CN113545756A - 核心体温的测量方法、装置、可穿戴设备及存储介质 - Google Patents
核心体温的测量方法、装置、可穿戴设备及存储介质 Download PDFInfo
- Publication number
- CN113545756A CN113545756A CN202010256367.5A CN202010256367A CN113545756A CN 113545756 A CN113545756 A CN 113545756A CN 202010256367 A CN202010256367 A CN 202010256367A CN 113545756 A CN113545756 A CN 113545756A
- Authority
- CN
- China
- Prior art keywords
- body temperature
- core body
- signal
- feature
- temperature calculation
- 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
- 230000036757 core body temperature Effects 0.000 title claims abstract description 301
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004364 calculation method Methods 0.000 claims abstract description 146
- 238000009529 body temperature measurement Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims description 46
- 230000036760 body temperature Effects 0.000 claims description 42
- 238000012360 testing method Methods 0.000 claims description 34
- 230000000747 cardiac effect Effects 0.000 claims description 26
- 238000005259 measurement Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 89
- 238000013186 photoplethysmography Methods 0.000 description 60
- 238000010586 diagram Methods 0.000 description 10
- 230000017531 blood circulation Effects 0.000 description 9
- 206010037660 Pyrexia Diseases 0.000 description 7
- 210000004204 blood vessel Anatomy 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 210000001061 forehead Anatomy 0.000 description 5
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 4
- 229910052753 mercury Inorganic materials 0.000 description 4
- 230000002889 sympathetic effect Effects 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 208000031636 Body Temperature Changes Diseases 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 230000035807 sensation Effects 0.000 description 3
- 206010047139 Vasoconstriction Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001404 mediated effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008035 nerve activity Effects 0.000 description 2
- 230000001734 parasympathetic effect Effects 0.000 description 2
- 210000005037 parasympathetic nerve Anatomy 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000024883 vasodilation Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000001754 anti-pyretic effect Effects 0.000 description 1
- 239000002221 antipyretic Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000002631 hypothermal effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000000106 sweat gland Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000025033 vasoconstriction Effects 0.000 description 1
- 230000009278 visceral 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
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- 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
- A61B5/7285—Specific aspects of physiological measurement analysis for synchronising or triggering a physiological measurement or image acquisition with a physiological event or waveform, e.g. an ECG signal
