CN113693561B - 基于神经网络的帕金森病预测设备、装置和存储介质 - Google Patents
基于神经网络的帕金森病预测设备、装置和存储介质 Download PDFInfo
- Publication number
- CN113693561B CN113693561B CN202110989622.1A CN202110989622A CN113693561B CN 113693561 B CN113693561 B CN 113693561B CN 202110989622 A CN202110989622 A CN 202110989622A CN 113693561 B CN113693561 B CN 113693561B
- Authority
- CN
- China
- Prior art keywords
- prediction
- parkinsonism
- target user
- hand
- sample 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.)
- Active
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1101—Detecting tremor
-
- 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
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
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)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Neurology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Neurosurgery (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Dentistry (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Developmental Disabilities (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及人工智能领域,还涉及数字医疗领域,通过目标用户的手抖数据输入帕金森病预测模型进行预测,可以便捷地预测出用户患帕金森病的风险。涉及一种基于神经网络的帕金森病预测设备、装置和存储介质,该设备实现的步骤包括:获取目标用户对应的第一症状信息;将手抖数据输入帕金森病预测模型进行风险预测,获得目标用户对应的风险预测结果,风险预测结果包括第一预测概率;当第一预测概率大于或等于第一概率阈值时,输出第一风险提示信息;当第一预测概率大于或等于第二概率阈值且小于第一概率阈值时,获取目标用户对应的第二症状信息,基于第二症状信息输出第二风险提示信息。此外,本申请还涉及区块链技术,第一症状信息可存储于区块链中。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种基于神经网络的帕金森病预测设备、装置和存储介质。
背景技术
随着中国人口老龄化程度不断加深,帕金森病人的比例逐渐增大。由于早期帕金森病的症状不明显,且帕金森病人大多为老年人,对自己的身体缺乏足够的重视,因此帕金森病人不能及时去医院进行检查和接受治疗,导致病情加重。目前市面上也没有对老年人进行帕金森病初步检测的医疗仪器,不能及时提醒老年人去医院做进一步检查。
因此,如何便捷地预测用户患帕金森病的风险成为亟需解决的问题。
发明内容
本申请提供了一种基于神经网络的帕金森病预测设备、装置和存储介质,通过目标用户的手抖数据输入帕金森病预测模型进行预测,预测过程简单、方便,无需专业的医疗设备进行检查,可以便捷地预测出用户患帕金森病的风险。
第一方面,本申请提供了一种基于神经网络的帕金森病预测设备,所述帕金森病预测设备包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如下步骤:
获取目标用户对应的第一症状信息,所述第一症状信息包括所述目标用户的手抖数据;
将所述手抖数据输入帕金森病预测模型进行风险预测,获得所述目标用户对应的风险预测结果,所述风险预测结果包括所述目标用户患有帕金森病的第一预测概率;
当所述第一预测概率大于或等于第一概率阈值时,输出所述目标用户患有帕金森病的第一风险提示信息;
当所述第一预测概率大于或等于第二概率阈值且小于所述第一概率阈值时,获取所述目标用户对应的第二症状信息,并基于所述第二症状信息输出所述目标用户患有帕金森病的第二风险提示信息。
第二方面,本申请还提供了一种帕金森病预测装置,所述装置包括:
症状信息获取模块,用于获取目标用户对应的第一症状信息,所述第一症状信息包括所述目标用户的手抖数据;
帕金森病预测模块,用于将所述手抖数据输入帕金森病预测模型进行风险预测,获得所述目标用户对应的风险预测结果,所述风险预测结果包括所述目标用户患有帕金森病的第一预测概率;
第一输出模块,用于当所述第一预测概率大于或等于第一概率阈值时,输出所述目标用户患有帕金森病的第一风险提示信息;
第二输出模块,当所述第一预测概率大于或等于第二概率阈值且小于所述第一概率阈值时,获取所述目标用户对应的第二症状信息,并基于所述第二症状信息输出所述目标用户患有帕金森病的第二风险提示信息。
第三方面,本申请还提供了一种计算机可读存储介质,所述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所述处理器实现如上述帕金森病预测的步骤。
