CN113284607A - 时间连续性侦测判断系统及方法 - Google Patents
时间连续性侦测判断系统及方法 Download PDFInfo
- Publication number
- CN113284607A CN113284607A CN202010105922.4A CN202010105922A CN113284607A CN 113284607 A CN113284607 A CN 113284607A CN 202010105922 A CN202010105922 A CN 202010105922A CN 113284607 A CN113284607 A CN 113284607A
- Authority
- CN
- China
- Prior art keywords
- state
- thermal image
- time
- neural network
- feature
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 230000009471 action Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000000306 recurrent effect Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 229940079593 drug Drugs 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000003860 sleep quality Effects 0.000 description 2
- 208000004210 Pressure Ulcer Diseases 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种时间连续性侦测判断系统,包括:热能传感器,依时间连续接收一侦测目标的热影像;及运算单元,根据第一模型对当下时间的热影像进行处理以取得第一特征状态,根据第二模型对当下时间的热影像、过去数时间点前的热影像以及前一个时间点热影像的特征状态进行分析处理以取得第二特征状态,根据第三模型对第一特征状态与第二特征状态进行处理,以得到侦测目标当下各种判断结果的可能性。
Description
技术领域
本发明涉及一种时间连续性侦测判断系统,尤指一种应用时序性热影像判断侦测目标状态的系统及方法。
背景技术
现有技术中,为了减轻医护人员的负担,提供医生作更佳的判断辅助来源,以及让病患受到更妥善照顾,各式各样的穿戴式装置,以至于侵入式装置,大量应用于医疗系统中,以随时侦测病患的状况。不过,大多数的装置皆是针对生理数据进行监测,例如:心跳、血氧、体温、血压等等。部份装置虽然也具有动作感知的功能,不过其普遍只关注于患者当下的动作或状态,而缺乏对所感测的数据进一步的分析。
因此,如果能开发一种侦测患者动作状态的工具,并且可从陆续收集到的数据中,分析判断出患者当下的动作与整体行为的可能肇因,则可提供医护人员作为后续照护或处置的参考依据,显然能大幅提升医护质量。
发明内容
为解决现有技术的问题,本发明提供一种时间连续性侦测判断系统,包括:热能传感器,依时间连续接收一侦测目标的热影像;及运算单元,根据第一模型对当下时间的热影像进行处理以取得第一特征状态,根据第二模型对当下时间的热影像、过去数时间点前的热影像以及前一个时间点热影像的特征状态进行分析处理以取得第二特征状态,根据第三模型对所述第一特征状态与所述第二特征状态进行处理,以得到所述侦测目标当下各种判断结果的可能性。
在一实施例中,所述时间连续性侦测判断系统,更包括:显示单元,用以显示所述侦测目标当下各种判断结果的可能性;或无线传输单元,用以将所述热能传感器依时间连续接收的热影像传送至所述运算单元。
在一实施例中,所述第一模型包括卷积神经网络,所撷取所述第一特征状态包含一维结果与二维结果,其中所述一维结果包含判断初步分级以及影像是否有效,所述二维结果包含关注区域(ROI)与周围环境特征。
在一实施例中,所述第二模型包括递归神经网络,可由前一时间点产生的特征状态回授至当下时间点以产生新的特征状态,回授的特征状态包含连续姿态判断动作、数值累计量。
在一实施例中,所述第三模型包括卷积神经网络与多层感知器。
本发明也提供一种时间连续性侦测判断方法,包括下列步骤:依时间连续接收一侦测目标的热影像;使用卷积神经网络对当下时间的热影像进行处理以取得第一特征状态;使用递归神经网络对当下时间的热影像、过去数时间点前的热影像以及前一个时间点热影像的特征状态进行分析处理以取得第二特征状态;及使用卷积神经网络与多层感知器对所述第一特征状态与所述第二特征状态进行处理,以得到所述侦测目标当下各种判断结果的可能性。
在一实施例中,所撷取所述第一特征状态包含一维结果与二维结果,其中所述一维结果包含判断初步分级以及影像是否有效,所述二维结果包含关注场域(ROI)与周围环境特征。
在一实施例中,所述递归神经网络可将前一时间点产生的特征状态回授至当下时间点以产生新的特征状态,回授的特征状态包含连续姿态判断动作、数值累计量。
