CN113593702A - 宠物健康预警诊疗系统 - Google Patents
宠物健康预警诊疗系统 Download PDFInfo
- Publication number
- CN113593702A CN113593702A CN202110571030.8A CN202110571030A CN113593702A CN 113593702 A CN113593702 A CN 113593702A CN 202110571030 A CN202110571030 A CN 202110571030A CN 113593702 A CN113593702 A CN 113593702A
- Authority
- CN
- China
- Prior art keywords
- data
- pet
- physiological data
- information
- personalized
- 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
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Probability & Statistics with Applications (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种宠物健康预警诊疗系统,包括:客户端、存储模块、智能芯片、控制中心、检测装置、远程交互装置,所述检测装置包括探头组件和穿戴装置,所述穿戴装置设置有若干生理数据获取单元;所述存储模块存储有若干数据库信息,所述智能芯片包括采集模块、智能识别软件、智能学习单元;所述智能学习单元用于形成宠物个性生理数据区间,并将各宠物个性生理数据区间组合生成个性生理数值组;所述控制中心,是用于发送控制指令,所述控制指令包括实时数据调取指令、监督指令以及查询指令;该系统可以对宠物的生理数值进行实时获取同时监控比对,及时发现早期疾病,并针对宠物实际情况提供更准确的诊断服务。
Description
技术领域
本发明涉及宠物医疗技术领域,尤其是一种宠物健康预警诊疗系 统。
背景技术
在对宠物进行诊断疾病时,主要有二个要点,即诊断的准确性以 及及时性。诊断的准确性,直接影响后续的治疗。目前,主要通过医 生对宠物主人的问诊,以及对宠物的观察进行预判断,再伴随一定的 检查手段,例如采用听诊器以及血压计等等设备,这种检查提供的信 息不全面,医生主要依据当下获取的数据来进行主观判断,不能很好 的对宠物的疾病进行诊断,同时只能做出表面的判断,并且无历史数 据作为支持,容易出现疏忽。并且诊断的及时性也十分重要,能否在 早期发现疾病,也是当前动物医学领域最需要增强的地方。所周知的, 人工智能的识别判断、积累数据、快速学习能力远远超过人类。因此, 通过人工智能AI实现智能诊断和疾病预防,可以预见的通过AI,其 智能化、精准性、全面性会远超普通兽医的诊断水平。并且通过数据 采集,使得AI可以有效的对疾病进行预判,及时进行干预,并提醒 宠物主人,也是人们的AI系统的期待。
发明内容
针对现有技术的不足,本发明提供了一种宠物健康预警诊疗系统, 其可以对宠物的生理数值进行实时获取同时监控比对,及时发现早期 疾病,并针对宠物提供更准确的诊断服务。
为实现上述目的,本发明提供了一种宠物健康预警诊疗系统,包 括包括:客户端、存储模块、智能芯片、控制中心;
所述客户端,是指检测装置以及远程交互装置,所述检测装置以 及远程交互装置与控制中心通讯连接;
所述检测装置包括探头组件和穿戴装置,所述穿戴装置包括宠物 服本体和束缚带,所述穿戴装置上设置有若干生理数据获取单元;
所述存储模块存储有若干数据库信息,所述数据库信息包括动物 信息数据库、服务数据库、疾病征兆数据库、病例数据库、宠物医院 数据库;
所述智能芯片,包括采集模块、智能识别软件、智能学习单元;
所述采集模块,是指从存储模块中获取数据库信息,从客户端获 取用户对应的生理数据;
所述智能识别软件用于采集生理数据中符合疾病征兆状况的生 理数值、与数据库信息中的若干疾病征兆数据逐一比对,识别疾病征 兆;
所述智能学习单元,是指对个性化病例库以及个性化数据进行完 善的运算单元;
所述个性化数据完善指的是在根据单位时间内宠物的生理数值 形成对应的个性生理数据区间,并将各个性生理数据区间组合生成个 性生理数值组,并发送给存储模块存储;
所述个性化病例库指的是,根据宠物的个性生理数值组,匹配与 相同或是相近的其他同类动物的个性生理数值组,优先选取具有相同 或相近个性生理数值组的宠物病例数据进行特异性匹配;
所述控制中心,是用于发送控制指令,所述控制指令包括实时数 据调取指令、监督指令以及查询指令;
所述实时数据调取指令用于调取并显示来自检测装置的实时生 理数据;
所述监督指令用于将宠物实时生理数据以及近期获得的生理数 据发送给智能芯片,命令智能芯片进行病理征兆对比,显示患病风险;
所述查询指令用于显示以往宠物个体生理数据。