本申请公开了一种基于神经网络的帕金森病预测设备、装置和存储介质,通过获取目标用户对应的第一症状信息,可以获得目标用户发生手抖症状的手抖数据,由于手抖症状为帕金森病的一个显著特征,因此后续可以根据手抖数据进行风险预测,提高了预测的准确性;通过将手抖数据输入帕金森病预测模型进行风险预测,可以获得目标用户患有帕金森病的第一预测概率的风险预测结果,预测过程简单、方便,无需专业的医疗设备进行检查即可实现对目标用户进行初步检测,可以便捷地预测出用户患帕金森病的风险;通过当第一预测概率大于预设的第一概率阈值时,输出目标用户患有帕金森病的第一风险提示信息,可以使得目标用户根据风险提示信息及时去医院做进一步检查和治疗,以避免延误病情;通过当第一预测概率大于或等于第二概率阈值且小于第一概率阈值时,获取目标用户对应的第二症状信息,并基于第二症状信息输出目标用户患有帕金森病的第二风险提示信息,可以实现对第一预测概率进行调整,提高了风险预测的准确性。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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。
图1是本申请实施例提供的一种帕金森病预测设备的结构示意性框图;
图2是本申请实施例提供的一种帕金森病预测步骤的示意性流程图;
图3是本申请实施例提供的一种获取第一症状信息的示意图;
图4是本申请实施例提供的一种训练帕金森病预测模型的子步骤的示意性流程图;
图5是本申请实施例提供的一种帕金森病预测装置的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本申请的实施例提供了一种基于神经网络的帕金森病预测设备、装置和存储介质。其中,该帕金森病预测设备可以是服务器或移动终端,通过目标用户的手抖数据输入帕金森病预测模型进行预测,预测过程简单、方便,无需专业的医疗设备进行检查,可以便捷地预测出用户患帕金森病的风险。
其中,服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。移动终端可以是智能手机、智能手环以及智能手表等电子设备。
需要说明的是,本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
请参阅图1,图1是本申请实施例提供的一种帕金森病预测设备的结构示意性框图。如图1所示,该帕金森病预测设备包括通过系统总线连接的处理器和存储器,其中,存储器可以包括存储介质和内存储器。所述存储介质既包括非易失性存储介质,也包括易失性存储介质。
处理器用于提供计算和控制能力,支撑整个帕金森病预测设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种帕金森病预测的步骤。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
请参阅图2,图2是本申请实施例提供的一种帕金森病预测步骤的示意性流程图。如图2所示,处理器用于运行存储在存储器中的计算机程序,以实现如下步骤S10至步骤S40。
步骤S10、获取目标用户对应的第一症状信息,所述第一症状信息包括所述目标用户的手抖数据。
示例性的,第一症状信息包括目标用户的手抖数据,还可以包括目标用户的个人信息。其中,个人信息可以包括年龄、性别、姓名以及住处等信息。
在本申请实施例中,可以通过目标用户携带或穿戴的移动终端采集目标用户的第一症状信息。其中,移动终端安装有陀螺仪和预设的应用程序。其中,预设的应用程序用于记录陀螺仪检测目标用户的手部运动状态的数据,例如,应用程序可以是健康APP、运动APP等等。目标用户可以登录应用程序,填写个人信息;然后,启动应用程序的监控功能,以使应用程序记录陀螺仪检测的数据。
需要说明的是,陀螺仪可以检测移动终端的转动、偏转等动作的速度和方向,即目标用户的手部运动状态数据。
示例性的,移动终端中的应用程序可以对记录的数据进行清洗,然后提取出连续的、幅度较小的来回摆动的数据,标记为手抖数据。其中,手抖数据可以包括手抖发生频次、抖动频率、抖动幅度以及抖动时长等数据。需要说明的是,手抖发生频次是指在预设时间段内发生手抖的次数,预设时间段可以根据实际情况设定,例如一天、一周等等,在此不作限定。抖动时长可以根据单次发生连续抖动的持续时间确定。抖动频率可以根据抖动幅度与抖动时长确定,例如将抖动幅度除以抖动时长的值作为抖动频率。抖动幅度可以根据多次抖动的波峰与波谷的差值的均值确定。
需要说明的是,帕金森病患者常有静止性震颤、肌肉强直、动作迟缓以及容易忘记短期的事情等帕金森病症状。其中,静止性震颤为帕金森病的一个显著特征,静止性震颤主要表现为患者出现的手抖症状。通过检测目标用户的手抖数据,可以简单、准确地判断目标用户是否具有帕金森病症状。
示例性的,当帕金森病预测设备为移动终端时,移动终端中的应用程序可以将抖动数据与个人信息进行打包,生成第一症状信息;然后,将第一症状信息存储在本地数据库或本地磁盘。
请参阅图3,图3是本申请实施例提供的一种获取第一症状信息的示意图。如图3所示,当帕金森病预测设备为服务器时,移动终端中的应用程序可以将第一症状信息上传至服务器。从而,服务器可以获取目标用户对应的第一症状信息。
为进一步保证上述第一症状信息的私密和安全性,上述第一症状信息可以存储于一区块链的节点中。在获取目标用户对应的第一症状信息,可以从区块链节点读取。
通过获取目标用户对应的第一症状信息,可以获得目标用户发生手抖症状的手抖数据,由于手抖症状为帕金森病的一个显著特征,因此后续可以根据手抖数据进行帕金森病预测,提高了预测的准确性。
步骤S20、将所述手抖数据输入帕金森病预测模型进行风险预测,获得所述目标用户对应的风险预测结果,所述风险预测结果包括所述目标用户患有帕金森病的第一预测概率。
需要说明的是,在本申请实施例中,通过将手抖数据输入帕金森病预测模型进行风险预测,可以获得目标用户患有帕金森病的第一预测概率的风险预测结果,预测过程简单、方便,无需专业的医疗设备进行检查即可实现对目标用户进行初步检测,可以便捷地预测出用户患帕金森病的风险。
