CN113143260B - 一种独居人员在床状态识别方法 - Google Patents

一种独居人员在床状态识别方法 Download PDF

Info

Publication number
CN113143260B
CN113143260B CN202110367549.4A CN202110367549A CN113143260B CN 113143260 B CN113143260 B CN 113143260B CN 202110367549 A CN202110367549 A CN 202110367549A CN 113143260 B CN113143260 B CN 113143260B
Authority
CN
China
Prior art keywords
bed
time
person
vibration amplitude
vibration
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.)
Active
Application number
CN202110367549.4A
Other languages
English (en)
Other versions
CN113143260A (zh
Inventor
翁文勇
陈峥
陆胤
沈海燕
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.)
Zhejiang Youlin Network Technology Co ltd
Original Assignee
Zhejiang Youlin Network Technology 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 Zhejiang Youlin Network Technology Co ltd filed Critical Zhejiang Youlin Network Technology Co ltd
Priority to CN202110367549.4A priority Critical patent/CN113143260B/zh
Publication of CN113143260A publication Critical patent/CN113143260A/zh
Application granted granted Critical
Publication of CN113143260B publication Critical patent/CN113143260B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/103Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1113Local tracking of patients, e.g. in a hospital or private home
    • A61B5/1115Monitoring leaving of a patient support, e.g. a bed or a wheelchair

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Dentistry (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种独居人员在床状态识别方法,通过在床沿安装带物联网功能的振动传感器,定时向服务器发送数据,服务器端软件通过震动模式识别判断床位中是否有人及人员的活动状态。其步骤如下:(1)通过振动传感器采集床位振动幅度数据,并通过物联网上传到服务器;(2)将振动时序数据进行时间片划分;(3)计算时间片对应的振动幅度表征向量;(4)人员在床状态判别:根据步骤(3)所得的振动幅度向量对人员每个时间片的在床状态进行判别。(5)统计步骤(4)获得的每个时间片的人员在床状态,得到整个时间段内人员在床状态。

