CN113662578B - 一种基于残差网络的人体排便预测系统 - Google Patents

一种基于残差网络的人体排便预测系统 Download PDF

Info

Publication number
CN113662578B
CN113662578B CN202111222500.6A CN202111222500A CN113662578B CN 113662578 B CN113662578 B CN 113662578B CN 202111222500 A CN202111222500 A CN 202111222500A CN 113662578 B CN113662578 B CN 113662578B
Authority
CN
China
Prior art keywords
data
wavelet packet
human
defecation
physiological
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111222500.6A
Other languages
English (en)
Other versions
CN113662578A (zh
Inventor
张铁
杨远航
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202111222500.6A priority Critical patent/CN113662578B/zh
Publication of CN113662578A publication Critical patent/CN113662578A/zh
Application granted granted Critical
Publication of CN113662578B publication Critical patent/CN113662578B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/02—Stethoscopes
    • A61B7/04—Electric stethoscopes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/251—Means for maintaining electrode contact with the body
    • A61B5/257—Means for maintaining electrode contact with the body using adhesive means, e.g. adhesive pads or tapes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • 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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Theoretical Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Acoustics & Sound (AREA)
  • Cardiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种基于残差网络的人体排便预测系统。所述系统包括数据采集模块、信号处理模块和便前预警模块；数据采集模块获取人体生理信号数据进行标记和分割处理，随机分为训练集和测试集并输入信号处理模块；数据采集模块实时接收人体生理信号数据并分割后输入便前预警模块；信号处理模块进行小波包分解获取对应的二维小波包系数矩阵，搭建预测模型并进行训练，将训练完成的预测模型输入便前预警模块；便前预警模块移植训练完成的预测模型和小波包分解算法，实时接收数据采集模块输入的人体生理信号数据对人体是否产生便意进行实时预测。本发明便于进行及时有效的护理工作，且不会对人体有任何生理造成创伤。