示例性的,帕金森病预测模型可以包括但不限于卷积神经网络、循环神经网络以及受限玻尔兹曼机等等。
在一些实施例中,将手抖数据输入帕金森病预测模型进行预测,获得目标用户对应的风险预测结果之前,还可以对帕金森病预测模型进行训练,得到训练好的帕金森病预测模型。
示例性的,当帕金森病预测设备为服务器时,帕金森病预测模型的训练过程可以在服务器中完成。
示例性的,当帕金森病预测设备为移动终端时,帕金森病预测模型的训练过程可以在服务器中完成,然后,服务器可以将训练好的帕金森病预测模型发送至移动终端;当然,帕金森病预测模型的训练过程可以在移动终端中完成。
请参阅图4,图4是本申请实施例提供的一种训练帕金森病预测模型的子步骤的示意性流程图,具体可以包括以下步骤S201至步骤S203。
步骤S201、获取待训练的手抖样本数据。
示例性的,待训练的手抖样本数据包括帕金森病患者的第一手抖样本数据与非帕金森病患者的第二手抖样本数据。需要说明的是,可以采集预设数量的样本用户的手抖数据,作为待训练的手抖样本数据。其中,样本用户可以包括帕金森病患者与非帕金森患者。例如,可以通过样本用户携带的移动终端采集样本用户的手抖数据。
示例性的,第一手抖样本数据、第二手抖样本数据包括手抖发生频次、抖动频率、抖动幅度以及抖动时长。
步骤S202、对所述手抖样本数据进行标签标注,获得携带标签的手抖样本数据。
需要说明的是,第一手抖样本数据是帕金森病患者的手抖样本数据,但是第一手抖样本数据有可能是帕金森病患病在表现帕金森病症状时的手抖数据,也有可能是帕金森病患病的其它手部运动状态的手抖数据。因此,需要对第一手抖样本数据进行筛选和分类,将第一手抖样本数据分成有帕金森病症状和无帕金森病症状;然后,对不同类别的第一手抖样本数据添加不同的标签。而第二手抖样本数据是非帕金森病患者的手抖样本数据,因此第二手抖样本数据是无帕金森病症状的手抖数据。
在一些实施例中,可以根据预设的计算公式,对第一手抖样本数据中的手抖发生频次、抖动频率、抖动幅度以及抖动时长进行手抖分值计算,获得第一手抖样本数据对应的手抖分值。
示例性的,预设的计算公式如下:
P=A×f1+B×f2+C×f3+D×f4,
式中,P表示手抖分值;A表示手抖发生频次,f1表示手抖发生频次A的第一权重值;B表示抖动频率,f2表示抖动频率B的第二权重值;C表示抖动幅度;f3表示抖动幅度C的第三权重值;D表示抖动时长,f4表示抖动时长D的第四权重值。其中,第一权重值f1、第二权重值f2、第三权重值f3以及第四权重值f4,可以根据手抖发生频次、抖动频率、抖动幅度以及抖动时长对判断为帕金森病的重要程度进行设定,具体数值在此不作限定。
示例性的,可以基于上述计算公式,分别对每个第一手抖样本数据进行手抖分值计算,获得每个第一手抖样本数据对应的手抖分值。
例如,将手抖发生频次与手抖发生频次对应的第一权重值相乘,获得手抖发生频次对应的第一手抖分值;将抖动频率与抖动频率对应的第二权重值相乘,获得抖动频率对应的第二手抖分值;抖动幅度与抖动幅度对应的第三权重值相乘,获得抖动幅度对应的第三手抖分值;将抖动时长与抖动时长对应的第四权重值相乘,获得抖动时长对应的第四手抖分值。然后,将第一手抖分值、第二手抖分值、第三手抖分值以及第四手抖分值相加,获得第一手抖样本数据对应的手抖分值。
在一些实施例中,若第一手抖样本数据对应的手抖分值大于或等于预设的手抖分阈值,则对第一手抖样本数据添加第一标签。若第一手抖样本数据对应的手抖分值小于手抖分阈值,则对第一手抖样本数据添加第二标签;对第二手抖样本数据添加第二标签。
其中,第一标签表示有帕金森病症状,第二标签表示无帕金森病症状。
示例性的,预设的手抖分阈值可以根据实际情况设定,具体数值在此不作限定。例如,可以将帕金森病患者表现为帕金森症状的多个手抖数据的手抖分值取均值,将均值作为手抖分阈值。
示例性的,在对手抖样本数据进行标签标注时,可以对第一手抖样本数据中手抖分值大于或等于手抖分阈值的手抖数据添加第一标签,对第一手抖样本数据中剩余的手抖样本数据添加第二标签;对全部第二手抖样本数据添加第二标签。从而,获得携带标签的手抖样本数据。
通过根据预设的计算公式对第一手抖样本数据中的手抖发生频次、抖动频率、抖动幅度以及抖动时长进行手抖分值计算,进而可以根据第一手抖样本数据对应的手抖分值,确定对第一手抖样本数据添加第一标签还是添加第二标签,提高了帕金森预测模型预测的准确性。
步骤S203、根据携带标签的手抖样本数据,对帕金森病预测模型进行迭代训练。
在本申请实施例中,可以根据携带标签的手抖样本数据,对帕金森病预测模型进行迭代训练,直至帕金森病预测模型收敛,得到训练好的帕金森病预测模型。
示例性的,帕金森病预测模型的迭代训练过程为:根据携带标签的手抖样本数据确定每一轮的训练数据,将当前轮训练数据输入帕金森病预测模型进行预测训练,获得当前轮训练数据对应的预测信息;基于预设的损失函数,根据预测信息与当前轮训练数据携带的标签,确定当前轮训练数据对应的损失函数值;若损失函数值大于预设的损失值阈值,则调整帕金森病预测模型的参数,并进行下一轮训练,直至得到的损失函数值小于或等于损失值阈值,结束训练,得到训练好的帕金森病预测模型。
其中,预测信息可以包括患有帕金森病的概率。
示例性的,可以采用绝对数损失函数,计算当前轮训练数据对应的损失函数值。其中,绝对数损失函数的计算过程如下:
L(Y,f(x))=Y-f(x)
式中,L表示损失函数值;x表示当前轮训练数据;f(x)表示预测信息;Y表示当前轮训练数据携带的标签。
预设的损失函数还可以包括但不限于0-1损失函数、对数损失函数、平方损失函数或指数损失函数等等。损失函数值可以根据实际情况设定,具体数值在此不作限定。
示例性的,可以采用梯度下降算法,调整帕金森病预测模型的参数。其中,梯度下降算法的计算过程为:
式中,表示帕金森病预测模型的参数u的偏导值;/>表示帕金森病预测模型的权重w的偏导值。
可以理解的是,还可以通过牛顿算法、共轭梯度法或柯西-牛顿法等收敛算法,调整帕金森病预测模型的参数。需要说明的是,通过根据收敛算法调整帕金森病预测模型的参数,可以使得帕金森病预测模型快速收敛,提高了训练效率。