Description

一种独居人员在床状态识别方法
技术领域
本发明涉及智能家居领域,尤其涉及一种独居人员在床状态识别方法。
背景技术
随着社会老龄化的日趋严重,独居人员的数量也逐年攀升,判断人员是否安全在家也成为了社区工作者的重要日常工作;人员在床状态识别装置是协助社区工作者高效完成该项工作的有效手段;目前,通过微波、视觉智能等方式可实现人员在家状态的识别,但因其成本较高,供电安全,隐私保护等问题,无法规模化推广。
发明内容
本发明的目的在于针对现有技术的不足,提供一种独居人员在床状态识别方法,本发明通过采集床位实时振动数据,通过预设的人员在床状态类别进行分类评价,实现人员在床状态的判别。
本发明采用的技术方案是:一种独居人员在床状态识别方法,包括以下步骤:
(1)通过振动传感器采集床位振动幅度数据,并通过物联网上传到服务器。
(2)将振动时序数据进行时间片划分:根据振动幅度数据,计算各个时序点位的差异值,得到振动时序数据,将振动时序数据划分为不超过30分钟的不等长时间片。
(3)计算时间片对应的振动幅度表征向量:对步骤(2)处理后的时间片提取最大振动幅度、最小振动幅度,平均振动幅度和振动幅度标准差,得到振动幅度表征向量。
(4)人员在床状态判别:根据步骤(3)所得的振动幅度向量对人员每个时间片的在床状态进行判别。(5)统计步骤4获得的每个时间片的人员在床状态,得到整个时间段内人员在床状态。
进一步地,所述步骤(1)中,振动传感器每分钟采样点不少于12个;分辨率不小于256级,超过256级的传感器,将数据投影到256级即可;所述物联网包括Lora、NB、蓝牙、zigbee等物联网络。
进一步地,所述步骤(2)中,所述将振动时序数据划分为不超过30分钟的不等长时间片通过以下方法实现:
(2.1)待分片时间段定义为上一次数据处理的最后一个时间片到时间序列的末尾;整体时长不小于2小时,如果时长不足应往前再取时间片段加入计算。
(2.2)通过差异指数寻找分片边界点。即,计算时间序列中每个点的差异指数,将差异指数超过床位差异指数阈值的点位标定为时间序列边界,计算过程如下:
首先计算时间序列中每个点的区域平均振动幅度RVi
RVi=(Zi-10+Zi-9+...+Zi+Zi+1+...+Zi+10)/21,Zi为各时间序列的振动幅度值,如果不足21个值,则按实际数量计算。
然后计算每个点位的差异指数Ci
Ci=Zi-Zi-1,如果前一个时间点不存在,则Ci值取0;
如果Ci>F,其中F为该床位的差异指数阈值,则该时间点为分片边界点,F值根据该床位的历史情况和床类别定期计算获得,算法如下:
F0=t*X,F0表示该床位的初始差异指数阈值;X为基准差异指数;t为床类型系数;
F=a*t*X,a为用于调节人员居住的周围环境差异和行为差异的系数,其计算方法为:a=上一月度所有时序点差异指数平均值/F0
(2.3)对于时间片时长超过30分钟的,通过插值将时间片切为不超过30分钟的多个时间片。
进一步地,X取值12.3。
进一步地,所述步骤(3)中,振动幅度表征向量为Qi(avg,sd,_min20,_max20,_max5),avg为取出各时间片内振动幅度的平均值、sd为标准差、_min20为振动幅度最小的20%时序振幅均值、_max20为振动幅度最大的20%时序振幅均值、_max5为振动幅度最大的连续5个时序点振幅均值。
进一步地,所述步骤(4)包括以下子步骤:
(4.1)判断_max20<=favg*t,favg为均值阈值,favg的取值范围为17-19;如果不等式成立,则判定为“空床”,即整体振动幅度较小的时间片认为无人在床,轻微的振动一般由周围环境引起;如果不等式不成立,则进入下一步;
(4.2)判断_max20>=fmax*t,fmax为最大振幅阈值,fmax的取值范围为125-140,如果不等式成立,则判定为“重/中度活动”,即整体振动幅度较大的时间片认为人员在床上的活动幅度较大,如果不等式不成立,则进入下一步;