Description

一种基于残差网络的人体排便预测系统
技术领域
本发明涉及机器学习领域，具体涉及一种基于残差网络的人体排便预测系统。
背景技术
随着科技的发展，智能开始广泛应用于生物医疗领域。基于大量数据的人工智能算法为医疗服务带来了前所未有的技术变革和新的医疗服务模式转变。
近年来，我国人口老龄化越发严重，改善老年人生活质量，尤其是提高生活不能自理的卧床老人的监护水平成为社会的当务之急。目前，影响长期卧床的失能老人的一个主要问题是排便无法得到及时有效的处理，这不仅危害病人的生理健康，还会对心理造成伤害。
研究表明，心率与大便的相关度为65%-70%，肠鸣音和胃电信号可以反映人体肠道蠕动的状态，而肠道蠕动时的大幅推进型收缩波可以作为便意是否产生的判断标准之一。
《仪器仪表学报》2015年第5期1079-1085的《反馈式人工肛门括约肌生物力学相容性研究》提出了一种基于优化小波包算法和SVM分类器的便意预测系统。但该方法需要病人吞食一种特制的遥测胶囊来获取肠道压力数据，遥测胶囊被吞食后作为体外异物位于人体肠道内部，可能会对正常的肠道运动造成不良影响，而一旦遥测胶囊随粪便排出体外，则该便意预测系统无法继续进行便意预测，具有较大的局限性。
发明内容
鉴于上述现状和技术条件的不足，本发明的目的是提供一种基于残差网络的人体排便预测系统，该系统利用人工智能进行信息处理，通过采集肠鸣音、胃电和心电信号，预测人的排便行为。该系统可应用于长期卧床的失能老人，对其排便行为做出预测以便监护人员提前应对，解决大便处理不及时导致的卫生问题。
本发明的目的至少通过如下技术方案之一实现。
一种基于残差网络的人体排便预测系统，包括数据采集模块、信号处理模块和便前预警模块；
数据采集模块获取人体生理信号数据进行标记和分割处理，将处理后的数据随机分为训练集和测试集并输入信号处理模块；数据采集模块实时接收人体生理信号数据并分割后输入便前预警模块；
信号处理模块对训练集和测试集的数据分别进行小波包分解获取对应的二维小波包系数矩阵，搭建预测模型并使用训练集的二维小波包系数矩阵对预测模型进行训练，将训练完成的预测模型输入便前预警模块；
便前预警模块移植训练完成预测模型和小波包分解算法，实时接收数据采集模块输入的人体生理信号数据对人体是否产生便意进行实时预测。
进一步地，数据采集模块包括连接麦克风的听诊器、胃电传感器和心电传感器，分别用于采集人体肠鸣音、胃电和心电生理数据。
进一步地，数据采集模块中，对获取的人体生理信号数据进行标记和分割处理，具体包括：
对大便前设定时间的人体生理信号数据标记为有便意，其他人体生理信号数据标记为无便意；
获取的肠鸣音、胃电和心电时序生理数据按设定的时间段平均分割成多个训练样本。
进一步地，数据采集模块中，将处理后的人体生理信号数据按设定的比例随机分为训练集和测试集。
进一步地，信号处理模块包括存储器、处理器以及蓝牙。
进一步地，信号处理模块中，选择2阶Daubechies小波基，对训练集和测试集的数据进行多层离散小波包分解，小波包分解算法如下：
令
Figure DEST_PATH_IMAGE001
是一个依紧支撑的尺度函数
Figure DEST_PATH_IMAGE002
的多分辨率分析，则空间
Figure DEST_PATH_IMAGE003
由函数 集
Figure DEST_PATH_IMAGE004
张成，
Figure DEST_PATH_IMAGE005
为平移参数，通过移位控制小波在时域中的出现位 置，
Figure DEST_PATH_IMAGE006
代表空间
Figure 852165DEST_PATH_IMAGE003
的最高分辨率，
Figure 867481DEST_PATH_IMAGE006
越大分辨率越高。
设
Figure DEST_PATH_IMAGE007
为已获取的人体生理时序信号，在空间
Figure 306290DEST_PATH_IMAGE003
中有其逼近，则有
Figure DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
小波包分解公式为：
Figure DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE011
Z是整数集，
Figure DEST_PATH_IMAGE012
是中间计算的代替符号，
Figure DEST_PATH_IMAGE013
表示时间，
