CN114999649A - 一种基于深度学习的老人体征数据监控预警方法和系统 - Google Patents

一种基于深度学习的老人体征数据监控预警方法和系统 Download PDF

Info

Publication number
CN114999649A
CN114999649A CN202210629727.0A CN202210629727A CN114999649A CN 114999649 A CN114999649 A CN 114999649A CN 202210629727 A CN202210629727 A CN 202210629727A CN 114999649 A CN114999649 A CN 114999649A
Authority
CN
China
Prior art keywords
data
sign
sample
old people
preset
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.)
Granted
Application number
CN202210629727.0A
Other languages
English (en)
Other versions
CN114999649B (zh
Inventor
周健
李若云
雷东华
刘凯华
胡丽坤
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.)
Guangzhou Peisheng Intelligent Technology Co ltd
Original Assignee
Guangzhou Peisheng Intelligent Technology 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 Guangzhou Peisheng Intelligent Technology Co ltd filed Critical Guangzhou Peisheng Intelligent Technology Co ltd
Priority to CN202210629727.0A priority Critical patent/CN114999649B/zh
Publication of CN114999649A publication Critical patent/CN114999649A/zh
Application granted granted Critical
Publication of CN114999649B publication Critical patent/CN114999649B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0438—Sensor means for detecting
    • G08B21/0453—Sensor means for detecting worn on the body to detect health condition by physiological monitoring, e.g. electrocardiogram, temperature, breathing

Abstract

本申请揭示了一种基于深度学习的老人体征数据监控预警方法，对样本老人在进行预设的第一活动的同时实施体征数据监控处理；计算出n个函数Q1、Q2、…、Qn；生成第一三维点集，生成m个Q(x)函数；对样本老人在进行预设的第二活动的同时实施体征数据监控处理；计算出n个函数R1、R2、…、Rn；生成第二三维点集，生成m个W(x)函数；得到m个训练用纠缠函数对；生成多个样本数据，输入深度神经网络模型中进行训练；得到m个正式用纠缠函数对；将m个正式用纠缠函数对输入老人体征预警模型，以得到输出结果，并当输出结果为体征异常时，生成预警信号，实现了对于微弱异常信号下的老人体征数据监控预警。

Description

一种基于深度学习的老人体征数据监控预警方法和系统
技术领域
本申请涉及到计算机领域，特别是涉及到一种基于深度学习的老人体征数据监控预警方法和系统。
背景技术
老人的生理状况与其他年龄段的人不同，因为当老人出现一定的生理异常时，就有可能异致不可挽回的后果，因此存在对老人体征数据监控预警的需要。而现有的老人体征数据监控预警的方案，仅是对采集到的老人体征数据进行分析，以判断采集到的老人体征数据是否出现了异常变化，进而决定是否应当预警。这种现有方案虽然可以快速发现老人的异常并预警，但其也存在缺陷，因为其只适用于存在大的异常信号的情况，而对于仅存在微量的异常信号的情况难以进行准确预警。
发明内容
本申请提出一种基于深度学习的老人体征数据监控预警方法，包括以下步骤：
S1、采用预设的体征采集器，在多个时间周期内，分别对样本老人在进行预设的第一活动的同时实施体征数据监控处理，以得到第一一体征数据集P1、第一二体征数据集P2、…、第一n体征数据集Pn；其中，n为大于2的整数，体征数据集P1、P2、…、Pn均在第一时间窗口内采集得到；
S2、根据公式：
Figure BDA0003679250920000011
计算出n个函数Q1、Q2、…、Qn；其中，t为数据采集时间，P0为预先采集的样本老人处于健康状态下进行第一活动时的体征数据集；
S3、以时间周期的编号为x轴，数据采集时间为y轴，n个函数Q1、Q2、…、Qn的值为Z轴，从而将n个函数Q1、Q2、…、Qn投影入预设的预先构建的空间直角坐标系中，以生成第一三维点集，并对第一三维点集按预设的m个数据采集时间点进行平面切分处理，从而生成m个Q(x)函数；m为大于2的整数；
S4、在多个时间周期内，分别对样本老人在进行预设的第二活动的同时实施体征数据监控处理，以得到第二一体征数据集W1、第二二体征数据集W2、…、第二n体征数据集Wn；其中，体征数据集W1、W2、…、Wn均在第二时间窗口内采集得到；第二时间窗口的宽度与第一时间窗口的宽度相同；
S5、根据公式：
Figure BDA0003679250920000021
计算出n个函数R1、R2、…、Rn；其中，t为数据采集时间，W0为预先采集的样本老人处于健康状态下进行第二活动时的体征数据集；
S6、以时间周期的编号为x轴，数据采集时间为y轴，n个函数R1、R2、…、Rn的值为Z轴，从而将n个函数R1、R2、…、Rn投影入预设的预先构建的空间直角坐标系中，以生成第二三维点集，并对第二三维点集按预设的m个数据采集时间点进行平面切分处理，生成m个W(x)函数；
S7、将m个Q(x)函数与m个W(x)函数按数据采集时间点的前后进行排序，并将序号相同的函数配对为训练用函数对，得到m个训练用纠缠函数对；
S8、根据样本老人的健康状态，对m个训练用纠缠函数对进行人工标注处理，以标注上正常标签或者异常标签，从而生成一个样本数据；
S9、重复前述步骤S1-S8，从而生成多个样本数据，并将多个样本数据划分为多个训练数据和多个试验数据，将多个训练数据输入预设的深度神经网络模型中进行训练，以得到老人体征预警模型；
S10、利用多个试验数据对老人体征预警模型进行验证，并在验证通过的前提下，对待分析老人重复前述步骤S1-S7，以得到m个正式用纠缠函数对；
S11、将m个正式用纠缠函数对输入老人体征预警模型，以得到输出结果，并当输出结果为体征异常时，生成预警信号。
进一步地，所述利用多个试验数据对老人体征预警模型进行验证，并在验证通过的前提下，对待分析老人重复前述步骤S1-S7，以得到m个正式用纠缠函数对的步骤S10，包括：
S101、根据条件公式
Figure BDA0003679250920000031
进行筛选，以从多个试验数据中选出满足条件公式的至少一个指定试验数据；其中，δ为预设的大于0的参数；
S102、将至少一个指定试验数据输入老人体征预警模型中，以得到至少一个试验输出结果；
S103、判断试验输出结果是否均为体征异常；
S104、若试验输出结果均为体征异常，则判定验证通过；
S105、对待分析老人重复前述步骤S1-S7，以得到m个正式用纠缠函数对。
进一步地，所述采用预设的体征采集器，在多个时间周期内，分别对样本老人在进行预设的第一活动的同时实施体征数据监控处理，以得到第一一体征数据集P1、第一二体征数据集P2、…、第一n体征数据集Pn的步骤S1之前，包括：
S001、在同一个时间周期内，对样本老人进行体征数据监控处理，以获取样本老人在进行老人保健操时对应的一号原始体征数据集，并且获取样本老人在进行老人广场舞时对应的二号原始体征数据集；
S002、对一号原始体征数据集和二号原始体征数据集分别进行分段处理，以得到多个一号数据段序列和多个二号数据段序列；其中，每个一号数据段序列和每个二号数据段序列的时间长度均相同；
S003、根据预设的相似数据比较方法，对比一个一号数据段和一个二号数据段之间的相似程度，从而得到多个相似程度值；
S004、从多个相似程度值中选出最大相似程度值，并将最大相似程度值对应的一号数据段记为指定一号数据段，将最大相似程度值对应的二号数据段记为指定二号数据段；
S005、将指定一号数据段对应的活动记为第一活动，将指定二号数据段对应的活动记为第二活动。
进一步地，所述在同一个时间周期内，对样本老人进行体征数据监控处理，以获取样本老人在进行老人保健操时对应的一号原始体征数据集，并且获取样本老人在进行老人广场舞时对应的二号原始体征数据集的步骤S001，包括：
S0011、在同一个时间周期内，采用预设的光线捕捉器，对样本老人进行第一次光线捕捉处理，以得到第一姿态图像序列；
S0012、将第一姿态图像序列与预先采集的老人保健操动作图像序列进行对比，以从第一姿态图像序列中选出样本老人在进行老人保健操时对应的一号姿态图像序列；
S0013、在一号姿态图像序列采集的同时，对样本老人进行体征数据监控处理，以获取一号原始体征数据集；
S0014、将第一姿态图像序列与预先采集的老人广场舞动作图像序列进行对比，以从第一姿态图像序列中选出样本老人在进行老人保健操时对应的二号姿态图像序列；
S0015、在二号姿态图像序列采集的同时，对样本老人进行体征数据监控处理，以获取二号原始体征数据集。
进一步地，所述采用预设的体征采集器，在多个时间周期内，分别对样本老人在进行预设的第一活动的同时实施体征数据监控处理，以得到第一一体征数据集P1、第一二体征数据集P2、…、第一n体征数据集Pn的步骤S1中，体征采集器为穿戴式体征采集器，用于采集心率、呼吸频率、体温和脉博中的一种或多种。
进一步地，所述采用预设的体征采集器，在多个时间周期内，分别对样本老人在进行预设的第一活动的同时实施体征数据监控处理，以得到第一一体征数据集P1、第一二体征数据集P2、…、第一n体征数据集Pn的步骤S1中，体征数据集P1、P2、…、Pn均为心率数据集；
所述在多个时间周期内，分别对样本老人在进行预设的第二活动的同时实施体征数据监控处理，以得到第二一体征数据集W1、第二二体征数据集W2、…、第二n体征数据集Wn的步骤S4中，体征数据集W1、W2、…、Wn均为体温数据集。
本申请提供一种基于深度学习的老人体征数据监控预警系统，包括：
第一体征数据监控单元，用于采用预设的体征采集器，在多个时间周期内，分别对样本老人在进行预设的第一活动的同时实施体征数据监控处理，以得到第一一体征数据集P1、第一二体征数据集P2、…、第一n体征数据集Pn；其中，n为大于2的整数，体征数据集P1、P2、…、Pn均在第一时间窗口内采集得到；
第一函数计算单元，用于根据公式：
Figure BDA0003679250920000051
计算出n个函数Q1、Q2、…、Qn；其中，t为数据采集时间，P0为预先采集的样本老人处于健康状态下进行第一活动时的体征数据集；
第一平面切分单元，用于以时间周期的编号为x轴，数据采集时间为y轴，n个函数Q1、Q2、…、Qn的值为Z轴，从而将n个函数Q1、Q2、…、Qn投影入预设的预先构建的空间直角坐标系中，以生成第一三维点集，并对第一三维点集按预设的m个数据采集时间点进行平面切分处理，从而生成m个Q(x)函数；m为大于2的整数；
第二体征数据监控单元，用于在多个时间周期内，分别对样本老人在进行预设的第二活动的同时实施体征数据监控处理，以得到第二一体征数据集W1、第二二体征数据集W2、…、第二n体征数据集Wn；其中，体征数据集W1、W2、…、Wn均在第二时间窗口内采集得到；第二时间窗口的宽度与第一时间窗口的宽度相同；
第二函数计算单元，用于根据公式：
Figure BDA0003679250920000052
计算出n个函数R1、R2、…、Rn；其中，t为数据采集时间，W0为预先采集的样本老人处于健康状态下进行第二活动时的体征数据集；
第二平面切分单元，用于以时间周期的编号为x轴，数据采集时间为y轴，n个函数R1、R2、…、Rn的值为Z轴，从而将n个函数R1、R2、…、Rn投影入预设的预先构建的空间直角坐标系中，以生成第二三维点集，并对第二三维点集按预设的m个数据采集时间点进行平面切分处理，生成m个W(x)函数；
函数排序单元，用于将m个Q(x)函数与m个W(x)函数按数据采集时间点的前后进行排序，并将序号相同的函数配对为训练用函数对，得到m个训练用纠缠函数对；
样本数据生成单元，用于根据样本老人的健康状态，对m个训练用纠缠函数对进行人工标注处理，以标注上正常标签或者异常标签，从而生成一个样本数据；
模型训练单元，用于重复前述步骤S1-S8，从而生成多个样本数据，并将多个样本数据划分为多个训练数据和多个试验数据，将多个训练数据输入预设的深度神经网络模型中进行训练，以得到老人体征预警模型；
模型验证单元，用于利用多个试验数据对老人体征预警模型进行验证，并在验证通过的前提下，对待分析老人重复前述步骤S1-S7，以得到m个正式用纠缠函数对；
预警信号生成单元，用于将m个正式用纠缠函数对输入老人体征预警模型，以得到输出结果，并当输出结果为体征异常时，生成预警信号。
本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请提供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一项所述的方法的步骤。
本申请的基于深度学习的老人体征数据监控预警方法、系统、计算机设备和存储介质，对样本老人在进行预设的第一活动的同时实施体征数据监控处理，以得到体征数据集P1、P2、…、Pn；计算出n个函数Q1、Q2、…、Qn；生成第一三维点集，生成m个Q(x)函数；对样本老人在进行预设的第二活动的同时实施体征数据监控处理，以得到体征数据集W1、W2、…、Wn；计算出n个函数R1、R2、…、Rn；生成第二三维点集，生成m个W(x)函数；得到m个训练用纠缠函数对；进行人工标注处理，以标注上正常标签或者异常标签，从而生成一个样本数据；生成多个样本数据，并将多个训练数据输入预设的深度神经网络模型中进行训练，以得到老人体征预警模型；得到m个正式用纠缠函数对；将m个正式用纠缠函数对输入老人体征预警模型，以得到输出结果，并当输出结果为体征异常时，生成预警信号，实现了对于微弱异常信号下的老人体征数据监控预警。
本申请的原理包括：
同一个老人，当其处于健康状态下时，其进行不同运动的趋势数据，分别沿时间周期(例如周期为天数)变化的进一步变化趋势是一致的。因此本申请能够将不同的活动(例如不同烈度的活动)下的数据关联起来，使得数据分析不再局限于单一的活动，从而有助于发现较弱的异常体征信号。
另外，本申请若应用于相差过于剧烈的两种活动，其准确程度会下降，但对于老人而言，一般无法进行例如球类运动等过于剧烈的活动，这也是本申请适用于老人，而非适用于其他年龄段的人群的一个原因。实际上，对于老人而言，老人保健操之类的运动已经算是激烈运动，但真实运动量不会太大。
另外，本申请用以确定老人体征状态的变化，另一个原因在于：与其他年龄段的人(例如青年人)不同，体征状态变化对于青年人而言没有影响，但老人体弱，一些较小的体征状态变化青年人可以承受，但却有可能引起老人的病发等恶化状况。因此有必要捕捉老人的微小异常体征信号，但却没有必要捕捉其他年龄段的人的微小异常体征信号的必要。
本申请的一个特点在于，可以与其他的预警方案进行叠加，相对而言，本申请是对潜在的可能微小体征异常进行预警，因此能够作为其他预警方案的有效补充。
附图说明
图1为本申请一实施例的基于深度学习的老人体征数据监控预警方法的流程示意图；
图2为本申请一实施例的基于深度学习的老人体征数据监控预警系统的结构示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例提供一种基于深度学习的老人体征数据监控预警方法，包括以下步骤：
S1、采用预设的体征采集器，在多个时间周期内，分别对样本老人在进行预设的第一活动的同时实施体征数据监控处理，以得到第一一体征数据集P1、第一二体征数据集P2、…、第一n体征数据集Pn；其中，n为大于2的整数，体征数据集P1、P2、…、Pn均在第一时间窗口内采集得到；
S2、根据公式：
Figure BDA0003679250920000081
计算出n个函数Q1、Q2、…、Qn；其中，t为数据采集时间，P0为预先采集的样本老人处于健康状态下进行第一活动时的体征数据集；
S3、以时间周期的编号为x轴，数据采集时间为y轴，n个函数Q1、Q2、…、Qn的值为Z轴，从而将n个函数Q1、Q2、…、Qn投影入预设的预先构建的空间直角坐标系中，以生成第一三维点集，并对第一三维点集按预设的m个数据采集时间点进行平面切分处理，从而生成m个Q(x)函数；m为大于2的整数；
S4、在多个时间周期内，分别对样本老人在进行预设的第二活动的同时实施体征数据监控处理，以得到第二一体征数据集W1、第二二体征数据集W2、…、第二n体征数据集Wn；其中，体征数据集W1、W2、…、Wn均在第二时间窗口内采集得到；第二时间窗口的宽度与第一时间窗口的宽度相同；
S5、根据公式：
Figure BDA0003679250920000082
计算出n个函数R1、R2、…、Rn；其中，t为数据采集时间，W0为预先采集的样本老人处于健康状态下进行第二活动时的体征数据集；
S6、以时间周期的编号为x轴，数据采集时间为y轴，n个函数R1、R2、…、Rn的值为Z轴，从而将n个函数R1、R2、…、Rn投影入预设的预先构建的空间直角坐标系中，以生成第二三维点集，并对第二三维点集按预设的m个数据采集时间点进行平面切分处理，生成m个W(x)函数；
S7、将m个Q(x)函数与m个W(x)函数按数据采集时间点的前后进行排序，并将序号相同的函数配对为训练用函数对，得到m个训练用纠缠函数对；
S8、根据样本老人的健康状态，对m个训练用纠缠函数对进行人工标注处理，以标注上正常标签或者异常标签，从而生成一个样本数据；
S9、重复前述步骤S1-S8，从而生成多个样本数据，并将多个样本数据划分为多个训练数据和多个试验数据，将多个训练数据输入预设的深度神经网络模型中进行训练，以得到老人体征预警模型；
S10、利用多个试验数据对老人体征预警模型进行验证，并在验证通过的前提下，对待分析老人重复前述步骤S1-S7，以得到m个正式用纠缠函数对；
S11、将m个正式用纠缠函数对输入老人体征预警模型，以得到输出结果，并当输出结果为体征异常时，生成预警信号。
本申请实际上可应用于任意可行人群，但优选应用于老年人，或者说只有老人才是适合应用本申请的对象，原因在于，本申请事实上是需要待分析对象具有较为固定的作息(这是本申请的一个特点)，而老人必须具有固定的作息时间表的，因为若老人作息混乱，那么纵使不应用本申请的方案也能够得知老人的体征异常，需要预警(这与年轻人不同，因为年轻人纵使一定程度的作息混乱，也可能保持较为健康的状态)。因此本申请应用于老人，优选60岁以上的老人。
如上述步骤S1-S3所述，采用预设的体征采集器，在多个时间周期内，分别对样本老人在进行预设的第一活动的同时实施体征数据监控处理，以得到第一一体征数据集P1、第一二体征数据集P2、…、第一n体征数据集Pn；其中，n为大于2的整数，体征数据集P1、P2、…、Pn均在第一时间窗口内采集得到；根据公式：
Figure BDA0003679250920000091
计算出n个函数Q1、Q2、…、Qn；其中，t为数据采集时间，P0为预先采集的样本老人处于健康状态下进行第一活动时的体征数据集；以时间周期的编号为x轴，数据采集时间为y轴，n个函数Q1、Q2、…、Qn的值为Z轴，从而将n个函数Q1、Q2、…、Qn投影入预设的预先构建的空间直角坐标系中，以生成第一三维点集，并对第一三维点集按预设的m个数据采集时间点进行平面切分处理，从而生成m个Q(x)函数；m为大于2的整数。
本申请的体征采集器可为任意可行类型的体征采集器，例如可为穿戴式体征采集器或者固定式体征采集器，可以采集任意可行的体征数据，例如采集心率、呼吸频率、体温和脉博中的一种或多种，当然也可以采集其他类型的体征数据。在多个时间周期内，分别实施体征数据监控处理，指的是在每个时间周期内都在相同的第一时间窗口内进行数据采集，从而能够得到有关联的体征数据集P1、P2、…、Pn。其中，时间周期例如为一天。由于每个体征数据集均是在第一时间窗口内采集得到的，因此每个体征数据集中的数据是在时间上连续的，因此呈现出的不是单一的数据数值，而是由多个数据数值构成的数据集。
再根据公式：
Figure BDA0003679250920000101
计算出n个函数Q1、Q2、…、Qn；其中，t为数据采集时间，P0为预先采集的样本老人处于健康状态下进行第一活动时的体征数据集。此处公式存在两个作用，第一个作用是确定每个数据集的变化趋势，第二个作用是进行归一化。需要注意的是，传统的老人体征监控预警方案，是直接将采集到的数据数值直接作为分析对象，而本申请不同，需要先通过上述公式确定在一个周期内老人进行第一活动的数据变化趋势，并且这个数据变化趋势也并非直接采用的数据，因为还需要进行步骤S3以转化为与时间周期相关的进一步变化趋势函数，而这种进一步变化趋势函数就能够利用上前述本申请实施所依据的原理：同一个老人，当其处于健康状态下时，其进行不同运动的趋势数据，分别沿时间周期(例如周期为天数)变化的进一步变化趋势是一致的。
因此，进行步骤S3，以将n个函数Q1、Q2、…、Qn投影入预设的预先构建的空间直角坐标系中，以生成第一三维点集，并对第一三维点集按预设的m个数据采集时间点进行平面切分处理，从而生成m个Q(x)函数。因此，本申请还呈现出一个特点：不是以原始数据作为直接分析对象，因为对于微小的体征异常信号而言，难以在原始数据上被发现，而本申请采用的是先生成m个Q(x)函数和m个W(x)函数，再以其作为分析基础。其中，为了方便理解，可以将m个Q(x)函数(或者m个W(x)函数)，从表现形式上看类似于时域与频域的转化(通信领域中常采用的时域与频域之间，可以理解为类似于存在三维空间的立体结构，而本申请中，从第一一体征数据集P1、第一二体征数据集P2、…、第一n体征数据集Pn，直到生成m个Q(x)函数，其也是类似，在此提及时域与频域，只是为了理解方便，但并不意味着本申请中的m个Q(x)函数为与时域或者频域有关)。
对第一三维点集按预设的m个数据采集时间点进行平面切分处理，指的是在空间直角坐标系中，将数据采集时间点固定，从而确定出一个平面，而该平面中的数据点就体现为Q值与x值的对应关系，也就是生成了新的Q(x)函数，由于采用m个数据采集时间点进行平面切分，因此也会生成m个Q(x)函数。
另外，虽然本申请限定n为大于2的整数，m为大于2的整数，但实际上n与m的数值越大，对于本申请越有利，例如m为大于100的整数，n为大于100的整数，。
进一步地，所述采用预设的体征采集器，在多个时间周期内，分别对样本老人在进行预设的第一活动的同时实施体征数据监控处理，以得到第一一体征数据集P1、第一二体征数据集P2、…、第一n体征数据集Pn的步骤S1之前，包括：
S001、在同一个时间周期内，对样本老人进行体征数据监控处理，以获取样本老人在进行老人保健操时对应的一号原始体征数据集，并且获取样本老人在进行老人广场舞时对应的二号原始体征数据集；
S002、对一号原始体征数据集和二号原始体征数据集分别进行分段处理，以得到多个一号数据段序列和多个二号数据段序列；其中，每个一号数据段序列和每个二号数据段序列的时间长度均相同；
S003、根据预设的相似数据比较方法，对比一个一号数据段和一个二号数据段之间的相似程度，从而得到多个相似程度值；
S004、从多个相似程度值中选出最大相似程度值，并将最大相似程度值对应的一号数据段记为指定一号数据段，将最大相似程度值对应的二号数据段记为指定二号数据段；
S005、将指定一号数据段对应的活动记为第一活动，将指定二号数据段对应的活动记为第二活动。
从而确定合适的第一活动和第二活动。本申请中的第一活动和第二活动可以预先进行选择，优选选择两种相似的活动，这可以通过预先对老人的日常活动进行体征数据检测，并找到两段相似的数据段，从而确定合适的活动。第一活动和第二活动，例如分别为老人保健操和老人广场舞，这两种活动都需要老人进行一定的运动，但是运动不会剧烈，因此是本申请的优选。当然还可以采用其他任意可行的活动，例如八段锦、太极拳、剑舞、散步等。更进一步地，可以选取老人保健操中的部分阶段以及老人广场舞中的对应的部分阶段，分别作为第一活动和第二活动，即不再以整个老人保健操和整个老人广场舞作为第一活动和第二活动，这样能够使得本申请的适用性更高。具体实际过程例如为：
采用预设的体征采集器，对老人先进行体征数据监控处理，以得到老人在进行老人保健操时对应的体征数据集，以及得到老人在进行老人广场舞时对应的体征数据集，再将这两个体征数据集进行分段(其中，每段的时间长度均相同)，随后进行交叉比对，以找出相似的数据段，再将相似的数据段分别作为第一活动和第二活动。其中，进行交叉比对，以找出相似的数据段可采用任意可行的数据相似比较方法，例如可以将数据段呈现为数据曲线的形式，再根据现有的曲线相似度计算方法计算两个数据曲线之间的相似程度，而更多的相似数据比较方法此处不再赘述。
需要注意的是，虽然本申请优选获取样本老人在进行老人保健操时对应的一号原始体征数据集，并且获取样本老人在进行老人广场舞时对应的二号原始体征数据集，但实际上，也可以采用老人实施其他行动时作进行分析，以得到原始体征数据集，即可以替换为：获取样本老人在进行第一原始活动时对应的一号原始体征数据集，并且获取样本老人在进行第二原始活动时对应的二号原始体征数据集。
进一步地，所述在同一个时间周期内，对样本老人进行体征数据监控处理，以获取样本老人在进行老人保健操时对应的一号原始体征数据集，并且获取样本老人在进行老人广场舞时对应的二号原始体征数据集的步骤S001，包括：
S0011、在同一个时间周期内，采用预设的光线捕捉器，对样本老人进行第一次光线捕捉处理，以得到第一姿态图像序列；
S0012、将第一姿态图像序列与预先采集的老人保健操动作图像序列进行对比，以从第一姿态图像序列中选出样本老人在进行老人保健操时对应的一号姿态图像序列；
S0013、在一号姿态图像序列采集的同时，对样本老人进行体征数据监控处理，以获取一号原始体征数据集；
S0014、将第一姿态图像序列与预先采集的老人广场舞动作图像序列进行对比，以从第一姿态图像序列中选出样本老人在进行老人保健操时对应的二号姿态图像序列；
S0015、在二号姿态图像序列采集的同时，对样本老人进行体征数据监控处理，以获取二号原始体征数据集。
从而提高了智能化实施程度，有利于本申请的快速执行。光线捕捉器例如为可见光传感器。由于进行老人保健操时，必然存在可以预期的动作序列，而通过采集得到的第一姿态图像序列确定老人的行动顺序是很容易的，因此可以从第一姿态图像序列中选出样本老人在进行老人保健操时对应的一号姿态图像序列，这也意味着本申请能够自动确定体征数据监控的准确时间，以得到准确的一号原始体征数据集。同理，也能够得到准确的二号原始体征数据集。
进一步地，所述采用预设的体征采集器，在多个时间周期内，分别对样本老人在进行预设的第一活动的同时实施体征数据监控处理，以得到第一一体征数据集P1、第一二体征数据集P2、…、第一n体征数据集Pn的步骤S1中，体征采集器为穿戴式体征采集器，用于采集心率、呼吸频率、体温和脉博中的一种或多种。
其中，穿戴式体征采集器例如为运动手环等，能够借助集成在运动手环上的传感器以检测出心率、呼吸频率、体温和脉博中的一种或多种。
更进一步地，所述采用预设的体征采集器，在多个时间周期内，分别对样本老人在进行预设的第一活动的同时实施体征数据监控处理，以得到第一一体征数据集P1、第一二体征数据集P2、…、第一n体征数据集Pn的步骤S1中，体征数据集P1、P2、…、Pn均为心率数据集；
所述在多个时间周期内，分别对样本老人在进行预设的第二活动的同时实施体征数据监控处理，以得到第二一体征数据集W1、第二二体征数据集W2、…、第二n体征数据集Wn的步骤S4中，体征数据集W1、W2、…、Wn均为体温数据集。
从而体现了本申请的另一个特点，即两种体征数据集的类型可以不同，这样就拓展了数据分析的数据来源，这是普通的老人体征监控预警方案无法实现的。由于本申请的原理，同一个老人，当其处于健康状态下时，其进行不同运动的趋势数据，分别沿时间周期(例如周期为天数)变化的进一步变化趋势是一致的。因此，本申请不仅能够将不同活动的数据关联起来，还能够将不同类型的数据关联起来。其原因在于，基于这种原理，本申请需要先借助公式
Figure BDA0003679250920000141
获取第一重变化趋势且进行数据归一化，再借助空间直角坐标系中的平面切分处理，以得到m个Q(x)函数，从而生成与时间周期关联的第二重变化趋势函数，而对于健康老人而言，本申请的第二重变化趋势函数(即m个Q(x)函数和m个W(x)函数)应当是近似的，若存在微小的异常信号，则在基于第二重变化趋势函数的深度神经网络学习模型中被突显出来。而这种第二重变化趋势函数是与数据类型无关的，因此本申请才能够使得两种体征数据集的类型可以不同，拓展数据分析的数据来源。
如上述步骤S4-S6所述，在多个时间周期内，分别对样本老人在进行预设的第二活动的同时实施体征数据监控处理，以得到第二一体征数据集W1、第二二体征数据集W2、…、第二n体征数据集Wn；其中，体征数据集W1、W2、…、Wn均在第二时间窗口内采集得到；第二时间窗口的宽度与第一时间窗口的宽度相同；根据公式：
Figure BDA0003679250920000142
计算出n个函数R1、R2、…、Rn；其中，t为数据采集时间，W0为预先采集的样本老人处于健康状态下进行第二活动时的体征数据集；以时间周期的编号为x轴，数据采集时间为y轴，n个函数R1、R2、…、Rn的值为Z轴，从而将n个函数R1、R2、…、Rn投影入预设的预先构建的空间直角坐标系中，以生成第二三维点集，并对第二三维点集按预设的m个数据采集时间点进行平面切分处理，生成m个W(x)函数。
其中，步骤S4-S6与步骤S1-S3相似，区别在于，步骤S1-S3针对的是第一活动，步骤S4-S6针对的是第二活动，而第一活动与第二活动是不同的。由于对第一活动与第二活动的相关描述已在前文进行了介绍，因此此处不再赘述。另外，第二时间窗口与第一时间窗口在同一个时间周期内的位置必然是不同的，因为同一个老人无法同时进行两种不同的活动，但是第二时间窗口的宽度与第一时间窗口的宽度相同，这是为了使得后续生成的m个W(x)函数，能够与前文的m个Q(x)函数一一对应。
如上述步骤S7-S11所述，将m个Q(x)函数与m个W(x)函数按数据采集时间点的前后进行排序，并将序号相同的函数配对为训练用函数对，得到m个训练用纠缠函数对；根据样本老人的健康状态，对m个训练用纠缠函数对进行人工标注处理，以标注上正常标签或者异常标签，从而生成一个样本数据；重复前述步骤S1-S8，从而生成多个样本数据，并将多个样本数据划分为多个训练数据和多个试验数据，将多个训练数据输入预设的深度神经网络模型中进行训练，以得到老人体征预警模型；利用多个试验数据对老人体征预警模型进行验证，并在验证通过的前提下，对待分析老人重复前述步骤S1-S7，以得到m个正式用纠缠函数对；将m个正式用纠缠函数对输入老人体征预警模型，以得到输出结果，并当输出结果为体征异常时，生成预警信号。
将多个函数按数据采集时间点的前后进行排序，目的是为了生成m个训练用纠缠函数对。由于前述原理可知，同一个样本老人在健康状态下，同一个训练用纠缠函数对应当是相似的，若存在微小的异常信号，那么将在至少一个训练用纠缠函数对中体现出来。因此，对m个训练用纠缠函数对进行人工标注处理后，即可生成样本数据。
本申请中采用的深度神经网络模型可为任意可行模型，例如采用残差网络模型、长短期记忆神经网络模型、对抗网络模型、卷积神经网络模型等等。而本申请采用深度神经网络模型，用以进行预警的原因在于，深度神经网络模型适用于预测存在潜在关联关系的数据，而本申请中m个训练用纠缠函数对与老人体征是否异常状态存在必然关系，例如，根据条件公式
Figure BDA0003679250920000151
就能够筛选出异常数据，即符合上述条件公式的m个训练用纠缠函数，其对应的老人的身体状况可能存在威胁，因此m个训练用纠缠函数与是否应当进行预警是存在必要关联的。但是，本申请之所以不直接采用上述条件公式(属于经验公式)来直接进行预警，这是因为上述条件公式的准确性较差，虽然可以筛选出异常数据，但对于异常信号较小的情况无法进行辨别(即使用上述条件公式时，参数δ一般会设置的较大)，因此不适合进行直接使用，而深度神经网络模型在基于大量训练数据的基础上，却适合用于本申请的老人异常预警的任务。另外，由于上述条件公式的存在，本申请还可以将方案进行修改，即直接采用上述条件公式进行分析，而不采用深度神经网络模型，即是将步骤S1-S7中的样本老人直接替换为待分析老人，从而生成m个正式用纠缠函数对，再将步骤S8-S11直接替换为：
判断m个正式用纠缠函数对是否符合条件公式
Figure BDA0003679250920000161
若m个正式用纠缠函数对符合条件公式，则判定待分析老人异常，并生成预警信号；
若m个正式用纠缠函数对不符合条件公式，则判定待分析老人正常，不生成预警信号。
需要注意的是，这种修改方案虽然也能达到预警的效果，并且相对于现有的预警方案，仍然能够发掘出异常的微小信号，也能实现本申请的目的，但效果比本申请的步骤S1-S11要差，不过无论如何，也是能够实施的，其优点在于免去了模型训练的时间，从而能够更快地部署，具有时间上的优势。
其中，老人体征预警模型的训练过程例如为，按预设比例将多个样本数据划分为多个训练数据和多个试验数据，并利用多个训练数据采用随机梯度下降法对预设的深度神经网络模型进行训练，训练过程中反向传导算法更新各层神经网络的参数，再利用多个试验数据对训练得到的模型进行验证，以确定是否模型可用。需要注意的是，由于本申请已经确定了经验公式(上述条件公式)，因此本申请可以采用双重验证的方式，即先将多个试验数据输入训练得到的模型中，以得到多个输出结果，再判断多个输出结果与多个试验数据对应的标签是否对应相同，若对应相同，则表明第一重验证通过。再根据上述条件公式筛选出部分试验数据(该试验数据未预先输入训练得到的模型)，将该部分试验数据输入模型中得到试验输出结果，并判断该试验输出结果是否为体征异常，若为体征异常，则表明第二重验证通过。这种双重验证相对于传统的神经网络模型的验证方式，是由于本申请上辈子在上述条件公式才能够实现的。
具体地，所述利用多个试验数据对老人体征预警模型进行验证，并在验证通过的前提下，对待分析老人重复前述步骤S1-S7，以得到m个正式用纠缠函数对的步骤S10，包括：
S101、根据条件公式
Figure BDA0003679250920000171
进行筛选，以从多个试验数据中选出满足条件公式的至少一个指定试验数据；其中，δ为预设的大于0的参数；
S102、将至少一个指定试验数据输入老人体征预警模型中，以得到至少一个试验输出结果；
S103、判断试验输出结果是否均为体征异常；
S104、若试验输出结果均为体征异常，则判定验证通过；
S105、对待分析老人重复前述步骤S1-S7，以得到m个正式用纠缠函数对。
从而利用本申请发现的条件公式，对训练得到的老人体征预警模进行验证，而这种验证是与传统的模型训练与验证是不同的，因为传统的模型训练与验证不涉及条件公式。
从而在正式使用时，对待分析老人重复前述步骤S1-S7，以得到m个正式用纠缠函数对。虽然步骤S1-S7中提及的是生成训练用纠缠数据对，但本领域技术人员很明显能够得知，步骤S1-S7生成训练用纠缠数据对的原因在于，其针对的是样本老人，而将样本老人替换为待分析老人，则应当生成m个正式用纠缠函数对，因此这种描述方式存在唯一理解，不会造成歧义。再将m个正式用纠缠函数对输入老人体征预警模型，以得到输出结果，并当输出结果为体征异常时，生成预警信号。
本申请的基于深度学习的老人体征数据监控预警方法，对样本老人在进行预设的第一活动的同时实施体征数据监控处理，以得到体征数据集P1、P2、…、Pn；计算出n个函数Q1、Q2、…、Qn；生成第一三维点集，生成m个Q(x)函数；对样本老人在进行预设的第二活动的同时实施体征数据监控处理，以得到体征数据集W1、W2、…、Wn；计算出n个函数R1、R2、…、Rn；生成第二三维点集，生成m个W(x)函数；得到m个训练用纠缠函数对；进行人工标注处理，以标注上正常标签或者异常标签，从而生成一个样本数据；生成多个样本数据，并将多个训练数据输入预设的深度神经网络模型中进行训练，以得到老人体征预警模型；得到m个正式用纠缠函数对；将m个正式用纠缠函数对输入老人体征预警模型，以得到输出结果，并当输出结果为体征异常时，生成预警信号，实现了对于微弱异常信号下的老人体征数据监控预警。
参照图2，本申请实施例提供一种基于深度学习的老人体征数据监控预警系统，包括：
第一体征数据监控单元10，用于采用预设的体征采集器，在多个时间周期内，分别对样本老人在进行预设的第一活动的同时实施体征数据监控处理，以得到第一一体征数据集P1、第一二体征数据集P2、…、第一n体征数据集Pn；其中，n为大于2的整数，体征数据集P1、P2、…、Pn均在第一时间窗口内采集得到；
第一函数计算单元20，用于根据公式：
Figure BDA0003679250920000181
计算出n个函数Q1、Q2、…、Qn；其中，t为数据采集时间，P0为预先采集的样本老人处于健康状态下进行第一活动时的体征数据集；
第一平面切分单元30，用于以时间周期的编号为x轴，数据采集时间为y轴，n个函数Q1、Q2、…、Qn的值为Z轴，从而将n个函数Q1、Q2、…、Qn投影入预设的预先构建的空间直角坐标系中，以生成第一三维点集，并对第一三维点集按预设的m个数据采集时间点进行平面切分处理，从而生成m个Q(x)函数；m为大于2的整数；
第二体征数据监控单元40，用于在多个时间周期内，分别对样本老人在进行预设的第二活动的同时实施体征数据监控处理，以得到第二一体征数据集W1、第二二体征数据集W2、…、第二n体征数据集Wn；其中，体征数据集W1、W2、…、Wn均在第二时间窗口内采集得到；第二时间窗口的宽度与第一时间窗口的宽度相同；
第二函数计算单元50，用于根据公式：
Figure BDA0003679250920000191
计算出n个函数R1、R2、…、Rn；其中，t为数据采集时间，W0为预先采集的样本老人处于健康状态下进行第二活动时的体征数据集；
第二平面切分单元60，用于以时间周期的编号为x轴，数据采集时间为y轴，n个函数R1、R2、…、Rn的值为Z轴，从而将n个函数R1、R2、…、Rn投影入预设的预先构建的空间直角坐标系中，以生成第二三维点集，并对第二三维点集按预设的m个数据采集时间点进行平面切分处理，生成m个W(x)函数；
函数排序单元70，用于将m个Q(x)函数与m个W(x)函数按数据采集时间点的前后进行排序，并将序号相同的函数配对为训练用函数对，得到m个训练用纠缠函数对；
样本数据生成单元80，用于根据样本老人的健康状态，对m个训练用纠缠函数对进行人工标注处理，以标注上正常标签或者异常标签，从而生成一个样本数据；
模型训练单元90，用于重复前述步骤S1-S8，从而生成多个样本数据，并将多个样本数据划分为多个训练数据和多个试验数据，将多个训练数据输入预设的深度神经网络模型中进行训练，以得到老人体征预警模型；
模型验证单元100，用于利用多个试验数据对老人体征预警模型进行验证，并在验证通过的前提下，对待分析老人重复前述步骤S1-S7，以得到m个正式用纠缠函数对；
预警信号生成单元110，用于将m个正式用纠缠函数对输入老人体征预警模型，以得到输出结果，并当输出结果为体征异常时，生成预警信号。
其中上述单元分别用于执行的操作与前述实施方式的基于深度学习的老人体征数据监控预警方法的步骤一一对应，在此不再赘述。
本申请的基于深度学习的老人体征数据监控预警系统，对样本老人在进行预设的第一活动的同时实施体征数据监控处理，以得到体征数据集P1、P2、…、Pn；计算出n个函数Q1、Q2、…、Qn；生成第一三维点集，生成m个Q(x)函数；对样本老人在进行预设的第二活动的同时实施体征数据监控处理，以得到体征数据集W1、W2、…、Wn；计算出n个函数R1、R2、…、Rn；生成第二三维点集，生成m个W(x)函数；得到m个训练用纠缠函数对；进行人工标注处理，以标注上正常标签或者异常标签，从而生成一个样本数据；生成多个样本数据，并将多个训练数据输入预设的深度神经网络模型中进行训练，以得到老人体征预警模型；得到m个正式用纠缠函数对；将m个正式用纠缠函数对输入老人体征预警模型，以得到输出结果，并当输出结果为体征异常时，生成预警信号，实现了对于微弱异常信号下的老人体征数据监控预警。
参照图3，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于深度学习的老人体征数据监控预警方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于深度学习的老人体征数据监控预警方法。
该计算机设备还包括显示屏和输入装置，分别用于展示人工交互界面和用于接收输入数据。
上述处理器执行上述基于深度学习的老人体征数据监控预警方法，其中所述方法包括的步骤分别与执行前述实施方式的基于深度学习的老人体征数据监控预警方法的步骤一一对应，在此不再赘述。
本领域技术人员可以理解，图中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现基于深度学习的老人体征数据监控预警方法，其中所述方法包括的步骤分别与执行前述实施方式的基于深度学习的老人体征数据监控预警方法的步骤一一对应，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序或指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、系统、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、系统、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、系统、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (9)

1.一种基于深度学习的老人体征数据监控预警方法，其特征在于，包括：
S1、采用预设的体征采集器，在多个时间周期内，分别对样本老人在进行预设的第一活动的同时实施体征数据监控处理，以得到第一一体征数据集P1、第一二体征数据集P2、…、第一n体征数据集Pn；其中，n为大于2的整数，体征数据集P1、P2、…、Pn均在第一时间窗口内采集得到；
S2、根据公式：
Figure FDA0003679250910000011
计算出n个函数Q1、Q2、…、Qn；其中，t为数据采集时间，P0为预先采集的样本老人处于健康状态下进行第一活动时的体征数据集；
S3、以时间周期的编号为x轴，数据采集时间为y轴，n个函数Q1、Q2、…、Qn的值为Z轴，从而将n个函数Q1、Q2、…、Qn投影入预设的预先构建的空间直角坐标系中，以生成第一三维点集，并对第一三维点集按预设的m个数据采集时间点进行平面切分处理，从而生成m个Q(x)函数；m为大于2的整数；
S4、在多个时间周期内，分别对样本老人在进行预设的第二活动的同时实施体征数据监控处理，以得到第二一体征数据集W1、第二二体征数据集W2、…、第二n体征数据集Wn；其中，体征数据集W1、W2、…、Wn均在第二时间窗口内采集得到；第二时间窗口的宽度与第一时间窗口的宽度相同；
S5、根据公式：
Figure FDA0003679250910000012
计算出n个函数R1、R2、…、Rn；其中，t为数据采集时间，W0为预先采集的样本老人处于健康状态下进行第二活动时的体征数据集；
S6、以时间周期的编号为x轴，数据采集时间为y轴，n个函数R1、R2、…、Rn的值为Z轴，从而将n个函数R1、R2、…、Rn投影入预设的预先构建的空间直角坐标系中，以生成第二三维点集，并对第二三维点集按预设的m个数据采集时间点进行平面切分处理，生成m个W(x)函数；
S7、将m个Q(x)函数与m个W(x)函数按数据采集时间点的前后进行排序，并将序号相同的函数配对为训练用函数对，得到m个训练用纠缠函数对；
S8、根据样本老人的健康状态，对m个训练用纠缠函数对进行人工标注处理，以标注上正常标签或者异常标签，从而生成一个样本数据；
S9、重复前述步骤S1-S8，从而生成多个样本数据，并将多个样本数据划分为多个训练数据和多个试验数据，将多个训练数据输入预设的深度神经网络模型中进行训练，以得到老人体征预警模型；
S10、利用多个试验数据对老人体征预警模型进行验证，并在验证通过的前提下，对待分析老人重复前述步骤S1-S7，以得到m个正式用纠缠函数对；
S11、将m个正式用纠缠函数对输入老人体征预警模型，以得到输出结果，并当输出结果为体征异常时，生成预警信号。
2.根据权利要求1所述的基于深度学习的老人体征数据监控预警方法，其特征在于，所述利用多个试验数据对老人体征预警模型进行验证，并在验证通过的前提下，对待分析老人重复前述步骤S1-S7，以得到m个正式用纠缠函数对的步骤S10，包括：
S101、根据条件公式
Figure FDA0003679250910000021
进行筛选，以从多个试验数据中选出满足条件公式的至少一个指定试验数据；其中，δ为预设的大于0的参数；
S102、将至少一个指定试验数据输入老人体征预警模型中，以得到至少一个试验输出结果；
S103、判断试验输出结果是否均为体征异常；
S104、若试验输出结果均为体征异常，则判定验证通过；
S105、对待分析老人重复前述步骤S1-S7，以得到m个正式用纠缠函数对。
3.根据权利要求1所述的基于深度学习的老人体征数据监控预警方法，其特征在于，所述采用预设的体征采集器，在多个时间周期内，分别对样本老人在进行预设的第一活动的同时实施体征数据监控处理，以得到第一一体征数据集P1、第一二体征数据集P2、…、第一n体征数据集Pn的步骤S1之前，包括：
S001、在同一个时间周期内，对样本老人进行体征数据监控处理，以获取样本老人在进行老人保健操时对应的一号原始体征数据集，并且获取样本老人在进行老人广场舞时对应的二号原始体征数据集；
S002、对一号原始体征数据集和二号原始体征数据集分别进行分段处理，以得到多个一号数据段序列和多个二号数据段序列；其中，每个一号数据段序列和每个二号数据段序列的时间长度均相同；
S003、根据预设的相似数据比较方法，对比一个一号数据段和一个二号数据段之间的相似程度，从而得到多个相似程度值；
S004、从多个相似程度值中选出最大相似程度值，并将最大相似程度值对应的一号数据段记为指定一号数据段，将最大相似程度值对应的二号数据段记为指定二号数据段；
S005、将指定一号数据段对应的活动记为第一活动，将指定二号数据段对应的活动记为第二活动。
4.根据权利要求3所述的基于深度学习的老人体征数据监控预警方法，其特征在于，所述在同一个时间周期内，对样本老人进行体征数据监控处理，以获取样本老人在进行老人保健操时对应的一号原始体征数据集，并且获取样本老人在进行老人广场舞时对应的二号原始体征数据集的步骤S001，包括：
S0011、在同一个时间周期内，采用预设的光线捕捉器，对样本老人进行第一次光线捕捉处理，以得到第一姿态图像序列；
S0012、将第一姿态图像序列与预先采集的老人保健操动作图像序列进行对比，以从第一姿态图像序列中选出样本老人在进行老人保健操时对应的一号姿态图像序列；
S0013、在一号姿态图像序列采集的同时，对样本老人进行体征数据监控处理，以获取一号原始体征数据集；
S0014、将第一姿态图像序列与预先采集的老人广场舞动作图像序列进行对比，以从第一姿态图像序列中选出样本老人在进行老人保健操时对应的二号姿态图像序列；
S0015、在二号姿态图像序列采集的同时，对样本老人进行体征数据监控处理，以获取二号原始体征数据集。
5.根据权利要求1所述的基于深度学习的老人体征数据监控预警方法，其特征在于，所述采用预设的体征采集器，在多个时间周期内，分别对样本老人在进行预设的第一活动的同时实施体征数据监控处理，以得到第一一体征数据集P1、第一二体征数据集P2、…、第一n体征数据集Pn的步骤S1中，体征采集器为穿戴式体征采集器，用于采集心率、呼吸频率、体温和脉博中的一种或多种。
6.根据权利要求5所述的基于深度学习的老人体征数据监控预警方法，其特征在于，所述采用预设的体征采集器，在多个时间周期内，分别对样本老人在进行预设的第一活动的同时实施体征数据监控处理，以得到第一一体征数据集P1、第一二体征数据集P2、…、第一n体征数据集Pn的步骤S1中，体征数据集P1、P2、…、Pn均为心率数据集；
所述在多个时间周期内，分别对样本老人在进行预设的第二活动的同时实施体征数据监控处理，以得到第二一体征数据集W1、第二二体征数据集W2、…、第二n体征数据集Wn的步骤S4中，体征数据集W1、W2、…、Wn均为体温数据集。
7.一种基于深度学习的老人体征数据监控预警系统，其特征在于，包括：
第一体征数据监控单元，用于采用预设的体征采集器，在多个时间周期内，分别对样本老人在进行预设的第一活动的同时实施体征数据监控处理，以得到第一一体征数据集P1、第一二体征数据集P2、…、第一n体征数据集Pn；其中，n为大于2的整数，体征数据集P1、P2、…、Pn均在第一时间窗口内采集得到；
第一函数计算单元，用于根据公式：
Figure FDA0003679250910000041
计算出n个函数Q1、Q2、…、Qn；其中，t为数据采集时间，P0为预先采集的样本老人处于健康状态下进行第一活动时的体征数据集；
第一平面切分单元，用于以时间周期的编号为x轴，数据采集时间为y轴，n个函数Q1、Q2、…、Qn的值为Z轴，从而将n个函数Q1、Q2、…、Qn投影入预设的预先构建的空间直角坐标系中，以生成第一三维点集，并对第一三维点集按预设的m个数据采集时间点进行平面切分处理，从而生成m个Q(x)函数；m为大于2的整数；
第二体征数据监控单元，用于在多个时间周期内，分别对样本老人在进行预设的第二活动的同时实施体征数据监控处理，以得到第二一体征数据集W1、第二二体征数据集W2、…、第二n体征数据集Wn；其中，体征数据集W1、W2、…、Wn均在第二时间窗口内采集得到；第二时间窗口的宽度与第一时间窗口的宽度相同；
第二函数计算单元，用于根据公式：
Figure FDA0003679250910000051
计算出n个函数R1、R2、…、Rn；其中，t为数据采集时间，W0为预先采集的样本老人处于健康状态下进行第二活动时的体征数据集；
第二平面切分单元，用于以时间周期的编号为x轴，数据采集时间为y轴，n个函数R1、R2、…、Rn的值为Z轴，从而将n个函数R1、R2、…、Rn投影入预设的预先构建的空间直角坐标系中，以生成第二三维点集，并对第二三维点集按预设的m个数据采集时间点进行平面切分处理，生成m个W(x)函数；
函数排序单元，用于将m个Q(x)函数与m个W(x)函数按数据采集时间点的前后进行排序，并将序号相同的函数配对为训练用函数对，得到m个训练用纠缠函数对；
样本数据生成单元，用于根据样本老人的健康状态，对m个训练用纠缠函数对进行人工标注处理，以标注上正常标签或者异常标签，从而生成一个样本数据；
模型训练单元，用于重复前述步骤S1-S8，从而生成多个样本数据，并将多个样本数据划分为多个训练数据和多个试验数据，将多个训练数据输入预设的深度神经网络模型中进行训练，以得到老人体征预警模型；
模型验证单元，用于利用多个试验数据对老人体征预警模型进行验证，并在验证通过的前提下，对待分析老人重复前述步骤S1-S7，以得到m个正式用纠缠函数对；
预警信号生成单元，用于将m个正式用纠缠函数对输入老人体征预警模型，以得到输出结果，并当输出结果为体征异常时，生成预警信号。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202210629727.0A 2022-06-06 2022-06-06 一种基于深度学习的老人体征数据监控预警方法和系统 Active CN114999649B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210629727.0A CN114999649B (zh) 2022-06-06 2022-06-06 一种基于深度学习的老人体征数据监控预警方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210629727.0A CN114999649B (zh) 2022-06-06 2022-06-06 一种基于深度学习的老人体征数据监控预警方法和系统

Publications (2)

Publication Number Publication Date
CN114999649A true CN114999649A (zh) 2022-09-02
CN114999649B CN114999649B (zh) 2022-12-27

Family

ID=83033399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210629727.0A Active CN114999649B (zh) 2022-06-06 2022-06-06 一种基于深度学习的老人体征数据监控预警方法和系统

Country Status (1)

Country Link
CN (1) CN114999649B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2787624A1 (en) * 2010-01-21 2011-07-28 Asthma Signals, Inc. Early warning method and system for chronic disease management
CN104200076A (zh) * 2014-08-19 2014-12-10 钟亚平 一种运动员运动损伤风险预警方法
CN106446533A (zh) * 2016-09-12 2017-02-22 北京和信康科技有限公司 一种人体健康数据处理系统及其方法
CN108597609A (zh) * 2018-05-04 2018-09-28 华东师范大学 一种基于lstm网络的医养结合健康监测方法
CN109662708A (zh) * 2019-01-21 2019-04-23 郑州大学第附属医院 一种基于深度神经网络的术后病人行为监测方法
CN110598549A (zh) * 2019-08-07 2019-12-20 王满 一种基于心脏功能监控的卷积神经网络信息处理系统及训练方法
CN113768517A (zh) * 2021-09-28 2021-12-10 彩之物科技(深圳)有限公司 一种心脏健康质量智能预警系统及其预警方法
CN113936795A (zh) * 2021-11-05 2022-01-14 中国医学科学院医学信息研究所 一种老年肺癌发病危险因素定量分析方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2787624A1 (en) * 2010-01-21 2011-07-28 Asthma Signals, Inc. Early warning method and system for chronic disease management
CN104200076A (zh) * 2014-08-19 2014-12-10 钟亚平 一种运动员运动损伤风险预警方法
CN106446533A (zh) * 2016-09-12 2017-02-22 北京和信康科技有限公司 一种人体健康数据处理系统及其方法
CN108597609A (zh) * 2018-05-04 2018-09-28 华东师范大学 一种基于lstm网络的医养结合健康监测方法
CN109662708A (zh) * 2019-01-21 2019-04-23 郑州大学第附属医院 一种基于深度神经网络的术后病人行为监测方法
CN110598549A (zh) * 2019-08-07 2019-12-20 王满 一种基于心脏功能监控的卷积神经网络信息处理系统及训练方法
CN113768517A (zh) * 2021-09-28 2021-12-10 彩之物科技(深圳)有限公司 一种心脏健康质量智能预警系统及其预警方法
CN113936795A (zh) * 2021-11-05 2022-01-14 中国医学科学院医学信息研究所 一种老年肺癌发病危险因素定量分析方法

Also Published As

Publication number Publication date
CN114999649B (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
Jiwani et al. Novel healthcare framework for cardiac arrest with the application of AI using ANN
US11281896B2 (en) Physical activity quantification and monitoring
WO2020220545A1 (zh) 基于长短期记忆模型的疾病预测方法、装置和计算机设备
US20160223514A1 (en) Method for denoising and data fusion of biophysiological rate features into a single rate estimate
Levashenko et al. Reliability estimation of healthcare systems using fuzzy decision trees
CN111539941B (zh) 帕金森病腿部灵活性任务评估方法及系统、存储介质及终端
US10610109B2 (en) Emotion representative image to derive health rating
So et al. Assessing functional connectivity of neural ensembles using directed information
CN109034360A (zh) 一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法
Thill et al. Anomaly Detection in Electrocardiogram Readings with Stacked LSTM Networks.
US11571169B2 (en) Probability-based detector and controller apparatus, method, computer program
CN113037577A (zh) 网络流量预测方法、装置和计算机可读存储介质
CN109770913A (zh) 一种基于反向传播神经网络的步态异常识别方法
CN110889501B (zh) 一种基于非平稳动态贝叶斯网的人脑效应连接网络构建方法
JP2021071778A (ja) 技能評価装置、技能評価方法及び技能評価プログラム
CN114129169A (zh) 一种生物电信号数据识别方法、系统、介质和设备
CN114999649B (zh) 一种基于深度学习的老人体征数据监控预警方法和系统
JP7067389B2 (ja) 生体状態推定装置
Khattar et al. Multi-frame weak supervision to label wearable sensor data
Viles et al. Percolation under noise: Detecting explosive percolation using the second-largest component
Wang et al. Sampling frequency dependent visibility graphlet approach to time series
EP3499513A1 (en) Determining whether a hypothesis concerning a signal is true
Santana et al. Regularized logistic regression and multiobjective variable selection for classifying MEG data
Cai et al. Iot-based gait monitoring system for static and dynamic classification of data
Mishra Application Specific Instrumentation (ASIN): A Bio-inspired Paradigm to Instrumentation using recognition before detection

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