CN113576423A - 一种核心体温的确定方法、装置、设备及存储介质 - Google Patents
一种核心体温的确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113576423A CN113576423A CN202010296095.1A CN202010296095A CN113576423A CN 113576423 A CN113576423 A CN 113576423A CN 202010296095 A CN202010296095 A CN 202010296095A CN 113576423 A CN113576423 A CN 113576423A
- Authority
- CN
- China
- Prior art keywords
- body temperature
- core body
- sleep
- activity
- data
- 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
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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Pulmonology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明实施例公开了一种核心体温的确定方法、装置、设备及存储介质。所述方法包括:获取所述可穿戴设备检测到的佩戴者的心电数据;获取所述可穿戴设备的佩戴者的活动状态,所述活动状态包括睡眠状态、常规活动状态、运动状态;获取所述可穿戴设备的佩戴者的个人特征信息,所述个人特征信息包括:年龄、性别、体重指数信息和/或疾病信息中的一个或多个;根据所述活动状态、所述个人特征信息、所述心电数据进行核心体温计算,得到与所述心电数据对应的目标核心体温。本发明在采用心电数据计算目标核心体温时,充分考虑了个体特征信息、活动状态对心电数据造成的影响,提高了计算目标核心体温的准确度。
Description
技术领域
本发明涉及核心体温技术领域,尤其涉及一种核心体温的确定方法、装置、设备及存储介质。
背景技术
人体核心体温是指人体内部的平均温度,其是反映身体健康状况的晴雨表,也作为人体运动生理负荷的客观评定指标。由于个体特征信息对心电数据有不同程度的影响,比如,个体特征信息包括:年龄、性别、体重指数、疾病,针对不同的个体特征信息同一个核心体温对应的心电数据不同,从而导致采用心电数据计算核心体温时准确度不高。因此,提出一种针对不同的个体特征信息可以心电数据准确确定核心体温的核心体温的确定方法显得尤为重要。
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确定方法、装置、设备及存储介质,用于解决现有技术中针对不同的个体特征信息同一个核心体温对应的心电数据不同,导致采用心电数据计算核心体温时准确度不高的技术问题。
第一方面,本发明提出了一种核心体温的确定方法,应用于可穿戴设备,所述方法包括:
获取所述可穿戴设备检测到的佩戴者的心电数据;
获取所述可穿戴设备的佩戴者的活动状态,所述活动状态包括睡眠状态、常规活动状态、运动状态;
获取所述可穿戴设备的佩戴者的个人特征信息,所述个人特征信息包括:年龄、性别、体重指数信息和/或疾病信息中的一个或多个;
根据所述活动状态、所述个人特征信息、所述心电数据进行核心体温计算,得到与所述心电数据对应的目标核心体温。
在一个实施例中,所述根据所述活动状态、所述个人特征信息、所述心电数据进行核心体温计算,得到与所述心电数据对应的目标核心体温,包括:
根据所述活动状态、所述个人特征信息确定目标核心体温计算模型;
根据所述心电数据、所述目标核心体温计算模型进行核心体温计算,得到与所述心电数据对应的目标核心体温。
在一个实施例中,所述根据所述活动状态、所述个人特征信息确定目标核心体温计算模型,包括:
当所述活动状态为所述睡眠状态时,将所述个人特征信息输入第一线性回归方程进行计算,得到睡眠核心体温计算模型,将所述睡眠核心体温计算模型作为目标核心体温计算模型;
当所述活动状态为所述常规活动状态时,将所述个人特征信息输入第二线性回归方程计算进行计算,得到常规活动核心体温计算模型,将所述常规活动核心体温计算模型作为目标核心体温计算模型。
在一个实施例中,所述方法还包括:
获取多个睡眠核心体温样本,所述睡眠核心体温样本包括睡眠心电样本值、个人特征信息样本值、睡眠核心体温标定值;
将每个所述睡眠核心体温样本中的所述睡眠心电样本值与所述个人特征信息样本值相乘,得到与每个所述睡眠核心体温样本对应的睡眠合并数据;
将与每个所述睡眠核心体温样本对应的睡眠合并数据组成特征向量,得到睡眠个性化特征向量;
将所述多个睡眠核心体温样本的各自对应的睡眠核心体温标定值组成特征向量,得到睡眠核心体温标定特征向量;
根据所述睡眠个性化特征向量、所述睡眠核心体温标定特征向量,确定第一参数特征向量;
根据所述第一参数特征向量,确定所述第一线性回归方程。
在一个实施例中,所述根据所述睡眠个性化特征向量、所述睡眠核心体温标定特征向量,确定第一参数特征向量,包括:
所述第一参数特征向量θ的计算公式如下:
θ=(XT·X)-1·XT·y
其中,X是指所述睡眠个性化特征向量,y是指所述睡眠核心体温标定特征向量。
在一个实施例中,所述方法还包括:
获取多个常规活动核心体温样本,所述常规活动核心体温样本包括常规活动心电样本值、个人特征信息样本值、常规活动核心体温标定值;
将每个所述常规活动核心体温样本中的所述常规活动心电样本值与所述个人特征信息样本值相乘,得到与每个所述常规活动核心体温样本对应的常规活动合并数据;
将与每个所述常规活动核心体温样本对应的常规活动合并数据组成特征向量,得到常规活动个性化特征向量;
将所述多个常规活动核心体温样本的各自对应的常规活动核心体温标定值组成特征向量,得到常规活动核心体温标定特征向量;
根据所述常规活动个性化特征向量、所述常规活动核心体温标定特征向量,确定第二参数特征向量;
根据所述第二参数特征向量,确定所述第二线性回归方程。
在一个实施例中,所述根据所述常规活动个性化特征向量、所述常规活动核心体温标定特征向量,确定第二参数特征向量,包括:
所述第二参数特征向量z的计算公式如下:
z=(MT·M)-1·MT·p
其中,M是指所述睡眠个性化特征向量,p是指所述睡眠核心体温标定特征向量。