在一实施例中,所述使用卷积神经网络与多层感知器对所述第一特征状态与所述第二特征状态进行处理时,更包括输入所述侦测目标的背景信息。其中当所述侦测目标为一患者时,所述侦测目标的背景信息包含所述患者的诊断结果、用药信息、痼疾。
本发明利用热能传感器进行时间连续性的侦测,并通过第一模型与第二模型分析侦测目标当下时间点的影像特征以及先前连续时间的行为特征,再通过第三模型并进行综合评估,而产生所述侦测目标各种情况的可能性。除了可提供辨别侦测目标当下的动作状态外,尚可进一步解析侦测目标的整体行为,而可提供医护人员作为后续照护或处置的参考依据。
附图说明
图1显示本发明所提供一种时间连续性侦测判断系统的架构图。
图2显示运算单元所执行的运算流程。
图3显示本发明所提供一种时间连续性侦测判断方法的流程图。
时间连续性侦测判断系统 1
热能传感器 11
运算单元 12
显示单元 13
无线传输单元 14
电源管理单元 15
第一模型 21
第一特征状态 210
第二模型 22
第二特征状态 220
第三模型 23
当下各种判断结果的可能性 230
步骤 S11~S14
具体实施方式
以下藉由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭示的内容轻易地了解本发明的其他优点与功效。本发明亦可藉由其他不同的具体实施例加以施行或应用。
须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技艺的人士的了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应落在本发明所揭示的技术内容得能涵盖的范围内。同时,本说明书中所引用的如「上」、「内」、「外」、「底」及「一」等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴,合先叙明。
请参阅图1,显示本发明所提供一种时间连续性侦测判断系统1的架构。所述时间连续性侦测判断系统1可应用于侦测判断人体动作,例如:起床、下床、跌倒、翻身、活动量,并可扩及整体行为判断,例如:长时间卧床、睡眠质量等,但不限于此。在一实施例中,所述时间连续性侦测判断系统1的组件主要包括了一热能传感器11以及一运算单元12。
热能传感器11可依时间连续接收一侦测目标(例如:患者)的热影像。至于运算单元12所执行的运算流程,请参阅图2,其可根据第一模型21对当下时间(t=n)的热影像进行处理以取得第一特征状态210。同时,根据第二模型22对当下时间(t=n)的热影像、过去数时间点前(t=n-k)的热影像以及前一个时间点(t=n-1)热影像的特征状态进行分析处理以取得第二特征状态220。接着,根据第三模型23对第一特征状态210与第二特征状态220进行合并处理,以分析出不同情况的可能性,最终推论得到侦测目标当下时间(t=n)各种判断结果的可能性230。
在一实施例中,所述第一模型21包括卷积神经网络,所撷取所述第一特征状态210包含一维结果与二维结果,其中所述一维结果包含判断初步分级以及影像是否有效,所述二维结果包含关注区域(ROI)与周围环境特征。
在一实施例中,所述第二模型22包括递归神经网络,可由前一时间点(t=n-1)产生的特征状态回授至当下时间点(t=n)以产生新的特征状态,回授的特征状态包含连续姿态判断动作、数值累计量。亦即,第二模型22可结合先前数时间点的热影像内容以及前一时间点所撷取特征而包含时序性动作特征。更进一步说,第二模型22可输入过去数时间点前(t=n-k)的热影像数据堆栈而成的三维数据,以及前一个时间点(t=n-1)的回授特征,至于第二模型22的输出则为过去数时间点前(t=n-k)以及前一个时间点(t=n-1)的撷取特征,包括中心区块及其周围大小不一的关注区域、全局极值、各时间点形成判断的结果通过状态机运算形成连续动作判断等。
在一实施例中,所述第三模型23包括卷积神经网络与多层感知器,藉由结合单一时间与连续时间耦合的数据,而能形成最终符合当下情境的各种判断。并且,由于连续动作与当下情境高度相关,因此第三模型23能有效利用耦合而收敛结果。藉此,通过第三模型23将第一特征状态210与第二特征状态220合并考虑,可分析出不同情况的可能性,并推论得到当下各种判断结果的可能性230。进一步说,第三模型23接收并耦合第一模型21与第二模型22的输出以及时间信息,至于第三模型23的输出则为数个动作判断的可能性,例如:翻身、下床、跌倒,以及数个运算数值,例如:活动量分数、睡眠质量分数、卧床时间等,模型内分析采用各输入分类后依照权重计算而得。
仍请参阅图1,除了前述热能传感器11与运算单元12外,所述时间连续性侦测判断系统1并可选择性地包括一显示单元13或一无线传输单元14以及一电源管理单元15。显示单元13,用以显示当下各种判断结果的可能性230。无线传输单元14,则为一选择性组件,用以将热能传感器11所接收的热影像传送至运算单元12。电源管理单元15可根据实际需求提供热能传感器11、运算单元12、显示单元13或无线传输单元14操作所需的电力。