在一些实施例中,可以将手抖数据输入训练好的帕金森病预测模型进行风险预测,获得目标用户对应的风险预测结果。其中,风险预测结果包括目标用户患有帕金森病的第一预测概率。
通过将手抖数据输入帕金森病预测模型进行风险预测,可以便捷地预测出用户患帕金森病的风险。
步骤S30、当所述第一预测概率大于或等于第一概率阈值时,输出所述目标用户患有帕金森病的第一风险提示信息。
示例性的,第一概率阈值可以根据实际情况设定,具体数值在此不作限定。例如,第一概率阈值可以是80%。
示例性的,当第一预测概率大于或等于第一概率阈值时,输出目标用户患有帕金森病的第一风险提示信息。例如,当第一预测概率大于80%时,输出目标用户患有帕金森病的第一风险提示信息。其中,第一风险提示信息可以包括第一预测概率。
通过输出包含第一预测概率的第一风险提示信息,可以使得目标用户根据风险提示信息及时去医院做进一步检查和治疗,以避免延误病情。
步骤S40、当所述第一预测概率大于或等于第二概率阈值且小于所述第一概率阈值时,获取所述目标用户对应的第二症状信息,并基于所述第二症状信息输出所述目标用户患有帕金森病的第二风险提示信息。
在本申请实施例中,为进一步提高预测目标用户患有帕金森病的准确性,在输出目标用户患有帕金森病的风险提示信息之前,还需要判断目标用户是否存在其它的帕金森病症状,进而可以根据判断结果调整预测概率。
示例性的,第二概率阈值可以根据实际情况设定,具体数值在此不作限定。例如,第二概率阈值可以是50%。需要说明的是,当第一预测概率大于或等于第二概率阈值且小于第一概率阈值时,为进一步提高预测目标用户患有帕金森病的准确性,需要确定目标用户是否存在其它的帕金森病症状;例如,是否存在肌肉强直、动作迟缓以及容易忘记短期的事情等症状。
示例性的,第二症状信息可以包括目标用户是否存在肌肉强直、动作迟缓以及容易忘记短期的事情等症状。
在一些实施方式中,获取目标用户对应的第二症状信息,可以包括:获取目标用户根据症状提问语音进行回答的应答语音,根据应答语音确定第二症状信息。
示例性的,可以在移动终端输出症状提问语音,其中,症状提问语音可以包括是否存在肌肉强直、动作迟缓以及容易忘记短期的事情等。然后,获取目标用户根据症状提问语音进行回答的应答语音,根据应答语音确定第二症状信息。例如,对应答语音进行语音识别,得到语音识别结果;根据语音识别结果确定目标用户的第二症状信息。
需要说明的是,目标用户可以根据实际情况进行回答。例如,当目标用户存在症状提问语音中的症状时,可以回答“是”、“存在”;目标用户不存在症状提问语音中的症状时,可以回答“不是”、“不存在”。
示例性的,当语音识别结果包括“是”、“存在”等肯定词组时,可以确定第二症状信息为目标用户存在肌肉强直、动作迟缓以及容易忘记短期的事情等症状。当语音识别结果包括“不是”、“不存在”等否定词组时,可以确定第二症状信息为目标用户不存在肌肉强直、动作迟缓以及容易忘记短期的事情等症状。
在另一些实施方式中,获取目标用户对应的第二症状信息,可以包括:检测目标用户在症状选择列表的选中操作,根据选中操作确定第二症状信息。
示例性的,可以在移动终端显示症状选择列表,其中,症状选择列表可以包括是否存在肌肉强直、动作迟缓以及容易忘记短期的事情等选项。然后,检测目标用户在症状选择列表的选中操作,根据选中操作确定第二症状信息。
需要说明的是,目标用户可以根据实际情况对症状选择列表中的选项进行选中。例如,当目标用户存在症状选择列表中的症状时,可以选中“是”选项;目标用户不存在症状选择列表中的症状时,可以选中“否”选项。
示例性的,当目标用户选中“是”选项时,可以确定第二症状信息为目标用户存在肌肉强直、动作迟缓以及容易忘记短期的事情等症状。当目标用户选中“否”选项时,可以确定第二症状信息为目标用户不存在肌肉强直、动作迟缓以及容易忘记短期的事情等症状。
通过获取目标用户对应的第二症状信息,可以确定目标用户是否存在其它的帕金森病症状,进而对第一预测概率进行调整,从而可以提高预测帕金森病的准确性。
在一些实施例中、当第二症状信息满足预设条件时,对第一预测概率增加预设的第二预测概率,获得第三预测概率,并输出包含第三预测概率的第二风险提示信息。
示例性的,预设条件可以包括以下至少一项:目标用户存在肌肉强直症状;目标用户存在动作迟缓症状;目标用户存在容易忘记短期的事情症状。预设的第二预测概率可以根据实际情况设定,具体数值在此不作限定。例如,第二预测概率可以是5%,也可以是10%。
示例性的,当第二症状信息为目标用户存在肌肉强直症状、动作迟缓症状、目标用户存在容易忘记短期的事情症状的其中一项时,若第一预设概率为60%,则可以对第一预设概率增加5%,得到第三预测概率为65%。当第二症状信息为目标用户存在肌肉强直症状、动作迟缓症状、目标用户存在容易忘记短期的事情症状的其中两项时,可以对第一预设概率增加10%,得到第三预测概率为70%。当第二症状信息为目标用户存在肌肉强直症状、动作迟缓症状、目标用户存在容易忘记短期的事情症状的三项时,可以对第一预设概率增加15%,得到第三预测概率为75%。
示例性的,在获得第三预测概率之后,可以输出包含第三预测概率的第二风险提示信息。例如,当帕金森病预测设备为服务器时,服务器可以将第二风险提示信息发送至移动终端,以在移动终端上显示第二风险提示信息。其中,可以通过短信、邮件以及即时消息等方式,将第二风险提示信息发送至目标用户的移动终端或目标用户的紧急联系人的终端。
又例如,当帕金森病预测设备为移动终端时,可以在直接移动终端的应用程序中显示第二风险提示信息;也可以通过短信、邮件以及即时消息等方式,将第二风险提示信息发送至目标用户的移动终端或目标用户的紧急联系人的终端。
通过当第二症状信息满足预设条件时,对第一预测概率增加预设的第二预测概率,并输出包含第三预测概率的第二风险提示信息,提高了提高预测帕金森病的准确性;并且可以使得目标用户根据第二风险提示信息及时去医院做进一步检查和治疗,以避免延误病情。