(4.3)判断_max20<fmin*t and(sd<fsd or_max20-_min20<fdiff*t),fmin为最小振幅阈值,fmin的取值范围为70-78,fdiff为最大差异阈值,fdiff的取值范围为20-25,fsd为标准差阈值,fsd的取值范围为2.5-3.2,如果逻辑表达式成立,判别为“睡眠”状态,即振动幅度较稳定且幅度不大的时间片认为人员正在睡眠;如果表达式不成立,则标定为“轻度活动”状态;
(4.4)对于已标定为“睡眠”和“轻度活动”状态的时间片,且_max5>fmax*t时,将该时段标定为存在“突变”状态。
进一步地,所述均值阈值favg的取值优选为18.2,所述最大差异阈值fdiff的取值优选为23.4,所述最大振幅阈值fmax的取值优选为132,所述最小振幅阈值fmin的取值优选为74,所述标准差阈值fsd的取值优选为2.98。
进一步地,所述步骤5中,得到的整个时间段内人员在床状态包括;
(a)整个晚上空床;
(b)前半夜人员在床,后半夜长时间不在床;
(c)人员起夜次数突然变多;
(d)睡眠期间“重/中度”活动时长较长。
本发明的有益效果是:本发明可根据床位振动强度判别人员在床状态,从而实现低成本、无打扰、无隐私侵犯地人员在床状态识别,便于规模化推广。
附图说明
图1一种独居人员在床状态识别方法的流程图;
图2基于时间片振动幅度表征向量的人员在床状态标定算法流程图。
具体实施方式
下面结合具体实施方式和附图对本发明作进一步说明。判别方法包括如下步骤(如图1-2所示):1、通过振动传感器采集床位振动幅度数据,并通过物联网上传到服务器。包括以下步骤:
振动传感器是用于检测冲击力或者加速度的传感器,通常使用的是加上应力就会产生电荷的压电器件;按功能可分为:相对式、惯性式;按机电变换原理可分为:电动式、压电式、电涡流式、电感式、电容式、电阻式、光电式等。本项发明对振动传感器的类型无要求,只要满足如下性能指标的振动传感器都可选用:每分钟采样点不少于12个;分辨率不小于256级,超过256级的传感器,将数据投影到256级即可;支持但不限于Lora、NB、蓝牙、zigbee等物联网络。
振动传感器贴于床靠背后面或床沿等即可,同时应记录床类型(见表2)。
2、将振动时序数据进行时间片划分:
振动传感器采集数据的每分钟不少于12个值(0~255,值越大振动幅度越大),每15分钟向平台上传一次数据,形成振动幅度序列,即每次上传数据量>=180,如下表所示:
表1:原始时间序列
时间(分) 振动幅度序列
2021-02-10 12:10 201,203,166,90,19,88,133,202,121,211,207,180
2021-02-10 12:11 166,203,112,82,98,23,44,88,124,143,122,101
... 说明:每分钟12个值,每个值为5秒内50个采集点的平均值
获得振动幅度序列后,对振动时序数据进行时间片划分,方法如下:
(2.1)待分片时间段定义为上一次数据处理的最后一个时间片到时间序列的末尾,考虑到连续性,要求整体时长不小于2小时,如果时长不足应往前再取时间片段加入计算。
(2.2)通过差异指数寻找分片边界点。即计算时间序列中每个点的差异指数,将差异指数超过床位差异指数阈值的点位标定为时间序列边界,计算过程如下:
首先计算时间序列中每个点的区域平均振动幅度RVi
RVi=(Zi-10+Zi-9+...+Zi+Zi+1+...+Zi+10)/21,Zi为各时间序列的振动幅度值,如果不足21个值,则按实际数量计算。
然后计算每个点位的差异指数Ci
Ci=Zi-Zi-1,如果前一个时间点不存在,则Ci值取0
如果Ci>F(F为该床位的差异指数阈值),则该时间点为分片边界点。其中F值根据该床位的历史情况和床类别定期计算获得,算法如下:
F0=t*X,F0表示该床位的初始差异指数阈值;X为基准差异指数,根据历史经验判断,目前取值12.3;t为床类型系数,目前分四类,默认取值如下表所示,可根据实际情况调整t值,如下表2所示。
表2:床类型系数
代码 床类型 t值 说明
1 较软 0.55 乳胶垫等
2 0.65 席梦思床垫等
3 较硬 0.8 棕垫等
4 1 硬板床等
F=a*t*X,F每月计算一次,a用于调节人员居住的周围环境差异和行为差异,其计算方法为:a=上一月度所有时序点差异指数平均值/F0
(2.3)对于时间片时长超过30分钟的,通过插值将时间片切为不超过30分钟的多个时间片。
3、计算时间片对应的振动幅度表征向量:对步骤(2)处理后的时间片提取最大振动幅度、最小振动幅度、平均振动幅度和振动幅度标准差,得到振动幅度表征向量;
计算时间片振动幅度标定向量Qi(avg,sd,_min20,_max20,_max5),avg为取出各时间片内振动幅度的平均值、sd为标准差、_min20为振动幅度最小的20%时序振幅均值、_max20为振动幅度最大的20%时序振幅均值、_max5为振动幅度最大的连续5个时序点振幅均值。
4、人员在床状态判别:根据步骤(3)所得的振动幅度向量对人员在床状态进行判别。
对前述算法标定的时间片段进行分析,以标定用户的具体在床状态。为此,本发明定义了人员在床的几种状态,如下表3所示。
表3:人员在床状态分类
Figure GDA0003470549820000041
Figure GDA0003470549820000051
另外,根据对历史数据的分析,本发明定义了几个标定常量,如下表4所示:
表4:标定常量表
Figure GDA0003470549820000052
根据时间片的Qi向量判别人员的在床状态,计算过程如下:
第一步,判断_max20<=favg*t,如果不等式成立,则判定为“空床”,即整体振动幅度较小的时间片认为无人在床,轻微的振动一般由周围环境引起;如果不等式不成立,则进入下一步;
第二步:判断_max20>=fmax*t,如果不等式成立,则判定为“重/中度活动”,即整体振动幅度较大的时间片认为人员在床上的活动幅度较大,如果不等式不成立,则进入下一步;
第三步:判断_max20<fmin*t and(sd<fsd or_max20-_min20<fdiff*t),如果逻辑表达式成立,判别为“睡眠”状态,即振动幅度较稳定且幅度不大的时间片认为人员正在睡眠;如果表达式不成立,则标定为“轻度活动”状态;
第四步:对于已标定为“睡眠”和“轻度活动”状态的时间片,且_max5>fmax*t时,将该时段标定为存在“突变”状态。
5、统计步骤(4)获得的每个时间片的人员在床状态,得到整个时间段内人员在床状态。并指定预警机制。分析结果,可进行人员睡眠统计,如:将标定为“睡眠”的时间片时长累加即可获得日睡眠时长;统计标定为“睡眠”且存在“突变”的时间片个数即可获知人员的起夜次数。
在统计数据的基础上,可针对不同情况进行报警,包括但不限于:
(5.1)整个晚上空床,社区工作者应上面查看人员是否出现意外;
(5.2)前半夜人员在床,后半夜长时间不在床,应考虑人员是否在起夜后出现意外;
(5.3)人员起夜次数突然变多,应考虑人员身体状态是否出现问题;
(5.4)睡眠期间“重/中度”活动时长较长,应考虑人员身体状态是否出现问题。
本发明判别人员在床状态的判别仅依赖振动传感器数据,且灵敏性要求不高,可最大限度控制单个器件成本,适合大规模部署应用。本发明设计了一种时间片内整体振动幅度的标定方法,充分考虑了时间片内不同时序点的差异和体现主要特征的大幅振动情况,有利于去除干扰数据,提高判别算法准确度;本发明设计了一种根据时间片振幅统计数判别人员在床状态的方法,并通过大量数据分析标定了阈值,可较为准确的分析出人员在床状态,计算复杂度可控。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。

Claims (7)

1.一种独居人员在床状态识别方法,其特征在于,包括以下步骤:
步骤(1)通过振动传感器采集床位振动幅度数据,并通过物联网上传到服务器;
步骤(2)将振动时序数据进行时间片划分:根据振动幅度数据,计算各个时序点位的差异值,得到振动时序数据,将振动时序数据划分为不超过30分钟的不等长时间片;
所述将振动时序数据划分为不超过30分钟的不等长时间片通过以下方法实现:
(2.1)待分片时间段定义为上一次数据处理的最后一个时间片到时间序列的末尾;整体时长不小于2小时,如果时长不足应往前再取时间片段加入计算;
(2.2)通过差异指数寻找分片边界点;即,计算时间序列中每个点的差异指数,将差异指数超过床位差异指数阈值的点位标定为时间序列边界,计算过程如下:
首先计算时间序列中每个点的区域平均振动幅度RVi
RVi=(Zi-10+Zi-9+...+Zi+Zi+1+...+Zi+10)/21 , Zi为各时间序列的振动幅度值,如果不足21个值,则按实际数量计算;
然后计算每个点位的差异指数Ci
Ci= Zi - Zi-1 , 如果前一个时间点不存在,则Ci值取0;
如果Ci> F ,其中F为该床位的差异指数阈值,则该时间点为分片边界点,F值根据该床位的历史情况和床类别定期计算获得,算法如下:
F0 = t*X,F0表示该床位的初始差异指数阈值;X为基准差异指数;t为床类型系数;当t取0.55时,所述床类型为乳胶垫;当t取0.65时,所述床类型为席梦思床垫;当t取0.8时,所述床类型为棕垫;当t取1时,所述床类型为硬板床;
F= a*t*X,a为用于调节人员居住的周围环境差异和行为差异的系数,其计算方法为:a=上一月度所有时序点差异指数平均值 / F0
(2.3)对于时间片时长超过30分钟的,通过插值将时间片切为不超过30分钟的多个时间片;
步骤(3)计算时间片对应的振动幅度表征向量:对步骤(2)处理后的时间片提取最大振动幅度、最小振动幅度、平均振动幅度和振动幅度标准差,得到振动幅度表征向量;
步骤(4)人员在床状态判别:根据步骤(3)所得的振动幅度表征向量对人员每个时间片的在床状态进行判别;
步骤(5)统计步骤(4)获得的每个时间片的人员在床状态,得到整个时间段内人员在床状态。
2.根据权利要求1所述的人员在床状态识别方法,其特征在于,所述步骤(1)中,振动传感器每分钟采样点不少于12个;分辨率不小于256级,超过256级的传感器,将数据投影到256级即可;所述物联网包括Lora、NB、蓝牙、zigbee等物联网络。
3.根据权利要求1所述的人员在床状态识别方法,其特征在于,X取值12.3。
4.根据权利要求1所述的人员在床状态识别方法,其特征在于,所述步骤(3)中,振动幅度表征向量为Q i(avg ,sd,_min20,_max20,_max5),avg为取出各时间片内振动幅度的平均值、sd为标准差、_min20为振动幅度最小的20%时序振幅均值、_max20为振动幅度最大的20%时序振幅均值、_max5为振动幅度最大的连续5个时序点振幅均值。
5.根据权利要求1所述的人员在床状态识别方法,其特征在于,所述步骤(4)包括以下子步骤:
(4.1)判断_max20 <= favg * t,favg为均值阈值,favg的取值范围为17-19;如果不等式成立,则判定为“空床”,即整体振动幅度较小的时间片认为无人在床,轻微的振动一般由周围环境引起;如果不等式不成立,则进入下一步;
(4.2)判断_max20 >= fmax * t,fmax为最大振幅阈值,fmax的取值范围为125-140,如果不等式成立,则判定为“重/中度活动”,即整体振动幅度较大的时间片认为人员在床上的活动幅度较大,如果不等式不成立,则进入下一步;
(4.3)判断_max20 < fmin*t and (sd < fsd or _max20 - _min20 < fdiff*t) ,fmin为最小振幅阈值,fmin的取值范围为70-78,fdiff为最大差异阈值,fdiff的取值范围为20-25,fsd为标准差阈值,fsd的取值范围为2.5-3.2,如果逻辑表达式成立,判别为“睡眠”状态,即振动幅度较稳定且幅度不大的时间片认为人员正在睡眠;如果表达式不成立,则标定为“轻度活动”状态;
(4.4)对于已标定为“睡眠”和“轻度活动”状态的时间片,且_max5 > fmax*t时,将该时间片标定为存在“突变”状态;所述“突变”状态为人员上下床过程。
6.根据权利要求5所述的人员在床状态识别方法,其特征在于,所述均值阈值favg的取值优选为18.2,所述最大差异阈值fdiff的取值优选为23.4,所述最大振幅阈值fmax的取值优选为132,所述最小振幅阈值fmin的取值优选为74,所述标准差阈值fsd的取值优选为2.98。
7.根据权利要求1所述的人员在床状态识别方法,其特征在于,所述步骤(5)中,得到的整个时间段内人员在床状态包括;
(a)整个晚上空床;
(b)前半夜人员在床,后半夜长时间不在床;
(c)人员起夜次数突然变多;
(d)睡眠期间“重/中度”活动时长较长。
CN202110367549.4A 2021-04-06 2021-04-06 一种独居人员在床状态识别方法 Active CN113143260B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110367549.4A CN113143260B (zh) 2021-04-06 2021-04-06 一种独居人员在床状态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110367549.4A CN113143260B (zh) 2021-04-06 2021-04-06 一种独居人员在床状态识别方法

Publications (2)

Publication Number Publication Date
CN113143260A CN113143260A (zh) 2021-07-23
CN113143260B true CN113143260B (zh) 2022-03-15

Family

ID=76888785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110367549.4A Active CN113143260B (zh) 2021-04-06 2021-04-06 一种独居人员在床状态识别方法

Country Status (1)

Country Link
CN (1) CN113143260B (zh)

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101366680A (zh) * 2007-08-14 2009-02-18 朱燕 一种人体活动状态监护装置
JP2012110463A (ja) * 2010-11-24 2012-06-14 Panasonic Corp 低呼吸検出装置
CN103932798A (zh) * 2014-05-16 2014-07-23 陈桂芳 一种基于大数据分析实现非接触式睡眠监控的系统和方法
CA2981085A1 (en) * 2015-03-06 2016-09-15 Micromass Uk Limited Spectrometric analysis
CN107065719B (zh) * 2017-04-12 2020-04-10 佛山市量脑科技有限公司 一种智能床垫的数据分析系统
JP6661173B2 (ja) * 2018-03-14 2020-03-11 ミネベアミツミ株式会社 睡眠/覚醒判定システム
CN109612726A (zh) * 2018-11-20 2019-04-12 南京航空航天大学 一种用于振动信号特征提取的多重超阶分析方法
CN109567756B (zh) * 2018-12-29 2021-07-23 北京工业大学 一种基于人工智能床垫的睡眠状态检测方法
CN110955648A (zh) * 2019-12-18 2020-04-03 重庆大学 一种非等距时间序列监测数据的归一化映射处理方法
CN111811820B (zh) * 2020-07-20 2021-04-23 中国大唐集团科学技术研究院有限公司华中电力试验研究院 一种基于多参数对比的汽轮机主机振动状态评估方法

Also Published As

Publication number Publication date
CN113143260A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN109573772B (zh) 一种通用电梯健康度评估系统
CN105808639B (zh) 网络访问行为识别方法和装置
US7653456B2 (en) Method and system for monitoring apparatus
CN109916628A (zh) 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法
CN107707657A (zh) 基于多传感器的安全监护系统
CN102302370A (zh) 一种跌倒检测方法和装置
CN109871975B (zh) 基于数据挖掘的故障抢修处理时长预测方法
CN116205544B (zh) 基于深度神经网络和迁移学习的非侵入式负荷识别系统
CN110249276A (zh) 不良状况要因推定装置及不良状况要因推定方法
CN102123062B (zh) 基于树突细胞算法的网络数据异常检测方法
CN110588658A (zh) 一种基于综合模型检测驾驶员风险等级的方法
CN113143260B (zh) 一种独居人员在床状态识别方法
CN104269025A (zh) 面向户外摔倒监测的穿戴式单节点特征及位置选取方法
CN108961447B (zh) 判断座椅是否有人的方法、座椅系统、考勤方法
KR102045626B1 (ko) 설비 상태 평가 장치 및 방법
CN114116689A (zh) 一种基于建筑结构安全监测的大数据清洗方法
CN117934248B (zh) 一种电厂安全管控平台数据分析方法及系统
CN111430040A (zh) 基于病例、气象和病原监测数据的手足口病疫情预测方法
CN117204700A (zh) 基于数据分析的智能床垫智能调节控制系统
CN111259538B (zh) 一种振动报警方法、存储介质和电子设备
CN116805519A (zh) 一种基于人工智能的高血压数据传输预警系统及方法
CN107633304B (zh) 一种睡姿监测的学习方法
CN110379143A (zh) 一种用于机械设备的报警系统阈值确定方法
JP3968437B2 (ja) 生活異変検知方法、装置及びプログラム
CN114925731A (zh) 检测柔性测斜仪监测数据异常值的方法

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