值得注意的是,本发明所提供的时间连续性侦测判断系统1在应用上,并不限定将上述组成单元建构于单一装置中,而可能建构于数个不同的装置上。例如,运算单元12可能设置在云端或服务器上,热能传感器11可能设置于病房中以接收侦测目标(例如:患者)的热影像,并且通过无线传输单元14上传至运算单元12,至于显示单元13则可能为护理站的监控屏幕或是医护人员手持装置的屏幕,用以显示运算单元12运算后的结果。
请参阅图3,本发明并提供一种时间连续性侦测判断方法,包括下列步骤:
S11:依时间连续接收一侦测目标的热影像;
S12:使用卷积神经网络对当下时间(t=n)的热影像进行处理以取得第一特征状态;
S13:使用递归神经网络对当下时间(t=n)的热影像、过去数时间点前(t=n-k)的热影像以及前一个时间点(t=n-1)热影像的特征状态进行分析处理以取得第二特征状态;及
S14:使用卷积神经网络与多层感知器对第一特征状态与第二特征状态进行合并处理,以分析出不同情况的可能性,最终推论得到侦测目标当下时间(t=n)各种判断结果的可能性。
在一实施例中,于步骤S12所撷取的所述第一特征状态包含一维结果与二维结果,其中所述一维结果包含判断初步分级以及影像是否有效,所述二维结果包含关注场域(ROI)与周围环境特征。
在一实施例中,于步骤S13中的递归神经网络可将前一时间点(t=n-1)产生的特征状态回授至当下时间点(t=n)以产生新的特征状态,回授的特征状态包含连续姿态判断动作、数值累计量。
在一实施例中,于步骤S14中使用卷积神经网络与多层感知器对所述第一特征状态与所述第二特征状态进行处理时,更包括输入所述侦测目标的背景信息。例如:当侦测目标为一患者时,其背景信息可包含诊断结果、用药信息、痼疾等会影响病患动态的相关数据。
本发明利用热能传感器进行时间连续性的侦测,并通过第一模型与第二模型分析侦测目标当下时间点的影像特征以及先前连续时间的行为特征,再通过第三模型并进行综合评估,而产生所述侦测目标各种情况的可能性。除了可提供辨别侦测目标当下的动作状态外,尚可进一步解析侦测目标的整体行为,而可提供医护人员作为后续照护或处置的参考依据。在一些实施例中,例如:卧床患者在白天判断当下躺卧静止,且连续时间皆无动作,判断无翻身、活动量低、且卧床时间长,易有褥疮情事发生;又如:患者午后判断当下为跌倒姿态,连续时间特征为正准备下床,判断为下床时跌倒,须通知相关人员;再如:使用者夜间判断当下为翻身状态,连续时间特征包含下床,判断用户睡眠质量不佳。显然,通过本发明所提供的检查判断系统,可以协助医护人员更明确的了解患者的状态。
藉由以上较佳具体实施例的描述,本领域具有通常知识者当可更加清楚本发明的特征与精神,惟上述实施例仅为说明本发明的原理及其功效,而非用以限制本发明。因此,任何对上述实施例进行的修改及变化仍不脱离本发明的精神,且本发明的权利范围应如权利要求书所列。
Claims (10)
1.一种时间连续性侦测判断系统,其特征在于,所述时间连续性侦测判断系统包括:
热能传感器,依时间连续接收一侦测目标的热影像;及
运算单元,根据第一模型对当下时间的热影像进行处理以取得第一特征状态,根据第二模型对当下时间的热影像、过去数时间点前的热影像以及前一个时间点热影像的特征状态进行分析处理以取得第二特征状态,根据第三模型对所述第一特征状态与所述第二特征状态进行处理,以得到所述侦测目标当下各种判断结果的可能性。
2.如权利要求1所述的时间连续性侦测判断系统,其特征在于,所述时间连续性侦测判断系统更包括:
显示单元,用以显示所述侦测目标当下各种判断结果的可能性;或
无线传输单元,用以将所述热能传感器依时间连续接收的热影像传送至所述运算单元。
3.如权利要求1所述的时间连续性侦测判断系统,其特征在于,所述第一模型包括卷积神经网络,所撷取所述第一特征状态包含一维结果与二维结果,其中所述一维结果包含判断初步分级以及影像是否有效,所述二维结果包含关注区域与周围环境特征。
4.如权利要求1所述的时间连续性侦测判断系统,其特征在于,所述第二模型包括递归神经网络,可由前一时间点产生的特征状态回授至当下时间点以产生新的特征状态,回授的特征状态包含连续姿态判断动作、数值累计量。
5.如权利要求1所述的时间连续性侦测判断系统,其特征在于,所述第三模型包括卷积神经网络与多层感知器。
6.一种时间连续性侦测判断方法,其特征在于,所述时间连续性侦测判断方法包括下列步骤:
依时间连续接收一侦测目标的热影像;
使用卷积神经网络对当下时间的热影像进行处理以取得第一特征状态;
使用递归神经网络对当下时间的热影像、过去数时间点前的热影像以及前一个时间点热影像的特征状态进行分析处理以取得第二特征状态;及
使用卷积神经网络与多层感知器对所述第一特征状态与所述第二特征状态进行处理,以得到所述侦测目标当下各种判断结果的可能性。
7.如权利要求6所述的时间连续性侦测判断方法,其特征在于,撷取所述第一特征状态包含一维结果与二维结果,其中所述一维结果包含判断初步分级以及影像是否有效,所述二维结果包含关注场域与周围环境特征。
8.如权利要求6所述的时间连续性侦测判断方法,其特征在于,所述递归神经网络可将前一时间点产生的特征状态回授至当下时间点以产生新的特征状态,回授的特征状态包含连续姿态判断动作、数值累计量。
9.如权利要求6所述的时间连续性侦测判断方法,其特征在于,所述使用卷积神经网络与多层感知器对所述第一特征状态与所述第二特征状态进行处理时,更包括输入所述侦测目标的背景信息。