在一个实施例中,所述获取所述可穿戴设备检测到的佩戴者的心电数据,包括:
获取所述可穿戴设备检测到的佩戴者的心电检测信号,所述心电检测信号包括PPG信号检测数据或ECG信号检测数据;
根据所述心电检测信号,确定所述心电数据。
第二方面,本发明还提出了一种核心体温的确定方法装置,应用于可穿戴设备,所述装置包括:
心电数据获取模块,用于获取所述可穿戴设备检测到的佩戴者的心电数据;
活动状态获取模块,用于获取所述可穿戴设备的佩戴者的活动状态,所述活动状态包括睡眠状态、常规活动状态、运动状态;
个人特征获取模块,用于获取所述可穿戴设备的佩戴者的个人特征信息,所述个人特征信息包括:年龄、性别、体重指数信息和/或疾病信息中的一个或多个;
目标核心体温确定模块,用于根据所述活动状态、所述个人特征信息、所述心电数据进行核心体温计算,得到与所述心电数据对应的目标核心体温。
第三方面,本发明还提出了一种存储介质,存储有计算机指令程序,所述计算机指令程序被处理器执行时,使得所述处理器执行第一方面任一项所述方法的步骤。
第四方面,本发明还提出了一种可穿戴设备,包括至少一个存储器、至少一个处理器,所述存储器存储有计算机指令程序,所述计算机指令程序被所述处理器执行时,使得所述处理器执行第一方面任一项所述方法的步骤。
综上所述,本发明的核心体温的确定方法根据活动状态、个人特征信息、心电数据进行核心体温计算得到与心电数据对应的目标核心体温,使目标核心体温与活动状态及个人特征信息相关联,从而使目标核心体温的计算充分考虑了个体特征信息、活动状态对心电数据造成的影响,从而提高了计算目标核心体温的准确度。因此,本发明在采用心电数据计算目标核心体温时,充分考虑了个体特征信息、活动状态对心电数据造成的影响,提高了计算目标核心体温的准确度。
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为一个实施例中核心体温的确定方法的流程图;
图2为图1的核心体温的确定方法的确定目标核心体温的流程图;
图3为图2的核心体温的确定方法的第一线性回归方程的流程图;
图4为图2的核心体温的确定方法的第二线性回归方程的流程图;
图5为一个实施例中核心体温的确定装置的结构框图;
图6为一个实施例中计算机设备的结构框图。
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。
如图1所示,在一个实施例中,提出了一种核心体温的确定方法,应用于可穿戴设备,所述方法包括:
S102、获取所述可穿戴设备检测到的佩戴者的心电数据;
其中,可以直接获取所述可穿戴设备检测到的佩戴者的心电数据,也可以从数据库中获取所述可穿戴设备检测到的佩戴者的心电数据。
所述心电数据是根据所述可穿戴设备检测到的佩戴者PPG(光电容积脉搏波描记法)信号检测数据或ECG(心电图)信号检测数据确定的。可以由所述可穿戴设备的控制器根据PPG信号检测数据和/或ECG信号检测数据确定所述心电数据,也可以由所述可穿戴设备以外的目标设备的控制器根据所述PPG信号检测数据或所述ECG信号检测数据确定所述心电数据。
所述目标设备可以是终端,也可以是服务器端。
所述数据库可以是指所述可穿戴设备的存储器中的数据库,也可以是所述可穿戴设备以外的目标设备的存储器中的数据库。
所述心电数据包括:心电检测结果、检测时间,所述心电检测结果包括PPG信号检测数据和/或ECG信号检测数据。
所述检测时间是一个具体的时间点。
可选的,所述心电检测结果是信号数据,需要根据所述心电检测结果确定心率数据,将所述心率数据用于目标核心体温的计算。
所述可穿戴设备包括智能手表、智能腕带、智能鞋、智能袜子、腿上佩戴的智能产品、智能眼镜、智能头盔、智能头带、智能服装、智能书包、智能拐杖、智能配饰,在此举例不做具体限定。
所述可穿戴设备包括心电检测部件、控制器;所述心电检测部件用于对所述可穿戴设备的佩戴者的心电进行检测,得到PPG信号检测数据和/或ECG信号检测数据。
S104、获取所述可穿戴设备的佩戴者的活动状态,所述活动状态包括睡眠状态、常规活动状态、运动状态;
其中,可以直接获取所述可穿戴设备检测到的佩戴者的活动状态,也可以从数据库中获取所述可穿戴设备检测到的佩戴者的活动状态。
所述可穿戴设备还包括运动传感器,所述运动传感器用于检测所述可穿戴设备的佩戴者的运动数据。可以由所述可穿戴设备的控制器根据所述运动数据确定所述可穿戴设备的佩戴者的活动状态;也可以由所述可穿戴设备以外的目标设备的控制器根据所述运动数据确定所述可穿戴设备的佩戴者的活动状态。
所述睡眠状态是指所述可穿戴设备的佩戴者睡觉,比如,躺着睡觉、靠着支撑物睡觉、站着睡觉,在此举例不做具体限定。
所述常规活动状态是指所述可穿戴设备的佩戴者开展的不会引起心率快速变化的活动,比如,工作(非体力劳动)、看书、吃饭、坐着休闲、慢速走,在此举例不做具体限定。
所述运动状态是指所述可穿戴设备的佩戴者开展的会引起心率快速变化的活动,比如,快速走、慢跑、快跑、器械运动、武术运动、跳高、跳远、蹦极等,在此举例不做具体限定。
S106、获取所述可穿戴设备的佩戴者的个人特征信息,所述个人特征信息包括:年龄、性别、体重指数信息和/或疾病信息中的一个或多个;
其中,可以直接由所述可穿戴设备的佩戴者直输入个人特征信息,也可以从数据库中获取所述可穿戴设备的佩戴者的个人特征信息。
可以理解的是,所述个人特征信息还可以包括其他个人特征,比如,生理性心率过速、生理性心率过缓,在此举例不做具体限定。
所述个人特征信息中的疾病信息可以包括多个对心率有影响的疾病,比如,阻塞性睡眠呼吸暂停综合征、高血脂、高血糖、高血压、冠状动脉疾病,在此举例不做具体限定。
所述个人特征信息中的体重指数信息是指身体质量指数,是国际上常用的衡量人体肥胖程度和是否健康的重要标准。
S108、根据所述活动状态、所述个人特征信息、所述心电数据进行核心体温计算,得到与所述心电数据对应的目标核心体温。
进行核心体温计算的计算公式有两种,第一种方式是,根据所述活动状态、所述个人特征信息确定目标核心体温计算模型;根据所述心电数据、所述目标核心体温计算模型进行核心体温计算,得到与所述心电数据对应的目标核心体温。从而使目标核心体温计算模型与所述活动状态、所述个人特征信息相关联,再根据所述心电数据、所述目标核心体温计算模型进行核心体温计算,从而使得到的目标核心体温更符合所述可穿戴设备的佩戴者的个体情况。
