CN112568876A - 基于lstm多生理参数的老年人健康预测系统及预测方法 - Google Patents
基于lstm多生理参数的老年人健康预测系统及预测方法 Download PDFInfo
- Publication number
- CN112568876A CN112568876A CN202011414906.XA CN202011414906A CN112568876A CN 112568876 A CN112568876 A CN 112568876A CN 202011414906 A CN202011414906 A CN 202011414906A CN 112568876 A CN112568876 A CN 112568876A
- Authority
- CN
- China
- Prior art keywords
- information
- user
- physiological parameter
- sleep
- physiological
- 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
- 230000036541 health Effects 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000007958 sleep Effects 0.000 claims abstract description 84
- 239000008280 blood Substances 0.000 claims abstract description 46
- 210000004369 blood Anatomy 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 40
- 230000004217 heart function Effects 0.000 claims abstract description 31
- 238000004891 communication Methods 0.000 claims abstract description 6
- 230000003860 sleep quality Effects 0.000 claims description 24
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 19
- 230000008454 sleep-wake cycle Effects 0.000 claims description 16
- 230000036772 blood pressure Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 206010010904 Convulsion Diseases 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000000747 cardiac effect Effects 0.000 claims description 11
- 230000036461 convulsion Effects 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 10
- 238000013441 quality evaluation Methods 0.000 claims description 10
- 230000005978 brain dysfunction Effects 0.000 claims description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 5
- 230000036760 body temperature Effects 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- 239000001301 oxygen Substances 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 210000000577 adipose tissue Anatomy 0.000 claims description 4
- 230000037182 bone density Effects 0.000 claims description 4
- 230000003925 brain function Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000001303 quality assessment method Methods 0.000 claims description 2
- 208000019622 heart disease Diseases 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 10
- 201000010099 disease Diseases 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000032683 aging Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 208000029078 coronary artery disease Diseases 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000035487 diastolic blood pressure Effects 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 206010022437 insomnia Diseases 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 208000019116 sleep disease Diseases 0.000 description 2
- 230000004622 sleep time Effects 0.000 description 2