-
- 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)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Pulmonology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明实施例公开了一种核心体温的测量方法、装置、智能可穿戴设备及计算机可读存储介质，基于一设置有心电传感器的智能可穿戴设备。其中，所述方法包括：通过心电传感器采集佩戴者的心电信号，所述心电信号为ECG信号和/或PPG信号；获取预设的核心体温计算模型，根据所述预设的核心体温计算模型和所述采集到的心电信号，计算佩戴者对应的目标核心体温值。采用本发明，可提高核心体温测量的准确度和便利性，提升用户体验。
Description
技术领域
本发明涉及体温测量技术领域及可穿戴设备技术领域，尤其涉及一种核心体温的测量方法、装置、智能可穿戴设备及计算机可读存储介质。
背景技术
近年来，随着人们越来越关注医疗健康，消费者对便捷测体温的需求也越来越强烈。传统的水银温度计，在使用的时候需要固定在腋下一定的时间，不仅过程繁琐，而且需要等待的时间较长，还存在温度计破碎后水银泄露的安全风险。而目前常用的红外热电堆传感器测量体温方法虽然能够在一定程度上满足人们对于便捷测温的需求，但由于其还需要考虑环境温度的影响，因此该传感器对于装配环境和结构方面的要求很高，难以集成到人们日常使用的手机、手表等电子设备，当前大多红外热电堆原理的产品还只是额温枪、耳温枪的形式，并不适合随身携带。
无论是水银温度计还是红外热电堆传感器的测温方法，都只能针对人体外表的某个部位(比如腋下、额头等)进行检测，不能在发热的初期准确识别出是否发烧，使得体温的测量有一定的延迟性。这是因为在临床上，发热其实需要经过三个时期：体温上升期、高峰期、退热期。其中，在第一个发热时期——体温上升期时，人体的核心体温开始上升，但是由核心体温传导到身体其他部位其实需要一定时间，快者也需要几小时或一昼夜，慢者甚至需要几天的时间。所以，在此阶段的病人往往表现出额头或身体其他部位温度较低，若用传统的体温检测方式对人体外表的检测，并不能准确测出是否发烧，只能等到其体温发展稳定，达到高峰期时，才能够用传统测温方法测试，这会使得错失了体温/病情控制的最佳时期，有一定的延迟性。
也就是说，相关技术方案中，缺乏能便捷的且能有效检测发热初期的的核心体温测量技术，无法满足广大消费者对于日常使用场景中能便捷的对核心体温测量的使用需求。
发明内容
基于此，有必要针对上述问题，提出了一种核心体温的测量方法、装置、计算机设备及存储介质。
一种核心体温的测量方法，方法基于一设置有心电传感器的智能可穿戴设备；
所述方法包括：
通过心电传感器采集佩戴者的心电信号，所述心电信号为ECG信号和/或PPG信号；
获取预设的核心体温计算模型，根据所述预设的核心体温计算模型和所述采集到的心电信号，计算佩戴者对应的目标核心体温值。
其中，所述通过心电传感器采集佩戴者的心电信号，所述心电信号为ECG信号和/或PPG信号的步骤之后，还包括：
在所述心电信号包括ECG信号的情况下，提取所述ECG信号的第一心电特征，所述第一心电特征包括心率特征、振幅特征、QRS波特征、P波特征、T波特征和/或心率变异性特征中的一个或多个；
在所述心电信号包括PPG信号的情况下，提取所述PPG信号的第二心电特征，所述第二心电特征包括心率特征、AC信号特征和/或脉搏率变异性特征中的一个或多个；
所述获取预设的核心体温计算模型，根据所述预设的核心体温计算模型和所述采集到的心电信号，计算佩戴者对应的目标核心体温值的步骤，还包括：
将所述第一心电特征和/或第二心电特征作为所述预设的核心体温计算模型的输入，获取所述预设的核心体温计算模型输出的体温值作为所述目标核心体温值。
其中，所述提取所述ECG信号的第一心电特征的步骤还包括：
基于ECG信号，提取LF分量特征和HF分量特征，根据所述LF分量特征和HF分量特征计算所述心率变异性特征；
所述提取所述PPG信号的第二心电特征的步骤，还包括：
基于PPG信号，计算所述脉搏率变异性特征。
其中，所述可穿戴设备还设置有温度传感器；
所述方法还包括：
通过所述温度传感器获取温度检测数据，所述温度检测数据包括体表温度检测值和/或环境温度检测值；
所述获取预设的核心体温计算模型，根据所述核心体温计算模型和所述采集到的心电信号，计算佩戴者对应的目标核心体温值的步骤还包括：
根据所述预设的核心体温计算模型、所述心电信号和所述温度检测数据，计算所述目标核心体温值。
其中，所述方法还包括：
在接收到模型校准指令的情况下，接收用户输入的参考体温值，所述参考体温值与一预设的测量位置对应；所述参考体温值由设置于所述智能可穿戴设备上的输入模块获取用户输入的数据所生成；
通过心电传感器采集佩戴者的心电测试信号，所述心电测试信号为ECG测试信号和/或PPG测试信号；
获取核心体温计算初始模型，根据所述核心体温计算初始模型和所述心电测试信号，计算对应的核心体温测试值；
根据所述参考体温值和核心体温测试值对所述核心体温计算初始模型进行校正，将校正完成的核心体温计算初始模型作为所述预设的核心体温计算模型。
其中，所述方法还包括：
获取与所述佩戴者对应的个性化数据，所述个性化数据包括年龄、肤色、性别、体征和/或医疗数据等个性化参数；
获取核心体温计算初始模型；
根据个性化数据和所述核心体温计算初始模型，生成与所述佩戴者对应的核心体温计算模型作为所述预设的核心体温计算模型。
其中，所述预设的核心体温计算模型为神经网络模型。
一种核心体温的测量装置，基于一设置有心电传感器的智能可穿戴设备；
所述装置包括：
心电信号采集模块，用于通过心电传感器采集佩戴者的心电信号，所述心电信号为ECG信号和/或PPG信号；
核心体温计算模块，用于获取预设的核心体温计算模型，根据所述预设的核心体温计算模型和所述采集到的心电信号，计算佩戴者对应的目标核心体温值。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
通过心电传感器采集佩戴者的心电信号，所述心电信号为ECG信号和/或PPG信号；
获取预设的核心体温计算模型，根据所述预设的核心体温计算模型和所述采集到的心电信号，计算佩戴者对应的目标核心体温值。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
通过心电传感器采集佩戴者的心电信号，所述心电信号为ECG信号和/或PPG信号；
获取预设的核心体温计算模型，根据所述预设的核心体温计算模型和所述采集到的心电信号，计算佩戴者对应的目标核心体温值。
采用本发明实施例，具有如下有益效果：
