明内容

针对现有技术的不足，本发明提供了一种基于可穿戴设备的体温测量方法，该体温测量方法包括以下步骤：

步骤一、将收集到的传感器数据在基于环境补偿因素的条件下进行传感器数据融合；

步骤二、利用多项式回归的机器学习方法将环境补偿项，两个传感器的融合数据，以及噪声偏差项与真实的数据进行拟合，得出两个传感器的分别的权重以及环境因素的影响因子和噪声；

步骤三、利用多项式拟合出来的权重得到体表温度，然后用卡尔曼滤波器对体表温度和真实的体温拟合得到二者之间的非线性关系；

步骤四、用最终的预测体温值与真实值做对比，测试算法结果，最后将本算法的预测值与电子体温计测量值进行可视化与数据分析对比。

优选的，该所述体温测量方法是基于传感器数据融合来拟合真实温度的回归算法，且该回归算法流程包括以下步骤：

S1：先把手环放置一个恒温箱内并用湿纸巾包裹好，湿纸巾隔热效果很好可以确保手环测得温度便是恒温箱的温度，同时定时调节并记录恒温箱内的温度为T＝[t₀ t₁ …t_n]，手环正面传感器数据记为

反面传感器数据记为

利用多项式回归算法将两个传感器进行数据融合并且考虑了环境补偿项，算法公式为：

S2：初始化预测值

和当前预测值方差

S3：当前时刻的预测值是基于前一时刻的预测值计算所得：

其中r_n是高斯随机噪声，w_n是

对应的权重，当前预测值方差为：

r_n的估算是基于环境温度

和体表温度

的差的变化：

S4：计算当前卡尔曼滤波增益：

其中Var(e_n)＝(x_n-s_n)²，将当前预测值和测量值S_fused进行融合计算得到当前时刻估计值：

然后更新当前预测值方差

将更新得到的当前时刻方差用于下一轮计算预测值方差。

优选的，其中

为测量的体表温度，α，β，γ，b均为通过回归算法拟合出来的参数，其中α，β分别为两个传感器的权重，γ为环境因素的影响因子，

为环境补偿项，b为噪声偏差，在一段时间内获取一组真实体温数据X＝[x₀ x₁ …x_n]，其中x₀ x₁ …x_n的下标代表时间(time step)，并用两个传感器获取的数据经过算法公式(1)获取对应数据S_fused＝[s₀ s₁…s_n]，S_fused在此代表由0到n时间内测量的数据。

优选的，Δd_n变化越大，噪声r_n值越大，权重w_n的计算则是随着Δd_n变大而减小，在此处会设一个阈值σ，如Δd_n＜σ，w_n＝1，通常如果不受周围环境温度等噪声影响，则假设人体温度在前后时刻是稳定不变的，然而当Δd_n＞σ，说明此时噪声r_n变大，则前一时刻的体温权重就会相应的减小：

w_n＝ε×w_n-1，其中ε为平滑因子，取值为0.98，w_n会持续变化直至Δd_n＜σ时：w_n＝1。

与现有技术对比，本发明具备以下有益效果：该一种基于可穿戴设备的体温测量方法，本产品有两个传感器分别安置于手环正反两面，放置于手环正面的传感器可以在本产品戴在手腕时，用于测量周围环境的温度；反面(紧贴于皮肤)的传感器的可以直接获取体表温度，最终体温值是利用了上下两个传感器的数据融合通过一种回归算法得到。并且本产品不仅可以戴在手腕测量体表温度，也可以像体温计一样放置在腋下测量体表温度；相比于手腕更多的暴露在环境外部，腋下受环境温度影响较小所以体表温度更稳定，也更接近于体核温度，再通过两个传感器融合后测量，获得的体温数值也更加精准。但是为了便利以及可以随时监控体温并且与此同时不影响做其他的工作，把智能手环戴在手腕测体温是个更合理的方式，相较于其余的便携式智能手环，只能仅仅通过测量体表温获取体温而且多数只能佩戴于手腕，本产品不仅利用了环境温度的补偿实现更精确的测量体温，而且提供了多用途使其可以像体温计一样使用，同时利用便携式可穿戴技术实现人体生理参数如体温等的远控测量，持续检测解决方案能够有效的避免接触性感染。

附图说明

图1为本发明基于传感器数据融合来拟合真实温度的回归算法流程图；

图2为本发明卡尔曼滤波器迭代部分流程图；

图3为本发明实验的仿真结果图；

图4为本发明电子体温计测量对比图。

具体实施方式

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，所描述的实施例仅仅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做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。

请参阅图1-4，一种基于可穿戴设备的体温测量方法，该体温测量方法包括以下步骤：

步骤一、将收集到的传感器数据在基于环境补偿因素的条件下进行传感器数据融合；

步骤二、利用多项式回归的机器学习方法将环境补偿项，两个传感器的融合数据，以及噪声偏差项与真实的数据进行拟合，得出两个传感器的分别的权重以及环境因素的影响因子和噪声；

步骤三、利用多项式拟合出来的权重得到体表温度，然后用卡尔曼滤波器对体表温度和真实的体温拟合得到二者之间的非线性关系；

步骤四、用最终的预测体温值与真实值做对比，测试算法结果，最后将本算法的预测值与电子体温计测量值进行可视化与数据分析对比。

优选的，该所述体温测量方法是基于传感器数据融合来拟合真实温度的回归算法，且该回归算法流程包括以下步骤：

S1:先把手环放置一个恒温箱内并用湿纸巾包裹好，湿纸巾隔热效果很好可以确保手环测得温度便是恒温箱的温度，同时定时调节并记录恒温箱内的温度为T＝[t₀ t₁ …t_n]，手环正面传感器数据记为

反面传感器数据记为

利用多项式回归算法将两个传感器进行数据融合并且考虑了环境补偿项，算法公式为：

S2：初始化预测值

和当前预测值方差

S3：当前时刻的预测值是基于前一时刻的预测值计算所得：

其中r_n是高斯随机噪声，w_n是

对应的权重，当前预测值方差为：

r_n的估算是基于环境温度

和体表温度

的差的变化：

S4：计算当前卡尔曼滤波增益：

其中Var(e_n)＝(x_n-s_n)²，将当前预测值和测量值S_fused进行融合计算得到当前时刻估计值：

然后更新当前预测值方差

将更新得到的当前时刻方差用于下一轮计算预测值方差。

优选的，其中

为测量的体表温度，α，β，γ，b均为通过回归算法拟合出来的参数，其中α，β分别为两个传感器的权重，γ为环境因素的影响因子，

为环境补偿项，b为噪声偏差，在一段时间内获取一组真实体温数据X＝[x₀ x₁ …x_n]，其中x₀ x₁ …x_n的下标代表时间(time step)，并用两个传感器获取的数据经过算法公式(1)获取对应数据S_fused＝[s₀ s₁…s_n]，S_fused在此代表由0到n时间内测量的数据。

优选的，Δd_n变化越大，噪声r_n值越大，权重w_n的计算则是随着Δd_n变大而减小，在此处会设一个阈值σ，如Δd_n＜σ，w_n＝1，通常如果不是因为周围环境温度等噪声影响，则假设人体温度在前后时刻是稳定不变的，然而当Δd_n＞σ，说明此时噪声r_n变大，则前一时刻的体温权重就会相应的减小：

w_n＝ε×w_n-1，其中ε为平滑因子，取值为0.98，w_n会持续变化直至Δd_n＜σ时：w_n＝1。

需要说明的是，本次实验模拟了不同环境温度下的体表温度变化，并且将输出结果和用体温计测量的真实结果进行了对比。

本次实验对象共有200人，通过改变恒温室的温度来模拟不同的环境温度，并且每人均同时用本产品和温度计测量并记录体温数据，然后对本产品的测试结果与体温计测量的真实结果进行了对比，如图3所示记录了相对应的实验结果；

其中灰色曲线为环境温度的变化，黑色曲线为体表温度，可以看出在环境温度变化最大的位置，体表温度的变化也是最大的，而且体表温度的变化趋势和环境温度的变化趋势基本一致，所以可见考虑环境温度补偿是很有必要的；

如图4所示，图中曲线分别为电子体温计测量的参考体温真实值与本产品预测的体温值，从图中对比结果可看出本产品预测的体温值与电子体温计测出的体温值基本相同，并且从期望和方差数值分析来看也确实相差很小，电子体温计测量的体温y_true期望值和方差如下：E(y_true)＝36.7628，本产品测量体温y_predict的期望值E(y_predict)和方差var(y_predict)如下：var(y_predict)＝0.8692，可以看出本产品的测量体温值的分布与电子体温计几乎一致。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (4)

1.一种基于可穿戴设备的体温测量方法，其特征在于：该体温测量方法包括以下步骤：

步骤一、将收集到的传感器数据在基于环境补偿因素的条件下进行传感器数据融合；

步骤二、利用多项式回归的机器学习方法将环境补偿项，两个传感器的融合数据，以及噪声偏差项与真实的数据进行拟合，得出两个传感器的分别的权重以及环境因素的影响因子和噪声；

步骤三、利用多项式拟合出来的权重得到体表温度，然后用卡尔曼滤波器对体表温度和真实的体温拟合得到二者之间的非线性关系；

步骤四、用最终的预测体温值与真实值做对比，测试算法结果，最后将本算法的预测值与电子体温计测量值进行可视化与数据分析对比。

2.根据权利要求1所述的一种基于可穿戴设备的体温测量方法，其特征在于：该所述体温测量方法是基于传感器数据融合来拟合真实温度的回归算法，且该回归算法流程包括以下步骤：

S1：先把手环放置一个恒温箱内并用湿纸巾包裹好，湿纸巾隔热效果很好可以确保手环测得温度便是恒温箱的温度，同时定时调节并记录恒温箱内的温度为T＝[t₀ t₁…t_n]，手环正面传感器数据记为

反面传感器数据记为

利用多项式回归算法将两个传感器进行数据融合并且考虑了环境补偿项，算法公式为：

S2：初始化预测值

和当前预测值方差

S3：当前时刻的预测值是基于前一时刻的预测值计算所得：

其中r_n是高斯随机噪声，w_n是

对应的权重，当前预测值方差为：

r_n的估算是基于环境温度

和体表温度

的差的变化：

S4：计算当前卡尔曼滤波增益：

其中Var(e_n)＝(x_n-s_n)²，将当前预测值和测量值S_fused进行融合计算得到当前时刻估计值：

然后更新当前预测值方差

将更新得到的当前时刻方差用于下一轮计算预测值方差。

3.根据权利要求2所述的回归算法，其特征在于：其中

为测量的体表温度，α，β，γ，b均为通过回归算法拟合出来的参数，其中α，β分别为两个传感器的权重，γ为环境因素的影响因子，

为环境补偿项，b为噪声偏差，在一段时间内获取一组真实体温数据X＝[x₀ x₁…x_n]，其中x₀ x₁…x_n的下标代表时间(time step)，并用两个传感器获取的数据经过算法公式(1)获取对应数据S_fused＝[s₀ s₁…s_n]，S_fused在此代表由0到n时间内测量的数据。

4.根据权利要求1所述的一种基于可穿戴设备的体温测量方法，其特征在于：Δd_n变化越大，噪声r_n值越大，权重w_n的计算则是随着Δd_n变大而减小，在此处会设一个阈值σ，如Δd_n＜σ，w_n＝1，通常如果不受周围环境温度等噪声影响，则假设人体温度在前后时刻是稳定不变的，然而当Δd_n＞σ，说明此时噪声r_n变大，则前一时刻的体温权重就会相应的减小：

w_n＝ε×w_n-1，其中ε为平滑因子，取值为0.98，w_n会持续变化直至Δd_n＜σ时：w_n＝1。

Images