CN113130070A - 一种颅脑疾患的综合诊断方法及系统 - Google Patents

一种颅脑疾患的综合诊断方法及系统 Download PDF

Info

Publication number
CN113130070A
CN113130070A CN202110483938.3A CN202110483938A CN113130070A CN 113130070 A CN113130070 A CN 113130070A CN 202110483938 A CN202110483938 A CN 202110483938A CN 113130070 A CN113130070 A CN 113130070A
Authority
CN
China
Prior art keywords
acceleration
obtaining
analysis
user
characteristic
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.)
Granted
Application number
CN202110483938.3A
Other languages
English (en)
Other versions
CN113130070B (zh
Inventor
巨涛
亓乾伟
岳新鹏
王鑫超
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110483938.3A priority Critical patent/CN113130070B/zh
Publication of CN113130070A publication Critical patent/CN113130070A/zh
Application granted granted Critical
Publication of CN113130070B publication Critical patent/CN113130070B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
    • 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
    • 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
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Cardiology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Pulmonology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种颅脑疾患的综合诊断方法及系统，根据第一基础信息获得第一活动习惯，获得第一加速度信号，将第一加速度信号输入第一加速度信号分析模型，通过第一加速度信号分析模型获得第一加速度异常分析结果；根据第一加速度异常分析结果获得第一加速度特征；根据第一加速度特征获得第一时间区间；获得第一图像集；根据第一图像集获得第一步态监测特征；将第一加速度特征和第一步态监测特征输入第一体征分析模型，获得第一分析结果；根据第一分析结果构建第一用户的实时分析数据库，解决了现有技术中缺少对患者进行实时、准确患者信息收集，分析患者在职业习惯动作中的异常信号，更好的辅助医护人员进行颅脑疾患诊断的技术问题。