采用了上述核心体温的测量方法、装置、智能可穿戴设备及计算机可读存储介质之后，在智能可穿戴设备上设置心电传感器，然后在需要进行核心体温时，通过心电传感器采集佩戴者的心电信号，然后根据心电信号以及预设的核心体温计算模型来计算对应的核心体温值。也就是说，在本实施例中，通过考虑心电信号与核心体温值之间的关联关系，并通过该关联关系来计算核心体温值，实现了核心体温的测量，提高了核心温度计算的准确度，能够在体温发生变化的第一时间检测到温度的变化，提高对温度测量和预警的准确度。
并且，在上述核心体温的测量方法、装置、智能可穿戴设备及计算机可读存储介质中，心电传感器是直接设置在智能可穿戴设备上的，也就是说，在日常的佩戴场景下，即可方便的对佩戴者的核心体温进行测量，提高了核心体温测量的便利性，提升了用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为一个实施例中智能手表的示意图；
图2为一个实施例中一种核心体温的测量方法的流程示意图；
图3为一个实施例中一种核心体温的测量方法的流程示意图；
图4为一个实施例中一种核心体温的测量方法的流程示意图；
图5为一个实施例中模型个性化设置的流程示意图；
图6为一个实施例中模型校正的流程示意图；
图7为一个实施例中一种核心体温的测量装置的结构框图；
图8为一个实施例中一种核心体温的测量装置的结构框图；
图9为一个实施例中运行上述核心体温的测量方法的计算机设备的结构框图；
图10为一个本实施例提供的计算机可读存储介质的结构示意图。
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作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。
在本实施例中，提供了一种核心体温的测量方法。该方法的实现可以是基于一智能可穿戴设备，例如智能手表。在该智能可穿戴设备上设置有一可以对用户的心电数据进行测量的心电传感器，在用户佩戴该智能可穿戴设备的情况，可以通过该心电传感器检测佩戴者的心电信号，并且根据该心电信号来计算佩戴者的核心体温。
在一个具体的实施例中，如图1所示，给出了一智能手表的示意图。如图1所示，在智能手表10上设置有心电传感器，该心电传感器可以是PPG传感器20(用于采集PPG信号)，也可以是ECG传感器30(用于采集ECG信号)，或者其他形式的可以测量心电信号的传感器。
以图1给出的智能手表为例，PPG传感器20可以设置于智能手表10的背面或者侧面；在PPG传感器20设置在智能手表10的背面的情况下，在用户佩戴该智能手表的情况下，PPG传感器20与佩戴者的皮肤表面接触，可以检测佩戴者对应的PPG信号；在PPG传感器20设置在智能手表10的侧面的情况下，在用户佩戴智能手表的情况下，佩戴者将手指接触该PPG传感器以检测佩戴者对应的PPG信号。
或者，以图1给出的智能手表为例，ECG传感器30设置于智能手表10的背面和侧面，其中，设置于背面的ECG传感器的电极在佩戴的情况下，与佩戴者的皮肤表面接触，并且，佩戴者可以将另一个手指接触另一个ECG传感器的电极，从而使得ECG传感器30可以检测佩戴者的ECG信号。在一个具体的实施例中，心电传感器可以是如图1所示的贴片式设置于所述智能手表上。在其它实施例中，还可以是通过其它设置有心电传感器的设备，例如指夹式的心电传感器设备，并将该心电传感器设备与一智能可穿戴设备或其它计算机终端设备连接。
在本实施例中，心电传感器优选为PPG传感器，可以实时的对佩戴者的心电信号进行检测，从而计算对应的核心体温数据，以确定佩戴者是否存在身体上的异常。并且，该PPG传感器优选为贴片式的，可以方便设置于智能手表等智能可穿戴设备上，以提高检测的便利性。
具体的，PPG(photoplethysmograph，光电容积脉搏波描记法)传感器，借光电手段在活体组织中检测血液容积变化进行无创检测，是红外无损检测技术。它利用光电传感器，检测经过人体血液和组织吸收后的反射光强度的不同，描记出血管容积在心动周期内的变化，从得到的脉搏波形中计算出心率。当一定波长的光束照射到指端皮肤表面，每次心跳时，血管的收缩和扩张都会影响光的透射或是光的反射。当光线透过皮肤组织然后再反射到光敏传感器时，由于动脉里有血液的脉动，那么对光的吸收自然也会有所变化。当把光转换成电信号时，正是由于动脉对光的吸收有变化而其他组织对光的吸收基本不变，得到的信号就可以分为直流DC信号和交流AC信号，提取其中的AC信号，就能反应出血液流动的特点。通过PPG传感器可以实时对待测对象(例如智能手表的佩戴者)的脉搏波形，以确定对应的心率等心电数据。
ECG(electrocardiogram，心电图，又称EKG)，通过记录心脏每一心动周期所产生的电活动变化图形，从而获取对应的心电图数据，该心电数据即可通过设置在智能手表上的ECG传感器获取的心电数据。需要说明的是，在本实施例中，ECG传感器设置有多个电极，通过多个电极与用户体表皮肤进行接触以获取对应的心电数据。在一个具体的实施例中，ECG传感器包括至少2个电极，一个电极设置于智能手表的背面，在佩戴时与佩戴者皮肤接触，另一个电极设置于智能手表的侧面，需要佩戴者将另一个手指接触该电极才能采集相应的心电图数据。所以，ECG传感器采集心电数据并不是持续的，需要佩戴者进行相应的接触操作时才能进行。
需要说明的是，本实施例提供的核心体温的测量方法不仅限于智能可穿戴设备，还可以应用于其它可以对心电数据进行采集并进行分析的其它终端设备。在本实施例中，为了方便描述，以智能手表为例进行说明。
具体的，如图2所示，提供了一种核心体温的测量方法。该方法具体包括如图2所示的步骤S102-S104：
步骤S102：通过心电传感器采集佩戴者的心电信号，所述心电信号为ECG信号和/或PPG信号。
在本实施例中，核心体温的测量是通过测量待测人员对应的心电信号实现的。其中，心电信号可以是ECG信号，也可以是PPG信号，也可以既包含ECG信号也包含PPG信号。
通过设置在智能手表上的心电传感器，例如PPG传感器和/或ECG传感器，或者其他可以测量心电信号的传感器，采集佩戴该智能手表的佩戴者当下的心电信号。
步骤S104：获取预设的核心体温计算模型，根据所述预设的核心体温计算模型和所述采集到的心电信号，计算佩戴者对应的目标核心体温值。
核心体温的改变，会关联心率、血管的收缩或舒张、血液流速、血流介导的血管扩张(FMD)、脉搏波传导速度(PWV)这些生理信号的改变，也就是说，这些生理信号与人体核心体温具有较强的关联性。比如体温与心率成正相关性，一般情况下，核心体温每升高1℃，心率平均会增加18次/分钟；体温与血流量、血流速度也呈现出正相关性，当体温下降时，会使得皮肤血管收缩，导致血流量减少，血流速度也随之减慢。因此，可以通过ECG信号或PPG信号，可以根据其与人体核心体温之间的关联关系，确定对应的核心体温。
在本实施例中，预先构建核心体温计算的模型，即核心体温计算模型，该核心体温计算模型可以根据ECG信号和/或PPG信号计算对应的核心体温。
在一个具体的实施例中，核心体温计算模型根据ECG信号和/或PPG信号计算核心体温的过程，可以是根据ECG信号和/或PPG信号计算对应的心率数据，然后核心体温计算模型根据心率数据计算对应的核心体温值，即目标核心体温值。