在一些实施例中,当第二症状信息不满足预设条件时,输出包含第一预测概率的第二风险提示信息。
示例性的,当第二症状信息为目标用户不存在肌肉强直、动作迟缓以及容易忘记短期的事情等症状时,输出包含第一预测概率的第二风险提示信息。
需要说明的是,通过输出第二风险提示信息,可以提醒目标用户或目标用户的家人陪同目标用户及时去医院进行进一步检查,以确诊是否患有帕金森病,同时也可以排查其它病症。
示例性的,当第一预测概率小于第二概率阈值时,不输出目标用户患有帕金森病的风险提示信息。
在一些实施例中,在输出目标用户患有帕金森病的第一风险提示信息或基于第二症状信息输出目标用户患有帕金森病的第二风险提示信息之后,还可以包括:确定目标用户是否为帕金森病确诊患者;若目标用户为帕金森病确诊患者,则对第一症状信息中的个人信息进行脱敏处理,获得脱敏处理后的第一症状信息;将脱敏处理后的第一症状信息作为样本数据,以用于帕金森病预测模型进行训练。
示例性的,可以与医疗平台联网,获取目标用户的医疗数据,根据医疗数据确定目标用户是否为帕金森病确诊患者。其中,医疗数据可以包括但不限于目标用户的个人健康档案、处方、检查报告等数据。
示例性的,还可以获取目标用户在移动终端上传的疾病检测结果。需要说明的是,疾病检测结果可以是目标用户在医院进行帕金森病检测的检查报告或体检报告等等。
需要说明的是,脱敏处理是指对某些敏感信息通过脱敏规则进行数据的变形,实现敏感隐私数据的可靠保护。示例性的,若目标用户为帕金森病确诊患者,则对第一症状信息中的个人信息进行脱敏处理,获得脱敏处理后的第一症状信息。在本申请实施例中,可以将第一症状信息中的年龄、性别、姓名以及住处等信息删除,获得脱敏处理后的第一症状信息。然后,将脱敏处理后的第一症状信息作为样本数据存储,后续可以用于对帕金森病预测模型进行训练,以提高帕金森病预测模型预测的准确性。
在一些实施例中,在确定目标用户是否为帕金森病确诊患者之后,还可以包括:若目标用户为帕金森病确诊患者,则向目标用户所在位置的预设范围内的目标设备发送目标用户的疾病预警信息。
其中,疾病预警信息包括目标用户的患病信息、住址信息、紧急联系人信息。患病信息可以包括目标用户患有帕金森病;紧急联系人信息可以包括联系人的姓名、电话等信息。
示例性的,预设范围可以根据实际情况设定,具体数值在此不作限定。例如,预设范围可以是500米,也可以是1000米。目标设备可以包括车辆、用户携带的移动终端。
例如,向目标用户所在的小区的保安人员发送目标用户的疾病预警信息,从而实现目标用户在小区散步时,保安人员可以更多关注目标用户。又例如,向目标用户所在社区的社区工作人员发送目标用户的疾病预警信息,从而实现目标用户在街道外出时,社区工作人员可以更多关注目标用户。又例如,向目标用户常乘坐公交路线的公交车司机发送目标用户的疾病预警信息,从而实现在目标用户乘坐公交车时,公交车司机可以更多关注目标用户。
通过向目标设备发送目标用户的疾病预警信息,实现在目标用户出行时,目标设备的用户可以对目标用户进行更多的关注和照顾,防止目标用户走失。
上述实施例提供的帕金森病预测设备,通过获取目标用户对应的第一症状信息,可以获得目标用户发生手抖症状的手抖数据,由于手抖症状为帕金森病的一个显著特征,因此后续可以根据手抖数据进行进行帕金森病预测,提高了预测的准确性;通过根据预设的计算公式对第一手抖样本数据中的手抖发生频次、抖动频率、抖动幅度以及抖动时长进行手抖分值计算,进而可以根据第一手抖样本数据对应的手抖分值,确定对第一手抖样本数据添加第一标签还是添加第二标签,提高了帕金森预测模型预测的准确性;通过将手抖数据输入帕金森病预测模型进行风险预测,可以便捷地预测出用户患帕金森病的风险;通过输出包含第一预测概率的第一风险提示信息,可以使得目标用户根据第一风险提示信息及时去医院做进一步检查和治疗,以避免延误病情;通过获取目标用户对应的第二症状信息,可以确定目标用户是否存在其它的帕金森病症状,进而对第一预测概率进行调整,从而可以提高预测帕金森病的准确性;通过向目标设备发送目标用户的疾病预警信息,实现在目标用户出行时,目标设备的用户可以对目标用户进行更多的关注和照顾,防止目标用户走失。
请参阅图5,图5是本申请的实施例还提供一种帕金森病预测装置1000的示意性框图,该帕金森病预测装置用于执行前述的帕金森病预测设备中的处理器实现的步骤。其中,该帕金森病预测装置可以配置于服务器或移动终端中。
如图5所示,该帕金森病预测装置1000,包括:症状信息获取模块1001、帕金森病预测模块1002、第一输出模块1003和第二输出模块1004。
症状信息获取模块1001,用于获取目标用户对应的第一症状信息,所述第一症状信息包括所述目标用户的手抖数据。
帕金森病预测模块1002,用于将所述手抖数据输入帕金森病预测模型进行风险预测,获得所述目标用户对应的风险预测结果,所述风险预测结果包括所述目标用户患有帕金森病的第一预测概率。
第一输出模块1003,用于当所述第一预测概率大于或等于第一概率阈值时,输出所述目标用户患有帕金森病的第一风险提示信息。
第二输出模块1004,当所述第一预测概率大于或等于第二概率阈值且小于所述第一概率阈值时,获取所述目标用户对应的第二症状信息,并基于所述第二症状信息输出所述目标用户患有帕金森病的第二风险提示信息。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和各模块的具体工作过程,可以参考前述实施例中的对应过程,在此不再赘述。
本申请的实施例中还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序中包括程序指令,所述处理器执行所述程序指令,实现本申请实施例提供的任一项帕金森病预测的步骤。
例如,该程序被处理器加载,可以执行如下步骤:
获取目标用户对应的第一症状信息,所述第一症状信息包括所述目标用户的手抖数据;将所述手抖数据输入帕金森病预测模型进行风险预测,获得所述目标用户对应的风险预测结果,所述风险预测结果包括所述目标用户患有帕金森病的第一预测概率;当所述第一预测概率大于或等于第一概率阈值时,输出所述目标用户患有帕金森病的第一风险提示信息;当所述第一预测概率大于或等于第二概率阈值且小于所述第一概率阈值时,获取所述目标用户对应的第二症状信息,并基于所述第二症状信息输出所述目标用户患有帕金森病的第二风险提示信息。
其中,所述计算机可读存储介质可以是前述实施例所述的帕金森病预测设备的内部存储单元,例如所述帕金森病预测设备的硬盘或内存。所述计算机可读存储介质也可以是所述帕金森病预测设备的外部存储设备,例如所述帕金森病预测设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字卡(Secure Digital Card,SD Card),闪存卡(Flash Card)等。
进一步地,所述计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种基于神经网络的帕金森病预测设备,其特征在于,所述帕金森病预测设备包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如下步骤:
获取目标用户对应的第一症状信息,所述第一症状信息包括所述目标用户的手抖数据;
将所述手抖数据输入帕金森病预测模型进行风险预测,获得所述目标用户对应的风险预测结果,所述风险预测结果包括所述目标用户患有帕金森病的第一预测概率;
当所述第一预测概率大于或等于第一概率阈值时,输出所述目标用户患有帕金森病的第一风险提示信息;
当所述第一预测概率大于或等于第二概率阈值且小于所述第一概率阈值时,获取所述目标用户对应的第二症状信息,并基于所述第二症状信息输出所述目标用户患有帕金森病的第二风险提示信息;
所述处理器实现将所述手抖数据输入帕金森病预测模型进行预测,获得所述目标用户对应的风险预测结果的步骤之前,还包括:获取待训练的手抖样本数据;对所述手抖样本数据进行标签标注,获得携带标签的手抖样本数据;根据携带标签的手抖样本数据,对帕金森病预测模型进行迭代训练;
待训练的手抖样本数据包括帕金森病患者的第一手抖样本数据与非帕金森病患者的第二手抖样本数据;所述处理器实现对所述手抖样本数据进行标签标注,获得携带标签的手抖样本数据的步骤,包括:根据预设的计算公式,对所述第一手抖样本数据中的手抖发生频次、抖动频率、抖动幅度以及抖动时长进行手抖分值计算,获得所述第一手抖样本数据对应的手抖分值;若所述第一手抖样本数据对应的手抖分值大于或等于预设的手抖分阈值,则对所述第一手抖样本数据添加第一标签;若所述第一手抖样本数据对应的手抖分值小于所述手抖分阈值,则对所述第一手抖样本数据添加第二标签;对所述第二手抖样本数据添加第二标签;其中,所述第一标签表示有帕金森病症状,所述第二标签表示无帕金森病症状;
所述处理器实现根据携带标签的手抖样本数据,对帕金森病预测模型进行迭代训练的步骤,包括:根据携带标签的所述手抖样本数据确定每一轮的训练数据,将当前轮训练数据输入帕金森病预测模型进行预测训练,获得所述当前轮训练数据对应的预测信息;基于预设的损失函数,根据所述预测信息与所述当前轮训练数据携带的标签,确定所述当前轮训练数据对应的损失函数值;若所述损失函数值大于预设的损失值阈值,则调整所述帕金森病预测模型的参数,并进行下一轮训练,直至得到的损失函数值小于或等于损失值阈值,结束训练,得到训练好的帕金森病预测模型。
2.根据权利要求1所述的基于神经网络的帕金森病预测设备,其特征在于,所述手抖数据包括手抖发生频次、抖动频率、抖动幅度以及抖动时长。
3.根据权利要求1所述的基于神经网络的帕金森病预测设备,其特征在于,所述处理器实现基于所述第二症状信息输出所述目标用户患有帕金森病的第二风险提示信息的步骤,包括:
当所述第二症状信息满足预设条件时,对所述第一预测概率增加预设的第二预测概率,获得第三预测概率,并输出包含所述第三预测概率的第二风险提示信息;
当所述第二症状信息不满足所述预设条件时,输出包含所述第一预测概率的第二风险提示信息。
4.根据权利要求3所述的基于神经网络的帕金森病预测设备,其特征在于,所述预设条件包括以下至少一项:
所述目标用户存在肌肉强直症状;
所述目标用户存在动作迟缓症状;
所述目标用户存在容易忘记短期的事情症状。
5.根据权利要求1所述的基于神经网络的帕金森病预测设备,其特征在于,所述第一症状信息还包括所述目标用户的个人信息;所述处理器实现的步骤,还包括:
确定所述目标用户是否为帕金森病确诊患者;
若所述目标用户为帕金森病确诊患者,则对所述第一症状信息中的个人信息进行脱敏处理,获得脱敏处理后的第一症状信息;
将脱敏处理后的所述第一症状信息作为样本数据,以用于所述帕金森病预测模型进行训练。
6.一种帕金森病预测装置,其特征在于,包括:
症状信息获取模块,用于获取目标用户对应的第一症状信息,所述第一症状信息包括所述目标用户的手抖数据;
帕金森病预测模块,用于将所述手抖数据输入帕金森病预测模型进行风险预测,获得所述目标用户对应的风险预测结果,所述风险预测结果包括所述目标用户患有帕金森病的第一预测概率;
第一输出模块,用于当所述第一预测概率大于或等于第一概率阈值时,输出所述目标用户患有帕金森病的第一风险提示信息;
第二输出模块,当所述第一预测概率大于或等于第二概率阈值且小于所述第一概率阈值时,获取所述目标用户对应的第二症状信息,并基于所述第二症状信息输出所述目标用户患有帕金森病的第二风险提示信息;
所述帕金森病预测模块,还用于获取待训练的手抖样本数据;对所述手抖样本数据进行标签标注,获得携带标签的手抖样本数据;根据携带标签的手抖样本数据,对帕金森病预测模型进行迭代训练;