Figure DEST_PATH_IMAGE014
为尺度函数
Figure DEST_PATH_IMAGE015
的积 分值，
Figure DEST_PATH_IMAGE016
为人体生理时序信号
Figure 22486DEST_PATH_IMAGE007
分解在空间
Figure 904860DEST_PATH_IMAGE003
的第
Figure DEST_PATH_IMAGE017
组按时间先后顺序排列的第
Figure 582704DEST_PATH_IMAGE005
个小波包系数，
Figure DEST_PATH_IMAGE018
为人体生理时序信号
Figure 294045DEST_PATH_IMAGE007
分解在空间
Figure DEST_PATH_IMAGE019
的第
Figure DEST_PATH_IMAGE020
组按时间先 后顺序排列的第
Figure DEST_PATH_IMAGE021
个小波包系数，
Figure DEST_PATH_IMAGE022
为人体生理时序信号
Figure 274202DEST_PATH_IMAGE007
分解在空间
Figure 61898DEST_PATH_IMAGE019
的第
Figure DEST_PATH_IMAGE023
组按时间先后顺序排列的第
Figure 492617DEST_PATH_IMAGE021
个小波包系数；
每个训练样本分解后得到一组小波包系数，然后将小波包系数组成一个二维小波包系数矩阵，其中，小波包系数按频率从高到低排列，得到二维小波包系数矩阵，矩阵首行为最高频系数，末行为最低频系数。
进一步地，信号处理模块中，搭建的预测模型具体如下：
使用机器学习库构建三个具有相同结构的单输出残差网络模型，然后将三个残差网络的输出输入到一个三输入单输出的二分类全连接神经网络中，将数据采集模块输入的肠鸣音、胃电和心电时序生理数据对应的二维小波包系数矩阵分别作为三个单输出残差网络模型的输入，最后的二分类全连接神经网络输出结果表示是否有便意。
进一步地，信号处理模块中，将训练集的二维小波包系数矩阵和相应的标签数据，输入到搭建的预测模型中进行训练，然后通过测试集来选择预测效果最佳的预测模型。
进一步地，便前预警模块中，将训练好的预测模型转为 ONNX 的通用深度学习模型，然后把小波包分解算法和ONNX模型输入到便前预警模块的开发软件中进行解析。
进一步地，便前预警模块为基于深度学习开发的嵌入式计算平台。
与现有技术相比，本发明具有以下有益效果：
本发明提供一种基于残差网络的人体排便预测系统，该系统通过体外收集人体生理数据对排便进行预警，不会对使用者造成创伤。医疗人员可以通过查看存储的肠鸣音、胃电、心电和排便数据，诊断病人的健康状态。医护人员可通过排便预警装置提前得知病人的排便情况，可以及时进行有效护理工作，减少病人便后污物清理工作，同时也有利于病人的生理和心理健康。
附图说明
图1为本发明实施例中一种基于残差网络的人体排便预测系统流程图。
图 2为本发明实施例中残差神经网络模型示意图。
具体实施方式
下面结合附图对本发明实施方式进行清晰、详细的描述，但此处说明仅仅解释本申请，本发明的实施方式不限于此。
实施例：
一种基于残差网络的人体排便预测系统，如图1所示，包括数据采集模块、信号处理模块和便前预警模块；
本实施例中，数据采集模块包括连接麦克风的听诊器、Biosignals系列胃电传感器和Biosignals系列心电传感器，听诊器的听诊头紧贴人体左下腹部，胃电传感器贴在上腹部，心电传感器贴在左胸口上，分别按4000hz采集人体肠鸣音、胃电和心电生理数据。
数据采集模块获取人体生理信号数据进行标记和分割处理，具体包括：
本实施例中，对大便前10分钟的人体生理信号数据标记为有便意，其他人体生理信号数据标记为无便意；
获取的肠鸣音、胃电和心电时序生理数据按20秒平均分割成多个训练样本；本实施例中，将处理后的数据按7：3的比例随机分为训练集和测试集并输入信号处理模块；
数据采集模块实时接收人体生理信号数据并分割后输入便前预警模块；
信号处理模块包括存储器、处理器以及蓝牙。
信号处理模块对训练集和测试集的数据分别进行小波包分解获取对应的二维小波包系数矩阵，本实施例中，选择2阶Daubechies小波基，对训练集和测试集的数据进行8层离散小波包分解，小波包分解算法如下：
令
Figure 23961DEST_PATH_IMAGE001
是一个依紧支撑的尺度函数