这样设置的有益效果是:这样设置,通过该系统,宠物穿戴检测 装置,检测装置上的生理数据获取单元可以实时获取生理数据,并将 这些生理数据与对应的宠物拥有人账户相对应,并存储起来,当然有 些数据也可以采用预先输入的形式,进行设置,例如宠物类型、宠物 出生时间,宠物雌雄信息,宠物的体重以及高度信息,以及往期患病 情况等等信息,同时智能学习单元可以通过获取这些数据,同时将这 些数据与存储模块中的数据库信息进行比对,从而对宠物的状态进行 一个判断,这种判断的形式可以采用以下方式,通过探头组件获取宠 物个体的表征数据,比如是否存在肢体创伤,亦或是运动姿态是否在 有残疾的情况或是神经性疾病,确保宠物医疗数据获取的准确性,通 过生理数据获取单元获取设备穿戴宠物身体上的各类信息,例如从宠 物心肺位置获取呼吸音种类信息以及呼吸动度信息,在关节、口腔或 是肛门位置获得体温信息,或是体温变化的模式,再通过宠物的运动 能力变化,包括宠物肌肉的整体情况,松弛或是紧绷,慢行速度,或 是快跑频率,这些信息需要与日常信息比对,例如通过探头组件可以 判断宠物个体的活跃度状况,例如宠物出现咳嗽的情况时,探头可以 识别到宠物的喷嚏动作,从而初步判断宠物出现一定的疾病状况,进 一步的通过呼吸音的细节状态,例如呼吸音是否较浅,强度状态以及 快慢状态,与相关数据库中的病例进行比对,可以判断是不是因为病 毒引起了感冒导致喷嚏,还是因为天气干燥的原因,并进一步的判断 打喷嚏的原因,例如通过肠胃活动的情况,判断是否是因为肠胃不适 导致的喷嚏行为,若呼吸音没有什么问题,通过体温的监控,判断宠 物的发热状态,是持续性发热、病毒性发热或是间歇性发热,同时结 合心肺状态,判断血氧状态,出现血氧浓度下降,则很可能是肺炎引 起的发热,这种情况下会及时发出警报建议赶紧到宠物医院治疗,同 时也会生成宠物生理数据信息,以供医生参考,加速医生的判断,提高判断的准确性,在就诊吃药进入康复阶段时,该系统仍可以进一步 起到作用,在康复阶段可以根据对应疾病的阈值进行宠物康复情况监 控,在宠物出现病情反复时,及时提醒就诊,同时这些康复阶段的数 据也可以被授权后的医生看到,从而可以远程的协助康复,也可以及 时发现病情恶化或是反复的情况,保证宠物的健康安全,在该过程中 前期系统所收集的信号都属于健康人群,所以信号为正常信号,无异 常数据,因此我们将使用单分类算法来找到正常数据的大致边界范围。 当异常数据出现时,会被归为边界范围外,上述判断可以通过One Class SVM,Isolate Forest,Robust Covariance这类算法实现。在所收集的信号中包括了健康人群,非健康人群,但是异常与正常样本无明 确标记。因此可以使用聚类算法如DBSCAN,GMM,K-means来找 到数据中属于不同分类,随着时间推移,我们可以得到一部分表示, 可以使用Few-Shot Learning的方式来训练分类器,判别异常与正常 信号,进行疾病预判等。这种算法可以利用有限的少量标记数据,和 大量未标记数据来训练出有效的模型来分辨数据内容,同时系统还包 括智能学习单元,由于每种宠物状态的差异,个体宠物生理数据也会 存在偏差,通过智能学习单元,可以根据宠物的实际情况进行更加准 确的数据判断,通过穿戴装备长时间的获取数据,形成一个具有宠物 个体特点的数据库,即用户拥有宠物的详细特征值,如体温的平均值、 变化率;心肺音:时域,频域,时频域特征值,替代原有的普适性生 理数值,同时在宠物患病时,宠物患病数据也会优先的与特征生理数 值相近的动物个体病例进行比对,从而使得诊断更加准确,更加符合 宠物个体的特点,以及身体状态,在异常检测和疾病预判时,在前期, 系统将得到医生的对相关生命体征数据的对应判断:正常,某种疾病 等标志,对于常见疾病类型,我们将得到大量数据标记,因此我们可 以用深度学习的方法来训练分类模型,方法包括BayesianNeuralNetwork(BNN),ConvolutionNeural Network(CNN),RecurrentNeural Network(RNN),GenerativeAdversarialNetworks(GAN)等算法,对于 非常见疾病,系统获取小量的数据标记,因此系统将使用对数据量要 求较小的机器学习方法,方法包括DecisionTree,SupportVector Machine,Logistics Regression等算法,进一步的提高诊断的可靠性, 同时通过学习单元,可以根据宠物的实际情况进行及时的数据调整, 这种学习单元作为优选采用联邦算法-分布式机器学习的形式,在保 证数据隐私安全及合法合规的基础上,实现共同建模,提升AI模型 的使用效果和可靠性,学习单元还可以加快数据模型的训练,减少宠 物个体数据量少带来的模型训练不足的弊端,另一方面在拥有基础模 型后,根据迁移训练原理,只需要少量的宠物个体数据就可以完善宠 物独特模型。作为优选学习单元将在云端或服务器进行长期历史数据 储存和模型训练。模型的训练将基于联邦学习理论,保证数据隐私安 全及合法合规的基础上,实现共同建利群体模型,提升模型的效果。 并且这个训练学习过程是一个循环,宠物医生可以不断的进行标记, 根据之后的宠物数据,模型会需要继续学习和更新。进一步的模型分 为两部分,首先是基准模型,该模型是经用户上传的宠物个体数据形 成群体数据,基准模型从群体数据中学习,然后是根据宠物个人的数据来更新完善形成宠物独立模型并下载至对应宠物个体进行使用,进 一步的可以通过AI进行健康预测:对多维体征信号做预测,根据预 测曲线来进行反馈,同时也可以进行康复预测,主体算法基于 Bayesian为基础的算法,通过高斯过程(GaussianProcess)给予预测,并给予预测值的可靠性区间,通过AI算法进行特征提取,可以 通过自编译器、对抗网络或者神经网络模型进行训练,这种方法可以 有效通过原始信号训练神经网络模型,并且可以使用其中一层的输出 信息作为特征,从而实现数据降维,有效提高整体系统的使用稳定性, 系统通过压缩和解压的神经网络需要通过大量的原始信号训练,通过 一个训练成功的自编译码,重塑信号和原始信号应几乎一致,由此判 定压缩后的信息可以作为特征值来代表原始信号,再利用随机信号生 成假信号,并与真实信号对比。这个算法的优点在于生成器不断进步, 并且让假信号逼近原始信号,而迫使判别器不断进步去判别假信号, 最后生成一个好的判别器,这样判别器中间层生成的信息可以作为特 征,预训练神经网络通过数据库中其他大量相关数据获取,通常可以 很好的捕捉类似相关数据的特征,因此,可以预训练神经网络模型最 后几层所获得的信息可作为特征值,并且这些特征值贴近真实数值, 实现整体系统的预测和模拟。
作为本发明的进一步设置,所述生理数据获取单元设置为心率记 录仪、听诊装置、温度传感器、血压检测装置、血糖值获取装置、汗 液传感器、肠鸣音采集监测装置以及肌肉信号传感器中一种或是多种。
这样设置的有益效果是:通过这些生理数据获取单元可以获取各 项基本的生理数据,相当于对宠物进行一个短周期的体检,对宠物的 血压、心率、肺音、体温、血糖、血压、汗液、肌肉以及体内脏器的 情况进行实时监控获取,这些指标便于设备的获取,同时也可以充分 的反应宠物机体的健康状态,并且这些数据信息的变化与疾病的发生 具有紧密的关系,通过这些数据的结合可以看出患病风险状况,当然 这些获取单元的数量不止一个,作为多选设置为多个并设置在不同的 躯体位置,例如检测心率的记录仪可以设置在心脏周边、腕部、关节 位置、颈动脉位置等等,通过不同区域的生理数据,可以起到校准的 作用的同时,可以更全面的获取动物生理数据,保证数据获取的准确 性以及可靠性,提高系统的使用效果。
作为本发明的进一步设置,所述生理数据获取单元获取的生理数 据包括血压数值、心率数值、肺音信息、体温数值、血糖数值、汗液 信息、肠鸣音信息以及肌肉信息。
这样设置的有益效果是:这些信息便于被检测装置捕捉到,同时 这些数据可以充分的反应宠物机体的健康状态,并且这些数据信息的 变化与疾病的发生具有紧密的关系,通过这些数据的结合可以看出患 病风险状况,有效提高系统使用的可靠性以及疾病判断的准确性。
作为本发明的进一步设置,所述个性化数据完善用于根据实时生 理数据与个性生理数据区间相比较,若实时生理数据落入个性生理数 据区间并没有向个性生理数据区间阈值贴紧的趋势,则减少实时生理 数据获取的频率,若实时生理数据未落入个性生理数据区间或落入个 性生理数据区间却有向个性生理数据区间阈值贴紧的趋势时,增加实 时生理数据获取频率。
这样设置的有益效果是:发现宠物实时生理数据数值波动小,且 没有向阈值逼近的趋势,则减少测量次数,从一天多次进行缩减,再 递减至几天一次,若发现实时生理数据波动大,或者向阈值趋近,从 而调整测量次数,再利用Bayesian优化算法结合高斯模型来进行数 据采集点的优化。Gaussian模型会根据现有数据给予不确定区间值, 利用优化算法找到下一个最佳获取数据点,来帮助提高模型的准确性, 减少不确定区间值。
作为本发明的进一步设置,所述远程交互装置包括智能手机、台 式电脑以及平板电脑。
这样设置的有益效果是:采用多种形式的交互设备,便于宠物拥 有者进行使用,提高整体系统的适配性能,增加软件使用的范围,便 于宠物拥有者外出以及居家使用,也更加方便各个年龄阶段的宠物拥 有者使用,受众更高,也便于系统软件的推广应用,提高系统的使用 效果和受众度。
作为本发明的进一步设置,所述动物信息数据库,存储有宠物的 注册信息、登陆信息、病历信息以及来自检测装置传感器获取的生理 数据信息;所述服务数据库,存储有本系统的各项日常维护工作、系 统各项运行数据;所述疾病征兆数据库,存储有各种疾病征兆症状数 据,包括体温变化区间、心率变化区间、血压变化区间、血糖变化区 间、体液电解质数据变化、胃肠信号变化以及肌肉状态信息等;所述 病例数据库,存储有各种疾病病例数据;所述宠物医院数据库,存储 各实体宠物医院信息,包括医院联系方式、地址、擅长科目;
这样设置的有益效果是:各项数据更加全面可靠,保证整体设备 的顺畅运行,便于数据的及时维护,同时通过数据的区分,各项数据 的存储,便于智能单元进行数据读取,这种构成便捷,提高系统的使 用效果,同时存储各实体医院信息,便于用户及时携带宠物就医问诊, 提高宠物就医的效率,提高用户使用系统的交互体验。
作为本发明的进一步设置,所述疾病征兆症状数据还分类形成有 初期数据、中期数据以及晚期数据。
这样设置的有益效果是:可以对宠物患病情况进行更全面的判断, 辅助宠物医生进行诊疗,提高医疗诊断的准确性,同时诊断更加快捷, 提供更全面的数据参考,进一步的作为优选。
作为本发明的进一步设置,所述控制指令还包括数据获取模式命 令,所述数据获取模式命令包括日常模式、餐前模式、餐后模式以及 休眠模式,用于接收数据获取模式并根据数据获取模式调整数据获取 频次。
这样设置的有益效果是:可以针对不同时间段进行调整,保证数 据获取的多样性,例如在休眠时减少获取频率,在日常状态下,对该 状态进行标注,避免因为宠物活动出现个体心跳加速等情况的出现, 影响数据判断,使得整体数据更加节能可靠,这种模式的选取,也可 以采用AI智能调整的模式,例如根据时间信息,判断所处时段,以 及根据用户生理数据的实时信息,进行判断对应所处状态,例如在午 饭时间段,宠物的血糖明显出现上升,同时胃部具有蠕动信号,AI 可以进行智能判断,处于餐后模式;采取这种方式的判断,可以更好 的获取数据,并进行标注,从而提高数据获取的可靠性,增加比对的 准确性。
附图说明
图1为本发明实施例个性模型建立的原理框图;
图2为本发明实施例探头组件的简易构成图;
图3为本发明实施例中个性模型建立分析图;
图4为本发明实施例在不同差异值下的检测次数分布图;
图5为本发明实施例Gaussian模型根据现有数据给予的不确定 区间值状态图;
图6为本发明实施例利用优化算法获得的后续最佳获取数据点 状态图。
具体实施方式
本发明宠物健康预警诊疗系统的实施例如图1至图3所示:包括: 客户端、存储模块、智能芯片、控制中心;
所述客户端,是指检测装置以及远程交互装置,所述检测装置以 及远程交互装置与控制中心通讯连接;
所述检测装置包括探头组件和穿戴装置,所述穿戴装置包括宠物 服本体和束缚带,所述穿戴装置上设置有若干生理数据获取单元;
所述存储模块存储有若干数据库信息,所述数据库信息包括动物 信息数据库、服务数据库、疾病征兆数据库、病例数据库、宠物医院 数据库;
所述智能芯片,包括采集模块、智能识别软件、智能学习单元;
所述采集模块,是指从存储模块中获取数据库信息,从客户端获 取用户对应的生理数据;
所述智能识别软件用于采集生理数据中符合疾病征兆状况的生 理数值、与数据库信息中的若干疾病征兆数据逐一比对,识别疾病征 兆;
所述智能学习单元,是指对个性化病例库以及个性化数据进行完 善的运算单元;
所述个性化数据完善指的是在根据单位时间内宠物的生理数值 形成对应的个性生理数据区间,并将各个性生理数据区间组合生成个 性生理数值组,并发送给存储模块存储;
所述个性化病例库指的是,根据宠物的个性生理数值组,匹配与 相同或是相近的其他同类动物的个性生理数值组,优先选取具有相同 或相近个性生理数值组的宠物病例数据进行特异性匹配;
所述控制中心,是用于发送控制指令,所述控制指令包括实时数 据调取指令、监督指令以及查询指令;
所述实时数据调取指令用于调取并显示来自检测装置的实时生 理数据;
所述监督指令用于将宠物实时生理数据以及近期获得的生理数 据发送给智能芯片,命令智能芯片进行病理征兆对比,显示患病风险;
所述查询指令用于显示以往宠物个体生理数据。
这样设置的有益效果是:这样设置,通过该系统,宠物穿戴检测 装置,检测装置上的生理数据获取单元可以实时获取生理数据,并将 这些生理数据与对应的宠物拥有人账户相对应,并存储起来,当然有 些数据也可以采用预先输入的形式,进行设置,例如宠物类型、宠物 出生时间,宠物雌雄信息,宠物的体重以及高度信息,以及往期患病 情况等等信息,同时智能学习单元可以通过获取这些数据,同时将这 些数据与存储模块中的数据库信息进行比对,从而对宠物的状态进行 一个判断,这种判断的形式可以采用以下方式,通过探头组件获取宠 物个体的表征数据,比如是否存在肢体创伤,亦或是运动姿态是否在 有残疾的情况或是神经性疾病,确保宠物医疗数据获取的准确性,通 过生理数据获取单元获取设备穿戴宠物身体上的各类信息,例如从宠 物心肺位置获取呼吸音种类信息以及呼吸动度信息,在关节、口腔或 是肛门位置获得体温信息,或是体温变化的模式,再通过宠物的运动 能力变化,包括宠物肌肉的整体情况,松弛或是紧绷,慢行速度,或 是快跑频率,这些信息需要与日常信息比对,例如通过探头组件可以 判断宠物个体的活跃度状况,例如宠物出现咳嗽的情况时,探头可以 识别到宠物的喷嚏动作,从而初步判断宠物出现一定的疾病状况,进 一步的通过呼吸音的细节状态,例如呼吸音是否较浅,强度状态以及 快慢状态,与相关数据库中的病例进行比对,可以判断是不是因为病 毒引起了感冒导致喷嚏,还是因为天气干燥的原因,并进一步的判断 打喷嚏的原因,例如通过肠胃活动的情况,判断是否是因为肠胃不适 导致的喷嚏行为,若呼吸音没有什么问题,通过体温的监控,判断宠 物的发热状态,是持续性发热、病毒性发热或是间歇性发热,同时结 合心肺状态,判断血氧状态,出现血氧浓度下降,则很可能是肺炎引 起的发热,这种情况下会及时发出警报建议赶紧到宠物医院治疗,同 时也会生成宠物生理数据信息,以供医生参考,加速医生的判断,提高判断的准确性,在就诊吃药进入康复阶段时,该系统仍可以进一步 起到作用,在康复阶段可以根据对应疾病的阈值进行宠物康复情况监 控,在宠物出现病情反复时,及时提醒就诊,同时这些康复阶段的数 据也可以被授权后的医生看到,从而可以远程的协助康复,也可以及 时发现病情恶化或是反复的情况,保证宠物的健康安全,在该过程中 前期系统所收集的信号都属于健康人群,所以信号为正常信号,无异 常数据,因此我们将使用单分类算法来找到正常数据的大致边界范围。 