Description

一种颅脑疾患的综合诊断方法及系统
技术领域
本发明涉及颅脑疾患的辅助诊断相关领域，尤其涉及一种颅脑疾患的综合诊断方法及系统。
背景技术
颅脑是人体的重要器官，是人的生命中枢所在，颅脑疾病包括：颅脑损伤，颅脑外伤，头皮损伤，颅骨骨折，脑震荡，颅内高压等多种疾病。人的大脑是身体更为关键的位置，但由于各式各样的原因，会造成人脑出现许多病症。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中缺少对患者进行实时、准确患者信息收集，分析患者在职业习惯动作中的异常信号，更好的辅助医护人员进行颅脑疾患诊断的技术问题。
发明内容
本申请实施例通过提供一种颅脑疾患的综合诊断方法及系统，解决了现有技术中缺少对患者进行实时、准确患者信息收集，分析患者在职业习惯动作中的异常信号，更好的辅助医护人员进行颅脑疾患诊断的技术问题，达到对患者进行实时准确的信号收集，分析患者在职业习惯中的异常信号，进而可更好的辅助医护人员进行颅脑疾患的诊断的技术效果。
鉴于上述问题，提出了本申请实施例提供一种颅脑疾患的综合诊断方法及系统。
第一方面，本申请提供了一种颅脑疾患的综合诊断方法，所述方法应用于一辅助分析系统，所述系统与第一图像采集装置、第一加速度传感器通信连接，所述方法包括：获得第一用户的第一基础信息；根据所述第一基础信息获得所述第一用户的第一活动习惯，其中，所述第一活动习惯为职业活动习惯；通过所述第一加速度传感器获得第一加速度信号，其中，所述第一加速度信号为所述第一用户在所述第一活动习惯下的加速度信号；将所述第一加速度信号输入第一加速度信号分析模型，其中，所述第一加速度信号分析模型为对所述第一用户的加速度信号分析统计的模型，通过所述第一加速度信号分析模型获得第一加速度异常分析结果；根据所述第一加速度异常分析结果获得第一加速度特征；根据所述第一加速度特征获得第一时间区间；通过所述第一图像采集装置对所述第一时间内的所述第一用户进行图像采集，获得第一图像集；根据所述第一图像集获得所述第一用户的第一步态监测特征；将所述第一加速度特征和所述第一步态监测特征输入第一体征分析模型，获得第一分析结果；根据所述第一分析结果构建所述第一用户的实时分析数据库。
另一方面，本申请还提供了一种颅脑疾患的综合诊断系统，所述系统包括：第一获得单元，所述第一获得单元用于获得第一用户的第一基础信息；第二获得单元，所述第二获得单元用于根据所述第一基础信息获得所述第一用户的第一活动习惯，其中，所述第一活动习惯为职业活动习惯；第三获得单元，所述第三获得单元用于通过第一加速度传感器获得第一加速度信号，其中，所述第一加速度信号为所述第一用户在所述第一活动习惯下的加速度信号；第一输入单元，所述第一输入单元用于将所述第一加速度信号输入第一加速度信号分析模型，其中，所述第一加速度信号分析模型为对所述第一用户的加速度信号分析统计的模型，通过所述第一加速度信号分析模型获得第一加速度异常分析结果；第四获得单元，所述第四获得单元用于根据所述第一加速度异常分析结果获得第一加速度特征；第五获得单元，所述第五获得单元用于根据所述第一加速度特征获得第一时间区间；第六获得单元，所述第六获得单元用于通过第一图像采集装置对所述第一时间内的所述第一用户进行图像采集，获得第一图像集；第七获得单元，所述第七获得单元用于根据所述第一图像集获得所述第一用户的第一步态监测特征；第八获得单元，所述第八获得单元用于将所述第一加速度特征和所述第一步态监测特征输入第一体征分析模型，获得第一分析结果；第一构建单元，所述第一构建单元用于根据所述第一分析结果构建所述第一用户的实时分析数据库。
第三方面，本发明提供了一种颅脑疾患的综合诊断系统，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，其中，所述处理器执行所述程序时实现第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了通过获得第一用户的基础信息，根据所述第一基础信息获得所述第一用户的第一活动习惯，通过所述第一加速度传感器获得第一加速度信号，将所述第一加速度信号输入第一加速度信号分析模型，获得第一加速度异常分析结果，根据所述第一加速度异常分析结果获得第一加速度特征，获得所述第一加速度特征的第一时间区间，通过图像采集装置对所述第一时间区间内的第一用户进行图像采集，获得第一图像集，基于所述第一图像集获得所述第一用户的第一步态监测特征，将所述第一加速度特征和所述第一步态监测特征输入所述第一体征分析模型，获得第一分析结果，根据所述第一分析结果构建所述第一用户的实时分析数据库，达到对患者进行实时准确的信号收集，分析患者在职业习惯中的异常信号，进而可更好的辅助医护人员进行颅脑疾患的诊断的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种颅脑疾患的综合诊断方法的流程示意图；
图2为本申请实施例一种颅脑疾患的综合诊断方法的结构示意图；
图3为本申请实施例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，第一输入单元14，第四获得单元15，第五获得单元16，第六获得单元17，第七获得单元18，第八获得单元19，第一构建单元20，总线300，接收器301，处理器302，发送器303，存储器304，总线接口304。
具体实施方式
本申请实施例通过提供一种颅脑疾患的综合诊断方法及系统，解决了现有技术中缺少对患者进行实时、准确患者信息收集，分析患者在职业习惯动作中的异常信号，更好的辅助医护人员进行颅脑疾患诊断的技术问题，达到对患者进行实时准确的信号收集，分析患者在职业习惯中的异常信号，进而可更好的辅助医护人员进行颅脑疾患的诊断的技术效果。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
