CN114343585B - 认知和行为障碍的预警方法、装置、设备及存储介质 - Google Patents
认知和行为障碍的预警方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114343585B CN114343585B CN202210038698.0A CN202210038698A CN114343585B CN 114343585 B CN114343585 B CN 114343585B CN 202210038698 A CN202210038698 A CN 202210038698A CN 114343585 B CN114343585 B CN 114343585B
- Authority
- CN
- China
- Prior art keywords
- early warning
- probability
- cognitive
- preset
- inputting
- 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
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- 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
- A61B5/72—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
Abstract
本发明涉及医疗领域，公开了一种认知和行为障碍的预警方法、装置、设备及存储介质，该方法包括：获取被测对象的基本信息，输入至图神经网络中，得到第一预测概率H1；接收被测对象的监测手环上传的生物信号输入至XGboost模型，得到第二预测概率H2；接收监测手环上传的日常监测数据输入至RNN模型，得到第三预测概率H3；基于预设的加权算法对H1、H2和H3进行加权计算，得到被测对象的患病概率H4；若H4高于预设概率阈值，则生成预警信号，并发送至预设端口。本方法针对目前存在无法实时监测患者病症和病情发展的技术问题，为了提前发现病症，并能在日常中实时监控患者的具体生理情况，提高了诊断效率，并能实现不间断的监护措施。
Description
技术领域
本发明涉及医疗领域，尤其涉及一种认知和行为障碍的预警方法、装置、设备及存储介质。
背景技术
老年痴呆症(AD)是人类社会面临的重大疾病，已成为严重的公共卫生问题，目前中国痴呆症患者已超过10000万；随着人工智能的发展，已有各种人工智能技术应用于老年痴呆的早期预测及临床诊断，包括英伟达、腾讯、苹果等巨头都在开展老年痴呆领域的相关研究。人工智能可通过对患者的医学影像、日常音频、问卷调查以及生物信号反馈等进行数据提取分析，可以有效地识别出患者的患病程度。准确地实现针对老年痴呆的早期诊断，能够很好地帮助患者进行针对性治疗，减缓病情加重程度，甚至能够彻底治愈。
传统的诊断过程常常需要询问患者众多问题，以了解患者的逻辑思维能力及反应速度，但此举非常耗时且依赖医生的临床经验；人工智能在医学影像以及音视频中的应有有效地提高了诊断效率，此类诊断往往需要前往医院进行相关影像检查以及患者的积极配合，且由于患者出现相应症状时才会前往医院进行检查，往往病情已经较为严重，不利于进行早期预测和预防，严重影响了患者的生活质量。因此，现在亟需一种认知和行为障碍的预警方法来解决上述问题。
发明内容
本发明的主要目的在于解决现有的认知和行为障碍的预警方法中存在无法实时监测患者病症和病情发展的技术问题。
本发明第一方面提供了一种认知和行为障碍的预警方法，所述认知和行为障碍的预警方法包括：获取被测对象的基本信息，并基于所述基本信息建立对应的邻接矩阵；将所述邻接矩阵输入至预先训练好的图神经网络中，得到第一预测概率H1；接收所述被测对象的监测手环上传的生物信号，将所述生物信号输入至预先训练好的XGboost模型，得到第二预测概率H2；接收所述监测手环上传的日常监测数据，将所述日常监测数据输入至预先训练好的RNN模型，得到第三预测概率H3；基于预设的加权算法对所述H1、H2和H3进行加权投票计算，得到被测对象的患病概率H4；若所述H4高于预设概率阈值，则生成第一预警信号，并将所述第一预警信号发送至预设端口。
可选的，在本发明第一方面的第一种实现方式中，所述将所述邻接矩阵输入至预先训练好的图神经网络中，得到第一预测概率H1包括：将所述被测对象的基本信息生成的所述邻接矩阵转化为二维数组A；通过所述二维数组A和所述二维数组的第i层的特征X相乘，得到更新后的第i层的节点特征AXi；将所述节点特征AXi与对应层数的权重矩阵Wi进行相乘，得到下一维度的节点特征AXi+1；对节点特征AX和权重矩阵W进行矩阵运算，再乘以预设的非线性激活函数σ后进行归一化处理，得到第一预测概率H1。
可选的，在本发明第一方面的第二种实现方式中，所述接收所述被测对象的监测手环上传的生物信号，将所述生物信号输入至预先训练好的XGboost模型，得到第二预测概率H2包括：接收所述监测手环上传的生物信号，并将所述生物信号输入至预先训练好的所述XGboost模型；将不同的短时间瞬态的生物信号代入XGboost模型对应的树，拟合训练中得出的残差，并基于所述残差得到不同的分值，其中，所述树为函数公式；将所述分值进行累加，得到累加结果，并计算所述累加结果与预设的正常分值之比，得到第二预测概率H2。
可选的，在本发明第一方面的第三种实现方式中，所述RNN模型包括输入层、隐藏层和输出层，所述接收所述监测手环上传的日常监测数据，将所述日常监测数据输入至预先训练好的RNN模型，得到第三预测概率H3包括：接收所述监测手环上传的日常监测数据，将所述日常监测数据输入至预先训练好的RNN模型；通过将记录的所述日常监测数据乘以输入层至隐藏层的权重矩阵U、上一次运行时更新隐藏层的权重矩阵W、隐藏层至输出层的权重矩阵V，得到所述被测对象的输出值O；将隐藏层计算结果作为下次的权重矩阵W,并计算所述被测对象输出值O与正常输出值之比，得到第三预测概率H3。
可选的，在本发明第一方面的第四种实现方式中，所述基于预设的加权算法对所述H1、H2和H3进行加权投票计算，得到被测对象的患病概率H4，包括：基于被测对象的基本信息，选择对应的加权算法；基于所选择的所述加权算法为H1、H2和H3赋予不同的权重系数，计算后得到患病概率H4。
可选的，在本发明第一方面的第五种实现方式中，所述预设的加权算法至少包括第一加权算法和第二加权算法，所述基于被测对象的基本信息，选择对应的加权算法包括：获取被测对象的基本信息，基于所述基本信息判断被测对象病情程度是否达到预设阈值；若是，则采用第一加权算法；若否，则采用第二加权算法。
可选的，在本发明第一方面的第六种实现方式中，所述接收所述被测对象的监测手环上传的生物信号，将所述生物信号输入至预先训练好的XGboost模型，得到第二预测概率H2之后，还包括：判断获取到的所述生物信号是否为空；若是，则检测所述监测手环是否处于充电状态；若不处于充电状态，则生成第二预警信号，并将所述第二预警信号发送至预设端口。
本发明第二方面提供了一种认知和行为障碍的预警装置，包括：矩阵建立模块，用于获取被测对象的基本信息，并基于所述基本信息建立对应的邻接矩阵；第一预测模块，用于将所述邻接矩阵输入至预先训练好的图神经网络中，得到第一预测概率H1；第二预测模块，用于接收所述被测对象的监测手环上传的生物信号，将所述生物信号输入至预先训练好的XGboost模型，得到第二预测概率H2；第三预测模块，用于接收所述监测手环上传的日常监测数据，将所述日常监测数据输入至预先训练好的RNN模型，得到第三预测概率H3；加权投票模块，用于基于预设的加权算法对所述H1、H2和H3进行加权投票计算，得到被测对象的患病概率H4；阈值判断模块，用于若所述H4高于预设概率阈值，则生成第一预警信号，并将所述第一预警信号发送至预设端口。
可选的，在本发明第二方面的第一种实现方式中，所述第一预测模块具体用于：将所述被测对象的基本信息生成的所述邻接矩阵转化为二维数组A；通过所述二维数组A和所述二维数组的第i层的特征X相乘，得到更新后的第i层的节点特征AXi；将所述节点特征AXi与对应层数的权重矩阵Wi进行相乘，得到下一维度的节点特征AXi+1；对节点特征AX和权重矩阵W进行矩阵运算，再乘以预设的非线性激活函数σ后进行归一化处理，得到第一预测概率H1。
可选的，在本发明第二方面的第二种实现方式中，所述第二预测模块具体用于：接收所述监测手环上传的生物信号，并将所述生物信号输入至预先训练好的所述XGboost模型；将不同的短时间瞬态的生物信号代入XGboost模型对应的树，拟合训练中得出的残差，并基于所述残差得到不同的分值，其中，所述树为函数公式；将所述分值进行累加，得到累加结果，并计算所述累加结果与预设的正常分值之比，得到第二预测概率H2。
可选的，在本发明第二方面的第三种实现方式中，所述第三预测模块具体用于：接收所述监测手环上传的日常监测数据，将所述日常监测数据输入至预先训练好的RNN模型；通过将记录的所述日常监测数据乘以输入层至隐藏层的权重矩阵U、上一次运行时更新隐藏层的权重矩阵W、隐藏层至输出层的权重矩阵V，得到所述被测对象的输出值O；将隐藏层计算结果作为下次的权重矩阵W,并计算所述被测对象输出值O与正常输出值之比，得到第三预测概率H3。
可选的，在本发明第二方面的第四种实现方式中，所述加权投票模块具体用于：算法选择单元，基于被测对象的基本信息，选择对应的加权算法；投票单元，基于所选择的所述加权算法为H1、H2和H3赋予不同的权重系数，计算后得到患病概率H4。
可选的，在本发明第二方面的第五种实现方式中，所述算法选择单元具体用于：获取被测对象的基本信息，基于所述基本信息判断被测对象病情程度是否达到预设阈值；若是，则采用第一加权算法；若否，则采用第二加权算法。
可选的，在本发明第二方面的第六种实现方式中，所述认知和行为障碍的预警装置还包括充电检测模块，所述充电检测模块具体用于：判断获取到的所述生物信号是否为空；若是，则检测所述监测手环是否处于充电状态；若不处于充电状态，则生成第二预警信号，并将所述第二预警信号发送至预设端口。
本发明第三方面提供了一种认知和行为障碍的预警设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述认知和行为障碍的预警设备执行上述的认知和行为障碍的预警方法的步骤。
本发明的第四方面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中存储有指令，当其在计算机上运行时，使得计算机执行上述的认知和行为障碍的预警方法的步骤。
本发明的技术方案中，通过获取被测对象的基本信息，并基于所述基本信息建立对应的邻接矩阵；将所述邻接矩阵输入至预先训练好的图神经网络中，得到第一预测概率H1；接收所述被测对象的监测手环上传的生物信号，将所述生物信号输入至预先训练好的XGboost模型，得到第二预测概率H2；接收所述监测手环上传的日常监测数据，将所述日常监测数据输入至预先训练好的RNN模型，得到第三预测概率H3；基于预设的加权算法对所述H1、H2和H3进行加权投票计算，得到被测对象的患病概率H4；若所述H4高于预设概率阈值，则生成第一预警信号，并将所述第一预警信号发送至预设端口。本方法针对目前存在无法实时监测患者病症和病情发展的技术问题，为了提前发现病症，并能在日常中实时监控患者的具体生理情况，提高了诊断效率，并能实现不间断的监护措施。
附图说明
图1为本发明实施例中认知和行为障碍的预警方法的第一个实施例示意图；
图2为本发明实施例中认知和行为障碍的预警方法的第二个实施例示意图；
图3为本发明实施例中认知和行为障碍的预警方法的第三个实施例示意图；
图4为本发明实施例中认知和行为障碍的预警方法的第四个实施例示意图；
图5为本发明实施例中认知和行为障碍的预警装置的一个实施例示意图；
图6为本发明实施例中认知和行为障碍的预警装置的另一个实施例示意图；
图7为本发明实施例中认知和行为障碍的预警设备的一个实施例示意图。
具体实施方式
本发明的技术方案中，通过获取被测对象的基本信息，并基于所述基本信息建立对应的邻接矩阵；将所述邻接矩阵输入至预先训练好的图神经网络中，得到第一预测概率H1；接收所述被测对象的监测手环上传的生物信号，将所述生物信号输入至预先训练好的XGboost模型，得到第二预测概率H2；接收所述监测手环上传的日常监测数据，将所述日常监测数据输入至预先训练好的RNN模型，得到第三预测概率H3；基于预设的加权算法对所述H1、H2和H3进行加权投票计算，得到被测对象的患病概率H4；若所述H4高于预设概率阈值，则生成第一预警信号，并将所述第一预警信号发送至预设端口。本方法针对目前存在无法实时监测患者病症和病情发展的技术问题，为了提前发现病症，并能在日常中实时监控患者的具体生理情况，提高了诊断效率，并能实现不间断的监护措施。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中认知和行为障碍的预警方法的第一个实施例包括：
101，获取被测对象的基本信息，并基于基本信息建立对应的邻接矩阵；
在本实施例中，通过了解被测对象的基本信息，如年龄、性别、生活习惯、过往病史、家庭病史以及生活习惯等信息，建立邻接矩阵统计被测对象各信息之间的关系，如生活中爱运动的被测对象，其过往病史会相对较少，其患艾尔兹海默症的可能性也会相对较低。
102，将邻接矩阵输入至预先训练好的图神经网络中，得到第一预测概率H1；
在本实施例中，利用该邻接关系矩阵建立图神经网络，相对于传统神经网络的全连接层，邻接矩阵A能够更好地利用患者基本信息X之间的联系，极大提升模型的泛化性，输出更为准确的预测结果H，在不同类型的病人群体中都能达到不错的预警效果。
103，接收被测对象的监测手环上传的生物信号，将生物信号输入至预先训练好的XGboost模型，得到第二预测概率H2；
在本实施例中，通过被测对象佩戴的手环，采集步态数据和生物信号反馈，如心跳信息、运动步数以及加速度信号等，通过运动步数和加速度信号计算出手臂的主要特征：摆幅，不对称性和变异性。通过机器学习模型XGboost学习基本特征信息，对比正常人的特征模板，以预测被测对象的患病概率。
104，接收监测手环上传的日常监测数据，将日常监测数据输入至预先训练好的RNN模型，得到第三预测概率H3；
在本实施例中，结合手环的日常监测数据分析，统计记录被测对象的行为曲线，RNN深度学习模型通过at＝tanh(waxxt+waxxt-1+ba)特性，在t时刻预测时，会综合利用t时刻之前的所有时间的行为数据和当前t时刻的行为信息，由此可以实现长时间的跟踪分析，得到患者的患病趋势，能够更有效的诊断出异常行为以及患病概率。
105，基于预设的加权算法对H1、H2和H3进行加权投票计算，得到被测对象的患病概率H4；
在本实施例中，结合H1、H2、H3的预测概率，最终投票加权输出其较为准确的患病概率。同时，如若预测为患病，则将该概率结果及时通知相应紧急联系人，由其将患者带至医院做进一步检查，能更早地确诊患者的身体状态。
106，若H4高于预设概率阈值，则生成第一预警信号，并将第一预警信号发送至预设端口。
在本实施例中，判断综合发病概率后，若该概率高于预设阈值，则说明存在较大几率发病，若触发，则根据预先设定的端口发送预警信息，其中，预警信号不限于短信、电话，信号接收方可以是不限于一个监护人、医院、被测对象定位附近医疗场所。
在本实施例中，通过获取被测对象的基本信息，并基于所述基本信息建立对应的邻接矩阵；将所述邻接矩阵输入至预先训练好的图神经网络中，得到第一预测概率H1；接收所述被测对象的监测手环上传的生物信号，将所述生物信号输入至预先训练好的XGboost模型，得到第二预测概率H2；接收所述监测手环上传的日常监测数据，将所述日常监测数据输入至预先训练好的RNN模型，得到第三预测概率H3；基于预设的加权算法对所述H1、H2和H3进行加权投票计算，得到被测对象的患病概率H4；若所述H4高于预设概率阈值，则生成第一预警信号，并将所述第一预警信号发送至预设端口。本方法针对目前存在无法实时监测患者病症和病情发展的技术问题，为了提前发现病症，并能在日常中实时监控患者的具体生理情况，提高了诊断效率，并能实现不间断的监护措施。
请参阅图2，本发明实施例中认知和行为障碍的预警方法的第二个实施例包括：
201，获取被测对象的基本信息，并基于基本信息建立对应的邻接矩阵；
202，将被测对象的基本信息生成的邻接矩阵转化为二维数组A；
在本实施例中，将原始的邻接矩阵根据定义的信息对应的权重，转换成具体的二维数组A，例清淡饮食为0，重口味饮食为1；无遗传病史为0，有遗传病史为1等，所有基本情况赋值后完成二维数组A的转化。
203，通过二维数组A和二维数组的第i层的特征X相乘，得到更新后的第i层的节点特征AXi；
具体的，在简单应用中，可直接用二维数组作为图的邻接矩阵(顶点表及顶点数等均可省略)。当邻接矩阵中的元素仅表示相应的边是否存在时，EdgeTyPe可定义为值为0和1的枚举类型。无向图的邻接矩阵是对称矩阵，对规模特大的邻接矩阵可压缩存储。邻接矩阵表示法的空间复杂度S(n)＝0(n 2)。
204，将节点特征AXi与对应层数的权重矩阵Wi进行相乘，得到下一维度的节点特征AXi+1；
在本实施例中，综合计算得到各个维度下的节点特征，最后通过汇总计算，完成被测对象各个基本信息间联系和模型建立。
205，对节点特征AX和权重矩阵W进行矩阵运算，再乘以预设的非线性激活函数σ后进行归一化处理，得到第一预测概率H1；
在本实施例中，邻接矩阵A能更好地利用用患者基本信息X之间的联系，极大提升模型的泛化性，输出更为准确的预测结果H，在不同类型的病人群体中都能达到不错的预警效果。
具体的，得出的预测概率H1为基于被测对象基本信息的泛用概率，初始H2、H3未采集到足够信息时，H1的权重应当高于H2、H3。
206，接收监测手环上传的生物信号，并将生物信号输入至预先训练好的XGboost模型；
在本实施例中，通过接收手环采集步态数据和生物信号反馈，如心跳信息、运动步数以及加速度信号等，通过运动步数和加速度信号计算出手臂的主要特征：摆幅，不对称性和变异性，基于以上瞬时信息来为信息中各个参数赋值，输入至XGboost模型。
207，将不同的短时间瞬态的生物信号代入XGboost模型对应的树，拟合训练中得出的残差，并基于残差得到不同的分值，其中，树为函数公式；
具体的，决策树的学习最耗时的一个步骤就是对特征的值进行排序(因为要确定最佳分割点)，xgboost在训练之前，预先对数据进行了排序，然后保存为block结构，后面的迭代中重复地使用这个结构，大大减小计算量。这个block结构也使得并行成为了可能，在进行节点的分裂时，需要计算每个特征的增益，最终选增益最大的那个特征去做分裂，那么各个特征的增益计算就可以开多线程进行。
208，将分值进行累加，得到累加结果，并计算累加结果与预设的正常分值之比，得到第二预测概率H2；
在本实施例中，通过日常瞬态信息，可以为被测对象提供较为精密细致的第二预测概率H2。后续在加权投票环节也可以考虑适当加重H2的权重赋值。
具体的，预设的正常分值可以是经由正常群体依据同样的检测方式得出的分值。后续可以通过增加检验的信息对第二预测概率H2进一步细化。
209，接收监测手环上传的日常监测数据，将日常监测数据输入至预先训练好的RNN模型，得到第三预测概率H3；
210，基于预设的加权算法对H1、H2和H3进行加权投票计算，得到被测对象的患病概率H4；
211，若H4高于预设概率阈值，则生成第一预警信号，并将第一预警信号发送至预设端口。
本实施例在前实施例的基础上，详细描述了将所述被测对象的基本信息生成的所述邻接矩阵转化为二维数组A；通过所述二维数组A和所述二维数组的第i层的特征X相乘，得到更新后的第i层的节点特征AXi；将所述节点特征AXi与对应层数的权重矩阵Wi进行相乘，得到下一维度的节点特征AXi+1；对节点特征AX和权重矩阵W进行矩阵运算，再乘以预设的非线性激活函数σ后进行归一化处理，得到第一预测概率H1。通过本实施例相较于传统方法，细化了第一预测概率H1的采集和计算过程，以及对基本信息转化为二维数组和对应信息赋值的应用情况。
请参阅图3，本发明实施例中认知和行为障碍的预警方法的第三个实施例包括：
301，获取被测对象的基本信息，并基于基本信息建立对应的邻接矩阵；
302，将邻接矩阵输入至预先训练好的图神经网络中，得到第一预测概率H1；
303，接收被测对象的监测手环上传的生物信号，将生物信号输入至预先训练好的XGboost模型，得到第二预测概率H2；
304，判断获取到的生物信号是否为空；
在本实施例中，通过监测手环获取被测对象的生物信号，若在设定时间内一直为空或无变化，则存在下述情况的可能性。
具体的，因为阿尔兹海默症的特性，需要保持对被测对象不间断的检测，防止病情进一步恶化和突发情况的发生，因此需要补充本检测手段。
305，若是，则检测监测手环是否处于充电状态；
在本实施例中，BatteryManager会广播所有的电池和充电详细信息，通过Intent可以获取这些状态。由于这是个密集型(sticky)通知，所以不需要注册一个BroadcastReceiver，简单地调用调用registerReceiver该函数并设置参数为null即可获得到包含了电池信息的Intent。
306，若不处于充电状态，则生成第二预警信号，并将第二预警信号发送至预设端口。
在本实施例中，若检测到监测手环不处于充电状态，则存在手环遗失或被测对象存在一定发病风险，因此需发送一个提示信号给被测对象或其监护人手机，用以确定当前被测对象的安全境况，确保被测对象的安全和检测功能的正常运行。
307，接收监测手环上传的日常监测数据，将日常监测数据输入至预先训练好的RNN模型；
在本实施例中，RNN又名循环神经网络，是一类处理序列数据的神经网络，这个序列数据不只包括时间序列，还有文字序列等，即序列数据中后面的数据与前面的数据有关系。通过不断更新迭代日常检测数据，逐步完善RNN模型以及其预测的第三预测概率H3的准确度。
308，通过将记录的日常监测数据乘以输入层至隐藏层的权重矩阵U、上一次运行时更新隐藏层的权重矩阵W、隐藏层至输出层的权重矩阵V，得到被测对象的输出值O；
具体的，与基础的神经网络相比，RNN的不同之处在于在隐层之间的神经元之间也建立了权连接，随着序列的不断推进，隐层的前部将会通过W权连接影响到后部。其特点包括，能够处理序列化数据，隐层神经元之间也有权连接；权值共享，输入层，隐层，输出层的权值在不同序列中都相同；每一个输入值只与它本身的那条线路建立权连接，不与别的神经元连接
309，将隐藏层计算结果作为下次的权重矩阵W,并计算被测对象输出值O与正常输出值之比，得到第三预测概率H3；
在本实施例中，通过日常监测数据在时间这一维度上不断地累积和调教，逐步完善对第三预测概率H3的精准度，深化对被测对象病情的分析。
310，基于预设的加权算法对H1、H2和H3进行加权投票计算，得到被测对象的患病概率H4；
311，若H4高于预设概率阈值，则生成第一预警信号，并将第一预警信号发送至预设端口。
本实施例在前实施例的基础上，详细描述了判断获取到的所述生物信号是否为空；若是，则检测所述监测手环是否处于充电状态；若不处于充电状态，则生成第二预警信号，并将所述第二预警信号发送至预设端口的过程。通过本实施例相较于传统方法，增加了对监测手环返回数据为空下的判断环节，存在手环遗失或被测对象存在一定发病风险，因此需发送一个提示信号给被测对象或其监护人手机，用以确定当前被测对象的安全境况，确保被测对象的安全和检测功能的正常运行。
请参阅图4，本发明实施例中认知和行为障碍的预警方法的第四个实施例包括：
401，获取被测对象的基本信息，并基于基本信息建立对应的邻接矩阵；
402，将邻接矩阵输入至预先训练好的图神经网络中，得到第一预测概率H1；
403，接收被测对象的监测手环上传的生物信号，将生物信号输入至预先训练好的XGboost模型，得到第二预测概率H2；
404，接收监测手环上传的日常监测数据，将日常监测数据输入至预先训练好的RNN模型，得到第三预测概率H3；
405，获取被测对象的基本信息，基于基本信息判断被测对象病情程度是否达到预设阈值；
在本实施例中，具体的基本信息可以是基于H1的输入信息的细化，也可以是基于最近一次源于医生给予被测对象的专业判断。通过对初始病情的程度对日常监测进行不同预测概率的不同权重赋值。
406，若是，则采用第一加权算法；
具体的，若达到预设阈值，说明病情较为严重，可以相对加大H2在整个加权投票环节中的比重。
407，若否，则采用第二加权算法；
具体的，若未达到预设阈值，说明被测对象病情较轻微，可以相对加大H3在整个加权投票环节中的比重。
408，基于所选择的加权算法为H1、H2和H3赋予不同的权重系数，计算后得到患病概率H4；
在本实施例中，根据不同的加权算法，最终采取不同的权重系数折算得到患病概率H4。因为基于不同的权重系数得到的患病概率H4也相对不同，需要通过多维度的监测和定期的校准，对模型不断地优化，提升H4的精准度。
409，若H4高于预设概率阈值，则生成第一预警信号，并将第一预警信号发送至预设端口。
具体的，当H4高于预设概率阈值，则有极大概率判断被测对象处于发病状态，此时需要通过预留的联系方式快速通知被测对象亲属或家庭医生，确保病情不会进一步恶化。
本实施例在前实施例的基础上，详细描述了基于被测对象的基本信息，选择对应的加权算法；基于所选择的所述加权算法为H1、H2和H3赋予不同的权重系数，计算后得到患病概率H4的过程。通过本实施例相较于传统方法，基于最近一次源于医生给予被测对象的专业判断。通过对初始病情的程度对日常监测进行不同预测概率的不同权重赋值，根据不同的加权算法，最终采取不同的权重系数折算得到患病概率H4。因为基于不同的权重系数得到的患病概率H4也相对不同，需要通过多维度的监测和定期的校准，对模型不断地优化，提升H4的精准度。
上面对本发明实施例中认知和行为障碍的预警方法进行了描述，下面对本发明实施例中认知和行为障碍的预警装置进行描述，请参阅图5，本发明实施例中认知和行为障碍的预警装置一个实施例包括：
矩阵建立模块501，用于获取被测对象的基本信息，并基于所述基本信息建立对应的邻接矩阵；
第一预测模块502，用于将所述邻接矩阵输入至预先训练好的图神经网络中，得到第一预测概率H1；
第二预测模块503，用于接收所述被测对象的监测手环上传的生物信号，将所述生物信号输入至预先训练好的XGboost模型，得到第二预测概率H2；
第三预测模块504，用于接收所述监测手环上传的日常监测数据，将所述日常监测数据输入至预先训练好的RNN模型，得到第三预测概率H3；
加权投票模块505，用于基于预设的加权算法对所述H1、H2和H3进行加权投票计算，得到被测对象的患病概率H4；
阈值判断模块506，用于若所述H4高于预设概率阈值，则生成第一预警信号，并将所述第一预警信号发送至预设端口。
本发明实施例中，认知和行为障碍的预警装置运行上述认知和行为障碍的预警方法，包括，获取被测对象的基本信息，并基于所述基本信息建立对应的邻接矩阵；将所述邻接矩阵输入至预先训练好的图神经网络中，得到第一预测概率H1；接收所述被测对象的监测手环上传的生物信号，将所述生物信号输入至预先训练好的XGboost模型，得到第二预测概率H2；接收所述监测手环上传的日常监测数据，将所述日常监测数据输入至预先训练好的RNN模型，得到第三预测概率H3；基于预设的加权算法对所述H1、H2和H3进行加权投票计算，得到被测对象的患病概率H4；若所述H4高于预设概率阈值，则生成第一预警信号，并将所述第一预警信号发送至预设端口。本方法针对目前存在无法实时监测患者病症和病情发展的技术问题，为了提前发现病症，并能在日常中实时监控患者的具体生理情况，提高了诊断效率，并能实现不间断的监护措施。
请参阅图6，本发明实施例中认知和行为障碍的预警装置的第二个实施例包括：
矩阵建立模块501，用于获取被测对象的基本信息，并基于所述基本信息建立对应的邻接矩阵；
第一预测模块502，用于将所述邻接矩阵输入至预先训练好的图神经网络中，得到第一预测概率H1；
第二预测模块503，用于接收所述被测对象的监测手环上传的生物信号，将所述生物信号输入至预先训练好的XGboost模型，得到第二预测概率H2；
第三预测模块504，用于接收所述监测手环上传的日常监测数据，将所述日常监测数据输入至预先训练好的RNN模型，得到第三预测概率H3；
加权投票模块505，用于基于预设的加权算法对所述H1、H2和H3进行加权投票计算，得到被测对象的患病概率H4；
阈值判断模块506，用于若所述H4高于预设概率阈值，则生成第一预警信号，并将所述第一预警信号发送至预设端口。
在本实施例中，第一预测模块502具体用于：
将所述被测对象的基本信息生成的所述邻接矩阵转化为二维数组A；通过所述二维数组A和所述二维数组的第i层的特征X相乘，得到更新后的第i层的节点特征AXi；将所述节点特征AXi与对应层数的权重矩阵Wi进行相乘，得到下一维度的节点特征AXi+1；对节点特征AX和权重矩阵W进行矩阵运算，再乘以预设的非线性激活函数σ后进行归一化处理，得到第一预测概率H1。
在本实施例中，第二预测模块503具体用于：
接收所述监测手环上传的生物信号，并将所述生物信号输入至预先训练好的所述XGboost模型；将不同的短时间瞬态的生物信号代入XGboost模型对应的树，拟合训练中得出的残差，并基于所述残差得到不同的分值，其中，所述树为函数公式；将所述分值进行累加，得到累加结果，并计算所述累加结果与预设的正常分值之比，得到第二预测概率H2。
在本实施例中，第三预测模块504具体用于：
接收所述监测手环上传的日常监测数据，将所述日常监测数据输入至预先训练好的RNN模型；通过将记录的所述日常监测数据乘以输入层至隐藏层的权重矩阵U、上一次运行时更新隐藏层的权重矩阵W、隐藏层至输出层的权重矩阵V，得到所述被测对象的输出值O；将隐藏层计算结果作为下次的权重矩阵W,并计算所述被测对象输出值O与正常输出值之比，得到第三预测概率H3。
在本实施例中，加权投票模块505具体用于：
算法选择单元5051，基于被测对象的基本信息，选择对应的加权算法；
投票单元5052，基于所选择的所述加权算法为H1、H2和H3赋予不同的权重系数，计算后得到患病概率H4。
在本实施例中，算法选择单元5051具体用于：
获取被测对象的基本信息，基于所述基本信息判断被测对象病情程度是否达到预设阈值；若是，则采用第一加权算法；若否，则采用第二加权算法。
在本实施例中，认知和行为障碍的预警装置还包括充电检测模块507，所述充电检测模块507具体用于：
判断获取到的所述生物信号是否为空；若是，则检测所述监测手环是否处于充电状态；若不处于充电状态，则生成第二预警信号，并将所述第二预警信号发送至预设端口。
本实施例在上一实施例的基础上，详细描述了各个模块的具体功能以及部分模块的单元构成，通过新增的模块，增加了充电检测模块，通过上述模块并细化了原有模块的具体作用，完善了认知和行为障碍的预警装置的运行，提高了其运行时的可靠性以及明确了各个步骤间的实际逻辑，提高了装置的实用性。
上面图5和图6从模块化功能实体的角度对本发明实施例中的中认知和行为障碍的预警装置进行详细描述，下面从硬件处理的角度对本发明实施例中认知和行为障碍的预警设备进行详细描述。
图7是本发明实施例提供的一种认知和行为障碍的预警设备的结构示意图，该认知和行为障碍的预警设备700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)710(例如，一个或一个以上处理器)和存储器720，一个或一个以上存储应用程序733或数据732的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器720和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对认知和行为障碍的预警设备700中的一系列指令操作。更进一步地，处理器710可以设置为与存储介质730通信，在认知和行为障碍的预警设备700上执行存储介质730中的一系列指令操作，以实现上述认知和行为障碍的预警方法的步骤。
认知和行为障碍的预警设备700还可以包括一个或一个以上电源740，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口760，和/或，一个或一个以上操作系统731，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图7示出的认知和行为障碍的预警设备结构并不构成对本申请提供的认知和行为障碍的预警设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述的认知和行为障碍的预警方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统或装置、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种认知和行为障碍的预警方法，其特征在于，所述认知和行为障碍的预警方法包括：
获取被测对象的基本信息，并基于所述基本信息建立对应的邻接矩阵；
将所述邻接矩阵输入至预先训练好的图神经网络中，得到第一预测概率H1；
接收所述被测对象的监测手环上传的生物信号，将所述生物信号输入至预先训练好的XGboost模型，得到第二预测概率H2；
接收所述监测手环上传的日常监测数据，将所述日常监测数据输入至预先训练好的RNN模型，得到第三预测概率H3；
基于预设的加权算法对所述H1、H2和H3进行加权投票计算，得到被测对象的患病概率H4；
若所述H4高于预设概率阈值，则生成第一预警信号，并将所述第一预警信号发送至预设端口。
2.根据权利要求1所述的认知和行为障碍的预警方法，其特征在于，所述将所述邻接矩阵输入至预先训练好的图神经网络中，得到第一预测概率H1包括：
将所述被测对象的基本信息生成的所述邻接矩阵转化为二维数组A；
通过所述二维数组A和所述二维数组A的第i层的特征X相乘，得到更新后的第i层的节点特征AXi；
将所述节点特征AXi与对应层数的权重矩阵Wi进行相乘，得到下一维度的节点特征AXi+1；
对节点特征AX和权重矩阵W进行矩阵运算，再乘以预设的非线性激活函数σ后进行归一化处理，得到第一预测概率H1。
3.根据权利要求1所述的认知和行为障碍的预警方法，其特征在于，所述接收所述被测对象的监测手环上传的生物信号，将所述生物信号输入至预先训练好的XGboost模型，得到第二预测概率H2包括：
接收所述监测手环上传的生物信号，并将所述生物信号输入至预先训练好的所述XGboost模型；
将不同的短时间瞬态的生物信号代入XGboost模型对应的树，拟合训练中得出的残差，并基于所述残差得到不同的分值，其中，所述树为函数公式；
将所述分值进行累加，得到累加结果，并计算所述累加结果与预设的正常分值之比，得到第二预测概率H2。
4.根据权利要求1所述的认知和行为障碍的预警方法，其特征在于，所述RNN模型包括输入层、隐藏层和输出层，所述接收所述监测手环上传的日常监测数据，将所述日常监测数据输入至预先训练好的RNN模型，得到第三预测概率H3包括：
接收所述监测手环上传的日常监测数据，将所述日常监测数据输入至预先训练好的RNN模型；
通过将记录的所述日常监测数据乘以输入层至隐藏层的权重矩阵U、上一次运行时更新隐藏层的权重矩阵W、隐藏层至输出层的权重矩阵V，得到所述被测对象的输出值O；
将隐藏层计算结果作为下次的权重矩阵W,并计算所述被测对象输出值O与正常输出值之比，得到第三预测概率H3。
5.根据权利要求1所述的认知和行为障碍的预警方法，其特征在于，所述基于预设的加权算法对所述H1、H2和H3进行加权投票计算，得到被测对象的患病概率H4，包括：
基于被测对象的基本信息，选择对应的加权算法；
基于所选择的所述加权算法为H1、H2和H3赋予不同的权重系数，计算后得到患病概率H4。
6.根据权利要求5所述的认知和行为障碍的预警方法，其特征在于，所述预设的加权算法至少包括第一加权算法和第二加权算法，所述基于被测对象的基本信息，选择对应的加权算法包括：
获取被测对象的基本信息，基于所述基本信息判断被测对象病情程度是否达到预设阈值；
若是，则采用第一加权算法；
若否，则采用第二加权算法。
7.根据权利要求1所述的认知和行为障碍的预警方法，其特征在于，所述接收所述被测对象的监测手环上传的生物信号，将所述生物信号输入至预先训练好的XGboost模型，得到第二预测概率H2之后，还包括：
判断获取到的所述生物信号是否为空；
若是，则检测所述监测手环是否处于充电状态；
若不处于充电状态，则生成第二预警信号，并将所述第二预警信号发送至预设端口。
8.一种认知和行为障碍的预警装置，其特征在于，所述认知和行为障碍的预警装置包括：
矩阵建立模块，用于获取被测对象的基本信息，并基于所述基本信息建立对应的邻接矩阵；
第一预测模块，用于将所述邻接矩阵输入至预先训练好的图神经网络中，得到第一预测概率H1；
第二预测模块，用于接收所述被测对象的监测手环上传的生物信号，将所述生物信号输入至预先训练好的XGboost模型，得到第二预测概率H2；
第三预测模块，用于接收所述监测手环上传的日常监测数据，将所述日常监测数据输入至预先训练好的RNN模型，得到第三预测概率H3；
加权投票模块，用于基于预设的加权算法对所述H1、H2和H3进行加权投票计算，得到被测对象的患病概率H4；
阈值判断模块，用于若所述H4高于预设概率阈值，则生成第一预警信号，并将所述第一预警信号发送至预设端口。
9.一种认知和行为障碍的预警设备，其特征在于，所述认知和行为障碍的预警设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述认知和行为障碍的预警设备执行如权利要求1-7中任一项所述的认知和行为障碍的预警方法的各个步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的认知和行为障碍的预警方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210038698.0A CN114343585B (zh) | 2022-01-13 | 2022-01-13 | 认知和行为障碍的预警方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210038698.0A CN114343585B (zh) | 2022-01-13 | 2022-01-13 | 认知和行为障碍的预警方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114343585A CN114343585A (zh) | 2022-04-15 |
| CN114343585B true CN114343585B (zh) | 2023-09-29 |
Family
ID=81108889
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210038698.0A Active CN114343585B (zh) | 2022-01-13 | 2022-01-13 | 认知和行为障碍的预警方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114343585B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116098587B (zh) * | 2023-01-13 | 2023-10-10 | 北京中科睿医信息科技有限公司 | 一种基于眼动的认知评估方法、装置、设备及介质 |
| CN116936132B (zh) * | 2023-09-18 | 2024-04-26 | 深圳市即达健康医疗科技有限公司 | 基于大数据的智慧医疗病情监控方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109394247A (zh) * | 2018-06-08 | 2019-03-01 | 青岛大学附属医院 | 一种多特征融合的就诊用户情绪监控方法 |
| CN110916689A (zh) * | 2019-11-29 | 2020-03-27 | 上海青鸿教育科技有限公司 | 一种自闭症的认知与注意力强化智能评估训练系统及方法 |
| CN112669188A (zh) * | 2021-01-12 | 2021-04-16 | 徐涛 | 危机事件预警模型构建、危机事件预警方法和电子设备 |
| CN112741638A (zh) * | 2021-01-05 | 2021-05-04 | 北京航空航天大学 | 一种基于eeg信号的医疗诊断辅助系统 |
| CN112890816A (zh) * | 2020-12-11 | 2021-06-04 | 万达信息股份有限公司 | 一种个人用户的健康指数评分方法和装置 |
| CN113080945A (zh) * | 2021-05-06 | 2021-07-09 | 姬利 | 一种帕金森患者的病情监控方法及系统 |
| CN113520395A (zh) * | 2021-07-15 | 2021-10-22 | 北京心驰智途科技有限公司 | 一种精神状态的实时评估系统和方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6906197B2 (ja) * | 2017-09-29 | 2021-07-21 | パナソニックＩｐマネジメント株式会社 | 情報処理方法、情報処理装置及び情報処理プログラム |
| US20200221990A1 (en) * | 2019-01-11 | 2020-07-16 | Quadrus Medical Technologies, Inc. | Systems and methods for assessing and evaluating renal health diagnosis, staging, and therapy recommendation |
| US11526762B2 (en) * | 2019-10-24 | 2022-12-13 | Ventech Solutions, Inc. | Method and system of training a machine learning neural network system for patient medical states |
-
2022
- 2022-01-13 CN CN202210038698.0A patent/CN114343585B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109394247A (zh) * | 2018-06-08 | 2019-03-01 | 青岛大学附属医院 | 一种多特征融合的就诊用户情绪监控方法 |
| CN110916689A (zh) * | 2019-11-29 | 2020-03-27 | 上海青鸿教育科技有限公司 | 一种自闭症的认知与注意力强化智能评估训练系统及方法 |
| CN112890816A (zh) * | 2020-12-11 | 2021-06-04 | 万达信息股份有限公司 | 一种个人用户的健康指数评分方法和装置 |
| CN112741638A (zh) * | 2021-01-05 | 2021-05-04 | 北京航空航天大学 | 一种基于eeg信号的医疗诊断辅助系统 |
| CN112669188A (zh) * | 2021-01-12 | 2021-04-16 | 徐涛 | 危机事件预警模型构建、危机事件预警方法和电子设备 |
| CN113080945A (zh) * | 2021-05-06 | 2021-07-09 | 姬利 | 一种帕金森患者的病情监控方法及系统 |
| CN113520395A (zh) * | 2021-07-15 | 2021-10-22 | 北京心驰智途科技有限公司 | 一种精神状态的实时评估系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114343585A (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khan et al. | A healthcare monitoring system for the diagnosis of heart disease in the IoMT cloud environment using MSSO-ANFIS | |
| CN114343585B (zh) | 认知和行为障碍的预警方法、装置、设备及存储介质 | |
| Shany et al. | Are we stumbling in our quest to find the best predictor? Over‐optimism in sensor‐based models for predicting falls in older adults | |
| KR102197112B1 (ko) | 시계열 생체 신호 기반의 인공신경망 모델 학습 컴퓨터 프로그램 및 방법 | |
| KR102208759B1 (ko) | 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법 | |
| JP2020536623A (ja) | モバイルデバイスを用いたユーザの健康の連続的監視 | |
| US20210307673A1 (en) | System and method for early and efficient prediction of epilectic seizures | |
| KR102141185B1 (ko) | 확률모델 및 기계학습과 함께 특징추출을 이용한 뇌전도 신호의 멀티 주파수 대역 계수 기반 간질 발작파 검출 시스템 | |
| Pal et al. | Deep learning techniques for prediction and diagnosis of diabetes mellitus | |
| CN117133464B (zh) | 一种老年人健康智能监测系统及监测方法 | |
| CN117542474A (zh) | 基于大数据的远程护理监测系统及方法 | |
| Silva et al. | Fusion of clinical, self-reported, and multisensor data for predicting falls | |
| KR20190031192A (ko) | 건강 위험 예측 방법 | |
| CN116098595B (zh) | 一种心源性及脑源性猝死监测预防系统和方法 | |
| Irshad et al. | Convolutional neural network enable optoelectronic system for predicting cardiac response by analyzing auction-based optimization algorithms | |
| KR102208760B1 (ko) | 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 영상 데이터 생성방법 | |
| JP2024513618A (ja) | 感染症及び敗血症の個別化された予測のための方法及びシステム | |
| Philip et al. | Smart Health Monitoring Using Deep Learning and Artificial Intelligence. | |
| Rao et al. | Machine Learning Based Cardiovascular Disease Prediction | |
| Boloka et al. | Anomaly detection monitoring system for healthcare | |
| Kathiresan | Analysis on cardiovascular disease classification using machine learning framework | |
| US20240050006A1 (en) | System and method for prediction and control of attention deficit hyperactivity (adhd) disorders | |
| WO2024019575A1 (ko) | 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치 | |
| Pasha et al. | For Recognising Parkinson's Disease Sickness, Machine Learning Is Being Employed. | |
| Rashnu et al. | Integrative Deep Learning Framework for Parkinson's Disease Early Detection using Gait Cycle Data Measured by Wearable Sensors: A CNN-GRU-GNN Approach |
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 |