在另一个具体的实施例中，核心体温计算模型直接将ECG信号和/或PPG信号作为输入，然后通过核心体温计算模型计算对应的核心体温值，即目标核心体温值。
在另一个具体的实施例中，核心体温计算模型还可以是先对ECG信号和/或PPG信号进行特征的提取，然后以提取的特征作为核心体温计算模型的输入，然后通过核心体温计算模型计算对应的核心体温值，即目标核心体温值。
由于PPG信号和/或ECG信号中的特征信息，比如心率、血管的收缩或舒张、血液流速、血流介导的血管扩张(FMD)、脉搏波传导速度(PWV)等生理信息，与人体核心体温具有较强的关联性；在本实施例中，通过上述核心体温的测量方法，通过PPG/ECG传感器测量佩戴者的心电数据，并根据心电数据来计算对应的核心体温，能够更准确的计算人体的核心体温，能够更早地测量出是否发烧，能够在佩戴者身体出现变化的情况下，第一时间进行预警，避免延误病情。另外，在本实施例中，可以将PPG传感器和/或/ECG传感器设置在智能手表等智能可穿戴式设备上，在结构上更容易集成到电子设备上，并且可以实现人体体温的动态连续监测，实现对佩戴者的健康状况的连续监测。
采用了上述核心体温的测量方法之后，在智能可穿戴设备上设置心电传感器，然后在需要进行核心体温时，通过心电传感器采集佩戴者的心电信号，然后根据心电信号以及预设的核心体温计算模型来计算对应的核心体温值。也就是说，在本实施例中，通过考虑心电信号与核心体温值之间的关联关系，并通过该关联关系来计算核心体温值，实现了核心体温的测量，提高了核心温度计算的准确度，能够在体温发生变化的第一时间检测到温度的变化，提高对温度测量和预警的准确度。
并且，心电传感器是直接设置在智能可穿戴设备上的，也就是说，在日常的佩戴场景下，即可方便的对佩戴者的核心体温进行测量，提高了核心体温测量的便利性，提升了用户体验。
进一步的，在本实施例中，通过心电信号计算核心体温的过程中，还需要针对心电信号进行特征提取，然后根据提取到的特征来计算核心体温。
在一个具体的实施例中，计算核心体温是通过心率来计算的，也就是说，在上述步骤S102中，采集到佩戴者的心电信号之后，根据心电信号计算佩戴者对应的心率，然后根据预设的核心体温计算模型，计算对应的核心体温值作为目标和核心体温值。具体的，核心体温每升高1℃，心率平均增加12-18次/分。其中，心率的计算可以是通过ECG信号中的R-R间隔来计算的，而在PPG信号的情况下，心率的计算是通过P-P间隔来计算的。
在另一个具体的实施例中，计算核心体温的过程，还可以是通过其他特征进行计算的。在上述步骤S102中，采集到佩戴者的心电信号之后，提取心电信号对应的心电特征。
具体的，如图3所示，上述步骤S102之后，还包括：
步骤S1031：在所述心电信号包括ECG信号的情况下，提取所述ECG信号的第一心电特征，所述第一心电特征包括心率特征、振幅特征、QRS波特征、P波特征、T波特征和/或心率变异性特征中的一个或多个；
步骤S1032：在所述心电信号包括PPG信号的情况下，提取所述PPG信号的第二心电特征，所述第二心电特征包括心率特征、AC信号特征和/或脉搏率变异性特征中的一个或多个。
具体实施中，根据心电信号按照预设的特征提取算法提取心电信号对应的心电特征。其中，在心电信号为ECG信号时，提取该ECG信号对应的心率特征、振幅特征、QRS波特征、P波特征、T波特征和/或心率变异性特征等心电特征，作为对应的第一心电特征。其中，针对ECG信号提取的第一心电特征可以包括如上心电特征中的一个或者多个的组合。在心电信号为PPG信号时，提取该PPG信号对应的心率特征、AC信号特征和/或脉搏率变异性特征等心电特征，然后就将其作为第二心电特征。其中，针对PPG信号提取的第二心电特征可以包括上述心电特征中的一个或者多个的组合。
在一个具体的实施例中，采用的心电特征可以根据需求进行确定。且在本实施例中，采用的心电信号可以仅包括ECG信号，也可以仅包括PPG信号，也可以既包含ECG信号也包括PPG信号。也就是说，采用的心电特征，可以仅包括第一心电特征，也可以仅包括第二心电特征，还可以是既包括第一心电特征也包括第二心电特征。
进一步的，在提取到第一心电特征和/或第二心电特征之后，即可根据提取到的心电特征计算对应的核心体温值。具体的，如图3所示，上述步骤104：获取预设的核心体温计算模型，根据所述预设的核心体温计算模型和所述采集到的心电信号，计算佩戴者对应的目标核心体温值，还包括：
步骤S1042：将所述第一心电特征和/或第二心电特征作为所述预设的核心体温计算模型的输入，获取所述预设的核心体温计算模型输出的体温值作为所述目标核心体温值。
预设的核心体温计算模型是根据心电特征计算对应的核心体温值的模型，可以以第一心电特征和/或第二心电特征为输入，计算对应的核心体温值。在步骤S104中，将第一心电特征和/或第二心电特征作为所述预设的核心体温计算模型的输入，获取所述预设的核心体温计算模型输出的体温值作为所述目标核心体温值。
在本实施例中，针对上述心电信号提取的心电特征进行说明。
ECG信号和PPG信号均可以表示对应的脉搏波形或者心电数据，根据ECG信号和PPG信号可以提取对应的心率数据，即确定对应每分钟心跳的次数，即提取对应的心率特征。
进一步的，根据ECG信号，即心电图数据可以确定对应的振幅、QRS波、P波、T波等参数，即可以根据ECG信号提取对应的振幅特征、QRS波特征、P波特征、T波特征。
根据PPG信号时，可以提取对应的AC信号特征或者其他心电特征。
心率变异性(HRV，HeartRateVariability)是指逐次心跳周期差异的变化情况或者说是指心跳快慢的变化情况，是由两个相邻的R-R间期时间长短决定的，即从第一次心动周期至下一次心动周期间的微小差异。LF分量为HRV的低频分量和高频分量，主要受交感神经活动影响，HF分量为HRV的高频分量，主要受副交感神经活动影响；LF/HF(低频分量-受交感神经影响/高频分量-受副交感神经影响)的变化表明交感神经和副交感很轻的平衡状态，其中，LF/HF可以表示HRV特征(心率变异性特征)。在交感神经兴奋时，皮肤血管收缩，汗腺分泌，心跳加快加强，其活动主要保证人体紧张状态时的生理需要；副交感神经兴奋时，皮肤和内脏血管舒张，心跳缓慢。也就是说，LF/HF特征对环境温度和人体热感觉敏感，其值的变化受到核心体温的影响。对于中性-偏暖环境，在同样的送风方式、送风速度下，热感觉越高，热舒适越差，HRV特征越高。其中，在核心体温值升高的情况下，HRV特征中的HF降低，LF/HF增高，体表温度的升高可引起心脏副交感神经活动抑制和交感神经活动增强；在核心体温降低、外周血管收缩和寒战时，LF增强。进一步的，针对HRV特征除了提取HF分量以及LF分量之外，还需要提取VLF(极低频)分量。在人体体温降低的情况下，VLF明显增强。也就是说，在本实施例中，不仅通过HF分量和LF分量进行核心体温的计算，还需要进一步的考虑VLF分量。因为在核心体温降低的情况下，VLF分量的变化较之VF分量更明显，因此采用VLF分量可以更准确的对HRV特征进行计算，从而进一步的提高核心体温的计算准确性。