- 230000035488 systolic blood pressure Effects 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003722 extracellular fluid Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002618 waking effect Effects 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
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
- A61B5/029—Measuring or recording blood output from the heart, e.g. minute volume
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4812—Detecting sleep stages or cycles
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Hematology (AREA)
- Pulmonology (AREA)
- Power Engineering (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种基于LSTM多生理参数的老年人健康预测系统及预测方法，包括：前端设备、AI计算处理设备和用户端，所述前端设备、AI计算处理设备和用户端之间相互通信连接；所述前端设备用于采集用户的生理参数信息；所述AI计算处理设备用于接收前端设备采集的用户生理参数信息，根据用户生理参数信息采用LSTM预测模型进行健康预测，输出预测生理参数信息和健康预测结果，并将健康预测结果发送到用户端；生理参数信息至少包括以下中的一种：睡眠信息、血液信息、心功能信息、其它生理信息。具有老年人生理参数预测准确、健康预测结果可靠性高、可预防心脏类疾病等优点。
Description
技术领域
本发明涉及人体生理数据采集及健康预测领域，具体涉及一种基于LSTM多生理参数的老年人健康预测系统及预测方法。
背景技术
随着社会的发展，老龄化社会已经成为21世纪不可逆转的世界性趋势，而中国的老龄化增速快于世界，根据《中国发展报告2020：中国人口老龄化的发展趋势和政策》的预测，到2022年左右，中国65岁以上人口将占到总人口的14％。老龄化社会带来了一系列的社会问题，比如养老机构不足，老年人心理、医学等诸多方面的专业护理人员不足，而且老年人的行动不便、缺乏照顾，“三高”(高血脂、高血压、高血糖)等慢性疾病也是老年人健康的主要威胁。
针对老年人的健康问题，目前市面上出现了一些健康管理设备或方法，比如中国专利CN111161879A公布了一种基于大数据的疾病预测系统，将大数据技术结合支持向量机应用于疾病预测中，可以预测分析人体健康状况。但现有技术仍存在以下问题：
1、“三高”老年患者需要经常测量血压、血糖和血脂等生理信息，并且平时需要特别注意饮食、生理指标的变化。传统的检测生理信息的方法是去社区医院量血压，但对于缺乏年轻人陪伴的老年人，频繁去医院检查是不现实的，这种方法不仅对于老年人和社区医院不方便，而且检测的生理信息有限，往往只有血压一项检测，等到出现症状再去大医院检查又太晚了。在这样的社会背景下，就需要在家就能时常检测老年人生理信息，这样才能让在外工作的年轻人放心，而现有的健康管设备因体积或成本等原因一般设于大型医院，难以进入普通家庭。
2、老年人往往有失眠、多梦、睡眠时间短等睡眠质量差的问题，现有的健康管理方法只能检测人体的血液、心电和体重身高等生理参数，缺乏对老年人睡眠质量的检测评估。而且无法将老年人的生理信息检测结果及时通知年轻人，往往老年人也相对抵触这种健康管理设备。
3、患“三高”的老年人得冠心病的风险也很高，现有的疾病预测方法是单生理参数预测，只能预测用户的血压数据或者某一类单一的生理参数，但是针对患“三高”的老年人，单单预测血压值对预防冠心病的作用不大，老年人健康预测的数据不够准确、预测结果可靠性差。
发明内容
针对现有技术存在的上述不足，本发明的目的在于：提供一种基于LSTM多生理参数的老年人健康预测系统及预测方法，采用LSTM预测模型对老年人的多种生理参数进行综合分析预测，构建的LSTM预测模型输入和输出都是多种人体生理参数，每一个输出数据都是由所有的输入数据通过全连接计算生成，可以提高老年人健康预测的准确率，并且检测结果可以及时通知老年人家属。具有老年人生理参数预测准确、健康预测结果可靠性高、可预防心脏类疾病等优点。
一种基于LSTM多生理参数的老年人健康预测系统，包括：
前端设备、AI计算处理设备和用户端，所述前端设备、AI计算处理设备和用户端之间相互通信连接；所述前端设备用于采集用户的生理参数信息；所述AI计算处理设备用于接收前端设备采集的用户生理参数信息，根据用户生理参数信息采用LSTM预测模型进行健康预测，输出预测生理参数信息和健康预测结果，并将预测生理参数信息和健康预测结果发送到用户端；生理参数信息至少包括以下中的一种：睡眠信息、血液信息、心功能信息、其它生理信息。
进一步地，所述前端设备包括相互连接的生理信息采集模块和中央处理器，中央处理器、AI计算处理设备和用户端之间相互通信连接；生理信息采集模块采集用户的生理参数信息，中央处理器根据用户生理参数信息进行健康评估，输出健康评估结果，并将健康评估结果发送到用户端。
进一步地，所述前端设备包括第一判断模块，用于判断实时生理参数信息是否超过对应生理参数的预设最大阈值/预设最小阈值，若是，则报警并将报警信息发送到用户端；所述AI计算处理设备包括第二判断模块，用于判断预测生理参数信息是否超过对应生理参数的预设最大阈值/预设最小阈值，若是，则报警并将报警信息发送到用户端。
进一步地，所述生理信息采集模块包括睡眠信息采集模块、血液信息采集模块、心功能信息采集模块和其它生理信息采集模块，睡眠信息至少包括用户的睡眠觉醒周期或呼吸信息，血液信息至少包括用户的血压、血氧或血糖，心功能信息至少包括用户的心电信息或无创心排量信息，其它生理信息至少包括用户的体温、体脂、体重、身高或骨密度。