10.如权利要求9所述的时间连续性侦测判断方法,其特征在于,当所述侦测目标为一患者时,所述侦测目标的背景信息包含所述患者的诊断结果、用药信息、痼疾。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010105922.4A CN113284607A (zh) | 2020-02-20 | 2020-02-20 | 时间连续性侦测判断系统及方法 |
PCT/CN2021/076265 WO2021164654A1 (zh) | 2020-02-20 | 2021-02-09 | 时间连续性侦测判断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010105922.4A CN113284607A (zh) | 2020-02-20 | 2020-02-20 | 时间连续性侦测判断系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113284607A true CN113284607A (zh) | 2021-08-20 |
Family
ID=77275081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010105922.4A Pending CN113284607A (zh) | 2020-02-20 | 2020-02-20 | 时间连续性侦测判断系统及方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113284607A (zh) |
WO (1) | WO2021164654A1 (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200839663A (en) * | 2008-05-23 | 2008-10-01 | Univ Chang Gung | Fall-down detection and notification system |
TWI585716B (zh) * | 2016-08-10 | 2017-06-01 | 亞洲大學 | 跌倒偵測裝置及其方法 |
CN108363978A (zh) * | 2018-02-12 | 2018-08-03 | 华南理工大学 | 采用深度学习和ukf的基于肢体语言的情感感知方法 |
CN108388876A (zh) * | 2018-03-13 | 2018-08-10 | 腾讯科技(深圳)有限公司 | 一种图像识别方法、装置以及相关设备 |
CN109190543A (zh) * | 2018-08-27 | 2019-01-11 | 温州大学激光与光电智能制造研究院 | 基于分块的轻便网络的烟检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9318012B2 (en) * | 2003-12-12 | 2016-04-19 | Steve Gail Johnson | Noise correcting patient fall risk state system and method for predicting patient falls |
CN102387345B (zh) * | 2011-09-09 | 2014-08-06 | 浙江工业大学 | 基于全方位视觉的独居老人安全监护系统 |
CN103955699B (zh) * | 2014-03-31 | 2017-12-26 | 北京邮电大学 | 一种基于监控视频的实时摔倒事件检测方法 |
CN107945458A (zh) * | 2017-12-11 | 2018-04-20 | 北京奇虎科技有限公司 | 摄像头场景下的跌倒检测方法、装置及计算设备 |
CN108629300B (zh) * | 2018-04-24 | 2022-01-28 | 北京科技大学 | 一种跌倒检测方法 |
CN108960056B (zh) * | 2018-05-30 | 2022-06-03 | 西南交通大学 | 一种基于姿态分析和支持向量数据描述的跌倒检测方法 |
-
2020
- 2020-02-20 CN CN202010105922.4A patent/CN113284607A/zh active Pending
-
2021
- 2021-02-09 WO PCT/CN2021/076265 patent/WO2021164654A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200839663A (en) * | 2008-05-23 | 2008-10-01 | Univ Chang Gung | Fall-down detection and notification system |
TWI585716B (zh) * | 2016-08-10 | 2017-06-01 | 亞洲大學 | 跌倒偵測裝置及其方法 |