Figure 505627DEST_PATH_IMAGE002
的多分辨率分析，则空间
Figure 538260DEST_PATH_IMAGE003
由函数 集
Figure 269325DEST_PATH_IMAGE004
张成，
Figure 869939DEST_PATH_IMAGE005
为平移参数，通过移位控制小波在时 域中的出现位置，
Figure 674953DEST_PATH_IMAGE006
代表空间
Figure 335611DEST_PATH_IMAGE003
的最高分辨率，
Figure 491654DEST_PATH_IMAGE006
越大分辨率越高。
设
Figure 630380DEST_PATH_IMAGE007
为已获取的人体生理时序信号，在空间
Figure 821059DEST_PATH_IMAGE003
中有其逼近，则有
Figure 788970DEST_PATH_IMAGE008
其中，
Figure 697889DEST_PATH_IMAGE009
小波包分解公式为：
Figure 640306DEST_PATH_IMAGE010
其中，
Figure 154333DEST_PATH_IMAGE011
Figure 156793DEST_PATH_IMAGE013
表示时间，
Figure 21850DEST_PATH_IMAGE014
为尺度函数
Figure 767958DEST_PATH_IMAGE015
的积分值，
Figure 667650DEST_PATH_IMAGE016
为人体生理时序信号
Figure 309852DEST_PATH_IMAGE007
分解 在空间
Figure 470662DEST_PATH_IMAGE003
的第
Figure 754881DEST_PATH_IMAGE017
组按时间先后顺序排列的第
Figure 305817DEST_PATH_IMAGE005
个小波包系数，
Figure 118921DEST_PATH_IMAGE018
为人体生理时序信号
Figure 224150DEST_PATH_IMAGE007
分解在空间
Figure 46481DEST_PATH_IMAGE019
的第
Figure 655186DEST_PATH_IMAGE020
组按时间先后顺序排列的第
Figure 170349DEST_PATH_IMAGE021
个小波包系数，
Figure 497294DEST_PATH_IMAGE022
为人 体生理时序信号
Figure 666194DEST_PATH_IMAGE007
分解在空间
Figure 394984DEST_PATH_IMAGE019
的第
Figure 346629DEST_PATH_IMAGE023
组按时间先后顺序排列的第
Figure 160870DEST_PATH_IMAGE021
个小波包系 数；
每个训练样本分解后得到一组小波包系数，然后将小波包系数组成一个二维小波包系数矩阵，本实施例中，小波包系数按频率从高到低排列，得到256*313二维小波包系数矩阵，矩阵首行为最高频系数，末行为最低频系数。
搭建预测模型，如图2所示，具体如下：
本实施例中，使用Pytorch机器学习库构建三个具有相同结构的单输出Resnet18残差网络模型，然后将三个Resnet18残差网络的输出输入到一个三输入单输出的二分类全连接神经网络中，将数据采集模块输入的肠鸣音、胃电和心电时序生理数据对应的二维小波包系数矩阵分别作为三个单输出残差网络模型的输入，最后二分类全连接神经网络输出1表示有便意，输出0表示无便意；将训练集的二维小波包系数矩阵和相应的标签数据，输入到搭建的预测模型中进行训练，然后通过测试集来选择预测效果最佳的预测模型，将训练完成的预测模型输入便前预警模块。
本实施例中，便前预警模块为基于深度学习开发的嵌入式计算平台Jetson TX2。Jetson TX2嵌入式开发平台上预安装了 Ubuntu16.04 操作系统，并提供了JetPack L4T开发工具套件，可很方便地对Jetson TX2嵌入式平台进行开发。Jetpack包含深度学习、计算机视觉、GPU计算和多媒体应用等多个应用方向的功能。
将训练好的预测模型转为 ONNX 的通用深度学习模型，然后把小波包分解算法和ONNX模型输入到便前预警模块Jetson TX2的开发软件中进行解析，Jetson TX2实时接收数据采集模块输入的人体生理信号数据对人体是否产生便意进行实时预测。

