CN113724853A - 一种基于深度学习的智慧医疗系统 - Google Patents

一种基于深度学习的智慧医疗系统 Download PDF

Info

Publication number
CN113724853A
CN113724853A CN202111168394.8A CN202111168394A CN113724853A CN 113724853 A CN113724853 A CN 113724853A CN 202111168394 A CN202111168394 A CN 202111168394A CN 113724853 A CN113724853 A CN 113724853A
Authority
CN
China
Prior art keywords
intelligent
data
user
medical
camera
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
Application number
CN202111168394.8A
Other languages
English (en)
Inventor
赵旭
杨莎莎
王晓庆
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.)
Lenovo New Vision Nanchang Artificial Intelligence Industrial Research Institute Co Ltd
Original Assignee
Lenovo New Vision Nanchang Artificial Intelligence Industrial Research Institute Co Ltd
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 Lenovo New Vision Nanchang Artificial Intelligence Industrial Research Institute Co Ltd filed Critical Lenovo New Vision Nanchang Artificial Intelligence Industrial Research Institute Co Ltd
Priority to CN202111168394.8A priority Critical patent/CN113724853A/zh
Publication of CN113724853A publication Critical patent/CN113724853A/zh
Pending legal-status Critical Current

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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • 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
    • A61B5/02—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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • 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]
    • 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
    • A61B5/681—Wristwatch-type devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring

Abstract

本发明公开了一种基于深度学习的智慧医疗系统，包括智能摄像头、智能穿戴设备、血糖血压测试医疗箱和上位机、数据服务器。智能摄像头分别安装在用户家中与医生办公室，智能穿戴设备用于记录用户心电图数据与数据服务器通信连接，血糖测试医疗箱用于记录用户的血糖信息与数据服务器通信连接，上位机与数据服务器通信连接。用户穿戴智能穿戴设备并在室内房间安装智能摄像头同时保持与数据服务器的连接。当用户出现摔倒、晕倒等异常情况时，实现立即报警并将报警信息传到医院的上位机中。用户使用血糖血压测试医疗箱子将血糖血压数据上传至服务器，远程就医，数据服务器通过利用二级级联神经网络算法网分析为医生提供辅助诊断。

Description

一种基于深度学习的智慧医疗系统
技术领域
本发明涉及深度学习智医疗技术领域，一种基于深度学习的智慧医疗系统。
背景技术
健康是人类最普遍最根本的需求，人民健康是民族昌盛和国家富强的重要标志。随着经济社会的发展，我国国民对健康的需求快速增长，人们在希望“好看病、看好病”的同时，更加关注疾病的预防、个体功能的完善、健康状态的良好，以及健康寿命的延长。人们越来越关注自身健康问题，对医疗健康服务的需求也变得越来越迫切。在同时，AI技术的充分运用，互联网技术的不断渗透，有效推动了医院内、医院外的健康管理、医疗管理信息化、高效化、个性化。智慧医疗因此诞生。
智慧医疗是综合了大数据与深度学习的识别与分析技术方案。通过大数据分析与深度学习识别病理实现对人体慢性病、养老管控以及对医生诊断的辅助。实行远程就诊、AI自动生成预防建议等功能。
发明内容
本发明提供一种基于深度学习的智慧医疗系统，通过大数据与深度学习实现对用户远程健康管控，辅助诊断等功能。
实现本发明目的的技术方案是：
一种基于深度学习的智慧医疗系统，包括摄像头、智能穿戴设备、血糖血压测试医疗箱和上位机、数据服务器，摄像头分别安装在用户家中与医生办公室，智能穿戴设备用于记录用户心电图数据与数据服务器通信连接，血糖测试医疗用于记录用户的血糖信息与数据服务器通信连接，上位机与数据服务器通信连接。
所述的摄像头，为一种具有识别能力的网络摄像头。
所诉的智能穿戴设备，为一种具有记录心电图数据的智能手环。
所述的血糖血压测试医疗箱，为与数据服务器连接通信的血糖血压测试器。
所述的上位机，包括PC端、智能移动终端。
所述的数据服务器，存储病例数据，与每个用户心电图与血糖数据。
一种基于深度学习的智慧医疗系统，包括如下步骤：
1)用户佩戴智能穿戴设备，智能穿戴设备记录用户心率以及惯性数据，并将数据传入数据服务器中。为之后的慢性疾病的治疗方案和预防听过依据；
2)将室内安装智能摄像头，智能摄像头负责监控用户非正常行为(晕倒、摔倒)，在用户出现晕倒、摔倒等情况时智能摄像头对图像以及智能穿戴设备的惯性数据进行融合预测分析将数据上传至服务器，并对医院的急救系统进行报警；
3)用户定期使用血糖血压测试医疗箱记录血糖血压情况，并将数据传入数据服务器中，服务器通过深度学习技术对数据进行分析与诊断，为之后的慢性疾病的治疗方案和预防听过依据；
4)用户通过上位机即客户端挂号远程就诊，医院医生通过客户端及数据服务器中调取用户的信息，同时根据数据服务器通过优化的二级级联神经网络算法对用户的医疗图像识别预测提供的辅助诊断；
步骤2)，所述的融合预测分析算法，是利用智能穿戴设备上的六轴传感器得到的惯性数据与智能摄像头采集的图像进行二次判定。首先通过六轴传感器得到三个方向的加速度数据通过计算得到SMA与SMV的值，若SMA与SMV的数值超过预设的正常值并且SMA与SMV的增量突然骤增时，智能摄像头开始采集图片并使复合检测算法判定使用者是否出现摔倒或者晕倒的情况。SMA与SMV的计算公式如下：
Figure BDA0003293497050000021
上述公式(1)中，acc_X、acc_Y、acc_Z分别为三个方向的某一时刻的加速度值，i为当前采集的次数。
复合检测算法主要结构如下：
1)制作数据集
利用数据集中的表框信息截取数据集中的目标图像等到一个新的图像，对新的图像进行福利也变换得到新的数据集。
2)训练
将新老数据集一同输入到SSD网络中进行训练。
3)预测
首先将图像输入到SSD网络中进行预测等到预测框和预测分类分数；
其次使用上一步产生的预测框裁剪输入图像得到一个新的图像，将新的图像进行傅里叶变换后放入SSD，此次只进行二分类不产生预测框，得到最终的分类分数；
最后在将每个分类前后两次的分类分数相加，得到最终分数，将分数最高的结果作为预测结果。
步骤4)，所述的优化的二级级联神经网络算法，是利用U-Net对肿瘤进行图形分割，再利用Resnet-50对分割出来的肿瘤部分进行分类。
本发明提供的一种基于深度学习的智慧医疗系统，具有如下优点：
1、本发明与传统的医院就医相比，可以远程就医，方便老人或无返到达医院现场就医的人可以随时随地就医。
2、本发明可以记录和监测用户的血糖血压，通过记录分析血糖血压值，医生可以随时查看病人或用户的近期血糖以及血压的变化以便于医生对病人或用户提供更精准的。
3、本发明可以随时监控用户在室内的活动情况，当使用者出现严重是摔伤、晕倒等情况时医院可立即接到报警，并对使用者展开救治。
4、本发明运用了深度学习、大数据技术，是一个智慧型医疗系统方案，可对摔倒、和医学图像进行准确的判断，辅助医生的工作。
附图说明
图1为本发明系统结构图；
图2为本发明实施例中的融合预测分析算法的工作流程图；
图3是本发明实施例中复合检测算法的预测工作过程图；
图4是本发明实施例中优化的二级级联神经网络算法过程图；
具体实施方式
下面结合附图和实施例对本发明内容做进一步阐述，但不是对本发明的限定。
实施例1：智慧医疗系统
当使用者佩戴智能穿戴设备同时在室内安装智能摄像头时。智能穿戴设备将记录用户的惯性数值，当惯性数值异常时智能摄像头使用融合预测分析算法判断用当前是否为非正常状态，并将报警信息传到医院的上位机中。用户使用血糖血压测试医疗箱子将血糖血压数据上传至服务器，通过上位机远程就医，数据服务器通过利用二级级联神经网络算法网分析医学图像并为医生提供辅助诊断，并针对血糖血压数据给出相应医嘱。
如图1所示，一种基于深度学习的智慧医疗系统，包括摄像头、智能穿戴设备、血糖血压测试医疗箱和上位机、数据服务器，摄像头分别安装在用户家中与医生办公室，智能穿戴设备用于记录用户心电图数据与数据服务器通信连接，血糖测试医疗用于记录用户的血糖信息与数据服务器通信连接，上位机与数据服务器通信连接。
所述的摄像头，为一种具有识别能力的网络摄像头，采用融合预测分析算法能准确判断用户是否出现晕倒、摔倒等突发状况。
所诉的智能穿戴设备，为一种具有记录心电图数据的智能手环，其具有记录心电图数据并上传至数据服务器的功能。
所述的血糖血压测试医疗箱，为与数据服务器连接通信的血糖血压测试器。
所述的上位机，包括PC端、智能移动终端，智能移动终端可以采用智能手机，可在进行远程就医问诊。
所述的数据服务器，存储病例数据，与每个用户心电图与血糖血压数据，搭载优化的二级级联神经网络算法，可对医学图像进行检测识别并为医生提供辅助诊断。
一种基于深度学习的智慧医疗系统，包括如下步骤：
1)用户佩戴智能穿戴设备就来心电图数据，并室内环境下每个房间安装智能摄像头，摄像头只有在智能设备传出异常的惯性数据才打开采集图像。智能穿戴设备、智能摄像头与数据服务器连接，确保数据能上传至服务器；
2)用户使用血糖血压测试医疗箱子将血糖血压数据上传至服务器，作为医生诊断与慢性病监控的依旧。
3)数据服务器中存入大量的病理数据和医学图像数据集用于实现智能诊断；
4)当用户出现摔倒或晕倒等状况时，智能穿戴设备SMA与SMV值传入数据库服务器中的同时也将SMA与SMV传入智能摄像头，摄像头读到了当钱SMA与SMV的值判断若数值异常摄像头开启采集图像，通过复合检测算法再次判断用户状态若为真则将信息传入数据库服务器，服务器将报警信息传入医院客户端，此时医生得到警报可以快速做出救治反应；
5)用户使用上位机客户端远程就医时，数据服务器通过优化的二级联神经网络算法将医学图像内容进行分类并将最后的诊断与用户的血糖血压值一同传到医院客户端供医生参考诊断；
步骤2)，所述的融合预测分析算法，是利用智能穿戴设备上的六轴传感器得到的惯性数据与智能摄像头采集的图像进行二次判定。首先通过六轴传感器得到三个方向的加速度数据通过计算得到SMA与SMV的值，若SMA与SMV的数值超过预设的正常值并且SMA与SMV的增量突然骤增时，智能摄像头开始采集图片并使复合检测算法判定使用者是否出现摔倒或者晕倒的情况。SMA与SMV的计算公式如下：
Figure BDA0003293497050000041
上述公式(1)中，acc_X、acc_Y、acc_Z分别为三个方向的某一时刻的加速度值，i为当前采集的次数。
复合检测算法主要结构如下：
1)制作数据集
利用数据集中的表框信息截取数据集中的目标图像等到一个新的图像，对新的图像进行福利也变换得到新的数据集。
2)训练
将新老数据集一同输入到SSD网络中进行训练。
3)预测
首先将图像输入到SSD网络中进行预测等到预测框和预测分类分数；
其次使用上一步产生的预测框裁剪输入图像得到一个新的图像，将新的图像进行傅里叶变换后放入SSD，此次只进行二分类不产生预测框，得到最终的分类分数；
最后在将每个分类前后两次的分类分数相加，得到最终分数，将分数最高的结果作为预测结果。
步骤4)，所述的优化的二级级联神经网络算法，是利用U-Net对肿瘤进行图形分割，再利用Resnet-50对分割出来的肿瘤部分进行分类。

Claims (9)

1.一种基于深度学习的智慧医疗系统，其特征在于，包括智能摄像头、智能穿戴设备、血糖血压测试医疗箱和上位机、数据服务器。智能穿戴设备、智能摄像头、上位机与数据服务器通信连接。用户穿戴智能穿戴设备并在室内个房间安装智能摄像头同时保持与数据服务器的连接。当用户出现摔倒、晕倒等异常情况时，智能穿戴设备将记录用户的惯性数值，当惯性数值异常时智能摄像头使用融合预测分析算法判断用当前是否为非正常状态，并将报警信息传到医院的上位机中。用户使用血糖血压测试医疗箱子将血糖血压数据上传至服务器，通过上位机远程就医，数据服务器通过利用二级级联神经网络算法网分析医学图像并为医生提供辅助诊断。
2.根据权利要求1所述的一种基于深度学习的智慧医疗系统，其特征在于，所述的智能摄像头，为一种具有识别能力的网络摄像头，采用融合预测分析算法能准确判断用户是否出现晕倒、摔倒等突发状况。
3.根据权利要求1所述的一种基于深度学习的智慧医疗系统，其特征在于，所述的智能穿戴设备，为一种具有记录心电图数据的智能手环，其具有记录心电图数据并上传至数据服务器的功能。
4.根据权利要求1所述的一种基于深度学习的智慧医疗系统，其特征在于，所述的血糖血压测试医疗箱，为与数据服务器连接通信的血糖血压测试器。
5.根据权利要求1所述的一种基于深度学习的智慧医疗系统，其特征在于，所述的上位机，包括PC端、智能移动终端，智能移动终端可以采用智能手机，可在进行远程就医问诊。
6.根据权利要求1所述的一种基于深度学习的智慧医疗系统，其特征在于，所述的数据服务器，存储病例数据，与每个用户心电图与血糖血压数据，搭载优化的二级级联神经网络算法，可对医学图像进行检测识别并为医生提供辅助诊断。
7.一种基于基于深度学习的智慧医疗系统，其特征在于，包括如下步骤：
1)用户佩戴智能穿戴设备就来心电图数据，并室内环境下每个房间安装智能摄像头，摄像头只有在智能设备传出异常的惯性数据才打开采集图像。智能穿戴设备、智能摄像头与数据服务器连接，确保数据能上传至服务器
2)用户使用血糖血压测试医疗箱子将血糖血压数据上传至服务器，作为医生诊断与慢性病监控的依旧。
3)数据服务器中存入大量的病理数据和医学图像数据集用于实现智能诊断；
4)当用户出现摔倒或晕倒等状况时，智能穿戴设备SMA与SMV值传入数据库服务器中的同时也将SMA与SMV传入智能摄像头，摄像头读到了当钱SMA与SMV的值判断若数值异常摄像头开启采集图像，通过复合检测算法再次判断用户状态若为真则将信息传入数据库服务器，服务器将报警信息传入医院客户端，此时医生得到警报可以快速做出救治反应；
5)用户使用上位机客户端远程就医时，数据服务器通过优化的二级联神经网络算法将医学图像内容进行分类并将最后的诊断与用户的血糖血压值一同传到医院客户端供医生参考诊断。
8.根据权利要求7所述的一种基于深度学习的智慧医疗系统，其特征在于，步骤2)，所述的融合预测分析算法，是利用智能穿戴设备上的六轴传感器得到的惯性数据与智能摄像头采集的图像进行二次判定。首先通过六轴传感器得到三个方向的加速度数据通过计算得到SMA与SMV的值，若SMA与SMV的数值超过预设的正常值并且SMA与SMV的增量突然骤增时，智能摄像头开始采集图片并使复合检测算法判定使用者是否出现摔倒或者晕倒的情况。SMA与SMV的计算公式如下：
Figure FDA0003293497040000021
上述公式(1)中，acc_X、acc_Y、acc_Z分别为三个方向的某一时刻的加速度值，i为当前采集的次数。
复合检测算法主要结构如下：
1)制作数据集
利用数据集中的表框信息截取数据集中的目标图像等到一个新的图像，对新的图像进行福利也变换得到新的数据集。
2)训练
将新老数据集一同输入到SSD网络中进行训练。
3)预测
首先将图像输入到SSD网络中进行预测等到预测框和预测分类分数；
其次使用上一步产生的预测框裁剪输入图像得到一个新的图像，将新的图像进行傅里叶变换后放入SSD，此次只进行二分类不产生预测框，得到最终的分类分数；
最后在将每个分类前后两次的分类分数相加，得到最终分数，将分数最高的结果作为预测结果。
9.根据权利要求7所述的一种基于深度学习的智慧医疗系统，其特征在于，步骤4)，所述的优化的二级级联神经网络算法，是利用U-Net对肿瘤进行图形分割，再利用Resnet-50对分割出来的肿瘤部分进行分类。
CN202111168394.8A 2021-10-08 2021-10-08 一种基于深度学习的智慧医疗系统 Pending CN113724853A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111168394.8A CN113724853A (zh) 2021-10-08 2021-10-08 一种基于深度学习的智慧医疗系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111168394.8A CN113724853A (zh) 2021-10-08 2021-10-08 一种基于深度学习的智慧医疗系统

Publications (1)

Publication Number Publication Date
CN113724853A true CN113724853A (zh) 2021-11-30

Family

ID=78685638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111168394.8A Pending CN113724853A (zh) 2021-10-08 2021-10-08 一种基于深度学习的智慧医疗系统

Country Status (1)

Country Link
CN (1) CN113724853A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116473526A (zh) * 2023-06-25 2023-07-25 湖南尚医康医疗科技有限公司 基于人工智能和物联网的医疗信息采集方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105225419A (zh) * 2015-09-18 2016-01-06 深圳大学 跌倒检测方法、系统及基于该系统的跌倒自动报警器
CN105708470A (zh) * 2016-01-21 2016-06-29 山东大学 基于多普勒探测器与传感器联合的跌倒检测系统和方法
KR20190003248A (ko) * 2017-06-30 2019-01-09 이길헌 웨어러블 디바이스와 모바일 단말을 연동한 독거노인 응급구조 시스템
CN109887238A (zh) * 2019-03-12 2019-06-14 朱利 一种基于视觉和人工智能的跌倒检测系统及检测报警方法
CN111180091A (zh) * 2020-03-06 2020-05-19 东北大学 面向智慧医疗社区服务的监护系统
CN111209848A (zh) * 2020-01-03 2020-05-29 北京工业大学 一种基于深度学习的实时跌倒检测方法
CN112598613A (zh) * 2019-09-16 2021-04-02 苏州速游数据技术有限公司 一种用于肺癌智能诊断的基于深度图像分割和识别的测定方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105225419A (zh) * 2015-09-18 2016-01-06 深圳大学 跌倒检测方法、系统及基于该系统的跌倒自动报警器
CN105708470A (zh) * 2016-01-21 2016-06-29 山东大学 基于多普勒探测器与传感器联合的跌倒检测系统和方法
KR20190003248A (ko) * 2017-06-30 2019-01-09 이길헌 웨어러블 디바이스와 모바일 단말을 연동한 독거노인 응급구조 시스템
CN109887238A (zh) * 2019-03-12 2019-06-14 朱利 一种基于视觉和人工智能的跌倒检测系统及检测报警方法
CN112598613A (zh) * 2019-09-16 2021-04-02 苏州速游数据技术有限公司 一种用于肺癌智能诊断的基于深度图像分割和识别的测定方法
CN111209848A (zh) * 2020-01-03 2020-05-29 北京工业大学 一种基于深度学习的实时跌倒检测方法
CN111180091A (zh) * 2020-03-06 2020-05-19 东北大学 面向智慧医疗社区服务的监护系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116473526A (zh) * 2023-06-25 2023-07-25 湖南尚医康医疗科技有限公司 基于人工智能和物联网的医疗信息采集方法及系统
CN116473526B (zh) * 2023-06-25 2023-09-29 湖南尚医康医疗科技有限公司 基于人工智能和物联网的医疗信息采集方法及系统

Similar Documents

Publication Publication Date Title
CA2631870C (en) Residual-based monitoring of human health
WO2017193497A1 (zh) 基于融合模型的智能化健康管理服务器、系统及其控制方法
US20210327562A1 (en) Artificial intelligence driven rapid testing system for infectious diseases
CN115064246B (zh) 一种基于多模态信息融合的抑郁症评估系统及设备
CN111248859A (zh) 基于卷积神经网络的睡眠呼吸暂停自动检测方法
CN110580953A (zh) 采用人工智能的诊病系统和方法
CN110755091A (zh) 一种个人心理健康监测系统及方法
WO2023012818A1 (en) A non-invasive multimodal screening and assessment system for human health monitoring and a method thereof
WO2023097780A1 (zh) 机械通气过程中人机异步现象的分类方法和分类装置
CN113724853A (zh) 一种基于深度学习的智慧医疗系统
CN117133464B (zh) 一种老年人健康智能监测系统及监测方法
AU2021236462A1 (en) Residual-based monitoring of human health
CN116864140A (zh) 一种心内科术后护理监测数据处理方法及其系统
US20160228067A1 (en) System and method for intelligent monitoring of patient vital signs
US20240050006A1 (en) System and method for prediction and control of attention deficit hyperactivity (adhd) disorders
CN117690583B (zh) 基于物联网的康复护理交互式管理系统及方法
CN117976217A (zh) 一种疼痛评估方法、装置及终端
CN117116467A (zh) 基于面部识别的智能诊疗系统
CN114420292A (zh) 一种医疗健康动态预测方法、系统和设备
Sharma et al. IoT-Embedded Deep Learning Model for Real-Time Remote Health Monitoring and Early Identification of Diseases
Muthusenthil et al. CV-SAS: Computer Vision Modeled Seamless Stress Analysis System for Workers
CN117064388A (zh) 基于情绪识别实现精神障碍评估分析的系统
Kumar et al. ECG Based Arrhythmia Detection Using CNN
CN115658775A (zh) 一种数据分析方法、装置、电子设备及介质
Shankar Data-driven Gait based Severity Classification for Parkinson's Disease using Duo Spatiotemporal Convoluted Kernel Boosted ResNet model

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