在本实施例中，根据HRV特征与核心体温值之间的关系构建上述预设的核心体温计算模型(例如神经网络模型)，根据从而使得预设的核心体温计算模型可以根据HRV特征计算对应的核心体温值。在一个具体的实施例中，根据ECG信号，提取对应的LF分量和HF分量，然后计算对应的HRV特征，然后将HRV特征作为预设的核心体温计算模型的输入，以获取预设的核心体温计算模型对应的体温值作为目标核心体温值。其中，LF分量或HF分量的提取，可以通过对ECG信号进行频域分析然后提取对应的高频分量或低频分量。
在本实施例中，使用的心电特征可以是HRV特征，也可以是LF分量对应的特征，还可以是HF分量对应的特征，或者LF/HF比值对应的特征，在本实施例中，可以根据具体模型计算的需要进行确定。
进一步的，在PPG信号中，无法提取对应的HRV特征，但是可以提取与HRV特征对应的PRV特征(脉搏率变异性，Pulse Rate Variability)，二者均可以标识从第一次心动周期至下一次心动周期间的微小差异，即标识对环境温度和人体热感觉敏感情况，同样的，PRV特征与核心体温值之间也存在关联关系。
在一个具体的实施例中，根据PPG信号，提取PRV特征的高频分量(HF分量)和低频分量(LF分量)，然后根据提取到的LF分量和HF分量来计算对应的PRV特征，将PRV特征作为预设的核心体温计算模型的输入，以获取预设的核心体温计算模型对应的体温值作为目标核心体温值。其中，LF分量或HF分量的提取，可以是通过对PPG信号进行频域分析，然后提取对应的高频分量或低频分量。
进一步的，在本实施例中，核心体温的计算不仅仅需要考虑ECG信号或PPG信号等心电信号，还需要考虑其他因素。在一个具体的实施例中，核心体温的计算还需要考虑温度。具体的，在上述可穿戴设备(例如智能手表10)上还设置有温度传感器，该温度传感器用于检测温度，其中，检测的温度可以包括体表温度，也可以包括环境温度。其中，温度传感器可以是红外温度传感器，或者NTC热敏电阻式温度传感器，或者其他温度传感器；可以用于检测佩戴者的体表温度，或者，用于检测环境温度。在检测佩戴者体表温度的情况下，温度传感器设置于智能手表的背面，在佩戴的情况下，温度传感器接触佩戴者的皮肤，用于检测体表温度；在其他实施例中，温度传感器还可以设置于智能手表外部的其他位置，在需要进行温度检测时，佩戴者可以通过将温度传感器接触皮肤来进行体表温度的测量。
具体的，如图4所示，上述核心体温的检测方法还包括：
步骤S101：通过所述温度传感器获取温度检测数据，所述温度检测数据包括体表温度检测值和/或环境温度检测值；
上述步骤S104：获取预设的核心体温计算模型，根据所述核心体温计算模型和所述采集到的心电信号，计算佩戴者对应的目标核心体温值，还包括：
步骤S1044：根据所述预设的核心体温计算模型、所述心电信号和所述温度检测数据，计算所述目标核心体温值。
在本实施例中，环境温度值的高低，会影响人体的温度，因此，为了进一步的提高目标核心体温值的计算准确度，在还需要考虑环境温度值。具体实施中，通过温度传感器检测环境温度检测值作为温度检测数据，然后预先构建的用于计算核心体温值的核心体温计算模型中，还考虑了环境温度检测值，因此，在步骤S104中，可以根据预设的核心体温计算模型和步骤S102中采集的心电信号、步骤S101中采集的温度检测数据，计算对应的目标核心体温值。
另外的，佩戴者的体表温度也是核心体温的一种表示，因此，在本实施例中，为了进一步的提高目标核心体温值的计算准确度，在还需要考虑佩戴者的体表温度值。具体实施中，通过温度传感器检测体表温度检测值作为温度检测数据，然后预先构建的用于计算核心体温值的核心体温计算模型中，还考虑了体表温度检测值，因此，在步骤S104中，可以根据预设的核心体温计算模型和步骤S102中采集的心电信号、步骤S101中采集的温度检测数据，计算对应的目标核心体温值。
需要说明的是，上述温度检测数据可以仅包括体表温度检测值，也可以仅包括环境温度检测值，还可以既包含体表温度检测值和环境温度检测值。
具体，在一个实施例中，在步骤S101中，通过温度传感器采集的温度检测数据包括体表温度检测值和环境温度检测值，通过体表温度检测值和环境温度检测值的组合来对核心体温值的计算准确度作进一步的提升。具体的，将体表温度检测值和环境温度检测值、以及心电信号作为预设的核心体温计算模型的输入，以此计算对应的核心体温值作为目标核心体温值。
需要说明的是，在上述预设的核心体温计算模型中，需要预先进行模型的构建。在一个实施例中，可以通过研究心电信号与核心体温、体表温度值/环境温度值与核心体温之间的关联关系，确定之间的对应关系，从而构建上述预设的核心体温计算模型。
在另一个实施例中，预设的核心体温计算模型还可以是神经网络模型或者其他人工智能模型。以神经网络模型为例，在本实施例中，通过预先采集核心体温的样本数据，其中，每一个样本中均包含了对应的核心体温值以及对应的心电信号等数据，通过将心电信号等数据作为输入，对应的核心体温值作为输出，以对预设的核心体温计算模型对应的核心体温初始模型进行训练，在模型训练完成之后，即可通过预设的核心体温计算模型计算对应的目标核心体温值。
在本实施例中，为了提高核心体温值计算的准确度，还需要考虑每一个佩戴者不同的特性对核心体温计算过程的影响。具体的，如图5所示，上述核心体温的测量方法还包括步骤S201-203：
步骤S201：获取与所述佩戴者对应的个性化数据，所述个性化数据包括年龄、肤色、性别、体征和/或医疗数据等个性化参数；
步骤S202：获取核心体温计算初始模型；
步骤S203：根据个性化数据和所述核心体温计算初始模型，生成与所述佩戴者对应的核心体温计算模型作为所述预设的核心体温计算模型。
也就是说，在本实施例中，构建核心体温计算的初始模型，即为核心体温计算初始模型，然后根据每一个佩戴者对应的个性化数据，构建与该佩戴者对应的模型，并将该模型即为预设的核心体温计算模型。
具体的，在本实施例中，在需要对模型进行构建的情况下，例如，设备初始化或者接收到用户输入的模型构建的情况下，获取佩戴者对应的个性化数据。其中，该个性化数据可以为用户通过智能可穿戴设备或者与智能可穿戴设备连接的其他终端设备输入的。并且，输入的个性化数据包括年龄、肤色、性别、体征(例如身高、体重、脂肪率等)以及医疗数据等个性化参数，每一个个性化参数的不同均可能引起核心体温计算对应的模型的改变。因此，在确定个性化数据之后，根据个性化数据对核心体温计算初始模型进行调整，将调整之后的模型作为预设的核心体温计算模型，并通过该预设的核心体温计算模型计算目标核心体温值。
进一步的，在本实施例中，为了进一步的提高核心体温计算的准确性，还需要在使用之前对模型进行校准。具体的，在本实施例中，可以通过可穿戴设备(例如智能手表)、或者与可穿戴设备连接的终端设备来输入数据对模型进行校准。
在本实施例中，以智能手表上提供一进行模型校准的输入界面为例进行说明。
在需要进行模型校准的情况下，例如，可以是设备启动或者通过某个指令输入以触发模型校准的情况下，会接收到模型校准指令。在这种情况下，用户通过其他的体温测量方式，例如，通过水银体温计或红外体温计等方式来测量腋下、额头或者其他部位的体温，然后将测量的体温通过上述模型校准的输入界面进行输入，然后据此对核心体温计算模型进行校正。
具体的，如图6所示，上述核心体温的测量方法还包括如下步骤S301-304：
步骤S301：在接收到模型校准指令的情况下，接收用户输入的参考体温值，所述参考体温值与一预设的测量位置对应；所述参考体温值由设置于所述智能可穿戴设备上的输入模块获取用户输入的数据所生成。
其中，输入的参考体温值是通过模型校准的输入界面进行输入的。例如，如图X所示，给出了模型校准的输入界面的一个示意图。用户根据体温测量的部位和温度，输入对应的参考体温值，并且确定与该输入的参考体温值对应的一个测量位置，该测量位置可以为腋下、口腔、直肠、额头等多个测量位置。
步骤S302：通过心电传感器采集佩戴者的心电测试信号，所述心电测试信号为ECG测试信号和/或PPG测试信号。
然后，通过智能可穿戴设备上的心电传感器，采集需要进行模型校正的佩戴者对应的心电测试信号。其中，心电测试信号如步骤S102中的心电信号，具体可参数前部分对于心电信号的描述。
步骤S303：获取核心体温计算初始模型，根据所述核心体温计算初始模型和所述心电测试信号，计算对应的核心体温测试值。
步骤S304：根据所述参考体温值和核心体温测试值对所述核心体温计算初始模型进行校正，将校正完成的核心体温计算初始模型作为所述预设的核心体温计算模型。
对于需要进行模型校正的核心体温计算初始模型，根据该模型计算与心电测试信号对应的核心体温测试值，然后根据核心体温测试值与参考体温值之间是否匹配以及不匹配的情况下的差值，对模型进行校正，对于校正的模型生成对应的预设的核心体温计算模型。
在其他实施例中，一次数据检测可能准确的完成模型的校正，因此，还可以通过多次执行上述步骤S301-304来完成上述模型的校正，以使得核心体温测试值与参考体温值之间的差值小于预设的阈值，例如0.2℃。
在另一个实施例中，还提出了一种核心体温的测量装置，基于一设置有心电传感器的智能可穿戴设备。如图7所示，上述核心体温的测量装置包括：
心电信号采集模块102，用于通过心电传感器采集佩戴者的心电信号，所述心电信号为ECG信号和/或PPG信号；
核心体温计算模块104，用于获取预设的核心体温计算模型，根据所述预设的核心体温计算模型和所述采集到的心电信号，计算佩戴者对应的目标核心体温值。
在其中一个实施例中，如图8所示，上述核心体温的测量装置还包括信号特征提取模块106，用于在所述心电信号包括ECG信号的情况下，提取所述ECG信号的第一心电特征，所述第一心电特征包括心率特征、振幅特征、QRS波特征、P波特征、T波特征和/或心率变异性特征中的一个或多个；在所述心电信号包括PPG信号的情况下，提取所述PPG信号的第二心电特征，所述第二心电特征包括心率特征、AC信号特征和/或脉搏率变异性特征中的一个或多个；所述核心体温计算模块104还用于将所述第一心电特征和/或第二心电特征作为所述预设的核心体温计算模型的输入，获取所述预设的核心体温计算模型输出的体温值作为所述目标核心体温值。
在其中一个实施例中，所述信号特征提取模块106还用于基于ECG信号，提取LF分量特征和HF分量特征，根据所述LF分量特征和HF分量特征计算所述心率变异性特征；和或，基于PPG信号，计算所述脉搏率变异性特征。
在其中一个实施例中，所述可穿戴设备还设置有温度传感器；如图X所示，上述核心体温的测量装置还包括温度检测模块108，用于通过所述温度传感器获取温度检测数据，所述温度检测数据包括体表温度检测值和/或环境温度检测值；所述核心体温计算模块104还用于根据所述预设的核心体温计算模型、所述心电信号和所述温度检测数据，计算所述目标核心体温值。
在其中一个实施例中，如图8所示，上述核心体温的测量装置还包括校准温度计算模块110，用于在接收到模型校准指令的情况下，接收用户输入的参考体温值，所述参考体温值与一预设的测量位置对应；所述参考体温值由设置于所述智能可穿戴设备上的输入模块获取用户输入的数据所生成；
所述心电信号采集模块102还用于通过心电传感器采集佩戴者的心电测试信号，所述心电测试信号为ECG测试信号和/或PPG测试信号；
所述核心体温计算模块104还用于获取核心体温计算初始模型，根据所述核心体温计算初始模型和所述心电测试信号，计算对应的核心体温测试值；
模型校准模块112，用于根据所述参考体温值和核心体温测试值对所述核心体温计算初始模型进行校正，将校正完成的核心体温计算初始模型作为所述预设的核心体温计算模型。
在其中一个实施例中，如图8所示，上述核心体温的测量装置还包括模型个性化设置模块114，用于获取与所述佩戴者对应的个性化数据，所述个性化数据包括年龄、肤色、性别、体征和/或医疗数据等个性化参数；获取核心体温计算初始模型；根据个性化数据和所述核心体温计算初始模型，生成与所述佩戴者对应的核心体温计算模型作为所述预设的核心体温计算模型。
在其中一个实施例中，所述预设的核心体温计算模型为神经网络模型。
采用了上述核心体温的测量装置之后，在智能可穿戴设备上设置心电传感器，然后在需要进行核心体温时，通过心电传感器采集佩戴者的心电信号，然后根据心电信号以及预设的核心体温计算模型来计算对应的核心体温值。也就是说，在本实施例中，通过考虑心电信号与核心体温值之间的关联关系，并通过该关联关系来计算核心体温值，实现了核心体温的测量，提高了核心温度计算的准确度，能够在体温发生变化的第一时间检测到温度的变化，提高对温度测量和预警的准确度。
并且，心电传感器是直接设置在智能可穿戴设备上的，也就是说，在日常的佩戴场景下，即可方便的对佩戴者的核心体温进行测量，提高了核心体温测量的便利性，提升了用户体验。
图9示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图9所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现核心体温的测量方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行核心体温的测量方法。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
通过心电传感器采集佩戴者的心电信号，所述心电信号为ECG信号和/或PPG信号；
获取预设的核心体温计算模型，根据所述预设的核心体温计算模型和所述采集到的心电信号，计算佩戴者对应的目标核心体温值。
在一个实施例中，请参阅图10，给出了本发明提供的计算机可读存储介质的一实施例的结构示意图。计算机可读存储介质40中存储有至少一个计算机程序50，计算机程序20用于被处理器执行以实现如下的方法：
通过心电传感器采集佩戴者的心电信号，所述心电信号为ECG信号和/或PPG信号；
获取预设的核心体温计算模型，根据所述预设的核心体温计算模型和所述采集到的心电信号，计算佩戴者对应的目标核心体温值。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种核心体温的测量方法，其特征在于，所述方法基于一设置有心电传感器的智能可穿戴设备；
所述方法包括：
通过心电传感器采集佩戴者的心电信号，所述心电信号为ECG信号和/或PPG信号；
获取预设的核心体温计算模型，根据所述预设的核心体温计算模型和所述采集到的心电信号，计算佩戴者对应的目标核心体温值。
2.根据权利要求1所述的核心体温的测量方法，其特征在于，所述通过心电传感器采集佩戴者的心电信号，所述心电信号为ECG信号和/或PPG信号的步骤之后，还包括：
在所述心电信号包括ECG信号的情况下，提取所述ECG信号的第一心电特征，所述第一心电特征包括心率特征、振幅特征、QRS波特征、P波特征、T波特征和/或心率变异性特征中的一个或多个；
在所述心电信号包括PPG信号的情况下，提取所述PPG信号的第二心电特征，所述第二心电特征包括心率特征、AC信号特征和/或脉搏率变异性特征中的一个或多个；
所述获取预设的核心体温计算模型，根据所述预设的核心体温计算模型和所述采集到的心电信号，计算佩戴者对应的目标核心体温值的步骤，还包括：
将所述第一心电特征和/或第二心电特征作为所述预设的核心体温计算模型的输入，获取所述预设的核心体温计算模型输出的体温值作为所述目标核心体温值。
3.根据权利要求2所述的核心体温的测量方法，其特征在于，所述提取所述ECG信号的第一心电特征的步骤还包括：
基于ECG信号，提取LF分量特征和HF分量特征，根据所述ECG信号的LF分量特征和HF分量特征计算所述心率变异性特征；
所述提取所述PPG信号的第二心电特征的步骤，还包括：
基于PPG信号，提取LF分量特征和HF分量特征，根据所述PPG信号的LF分量特征和HF分量特征计算所述脉搏率变异性特征。
4.根据权利要求1所述的核心体温的测量方法，其特征在于，所述可穿戴设备还设置有温度传感器；
所述方法还包括：
通过所述温度传感器获取温度检测数据，所述温度检测数据包括体表温度检测值和/或环境温度检测值；
所述获取预设的核心体温计算模型，根据所述核心体温计算模型和所述采集到的心电信号，计算佩戴者对应的目标核心体温值的步骤还包括：
根据所述预设的核心体温计算模型、所述心电信号和所述温度检测数据，计算所述目标核心体温值。
5.根据权利要求1所述的核心体温的测量方法，其特征在于，所述方法还包括：
在接收到模型校准指令的情况下，接收用户输入的参考体温值，所述参考体温值与一预设的测量位置对应；所述参考体温值由设置于所述智能可穿戴设备上的输入模块获取用户输入的数据所生成；
通过心电传感器采集佩戴者的心电测试信号，所述心电测试信号为ECG测试信号和/或PPG测试信号；
获取核心体温计算初始模型，根据所述核心体温计算初始模型和所述心电测试信号，计算对应的核心体温测试值；
根据所述参考体温值和核心体温测试值对所述核心体温计算初始模型进行校正，将校正完成的核心体温计算初始模型作为所述预设的核心体温计算模型。
6.根据权利要求1所述的核心体温的测量方法，其特征在于，所述方法还包括：
获取与所述佩戴者对应的个性化数据，所述个性化数据包括年龄、肤色、性别、体征和/或医疗数据等个性化参数；
获取核心体温计算初始模型；
根据个性化数据和所述核心体温计算初始模型，生成与所述佩戴者对应的核心体温计算模型作为所述预设的核心体温计算模型。
7.根据权利要求1所述的核心体温的测量方法，其特征在于，所述预设的核心体温计算模型为神经网络模型。
8.一种核心体温的测量装置，其特征在于，所述装置基于一设置有心电传感器的智能可穿戴设备；
所述装置包括：
心电信号采集模块，用于通过心电传感器采集佩戴者的心电信号，所述心电信号为ECG信号和/或PPG信号；
核心体温计算模块，用于获取预设的核心体温计算模型，根据所述预设的核心体温计算模型和所述采集到的心电信号，计算佩戴者对应的目标核心体温值。
9.一种智能可穿戴设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010256367.5A CN113545756A (zh) | 2020-04-02 | 2020-04-02 | 核心体温的测量方法、装置、可穿戴设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010256367.5A CN113545756A (zh) | 2020-04-02 | 2020-04-02 | 核心体温的测量方法、装置、可穿戴设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113545756A true CN113545756A (zh) | 2021-10-26 |
Family
ID=78129245
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010256367.5A Pending CN113545756A (zh) | 2020-04-02 | 2020-04-02 | 核心体温的测量方法、装置、可穿戴设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113545756A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115137316A (zh) * | 2022-06-10 | 2022-10-04 | 佳禾智能科技股份有限公司 | 一种多生理参数监测手表及其监测方法 |
| CN116026493A (zh) * | 2022-06-30 | 2023-04-28 | 荣耀终端有限公司 | 核心体温检测方法及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100280331A1 (en) * | 2007-11-28 | 2010-11-04 | Department Of The Navy | Method and apparatus for non-invasively estimating body core temperature |
| CN105310667A (zh) * | 2015-11-09 | 2016-02-10 | 北京体育大学 | 人体核心温度监测方法、运动预警方法及运动预警系统 |
| KR20160039506A (ko) * | 2014-10-01 | 2016-04-11 | 서울대학교산학협력단 | 일상생활 중 심부 체온 일주기 리듬 추정 방법 |
| US20170071477A1 (en) * | 2015-09-16 | 2017-03-16 | National Chiao Tung University | System for detecting core body temperature and method for the same |