CN108363978A (zh) * | 2018-02-12 | 2018-08-03 | 华南理工大学 | 采用深度学习和ukf的基于肢体语言的情感感知方法 |
CN108388876A (zh) * | 2018-03-13 | 2018-08-10 | 腾讯科技(深圳)有限公司 | 一种图像识别方法、装置以及相关设备 |
CN109190543A (zh) * | 2018-08-27 | 2019-01-11 | 温州大学激光与光电智能制造研究院 | 基于分块的轻便网络的烟检测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021164654A1 (zh) | 2021-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11986286B2 (en) | Gait-based assessment of neurodegeneration | |
Ahmed et al. | A deep-learning-based smart healthcare system for patient’s discomfort detection at the edge of internet of things | |
EP3474287B1 (en) | Apparatus and method for providing a corrected blood glucose measurement | |
US9700242B2 (en) | Motion information processing apparatus and method | |
JP6495235B2 (ja) | 放射線撮像における予測動きゲーティングのための神経生理学的監視 | |
CN109644254B (zh) | 医院视频监控系统 | |
Cuppens et al. | Automatic video detection of body movement during sleep based on optical flow in pediatric patients with epilepsy | |
CN111937078A (zh) | 身体功能自主辅助装置及其方法 | |
Kulikajevas et al. | Exercise abnormality detection using BlazePose skeleton reconstruction | |
JP2021505264A (ja) | 患者の身体運動を検知するためのデバイス、システム及び方法 | |
CN116013548B (zh) | 基于计算机视觉的智慧病房监测方法和装置 | |
CN113284607A (zh) | 时间连续性侦测判断系统及方法 | |
Ayouni et al. | Development of a smart hospital bed based on deep learning to monitor patient conditions | |
EP4027873A2 (en) | Automated analysis of image data to determine fractional flow reserve | |
CN118338853A (zh) | 计算机程序、信息处理方法及信息处理装置 | |
Suman et al. | Video-based gait analysis for spinal deformity | |
CN113271848B (zh) | 身体健康状态影像分析装置、方法以及系统 | |
TWI741502B (zh) | 時間連續性偵測判斷系統及方法 | |
JPWO2019186955A1 (ja) | 生体情報推定装置、生体情報推定方法、及び生体情報推定プログラム | |
Banerjee et al. | IOT-based fluid and heartbeat monitoring for advanced healthcare | |
EP3967215A1 (en) | Measurement device and method for assessing vital data of a human or animal subject | |
US20240257945A1 (en) | Autonomous image acquisition start-stop managing system | |
CN112753076B (zh) | 医学监测系统 | |
WO2023053176A1 (ja) | 学習装置、行動推薦装置、学習方法、行動推薦方法及び記憶媒体 | |
Park et al. | A Study on the Implementation of Temporal Noise-Robust Methods for Acquiring Vital Signs |
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 |