进一步地，采用无线蓝牙电极帽采集用户睡眠时的振幅整合脑电信息aEEG，采用无接触呼吸设备采集用户睡眠时的呼吸信息，采用八导联心电图机采集用户的心电信息，采用无创心排量监测仪采集用户的无创心排量信息；根据振幅整合脑电信息aEEG识别用户睡眠觉醒周期、监测用户睡眠时的惊厥、脑功能异常；睡眠觉醒周期包括安静睡眠QS、清醒睡眠/活动睡眠AS。
一种基于LSTM多生理参数的老年人健康预测方法，包括以下步骤：
获取用户的生理参数信息，并对生理参数信息进行预处理；生理参数信息至少包括以下中的一种：睡眠信息、血液信息、心功能信息、其它生理信息；
根据预处理后的用户生理参数信息采用LSTM预测模型进行健康预测，输出预测生理参数信息和健康预测结果，并将预测生理参数信息和健康预测结果发送到用户端；
将预测生理参数信息分别与相应生理参数的预设最大阈值/预设最小阈值进行对比，若预测生理参数信息超过对应生理参数的预设最大阈值/预设最小阈值，则报警并将报警信息发送到用户端。
进一步地，用户健康评估及报警过程如下：
根据预处理后的用户生理参数信息进行健康评估，输出健康评估结果，并将健康评估结果发送到用户端；
将预处理后的各项实时生理参数信息分别与相应生理参数的预设最大阈值/预设最小阈值进行对比，若实时生理参数信息超过对应生理参数的预设最大阈值/预设最小阈值，则报警并将报警信息发送到用户端。
进一步地，用户睡眠质量的评估过程如下：
采用无线蓝牙电极帽采集用户睡眠时的振幅整合脑电信息aEEG，采用无接触呼吸设备采集用户睡眠时的呼吸信息；
根据振幅整合脑电信息aEEG识别用户睡眠觉醒周期，监测用户睡眠时的惊厥、脑功能异常；睡眠觉醒周期包括安静睡眠QS、清醒睡眠/活动睡眠AS；
根据用户的睡眠觉醒周期和睡眠呼吸信息评估用户的睡眠质量，输出睡眠质量评估结果，并将睡眠质量评估结果发送到用户端。
进一步地，用户多生理参数的预测过程如下：
根据预处理后的睡眠信息、血液信息、心功能信息以及其它生理信息，基于LSTM预测模型处理用户的多项生理参数，预测用户下一时刻/下一时段的多项生理参数，输出多项生理参数的预测结果，并将多项生理参数预测结果发送到用户端；
将预测的生理参数信息与对应生理参数预设最大阈值/预设最小阈值进行对比，若预测生理参数信息超过对应生理参数预设最大阈值/预设最小阈值，则报警并将报警信息发送到用户端。
进一步地，所述基于LSTM预测模型处理用户的多项生理参数，预测用户下一时刻/下一时段的多项生理参数，包括：
所述心功能信息至少包括用户的心电信息或无创心排量信息，从心电信息中提取心电特征，从睡眠信息中提取睡眠特征；睡眠特征包括用户睡眠觉醒周期、睡眠时的惊厥、脑功能异常；
将用户的心电特征、睡眠特征、血液信息以及其它生理信息输入LSTM预测模型，采用全连接的计算方式，输出用户下一时刻/下一时段的多项生理参数；
所述心电特征包括Q波、R波、T波振幅、ST段平均幅值、RR间期和心率变异性HRV，所述心率变异性HRV包括均值MEAN、总体标准差SDNN、均值标准差SDANN、差值均方的平方r-MSSSD和相邻间期差值>50ms的百分比PNN50。
相比于现有技术，本发明具有以下优点：
本发明提供了一种基于LSTM多生理参数的老年人健康预测系统及预测方法，采用LSTM预测模型对老年人的多种生理参数进行综合分析预测，构建的LSTM预测模型输入和输出都是多种人体生理参数，每一个输出数据都是由所有的输入数据通过全连接计算生成，可以提高老年人健康预测的准确率，并且检测结果可以及时通知老年人家属。具有老年人生理参数预测准确、健康预测结果可靠性高、可预防心脏类疾病等优点。
附图说明
图1为本发明实施例一中基于LSTM多生理参数的老年人健康预测系统的系统框图；
图2为本发明实施例一中基于LSTM多生理参数的老年人健康预测系统的原理框图；
图3为本发明实施例二中基于LSTM多生理参数的老年人健康预测方法的方法流程图；
图4为本发明实施例二中老年人健康评估及报警的方法流程图；
图5为本发明实施例二中老年人睡眠质量的评估方法流程图；
图6为本发明实施例二中老年人生理参数的预测流程图；
图7为本发明实施例二中老年人心电信息的预测流程图；
图8为本发明实施例二中老年人生理参数信息报警的方法流程图；
图9为本发明实施例二中老年人多生理参数数据集构建示意图；
图10为本发明实施例二中LSTM预测模型的示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。
实施例一：
参照图1和图2，一种基于LSTM多生理参数的老年人健康预测系统，包括：前端设备、AI计算处理设备和用户端，所述前端设备、AI计算处理设备和用户端之间相互通信连接；所述前端设备用于采集用户的生理参数信息；所述AI计算处理设备用于接收前端设备采集的用户生理参数信息，根据用户生理参数信息采用LSTM预测模型进行健康预测，输出预测生理参数信息和健康预测结果，并将健康预测结果发送到用户端；生理参数信息至少包括以下中的一种：睡眠信息、血液信息、心功能信息、其它生理信息。
具体地，LSTM预测模型输出的预测生理参数信息和健康预测结果可以由AI计算处理设备直接发送给用户端，也可以由AI计算处理设备先传输到前端设备，由前端设备再发送给用户端。用户端可以有多个，除了老年人用户自己的移动设备端，还可以有用户家属的移动设备端，这样可以将老年人的生理信息检测结果及时通知年轻人。现有的关于生理参数预测的分析模型往往只做到了单生理参数预测，只能预测用户的血压数据或者某一类单一的生理参数，本系统提供的LSTM预测模型输入和输出都是多种人体生理参数，每一个输出数据都是由所有的输入数据共同影响分析生成，在满足老年人对“三高”监测需求和预测需求的同时，还可以对老年人的睡眠质量、心功能状态进行监测和预测，从而到达预防血压升高、血糖升高、心脏类疾病的目的。并且LSTM预测模型采用多参数进行预测，可以更好地挖掘各项生理数据的内在联系，从而提高老年人健康预测的准确率。
上述基于LSTM多生理参数的老年人健康预测系统中，所述前端设备包括生理信息采集模块、中央处理器、第一判断模块、人机交互模块、智能语音助手、WIFI语音视频模块、数据打印模块，生理信息采集模块和中央处理器信息采集端连接，第一判断模块、人机交互模块、WIFI语音视频模块、数据打印模块分别和中央处理器通信连接，智能语音助手和人机交互模块连接，中央处理器、AI计算处理设备和用户端之间相互通信连接。
