CN114081446B - 一种便秘预测方法 - Google Patents
一种便秘预测方法 Download PDFInfo
- Publication number
- CN114081446B CN114081446B CN202111376405.1A CN202111376405A CN114081446B CN 114081446 B CN114081446 B CN 114081446B CN 202111376405 A CN202111376405 A CN 202111376405A CN 114081446 B CN114081446 B CN 114081446B
- Authority
- CN
- China
- Prior art keywords
- defecation
- weight
- constipation
- data
- time
- 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
- 206010010774 Constipation Diseases 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000013872 defecation Effects 0.000 claims abstract description 81
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 210000001217 buttock Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000002414 leg Anatomy 0.000 description 2
- 102000004506 Blood Proteins Human genes 0.000 description 1
- 108010017384 Blood Proteins Proteins 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000005016 Intestinal Neoplasms Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 210000000416 exudates and transudate Anatomy 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 201000009019 intestinal benign neoplasm Diseases 0.000 description 1
- 210000004347 intestinal mucosa Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/44—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing persons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Physiology (AREA)
- Algebra (AREA)
- Gastroenterology & Hepatology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Endocrinology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种便秘预测方法。本发明通过重量传感器采集用户如厕过程中的重量变化数据,然后根据不同的排便时长将数据进行分类,根据不同的分类结果计算便秘的分析参数:以重量稳定性判断用户是否存在难以排便的紧张感,其次通过重量稳定性作为参数计算便期稳定性,进而分析用户整个排便过程的状态,判断是否存在大量排便困难节点,最后与历史2‑4周内的排便周期数据进行比较分析,推测用户排便的变化趋势。本发明通过排便过程中重量数据变化的频率和数值,不仅分析排便整个周期的顺畅程度,而且通过历史排便数据分析较长周期的变化趋势,较准确的预测和判断是否存在便秘的可能性。
Description
技术领域
本发明属于无线传感器和人工智能技术领域,涉及一种便秘预测方法。
背景技术
智慧医疗以人工智能与大数据为基础,通过传感器收集各方面的数据信息,进行建模、计算、分析,给医生诊断患者的病情给予指导建议,切实推动医疗健康领域的研究进展,产生实际的社会影响和经济效益。对于传统的便秘诊断,具有多方面的缺陷之处:
(1)医生判断便秘的方法是通过患者是否超过三天以上的时间没有排便,并且排便困难,排便时间会超过半个小时。
(2)早期的便秘症状不太明显,患者往往容易忽视,也很难通过现有的方法进行判断。
(3)已经发现具有明显便秘症状的患者,通常肠道黏膜已经糜烂、溃疡,血清性蛋白质渗出液明显,结肠直肠部位已经具有炎症,甚至会形成肠道肿瘤。
可见便秘对人体的具有很大的危害,尽早发现早期便秘的症状,进行有效的治疗尤为重要。随着人们对自身健康重视程度的提高,迫切需要能够提早预测便秘的技术。
发明内容
本发明的目的就是提供一种便秘预测方法。根据用户体重数据的变化量进行目标识别以及症状诊断分析,能够提前预测用户的便秘状况。
具体包括如下步骤:
步骤一、在马桶盖中安装4个半桥式重量传感器,通过海芯科技有限公司的HX711控制器实时采集人体重量数据;在使用前,通过互联网将所有用户的标准特征数据录入排便数据库,标准特征数据包括标准体重以及第一次排便过程;通常在用户第一次使用时,测量其体重,并记录其第一次排便过程;通过服务器定义重量传感器取样频率、便秘几率R的阈值;
步骤二、当排便开始时,通过初始5秒钟体重连续变化数据与数据库中标准特征数据比较,确认用户;
步骤三、当系统确认用户对象后,将每次排便时长作为数据变化周期,4个半桥式重量传感器向HX711控制器发送体重变化数据:
a.数据变化周期若小于3分钟,如果便前与便后的重量变化大于100g,认为表示通便顺畅,将便秘几率R记录为0;如果便前与便后的重量没有发生改变,说明无法排便,将便秘几率R记录为0.5;
b.数据变化周期若小于10分钟大于3分钟,将当前排便时长和当前排便稳定性作为输入参数,根据历史排便稳定性和历史排便时长,以分析用户在长时间内的排便变化状态,通过人工神经网络ANN计算便秘几率R,其权重系数cof∈[0.1,0.3];
将相邻两次重量变化数值大于500g定义为尖峰变化Peak,统计整个排便过程中出现的Peak的百分率Ppeak,Ppeak即当前排便稳定性;
c.数据变化周期若大于10分钟,通过人工神经网络ANN计算便秘几率R,其权重系数cof∈[0.6,0.9];
步骤四、系统计算便秘几率R如果大于阈值,将该用户的2-4周的排便分析结果通过微信小程序推送给用户,以消息的方式警告用户存在便秘的风险。
所述HX711控制器用于采集重量传感器收集的数据,并对模糊数据进行过滤,将数据通过WiFi发送给服务器。
所述的尖峰变化其中,tp表示当前时刻,tq表示前一时刻,wp表示当前时刻的重量,wq表示前一时刻的重量;/>其中,t0表示记录的初始时刻,tn表示第n次记录的时刻,w1表示初始时刻的重量,wn表示第n次记录时的重量。
本发明通过排便过程中重量数据变化的频率和数值,不仅分析排便整个周期的顺畅程度,而且通过历史排便数据分析较长周期的变化趋势,较准确的预测和判断是否存在便秘的可能性。
附图说明
图1为马桶盖的传感器结构图;
图2为智能马桶盖便秘系统的体系结构图
图3为正常排便与便秘排便的历史稳定性变化图。
具体实施方式
以下结合附图详细说明本发明一种智能马桶盖便秘预测方法的具体实施步骤。
步骤一、在马桶盖中安装4个半桥式重量传感器,通过海芯科技有限公司的HX711控制器实时采集人体重量数据;在使用前,通过互联网将所有用户的标准特征数据录入排便数据库(上位机),标准特征数据包括标准体重以及第一次排便过程。通常在用户第一次使用时,测量其体重,并记录其第一次排便过程;通过服务器(上位机)定义重量传感器取样频率为每0.5秒一次、便秘几率R的阈值为80%。HX711控制器用于收集重量传感器收集的数据,并对模糊数据进行过滤,将数据通过WiFi发送给服务器。
如图1和2所示,C1/C2/C3/C4 4个传感器均匀排布在马桶盖中,4个传感器每隔500ms采集用户的体重数据,发送给海芯HX711控制器,然后将这些数据通过WiFi发送给云端的服务器。
步骤二、当排便开始时,重量变化后,以初始5秒钟作为一个阶段,检测体重连续变化数据,通过体重连续变化数据与标准特征数据比较,以确认用户;
步骤三、当系统确认用户对象后,将每次排便时长作为数据变化周期,4个半桥式重量传感器每0.5秒向HX711控制器发送一次体重变化数据:
a.数据变化周期若小于3分钟,如果便前与便后的重量发生明显改变(重量变化大于100g),认为表示通便顺畅,将便秘几率R记录为0;如果便前与便后的重量没有发生改变,说明无法排便,将便秘几率R记录为0.5;
b.数据变化周期若小于10分钟大于3分钟,将当前排便时长和当前的排便稳定性作为输入参数,根据历史排便稳定性和历史排便时长,以分析用户在长时间内的排便变化状态,通过人工神经网络ANN计算便秘几率R,其权重系数cof∈[0.1,0.3];
c.数据变化周期若大于10分钟,通过人工神经网络ANN计算便秘几率R,其权重系数cof∈[0.6,0.9]。
定义重量稳定性:通过重量稳定性对用户的排便状态进行判断,由于通便的顺畅,为了积压收缩臀部的肌肉将大便排出,整个肌肉群会处于紧张状态,同时引起腿部肌肉向地面用力,因此会导致身体的重量大部分会负担到腿部,而使得臀部离开坐便器,也有人会反向用力,向马桶盖用力坐下;上述情况都会导致重量在一段时间内迅速变化,将这种尖峰变化Peak(0.5秒内的重量变化数值大于500g)定义为重量稳定性。其数学表达式为:
其中,tp表示当前时刻,tq表示前一时刻,wp表示当前时刻的重量,wq表示前一时刻的重量。
便期稳定性:通过便期稳定性分析整个排便过程状态,判断排便困难的方法是计算重量稳定性的出现频率,便秘患者的排便过程不但长,而且整个排便过程都很吃力,会导致整个排便过程内频繁导致Peak出现,而顺畅的排便过程则只是在某些局部范围内出现Peak;统计整个排便过程中出现的Peak的百分率Ppeak。其数学表式为:
其中,t0表示记录的初始时刻,tn表示第n次记录的时刻,w1表示初始时刻的重量,wn表示第n次记录时的重量。
通过人工神经网络ANN,将当前排便时长和当前的排便稳定性作为输入参数,预测用户是否存在便秘的风险。其逻辑算法形式化描述如下,其中pcur表示当前的排便稳定性,tcur表示当前排便时长,List(P)表示历史排便稳定性的集合,List(T)表示历史排便时长的集合,cof表示权重系数:
步骤四、系统计算便秘几率R如果大于阈值(实施例中设置为80%),将该用户的2-4周的排便分析结果通过微信小程序推送给用户,以消息的方式警告用户存在便秘的风险。
如表1所示,对比了6个样本的便期数据,由于不同对象的便期周期都不相等,所以只截取了100秒进行对比。系统首先计算整个便期的重量稳定性,健康用户与便秘用户的排便数据对比。根据数据可以绘制健康人群和便秘人群的排便稳定性对比,如图3所示。便秘特征值在于出现尖峰变化的频率,健康人群在整个通便过程中,尖峰变化频率的次数不多,而便秘患者在整个过程中表现为高频率的尖峰变化过程。
表1重量稳定性变化周期图(kg/s)
Claims (3)
1.一种便秘预测方法,其特征在于:具体包括如下步骤:
步骤一、在马桶盖中安装4个半桥式重量传感器,通过海芯科技有限公司的HX711控制器实时采集人体重量数据;在使用前,通过互联网将所有用户的标准特征数据录入排便数据库,标准特征数据包括标准体重以及第一次排便过程;通常在用户第一次使用时,测量其体重,并记录其第一次排便过程;通过服务器定义重量传感器取样频率、便秘几率R的阈值;
步骤二、当排便开始时,通过初始5秒钟体重连续变化数据与数据库中标准特征数据比较,确认用户;
步骤三、当系统确认用户对象后,将每次排便时长作为数据变化周期,4个半桥式重量传感器向HX711控制器发送体重变化数据:
a.数据变化周期若小于3分钟,如果便前与便后的重量变化大于100g,认为表示通便顺畅,将便秘几率R记录为0;如果便前与便后的重量没有发生改变,说明无法排便,将便秘几率R记录为0.5;
b.数据变化周期若小于10分钟大于3分钟,将当前排便时长和当前排便稳定性作为输入参数,根据历史排便稳定性和历史排便时长,以分析用户在长时间内的排便变化状态,在计算历史排便稳定性的算法中,权重系数cof作为输入参数,首先根据权重系数cof计算出各种情况下的风险数值,根据风险数值,计算出历史风险值,然后,将历史排便稳定性、时长和风险数值拟合ANN进行运算获得便秘几率R,其中权重系数cof∈[0.1,0.3];
将相邻两次重量变化数值大于500g定义为尖峰变化peak,统计整个排便过程中出现的peak的百分率Ppeak,Ppeak即当前排便稳定性;
c.数据变化周期若大于10分钟,将当前排便时长和当前排便稳定性作为输入参数,根据历史排便稳定性和历史排便时长,以分析用户在长时间内的排便变化状态,在计算历史排便稳定性的算法中,权重系数cof作为输入参数,首先根据权重系数cof计算出各种情况下的风险数值,根据风险数值计算出历史风险值,然后,将历史排便稳定性、时长和风险数值拟合ANN进行运算获得便秘几率R,其中权重系数cof∈[0.6,0.9];
步骤四、系统计算便秘几率R如果大于阈值,将该用户的2-4周的排便分析结果通过微信小程序推送给用户,以消息的方式警告用户存在便秘的风险。
2.如权利要求1所述的一种便秘预测方法,其特征在于:所述HX711控制器用于采集重量传感器收集的数据,并对模糊数据进行过滤后,将数据通过WiFi发送给服务器。
3.如权利要求1所述的一种便秘预测方法,其特征在于:所述的尖峰变化其中,tp表示当前时刻,tq表示前一时刻,wp表示当前时刻的重量,wq表示前一时刻的重量;/>其中,t0表示记录的初始时刻,tn表示第n次记录的时刻,w1表示初始时刻的重量,wn表示第n次记录时的重量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111376405.1A CN114081446B (zh) | 2021-11-19 | 2021-11-19 | 一种便秘预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111376405.1A CN114081446B (zh) | 2021-11-19 | 2021-11-19 | 一种便秘预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114081446A CN114081446A (zh) | 2022-02-25 |
CN114081446B true CN114081446B (zh) | 2024-03-01 |
Family
ID=80302501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111376405.1A Active CN114081446B (zh) | 2021-11-19 | 2021-11-19 | 一种便秘预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114081446B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105393252A (zh) * | 2013-04-18 | 2016-03-09 | 数字标记公司 | 生理数据采集和分析 |
CN106193234A (zh) * | 2016-07-20 | 2016-12-07 | 重庆恭逸科技有限公司 | 一种智能马桶、控制系统及方法 |
CN106446563A (zh) * | 2016-09-28 | 2017-02-22 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的便秘预测方法和预测系统 |
CN106419706A (zh) * | 2016-10-13 | 2017-02-22 | 上海健康医学院 | 一种可监测排便状况的坐便椅及其监测方法 |
KR20200116388A (ko) * | 2019-04-01 | 2020-10-12 | 정진남 | 사용자 체중 관리 좌변기 시트 시스템 |
CN112770707A (zh) * | 2019-08-30 | 2021-05-07 | Toto株式会社 | 排便记录系统、排便记录方法及排便记录程序 |
CN113450911A (zh) * | 2020-03-26 | 2021-09-28 | 松下家电(中国)有限公司 | 便秘分析方法、装置及计算机设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2363061A1 (en) * | 2000-06-16 | 2011-09-07 | BodyMedia, Inc. | System for monitoring and managing body weight and other physiological conditions including iterative and personalized planning, intervention and reporting capability |
-
2021
- 2021-11-19 CN CN202111376405.1A patent/CN114081446B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105393252A (zh) * | 2013-04-18 | 2016-03-09 | 数字标记公司 | 生理数据采集和分析 |
CN106193234A (zh) * | 2016-07-20 | 2016-12-07 | 重庆恭逸科技有限公司 | 一种智能马桶、控制系统及方法 |
CN106446563A (zh) * | 2016-09-28 | 2017-02-22 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的便秘预测方法和预测系统 |
CN106419706A (zh) * | 2016-10-13 | 2017-02-22 | 上海健康医学院 | 一种可监测排便状况的坐便椅及其监测方法 |
KR20200116388A (ko) * | 2019-04-01 | 2020-10-12 | 정진남 | 사용자 체중 관리 좌변기 시트 시스템 |
CN112770707A (zh) * | 2019-08-30 | 2021-05-07 | Toto株式会社 | 排便记录系统、排便记录方法及排便记录程序 |
CN113450911A (zh) * | 2020-03-26 | 2021-09-28 | 松下家电(中国)有限公司 | 便秘分析方法、装置及计算机设备 |
Non-Patent Citations (2)
Title |
---|
方证关系人工神经网络构建研究――以《临证指南医案・湿》医案为例;李嘉敏;陈洪宇;;中国中医药信息杂志(第09期);91-95 * |
李嘉敏 ; 陈洪宇 ; .方证关系人工神经网络构建研究――以《临证指南医案・湿》医案为例.中国中医药信息杂志.2017,(第09期),91-95. * |
Also Published As
Publication number | Publication date |
---|---|
CN114081446A (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Güler et al. | Classification of EMG signals using PCA and FFT | |
US6839581B1 (en) | Method for detecting Cheyne-Stokes respiration in patients with congestive heart failure | |
DK2642914T3 (en) | Analysis of EEG signals to detect hypoglycemia | |
US20090112069A1 (en) | Trend prediction device | |
CN108670200A (zh) | 一种基于深度学习的睡眠鼾声分类检测方法及系统 | |
KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
Ma et al. | Vigilance estimation by using electrooculographic features | |
Amini et al. | Intratidal overdistention and derecruitment in the injured lung: a simulation study | |
CN107280674A (zh) | 基于音频录取设备的呼吸模式判决方法 | |
JP4852698B2 (ja) | 情報処理装置、心拍情報取得解析装置、睡眠時無呼吸症候群防止装置、プログラム、記録媒体、及び呼吸間隔算出方法 | |
CN114081446B (zh) | 一种便秘预测方法 | |
CN116705238A (zh) | 基于体医结合的运动处方健康数据管理平台 | |
EP3283993A1 (en) | A probabilistic context free grammar for food intake | |
Taşkıran et al. | A deep learning based decision support system for diagnosis of Temporomandibular joint disorder | |
CN111481193B (zh) | 一种跌倒风险评估与预警方法及系统 | |
Lohse et al. | Quantifying change during outpatient stroke rehabilitation: a retrospective regression analysis | |
CN111613338B (zh) | 棘慢复合波检测模型构建方法、系统 | |
CN116453641B (zh) | 一种中医辅助分析信息的数据处理方法及系统 | |
CN117542540A (zh) | 传染病风险预测方法、装置、电子设备及存储介质 | |
Kazemi et al. | Frequency analysis of capnogram signals to differentiate asthmatic and non-asthmatic conditions using radial basis function neural networks | |
Carvalho et al. | Review of electromyography onset detection methods for real-time control of robotic exoskeletons | |
CN117095828A (zh) | 基于糖尿病患者随访记录的血糖值预测和告警方法 | |
WO2006075133A1 (en) | Physiological data classification | |
CN115414054A (zh) | 基于前馈脉冲神经网络的癫痫脑电检测系统 | |
CN115422976A (zh) | 一种基于人工网络的心肺耦合关系分析方法及监测系统 |
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 |