当异常数据出现时,会被归为边界范围外,上述判断可以通过One Class SVM,Isolate Forest,Robust Covariance这类算法实现。在所收集的信号中包括了健康人群,非健康人群,但是异常与正常样本无明 确标记。因此可以使用聚类算法如DBSCAN,GMM,K-means来找 到数据中属于不同分类,随着时间推移,我们可以得到一部分表示, 可以使用Few-Shot Learning的方式来训练分类器,判别异常与正常 信号,进行疾病预判等。这种算法可以利用有限的少量标记数据,和 大量未标记数据来训练出有效的模型来分辨数据内容,同时系统还包 括智能学习单元,由于每种宠物状态的差异,个体宠物生理数据也会 存在偏差,通过智能学习单元,可以根据宠物的实际情况进行更加准 确的数据判断,通过穿戴装备长时间的获取数据,形成一个具有宠物 个体特点的数据库,即用户拥有宠物的详细特征值,如体温的平均值、 变化率;心肺音:时域,频域,时频域特征值,替代原有的普适性生 理数值,同时在宠物患病时,宠物患病数据也会优先的与特征生理数 值相近的动物个体病例进行比对,从而使得诊断更加准确,更加符合 宠物个体的特点,以及身体状态,在异常检测和疾病预判时,在前期, 系统将得到医生的对相关生命体征数据的对应判断:正常,某种疾病 等标志,对于常见疾病类型,我们将得到大量数据标记,因此我们可 以用深度学习的方法来训练分类模型,方法包括BayesianNeuralNetwork(BNN),ConvolutionNeural Network(CNN),RecurrentNeural Network(RNN),GenerativeAdversarialNetworks(GAN)等算法,对于 非常见疾病,系统获取小量的数据标记,因此系统将使用对数据量要 求较小的机器学习方法,方法包括DecisionTree,SupportVector Machine,Logistics Regression等算法,进一步的提高诊断的可靠性, 同时通过学习单元,可以根据宠物的实际情况进行及时的数据调整, 这种学习单元作为优选采用联邦算法-分布式机器学习的形式,在保 证数据隐私安全及合法合规的基础上,实现共同建模,提升AI模型 的使用效果和可靠性,学习单元还可以加快数据模型的训练,减少宠 物个体数据量少带来的模型训练不足的弊端,另一方面在拥有基础模 型后,根据迁移训练原理,只需要少量的宠物个体数据就可以完善宠 物独特模型。作为优选学习单元将在云端或服务器进行长期历史数据 储存和模型训练。模型的训练将基于联邦学习理论,保证数据隐私安 全及合法合规的基础上,实现共同建利群体模型,提升模型的效果。 并且这个训练学习过程是一个循环,宠物医生可以不断的进行标记, 根据之后的宠物数据,模型会需要继续学习和更新。进一步的模型分 为两部分,首先是基准模型,该模型是经用户上传的宠物个体数据形 成群体数据,基准模型从群体数据中学习,然后是根据宠物个人的数据来更新完善形成宠物独立模型并下载至对应宠物个体进行使用,进 一步的可以通过AI进行健康预测:对多维体征信号做预测,根据预 测曲线来进行反馈,同时也可以进行康复预测,主体算法基于 Bayesian为基础的算法,通过高斯过程(GaussianProcess)给予预测,并给予预测值的可靠性区间,通过AI算法进行特征提取,可以 通过自编译器、对抗网络或者神经网络模型进行训练,这种方法可以 有效通过原始信号训练神经网络模型,并且可以使用其中一层的输出 信息作为特征,从而实现数据降维,有效提高整体系统的使用稳定性, 系统通过压缩和解压的神经网络需要通过大量的原始信号训练,通过 一个训练成功的自编译码,重塑信号和原始信号应几乎一致,由此判 定压缩后的信息可以作为特征值来代表原始信号,再利用随机信号生 成假信号,并与真实信号对比。这个算法的优点在于生成器不断进步, 并且让假信号逼近原始信号,而迫使判别器不断进步去判别假信号, 最后生成一个好的判别器,这样判别器中间层生成的信息可以作为特 征,预训练神经网络通过数据库中其他大量相关数据获取,通常可以 很好的捕捉类似相关数据的特征,因此,可以预训练神经网络模型最 后几层所获得的信息可作为特征值,并且这些特征值贴近真实数值, 实现整体系统的预测和模拟。
作为本实施方式的进一步设置,所述生理数据获取单元设置为心 率记录仪、听诊装置、温度传感器、血压检测装置、血糖值获取装置、 汗液传感器、肠鸣音采集监测装置以及肌肉信号传感器中一种或是多 种。