具体地，生理信息采集模块用于采集用户的生理参数信息，中央处理器根据用户生理参数信息进行健康评估，输出健康评估结果，并将健康评估结果发送到用户端。第一判断模块用于判断实时生理参数信息是否超过对应生理参数的预设最大阈值/预设最小阈值，若是，则报警并将报警信息发送到用户端。人机交互模块、WIFI语音视频模块和智能语音助手用于协助老年人进行生理信息采集。数据打印模块用于打印老年人的健康评估报告和健康预测报告。
上述基于LSTM多生理参数的老年人健康预测系统中，AI计算处理设备包括云端AI和第二判断模块，云端AI用于根据用户生理参数信息采用LSTM预测模型进行健康预测，输出预测生理参数信息和健康预测结果。第二判断模块用于判断预测生理参数信息是否超过对应生理参数的预设最大阈值/预设最小阈值，若是，则报警并将报警信息发送到用户端。
上述基于LSTM多生理参数的老年人健康预测系统中，所述生理信息采集模块包括睡眠信息采集模块、血液信息采集模块、心功能信息采集模块和其它生理信息采集模块，睡眠信息至少包括用户的睡眠觉醒周期或呼吸信息，血液信息至少包括用户的血压、血氧或血糖，心功能信息至少包括用户的心电信息或无创心排量信息，其它生理信息至少包括用户的体温、体脂、体重、身高或骨密度。
具体地，上述基于LSTM多生理参数的老年人健康预测系统，主要是针对老年人的睡眠问题、“三高”问题、心脏问题进行监测和预测：
针对睡眠问题，老年人往往有失眠、多梦、睡眠时间短等睡眠质量差的问题，对于老年人的睡眠进行生理参数监测，有利于老人及早发现睡眠问题，及时通过治疗、运动、饮食达到调节的作用。可以采用无线蓝牙电极帽采集用户睡眠时的振幅整合脑电信息aEEG，采用无接触呼吸设备采集用户睡眠时的呼吸信息。根据老年人的振幅整合脑电信息aEEG可以准确的识别睡眠觉醒周期，睡眠觉醒周期包括安静睡眠QS、清醒睡眠/活动睡眠AS，也可以对老年人睡眠时的惊厥、脑功能的异常进行监测。然后根据用户的睡眠觉醒周期和睡眠呼吸信息评估用户的睡眠质量，输出睡眠质量评估结果，并将睡眠质量评估结果发送到用户端。
针对“三高”问题，可以采用电子式上臂式血压计采集用户的收缩压、舒张压，采用无创皮下间质液葡萄糖检测来间接测血糖，采用红外测血氧，对于“三高”人群，最好每天监测血压、血糖数据，本申请中专门将血液参数监测作为一个模块，中央处理器根据检测到的血液参数生成评估报告，能够更准确、详细的为用户提供血液检测报告。
针对心脏问题，随着年纪的增长，老年人患心脏病的风险越来越高，尤其“三高”人群，患心脏病的概率会增大，通过对心电图的各种特征进行提取，能够及时的对用户的心功能进行评估，达到预防的目的。采用八导联心电图机采集用户的心电信息，采用无创心排量监测仪采集用户的无创心排量信息。
参照图2，在上述基于LSTM多生理参数的老年人健康预测系统中，从用户的睡眠信息中提取睡眠特征，睡眠特征包括睡眠觉醒周期、睡眠时的惊厥、脑功能异常，根据用户的睡眠觉醒周期和睡眠呼吸信息评估用户的睡眠质量，输出睡眠质量评估结果，并将睡眠质量评估结果发送到用户端；并且当实时睡眠参数信息超过睡眠生理参数的预设最大阈值/预设最小阈值，则报警并将报警信息发送到用户端。
中央处理器根据检测到的血液参数生成评估报告，并且当实时血液参数信息超过血液生理参数的预设最大阈值/预设最小阈值，则报警并将报警信息发送到用户端。
从用户的心功能信息中提取心电特征和心排量特征，根据用户的心电特征和心排量特征评估用户的心功能状态，输出心功能状态评估结果，并将心功能状态评估结果发送到用户端；并且当实时心功能信息超过心功能参数的预设最大阈值/预设最小阈值，则报警并将报警信息发送到用户端。
中央处理器根据检测到的其它生理参数生成评估报告，并且当其它实时生理参数信息超过其它生理参数的预设最大阈值/预设最小阈值，则报警并将报警信息发送到用户端。其它生理参数包括体温、体脂、体重、身高或骨密度等。
LSTM预测模型中，将用户的心电特征、睡眠觉醒周期、睡眠时的惊厥、脑功能异常、血液信息以及其它生理信息作为输入，采用全连接的计算方式，输出用户下一时刻/下一时段的睡眠、血液、心功能或其它生理参数的预测报告。
具体地实时，上述基于LSTM多生理参数的老年人疾病预测系统可以应用在大型的健康一体机中，监测和预测功能全面，可以设于大型医院和大型社区。也可以选取上述基于LSTM多生理参数的老年人疾病预测系统中的部分功能，前端设备可以仅仅包括一种或几种采集设备，比如仅包括睡眠监测功能或心功能监测功能，这样，前端设备就只需要无线蓝牙电极帽和无接触呼吸设备、导联心电图机和无创心排量监测仪，就能简单实现监测功能，由云端AI模块来实现计算预测功能。这样，针对老年人的简便版健康监测预测设备就可以进入普通家庭，老年人就不需要频繁去医院检查。每次用户使用该系统相关设备之后，系统结合最新的检测结果和用户的历史监测数据对用户的多项生理参数进行预测，以达到预测用户多项生理参数变化趋势预防疾病的目的。
实施例二：
参照图3，一种基于LSTM多生理参数的老年人健康预测方法，包括以下步骤：
获取用户的生理参数信息，并对生理参数信息进行预处理；生理参数信息至少包括以下中的一种：睡眠信息、血液信息、心功能信息、其它生理信息。具体地，预处理主要包括硬件滤波、软件滤波、消除基线漂移以及消除工频干扰处理，从而过滤掉初步采集生理信息中的干扰，提高后续LSTM预测模型的效率和预测准确度。
根据预处理后的用户生理参数信息采用LSTM预测模型进行健康预测，输出预测生理参数信息和健康预测结果，并将健康预测结果发送到用户端。具体地，现有的关于生理参数预测的分析模型往往只做到了单生理参数预测，只能预测用户的血压数据或者某一类单一的生理参数，本系统提供的LSTM预测模型输入和输出都是多种人体生理参数，每一个输出数据都是由所有的输入数据共同影响分析生成，在满足老年人对“三高”监测需求和预测需求的同时，还可以对老年人的睡眠质量、心功能状态进行监测和预测，从而到达预防血压升高、血糖升高、血脂升高、心脏类疾病的目的。并且LSTM预测模型采用多参数进行预测，可以更好地挖掘各项生理数据的内在联系，从而提高老年人健康预测的准确率。
将预测生理参数信息分别与相应生理参数的预设最大阈值/预设最小阈值进行对比，若预测生理参数信息超过对应生理参数的预设最大阈值/预设最小阈值，则报警并将报警信息发送到用户端。具体地，用户端可以有多个，除了老年人用户自己的移动设备端，还可以有用户家属的移动设备端，这样可以将老年人的生理信息检测结果及时通知年轻人。
参照图4，老年人健康评估及报警的过程如下：
根据预处理后的用户生理参数信息进行健康评估，输出健康评估结果，并将健康评估结果发送到用户端；
将预处理后的各项实时生理参数信息分别与相应生理参数的预设最大阈值/预设最小阈值进行对比，若实时生理参数信息超过对应生理参数的预设最大阈值/预设最小阈值，则报警并将报警信息发送到用户端。
参照图5，老年人睡眠质量的评估过程如下：
采用无线蓝牙电极帽采集用户睡眠时的振幅整合脑电信息aEEG，采用无接触呼吸设备采集用户睡眠时的呼吸信息；
根据振幅整合脑电信息aEEG识别用户睡眠觉醒周期，监测用户睡眠时的惊厥、脑功能异常；睡眠觉醒周期包括安静睡眠QS、清醒睡眠/活动睡眠AS；
根据用户的睡眠觉醒周期和睡眠呼吸信息评估用户的睡眠质量，输出睡眠质量评估结果，并将睡眠质量评估结果发送到用户端。
参照图6，老年人多生理参数的预测过程如下：
根据预处理后的睡眠信息、血液信息、心功能信息以及其它生理信息，基于LSTM预测模型处理用户的多项生理参数，预测用户下一时刻/下一时段的多项生理参数，输出多项生理参数的预测结果，并将多项生理参数预测结果发送到用户端；
将预测的生理参数信息与对应生理参数预设最大阈值/预设最小阈值进行对比，若预测生理参数信息超过对应生理参数预设最大阈值/预设最小阈值，则报警并将报警信息发送到用户端。
参照图7，所述基于LSTM预测模型处理用户的多项生理参数，预测用户下一时刻/下一时段的多项生理参数，包括：
所述心功能信息至少包括用户的心电信息或无创心排量信息，从心电信息中提取心电特征，从睡眠信息中提取睡眠特征；睡眠特征包括用户睡眠觉醒周期、睡眠时的惊厥、脑功能异常；
将用户的心电特征、睡眠特征、血液信息以及其它生理信息输入LSTM预测模型，采用全连接的计算方式，输出用户下一时刻/下一时段的多项生理参数；
所述心电特征包括Q波、R波、T波振幅、ST段平均幅值、RR间期和心率变异性HRV，所述心率变异性HRV包括均值MEAN、总体标准差SDNN、均值标准差SDANN、差值均方的平方r-MSSSD和相邻间期差值>50ms的百分比PNN50。
上述基于LSTM多生理参数的老年人健康预测方法中，均值MEAN、总体标准差SDNN、均值标准差SDANN、差值均方的平方r-MSSSD和相邻间期差值>50ms的百分比PNN50的计算方法如下：
均值MEAN的计算公式为：
RRi表示第i个RR间期，N表示N个RR间期，i表示序号为i的生理参数数据；
总体标准差SDNN的计算公式为：
均值标准差SDANN的计算公式为：
其中，
表示第i个5min的RR间期的均值，
表示5min内所有RR间期的均值；
第I个总体标准差SDNN的计算公式为：
其中，SDNNi5min表示第i个5min内的SDNN；
差值均方的平方r-MSSSD的计算公式为：
其中，RRi+1表示第i+1个RR间期；
相邻间期差值>50ms的百分比PNN50的计算公式为：
其中，NN50表示相邻间期大于50ms的个数，TotalNN表示总的相邻间期的个数。
上述基于LSTM多生理参数的老年人健康预测方法中，对所有采集的生理参数进行编号，例如：data1:收缩压数据、data2:舒张压数据、data3:血氧含量数据、data4:血糖数据、data5:体温数据、data6:Q波振幅、data7:R波振幅、data8:T波振幅、data9:ST段平均幅值、data10:RR间期、data11:HRV均值(MEAN)、data12:HRV总体标准差(SDNN)、data13:HRV均值标准差(SDANN)、data14:HRV差值均方的平方(r-MSSSD)、data15:HRV相邻间期差值>50ms的百分比(PNN50)。计算用户生理历史数据的平均值mean-datai，i代表序号为i的生理参数数据，根据医学专家经验计算每一项生理数据的阈值范围max-datai、min-datai，max-datai表示序号为i的数据的正常上线/最大阀值，min-datai表示序号为i的数据的正常下线/最小阀值。
参照图8，用户采集生理参数的处理过程：开始运行算法，生理参数序号i初始值为1；当数据输入时，先判断该生理参数的序号是否小于等于N，N表示预先记录的所有生理参数序号总数，若大于N，则表示该生理参数没有预先记录在系统中，则结束；若小于N，则表示该生理参数预先记录在系统中，完成输入数据datai；然后将新检查的生理参数与相应生理参数的最大阈值、最小阈值进行比较，判断是否超出，若超出范围，系统会报警并通过语音助手通知用户和通过用户端发消息通知用户的监护人，报警后返回继续检测新的输入数据；若没有超出范围，则返回继续检测新的输入数据。
上述基于LSTM多生理参数的老年人健康预测方法中，LSTM预测模型的训练或测试都需要构建训练集或测视集，训练集和测试集的比例为3：1，多生理参数数据集的构建过程如下：
首先对用户的历史数据进行归一化预处理，然后根据时间顺序生成数据集(X，Y)，
其中，N表示输入生理参数的数目，data11表示第1天测量的第1类生理参数，data1N表示第1天测量的某N类生理参数，data71表示第7天的第1类参数，data7N表示第7天的第N类参数，参照图9，以N为9举例(不局限于9种生理参数)。其中，输入数据的判别和预测和相邻数据有关，每一个输出数据(比如data81)都是由所有的输入数据(data11……data19,data71……data79)共同影响生成的，多参数预测模型可以更好地对数据的内在联系进行挖掘，有利于提高预测的准确率。
具体实施时，LSTM预测模型的训练采用提前停止训练来避免过拟合，也就是模型会自动保存训练的参数，如果新训练的模型参数比之前的好则替代之前的参数，当模型的性能开始下降时停止训练，这样在停止训练之后，将保存一个整个网络训练过程中出现的最优的一个模型。
参照图10，上述基于LSTM多生理参数的老年人健康预测方法中，所述LSTM预测模型包括依次连通的两个LSTM层和一个全连接层，输入为X，输入为Y，每个LSTM层包括输入门、输出门和遗忘门，根据输入门和遗忘门的系数更新细胞状态；
遗忘门的计算公式为：ft＝σ1(Wf·[ht-1,xt])+bf，
其中，xt表示第t天时间点的输入数据，ht-1表示前一天时间点的输出数据，Wf表示遗忘门的权重矩阵，bf表示遗忘门的偏置参数，σ1表示sigmoid激活函数，ft表示遗忘门的控制值；
输入门的计算公式为：it＝σ2(Wi·[ht-1,xt])+bi，
其中，Wi表示输入门的权重矩阵，bi表示输入门的偏置参数，σ2表示sigmoid激活函数，it的值决定保留多少新信息；
输出门的计算公式为：ot＝σ3(Wo·[ht-1,xt])+bo，