第二种方式是,根据所述活动状态从标准模型库中获取标准核心体温计算模型,得到与所述活动状态对应的标准核心体温计算模型;将所述个人特征信息进行离散化,得到个人特征离散值;根据所述心电数据,得到心率数据;将所述个人特征离散值、所述心率数据输入与所述活动状态对应的标准核心体温计算模型进行核心体温计算,得到与所述心电数据对应的目标核心体温。使与所述活动状态对应的标准核心体温计算模型与所述活动状态相关联,再将所述个人特征离散值、所述心率数据输入与所述活动状态对应的标准核心体温计算模型进行核心体温计算,从而使得到的目标核心体温更符合所述可穿戴设备的佩戴者的个体情况。
所述核心体温是指人体内部平均温度,比如,将直肠的温度作为核心体温。
所述目标核心体温是核心体温。
所述离散化就是将待离散对象离散到预设数值范围内的具体数值。所述待离散对象可以是文字描述或具体数值,比如,所述个人特征信息中的任一个信息都是一个所述待离散对象,年龄是一个所述待离散对象,性别是一个所述待离散对象,在此举例不做具体限定。
比如,将所述个人特征信息的性别进行离散化,得到与所述性别对应的离散值,性别为男时则与所述性别对应的离散值为1,性别为女时则与所述性别对应的离散值为2,在此举例不做具体限定。
本实施例的核心体温的确定方法根据活动状态、个人特征信息、心电数据进行核心体温计算得到与心电数据对应的目标核心体温,使目标核心体温与活动状态及个人特征信息相关联,从而使目标核心体温的计算充分考虑了个体特征信息、活动状态对心电数据造成的影响,从而提高了计算目标核心体温的准确度。
如图2所示,在一个实施例中,提出了一种核心体温的确定方法,所述方法包括:
S202、获取所述可穿戴设备检测到的佩戴者的心电数据;
S204、获取所述可穿戴设备的佩戴者的活动状态,所述活动状态包括睡眠状态、常规活动状态、运动状态;
S206、获取所述可穿戴设备的佩戴者的个人特征信息,所述个人特征信息包括:年龄、性别、体重指数信息和/或疾病信息中的一个或多个;
S208、根据所述活动状态、所述个人特征信息确定目标核心体温计算模型;
确定目标核心体温计算模型的方式有两种,第一种方式是,根据所述活动状态从标准模型库中进行获取标准核心体温计算模型,得到与所述活动状态对应的标准核心体温计算模型;将所述个人特征信息进行离散化,得到个人特征离散值;将个人特征离散值输入与所述活动状态对应的标准核心体温计算模型,得到与所述活动状态对应的目标核心体温计算模型。所述标准模型库中包括标准核心体温计算模型、活动状态。
第二种方式是,将所述个人特征信息进行离散化,得到个人特征离散值;从标准模型库中进行获取标准核心体温计算模型作为待处理标准核心体温计算模型;将所述个人特征离散值输入所述待处理标准核心体温计算模型,得到预处理标准核心体温计算模型;根据所述活动状态、所述预处理标准核心体温计算模型,得到目标核心体温计算模型。通过先用所述个人特征信息确定预处理标准核心体温计算模型,在所述个人特征信息没有更新时不需要更新所述预处理标准核心体温计算模型,从而减少了每次确定目标核心体温计算模型的步骤,提高了本发明的核心体温的确定方法的计算效率。
S210、根据所述心电数据、所述目标核心体温计算模型进行核心体温计算,得到与所述心电数据对应的目标核心体温。
其中,根据所述心电数据,得到心率数据;将所述心率数据输入所述目标核心体温计算模型进行核心体温计算,得到与所述心率数据对应的目标核心体温,将与所述心率数据对应的目标核心体温作为与所述心电数据对应的目标核心体温。
本实施例实现了根据所述活动状态、所述个人特征信息确定目标核心体温计算模型,使目标核心体温计算模型与所述可穿戴设备的佩戴者的个体情况相关联,从而使采用目标核心体温计算模型计算核心体温时,提高了计算得到的目标核心体温的准确性。
在一个实施例中,所述根据所述活动状态、所述个人特征信息确定目标核心体温计算模型,包括:当所述活动状态为所述睡眠状态时,将所述个人特征信息输入第一线性回归方程进行计算,得到睡眠核心体温计算模型,将所述睡眠核心体温计算模型作为目标核心体温计算模型;当所述活动状态为所述常规活动状态时,将所述个人特征信息输入第二线性回归方程计算进行计算,得到常规活动核心体温计算模型,将所述常规活动核心体温计算模型作为目标核心体温计算模型。
其中,当所述活动状态为所述睡眠状态时,将所述个人特征信息进行离散化,得到个人特征离散值,将所述个人特征离散值输入第一线性回归方程进行计算,得到睡眠核心体温计算模型,将所述睡眠核心体温计算模型作为目标核心体温计算模型;当所述活动状态为所述常规活动状态时,将所述个人特征信息进行离散化,得到个人特征离散值,将所述个人特征离散值输入第二线性回归方程计算进行计算,得到常规活动核心体温计算模型,将所述常规活动核心体温计算模型作为目标核心体温计算模型。可以理解的是,所述第一线性回归方程就是与所述睡眠状态对应的标准核心体温计算模型(是指标准模型库中与所述活动状态对应的标准核心体温计算模型),所述第二线性回归方程就是与所述常规活动状态对应的标准核心体温计算模型(是指标准模型库中与所述活动状态对应的标准核心体温计算模型)。
本实施例实现了根据所述睡眠状态和所述常规活动状态选择不同的线性回归方程,从而使选择的线性回归方程与活动状态关联,从而使选择的线性回归方程充分体现了不同活动状态对心电数据的影响,有利于提高计算目标核心体温的准确性。
如图3所示,在一个实施例中,所述方法还包括:
S302、获取多个睡眠核心体温样本,所述睡眠核心体温样本包括睡眠心电样本值、个人特征信息样本值、睡眠核心体温标定值;
其中,可以获取训练第一线性回归方程的用户输入的多个睡眠核心体温样本,也可以从数据库中获取多个睡眠核心体温样本。
每个所述睡眠核心体温样本中包括一个睡眠心电样本值、一个个人特征信息样本值、一个睡眠核心体温标定值。
所述睡眠心电样本值是指所述可穿戴设备的佩戴者在睡眠状态下的心电数据。
所述睡眠核心体温标定值可以是所述可穿戴设备的佩戴者在睡眠状态下采用体温计测量人体内部得到的核心体温。
可选的,所述样本值是具体数值。
可以理解的是,个人特征信息样本值包括至少一个个人特征样本值。比如,年龄对应一个个人特征样本值,性别对应一个个人特征样本值,在此举例不做具体限定。
可以理解的是,当所述样本值不是具体数值时,需要将所述样本值离散到预设数值范围内的具体数值,再用离散后得到的值确定睡眠合并数据及睡眠个性化特征向量。
S304、将每个所述睡眠核心体温样本中的所述睡眠心电样本值与所述个人特征信息样本值相乘,得到与每个所述睡眠核心体温样本对应的睡眠合并数据;
其中,根据每个所述睡眠核心体温样本中的所述睡眠心电样本值,确定每个所述睡眠核心体温样本中的所述睡眠心电样本值对应的心率值;将每个所述睡眠核心体温样本中的所述睡眠心电样本值对应的心率值与所述个人特征信息样本值相乘,得到与每个所述睡眠核心体温样本对应的睡眠合并数据。
可以理解的是,与每个所述睡眠核心体温样本对应的睡眠合并数据的数量为至少一个,且睡眠合并数据的数量小于或等于所述个人特征信息样本值中个人特征样本值的数量。
所述心率值是指心率的数值。
S306、将与每个所述睡眠核心体温样本对应的睡眠合并数据组成特征向量,得到睡眠个性化特征向量;
其中,将与每个所述睡眠核心体温样本对应的睡眠合并数据按预设向量组成规则组成特征向量,将组成的特征向量作为所述睡眠个性化特征向量。
可选的,所述睡眠个性化特征向量中每个向量元素代表一个睡眠合并数据,同一行的向量元素代表同一个睡眠核心体温样本的睡眠合并数据,同一列的向量元素代表相同类型的睡眠合并数据。比如,年龄对应的个人特征样本值与每个所述睡眠核心体温样本中的所述睡眠心电样本值对应的心率值相乘,得到与年龄对应的睡眠合并数据,所述睡眠个性化特征向量中第一列都是与年龄对应的睡眠合并数据,所述睡眠个性化特征向量中第一行都是第一个睡眠核心体温样本的睡眠合并数据,在此举例不做具体限定。
S308、将所述多个睡眠核心体温样本的各自对应的睡眠核心体温标定值组成特征向量,得到睡眠核心体温标定特征向量;
其中,从所述多个睡眠核心体温样本中提取出每个睡眠核心体温样本的睡眠核心体温标定值;将提取出的所有睡眠核心体温标定值按预设向量组成规则组成特征向量,将组成的特征向量作为睡眠核心体温标定特征向量。
可选的,睡眠核心体温标定特征向量的每行只有一个向量元素,每个向量元素代表一个睡眠核心体温样本的睡眠核心体温标定值。
可以理解的是,睡眠个性化特征向量、睡眠核心体温标定特征向量序号相同的行的向量元素代表的是同一个睡眠核心体温样本。比如,睡眠个性化特征向量的第三行代表的是第三个睡眠核心体温样本的睡眠合并数据,睡眠核心体温标定特征向量的第三行代表的是第三个睡眠核心体温样本的睡眠核心体温标定值。
S310、根据所述睡眠个性化特征向量、所述睡眠核心体温标定特征向量,确定第一参数特征向量;
S312、根据所述第一参数特征向量,确定所述第一线性回归方程。
将所述第一参数特征向量中的向量元素作为线性回归函数的参数,得到完成训练的线性回归函数,将完成训练的线性回归函数作为所述第一线性回归方程。
可选的,所述第一线性回归方程是F(q)=k0+k1q1+k2q2+k3q3+k4q4,其中,q1代表与年龄对应的睡眠合并数据,q2代表与性别对应的睡眠合并数据,q3代表与体重指数信息对应的睡眠合并数据,q4代表与疾病信息对应的睡眠合并数据,k0代表补偿常数,k1代表与年龄对应的睡眠合并数据的系数,k2代表性别对应的睡眠合并数据的系数,k3代表与体重指数信息对应的睡眠合并数据的系数,k4代表与疾病信息对应的睡眠合并数据的系数,k0、k1、k2、k3、k4来自第一参数特征向量。可以理解的是,所述第一线性回归方程的参数组数量还可以(比如,k4q4是一个参数组)是其他,比如,参数组数量可以是1个、2个、3个、5个、6个、7个,在此举例不做具体限定。
本实施例实现了通过多个睡眠核心体温样本确定所述第一线性回归方程,从而使所述第一线性回归方程与心电数据及个人特征信息相关联。
在一个实施例中,所述根据所述睡眠个性化特征向量、所述睡眠核心体温标定特征向量,确定第一参数特征向量,包括:
所述第一参数特征向量θ的计算公式如下:
θ=(XT·X)-1·XT·y
其中,X是指所述睡眠个性化特征向量,y是指所述睡眠核心体温标定特征向量。
其中,XT是指所述睡眠个性化特征向量的转置计算,(XT·X)-1是指对特征向量(XT·X)逆计算。
通过线性回归函数计算损失函数后,再通过最小二乘法进行推导得到标准方程,得到的标准方程的解就是最优的线性回归函数的参数向量(即所述第一参数特征向量θ)。
可以理解的是,推导所述第一参数特征向量θ采用的线性回归函数与所述第一线性回归方程的参数数量、参数排列顺序、参数含义需要相同。比如,所述第一参数特征向量θ为[θ0θ1θ2θ3θ4],所述第一线性回归方程是F(q)=k0+k1q1+k2q2+k3q3+k4q4,则推导所述第一参数特征向量θ采用的线性回归函数也采用h(x)=θ0+θ1x1+θ2x2+θ3x3+θ4x4,其中,k0与θ0的含义相同(θ0的计算结果是k0),k1与θ1的含义相同(θ1的计算结果是k1),k2与θ2的含义相同(θ2的计算结果是k2),k3与θ3的含义相同(θ3的计算结果是k3),k4与θ4的含义相同(θ4的计算结果是k4),q1与x1的含义相同,k2与x2的含义相同,q3与x3的含义相同,k4与x4的含义相同,在此举例不做具体限定。
如图4所示,在一个实施例中,所述方法还包括:
S402、获取多个常规活动核心体温样本,所述常规活动核心体温样本包括常规活动心电样本值、个人特征信息样本值、常规活动核心体温标定值;
其中,可以获取训练第二线性回归方程的用户输入的多个常规活动核心体温样本,也可以从数据库中获取多个常规活动核心体温样本。
每个所述常规活动核心体温样本中包括一个常规活动心电样本值、一个个人特征信息样本值、一个常规活动核心体温标定值。
所述常规活动心电样本值是指所述可穿戴设备的佩戴者在常规活动状态下的心电数据。
所述常规活动核心体温标定值可以是指所述可穿戴设备的佩戴者在常规活动状态下采用体温计测量人体内部得到的核心体温。
可以理解的是,当常规活动核心体温样本的个人特征信息样本值不是具体数值时,需要将常规活动核心体温样本的个人特征信息样本值离散到预设数值范围内的具体数值,再用离散后得到的值确定常规活动合并数据及常规活动个性化特征向量。
S404、将每个所述常规活动核心体温样本中的所述常规活动心电样本值与所述个人特征信息样本值相乘,得到与每个所述常规活动核心体温样本对应的常规活动合并数据;
其中,根据每个所述常规活动核心体温样本中的所述常规活动心电样本值,确定每个所述常规活动核心体温样本中的所述常规活动心电样本值对应的心率值;将每个所述常规活动核心体温样本中的所述常规活动心电样本值对应的心率值与所述个人特征信息样本值相乘,得到与每个所述常规活动核心体温样本对应的常规活动合并数据。
可以理解的是,与每个所述常规活动核心体温样本对应的常规活动合并数据的数量为至少一个,且常规活动合并数据的数量小于或等于所述个人特征信息样本值中个人特征样本值的数量。
S406、将与每个所述常规活动核心体温样本对应的常规活动合并数据组成特征向量,得到常规活动个性化特征向量;
其中,将与每个所述常规活动核心体温样本对应的常规活动合并数据按预设向量组成规则组成特征向量,将组成的特征向量作为所述常规活动个性化特征向量。
可选的,所述常规活动个性化特征向量中每个向量元素代表一个常规活动合并数据,同一行的向量元素代表同一个常规活动核心体温样本的常规活动合并数据,同一列的向量元素代表相同类型的常规活动合并数据。比如,年龄对应的个人特征样本值与每个所述常规活动核心体温样本中的所述常规活动心电样本值对应的心率值相乘,得到与年龄对应的常规活动合并数据,所述常规活动个性化特征向量中第一列都是与年龄对应的常规活动合并数据,所述常规活动个性化特征向量中第一行都是第一个常规活动核心体温样本的常规活动合并数据,在此举例不做具体限定。
S408、将所述多个常规活动核心体温样本的各自对应的常规活动核心体温标定值组成特征向量,得到常规活动核心体温标定特征向量;
其中,从所述多个常规活动核心体温样本中提取出每个常规活动核心体温样本的常规活动核心体温标定值;将提取出的所有常规活动核心体温标定值按预设向量组成规则组成特征向量,将组成的特征向量作为常规活动核心体温标定特征向量。
可选的,常规活动核心体温标定特征向量的每行只有一个向量元素,每个向量元素代表一个常规活动核心体温样本的常规活动核心体温标定值。
可以理解的是,常规活动个性化特征向量、常规活动核心体温标定特征向量序号相同的行的向量元素代表的是同一个常规活动核心体温样本。比如,常规活动个性化特征向量的第三行代表的是第三个常规活动核心体温样本的常规活动合并数据,常规活动核心体温标定特征向量的第三行代表的是第三个常规活动核心体温样本的常规活动核心体温标定值。
S410、根据所述常规活动个性化特征向量、所述常规活动核心体温标定特征向量,确定第二参数特征向量;
S412、根据所述第二参数特征向量,确定所述第二线性回归方程。
将所述第二参数特征向量中的向量元素作为线性回归函数的参数,得到完成训练的线性回归函数,将完成训练的线性回归函数作为所述第二线性回归方程。
可选的,所述第二线性回归方程是F(b)=j0+j1b1+j2b2+j3b3+j4b4,其中,b1代表与年龄对应的常规活动合并数据,b2代表与性别对应的常规活动合并数据,b3代表与体重指数信息对应的常规活动合并数据,b4代表与疾病信息对应的常规活动合并数据,j0代表补偿常数,j1代表与年龄对应的常规活动合并数据的系数,j2代表性别对应的常规活动合并数据的系数,j3代表与体重指数信息对应的常规活动合并数据的系数,j4代表与疾病信息对应的常规活动合并数据的系数,j0、j1、j2、j3、j4来自第二参数特征向量。可以理解的是,所述第二线性回归方程的参数组数量还可以(比如,j4b4是一个参数组)是其他,比如1个、2个、3个、5个、6个、7个,在此举例不做具体限定。
本实施例实现了通过多个常规活动核心体温样本确定所述第二线性回归方程,从而使所述第二线性回归方程与心电数据及个人特征信息相关联。
在一个实施例中,疾病可以只对应一个参数组(比如,k4q4是一个参数组,j4b4是一个参数组),也可以每个病种对应一个参数组,还可以对应多个参数组(每个参数组对应至少一个病种)。
当一个所述参数组对应至少一个病种时则需要将所述参数组对应的所有病种的个人特征样本值处理成一个具体数值,从而减少了参数组,提升了目标核心体温计算效率。
在一个实施例中,将同类型的病种放到一个参数组,有利于避免过度考虑疾病的影响,有利于提高目标核心体温计算的准确性。
在一个实施例中,所述根据所述常规活动个性化特征向量、所述常规活动核心体温标定特征向量,确定第二参数特征向量,包括:
所述第二参数特征向量z的计算公式如下:
z=(MT·M)-1·MT·p
其中,M是指所述常规活动个性化特征向量,p是指所述常规活动核心体温标定特征向量。
其中,MT是指所述常规活动个性化特征向量的转置计算,(MT·M)-1是指对特征向量(MT·M)逆计算。
通过线性回归函数计算损失函数后,再通过最小二乘法进行推导得到标准方程,得到的标准方程的解就是最优的线性回归函数的参数向量(即所述第二参数特征向量zz)。
可以理解的是,推导所述第二参数特征向量z采用的线性回归函数与所述第二线性回归方程的参数数量、参数排列顺序、参数含义需要相同。比如,所述第二参数特征向量z为[z0 z1 z2 z3 z4],所述第二线性回归方程是F(b)=j0+j1b1+j2b2+j3b3+j4b4,则推导所述第二参数特征向量z采用的线性回归函数也采用h(m)=z0+z1m1+z2m2+z3m3+z4m4,其中,j0与z0的含义相同(z0的计算结果是j0),j1与z1的含义相同(z1的计算结果是j1),j2与z2的含义相同(z2的计算结果是j2),j3与z3的含义相同(z3的计算结果是j3),j4与z4的含义相同(z4的计算结果是j4),b1与m1的含义相同,j2与m2的含义相同,b3与m3的含义相同,j4与m4的含义相同,在此举例不做具体限定。
在一个实施例中,所述获取所述可穿戴设备检测到的佩戴者的心电数据,包括:获取所述可穿戴设备检测到的佩戴者的心电检测信号,所述心电检测信号包括PPG信号检测数据或ECG信号检测数据;根据所述心电检测信号,确定所述心电数据。
所述根据所述心电检测信号,确定所述心电数据,包括:采用滤波算法对所述心电检测信号进行滤波处理,得到所述心电数据。通过滤波处理,消除了所述心电检测信号中的噪音,使滤波后的所述心电数据更能表述所述可穿戴设备检测到的佩戴者的心电,从而进一步提升了计算目标核心体温的准确度。
所述滤波算法包括但不限于:限幅滤波法、中位值滤波法、算术平均滤波法、递推平均滤波法、中位值平均滤波法,在此不做赘述。
如图5所示,在一个实施例中,提出了一种核心体温的确定方法装置,应用于可穿戴设备,所述装置包括:
心电数据获取模块502,用于获取所述可穿戴设备检测到的佩戴者的心电数据;
活动状态获取模块504,用于获取所述可穿戴设备的佩戴者的活动状态,所述活动状态包括睡眠状态、常规活动状态、运动状态;
个人特征获取模块506,用于获取所述可穿戴设备的佩戴者的个人特征信息,所述个人特征信息包括:年龄、性别、体重指数信息和/或疾病信息中的一个或多个;
目标核心体温确定模块508,用于根据所述活动状态、所述个人特征信息、所述心电数据进行核心体温计算,得到与所述心电数据对应的目标核心体温。
本实施例的核心体温的确定装置根据活动状态、个人特征信息、心电数据进行核心体温计算得到与心电数据对应的目标核心体温,使目标核心体温与活动状态及个人特征信息相关联,从而使目标核心体温的计算充分考虑了个体特征信息、活动状态对心电数据造成的影响,从而提高了计算目标核心体温的准确度。
图6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6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确定方法。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确定方法。本领域技术人员可以理解,图6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,本申请提供的一种核心体温的确定方法可以实现为一种计算机程序的形式,计算机程序可在如图6所示的计算机设备上运行。计算机设备的存储器中可存储组成的一种核心体温的确定装置的各个程序模板。比如,心电数据获取模块502、活动状态获取模块504、个人特征获取模块506、目标核心体温确定模块508。
在一个实施例中,提出了一种存储介质,存储有计算机指令程序,所述计算机指令程序被处理器执行时,使得所述处理器执行时实现如下方法步骤:
获取所述可穿戴设备检测到的佩戴者的心电数据;
获取所述可穿戴设备的佩戴者的活动状态,所述活动状态包括睡眠状态、常规活动状态、运动状态;
获取所述可穿戴设备的佩戴者的个人特征信息,所述个人特征信息包括:年龄、性别、体重指数信息和/或疾病信息中的一个或多个;
根据所述活动状态、所述个人特征信息、所述心电数据进行核心体温计算,得到与所述心电数据对应的目标核心体温。
本实施例的方法步骤根据活动状态、个人特征信息、心电数据进行核心体温计算得到与心电数据对应的目标核心体温,使目标核心体温与活动状态及个人特征信息相关联,从而使目标核心体温的计算充分考虑了个体特征信息、活动状态对心电数据造成的影响,从而提高了计算目标核心体温的准确度。
在一个实施例中,提出了一种可穿戴设备,包括至少一个存储器、至少一个处理器,所述存储器存储有计算机指令程序,所述计算机指令程序被所述处理器执行时,使得所述处理器执行时实现如下方法步骤:
获取所述可穿戴设备检测到的佩戴者的心电数据;
获取所述可穿戴设备的佩戴者的活动状态,所述活动状态包括睡眠状态、常规活动状态、运动状态;
获取所述可穿戴设备的佩戴者的个人特征信息,所述个人特征信息包括:年龄、性别、体重指数信息和/或疾病信息中的一个或多个;
根据所述活动状态、所述个人特征信息、所述心电数据进行核心体温计算,得到与所述心电数据对应的目标核心体温。
本实施例的方法步骤根据活动状态、个人特征信息、心电数据进行核心体温计算得到与心电数据对应的目标核心体温,使目标核心体温与活动状态及个人特征信息相关联,从而使目标核心体温的计算充分考虑了个体特征信息、活动状态对心电数据造成的影响,从而提高了计算目标核心体温的准确度。
需要说明的是,上述一种核心体温的确定方法、一种核心体温的确定方法装置、一种存储介质及一种可穿戴设备属于一个总的发明构思,一种核心体温的确定方法、一种核心体温的确定方法装置、一种存储介质及一种可穿戴设备实施例中的内容可相互适用。
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 (11)
1.一种核心体温的确定方法,应用于可穿戴设备,所述方法包括:
获取所述可穿戴设备检测到的佩戴者的心电数据;
获取所述可穿戴设备的佩戴者的活动状态,所述活动状态包括睡眠状态、常规活动状态、运动状态;
获取所述可穿戴设备的佩戴者的个人特征信息,所述个人特征信息包括:年龄、性别、体重指数信息和/或疾病信息中的一个或多个;
根据所述活动状态、所述个人特征信息、所述心电数据进行核心体温计算,得到与所述心电数据对应的目标核心体温。
2.根据权利要求1所述的核心体温的确定方法,其特征在于,所述根据所述活动状态、所述个人特征信息、所述心电数据进行核心体温计算,得到与所述心电数据对应的目标核心体温,包括:
根据所述活动状态、所述个人特征信息确定目标核心体温计算模型;
根据所述心电数据、所述目标核心体温计算模型进行核心体温计算,得到与所述心电数据对应的目标核心体温。
3.根据权利要求2所述的核心体温的确定方法,其特征在于,所述根据所述活动状态、所述个人特征信息确定目标核心体温计算模型,包括:
当所述活动状态为所述睡眠状态时,将所述个人特征信息输入第一线性回归方程进行计算,得到睡眠核心体温计算模型,将所述睡眠核心体温计算模型作为目标核心体温计算模型;
当所述活动状态为所述常规活动状态时,将所述个人特征信息输入第二线性回归方程计算进行计算,得到常规活动核心体温计算模型,将所述常规活动核心体温计算模型作为目标核心体温计算模型。
4.根据权利要求3所述的核心体温的确定方法,其特征在于,所述方法还包括:
获取多个睡眠核心体温样本,所述睡眠核心体温样本包括睡眠心电样本值、个人特征信息样本值、睡眠核心体温标定值;
将每个所述睡眠核心体温样本中的所述睡眠心电样本值与所述个人特征信息样本值相乘,得到与每个所述睡眠核心体温样本对应的睡眠合并数据;
将与每个所述睡眠核心体温样本对应的睡眠合并数据组成特征向量,得到睡眠个性化特征向量;
将所述多个睡眠核心体温样本的各自对应的睡眠核心体温标定值组成特征向量,得到睡眠核心体温标定特征向量;
根据所述睡眠个性化特征向量、所述睡眠核心体温标定特征向量,确定第一参数特征向量;
根据所述第一参数特征向量,确定所述第一线性回归方程。
5.根据权利要求4所述的核心体温的确定方法,其特征在于,所述根据所述睡眠个性化特征向量、所述睡眠核心体温标定特征向量,确定第一参数特征向量,包括:
所述第一参数特征向量θ的计算公式如下:
θ=(XT·X)-1·XT·y
其中,X是指所述睡眠个性化特征向量,y是指所述睡眠核心体温标定特征向量。
6.根据权利要求3所述的核心体温的确定方法,其特征在于,所述方法还包括:
获取多个常规活动核心体温样本,所述常规活动核心体温样本包括常规活动心电样本值、个人特征信息样本值、常规活动核心体温标定值;
将每个所述常规活动核心体温样本中的所述常规活动心电样本值与所述个人特征信息样本值相乘,得到与每个所述常规活动核心体温样本对应的常规活动合并数据;
将与每个所述常规活动核心体温样本对应的常规活动合并数据组成特征向量,得到常规活动个性化特征向量;
将所述多个常规活动核心体温样本的各自对应的常规活动核心体温标定值组成特征向量,得到常规活动核心体温标定特征向量;
根据所述常规活动个性化特征向量、所述常规活动核心体温标定特征向量,确定第二参数特征向量;
根据所述第二参数特征向量,确定所述第二线性回归方程。
7.根据权利要求6所述的核心体温的确定方法,其特征在于,所述根据所述常规活动个性化特征向量、所述常规活动核心体温标定特征向量,确定第二参数特征向量,包括:
所述第二参数特征向量z的计算公式如下:
z=(MT·M)-1·MT·p
其中,M是指所述睡眠个性化特征向量,p是指所述睡眠核心体温标定特征向量。
8.根据权利要求1至7任一项所述的核心体温的确定方法,其特征在于,所述获取所述可穿戴设备检测到的佩戴者的心电数据,包括:
获取所述可穿戴设备检测到的佩戴者的心电检测信号,所述心电检测信号包括PPG信号检测数据或ECG信号检测数据;
根据所述心电检测信号,确定所述心电数据。
9.一种核心体温的确定方法装置,应用于可穿戴设备,其特征在于,所述装置包括:
心电数据获取模块,用于获取所述可穿戴设备检测到的佩戴者的心电数据;
活动状态获取模块,用于获取所述可穿戴设备的佩戴者的活动状态,所述活动状态包括睡眠状态、常规活动状态、运动状态;
个人特征获取模块,用于获取所述可穿戴设备的佩戴者的个人特征信息,所述个人特征信息包括:年龄、性别、体重指数信息和/或疾病信息中的一个或多个;
目标核心体温确定模块,用于根据所述活动状态、所述个人特征信息、所述心电数据进行核心体温计算,得到与所述心电数据对应的目标核心体温。
10.一种存储介质,存储有计算机指令程序,其特征在于,所述计算机指令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8中任一项所述方法的步骤。
11.一种可穿戴设备,其特征在于,包括至少一个存储器、至少一个处理器,所述存储器存储有计算机指令程序,所述计算机指令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8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010296095.1A CN113576423A (zh) | 2020-04-15 | 2020-04-15 | 一种核心体温的确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010296095.1A CN113576423A (zh) | 2020-04-15 | 2020-04-15 | 一种核心体温的确定方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113576423A true CN113576423A (zh) | 2021-11-02 |
Family
ID=78236832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010296095.1A Pending CN113576423A (zh) | 2020-04-15 | 2020-04-15 | 一种核心体温的确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113576423A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114027792A (zh) * | 2021-11-09 | 2022-02-11 | 重庆火后草科技有限公司 | 基于线性相关系数去干扰的睡眠过程的代谢率检测方法 |
CN114088204A (zh) * | 2021-11-18 | 2022-02-25 | 上海交通大学 | 一种可穿戴核心体温测量方法和设备 |
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 |
WO2023109550A1 (zh) * | 2021-12-15 | 2023-06-22 | 华为技术有限公司 | 体温测量方法及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160039506A (ko) * | 2014-10-01 | 2016-04-11 | 서울대학교산학협력단 | 일상생활 중 심부 체온 일주기 리듬 추정 방법 |
WO2017013051A1 (en) * | 2015-07-23 | 2017-01-26 | Koninklijke Philips N.V. | Head-mountable computing device, method and computer program product |
US20170238811A1 (en) * | 2012-12-20 | 2017-08-24 | U.S. Government As Represented By The Secretary Of The Army | Estimation of Human Core Temperature Based on Heart Rate System and Method |
WO2019108699A1 (en) * | 2017-11-28 | 2019-06-06 | U.S. Government As Represented By The Secretary Of The Army | Individualized heat acclimation tool and method |
US20190192009A1 (en) * | 2016-08-25 | 2019-06-27 | U.S. Goverment as Represented by the Secretary of the Amy | Real-Time Estimation of Human Core Body Tempature Based on Non-Invasive Physiological Measurements. |
-
2020
- 2020-04-15 CN CN202010296095.1A patent/CN113576423A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170238811A1 (en) * | 2012-12-20 | 2017-08-24 | U.S. Government As Represented By The Secretary Of The Army | Estimation of Human Core Temperature Based on Heart Rate System and Method |
KR20160039506A (ko) * | 2014-10-01 | 2016-04-11 | 서울대학교산학협력단 | 일상생활 중 심부 체온 일주기 리듬 추정 방법 |
WO2017013051A1 (en) * | 2015-07-23 | 2017-01-26 | Koninklijke Philips N.V. | Head-mountable computing device, method and computer program product |
US20190192009A1 (en) * | 2016-08-25 | 2019-06-27 | U.S. Goverment as Represented by the Secretary of the Amy | Real-Time Estimation of Human Core Body Tempature Based on Non-Invasive Physiological Measurements. |
WO2019108699A1 (en) * | 2017-11-28 | 2019-06-06 | U.S. Government As Represented By The Secretary Of The Army | Individualized heat acclimation tool and method |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114027792A (zh) * | 2021-11-09 | 2022-02-11 | 重庆火后草科技有限公司 | 基于线性相关系数去干扰的睡眠过程的代谢率检测方法 |
CN114027792B (zh) * | 2021-11-09 | 2024-04-09 | 重庆火后草科技有限公司 | 基于线性相关系数去干扰的睡眠过程的代谢率检测方法 |
CN114088204A (zh) * | 2021-11-18 | 2022-02-25 | 上海交通大学 | 一种可穿戴核心体温测量方法和设备 |
WO2023109550A1 (zh) * | 2021-12-15 | 2023-06-22 | 华为技术有限公司 | 体温测量方法及电子设备 |
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 |
---|---|---|
CN113576423A (zh) | 一种核心体温的确定方法、装置、设备及存储介质 | |
JP6053755B2 (ja) | ストレス測定デバイス及び方法 | |
JP6439729B2 (ja) | 睡眠状態推定装置 | |
CN108185996B (zh) | 动脉血管年龄估算模型构建方法和装置 | |
Porta et al. | Complexity and nonlinearity in short-term heart period variability: comparison of methods based on local nonlinear prediction | |
JP4064426B2 (ja) | 運動消費エネルギー推定装置 | |
KR101009959B1 (ko) | 건강상태 측정장치 및 방법 그리고 그 방법을 수행하기 위한 프로그램이 기록된 기록매체 | |
Caballero et al. | What COP and kinematic parameters better characterize postural control in standing balance tasks? | |
CN109872820B (zh) | 一种无袖带血压测量方法、装置、设备及存储介质 | |
Lee et al. | Deep learning ensemble with asymptotic techniques for oscillometric blood pressure estimation | |
KR100861337B1 (ko) | 혈압 조절기능 측정 장치 및 프로그램이 기록된 기록매체. | |
CN108245148A (zh) | 自适应生物信号特征组合设备及方法 | |
Tallon et al. | Dynamical and stabilometric measures are complementary for the characterization of postural fluctuations in older women | |
KR101870630B1 (ko) | 생체/운동 신호 기반의 에너지 소모량 측정 방법 및 장치 | |
JP3054708B1 (ja) | ストレス計測装置 | |
Choi et al. | Attention-lrcn: long-term recurrent convolutional network for stress detection from photoplethysmography | |
JP6867716B2 (ja) | 睡眠充足度推定装置及び睡眠充足度推定方法 | |
CN113647917B (zh) | 一种核心体温的确定方法、装置、移动终端及存储介质 | |
US20190192074A1 (en) | System and method for determining a subject's stress condition | |
CN115281636A (zh) | 血压数据的处理方法、装置以及电子设备 | |
Anisimov et al. | Non-occlusion monitoring of arterial pressure dynamics from pulsation wave propagation time | |
CN113598721B (zh) | 可穿戴终端及其核心体温监测方法和计算机可读存储介质 | |
Kaewfoongrungsi et al. | Support vector regression-based synthesis of 12-lead ecg system from the standard 5 electrode system using lead v1 | |
JP4694555B2 (ja) | 運動消費エネルギー推定装置 | |
US11779282B2 (en) | Method for determining degree of response to physical activity |
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 |