CN115482931B - 一种基于传感器采集的生命预警系统 - Google Patents

一种基于传感器采集的生命预警系统 Download PDF

Info

Publication number
CN115482931B
CN115482931B CN202211128136.1A CN202211128136A CN115482931B CN 115482931 B CN115482931 B CN 115482931B CN 202211128136 A CN202211128136 A CN 202211128136A CN 115482931 B CN115482931 B CN 115482931B
Authority
CN
China
Prior art keywords
sign
detection
user
information
module
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
Application number
CN202211128136.1A
Other languages
English (en)
Other versions
CN115482931A (zh
Inventor
李秀岩
石振宇
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.)
Beijing Huiyangdao Health Technology Co ltd
Original Assignee
Beijing Huiyangdao Health 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 Beijing Huiyangdao Health Technology Co ltd filed Critical Beijing Huiyangdao Health Technology Co ltd
Priority to CN202211128136.1A priority Critical patent/CN115482931B/zh
Publication of CN115482931A publication Critical patent/CN115482931A/zh
Application granted granted Critical
Publication of CN115482931B publication Critical patent/CN115482931B/zh
Priority to US18/234,555 priority patent/US20240096200A1/en
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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
    • G08B25/016—Personal emergency signalling and security systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • 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
    • A61B5/684—Indicating the position of the sensor on the body
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
    • G08B29/18—Prevention or correction of operating errors
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
    • A61B2505/07—Home care
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Pathology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Cardiology (AREA)
  • Emergency Management (AREA)
  • Computer Security & Cryptography (AREA)
  • Pulmonology (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种基于传感器采集的生命预警系统，属于健康监测技术领域，包括体征传感器、摄像头、位置分析模块、贴位更正模块、体征检测模块、告警反馈模块、检测优化器、医学对比库、医务平台以及客户端，所述体征传感器用于贴合在用户身体指定位置，并实时采集用户体征信息；本发明通过级联网络对体征传感器位置进行分析，能够保证各传感器贴位准确，避免因传感器位置异常导致后续检测精确度降低，大幅提高检测准确性，同时防止儿童错误使用导致存在异常体征报告，提高用户使用体验，能够不断对体征检测模块检测参数进行更新，不断提高体征报告的准确性，有效的减少维护人员系统更新频率，减少维护人员工作量。

Description

一种基于传感器采集的生命预警系统
技术领域
本发明涉及健康监测技术领域，尤其涉及一种基于传感器采集的生命预警系统。
背景技术
随着经济水平的提升和科学技术的逐步发展，国家逐渐加大了对居民保障方面的投入，如建立城镇居民医疗保险制度，而人民群众的健康、医疗意识也在逐渐地发展、完善；与此同时，传统医疗器械不便于携带的局限性也渐渐地满足不了人们对家庭生命体征监护的需求，随着计算机技术、微电子技术的飞速发展以及逐渐标准化、规范化的生命体征指标，家用生命预警系统成为了现实，人们可在日常生活中以及临床环境中对人体生命体征进行连续动态监测以及预警，大幅地减少体征检测对正常的人类活动的干扰；
经检索，中国专利号CN111643069A公开了一种基于生命体征监测与分析的健康预警可穿戴设备，该发明虽然克服了生命体征信号采集工作耗时巨大以及可移动性差而带来的不便；并能实现数据在服务器与终端的实时存储、显示与分析；同时能够兼容并入多种系统为其他机构提供服务，但是该发明容易因设备位置异常导致后续检测精确度降低，检测准确性差，降低用户使用体验；此外，现有的基于传感器采集的生命预警系统无法自行对体征检测模块检测参数进行更新，维护人员系统更新频率较高，为此，我们提出一种基于传感器采集的生命预警系统。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于传感器采集的生命预警系统。
为了实现上述目的，本发明采用了如下技术方案：
一种基于传感器采集的生命预警系统，包括体征传感器、摄像头、位置分析模块、贴位更正模块、体征检测模块、告警反馈模块、检测优化器、医学对比库、医务平台以及客户端；
其中，所述体征传感器用于贴合在用户身体指定位置，并实时采集用户体征信息；
所述摄像头用于采集体征传感器贴合位置，并生成影像信息；
所述位置分析模块用于对采集到的影像信息进行级联分析，并生成各体征传感器位置信息；
所述贴位更正模块用于接收各组体征传感器位置并进行判断，同时向用户提示贴位错误的体征传感器信息以及提醒用户进行更正；
所述体征检测模块用于接收用户体征信息，并从医学对比库中调取相关数据进行对比记录以生成体征报告；
所述告警反馈模块用于依据体征报告向用户发送预警信息；
所述检测优化器用于定期对体征检测模块进行优化调整；
所述医学对比库用于存储各体征指标信息；
所述医务平台用于接收用户体征报告，并将其反馈至对应医生处以供医生进行核验，并反馈调理方案；
所述客户端用于用户进行登录，同时上传个人基本资料以及查看个人体征报告以及调理方案。
作为本发明的进一步方案，所述位置分析模块级联分析具体步骤如下：
步骤(1)：位置分析模块对影像信息进行逐帧提取以获取检测图片，之后使用一级目标检测网络接收各组检测图片，并依据各组检测图片的不同尺寸构建图片数据集，将各组检测图片按照系统规定或人工设定的分辨率进行缩放，并对不同分辨率的各组巡检测图片进行推断；
步骤(2)：将推断结果汇聚在一起进行非极大值抑制以获取特征数据，并将提取出的特征数据送入双向特征金字塔，进行特征融合，再将BiFPN的输出进行分类回归，输出检测框、类别以及分数；
步骤(3)：之后获取输入的检测图片的分辨率，目标检测网络的宽度和深度以作为待优化的参数，并对目标检测网络架构进行大量的搜索，在目标检测网络参数量小于某一数值的情况下，寻找让其精确率最高的参数；
步骤(4)：对检测图片中传感器检测框信息进行收集，并生成对应检测框坐标，之后对相关检测图片进行扩大化剪裁，收集扩大化剪裁后生成的各组传感器图片，并将其进行保存，二级目标检测网络通过RPN过滤掉各组传感器图片中属于背景的简单负样本，挑选出可能含有目标的区域进行分类和回归，最后通过扩大化剪裁获取各组传感器图片中的传感器具体位置。
作为本发明的进一步方案，步骤(4)中所述扩大化剪裁计算公式如下：
x1′＝max(x1-|x2-x1|*e,0) (1)
x2′＝min(x2+|x2-x1|*e,width) (2)
y1′＝max(y1-|y2-y1|*e,0) (3)
y2′＝min(y2+|y2-y1|*e,height) (4)
其中，width、height分别代表待检测巡检图片的宽和高，单位为像素，e代表扩大率，且e从0依次递增0.2到0.8，x1、x2、y1以及y2为相关检测框坐标。
作为本发明的进一步方案，所述贴位更正模块对各组体征传感器位置具体判断步骤如下：
步骤一：贴位更正模块接收客户端发送的个人基本资料，并依据个人基本资料构建相关人体仿真模型，之后将级联分析得到的各组体征传感器位置信息匹配置人体仿真模型上；
步骤二：之后贴位更正模块依据系统默认体征传感器规定位置对当前各体征传感器位置进行判断，并将存在偏差的体征传感器进行标记，且禁止用户进行后续体征检测，同时将存在异常的体征传感器通过外置显示屏反馈给用户，并通过语音提醒用户进行更正。
作为本发明的进一步方案，所述体征检测模块对比记录具体步骤如下：
第一步：体征检测模块接收用户体征信息，并将其按照脉率、血压、呼吸、瞳孔以及角膜反射五大类进分类，之后生成体征记录表记录采集到的各组用户体征信息；
第二步：从医学对比库中提取各体征指标信息，并将其录入体征记录表中，之后将采集到的各用户体征信息与体征指标信息进行对比，并记录用户身体状态以生成先对应的用户体征报告。
作为本发明的进一步方案，所述检测优化器优化调整具体步骤如下：
S1.1：检测优化器接收医务平台反馈的医生核验结果，之后收集整合多组核验结果以生成观测数据集，并从观测数据集选择一个观测数据作为验证数据；
S1.2：使用剩下的观测数据拟合出一个测试模型，并用选择的验证数据来验证测试模型的精度，并通过均方根误差对该预测模型的预测能力进行计算，如此重复n次以对生成的精度参数进行参数优化处理；
S1.3：初始化参数范围，并令学习率η＝[0.0001，0.1]，同时列出所有可能的数据结果，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练模型后对测试集进行预测，统计测试结果的均方根误差，直至对所有数据都进行一次预测后，选取RMSE 最小时对应的组合参数作为数据区间内最优参数；
S1.4：检测优化器实时接收体征检测模块的检测参数，并筛除检测能力差的检测参数，之后对体征检测模块检测效率划分为训练集和测试集，并同最优参数对训练集进行标准化处理以获取训练样本，采用长期迭代法训练该体征检测模块，并将测试集导入训练后的体征检测模块以获取体征检测模块检测曲线。
作为本发明的进一步方案，S1.2中所述均方根误差具体计算公式如下：
Figure SMS_1
其中，E(yi)表示第i个实际观测值，yi为模型反演出的第i个预测值，n是观测数据总数。
相比于现有技术，本发明的有益效果在于：
1、本发明相较于以往生命预警系统，本系统通过摄像头用于采集体征传感器贴合位置，之后位置分析模块对摄像头采集的影像信息进行逐帧提取以获取检测图片，之后通过一级目标检测网络将各组检测图片按照系统规定或人工设定的分辨率进行缩放，再获取各检测图片特征数据，之后通过分类回归获取检测框，之后对相关检测图片进行扩大化剪裁，收集扩大化剪裁后生成的各组传感器图片，并将其进行保存，二级目标检测网络通过RPN过滤掉各组传感器图片中属于背景的简单负样本，挑选出可能含有目标的区域进行分类和回归，最后通过扩大化剪裁获取各组传感器图片中的传感器具体位置，贴位更正模块判断各体征传感器贴合位置是否符合使用规范，通过级联网络对体征传感器位置进行分析，能够保证各传感器贴位准确，避免因传感器位置异常导致后续检测精确度降低，大幅提高检测准确性，同时防止儿童错误使用导致存在异常体征报告，提高用户使用体验；
2、本发明通过检测优化器接收医务平台反馈的医生核验结果，之后收集整合多组核验结果以生成观测数据集，并从观测数据集选择一个观测数据作为验证数据，使用剩下的观测数据拟合出一个测试模型，并用选择的验证数据来验证测试模型的精度，并通过均方根误差对该预测模型的预测能力进行计算，如此重复n次以对生成的精度参数进行参数优化处理，之后选取RMSE最小时对应的组合参数作为数据区间内最优参数，最后检测优化器实时接收体征检测模块的检测参数，并筛除检测能力差的检测参数，之后对体征检测模块检测效率划分为训练集和测试集，并同最优参数对训练集进行标准化处理以获取训练样本，采用长期迭代法训练该体征检测模块，并将测试集导入训练后的体征检测模块以获取体征检测模块检测曲线，能够不断对体征检测模块检测参数进行更新，不断提高体征报告的准确性，有效的减少维护人员系统更新频率，减少维护人员工作量。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明提出的一种基于传感器采集的生命预警系统的系统框图；
图2为本发明提出的一种基于传感器采集的生命预警系统的位置分析模块的判断流程框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1
参照图1-2，一种基于传感器采集的生命预警系统，包括体征传感器、摄像头、位置分析模块、贴位更正模块、体征检测模块、告警反馈模块、检测优化器、医学对比库、医务平台以及客户端。
体征传感器用于贴合在用户身体指定位置，并实时采集用户体征信息，摄像头用于采集体征传感器贴合位置，并生成影像信息。
位置分析模块用于对采集到的影像信息进行级联分析，并生成各体征传感器位置信息。
具体的，参考图2可知，位置分析模块对影像信息进行逐帧提取以获取检测图片，之后使用一级目标检测网络接收各组检测图片，并依据各组检测图片的不同尺寸构建图片数据集，将各组检测图片按照系统规定或人工设定的分辨率进行缩放，并对不同分辨率的各组巡检测图片进行推断，再将推断结果汇聚在一起进行非极大值抑制以获取特征数据，并将提取出的特征数据送入双向特征金字塔，进行特征融合，再将BiFPN的输出进行分类回归，输出检测框、类别以及分数，之后获取输入的检测图片的分辨率，目标检测网络的宽度和深度以作为待优化的参数，并对目标检测网络架构进行大量的搜索，在目标检测网络参数量小于某一数值的情况下，寻找让其精确率最高的参数，再对检测图片中传感器检测框信息进行收集，并生成对应检测框坐标，之后对相关检测图片进行扩大化剪裁，收集扩大化剪裁后生成的各组传感器图片，并将其进行保存，二级目标检测网络通过RPN过滤掉各组传感器图片中属于背景的简单负样本，挑选出可能含有目标的区域进行分类和回归，最后通过扩大化剪裁获取各组传感器图片中的传感器具体位置，通过级联网络对体征传感器位置进行分析，能够保证各传感器贴位准确，避免因传感器位置异常导致后续检测精确度降低，大幅提高检测准确性，同时防止儿童错误使用导致存在异常体征报告，提高用户使用体验。
需要进一步说明的是，扩大化剪裁计算公式如下：
x1′＝max(x1-|x2-x1|*e,0) (1)
x2′＝min(x2+|x2-x1|*e,width) (2)
y1′＝max(y1-|y2-y1|*e,0) (3)
y2′＝min(y2+|y2-y1|*e,height) (4)
其中，width、height分别代表待检测巡检图片的宽和高，单位为像素，e代表扩大率，且e从0依次递增0.2到0.8，x1、x2、y1以及y2为相关检测框坐标。
贴位更正模块用于接收各组体征传感器位置并进行判断，同时向用户提示贴位错误的体征传感器信息以及提醒用户进行更正。
具体的，贴位更正模块接收客户端发送的个人基本资料，并依据个人基本资料构建相关人体仿真模型，之后将级联分析得到的各组体征传感器位置信息匹配置人体仿真模型上，最后贴位更正模块依据系统默认体征传感器规定位置对当前各体征传感器位置进行判断，并将存在偏差的体征传感器进行标记，且禁止用户进行后续体征检测，同时将存在异常的体征传感器通过外置显示屏反馈给用户，并通过语音提醒用户进行更正。
体征检测模块用于接收用户体征信息，并从医学对比库中调取相关数据进行对比记录以生成体征报告，告警反馈模块用于依据体征报告向用户发送预警信息。
具体的，体征检测模块接收用户体征信息，并将其按照脉率、血压、呼吸、瞳孔以及角膜反射五大类进分类，之后生成体征记录表记录采集到的各组用户体征信息，之后从医学对比库中提取各体征指标信息，并将其录入体征记录表中，之后将采集到的各用户体征信息与体征指标信息进行对比，并记录用户身体状态以生成先对应的用户体征报告。
实施例2
参照图1，一种基于传感器采集的生命预警系统，包括体征传感器、摄像头、位置分析模块、贴位更正模块、体征检测模块、告警反馈模块、检测优化器、医学对比库、医务平台以及客户端。
检测优化器用于定期对体征检测模块进行优化调整。
具体的，检测优化器接收医务平台反馈的医生核验结果，之后收集整合多组核验结果以生成观测数据集，并从观测数据集选择一个观测数据作为验证数据，使用剩下的观测数据拟合出一个测试模型，并用选择的验证数据来验证测试模型的精度，并通过均方根误差对该预测模型的预测能力进行计算，如此重复n次以对生成的精度参数进行参数优化处理，之后初始化参数范围，并令学习率η＝[0.0001，0.1]，同时列出所有可能的数据结果，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练模型后对测试集进行预测，统计测试结果的均方根误差，直至对所有数据都进行一次预测后，选取RMSE最小时对应的组合参数作为数据区间内最优参数，最后检测优化器实时接收体征检测模块的检测参数，并筛除检测能力差的检测参数，之后对体征检测模块检测效率划分为训练集和测试集，并同最优参数对训练集进行标准化处理以获取训练样本，采用长期迭代法训练该体征检测模块，并将测试集导入训练后的体征检测模块以获取体征检测模块检测曲线。
需要进一步说明的是，均方根误差具体计算公式如下：
Figure SMS_2
其中，E(yi)表示第i个实际观测值，yi为模型反演出的第i个预测值，n是观测数据总数。
医学对比库用于存储各体征指标信息。
需要进一步说明的是，体征指标信息具体包括：体温指标为36 到37度之间，成人脉率指标为60到100次每分，老年人脉率指标为 55到60次每分，婴幼儿脉率指标为90到140次每分，儿童脉率指标为80到90次每分，呼吸频率指标为18到22次每分，血压指标为收缩压90到140毫米汞柱，舒张压60到90毫米汞柱，瞳孔指标为直径2到5毫米之间。
医务平台用于接收用户体征报告，并将其反馈至对应医生处以供医生进行核验，并反馈调理方案。
客户端用于用户进行登录，同时上传个人基本资料以及查看个人体征报告以及调理方案。
需要进一步说明的是，用户可通过客户端进行应用程序选择，同时客户端依据用户的选择信息对各应用程序以LRU链表的形式进行存储，其具体存储原理如下，首先，按照功能程序的LRU顺序，通过 LRU链表对各组启动链表头部进行进一步链接，再收集最少使用的应用程序信息，并将该应用程序的启动链表安排在LRU链表的首位，并依次进行排序，在应用程序启动阶段跟踪访问信息前，客户端在应用程序启动之前清除所有更新页表项的访问位，若在应用程序启动期间访问了某个应用程序，客户端则将该页面添加到启动链表中，在应用程序启动时间结束之前，客户端将重新检查所有应用程序的访问位，若在其它阶段也访问某个应用程序，则将该应用程序将从启动链表中删除，并移到常规LRU链表中，确定完成后对启动链表中的各组应用程序进行排序更新。

Claims (5)

1.一种基于传感器采集的生命预警系统，其特征在于，包括体征传感器、摄像头、位置分析模块、贴位更正模块、体征检测模块、告警反馈模块、检测优化器、医学对比库、医务平台以及客户端；
其中，所述体征传感器用于贴合在用户身体指定位置，并实时采集用户体征信息；
所述摄像头用于采集体征传感器贴合位置，并生成影像信息；
所述位置分析模块用于对采集到的影像信息进行级联分析，并生成各体征传感器位置信息；
所述贴位更正模块用于接收各组体征传感器位置并进行判断，同时向用户提示贴位错误的体征传感器信息以及提醒用户进行更正；
所述体征检测模块用于接收用户体征信息，并从医学对比库中调取相关数据进行对比记录以生成体征报告；
所述告警反馈模块用于依据体征报告向用户发送预警信息；
所述检测优化器用于定期对体征检测模块进行优化调整；
所述医学对比库用于存储各体征指标信息；
所述医务平台用于接收用户体征报告，并将其反馈至对应医生处以供医生进行核验，并反馈调理方案；
所述客户端用于用户进行登录，同时上传个人基本资料以及查看个人体征报告以及调理方案；
客户端依据用户的选择信息对各应用程序以LRU链表的形式进行存储，其具体存储原理如下，首先，按照功能程序的LRU顺序，通过LRU链表对各组启动链表头部进行进一步链接，再收集最少使用的应用程序信息，并将该应用程序的启动链表安排在LRU链表的首位，并依次进行排序，在应用程序启动阶段跟踪访问信息前，客户端在应用程序启动之前清除所有更新页表项的访问位，若在应用程序启动期间访问了某个应用程序，客户端则将页面添加到启动链表中，在应用程序启动时间结束之前，客户端将重新检查所有应用程序的访问位，若在其它阶段也访问某个应用程序，则将该应用程序将从启动链表中删除，并移到常规LRU链表中，确定完成后对启动链表中的各组应用程序进行排序更新；
所述位置分析模块级联分析具体步骤如下：
步骤(1)：位置分析模块对影像信息进行逐帧提取以获取检测图片，之后使用一级目标检测网络接收各组检测图片，并依据各组检测图片的不同尺寸构建图片数据集，将各组检测图片按照系统规定或人工设定的分辨率进行缩放，并对不同分辨率的各组巡检测图片进行推断；
步骤(2)：将推断结果汇聚在一起进行非极大值抑制以获取特征数据，并将提取出的特征数据送入双向特征金字塔，进行特征融合，再将BiFPN的输出进行分类回归，输出检测框、类别以及分数；
步骤(3)：之后获取输入的检测图片的分辨率，目标检测网络的宽度和深度以作为待优化的参数，并对目标检测网络架构进行大量的搜索，在目标检测网络参数量小于某一数值的情况下，寻找让其精确率最高的参数；
步骤(4)：对检测图片中传感器检测框信息进行收集，并生成对应检测框坐标，之后对相关检测图片进行扩大化剪裁，收集扩大化剪裁后生成的各组传感器图片，并将其进行保存，二级目标检测网络通过RPN过滤掉各组传感器图片中属于背景的简单负样本，挑选出可能含有目标的区域进行分类和回归，最后通过扩大化剪裁获取各组传感器图片中的传感器具体位置；
所述贴位更正模块对各组体征传感器位置具体判断步骤如下：
步骤一：贴位更正模块接收客户端发送的个人基本资料，并依据个人基本资料构建相关人体仿真模型，之后将级联分析得到的各组体征传感器位置信息匹配置人体仿真模型上；
步骤二：之后贴位更正模块依据系统默认体征传感器规定位置对当前各体征传感器位置进行判断，并将存在偏差的体征传感器进行记，且禁止用户进行后续体征检测，同时将存在异常的体征传感器通过外置显示屏反馈给用户，并通过语音提醒用户进行更正。
2.根据权利要求1所述的一种基于传感器采集的生命预警系统，其特征在于，步骤(4)中所述扩大化剪裁计算公式如下：
x1′＝max(x1-|x2-x1|*e,0)(1)
x2′＝min(x2+|x2-x1|*e,width)(2)
y1′＝max(y1-|y2-y1|*e,0)(3)
y2′＝min(y2+|y2-y1|*e,height)(4)
其中，width、height分别代表待检测巡检图片的宽和高，单位为像素，e代表扩大率，且e从0依次递增0.2到0.8，x1、x2、y1以及y2为相关检测框坐标。
3.根据权利要求1所述的一种基于传感器采集的生命预警系统，其特征在于，所述体征检测模块对比记录具体步骤如下：
第一步：体征检测模块接收用户体征信息，并将其按照脉率、血压、呼吸、瞳孔以及角膜反射五大类进分类，之后生成体征记录表记录采集到的各组用户体征信息；
第二步：从医学对比库中提取各体征指标信息，并将其录入体征记录表中，之后将采集到的各用户体征信息与体征指标信息进行对比，并记录用户身体状态以生成先对应的用户体征报告。
4.根据权利要求1所述的一种基于传感器采集的生命预警系统，其特征在于，所述检测优化器优化调整具体步骤如下：
S1.1：检测优化器接收医务平台反馈的医生核验结果，之后收集整合多组核验结果以生成观测数据集，并从观测数据集选择一个观测数据作为验证数据；
S1.2：使用剩下的观测数据拟合出一个测试模型，并用选择的验证数据来验证测试模型的精度，并通过均方根误差对该测试模型的预测能力进行计算，如此重复n次以对生成的精度参数进行参数优化处理；
S1.3：初始化参数范围，并令学习率η＝[0.0001，0.1]，同时列出所有可能的数据结果，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练模型后对测试集进行预测，统计测试结果的均方根误差，直至对所有数据都进行一次预测后，选取RMSE最小时对应的组合参数作为数据区间内最优参数；
S1.4：检测优化器实时接收体征检测模块的检测参数，并筛除检测能力差的检测参数，之后对体征检测模块检测效率划分为训练集和测试集，并同最优参数对训练集进行标准化处理以获取训练样本，采用长期迭代法训练该体征检测模块，并将测试集导入训练后的体征检测模块以获取体征检测模块检测曲线。
5.根据权利要求4所述的一种基于传感器采集的生命预警系统，其特征在于，S1.2中所述均方根误差具体计算公式如下：
Figure FDA0004220515860000031
其中，E(yi)表示第i个实际观测值，yi为模型反演出的第i个预测值，n是观测数据总数。
CN202211128136.1A 2022-09-16 2022-09-16 一种基于传感器采集的生命预警系统 Active CN115482931B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211128136.1A CN115482931B (zh) 2022-09-16 2022-09-16 一种基于传感器采集的生命预警系统
US18/234,555 US20240096200A1 (en) 2022-09-16 2023-08-16 Life early warning system based on sensor acquisition

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211128136.1A CN115482931B (zh) 2022-09-16 2022-09-16 一种基于传感器采集的生命预警系统

Publications (2)

Publication Number Publication Date
CN115482931A CN115482931A (zh) 2022-12-16
CN115482931B true CN115482931B (zh) 2023-07-04

Family

ID=84423640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211128136.1A Active CN115482931B (zh) 2022-09-16 2022-09-16 一种基于传感器采集的生命预警系统

Country Status (2)

Country Link
US (1) US20240096200A1 (zh)
CN (1) CN115482931B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116130095B (zh) * 2023-04-04 2023-07-11 深圳市金瑞铭科技有限公司 一种基于传感技术的状态监测方法、装置及存储介质
CN116153505B (zh) * 2023-04-21 2023-08-18 苏州森斯缔夫传感科技有限公司 基于医用压力传感器的危重病人体征智能识别方法及系统
CN117133464B (zh) * 2023-10-26 2024-03-12 中国人民解放军总医院第二医学中心 一种老年人健康智能监测系统及监测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112754431A (zh) * 2020-12-31 2021-05-07 杭州电子科技大学 基于毫米波雷达和轻量级神经网络的呼吸心跳监测系统
CN114068020A (zh) * 2021-10-21 2022-02-18 南京康博智慧健康研究院有限公司 一种智能康养监控与优化系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR112014030765A2 (pt) * 2012-06-12 2017-06-27 Koninklijke Philips Nv sistema para determinar o sinal vital de um indivíduo, dispositivo para determinar o sinal vital de um indivíduo, método para determinar o sinal vital de um indivíduo e programa de computador
BR112018009421A8 (pt) * 2015-11-13 2019-02-26 Koninklijke Philips Nv dispositivo, sistema e método para a orientação do posicionamento de um sensor e programa de computador
CN109044303B (zh) * 2018-07-10 2022-04-12 歌尔科技有限公司 一种基于可穿戴设备的血压测量方法、装置和设备
CN111863252A (zh) * 2019-04-26 2020-10-30 深圳市华信科技实业有限公司 健康监测方法、系统、计算机设备及存储介质
CN111000542B (zh) * 2019-12-30 2023-03-24 广州享药户联优选科技有限公司 基于智能药箱实现身体异常预警的方法及装置
CN114330141A (zh) * 2022-01-06 2022-04-12 上海电机学院 一种基于gru超参数优化的风机主轴轴承寿命预测方法
CN115588499A (zh) * 2022-09-07 2023-01-10 重庆电子工程职业学院 主动式健康医疗决策辅助系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112754431A (zh) * 2020-12-31 2021-05-07 杭州电子科技大学 基于毫米波雷达和轻量级神经网络的呼吸心跳监测系统
CN114068020A (zh) * 2021-10-21 2022-02-18 南京康博智慧健康研究院有限公司 一种智能康养监控与优化系统

Also Published As

Publication number Publication date
US20240096200A1 (en) 2024-03-21
CN115482931A (zh) 2022-12-16

Similar Documents

Publication Publication Date Title
CN115482931B (zh) 一种基于传感器采集的生命预警系统
CN111653368A (zh) 一种人工智能疫情大数据防控预警系统
CN108778097A (zh) 用于评估心力衰竭的装置和方法
US20110245623A1 (en) Medical Diagnosis Using Community Information
CN110911009A (zh) 一种临床诊断辅助决策系统和医学知识图谱积累方法
US20210153807A1 (en) Method, Computing Device And Wearable Device For Sleep Stage Detection
CN108847284B (zh) 人体生物年龄测算装置及系统
CN113793300A (zh) 一种基于红外热像仪的非接触式呼吸率检测方法
CN116016869A (zh) 一种基于人工智能以及物联网的校园安全监测系统
CN112967487A (zh) 用于校园传染病疫情防控检测及数据上报监测预警系统
CN111428655A (zh) 一种基于深度学习的头皮检测方法
CN110993096B (zh) 一种脓毒血症的预警装置、设备及存储介质
CN115349828A (zh) 一种基于计算机深度学习的新生儿疼痛评估系统
CN111598868A (zh) 一种肺部超声图像识别方法和系统
CN110811638A (zh) 一种用于监测睡眠的svm分类器构建方法、系统及方法
CN109492713A (zh) 一种远程超声影像质量监控系统
CN116186561B (zh) 基于高维时序图网络的跑步姿势识别纠正方法及系统
CN117133464A (zh) 一种老年人健康智能监测系统及监测方法
CN116434979A (zh) 生理状态云监测方法、监测系统及储存介质
CN115588499A (zh) 主动式健康医疗决策辅助系统及方法
CN114240934B (zh) 一种基于肢端肥大症的图像数据分析方法及系统
CN116458887A (zh) 一种儿童多动症监测与训练方法、装置及设备
EP3664101A1 (en) A computer-implemented method and an apparatus for use in detecting malingering by a first subject in one or more physical and/or mental function tests
CN115775609A (zh) 一种基于人工智能的患者画像系统
JP7092218B1 (ja) 医療情報管理装置及び医療情報管理プログラム

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