其中，Wo表示输出门的权重矩阵，bo表示输出门的偏置参数，σ3表示sigmoid激活函数，ot的值决定多少当前状态信息被输出；
细胞状态更新的计算公式为：
其中，
表示候选状态，Wc表示细胞状态更新的权重矩阵，bc表示细胞状态更新的偏置参数，ct-1表示前一次细胞状态更新，tanh表示tanh激活函数；
当天时间点的输出数据ht的计算公式：ht＝ot*tanh*(Ct)
上述基于LSTM多生理参数的老年人健康预测方法中，用户的多种生理参数采集和预处理之后，可以上传云端进行存储，LSTM预测模型设置在云端可，用户及其家属可以通过客户端调取历史监测和预测数据，也可以将数据打印以供医生参考诊断。现有的关于生理参数预测的计算模型往往只做到了单生理参数预测，只能预测用户的血压数据或者某一类单一的生理参数，本发明提出的LSTM模型输入输出都是多种生理参数，输入数据的判别和预测都和相邻数据有关，每一个输出数据都是由所有的输入数据共同影响分析生成，在满足老年人对“三高”监测需求和预测需求的同时，还可以对老年人的睡眠质量、心功能状态进行监测和预测，从而到达预防血压升高、血糖升高、血脂升高、心脏类疾病的目的。并且LSTM模型采用多参数进行预测，可以更好地挖掘各项生理数据的内在联系，从而提高老年人健康预测的准确率。
上述基于LSTM多生理参数的老年人健康预测方法有以下优点：
1、当用户的生理数据超出阈值时，可以自动通知用户的监护人，老年人也可以和监护人进行语音、视频，一方面缓解老人对健康一体机的抵触情绪，一方面加强年轻人对老人的关心。
2、本申请提出的LSTM多生理参数预测算法能协助用户预防冠心类疾病。
3、本申请采用的检测方式均为无创，有效缓解用户尤其是“三高”患者对检测的抵触情绪
4、本申请的报警功能、语音视频功能，能加强老人与子女的联系，也能在老人生理参数出现异常时及时通知到他们的监护人。让年轻人安心工作，老人健康得到更好的监护。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照实施例对本发明进行了详细说明，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宗旨和范围，其均应涵盖在本发明的保护范围当中。
Claims (10)
1.一种基于LSTM多生理参数的老年人健康预测系统，其特征在于，包括：
前端设备、AI计算处理设备和用户端，所述前端设备、AI计算处理设备和用户端之间相互通信连接；所述前端设备用于采集用户的生理参数信息；所述AI计算处理设备用于接收前端设备采集的用户生理参数信息，根据用户生理参数信息采用LSTM预测模型进行健康预测，输出预测生理参数信息和健康预测结果，并将预测生理参数信息和健康预测结果发送到用户端；生理参数信息至少包括以下中的一种：睡眠信息、血液信息、心功能信息、其它生理信息。
2.根据权利要求1所述的基于LSTM多生理参数的老年人健康预测系统，其特征在于，所述前端设备包括相互连接的生理信息采集模块和中央处理器，中央处理器、AI计算处理设备和用户端之间相互通信连接；生理信息采集模块采集用户的生理参数信息，中央处理器根据用户生理参数信息进行健康评估，输出健康评估结果，并将健康评估结果发送到用户端。
3.根据权利要求2所述的基于LSTM多生理参数的老年人健康预测系统，其特征在于，所述前端设备包括第一判断模块，用于判断实时生理参数信息是否超过对应生理参数的预设最大阈值/预设最小阈值，若是，则报警并将报警信息发送到用户端；所述AI计算处理设备包括第二判断模块，用于判断预测生理参数信息是否超过对应生理参数的预设最大阈值/预设最小阈值，若是，则报警并将报警信息发送到用户端。
4.根据权利要求2所述的基于LSTM多生理参数的老年人健康预测系统，其特征在于，所述生理信息采集模块包括睡眠信息采集模块、血液信息采集模块、心功能信息采集模块和其它生理信息采集模块，睡眠信息至少包括用户的睡眠觉醒周期或呼吸信息，血液信息至少包括用户的血压、血氧或血糖，心功能信息至少包括用户的心电信息或无创心排量信息，其它生理信息至少包括用户的体温、体脂、体重、身高或骨密度。
5.根据权利要求4所述的基于LSTM多生理参数的老年人健康预测系统，其特征在于，采用无线蓝牙电极帽采集用户睡眠时的振幅整合脑电信息aEEG，采用无接触呼吸设备采集用户睡眠时的呼吸信息，采用八导联心电图机采集用户的心电信息，采用无创心排量监测仪采集用户的无创心排量信息；根据振幅整合脑电信息aEEG识别用户睡眠觉醒周期、监测用户睡眠时的惊厥、脑功能异常；睡眠觉醒周期包括安静睡眠QS、清醒睡眠/活动睡眠AS。
6.一种基于LSTM多生理参数的老年人健康预测方法，其特征在于，包括以下步骤：
获取用户的生理参数信息，并对生理参数信息进行预处理；生理参数信息至少包括以下中的一种：睡眠信息、血液信息、心功能信息、其它生理信息；
根据预处理后的用户生理参数信息采用LSTM预测模型进行健康预测，输出预测生理参数信息和健康预测结果，并将预测生理参数信息和健康预测结果发送到用户端；
将预测生理参数信息分别与相应生理参数的预设最大阈值/预设最小阈值进行对比，若预测生理参数信息超过对应生理参数的预设最大阈值/预设最小阈值，则报警并将报警信息发送到用户端。
7.根据权利要求6所述的基于LSTM多生理参数的老年人健康预测方法，其特征在于，用户健康评估及报警过程如下：
根据预处理后的用户生理参数信息进行健康评估，输出健康评估结果，并将健康评估结果发送到用户端；
将预处理后的各项实时生理参数信息分别与相应生理参数的预设最大阈值/预设最小阈值进行对比，若实时生理参数信息超过对应生理参数的预设最大阈值/预设最小阈值，则报警并将报警信息发送到用户端。
8.根据权利要求7所述的基于LSTM多生理参数的老年人健康预测方法，其特征在于，用户睡眠质量的评估过程如下：
采用无线蓝牙电极帽采集用户睡眠时的振幅整合脑电信息aEEG，采用无接触呼吸设备采集用户睡眠时的呼吸信息；
根据振幅整合脑电信息aEEG识别用户睡眠觉醒周期，监测用户睡眠时的惊厥、脑功能异常；睡眠觉醒周期包括安静睡眠QS、清醒睡眠/活动睡眠AS；
根据用户的睡眠觉醒周期和睡眠呼吸信息评估用户的睡眠质量，输出睡眠质量评估结果，并将睡眠质量评估结果发送到用户端。
9.根据权利要求6所述的基于LSTM多生理参数的老年人健康预测方法，其特征在于，用户多生理参数的预测过程如下：
根据预处理后的睡眠信息、血液信息、心功能信息以及其它生理信息，基于LSTM预测模型处理用户的多项生理参数，预测用户下一时刻/下一时段的多项生理参数，输出多项生理参数的预测结果，并将多项生理参数预测结果发送到用户端；
将预测的生理参数信息与对应生理参数预设最大阈值/预设最小阈值进行对比，若预测生理参数信息超过对应生理参数预设最大阈值/预设最小阈值，则报警并将报警信息发送到用户端。
10.根据权利要求9所述的基于LSTM多生理参数的老年人健康预测方法，其特征在于，所述基于LSTM预测模型处理用户的多项生理参数，预测用户下一时刻/下一时段的多项生理参数，包括：
所述心功能信息至少包括用户的心电信息或无创心排量信息，从心电信息中提取心电特征，从睡眠信息中提取睡眠特征；睡眠特征包括用户睡眠觉醒周期、睡眠时的惊厥、脑功能异常；
将用户的心电特征、睡眠特征、血液信息以及其它生理信息输入LSTM预测模型，采用全连接的计算方式，输出用户下一时刻/下一时段的多项生理参数；
所述心电特征包括Q波、R波、T波振幅、ST段平均幅值、RR间期和心率变异性HRV，所述心率变异性HRV包括均值MEAN、总体标准差SDNN、均值标准差SDANN、差值均方的平方r-MSSSD和相邻间期差值>50ms的百分比PNN50。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011414906.XA CN112568876A (zh) | 2020-12-07 | 2020-12-07 | 基于lstm多生理参数的老年人健康预测系统及预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011414906.XA CN112568876A (zh) | 2020-12-07 | 2020-12-07 | 基于lstm多生理参数的老年人健康预测系统及预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112568876A true CN112568876A (zh) | 2021-03-30 |
Family
ID=75127586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011414906.XA Pending CN112568876A (zh) | 2020-12-07 | 2020-12-07 | 基于lstm多生理参数的老年人健康预测系统及预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112568876A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113842124A (zh) * | 2021-09-30 | 2021-12-28 | 北京瑞格心灵科技有限公司 | 一种基于生理健康指标的精神状态预测方法、系统及设备 |
| CN116913514A (zh) * | 2023-07-13 | 2023-10-20 | 江苏健中康华医疗科技有限公司 | 一种基于大数据的健康管理系统 |
| CN117438083A (zh) * | 2023-10-07 | 2024-01-23 | 南方医科大学南方医院 | 一种基于人工智能的中老年疾病预测系统 |
| CN118016302A (zh) * | 2024-04-07 | 2024-05-10 | 北京健康有益科技有限公司 | 一种多源数据输入的健康风险评估方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009136372A1 (en) * | 2008-05-08 | 2009-11-12 | Universita' Degli Studi Padova | Method and device for processing glycemia level data by means of self-adaptive filtering, predicting the future glycemia level and generating alerts |
| CN103778312A (zh) * | 2012-10-24 | 2014-05-07 | 中兴通讯股份有限公司 | 远程家庭保健系统 |
| CN105279362A (zh) * | 2014-07-01 | 2016-01-27 | 迈克尔·L·谢尔登 | 个人健康监视系统 |
| CN107106016A (zh) * | 2014-10-09 | 2017-08-29 | 雷迪·阿肖克 | 基于生理数据预测患者的连续心输出量(cco)的方法和系统 |
| CN109448852A (zh) * | 2018-11-29 | 2019-03-08 | 平安科技（深圳）有限公司 | 基于预测模型的健康管理方法、装置和计算机设备 |
| US20200146623A1 (en) * | 2018-11-13 | 2020-05-14 | CurieAI, Inc. | Intelligent Health Monitoring |
-
2020
- 2020-12-07 CN CN202011414906.XA patent/CN112568876A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009136372A1 (en) * | 2008-05-08 | 2009-11-12 | Universita' Degli Studi Padova | Method and device for processing glycemia level data by means of self-adaptive filtering, predicting the future glycemia level and generating alerts |
| CN103778312A (zh) * | 2012-10-24 | 2014-05-07 | 中兴通讯股份有限公司 | 远程家庭保健系统 |
| US20160135755A1 (en) * | 2012-10-24 | 2016-05-19 | Zte Corporation | Remote home healthcare system |
| CN105279362A (zh) * | 2014-07-01 | 2016-01-27 | 迈克尔·L·谢尔登 | 个人健康监视系统 |
| CN107106016A (zh) * | 2014-10-09 | 2017-08-29 | 雷迪·阿肖克 | 基于生理数据预测患者的连续心输出量(cco)的方法和系统 |
| US20200146623A1 (en) * | 2018-11-13 | 2020-05-14 | CurieAI, Inc. | Intelligent Health Monitoring |
| CN109448852A (zh) * | 2018-11-29 | 2019-03-08 | 平安科技（深圳）有限公司 | 基于预测模型的健康管理方法、装置和计算机设备 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113842124A (zh) * | 2021-09-30 | 2021-12-28 | 北京瑞格心灵科技有限公司 | 一种基于生理健康指标的精神状态预测方法、系统及设备 |
| CN116913514A (zh) * | 2023-07-13 | 2023-10-20 | 江苏健中康华医疗科技有限公司 | 一种基于大数据的健康管理系统 |
| CN117438083A (zh) * | 2023-10-07 | 2024-01-23 | 南方医科大学南方医院 | 一种基于人工智能的中老年疾病预测系统 |
| CN117438083B (zh) * | 2023-10-07 | 2024-03-19 | 南方医科大学南方医院 | 一种基于人工智能的中老年疾病预测系统 |
| CN118016302A (zh) * | 2024-04-07 | 2024-05-10 | 北京健康有益科技有限公司 | 一种多源数据输入的健康风险评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105147278B (zh) | 一种具备自动分析和实时信息分享功能的远程心电图监测系统实现方法 | |
| CN112568876A (zh) | 基于lstm多生理参数的老年人健康预测系统及预测方法 | |
| US11931154B2 (en) | Systems and methods for classifying ECG data | |
| EP2654560B1 (en) | Heart failure detection with a sequential classifier | |
| TWI650737B (zh) | 一種評估心跳停止發生可能的穿戴式裝置及其方法 | |
| US7162294B2 (en) | System and method for correlating sleep apnea and sudden cardiac death | |
| US20180008159A1 (en) | System and method of remote ecg monitoring, remote disease screening, and early-warning system based on wavelet analysis | |
| US20110004110A1 (en) | Personalized Monitoring and Healthcare Information Management Using Physiological Basis Functions | |
| US20110190598A1 (en) | Health Data Dynamics, Its Sources and Linkage with Genetic/Molecular Tests | |
| CN114081462B (zh) | 一种基于多维度生理信息的心脏健康监护系统 | |
| WO2021035924A1 (zh) | 一种心肺和谐系列指标评测方法、装置及系统 | |
| WO2019217556A1 (en) | Systems and methods of qt interval analysis | |
| CN111820879A (zh) | 一种适用于慢性疾病患者的健康评价管理方法 | |
| CN105232029A (zh) | 一种超低功耗可穿戴式动态心电自动分析设备的实现方法及设备 | |
| CN113288168A (zh) | 一种智能可穿戴疲劳监测及预警系统 | |
| Charlton | Continuous respiratory rate monitoring to detect clinical deteriorations using wearable sensors | |
| EP3654347A1 (en) | A system and method for personalized monitoring of life-threatening health conditions in patients with chronic kidney disease | |
| CN106510641A (zh) | 一种检测人体不同睡眠阶段的方法及系统 | |
| CN103169459A (zh) | 一种医疗装置及实现方法 | |
| CN219763346U (zh) | 脑卒中预警与病情实时监测装置 | |
| Kew et al. | Wearable patch-type ECG using ubiquitous wireless sensor network for healthcare monitoring application | |
| CN112397164A (zh) | 一种母婴健康监护系统 | |
| CN214511137U (zh) | 防心血管疾病突发的控制电路及穿戴设备 | |
| CN106940753A (zh) | 一种社区医院的疾病监测护理与保健系统 | |
| Lee et al. | An ECG analysis on sensor node for reducing traffic overload in u-healthcare with wireless sensor network |
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: 20210330 |