待训练的手抖样本数据包括帕金森病患者的第一手抖样本数据与非帕金森病患者的第二手抖样本数据;所述帕金森病预测模块,还用于根据预设的计算公式,对所述第一手抖样本数据中的手抖发生频次、抖动频率、抖动幅度以及抖动时长进行手抖分值计算,获得所述第一手抖样本数据对应的手抖分值;若所述第一手抖样本数据对应的手抖分值大于或等于预设的手抖分阈值,则对所述第一手抖样本数据添加第一标签;若所述第一手抖样本数据对应的手抖分值小于所述手抖分阈值,则对所述第一手抖样本数据添加第二标签;对所述第二手抖样本数据添加第二标签;其中,所述第一标签表示有帕金森病症状,所述第二标签表示无帕金森病症状;
所述帕金森病预测模块,还用于根据携带标签的所述手抖样本数据确定每一轮的训练数据,将当前轮训练数据输入帕金森病预测模型进行预测训练,获得所述当前轮训练数据对应的预测信息;基于预设的损失函数,根据所述预测信息与所述当前轮训练数据携带的标签,确定所述当前轮训练数据对应的损失函数值;若所述损失函数值大于预设的损失值阈值,则调整所述帕金森病预测模型的参数,并进行下一轮训练,直至得到的损失函数值小于或等于损失值阈值,结束训练,得到训练好的帕金森病预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110989622.1A CN113693561B (zh) | 2021-08-26 | 2021-08-26 | 基于神经网络的帕金森病预测设备、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110989622.1A CN113693561B (zh) | 2021-08-26 | 2021-08-26 | 基于神经网络的帕金森病预测设备、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113693561A CN113693561A (zh) | 2021-11-26 |
CN113693561B true CN113693561B (zh) | 2023-08-25 |
Family
ID=78655353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110989622.1A Active CN113693561B (zh) | 2021-08-26 | 2021-08-26 | 基于神经网络的帕金森病预测设备、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113693561B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115602328B (zh) * | 2022-11-16 | 2023-05-26 | 深圳技术大学 | 急性白血病的预警方法及装置 |
CN116189898B (zh) * | 2023-04-25 | 2023-07-28 | 首都医科大学附属北京友谊医院 | 预测帕金森病危险等级的预测模型进行训练的方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN208435653U (zh) * | 2017-09-30 | 2019-01-29 | 温州市人民医院 | 一种帕金森患者用手抖频率记录装置 |
CN109671061A (zh) * | 2018-12-07 | 2019-04-23 | 深圳美图创新科技有限公司 | 一种图像分析方法、装置、计算设备及存储介质 |
CN110123280A (zh) * | 2019-05-23 | 2019-08-16 | 浙江大学 | 一种基于智能移动终端操作行为识别的手指灵活度检测方法 |
CN111985584A (zh) * | 2020-09-30 | 2020-11-24 | 平安科技(深圳)有限公司 | 基于多模态数据的疾病辅助检测设备、方法、装置及介质 |
WO2020247047A1 (en) * | 2019-06-05 | 2020-12-10 | Tencent America LLC | User device based parkinson disease detection |
WO2021040993A1 (en) * | 2019-08-28 | 2021-03-04 | Tencent America LLC | User device based parkinson's disease detection |
-
2021
- 2021-08-26 CN CN202110989622.1A patent/CN113693561B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN208435653U (zh) * | 2017-09-30 | 2019-01-29 | 温州市人民医院 | 一种帕金森患者用手抖频率记录装置 |
CN109671061A (zh) * | 2018-12-07 | 2019-04-23 | 深圳美图创新科技有限公司 | 一种图像分析方法、装置、计算设备及存储介质 |
CN110123280A (zh) * | 2019-05-23 | 2019-08-16 | 浙江大学 | 一种基于智能移动终端操作行为识别的手指灵活度检测方法 |
WO2020247047A1 (en) * | 2019-06-05 | 2020-12-10 | Tencent America LLC | User device based parkinson disease detection |
WO2021040993A1 (en) * | 2019-08-28 | 2021-03-04 | Tencent America LLC | User device based parkinson's disease detection |
CN111985584A (zh) * | 2020-09-30 | 2020-11-24 | 平安科技(深圳)有限公司 | 基于多模态数据的疾病辅助检测设备、方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113693561A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mrozek et al. | Fall detection in older adults with mobile IoT devices and machine learning in the cloud and on the edge | |
Willetts et al. | Statistical machine learning of sleep and physical activity phenotypes from sensor data in 96,220 UK Biobank participants | |
US20190365332A1 (en) | Determining wellness using activity data | |
Forkan et al. | BDCaM: Big data for context-aware monitoring—A personalized knowledge discovery framework for assisted healthcare | |
US10667680B2 (en) | Forecasting eye condition progression for eye patients | |
CN113693561B (zh) | 基于神经网络的帕金森病预测设备、装置和存储介质 | |
US8190544B2 (en) | Identifying and generating biometric cohorts based on biometric sensor input | |
Cattelani et al. | FRAT-up, a web-based fall-risk assessment tool for elderly people living in the community | |
JP2023504398A (ja) | 連続血糖モニタリングに基づく提案 | |
JP2023507175A (ja) | 連続血糖モニタリングシステムによる多状態エンゲージメント | |
JP2023536038A (ja) | ウェアラブルグルコースモニタリングデバイスを用いた集団疾病の識別 | |
Mahfuz et al. | Detecting irregular patterns in IoT streaming data for fall detection | |
Soltani et al. | Real-world gait speed estimation, frailty and handgrip strength: a cohort-based study | |
Utekar et al. | Automated IoT based healthcare system for monitoring of remotely located patients | |
Doherty et al. | Time‐Series Analysis of Continuously Monitored Blood Glucose: The Impacts of Geographic and Daily Lifestyle Factors | |
Karnati et al. | ROAMM: A customizable and interactive smartwatch platform for patient-generated health data | |
US20230290502A1 (en) | Machine learning framework for detection of chronic health conditions | |
US20230123815A1 (en) | Stability scoring of individuals utilizing inertial sensor device | |
Lawanont et al. | A development of classification model for smartphone addiction recognition system based on smartphone usage data | |
EP3848939A1 (en) | Processing a classifier | |
FR3056328A1 (fr) | Systeme de traitement de donnees pour predire une hospitalisation ou une re-hospitalisation d’un patient atteint d’une maladie respiratoire chronique | |
Schwickert et al. | Sturzerkennung mit am Körper getragenen Sensoren: Ein systematischer Review | |
JP2020204911A (ja) | 情報処理装置、情報処理方法及びプログラム | |
US20230277091A1 (en) | System and method for unsupervised monitoring in mobility related disorders | |
Khan et al. | Personal productivity monitoring through smartphones |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220922 Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |