CN113729657B - 一种基于智能穿戴装置的数据监测方法及系统 - Google Patents
一种基于智能穿戴装置的数据监测方法及系统 Download PDFInfo
- Publication number
- CN113729657B CN113729657B CN202111170646.0A CN202111170646A CN113729657B CN 113729657 B CN113729657 B CN 113729657B CN 202111170646 A CN202111170646 A CN 202111170646A CN 113729657 B CN113729657 B CN 113729657B
- Authority
- CN
- China
- Prior art keywords
- information
- dangerous
- obtaining
- attitude
- data set
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—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
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- 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
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- 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
-
- 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
- A61B5/6803—Head-worn items, e.g. helmets, masks, headphones or goggles
-
- 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
- A61B5/6804—Garments; Clothes
-
- 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
-
- 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
- A61B5/7235—Details of waveform analysis
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
Abstract
本发明公开了一种基于智能穿戴装置的数据监测方法及系统,其中,所述方法包括:将体温信息、呼吸频率信息和血压信息输入第一健康指数评估模型,获得第一健康指数评估结果;根据第一危险实验场景,构建危险姿态特征数据库;将姿态信息数据集和所述危险姿态特征数据库进行特征匹配,获得第一危险特征匹配度;根据所述第一健康指数评估结果和所述第一危险特征匹配度,获得第一危险数据监测结果;如果所述第一危险数据监测结果超过预定危险阈值,获得第一预警指令,所述第一预警指令用于对所述第一用户进行安全预警。解决了现有技术危险性试验未对实验人员状态进行实时监测,且监测结果不够全面准确,从而造成实验人员出现安全问题的技术问题。
Description
技术领域
本发明涉及数据监测领域,尤其涉及一种基于智能穿戴装置的数据监测方法及系统。
背景技术
危险性实验涉及的风险主要包括化学工艺和过程的风险、化学品安全的风险和设备设施的风险等,为保证实验室工作的正常进行,需本着“安全第一,预防为主”的方针,对存在的安全风险进行规定和管理,以保证实验人员的人身安全。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术危险性试验未对实验人员状态进行实时监测,且监测结果不够全面准确,从而造成实验人员出现安全问题。
发明内容
本申请实施例通过提供一种基于智能穿戴装置的数据监测方法及系统,解决了现有技术危险性试验未对实验人员状态进行实时监测,且监测结果不够全面准确,从而造成实验人员出现安全问题的技术问题,达到基于智能穿戴装置对实验人员进行全面实时监测,提高监测数据准确性,对安全问题及时预警,进而保证实验人员安全的技术效果。
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的方法。
第一方面,本申请实施例提供了一种基于智能穿戴装置的数据监测方法,所述方法包括:获得第一用户的第一身体特征信息,并根据所述第一身体特征信息,从健康评估模型库中调用第一健康指数评估模型;通过智能穿戴装置获得所述第一用户的体温信息、呼吸频率信息、血压信息;将所述体温信息、所述呼吸频率信息和所述血压信息输入第一健康指数评估模型,获得第一健康指数评估结果;对所述第一用户的姿态进行捕捉,获得姿态信息数据集;根据第一危险实验场景,构建危险姿态特征数据库;获得第一特征匹配指令,根据所述第一特征匹配指令将所述姿态信息数据集和所述危险姿态特征数据库进行特征匹配,获得第一危险特征匹配度;根据所述第一健康指数评估结果和所述第一危险特征匹配度,获得第一危险数据监测结果;如果所述第一危险数据监测结果超过预定危险阈值,获得第一预警指令,所述第一预警指令用于对所述第一用户进行安全预警。
另一方面,本申请还提供了一种基于智能穿戴装置的数据监测系统,所述系统包括:第一获得单元,所述第一获得单元用于获得第一用户的第一身体特征信息,并根据所述第一身体特征信息,从健康评估模型库中调用第一健康指数评估模型;第二获得单元,所述第二获得单元用于通过智能穿戴装置获得所述第一用户的体温信息、呼吸频率信息、血压信息;第三获得单元,所述第三获得单元用于将所述体温信息、所述呼吸频率信息和所述血压信息输入第一健康指数评估模型,获得第一健康指数评估结果;第四获得单元,所述第四获得单元用于通过图像采集装置对所述第一用户的姿态进行捕捉,获得姿态信息数据集;第一构建单元,所述第一构建单元用于根据第一危险实验场景,构建危险姿态特征数据库;第五获得单元,所述第五获得单元用于获得第一特征匹配指令,根据所述第一特征匹配指令将所述姿态信息数据集和所述危险姿态特征数据库进行特征匹配,获得第一危险特征匹配度;第六获得单元,所述第六获得单元用于根据所述第一健康指数评估结果和所述第一危险特征匹配度,获得第一危险数据监测结果;第一预警单元,所述第一预警单元用于如果所述第一危险数据监测结果超过预定危险阈值,获得第一预警指令,所述第一预警指令用于对所述第一用户进行安全预警。
第三方面,本发明实施例提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述的控制输出数据的方法中的步骤。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的控制输出数据的方法中的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了通过智能穿戴装置获得所述第一用户的体温信息、呼吸频率信息、血压信息;将所述体温信息、所述呼吸频率信息和所述血压信息输入第一健康指数评估模型,获得第一健康指数评估结果;对所述第一用户的姿态进行捕捉,获得姿态信息数据集;根据第一危险实验场景,构建危险姿态特征数据库;获得第一特征匹配指令,根据所述第一特征匹配指令将所述姿态信息数据集和所述危险姿态特征数据库进行特征匹配,获得第一危险特征匹配度;根据所述第一健康指数评估结果和所述第一危险特征匹配度,获得第一危险数据监测结果;如果所述第一危险数据监测结果超过预定危险阈值,获得第一预警指令,所述第一预警指令用于对所述第一用户进行安全预警。进而达到基于智能穿戴装置对实验人员进行全面实时监测,提高监测数据准确性,对安全问题及时预警,进而保证实验人员安全的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于智能穿戴装置的数据监测方法的流程示意图;
图2为本申请实施例一种基于智能穿戴装置的数据监测方法中获得危险姿态特征匹配度的流程示意图;
图3为本申请实施例一种基于智能穿戴装置的数据监测方法中对姿态信息数据集进行无监督学习分类的流程示意图;
图4为本申请实施例一种基于智能穿戴装置的数据监测方法中根据穿戴装置适配度对健康指数评估结果进行修正的流程示意图;
图5为本申请实施例一种基于智能穿戴装置的数据监测方法中获得智能穿戴装置的穿戴状态适配系数的流程示意图;
图6为本申请实施例一种基于智能穿戴装置的数据监测方法中获得用户心理承压指数的流程示意图;
图7为本申请实施例一种基于智能穿戴装置的数据监测方法中获得危险实验场景的空气环境危险指数的流程示意图;
图8为本申请实施例一种基于智能穿戴装置的数据监测系统的结构示意图;
图9为本申请实施例所提供的一种用于执行控制输出数据的方法的电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第四获得单元14,第一构建单元15,第五获得单元16,第六获得单元17,第一预警单元18,总线1110,处理器1120,收发器1130,总线接口1140,存储器1150,操作系统1151,应用程序1152和用户接口1160。
具体实施方式
在本发明实施例的描述中,所属技术领域的技术人员应当知道,本发明实施例可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本发明实施例可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本发明实施例还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本发明实施例中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行系统、装置、器件使用或与其结合使用。
申请概述
本发明实施例通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本发明实施例中的附图对本发明实施例进行描述。
实施例一
如图1所示,本申请实施例提供了一种基于智能穿戴装置的数据监测方法,其中,所述方法应用于一实验室数据监测系统,所述系统包括一图像采集装置,且所述系统与一智能穿戴装置通讯连接,所述方法包括:
步骤S100:获得第一用户的第一身体特征信息,并根据所述第一身体特征信息,从健康评估模型库中调用第一健康指数评估模型;
具体而言,危险性实验涉及的风险主要包括化学工艺和过程的风险、化学品安全的风险和设备设施的风险等,所述第一用户为进行危险性实验的实验人员。所述第一用户的第一身体特征信息包括实验人员年龄、性别、身高、体重、有无既往病史等信息,根据所述第一身体特征信息,从健康评估模型库中调用第一健康指数评估模型,所述健康评估模型库是包括多个按照用户身体特征信息进行健康评估的模型库,所述第一健康指数评估模型为与所述第一身体特征信息相匹配的健康指数评估模型,用于后续对实验人员的身体健康情况进行准确评估。
步骤S200:通过所述智能穿戴装置获得所述第一用户的体温信息、呼吸频率信息、血压信息;
具体而言,所述智能穿戴装置是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称,如手表、手环、眼镜、服饰等。穿戴式智能设备时代的来临意味着人的智能化延伸,通过这些设备,人可以更好的感知外部与自身的信息,能够在计算机、网络甚至其它人的辅助下更为高效率的处理信息,能够实现更为无缝的交流。通过所述智能穿戴装置里的传感器对所述第一用户的体温信息、呼吸频率信息、血压信息进行实时监测,全方面掌握实验人员的实时身体状态。
步骤S300:将所述体温信息、所述呼吸频率信息和所述血压信息输入第一健康指数评估模型,获得第一健康指数评估结果;
具体而言,将所述体温信息、所述呼吸频率信息和所述血压信息输入第一健康指数评估模型,所述第一健康指数评估模型为神经网络模型,用于对健康指数进行评估,获得所述模型的训练输出结果即第一健康指数评估结果,所述第一健康指数评估结果是实验人员在进行危险性试验时的身体健康情况,准确实时的反应实验人员身体状况。
步骤S400:通过所述图像采集装置对所述第一用户的姿态进行捕捉,获得姿态信息数据集;
步骤S500:根据第一危险实验场景,构建危险姿态特征数据库;
具体而言,通过所述图像采集装置对所述第一用户的姿态进行捕捉,所述图像采集装置为实验室的监控装置,如摄像头,用于对实验人员的实验操作过程进行监控,获得姿态信息数据集,所述姿态信息数据集为实验人员实验操作过程的动作姿态数据集合。所述第一危险实验场景为危险性实验场景,包括实验类型、实验设备、实验操作、实验试剂等,根据所述第一危险实验场景,构建危险姿态特征数据库,所述危险姿态特征数据库为危险性实验过程中的不符合标准的危险操作,如实验设备的误操作,以辅助用于对实验人员的安全监测。
步骤S600:获得第一特征匹配指令,根据所述第一特征匹配指令将所述姿态信息数据集和所述危险姿态特征数据库进行特征匹配,获得第一危险特征匹配度;
如图2所示,进一步而言,其中,所述将所述姿态信息数据集和所述危险姿态特征数据库进行特征匹配,获得第一危险特征匹配度,本申请实施例步骤S600还包括:
步骤S610:对所述姿态信息数据集进行无监督学习分类,生成第一数值连续姿态集合;
步骤S620:将所述第一数值连续姿态集合和所述危险姿态特征数据库进行特征匹配,获得各危险特征匹配度;
步骤S630:获得所述各危险特征匹配度中超过预定危险特征匹配度的第一危险特征信息集;
步骤S640:将所述第一危险特征信息集输入危险程度评估模型,获得第一危险特征匹配度。
具体而言,根据所述第一特征匹配指令将所述姿态信息数据集和所述危险姿态特征数据库进行特征匹配,匹配实验人员的危险操作特征,通过计算机对整理得到的所述姿态信息数据集进行无监督学习分类,得到姿态信息连续时的数值和姿态信息离散时的数值,分别对应形成所述第一数值连续姿态集合和数值离散姿态集合。其中,所述无监督学习是指是指因缺乏足够的先验知识,在难以人工标注类别或进行人工类别标注的成本太高时,利用机器代替人力完成部分工作,根据类别未知的训练样本、即没有数据标注,仅有数据本身,解决模式识别中的问题。所述数值离散姿态集合中的离散数据为受多种因素影响导致的离散结果,如设备信号干扰因素,因此离散数据不能代表姿态信息实际值,需排除后再对其他检测数据进行分析。所述第一数值连续姿态集合中的连续数据代表姿态信息监测数据趋势。通过无监督学习,实现了对所述姿态信息数据集中所有姿态信息数据的分类。
将所述第一数值连续姿态集合和所述危险姿态特征数据库进行特征匹配,获得各危险特征匹配度,所述各危险特征匹配度为各操作特征的危险特征匹配程度。获得所述各危险特征匹配度中超过预定危险特征匹配度的第一危险特征信息集,所述预定危险特征匹配度为预设超过安全操作标准的特征匹配程度,所述第一危险特征信息集为实验人员各危险操作特征,如实验试剂混合失误。将所述第一危险特征信息集输入危险程度评估模型,所述危险程度评估模型为神经网络模型,用于对实验人员危险操作进行危险程度评估,获得所述模型的训练输出结果即第一危险特征匹配度,所述第一危险特征匹配度越高,表明实验人员操作危险程度越高。
步骤S700:根据所述第一健康指数评估结果和所述第一危险特征匹配度,获得第一危险数据监测结果;
步骤S800:如果所述第一危险数据监测结果超过预定危险阈值,获得第一预警指令,所述第一预警指令用于对所述第一用户进行安全预警。
具体而言,根据所述第一健康指数评估结果和所述第一危险特征匹配度,获得第一危险数据监测结果,结合实验人员危险操作时的身体健康指数,确定监测结果。如果所述第一危险数据监测结果超过预定危险阈值,表明实验人员的目前实验状态达到警戒值,所述预定危险阈值为需要对实验人员安全进行警示的危险范围。根据所述第一预警指令对所述第一用户进行安全预警,以便及时采取措施,如语音提示、实验室通风等,保证实验人员安全。达到基于智能穿戴装置对实验人员进行全面实时监测,提高监测数据准确性,对安全问题及时预警,进而保证实验人员人身安全。
如图3所示,进一步而言,其中,所述对所述姿态信息数据集进行无监督学习分类,本申请实施例步骤S610还包括:
步骤S611:对所述姿态信息数据集进行遍历访问处理,生成第一均匀姿态信息数据集;
步骤S612:将所述第一均匀姿态信息数据集中的数据定义为P个聚类;
步骤S613:对所述P个聚类中的各自数据点的两两距离进行平均值计算,获得平均距离数据集;
步骤S614:根据所述平均距离数据集,获得类姿态信息数据集,所述类姿态信息数据集包括距离平均值最小的分类集;
步骤S615:根据所述类姿态信息数据集,对所述平均距离数据集进行逐层递归聚类,直至生成所述均匀姿态信息数据集的姿态信息聚类树;
步骤S616:根据所述姿态信息聚类树,对所述姿态信息数据集进行学习分类。
具体而言,通过计算机对所述姿态信息数据集中的所有姿态信息数据进行遍历访问,可以生成第一均匀姿态信息数据集,然后将所述第一均匀姿态信息数据集中的姿态信息数据定义为P个聚类。其中,所述聚类是指将相似的事物聚集在一起,而将不相似的事物划分到不同的类别的过程。举例如古典生物学之中人们通过物种的形貌特征将其分门别类,就是一种朴素的人工聚类。进一步测算所述P个聚类中的各姿态信息数据点之间的两两距离,然后进行平均值计算,可以得到所述P个聚类中的各姿态信息数据点之间的平均距离,即为所述平均距离数据集。其中,所述平均距离数据集中共有P个平均值数据,分别与所述P个聚类一一对应。
进一步根据所述平均距离数据集,获得所述P个聚类平均姿态数据信息,即所述类姿态信息数据集。其中,所述类姿态信息数据集中包括有距离平均值最小的聚类集。根据所述类姿态信息数据集,对所述平均距离数据集进行逐层递归聚类,直至生成所述姿态信息数据集的姿态信息聚类树。其中,所述逐层递归聚类是指按照平均距离数据的大小,按照从大到小或从小到大的顺序,将平均距离数据最大或最小的数据合并为一个大的类。最后根据所述姿态信息聚类树,对所述姿态信息数据集进行学习分类。达到了智能化计算并对姿态信息数据进行学习分类的技术效果。
如图4所示,进一步而言,本申请实施例步骤还包括:
步骤S910:通过所述图像采集装置获得所述第一用户的体型特征信息;
步骤S920:获得所述智能穿戴装置的配置调节阈值;
步骤S930:将所述第一用户的体型特征信息和所述配置调节阈值进行匹配,获得第一穿戴装置适配度;
步骤S940:根据所述第一穿戴装置适配度对所述第一健康指数评估结果进行修正。
具体而言,通过所述图像采集装置对所述第一用户的体型特征信息进行采集,即实验人员的体型大小,包括腰围、头围、手腕大小等。所述智能穿戴装置的配置调节阈值为所述智能穿戴装置的佩戴尺寸调节范围大小,将所述第一用户的体型特征信息和所述配置调节阈值进行匹配,获得第一穿戴装置适配度,即实验人员佩戴智能穿戴设备的尺寸适应情况。根据所述第一穿戴装置适配度对所述第一健康指数评估结果进行修正,如实验人员体型较大,佩戴智能穿戴设备较紧,会对血压产生一定影响,进而影响健康指数,考虑设备适配程度,使得对实验人员的健康指数评估更加准确的技术效果。
如图5所示,进一步而言,本申请实施例步骤S940还包括:
步骤S941:通过所述智能穿戴装置获得第一穿戴距离信息;
步骤S942:如果所述第一穿戴距离信息在预设距离阈值之内,获得第一接触面积信息;
步骤S943:根据所述第一穿戴距离信息和所述第一接触面积信息,获得第一穿戴状态适配系数;
步骤S944:根据所述第一穿戴状态适配系数,获得第二穿戴装置适配度。
具体而言,通过所述智能穿戴装置中的传感器获得智能穿戴设备和实验人员的第一穿戴距离信息,如果所述第一穿戴距离信息在预设距离阈值之内,表明实验人员处于佩戴智能穿戴设备的状态,获得智能穿戴设备和实验人员的佩戴面积即第一接触面积信息。根据所述第一穿戴距离信息和所述第一接触面积信息,确定实验人员的第一穿戴状态适配系数,即佩戴状态的适配程度,所述第一穿戴状态适配系数越高,表明实验人员佩戴智能穿戴设备的适合程度越高。根据所述第一穿戴状态适配系数,获得修正后的第二穿戴装置适配度,使得对智能穿戴装置适配度评价更加准确,进而确保对实验人员健康指数评估精确度的技术效果。
如图6所示,进一步而言,本申请实施例步骤还包括:
步骤S1010:对所述第一用户进行危险性实验心理评估,获得第一心理承压能力曲线;
步骤S1020:对所述第一心理承压能力曲线的波峰值和波谷值进行统计,并根据统计结果进行绝对值计算,获得第一心理波动值;
步骤S1030:根据所述第一心理波动值,获得第一心理承压指数;
步骤S1040:根据所述第一心理承压指数,获得第二健康指数评估结果。
具体而言,在实验人员进行危险性实验之前,需对其进行危险性实验心理评估,获得第一心理承压能力曲线,所述第一心理承压能力曲线表明实验人员在进行危险性实验评估时的心理承压波动状况。对所述第一心理承压能力曲线的波峰值和波谷值进行统计,波峰值和波谷值代表实验人员的心理波动情况,个数越多,数值越大,表明实验人员的承压能力越差。并根据统计结果进行绝对值相加计算,获得计算结果即第一心理波动值,根据所述第一心理波动值,获得第一心理承压指数,所述第一心理波动值越大,所述第一心理承压指数越低。根据所述第一心理承压指数,获得修正后的第二健康指数评估结果,实验人员的心理承压指数会影响体征变化,进而影响健康指数评估结果,使得实验人员健康指数评估结果更加全面准确的技术效果。
如图7所示,进一步而言,其中,所述方法应用于一实验室数据监测系统,所述系统还包括一空气采集装置,本申请实施例还包括:
步骤S1110:通过所述空气采集装置对所述第一危险实验场景进行空气采集,获得第一空气采集样品;
步骤S1120:按照预定实验环境标准对所述第一空气采集样品进行对比分析,获得第一空气质量分析结果;
步骤S1130:根据所述第一空气质量分析结果,获得第一空气环境危险指数;
步骤S1140:根据所述第一空气环境危险指数,获得第二危险数据监测结果。
具体而言,通过所述空气采集装置对所述第一危险实验场景进行空气采集,所述空气采集装置包括实验室空气采样机,对实验室进行实时空气采集,获得第一空气采集样品。按照预定实验环境标准对所述第一空气采集样品进行对比分析,所述预定实验环境标准为预设实验室空气安全质量标准,获得分析后的第一空气质量分析结果。根据所述第一空气质量分析结果,获得第一空气环境危险指数,如发生实验室气体泄漏,对空气质量产生毒性,所述第一空气环境危险指数越高,表明实验室空气质量越差。根据所述第一空气环境危险指数,获得第二危险数据监测结果,结合实验室空气质量因素对实验人员进行实时监测,全面准确性更高,从而确保实验人员人身安全的技术效果。
综上所述,本申请实施例所提供的一种基于智能穿戴装置的数据监测方法及系统具有如下技术效果:
由于采用了通过智能穿戴装置获得所述第一用户的体温信息、呼吸频率信息、血压信息;将所述体温信息、所述呼吸频率信息和所述血压信息输入第一健康指数评估模型,获得第一健康指数评估结果;对所述第一用户的姿态进行捕捉,获得姿态信息数据集;根据第一危险实验场景,构建危险姿态特征数据库;获得第一特征匹配指令,根据所述第一特征匹配指令将所述姿态信息数据集和所述危险姿态特征数据库进行特征匹配,获得第一危险特征匹配度;根据所述第一健康指数评估结果和所述第一危险特征匹配度,获得第一危险数据监测结果;如果所述第一危险数据监测结果超过预定危险阈值,获得第一预警指令,所述第一预警指令用于对所述第一用户进行安全预警。进而达到基于智能穿戴装置对实验人员进行全面实时监测,提高监测数据准确性,对安全问题及时预警,进而保证实验人员安全的技术效果。
实施例二
基于与前述实施例中一种基于智能穿戴装置的数据监测方法同样发明构思,本发明还提供了一种基于智能穿戴装置的数据监测系统,如图8所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得第一用户的第一身体特征信息,并根据所述第一身体特征信息,从健康评估模型库中调用第一健康指数评估模型;
第二获得单元12,所述第二获得单元12用于通过智能穿戴装置获得所述第一用户的体温信息、呼吸频率信息、血压信息;
第三获得单元13,所述第三获得单元13用于将所述体温信息、所述呼吸频率信息和所述血压信息输入第一健康指数评估模型,获得第一健康指数评估结果;
第四获得单元14,所述第四获得单元14用于通过图像采集装置对所述第一用户的姿态进行捕捉,获得姿态信息数据集;
第一构建单元15,所述第一构建单元15用于根据第一危险实验场景,构建危险姿态特征数据库;
第五获得单元16,所述第五获得单元16用于获得第一特征匹配指令,根据所述第一特征匹配指令将所述姿态信息数据集和所述危险姿态特征数据库进行特征匹配,获得第一危险特征匹配度;
第六获得单元17,所述第六获得单元17用于根据所述第一健康指数评估结果和所述第一危险特征匹配度,获得第一危险数据监测结果;
第一预警单元18,所述第一预警单元18用于如果所述第一危险数据监测结果超过预定危险阈值,获得第一预警指令,所述第一预警指令用于对所述第一用户进行安全预警。
进一步的,所述系统还包括:
第一生成单元,所述第一生成单元用于对所述姿态信息数据集进行无监督学习分类,生成第一数值连续姿态集合;
第七获得单元,所述第七获得单元用于将所述第一数值连续姿态集合和所述危险姿态特征数据库进行特征匹配,获得各危险特征匹配度;
第八获得单元,所述第八获得单元用于获得所述各危险特征匹配度中超过预定危险特征匹配度的第一危险特征信息集;
第九获得单元,所述第九获得单元用于将所述第一危险特征信息集输入危险程度评估模型,获得第一危险特征匹配度。
进一步的,所述系统还包括:
第二生成单元,所述第二生成单元用于对所述姿态信息数据集进行遍历访问处理,生成第一均匀姿态信息数据集;
第一定义单元,所述第一定义单元用于将所述第一均匀姿态信息数据集中的数据定义为P个聚类;
第十获得单元,所述第十获得单元用于对所述P个聚类中的各自数据点的两两距离进行平均值计算,获得平均距离数据集;
第十一获得单元,所述第十一获得单元用于根据所述平均距离数据集,获得类姿态信息数据集,所述类姿态信息数据集包括距离平均值最小的分类集;
第三生成单元,所述第三生成单元用于根据所述类姿态信息数据集,对所述平均距离数据集进行逐层递归聚类,直至生成所述均匀姿态信息数据集的姿态信息聚类树;
第一分类单元,所述第一分类单元用于根据所述姿态信息聚类树,对所述姿态信息数据集进行学习分类。
进一步的,所述系统还包括:
第十二获得单元,所述第十二获得单元用于通过所述图像采集装置获得所述第一用户的体型特征信息;
第十三获得单元,所述第十三获得单元用于获得所述智能穿戴装置的配置调节阈值;
第十四获得单元,所述第十四获得单元用于将所述第一用户的体型特征信息和所述配置调节阈值进行匹配,获得第一穿戴装置适配度;
第一修正单元,所述第一修正单元用于根据所述第一穿戴装置适配度对所述第一健康指数评估结果进行修正。
进一步的,所述系统还包括:
第十五获得单元,所述第十五获得单元用于通过所述智能穿戴装置获得第一穿戴距离信息;
第十六获得单元,所述第十六获得单元用于如果所述第一穿戴距离信息在预设距离阈值之内,获得第一接触面积信息;
第十七获得单元,所述第十七获得单元用于根据所述第一穿戴距离信息和所述第一接触面积信息,获得第一穿戴状态适配系数;
第十八获得单元,所述第十八获得单元用于根据所述第一穿戴状态适配系数,获得第二穿戴装置适配度。
进一步的,所述系统还包括:
第十九获得单元,所述第十九获得单元用于对所述第一用户进行危险性实验心理评估,获得第一心理承压能力曲线;
第二十获得单元,所述第二十获得单元用于对所述第一心理承压能力曲线的波峰值和波谷值进行统计,并根据统计结果进行绝对值计算,获得第一心理波动值;
第二十一获得单元,所述第二十一获得单元用于根据所述第一心理波动值,获得第一心理承压指数;
第二十二获得单元,所述第二十二获得单元用于根据所述第一心理承压指数,获得第二健康指数评估结果。
进一步的,所述系统还包括:
第二十三获得单元,所述第二十三获得单元用于通过空气采集装置对所述第一危险实验场景进行空气采集,获得第一空气采集样品;
第二十四获得单元,所述第二十四获得单元用于按照预定实验环境标准对所述第一空气采集样品进行对比分析,获得第一空气质量分析结果;
第二十五获得单元,所述第二十五获得单元用于根据所述第一空气质量分析结果,获得第一空气环境危险指数;
第二十六获得单元,所述第二十六获得单元用于根据所述第一空气环境危险指数,获得第二危险数据监测结果。
前述图1实施例一中的一种基于智能穿戴装置的数据监测方法的各种变化方式和具体实例同样适用于本实施例的一种基于智能穿戴装置的数据监测系统,通过前述对一种基于智能穿戴装置的数据监测方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于智能穿戴装置的数据监测系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本发明实施例还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
示例性电子设备
具体的,参见图9所示,本发明实施例还提供了一种电子设备,该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本发明实施例中,该电子设备还包括:存储在存储器1150上并可在处理器1120上运行的计算机程序,计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。
收发器1130,用于在处理器1120的控制下接收和发送数据。
本发明实施例中,总线架构(用总线1110来代表),总线1110可以包括任意数量互联的总线和桥,总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个,包括存储器总线和存储器控制器、外围总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制,这样的体系结构包括:工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、外围部件互连总线。
处理器1120可以是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括:通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤和逻辑框图。例如,处理器可以是单核处理器或多核处理器,处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成,或者由译码处理器中的硬件和软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
总线1110还可以将,例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起,总线接口1140在总线1110和收发器1130之间提供接口,这些都是本领域所公知的。因此,本发明实施例不再对其进行进一步描述。
收发器1130可以是一个元件,也可以是多个元件,例如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。例如:收发器1130从其他设备接收外部数据,收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机装置的性质,还可以提供用户接口1160,例如:触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解,在本发明实施例中,存储器1150可进一步包括相对于处理器1120远程设置的存储器,这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以和两个或更多个上述网络的组合。例如,蜂窝电话网和无线网络可以是全球移动通信装置、码分多址装置、全球微波互联接入装置、通用分组无线业务装置、宽带码分多址装置、长期演进装置、LTE频分双工装置、LTE时分双工装置、先进长期演进装置、通用移动通信装置、增强移动宽带装置、海量机器类通信装置、超可靠低时延通信装置等。
应理解,本发明实施例中的存储器1150可以是易失性存储器或非易失性存储器,或可包括易失性存储器和非易失性存储器两者。其中,非易失性存储器包括:只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器,或闪存。
易失性存储器包括:随机存取存储器,其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如:静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本发明实施例描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本发明实施例中,存储器1150存储了操作系统1151和应用程序1152的如下元素:可执行模块、数据结构,或者其子集,或者其扩展集。
具体而言,操作系统1151包含各种装置程序,例如:框架层、核心库层、驱动层等,用于实现各种基础业务和处理基于硬件的任务。应用程序1152包含各种应用程序,例如:媒体播放器、浏览器,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1152中。应用程序1152包括:小程序、对象、组件、逻辑、数据结构和其他执行特定任务或实现特定抽象数据类型的计算机装置可执行指令。
此外,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述,仅为本发明实施例的具体实施方式,但本发明实施例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发明实施例披露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明实施例的保护范围之内。因此,本发明实施例的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种基于智能穿戴装置的数据监测方法,其中,所述方法应用于一实验室数据监测系统,所述系统包括一图像采集装置,且所述系统与一智能穿戴装置通讯连接,所述方法包括:
获得第一用户的第一身体特征信息,并根据所述第一身体特征信息,从健康评估模型库中调用第一健康指数评估模型;
通过所述智能穿戴装置获得所述第一用户的体温信息、呼吸频率信息、血压信息;
将所述体温信息、所述呼吸频率信息和所述血压信息输入第一健康指数评估模型,获得第一健康指数评估结果;
通过所述图像采集装置对所述第一用户的姿态进行捕捉,获得姿态信息数据集;
根据第一危险实验场景,构建危险姿态特征数据库;
获得第一特征匹配指令,根据所述第一特征匹配指令将所述姿态信息数据集和所述危险姿态特征数据库进行特征匹配,获得第一危险特征匹配度;
根据所述第一健康指数评估结果和所述第一危险特征匹配度,获得第一危险数据监测结果;
如果所述第一危险数据监测结果超过预定危险阈值,获得第一预警指令,所述第一预警指令用于对所述第一用户进行安全预警;
其中,所述将所述姿态信息数据集和所述危险姿态特征数据库进行特征匹配,获得第一危险特征匹配度,包括:
对所述姿态信息数据集进行无监督学习分类,生成第一数值连续姿态集合;
将所述第一数值连续姿态集合和所述危险姿态特征数据库进行特征匹配,获得各危险特征匹配度;
获得所述各危险特征匹配度中超过预定危险特征匹配度的第一危险特征信息集;
将所述第一危险特征信息集输入危险程度评估模型,获得第一危险特征匹配度。
2.如权利要求1所述的方法,其中,所述对所述姿态信息数据集进行无监督学习分类,包括:
对所述姿态信息数据集进行遍历访问处理,生成第一均匀姿态信息数据集;
将所述第一均匀姿态信息数据集中的数据定义为P个聚类;
对所述P个聚类中的各自数据点的两两距离进行平均值计算,获得平均距离数据集;
根据所述平均距离数据集,获得类姿态信息数据集,所述类姿态信息数据集包括距离平均值最小的分类集;
根据所述类姿态信息数据集,对所述平均距离数据集进行逐层递归聚类,直至生成所述均匀姿态信息数据集的姿态信息聚类树;
根据所述姿态信息聚类树,对所述姿态信息数据集进行学习分类。
3.如权利要求1所述的方法,其中,所述方法还包括:
通过所述图像采集装置获得所述第一用户的体型特征信息;
获得所述智能穿戴装置的配置调节阈值;
将所述第一用户的体型特征信息和所述配置调节阈值进行匹配,获得第一穿戴装置适配度;
根据所述第一穿戴装置适配度对所述第一健康指数评估结果进行修正。
4.如权利要求3所述的方法,其中,所述方法还包括:
通过所述智能穿戴装置获得第一穿戴距离信息;
如果所述第一穿戴距离信息在预设距离阈值之内,获得第一接触面积信息;
根据所述第一穿戴距离信息和所述第一接触面积信息,获得第一穿戴状态适配系数;
根据所述第一穿戴状态适配系数,获得第二穿戴装置适配度。
5.如权利要求1所述的方法,其中,所述方法还包括:
对所述第一用户进行危险性实验心理评估,获得第一心理承压能力曲线;
对所述第一心理承压能力曲线的波峰值和波谷值进行统计,并根据统计结果进行绝对值计算,获得第一心理波动值;
根据所述第一心理波动值,获得第一心理承压指数;
根据所述第一心理承压指数,获得第二健康指数评估结果。
6.如权利要求1所述的方法,其中,所述方法应用于一实验室数据监测系统,所述系统还包括一空气采集装置,包括:
通过所述空气采集装置对所述第一危险实验场景进行空气采集,获得第一空气采集样品;
按照预定实验环境标准对所述第一空气采集样品进行对比分析,获得第一空气质量分析结果;
根据所述第一空气质量分析结果,获得第一空气环境危险指数;
根据所述第一空气环境危险指数,获得第二危险数据监测结果。
7.一种基于智能穿戴装置的数据监测系统,其中,所述系统包括:
第一获得单元,所述第一获得单元用于获得第一用户的第一身体特征信息,并根据所述第一身体特征信息,从健康评估模型库中调用第一健康指数评估模型;
第二获得单元,所述第二获得单元用于通过智能穿戴装置获得所述第一用户的体温信息、呼吸频率信息、血压信息;
第三获得单元,所述第三获得单元用于将所述体温信息、所述呼吸频率信息和所述血压信息输入第一健康指数评估模型,获得第一健康指数评估结果;
第四获得单元,所述第四获得单元用于通过图像采集装置对所述第一用户的姿态进行捕捉,获得姿态信息数据集;
第一构建单元,所述第一构建单元用于根据第一危险实验场景,构建危险姿态特征数据库;
第五获得单元,所述第五获得单元用于获得第一特征匹配指令,根据所述第一特征匹配指令将所述姿态信息数据集和所述危险姿态特征数据库进行特征匹配,获得第一危险特征匹配度;
第六获得单元,所述第六获得单元用于根据所述第一健康指数评估结果和所述第一危险特征匹配度,获得第一危险数据监测结果;
第一预警单元,所述第一预警单元用于如果所述第一危险数据监测结果超过预定危险阈值,获得第一预警指令,所述第一预警指令用于对所述第一用户进行安全预警;
其中所述第五获得单元用于获得第一特征匹配指令,根据所述第一特征匹配指令将所述姿态信息数据集和所述危险姿态特征数据库进行特征匹配,获得第一危险特征匹配度,具体包括:
第一生成单元,所述第一生成单元用于对所述姿态信息数据集进行无监督学习分类,生成第一数值连续姿态集合;
第七获得单元,所述第七获得单元用于将所述第一数值连续姿态集合和所述危险姿态特征数据库进行特征匹配,获得各危险特征匹配度;
第八获得单元,所述第八获得单元用于获得所述各危险特征匹配度中超过预定危险特征匹配度的第一危险特征信息集;
第九获得单元,所述第九获得单元用于将所述第一危险特征信息集输入危险程度评估模型,获得第一危险特征匹配度。
8.一种基于智能穿戴装置的数据监测电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-6中任一项所述方法中的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111170646.0A CN113729657B (zh) | 2021-10-08 | 2021-10-08 | 一种基于智能穿戴装置的数据监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111170646.0A CN113729657B (zh) | 2021-10-08 | 2021-10-08 | 一种基于智能穿戴装置的数据监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113729657A CN113729657A (zh) | 2021-12-03 |
CN113729657B true CN113729657B (zh) | 2023-04-18 |
Family
ID=78726073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111170646.0A Active CN113729657B (zh) | 2021-10-08 | 2021-10-08 | 一种基于智能穿戴装置的数据监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113729657B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115813377B (zh) * | 2023-01-05 | 2023-04-28 | 北京蓝田医疗设备有限公司 | 一种智能姿势评估方法及系统 |
CN117169927B (zh) * | 2023-11-01 | 2024-01-26 | 河歌科技(深圳)有限责任公司 | 基于数据分析的智能穿戴设备状态评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10109171B1 (en) * | 2017-06-20 | 2018-10-23 | Symantec Corporation | Systems and methods for performing security actions based on people's actual reactions to interactions |
CN112132110A (zh) * | 2020-10-10 | 2020-12-25 | 联合维度(广州)科技有限公司 | 一种智能判断人体姿态的方法及看护设备 |
CN112120703A (zh) * | 2019-06-25 | 2020-12-25 | 株式会社日立制作所 | 一种跌倒风险评估方法及装置 |
-
2021
- 2021-10-08 CN CN202111170646.0A patent/CN113729657B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10109171B1 (en) * | 2017-06-20 | 2018-10-23 | Symantec Corporation | Systems and methods for performing security actions based on people's actual reactions to interactions |
CN112120703A (zh) * | 2019-06-25 | 2020-12-25 | 株式会社日立制作所 | 一种跌倒风险评估方法及装置 |
CN112132110A (zh) * | 2020-10-10 | 2020-12-25 | 联合维度(广州)科技有限公司 | 一种智能判断人体姿态的方法及看护设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113729657A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113729657B (zh) | 一种基于智能穿戴装置的数据监测方法及系统 | |
Sikder et al. | Human activity recognition using multichannel convolutional neural network | |
US20180307894A1 (en) | Neural network systems | |
CN110221681B (zh) | 图像识别方法、图像呈现时间的调整方法及设备 | |
US11416717B2 (en) | Classification model building apparatus and classification model building method thereof | |
CN112988774B (zh) | 一种基于大数据采集的用户信息更新方法及信息服务器 | |
CN115311730B (zh) | 一种人脸关键点的检测方法、系统和电子设备 | |
CN113506082A (zh) | 一种基于vr的数字化工厂生产线的监管方法及系统 | |
CN115082920A (zh) | 深度学习模型的训练方法、图像处理方法和装置 | |
Ottakath et al. | ViDMASK dataset for face mask detection with social distance measurement | |
Kim et al. | Human activity recognition by using convolutional neural network | |
CN113162787B (zh) | 电信网络中故障定位的方法、节点分类方法以及相关设备 | |
KR102340519B1 (ko) | 선과 면 인식 기반의 운동자세 분석 시스템 및 방법 | |
Sarapata et al. | Video-based activity recognition for automated motor assessment of Parkinson's disease | |
CN114203285A (zh) | 应用于智慧医疗的大数据分析方法及智慧医疗服务器 | |
CN113065634A (zh) | 一种图像处理方法、神经网络的训练方法以及相关设备 | |
CN115618884B (zh) | 基于多任务学习的言论分析方法、装置以及设备 | |
CN116739154A (zh) | 一种故障预测方法及其相关设备 | |
CN113299361A (zh) | 一种基于病人临床表现的档案构建方法及系统 | |
CN116115239A (zh) | 基于多模态数据融合的建筑工人尴尬工作姿势识别方法 | |
US20150186724A1 (en) | System and method for selecting features for identifying human activities in a human-computer interacting environment | |
CN113158822A (zh) | 基于跨模态关系推理的眼部检测数据的分类方法及装置 | |
Patterson et al. | Online change detection for timely solicitation of user interaction | |
CN115813377B (zh) | 一种智能姿势评估方法及系统 | |
CN115809404B (zh) | 一种检测阈值计算方法、装置、存储介质及电子设备 |
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 |