Claims (6)

1.一种基于残差网络的人体排便预测系统，其特征在于，包括数据采集模块、信号处理模块和便前预警模块；
数据采集模块获取人体生理信号数据进行标记和分割处理，将处理后的人体生理信号数据按设定的比例随机分为训练集和测试集并输入信号处理模块；数据采集模块实时接收人体生理信号数据并分割后输入便前预警模块；数据采集模块包括连接麦克风的听诊器、胃电传感器和心电传感器，分别用于采集人体肠鸣音、胃电和心电生理数据；数据采集模块中，对获取的人体生理信号数据进行标记和分割处理，具体包括：
对大便前设定时间的人体生理信号数据标记为有便意，其他人体生理信号数据标记为无便意；
获取的肠鸣音、胃电和心电时序生理数据按设定的时间段平均分割成多个训练样本；
信号处理模块对训练集和测试集的数据分别进行小波包分解获取对应的二维小波包系数矩阵，搭建预测模型并使用训练集的二维小波包系数矩阵对预测模型进行训练，将训练完成的预测模型输入便前预警模块；
便前预警模块移植训练完成的预测模型和小波包分解算法，实时接收数据采集模块输入的人体生理信号数据对人体是否产生便意进行实时预测；
信号处理模块中，选择2阶Daubechies小波基，对训练集和测试集的数据进行多层离散小波包分解，小波包分解算法如下：
令{Vj，j∈Z}是一个依紧支撑的尺度函数
Figure FDA0003513928660000011
的多分辨率分析，则空间Vj由函数集
Figure FDA0003513928660000012
张成，k为平移参数，通过移位控制小波在时域中的出现位置，j代表空间Vj的最高分辨率，j越大分辨率越高；
设f(x)为已获取的人体生理时序信号，在空间Vj中有其逼近，则有
Figure FDA0003513928660000013
其中，
Figure FDA0003513928660000014
Figure FDA0003513928660000015
小波包分解公式为：
Figure FDA0003513928660000021
Figure FDA0003513928660000022
其中，
Figure FDA0003513928660000023
Z是整数集，pk是中间计算的代替符号，x表示时间，m为尺度函数
Figure FDA0003513928660000024
的积分值，
Figure FDA0003513928660000025
为人体生理时序信号f(x)分解在空间Vj的第n组按时间先后顺序排列的第k个小波包系数，
Figure FDA0003513928660000026
为人体生理时序信号f(x)分解在空间Vj-1的第2n组按时间先后顺序排列的第l个小波包系数，
Figure FDA0003513928660000027
为人体生理时序信号f(x)分解在空间Vj-1的第2n+1组按时间先后顺序排列的第l个小波包系数；
每个训练样本分解后得到一组小波包系数，然后将小波包系数组成一个二维小波包系数矩阵，其中，小波包系数按频率从高到低排列，得到二维小波包系数矩阵，矩阵首行为最高频系数，末行为最低频系数。
2.根据权利要求1所述的一种基于残差网络的人体排便预测系统，其特征在于，信号处理模块包括存储器、处理器以及蓝牙。
3.根据权利要求1所述的一种基于残差网络的人体排便预测系统，其特征在于，信号处理模块中，搭建的预测模型具体如下：
使用机器学习库构建三个具有相同结构的单输出残差网络模型，然后将三个残差网络的输出输入到一个三输入单输出的二分类全连接神经网络中，将数据采集模块输入的肠鸣音、胃电和心电时序生理数据对应的二维小波包系数矩阵分别作为三个单输出残差网络模型的输入，最后的二分类全连接神经网络输出结果表示是否有便意。
4.根据权利要求1所述的一种基于残差网络的人体排便预测系统，其特征在于，信号处理模块中，将训练集的二维小波包系数矩阵和相应的标签数据，输入到搭建的预测模型中进行训练，然后通过测试集来选择预测效果最佳的预测模型。
5.根据权利要求1所述的一种基于残差网络的人体排便预测系统，其特征在于，便前预警模块中，将训练好的预测模型转为ONNX的通用深度学习模型，然后把小波包分解算法和ONNX的通用深度学习模型输入到便前预警模块的开发软件中进行解析。
6.根据权利要求1～5任一项所述的一种基于残差网络的人体排便预测系统，其特征在于，便前预警模块为基于深度学习开发的嵌入式计算平台。
CN202111222500.6A 2021-10-20 2021-10-20 一种基于残差网络的人体排便预测系统 Active CN113662578B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111222500.6A CN113662578B (zh) 2021-10-20 2021-10-20 一种基于残差网络的人体排便预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111222500.6A CN113662578B (zh) 2021-10-20 2021-10-20 一种基于残差网络的人体排便预测系统

Publications (2)

Publication Number Publication Date
CN113662578A CN113662578A (zh) 2021-11-19
CN113662578B true CN113662578B (zh) 2022-05-24

Family

ID=78550660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111222500.6A Active CN113662578B (zh) 2021-10-20 2021-10-20 一种基于残差网络的人体排便预测系统