这样设置的有益效果是:通过这些生理数据获取单元可以获取各 项基本的生理数据,相当于对宠物进行一个短周期的体检,对宠物的 血压、心率、肺音、体温、血糖、血压、汗液、肌肉以及体内脏器的 情况进行实时监控获取,这些指标便于设备的获取,同时也可以充分 的反应宠物机体的健康状态,并且这些数据信息的变化与疾病的发生 具有紧密的关系,通过这些数据的结合可以看出患病风险状况,当然 这些获取单元的数量不止一个,作为多选设置为多个并设置在不同的 躯体位置,例如检测心率的记录仪可以设置在心脏周边、腕部、关节 位置、颈动脉位置等等,通过不同区域的生理数据,可以起到校准的 作用的同时,可以更全面的获取动物生理数据,保证数据获取的准确 性以及可靠性,提高系统的使用效果。
作为本实施方式的进一步设置,所述生理数据获取单元获取的生 理数据包括血压数值、心率数值、肺音信息、体温数值、血糖数值、 汗液信息、肠鸣音信息以及肌肉信息。
这样设置的有益效果是:这些信息便于被检测装置捕捉到,同时 这些数据可以充分的反应宠物机体的健康状态,并且这些数据信息的 变化与疾病的发生具有紧密的关系,通过这些数据的结合可以看出患 病风险状况,有效提高系统使用的可靠性以及疾病判断的准确性。
作为本实施方式的进一步设置,所述个性化数据完善用于根据实 时生理数据与个性生理数据区间相比较,若实时生理数据落入个性生 理数据区间并没有向个性生理数据区间阈值贴紧的趋势,则减少实时 生理数据获取的频率,若实时生理数据未落入个性生理数据区间或落 入个性生理数据区间却有向个性生理数据区间阈值贴紧的趋势时,增 加实时生理数据获取频率。
这样设置的有益效果是:发现宠物实时生理数据数值波动小,且 没有向阈值逼近的趋势,则减少测量次数,从一天多次进行缩减,再 递减至几天一次,若发现实时生理数据波动大,或者向阈值趋近,从 而调整测量次数,再利用Bayesian优化算法结合高斯模型来进行数 据采集点的优化。Gaussian模型会根据现有数据给予不确定区间值, 利用优化算法找到下一个最佳获取数据点,来帮助提高模型的准确性, 减少不确定区间值。
作为本实施方式的进一步设置,所述远程交互装置包括智能手机、 台式电脑以及平板电脑。
这样设置的有益效果是:采用多种形式的交互设备,便于宠物拥 有者进行使用,提高整体系统的适配性能,增加软件使用的范围,便 于宠物拥有者外出以及居家使用,也更加方便各个年龄阶段的宠物拥 有者使用,受众更高,也便于系统软件的推广应用,提高系统的使用 效果和受众度。
作为本实施方式的进一步设置,所述动物信息数据库,存储有宠 物的注册信息、登陆信息、病历信息以及来自检测装置传感器获取的 生理数据信息;所述服务数据库,存储有本系统的各项日常维护工作、 系统各项运行数据;所述疾病征兆数据库,存储有各种疾病征兆症状 数据,包括体温变化区间、心率变化区间、血压变化区间、血糖变化 区间、体液电解质数据变化、胃肠信号变化以及肌肉状态信息等;所 述病例数据库,存储有各种疾病病例数据;所述宠物医院数据库,存 储各实体宠物医院信息,包括医院联系方式、地址、擅长科目;
这样设置的有益效果是:各项数据更加全面可靠,保证整体设备 的顺畅运行,便于数据的及时维护,同时通过数据的区分,各项数据 的存储,便于智能单元进行数据读取,这种构成便捷,提高系统的使 用效果,同时存储各实体医院信息,便于用户及时携带宠物就医问诊, 提高宠物就医的效率,提高用户使用系统的交互体验。
作为本实施方式的进一步设置,所述疾病征兆症状数据还分类形 成有初期数据、中期数据以及晚期数据。
这样设置的有益效果是:可以对宠物患病情况进行更全面的判断, 辅助宠物医生进行诊疗,提高医疗诊断的准确性,同时诊断更加快捷, 提供更全面的数据参考,进一步的作为优选。
作为本实施方式的进一步设置,所述控制指令还包括数据获取模 式命令,所述数据获取模式命令包括日常模式、餐前模式、餐后模式 以及休眠模式,用于接收数据获取模式并根据数据获取模式调整数据 获取频次。
这样设置的有益效果是:可以针对不同时间段进行调整,保证数 据获取的多样性,例如在休眠时减少获取频率,在日常状态下,对该 状态进行标注,避免因为宠物活动出现个体心跳加速等情况的出现, 影响数据判断,使得整体数据更加节能可靠,这种模式的选取,也可 以采用AI智能调整的模式,例如根据时间信息,判断所处时段,以 及根据用户生理数据的实时信息,进行判断对应所处状态,例如在午 饭时间段,宠物的血糖明显出现上升,同时胃部具有蠕动信号,AI 可以进行智能判断,处于餐后模式;采取这种方式的判断,可以更好 的获取数据,并进行标注,从而提高数据获取的可靠性,增加比对的 准确性。
以上实例,只是本发明优选地具体实例的一种,本领域技术人员在本发明技术方案范围内进行的通常变化和替换都包含在本发明的保护范围内。
Claims (8)
1.一种宠物健康预警诊疗系统,其特征在于,包括:客户端、存储模块、智能芯片、控制中心;
所述客户端,是指检测装置以及远程交互装置,所述检测装置以及远程交互装置与控制中心通讯连接;
所述检测装置包括探头组件和穿戴装置,所述穿戴装置包括宠物服本体和束缚带,所述穿戴装置上设置有若干生理数据获取单元;
所述存储模块存储有若干数据库信息,所述数据库信息包括动物信息数据库、服务数据库、疾病征兆数据库、病例数据库、宠物医院数据库;
所述智能芯片,包括采集模块、智能识别软件、智能学习单元;
所述采集模块,是指从存储模块中获取数据库信息,从客户端获取用户对应的生理数据;
所述智能识别软件用于采集生理数据中符合疾病征兆状况的生理数值、与数据库信息中的若干疾病征兆数据逐一比对,识别疾病征兆;
所述智能学习单元,是指对个性化病例库以及个性化数据进行完善的运算单元;
所述个性化数据完善指的是在根据单位时间内宠物的生理数值形成对应的个性生理数据区间,并将各个性生理数据区间组合生成个性生理数值组,并发送给存储模块存储;
所述个性化病例库指的是,根据宠物的个性生理数值组,匹配与相同或是相近的其他同类动物的个性生理数值组,优先选取具有相同或相近个性生理数值组的宠物病例数据进行特异性匹配;
所述控制中心,是用于发送控制指令,所述控制指令包括实时数据调取指令、监督指令以及查询指令;
所述实时数据调取指令用于调取并显示来自检测装置的实时生理数据;
所述监督指令用于将宠物实时生理数据以及近期获得的生理数据发送给智能芯片,命令智能芯片进行病理征兆对比,显示患病风险;
所述查询指令用于显示以往宠物个体生理数据。
2.根据权利要求1所述的宠物健康预警诊疗系统,其特征在于:所述生理数据获取单元设置为心率记录仪、听诊装置、温度传感器、血压检测装置、血糖值获取装置、汗液传感器、肠鸣音采集监测装置以及肌肉信号传感器中一种或是多种。
3.根据权利要求1所述的宠物健康预警诊疗系统,其特征在于:所述生理数据获取单元获取的生理数据包括血压数值、心率数值、肺音信息、体温数值、血糖数值、汗液信息、肠鸣音信息以及肌肉信息。
4.根据权利要求3所述的宠物健康预警诊疗系统,其特征在于:所述个性化数据完善用于根据实时生理数据与个性生理数据区间相比较,若实时生理数据落入个性生理数据区间并没有向个性生理数据区间阈值贴紧的趋势,则减少实时生理数据获取的频率,若实时生理数据未落入个性生理数据区间或落入个性生理数据区间却有向个性生理数据区间阈值贴紧的趋势时,增加实时生理数据获取频率。
5.根据权利要求1所述的宠物健康预警诊疗系统,其特征在于:所述远程交互装置包括智能手机、台式电脑以及平板电脑。
6.根据权利要求1所述的宠物健康预警诊疗系统,其特征在于:所述动物信息数据库,存储有宠物的注册信息、登陆信息、病历信息以及来自检测装置传感器获取的生理数据信息;所述服务数据库,存储有本系统的各项日常维护工作、系统各项运行数据;所述疾病征兆数据库,存储有各种疾病征兆症状数据,包括体温变化区间、心率变化区间、血压变化区间、血糖变化区间、体液电解质数据变化、胃肠信号变化以及肌肉状态信息等;所述病例数据库,存储有各种疾病病例数据;所述宠物医院数据库,存储各实体宠物医院信息,包括医院联系方式、地址、擅长科目。
7.根据权利要求5所述的宠物健康预警诊疗系统,其特征在于:所述疾病征兆症状数据还分类形成有初期数据、中期数据以及晚期数据。
8.根据权利要求1所述的宠物健康预警诊疗系统,其特征在于:所述控制指令还包括数据获取模式命令,所述数据获取模式命令包括日常模式、餐前模式、餐后模式以及休眠模式,用于接收数据获取模式并根据数据获取模式调整数据获取频次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110571030.8A CN113593702A (zh) | 2021-05-25 | 2021-05-25 | 宠物健康预警诊疗系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110571030.8A CN113593702A (zh) | 2021-05-25 | 2021-05-25 | 宠物健康预警诊疗系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113593702A true CN113593702A (zh) | 2021-11-02 |
Family
ID=78243366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110571030.8A Pending CN113593702A (zh) | 2021-05-25 | 2021-05-25 | 宠物健康预警诊疗系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113593702A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116313094A (zh) * | 2023-03-21 | 2023-06-23 | 江苏二郎神塑业有限公司 | 一种远程宠物治疗检测系统及方法 |
-
2021
- 2021-05-25 CN CN202110571030.8A patent/CN113593702A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116313094A (zh) * | 2023-03-21 | 2023-06-23 | 江苏二郎神塑业有限公司 | 一种远程宠物治疗检测系统及方法 |
CN116313094B (zh) * | 2023-03-21 | 2023-11-07 | 江苏二郎神塑业有限公司 | 一种远程宠物治疗检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10441184B2 (en) | Electrocardiogram device and methods | |
ES2659945T3 (es) | Monitorización basada en residuos de la salud humana | |
CN106446533B (zh) | 一种人体健康数据处理系统及其方法 | |
CN110584601B (zh) | 一种老人认知功能监测和评估系统 | |
WO2020010668A1 (zh) | 基于睡眠大数据的人体健康评估方法及评估系统 | |
CN109065162A (zh) | 一种综合性智能化诊断系统 | |
Mohammadi et al. | Transfer learning for clinical sleep pose detection using a single 2D IR camera | |
Zeng et al. | Automated determination of wakefulness and sleep in rats based on non-invasively acquired measures of movement and respiratory activity | |
US20200205709A1 (en) | Mental state indicator | |
US20220346676A1 (en) | Electrocardiogram-based blood glucose level monitoring | |
US20240038383A1 (en) | Health Monitoring System | |
CN113593693A (zh) | 远程健康管理平台 | |
Shi et al. | Convolutional neural network for freezing of gait detection leveraging the continuous wavelet transform on lower extremities wearable sensors data | |
Al-Hajjar et al. | An overview of machine learning methods in enabling IoMT-based epileptic seizure detection | |
Davoodnia et al. | Deep multitask learning for pervasive BMI estimation and identity recognition in smart beds | |
Zhang et al. | A framework for remote interaction and management of home care elderly adults | |
Shi et al. | Artificial neural networks: current applications in modern medicine | |
Gan et al. | Human-computer interaction based interface design of intelligent health detection using PCANet and multi-sensor information fusion | |
CN113593702A (zh) | 宠物健康预警诊疗系统 | |
CN109036552A (zh) | 中医诊断终端及其存储介质 | |
Mohanty et al. | Livestock health monitoring using a smart IoT-enabled neural network recognition system | |
CN109147945A (zh) | 中医诊断系统及手环 | |
Narasimhan et al. | Early Detection of Mild Cognitive Impairment Progression Using Non-Wearable Sensor Data–a Deep Learning Approach | |
Kaviya et al. | INTELLIGENT WEARABLE DEVICE FOR EARLY DETECTION OF MYOCARDIAL INFARCTION USING IoT | |
Kurebayashi et al. | Mental-state estimation model with time-series environmental data regarding cognitive function |
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 |