颅脑是人体的重要器官，是人的生命中枢所在，颅脑疾病包括：颅脑损伤，颅脑外伤，头皮损伤，颅骨骨折，脑震荡，颅内高压等多种疾病。人的大脑是身体更为关键的位置，但由于各式各样的原因，会造成人脑出现许多病症。现有技术中缺少对患者进行实时、准确患者信息收集，分析患者在职业习惯动作中的异常信号，更好的辅助医护人员进行颅脑疾患诊断的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供了一种颅脑疾患的综合诊断方法，所述方法应用于一辅助分析系统，所述系统与第一图像采集装置、第一加速度传感器通信连接，所述方法包括：获得第一用户的第一基础信息；根据所述第一基础信息获得所述第一用户的第一活动习惯，其中，所述第一活动习惯为职业活动习惯；通过所述第一加速度传感器获得第一加速度信号，其中，所述第一加速度信号为所述第一用户在所述第一活动习惯下的加速度信号；将所述第一加速度信号输入第一加速度信号分析模型，其中，所述第一加速度信号分析模型为对所述第一用户的加速度信号分析统计的模型，通过所述第一加速度信号分析模型获得第一加速度异常分析结果；根据所述第一加速度异常分析结果获得第一加速度特征；根据所述第一加速度特征获得第一时间区间；通过所述第一图像采集装置对所述第一时间内的所述第一用户进行图像采集，获得第一图像集；根据所述第一图像集获得所述第一用户的第一步态监测特征；将所述第一加速度特征和所述第一步态监测特征输入第一体征分析模型，获得第一分析结果；根据所述第一分析结果构建所述第一用户的实时分析数据库。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种颅脑疾患的综合诊断方法，其中，所述方法应用于一辅助分析系统，所述系统与第一图像采集装置、第一加速度传感器通信连接，所述方法包括：
步骤S100：获得第一用户的第一基础信息；
具体而言，所述辅助分析系统为对所述第一用户进行实时信息采集、分析、提醒的系统，所述系统采集的数据可以用来作为主治医生的参考数据，所述第一图像采集装置为可进行图像采集的装置，所述装置可以是监控装置，摄像头等，所述第一加速度传感器为对加速度进行测量的传感器，它通常由质量块、阻尼器、弹性元件、敏感元件和适调电路等部分组成。传感器在加速过程中，通过对质量块所受惯性力的测量，利用牛顿第二定律获得加速度值。所述第一加速度传感器集成在一穿戴设备，用于被观测的第一用户。且所述辅助分析系统同与第一图像采集装置和所述第一加速度传感器通信连接，可进行实时信息共享。所述第一用户为进行观测的用户，他可以为进行过脑部疾病治疗的用户，也可以是高危用户，所述第一用户的基础信息包括所述第一用户的检查信息和第一用户的职业相关信息，在所述第一用户的许可前提下，对所述第一用户的最近检查信息和职业信息进行获取。
步骤S200：根据所述第一基础信息获得所述第一用户的第一活动习惯，其中，所述第一活动习惯为职业活动习惯；
具体而言，所述第一职业活动习惯为所述第一用户在从事所述第一用户的职业工作中的职业活动习惯，通过收集所述第一用户在进行职业相关工作中的动作、体态信息，对所述第一用户的运动习惯进行分析和评估，获得所述第一用户的第一活动习惯。通过对所述第一用户在职业工作中的活动习惯的收集，使得对所述第一用户的在进行职业活动时的运动习惯进行更加准确的分析，进而能获取在第一活动习惯下的所述第一用户的行为异常，为后续准确评估所述第一用户的颅脑疾病相关信息夯实了基础。
步骤S300：通过所述第一加速度传感器获得第一加速度信号，其中，所述第一加速度信号为所述第一用户在所述第一活动习惯下的加速度信号；
步骤S400：将所述第一加速度信号输入第一加速度信号分析模型，其中，所述第一加速度信号分析模型为对所述第一用户的加速度信号分析统计的模型，通过所述第一加速度信号分析模型获得第一加速度异常分析结果；
具体而言，所述第一加速度传感器为通过集成在穿戴设备上的一进行加速度检测的传感器，通过所述第一加速度传感器对所述第一用户在进行第一活动习惯时进行加速度信号检测，获得第一加速度信号，将所述获得的加速度信号输入所述辅助分析系统，通过所述辅助分析系统中的第一加速度信号分析模型对所述第一加速度信号进行信号的初步分析，所述第一加速度信号分析模型为根据所述第一用户的正常活动数据进行加速度构建的模型，通过所述第一加速度信号分析模型对所述第一用户的第一加速度信号进行初始分析，判断所述第一加速度信号是否存在异常，获得第一加速度异常分析结果。
步骤S500：根据所述第一加速度异常分析结果获得第一加速度特征；
步骤S600：根据所述第一加速度特征获得第一时间区间；
具体而言，所述第一加速度特征为所述第一加速度异常分析结果中加速度变化最大的特征，根据所述第一加速度异常分析结果，对所述第一加速度异常分析结果中加速度变化最大的特征进行捕捉，获得第一加速度特征，根据所示第一加速度特征，获得所述第一加速度特征产生的时间节点，将所述时间节点进行时间扩充，获得第一时间区间，其中，所述第一时间区间以所述第一加速度特征的时间节点前后的加速度变化情况为依据进行时间扩充，当所述第一时间节点后的加速度变化与所述第一加速度特征相接近时，则侧重于所述第一时间节点后的时间扩充。
步骤S700：通过所述第一图像采集装置对所述第一时间区间内的所述第一用户进行图像采集，获得第一图像集；
步骤S800：根据所述第一图像集获得所述第一用户的第一步态监测特征；
具体而言，为了对所述第一时间区间内的加速度异常进行进一步的详细分析，当所述第一加速度异常分析结果中存在异常时，则根据所述第一时间区间对所述第一用户进行图像采集，所述采集的装置为所述第一图像采集装置，获得所述第一用户在所述第一时间区间内的第一图像集，根据所述第一图像集中的图像的关于所述第一用户的图像部分的身体变动，对所述第一用户的第一时间区间内的脚步运动位置、运动速度进行分析，获得所述第一用户在所述第一时间区间内的脚步变化情况，根据所述脚步变化的异常程度获得所述第一用户的第一步态监测特征，所述第一步态监测特征为所述第一时间区间内的所述第一用户的步态变化的异常特征。
步骤S900：将所述第一加速度特征和所述第一步态监测特征输入第一体征分析模型，获得第一分析结果；
步骤S1000：根据所述第一分析结果构建所述第一用户的实时分析数据库。
具体而言，所述第一体征分析模型为对所述第一用户进行体征分析的模型，所述第一分析模型建立的依据为收集与所述第一用户体质、病情相近的用户及所述第一用户的信息数据，基于监督数据构建而成的对所述第一用户进行加速度和步态监测特征的分析的模型，将所述第一加速度特征和所述第一步态监测特征输入所述第一体征分析模型，获得第一分析结果，将所述第一分析结果作为所述第一用户的后续诊断、实时信息报警的基础数据。达到对患者进行实时准确的信号收集，分析患者在职业习惯中的异常信号，进而可更好的辅助医护人员进行颅脑疾患的诊断的技术效果。
进一步而言，本申请实施例还包括：
步骤S1110：获得第一卷积步态分析特征；
步骤S1120：根据所述第一卷积步态分析特征对所述实时分析数据库中的步态特征进行特征匹配，获得第一特征匹配结果；
步骤S1130：根据所述第一特征匹配结果获得步态异常时间和对应的步态异常程度；
步骤S1140：以所述步态异常时间为横坐标，所述步态异常程度为纵坐标构建步态异常数据时间变化曲线；
步骤S1150：根据所述步态异常数据时间变化曲线获得第二分析结果，将所述第二分析结果添加至所述实时分析数据库。
具体而言，所述第一卷积步态分析特征为进行步态特征匹配分析的特征，通过收集所述第一用户的正常步态的信息，和所述第一用户的脑部疾病时的步态变化，选取第一卷积步态分析特征，根据所述第一卷积步态分析特征对所述第一用户的实时分析数据库中存储的步态特征进行特征匹配，以所述第一卷积步态特征为界定标准，获得步态特征异常度满足所述第一卷积步态分析特征的特征集，所述特征集包含于所述第一特征匹配结果，对所述第一特征匹配结果进行特征的调用，所述调用的部分包括但不限于步态异常时间、步态异常程度，以所述步态异常的时间点为横坐标，所述步态的异常程度为纵坐标，构建直角坐标系，根据所述第一特征匹配结果中的步态异常信息获得步态异常数据时间变化曲线，所述曲线可准确反映出所述第一用户的步态随时间的变化程度和异常的时间节点，根据所述步态异常数据时间变化曲线获得所述第一用户的第二分析结果，将所述第二分析结果添加至所述实时分析数据库。通过对所述第一用户的异常步态进行分析和特征匹配，将所述匹配结果进行步态异常时间曲线的构建，使得所述步态的分析更加直观和明确，为后续辅助医生对所述第一用户的病情发展情况判断夯实了基础。
进一步而言，本申请实施例步骤S1050还包括：
步骤S1151：根据所述步态异常数据时间变化曲线获得第二时间区间，其中，所述第二时间区间为连续时间区间；
步骤S1152：获得所述第二时间区间内的第一步态异常程度，所述第一步态异常程度为所述第二时间区间内的步态异常程度最大值；
步骤S1153：根据所述第二时间区间和所述第一步态异常程度最大值获得所述第二分析结果。
具体而言，所述第二时间区间为所述第一用户的异常步态连续满足所述第一卷积步态分析特征的时间区间，根据所述步态异常数据时间变化曲线获得连续变化时间区间，对所述步态异常数据时间变化曲线中的连续时间段进行分段截取，获得不同连续时间段的持续时长，获得所述同一连续时间区间内的步态异常程度的最大异常的数据值，即所述步态异常程度最大值，根据所述步态异常的时间段的持续时长和同一持续时长下的步态异常程度，获得所述第二分析结果，将所述第二分析结果作为所述实时分析数据库的分析数据。
进一步的，所述系统还与第一心率监测设备通信连接，本申请实施例还包括：
步骤S1210：通过所述第一心率监测设备获得所述第一用户的第一心率变化数据，其中，所述第一心率变化数据为所述第一用户在所述第一时间区间内的心率变化数据；
步骤1220：根据所述基础信息获得所述第一用户的第一心率变化特征；
步骤S1230：将所述第一心率变化特征输入所述第一体征分析模型中，获得第一心率变化预测参数；
步骤S1240：将所述第一心率变化预测参数进行数据损失分析，获得第一损失数据；
步骤S1250：将所述第一损失数据输入所述第一体征分析模型，获得第二体征分析模型，将所述第一心率变化数据输入所述第二体征分析模型，获得第三分析结果；
步骤S1260：将所述第三分析结果添加至所述实时分析数据库。
具体而言，所述第一心率监测设备为可对用户的心率进行实时采集和监测传输的设备，所述设备可以为便捷穿戴的心率监测设备，举例而言，所述设备可以是智能心率监测手环，通过所述第一智能心率监测设备对所述第一用户的心率变化数据进行实时采集，获得所述第一用户的第一时间区间内的心率变化数据，对所述第一用户的日常心率变化数据进行实时的数据采集，根据所述采集的数据信息获得所述第一用户在日常生活中非异常状态下的心率变化的特征信息，将所述特征信息输入所述第一体征分析模型中，根据所述第一体征分析模型获得所述第一用户的日常状态下的第一心率变化预测参数，根据所述第一心率变化预测参数与所述实际的心率变化信息对比，进行数据损失分析，获得第一损失数据，基于所述损失数据，对所述第一体征分析模型进行训练，获得第二体征分析模型，基于所述第二体征分析模型对所述第一心率变化数据进行分析处理，获得第三分析结果，将所述第三分析结果作为所述第一用户的心率异常分析结果。通过对所述第一体征分析模型的增量学习，使得可通过更加少的训练过程即可获得较为准确地分析心率变化的第二体征分析模型，进而达到对所述第一用户的第一时间区间内的心率变化进行准确分析的技术效果，为后续作为辅助分析所述第一用户的病情发展的基础信息夯实了基础。
进一步的，本申请实施例还包括：
步骤S1210：获得第一步态特征变化阈值；
步骤S1220：根据所述第一步态特征变化阈值和所述实时分析数据库进行实时步态特征监测，获得第一监测结果；
步骤S1230：当所述第一监测结果中存在满足所述第一步态特征变化阈值的结果时，获得第一预警指令；
步骤S1240：根据所述第一预警指令对所述第一用户进行身体异常预警。
具体而言，所述第一步态特征变化阈值为根据所述第一用户的日常步态和病发步态分析，根据不同病发程度对应的步态特征变化情况获得的一阈值步态，所述第一步态特征变化阈值为反映了设定的病情的严重程度与步态关系的阈值，当所述第一用户出现满足所述第一步态特征变化阈值的步态时，表明所述第一用户出现了危险情况，达到了医生设定的危险范围。通过所述第一步态特征变化阈值对所述第一用户的实时分析数据库中的步态特征变化进行比对，实时监测，及时、及早发现所述第一用户的步态异常，根据异常程度准确预警，减少所述第一用户的反应时间，达到辅助所述第一用户对病情的恶化发展进行及早发现和重视的技术效果。
进一步而言，本申请实施例还包括：
步骤S1310：获得所述第一用户的第一描述场景，其中，所述第一描述场景包括于所述第一用户的受损记忆场景；
步骤S1320：获得第一标准场景，其中，所述第一标准场景为所述第一用户的治疗引导场景；
步骤S1330：获得第一对比指令；
步骤S1340：根据所述第一对比指令对比所述第一描述场景和所述第一标准场景，获得描述完整度；
步骤S1350：根据所述第一描述场景获得第一描述场景的描述逻辑性；
步骤S1360：根据所述描述逻辑性和所述描述完整度获得所述第一用户的第四分析结果；
步骤S1370：将所述第四分析结果添加至所述实时分析数据库。
具体而言，所述描述场景的测试是指当所述第一用户的局部血管受血块压迫后，导致所述第一用户出现部分记忆混乱或者失忆，对所述第一用户的描述场景进行记录，所述第一标准场景为所述第一用户的帮助回忆标准场景，获得第一对比指令，根据所述第一对比指令根据所述第一用户的描述场景和所述第一标准场景的描述情况对比，获得所述第一用户的描述场景与所述第一标准场景的完整度信息，获得所述第一用户在进行场景描述时的所述第一用户的逻辑情况，根据逻辑情况获得描述逻辑性，根据所述描述逻辑性和所述描述完整度获得所述第一用户的第四分析结果，所述第四分析结果为对所述第一用户的病情发展情况分析的结果，将所述第四分析结果添加至所述实时分析数据库中。
进一步而言，所述将所述第一加速度特征和所述第一步态监测特征输入第一体征分析模型，获得第一分析结果，本申请实施例步骤S900还包括：
步骤S910：构建第一体征分析模型，其中，所述第一体征分析模型为通过多组训练数据训练获得的模型，所述多组训练数据中的每组均包括所述第一加速度特征和所述第一步态监测特征和标识体征分析结果的标识信息；
步骤S920：获得所述第一体征分析模型的第一输出结果，其中，所述第一输出结果包括所述第一分析结果。
具体而言，所述第一体征分析模型为机器学习中的神经网络模型，它可以不断地进行学习和调整，是一个高度复杂的非线性动力学习系统。简单来说它是一个数学模型，通过大量训练数据的训练，将所述第一体征分析模型训练至收敛状态后，根据所述输入数据，通过所述第一体征分析模型进行处理，获得第一分析结果。
更进一步而言，所述训练的过程还包括监督学习的过程，每一组监督数据都包括所述第一加速度特征和所述第一步态监测特征和标识体征分析结果的标识信息，将所述第一加速度特征和所述第一步态监测特征输入到神经网络模型中，根据用来标识体征分析结果的标识信息对所述第一体征分析模型进行监督学习，使得所述第一体征分析模型的输出数据与监督数据一致，通过所述神经网络模型进行不断的自我修正、调整，直至获得的输出结果与所述标识信息一致，则结束本组数据监督学习，进行下一组数据监督学习；当所述神经网络模型的为收敛状态时，则监督学习过程结束。通过对所述模型的监督学习，进而使得所述模型处理所述输入信息更加准确，进而获得更加准确的所述第一分析结果，为后续作为辅助分析所述第一用户的病情发展的基础信息夯实了基础。
综上所述，本申请实施例所提供的一种颅脑疾患的综合诊断方法及系统具有如下技术效果：
1、由于采用了通过获得第一用户的基础信息，根据所述第一基础信息获得所述第一用户的第一活动习惯，通过所述第一加速度传感器获得第一加速度信号，将所述第一加速度信号输入第一加速度信号分析模型，获得第一加速度异常分析结果，根据所述第一加速度异常分析结果获得第一加速度特征，获得所述第一加速度特征的第一时间区间，通过图像采集装置对所述第一时间区间内的第一用户进行图像采集，获得第一图像集，基于所述第一图像集获得所述第一用户的第一步态监测特征，将所述第一加速度特征和所述第一步态监测特征输入所述第一体征分析模型，获得第一分析结果，根据所述第一分析结果构建所述第一用户的实时分析数据库，达到对患者进行实时准确的信号收集，分析患者在职业习惯中的异常信号，进而可更好的辅助医护人员进行颅脑疾患的诊断的技术效果。
2、由于采用了通过对所述第一用户的异常步态进行分析和特征匹配的方式，将所述匹配结果进行步态异常时间曲线的构建，使得所述步态的分析更加直观和明确，为后续辅助医生对所述第一用户的病情发展情况判断夯实了基础。
实施例二
基于与前述实施例中一种颅脑疾患的综合诊断方法同样发明构思，本发明还提供了一种颅脑疾患的综合诊断系统，如图2所示，所述系统包括：
第一获得单元11，所述第一获得单元11用于获得第一用户的第一基础信息；
第二获得单元12，所述第二获得单元12用于根据所述第一基础信息获得所述第一用户的第一活动习惯，其中，所述第一活动习惯为职业活动习惯；
第三获得单元13，所述第三获得单元13用于通过第一加速度传感器获得第一加速度信号，其中，所述第一加速度信号为所述第一用户在所述第一活动习惯下的加速度信号；
第一输入单元14，所述第一输入单元14用于将所述第一加速度信号输入第一加速度信号分析模型，其中，所述第一加速度信号分析模型为对所述第一用户的加速度信号分析统计的模型，通过所述第一加速度信号分析模型获得第一加速度异常分析结果；
第四获得单元15，所述第四获得单元15用于根据所述第一加速度异常分析结果获得第一加速度特征；
第五获得单元16，所述第五获得单元16用于根据所述第一加速度特征获得第一时间区间；
第六获得单元17，所述第六获得单元17用于通过第一图像采集装置对所述第一时间内的所述第一用户进行图像采集，获得第一图像集；
第七获得单元18，所述第七获得单元18用于根据所述第一图像集获得所述第一用户的第一步态监测特征；
第八获得单元19，所述第八获得单元19用于将所述第一加速度特征和所述第一步态监测特征输入第一体征分析模型，获得第一分析结果；
第一构建单元20，所述第一构建单元20用于根据所述第一分析结果构建所述第一用户的实时分析数据库。
进一步的，所述系统还包括：
第九获得单元，所述第九获得单元用于获得第一卷积步态分析特征；
第十获得单元，所述第十获得单元用于根据所述第一卷积步态分析特征对所述实时分析数据库中的步态特征进行特征匹配，获得第一特征匹配结果；
第十一获得单元，所述第十一获得单元用于根据所述第一特征匹配结果获得步态异常时间和对应的步态异常程度；
第十二获得单元，所述第十二获得单元用于以所述步态异常时间为横坐标，所述步态异常程度为纵坐标构建步态异常数据时间变化曲线；
第十三获得单元，所述第十三获得单元用于根据所述步态异常数据时间变化曲线获得第二分析结果，将所述第二分析结果添加至所述实时分析数据库。
进一步的，所述系统还包括：
第十四获得单元，所述第十四获得单元用于根据所述步态异常数据时间变化曲线获得第二时间区间，其中，所述第二时间区间为连续时间区间；
第十五获得单元，所述第十五获得单元用于获得所述第二时间区间内的第一步态异常程度，所述第一步态异常程度为所述第二时间区间内的步态异常程度最大值；
第十六获得单元，所述第十六获得单元用于根据所述第二时间区间和所述第一步态异常程度最大值获得所述第二分析结果。
进一步的，所述系统还包括：
第十七获得单元，所述第十七获得单元用于通过所述第一心率监测设备获得所述第一用户的第一心率变化数据，其中，所述第一心率变化数据为所述第一用户在所述第一时间区间内的心率变化数据；
第十八获得单元，所述第十八获得单元用于根据所述基础信息获得所述第一用户的第一心率变化特征；
第十九获得单元，所述第十九获得单元用于将所述第一心率变化特征输入所述第一体征分析模型中，获得第一心率变化预测参数；
第二十获得单元，所述第二十获得单元用于将所述第一心率变化预测参数进行数据损失分析，获得第一损失数据。
第二十一获得单元，所述第二十一获得单元用于将所述第一损失数据输入所述第一体征分析模型，获得第二体征分析模型，将所述第一心率变化数据输入所述第二体征分析模型，获得第三分析结果；
第二十二获得单元，所述第二十二获得单元用于将所述第三分析结果添加至所述实时分析数据库。
进一步的，所述系统还包括：
第二十三获得单元，所述第二十三获得单元用于获得第一步态特征变化阈值；
第二十四获得单元，所述第二十四获得单元用于根据所述第一步态特征变化阈值和所述实时分析数据库进行实时步态特征监测，获得第一监测结果；
第二十五获得单元，所述第二十五获得单元用于当所述第一监测结果中存在满足所述第一步态特征变化阈值的结果时，获得第一预警指令；
第一预警单元，所述第一预警单元用于根据所述第一预警指令对所述第一用户进行身体异常预警。
进一步的，所述系统还包括：
第二十六获得单元，所述第二十六获得单元用于获得所述第一用户的第一描述场景，其中，所述第一描述场景包括于所述第一用户的受损记忆场景；
第二十七获得单元，所述第二十七获得单元用于获得第一标准场景，其中，所述第一标准场景为所述第一用户的治疗引导场景；
第二十八获得单元，所述第二十八获得单元用于获得第一对比指令；
第二十九获得单元，所述第二十九获得单元用于根据所述第一对比指令对比所述第一描述场景和所述第一标准场景，获得描述完整度；
第三十获得单元，所述第三十获得单元用于根据所述第一描述场景获得第一描述场景的描述逻辑性；
第三十一获得单元，所述第三十一获得单元用于根据所述描述逻辑性和所述描述完整度获得所述第一用户的第四分析结果；
第三十二获得单元，所述第三十二获得单元用于将所述第四分析结果添加至所述实时分析数据库。
进一步的，所述系统还包括：
第一构建单元，所述第一构建单元用于构建第一体征分析模型，其中，所述第一体征分析模型为通过多组训练数据训练获得的模型，所述多组训练数据中的每组均包括所述第一加速度特征和所述第一步态监测特征和标识体征分析结果的标识信息；
第三十三获得单元，所述第三十三获得单元用于获得所述第一体征分析模型的第一输出结果，其中，所述第一输出结果包括所述第一分析结果。
前述图1实施例一中的一种颅脑疾患的综合诊断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颅脑疾患的综合诊断系统，通过前述对一种颅脑疾患的综合诊断方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种颅脑疾患的综合诊断系统的实施方法，所以为了说明书的简洁，在此不再详述。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种颅脑疾患的综合诊断方法的发明构思，本发明还提供一种颅脑疾患的综合诊断系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种颅脑疾患的综合诊断方法的任一方法的步骤。
其中，在图3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334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系统通信的单元。
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。
本发明实施例提供的一种颅脑疾患的综合诊断方法，所述方法应用于一辅助分析系统，所述系统与第一图像采集装置、第一加速度传感器通信连接，所述方法包括：获得第一用户的第一基础信息；根据所述第一基础信息获得所述第一用户的第一活动习惯，其中，所述第一活动习惯为职业活动习惯；通过所述第一加速度传感器获得第一加速度信号，其中，所述第一加速度信号为所述第一用户在所述第一活动习惯下的加速度信号；将所述第一加速度信号输入第一加速度信号分析模型，其中，所述第一加速度信号分析模型为对所述第一用户的加速度信号分析统计的模型，通过所述第一加速度信号分析模型获得第一加速度异常分析结果；根据所述第一加速度异常分析结果获得第一加速度特征；根据所述第一加速度特征获得第一时间区间；通过所述第一图像采集装置对所述第一时间内的所述第一用户进行图像采集，获得第一图像集；根据所述第一图像集获得所述第一用户的第一步态监测特征；将所述第一加速度特征和所述第一步态监测特征输入第一体征分析模型，获得第一分析结果；根据所述第一分析结果构建所述第一用户的实时分析数据库。解决了现有技术中缺少对患者进行实时、准确患者信息收集，分析患者在职业习惯动作中的异常信号，更好的辅助医护人员进行颅脑疾患诊断的技术问题，达到对患者进行实时准确的信号收集，分析患者在职业习惯中的异常信号，进而可更好的辅助医护人员进行颅脑疾患的诊断的技术效果。
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系统。
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系统的制造品，该指令系统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。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
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 (9)

1.一种颅脑疾患的综合诊断方法，其中，所述方法应用于一辅助分析系统，所述系统与第一图像采集装置、第一加速度传感器通信连接，所述方法包括：
获得第一用户的第一基础信息；
根据所述第一基础信息获得所述第一用户的第一活动习惯，其中，所述第一活动习惯为职业活动习惯；
通过所述第一加速度传感器获得第一加速度信号，其中，所述第一加速度信号为所述第一用户在所述第一活动习惯下的加速度信号；
将所述第一加速度信号输入第一加速度信号分析模型，其中，所述第一加速度信号分析模型为对所述第一用户的加速度信号分析统计的模型，通过所述第一加速度信号分析模型获得第一加速度异常分析结果；
根据所述第一加速度异常分析结果获得第一加速度特征；
根据所述第一加速度特征获得第一时间区间；
通过所述第一图像采集装置对所述第一时间内的所述第一用户进行图像采集，获得第一图像集；
根据所述第一图像集获得所述第一用户的第一步态监测特征；
将所述第一加速度特征和所述第一步态监测特征输入第一体征分析模型，获得第一分析结果；
根据所述第一分析结果构建所述第一用户的实时分析数据库。
2.如权利要求1所述的方法，其中，所述方法还包括：
获得第一卷积步态分析特征；
根据所述第一卷积步态分析特征对所述实时分析数据库中的步态特征进行特征匹配，获得第一特征匹配结果；
根据所述第一特征匹配结果获得步态异常时间和对应的步态异常程度；
以所述步态异常时间为横坐标，所述步态异常程度为纵坐标构建步态异常数据时间变化曲线；
根据所述步态异常数据时间变化曲线获得第二分析结果，将所述第二分析结果添加至所述实时分析数据库。
3.如权利要求2所述的方法，其中，所述方法还包括：
根据所述步态异常数据时间变化曲线获得第二时间区间，其中，所述第二时间区间为连续时间区间；
获得所述第二时间区间内的第一步态异常程度，所述第一步态异常程度为所述第二时间区间内的步态异常程度最大值；
根据所述第二时间区间和所述第一步态异常程度最大值获得所述第二分析结果。
4.如权利要求1所述的方法，其中，所述系统还与第一心率监测设备通信连接，所述方法还包括：
通过所述第一心率监测设备获得所述第一用户的第一心率变化数据，其中，所述第一心率变化数据为所述第一用户在所述第一时间区间内的心率变化数据；
根据所述基础信息获得所述第一用户的第一心率变化特征；
将所述第一心率变化特征输入所述第一体征分析模型中，获得第一心率变化预测参数；
将所述第一心率变化预测参数进行数据损失分析，获得第一损失数据；
将所述第一损失数据输入所述第一体征分析模型，获得第二体征分析模型，将所述第一心率变化数据输入所述第二体征分析模型，获得第三分析结果；
将所述第三分析结果添加至所述实时分析数据库。
5.如权利要求4所述的方法，其中，所述方法还包括：
获得第一步态特征变化阈值；
根据所述第一步态特征变化阈值和所述实时分析数据库进行实时步态特征监测，获得第一监测结果；
当所述第一监测结果中存在满足所述第一步态特征变化阈值的结果时，获得第一预警指令；
根据所述第一预警指令对所述第一用户进行身体异常预警。
6.如权利要求1所述的方法，其中，所述方法还包括：
获得所述第一用户的第一描述场景，其中，所述第一描述场景包括于所述第一用户的受损记忆场景；
获得第一标准场景，其中，所述第一标准场景为所述第一用户的治疗引导场景；
获得第一对比指令；
根据所述第一对比指令对比所述第一描述场景和所述第一标准场景，获得描述完整度；
根据所述第一描述场景获得第一描述场景的描述逻辑性；
根据所述描述逻辑性和所述描述完整度获得所述第一用户的第四分析结果；
将所述第四分析结果添加至所述实时分析数据库。
7.如权利要求1所述的方法，其中，所述将所述第一加速度特征和所述第一步态监测特征输入第一体征分析模型，获得第一分析结果，还包括：
构建第一体征分析模型，其中，所述第一体征分析模型为通过多组训练数据训练获得的模型，所述多组训练数据中的每组均包括所述第一加速度特征和所述第一步态监测特征和标识体征分析结果的标识信息；
获得所述第一体征分析模型的第一输出结果，其中，所述第一输出结果包括所述第一分析结果。
8.一种颅脑疾患的综合诊断系统，其中，所述系统包括：
第一获得单元，所述第一获得单元用于获得第一用户的第一基础信息；
第二获得单元，所述第二获得单元用于根据所述第一基础信息获得所述第一用户的第一活动习惯，其中，所述第一活动习惯为职业活动习惯；
第三获得单元，所述第三获得单元用于通过第一加速度传感器获得第一加速度信号，其中，所述第一加速度信号为所述第一用户在所述第一活动习惯下的加速度信号；
第一输入单元，所述第一输入单元用于将所述第一加速度信号输入第一加速度信号分析模型，其中，所述第一加速度信号分析模型为对所述第一用户的加速度信号分析统计的模型，通过所述第一加速度信号分析模型获得第一加速度异常分析结果；
第四获得单元，所述第四获得单元用于根据所述第一加速度异常分析结果获得第一加速度特征；
第五获得单元，所述第五获得单元用于根据所述第一加速度特征获得第一时间区间；
第六获得单元，所述第六获得单元用于通过第一图像采集装置对所述第一时间内的所述第一用户进行图像采集，获得第一图像集；
第七获得单元，所述第七获得单元用于根据所述第一图像集获得所述第一用户的第一步态监测特征；
第八获得单元，所述第八获得单元用于将所述第一加速度特征和所述第一步态监测特征输入第一体征分析模型，获得第一分析结果；
第一构建单元，所述第一构建单元用于根据所述第一分析结果构建所述第一用户的实时分析数据库。
9.一种颅脑疾患的综合诊断系统，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，其中，所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
CN202110483938.3A 2021-04-30 2021-04-30 一种颅脑疾患的综合诊断方法及系统 Active CN113130070B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110483938.3A CN113130070B (zh) 2021-04-30 2021-04-30 一种颅脑疾患的综合诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110483938.3A CN113130070B (zh) 2021-04-30 2021-04-30 一种颅脑疾患的综合诊断方法及系统

Publications (2)

Publication Number Publication Date
CN113130070A true CN113130070A (zh) 2021-07-16
CN113130070B CN113130070B (zh) 2024-02-06

Family

ID=76780775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110483938.3A Active CN113130070B (zh) 2021-04-30 2021-04-30 一种颅脑疾患的综合诊断方法及系统

Country Status (1)

Country Link
CN (1) CN113130070B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160147959A1 (en) * 2014-11-20 2016-05-26 Board Of Regents, The University Of Texas System Systems, apparatuses and methods for predicting medical events and conditions reflected in gait
CN111210912A (zh) * 2020-01-14 2020-05-29 上海恩睦信息科技有限公司 一种帕金森预测方法及装置
CN112712898A (zh) * 2020-12-29 2021-04-27 中南大学湘雅医院 一种颅脑创伤专科病情早期预警方法及运行终端

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160147959A1 (en) * 2014-11-20 2016-05-26 Board Of Regents, The University Of Texas System Systems, apparatuses and methods for predicting medical events and conditions reflected in gait
CN111210912A (zh) * 2020-01-14 2020-05-29 上海恩睦信息科技有限公司 一种帕金森预测方法及装置
CN112712898A (zh) * 2020-12-29 2021-04-27 中南大学湘雅医院 一种颅脑创伤专科病情早期预警方法及运行终端

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ALIREZA SEPAS-MOGHADDAM 等: "Deep Gait Recognition: A Survey", ARXIV:2102.09546 [CS.CV] *
李贻斌 等: "人体步态识别方法与技术", 吉林大学学报（工学版）, vol. 50, no. 1 *

Also Published As

Publication number Publication date
CN113130070B (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
US11834052B2 (en) Estimator generation apparatus, monitoring apparatus, estimator generation method, and computer-readable storage medium storing estimator generation program
US6741888B2 (en) Method and apparatus for estimating degree of neuronal impairment in brain cortex
KR20140063100A (ko) 원격 심질환 관리 장치 및 방법
CN115040093A (zh) 一种用于内科高龄患者的护理干预方法及系统
CN112712882A (zh) 一种提高重症护理管理水平的方法和系统
CN112289423A (zh) 一种基于智慧社区病患的复诊及康复的方法及系统
CN113270175A (zh) 一种护理技能提升方法及系统
CN113095984A (zh) 一种护理人员突发事件应急预案生成方法及系统
CN113100711B (zh) 一种临产产妇健康状况实时追踪的方法和系统
CN112998657A (zh) 一种预防皮肤过敏的方法及系统
CN112992355A (zh) 一种食管癌患者的术前评估方法及系统
CN112957017B (zh) 一种昏迷患者的实时体征监测方法及系统
CN113130070B (zh) 一种颅脑疾患的综合诊断方法及系统
CN112951422A (zh) 一种骨科患者康复自检方法及系统
CN112768066A (zh) 一种神经外科患者综合诊疗方法及系统
CN116098595A (zh) 一种心源性及脑源性猝死监测预防系统和方法
CN112992312B (zh) 一种脊髓损伤康复训练合格监测方法及系统
CN113053482B (zh) 一种肾内科患者的体征监测分析系统及方法
CN112420208B (zh) 一种医护人员疫情防护监测方法及系统
CN113052122A (zh) 一种血透室消毒效果检测系统及方法
CN113873196A (zh) 一种提高感染防控管理质量的方法及系统
CN113057597B (zh) 一种实时监测产妇生产过程中生理状态的方法及系统
Eskandar et al. Using Deep Learning for Assessment of Workers' Stress and Overload
CN112133417A (zh) 一种icu探视方法及系统
CN112309529A (zh) 一种基于人工智能的感染控制管理方法及系统

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
GR01 Patent grant
GR01 Patent grant