Country Status (1)

Country Link
CN (1) CN113662578B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113786205A (zh) * 2021-11-17 2021-12-14 华南理工大学 基于卷积网络和长短期记忆网络的二便预警系统及方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201820338U (zh) * 2010-02-09 2011-05-04 王剑火 一种排尿报警装置
CN203001203U (zh) * 2011-11-09 2013-06-19 上海市民星中学 老人失禁预警器
CN103445770A (zh) * 2013-09-02 2013-12-18 中山大学 排尿感知检测方法及装置
CN103479353A (zh) * 2013-09-05 2014-01-01 常州大学 一种卧床失禁病人无线预警系统及方法
CN103654804A (zh) * 2013-12-25 2014-03-26 上海交通大学 便意信号检测与便意重建系统
CN105701439A (zh) * 2014-12-11 2016-06-22 赵化宾 一种采用脑肌心电信号识别情绪、感觉和生理需求的装置及方法
CN107280694A (zh) * 2017-07-18 2017-10-24 燕山大学 一种基于多源信息融合的疲劳检测方法
CN107320102A (zh) * 2017-08-01 2017-11-07 广州安德生物科技有限公司 一种基于预测模型的膀胱排尿时间提醒方法及评估装置
CN107343782A (zh) * 2016-05-06 2017-11-14 尹继超 排尿和排便提前预警装置
CN107492231A (zh) * 2017-08-31 2017-12-19 王国义 一种儿童大小便监测及提示系统
CN108836368A (zh) * 2018-05-10 2018-11-20 浙江神造科技有限公司 一种基于肌电和微压力信号的尿意预判方法及装置
CN109846477A (zh) * 2019-01-29 2019-06-07 北京工业大学 一种基于频带注意力残差网络的脑电分类方法
CN209107375U (zh) * 2018-05-10 2019-07-16 浙江神造科技有限公司 一种基于肌电和微压力信号的尿意预判装置
CN110786851A (zh) * 2019-10-31 2020-02-14 长春理工大学 一种基于Mallat算法提高小波包分解速度的方法
CN111938643A (zh) * 2020-09-24 2020-11-17 杨国富 一种膀胱尿意监护系统和监护方法
CN112462137A (zh) * 2020-09-18 2021-03-09 国网辽宁省电力有限公司电力科学研究院 基于小波包和Hilbert包络谱分析的设备故障特征提取方法
CN113208618A (zh) * 2021-04-06 2021-08-06 北京脑陆科技有限公司 一种基于eeg信号的大小便排泄预警方法、系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11826170B2 (en) * 2012-10-10 2023-11-28 G-Tech Medical, Inc. Artificial intelligence models for wireless patch data acquisition for gastrointestinal electrodiagnostics