| CN109890274A (zh) * | 2016-11-01 | 2019-06-14 | 皇家飞利浦有限公司 | 用于确定对象的核心体温的设备、系统和方法 |
-
2020
- 2020-04-02 CN CN202010256367.5A patent/CN113545756A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100280331A1 (en) * | 2007-11-28 | 2010-11-04 | Department Of The Navy | Method and apparatus for non-invasively estimating body core temperature |
| KR20160039506A (ko) * | 2014-10-01 | 2016-04-11 | 서울대학교산학협력단 | 일상생활 중 심부 체온 일주기 리듬 추정 방법 |
| US20170071477A1 (en) * | 2015-09-16 | 2017-03-16 | National Chiao Tung University | System for detecting core body temperature and method for the same |
| CN105310667A (zh) * | 2015-11-09 | 2016-02-10 | 北京体育大学 | 人体核心温度监测方法、运动预警方法及运动预警系统 |
| CN109890274A (zh) * | 2016-11-01 | 2019-06-14 | 皇家飞利浦有限公司 | 用于确定对象的核心体温的设备、系统和方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115137316A (zh) * | 2022-06-10 | 2022-10-04 | 佳禾智能科技股份有限公司 | 一种多生理参数监测手表及其监测方法 |
| CN116026493A (zh) * | 2022-06-30 | 2023-04-28 | 荣耀终端有限公司 | 核心体温检测方法及电子设备 |
| CN116026493B (zh) * | 2022-06-30 | 2024-04-05 | 荣耀终端有限公司 | 核心体温检测方法及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220296176A1 (en) | Processing biological data | |
| CN112274126B (zh) | 一种基于多路脉搏波的无创连续血压检测方法、装置 | |
| US20150088003A1 (en) | Data integrity | |
| Bolanos et al. | Comparison of heart rate variability signal features derived from electrocardiography and photoplethysmography in healthy individuals | |
| CN112272534B (zh) | 用于估计血压替代物趋势的方法和装置 | |
| KR20190048878A (ko) | 광학 센서를 이용한 혈압 측정 방법 및 장치 | |
| CN107106055A (zh) | 一种血压测量方法及装置 | |
| CN113545756A (zh) | 核心体温的测量方法、装置、可穿戴设备及存储介质 | |
| CN113520333A (zh) | 核心体温的确定方法、装置、设备及可读介质 | |
| KR101870630B1 (ko) | 생체/운동 신호 기반의 에너지 소모량 측정 방법 및 장치 | |
| Lu et al. | Uncertainties in the Analysis of Heart Rate Variability: A Systematic Review | |
| EP3393339A1 (en) | A method of assessing the reliability of a blood pressure measurement and an apparatus for implementing the same | |
| JP7462572B2 (ja) | ストレスおよび／または疼痛レベルを決定するための装置、システム、該システムの作動方法、該システムの作動方法を実行するコンピュータ可読コードを有するコンピュータ可読媒体 | |
| CN116636821A (zh) | 一种血压管理系统及方法 | |
| JPH053877A (ja) | 生体リズム曲線測定装置 | |
| Huynh et al. | Radial electrical impedance: A potential indicator for noninvasive cuffless blood pressure measurement | |
| Anisimov et al. | Non-occlusion monitoring of arterial pressure dynamics from pulsation wave propagation time | |
| Anisimov et al. | Comparison of heart rate derived from ECG and pulse wave signals during controlled breathing test for biofeedback systems | |
| CN118078275B (zh) | 无创血糖检测的方法、装置、电子设备及介质 | |
| CN112438712A (zh) | 非接触式血压变异性实时测量系统、计算机设备和存储介质 | |
| CN113951826B (zh) | 一种用于评估睡眠状况的方法、系统及设备 | |
| CN117137465B (zh) | 一种血流动力参数测量方法及其相关设备 | |
| EP3833248B1 (en) | Method and biomedical electronic equipment for monitoring patient's condition after a stroke | |
| JP5160586B2 (ja) | 脈波診断装置及び脈波診断装置制御方法 | |
| CN113679360A (zh) | 核心体温测量方法、装置、设备及可读介质 |
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 |