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201820338U (zh) * 2010-02-09 2011-05-04 王剑火 一种排尿报警装置
CN203001203U (zh) * 2011-11-09 2013-06-19 上海市民星中学 老人失禁预警器
CN103445770A (zh) * 2013-09-02 2013-12-18 中山大学 排尿感知检测方法及装置
CN103479353A (zh) * 2013-09-05 2014-01-01 常州大学 一种卧床失禁病人无线预警系统及方法
CN103654804A (zh) * 2013-12-25 2014-03-26 上海交通大学 便意信号检测与便意重建系统
CN105701439A (zh) * 2014-12-11 2016-06-22 赵化宾 一种采用脑肌心电信号识别情绪、感觉和生理需求的装置及方法
CN107343782A (zh) * 2016-05-06 2017-11-14 尹继超 排尿和排便提前预警装置
CN107280694A (zh) * 2017-07-18 2017-10-24 燕山大学 一种基于多源信息融合的疲劳检测方法
CN107320102A (zh) * 2017-08-01 2017-11-07 广州安德生物科技有限公司 一种基于预测模型的膀胱排尿时间提醒方法及评估装置
CN107492231A (zh) * 2017-08-31 2017-12-19 王国义 一种儿童大小便监测及提示系统
CN108836368A (zh) * 2018-05-10 2018-11-20 浙江神造科技有限公司 一种基于肌电和微压力信号的尿意预判方法及装置
CN209107375U (zh) * 2018-05-10 2019-07-16 浙江神造科技有限公司 一种基于肌电和微压力信号的尿意预判装置
CN109846477A (zh) * 2019-01-29 2019-06-07 北京工业大学 一种基于频带注意力残差网络的脑电分类方法
CN110786851A (zh) * 2019-10-31 2020-02-14 长春理工大学 一种基于Mallat算法提高小波包分解速度的方法
CN112462137A (zh) * 2020-09-18 2021-03-09 国网辽宁省电力有限公司电力科学研究院 基于小波包和Hilbert包络谱分析的设备故障特征提取方法
CN111938643A (zh) * 2020-09-24 2020-11-17 杨国富 一种膀胱尿意监护系统和监护方法
CN113208618A (zh) * 2021-04-06 2021-08-06 北京脑陆科技有限公司 一种基于eeg信号的大小便排泄预警方法、系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
反馈式人工肛门括约肌生物力学相容性研究;昝鹏 等;《仪器仪表学报》;20150531;第36卷(第5期);第1079-1085页 *
小波包分析和支持向量机用于直肠感知功能重建;姜恩宇 等;《应用科学学报》;20120930;第30卷(第5期);摘要、第539-543页 *

Also Published As

Publication number Publication date
CN113662578A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
CN104305961B (zh) 肠鸣音监测识别系统
CN106934799B (zh) 胶囊内窥镜图像辅助阅片系统及方法
CN111246824B (zh) 装配阴道治疗装置的方法和系统
US5666953A (en) System and associated method for providing information for use in forming medical diagnosis
Dudik et al. Deep learning for classification of normal swallows in adults
CN113662578B (zh) 一种基于残差网络的人体排便预测系统
JP7278415B2 (ja) 下部尿路症状診断補助システムの動作方法、該方法を実現するプログラムが記録されたコンピュータ読取可能な記録媒体、及び下部尿路症状診断補助システム
CN111883252A (zh) 一种婴儿自闭症辅助诊断方法、装置、设备和存储介质
Grooby et al. Real-time multi-level neonatal heart and lung sound quality assessment for telehealth applications
Taşkıran et al. A deep learning based decision support system for diagnosis of Temporomandibular joint disorder
CN113647973B (zh) 一种基于卷积神经网络的二便无损检测装置
Nugroho et al. Implementation of Certainty Factor in an Expert System for Diagnosing Oral Cancer
CN112017773A (zh) 一种基于噩梦的疾病认知模型构建方法及疾病认知系统
Muller et al. Application of computational technique in design of classifier for early detection of gestational diabetes mellitus
CN113768523B (zh) 基于对抗生成网络的二便预警方法与系统
CN113786205A (zh) 基于卷积网络和长短期记忆网络的二便预警系统及方法
US20210117782A1 (en) Interpretable neural networks for cuffless blood pressure estimation
Karegowda et al. Knowledge based fuzzy inference system for diagnosis of diffuse goiter
Elbagoury et al. Mobile AI Stroke Health App: A Novel Mobile Intelligent Edge Computing Engine based on Deep Learning models for Stroke Prediction–Research and Industry Perspective
US20210290180A1 (en) Method and system for quickly detecting an abnormal concentration of potassium ions in blood from an electrocardiogram
Suvarna et al. Diagnosis of burn images using template matching, k-nearest neighbor and artificial neural network
KR101869881B1 (ko) 스마트폰 유비쿼터스 헬스퀘어 진단시스템 및 그 제어 방법
Ryu et al. iApp: An Autonomous Inspection, Auscultation, Percussion, and Palpation Platform
CN221690985U (zh) 一种用于孕妇数据采集的腹贴
Annepu et al. Implementation of an Efficient IoT Enabled Automated Paralysis Healthcare System

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant