CN115714015A - 基于睡眠监测的健康智能辅助诊断系统及方法 - Google Patents
基于睡眠监测的健康智能辅助诊断系统及方法 Download PDFInfo
- Publication number
- CN115714015A CN115714015A CN202211408955.1A CN202211408955A CN115714015A CN 115714015 A CN115714015 A CN 115714015A CN 202211408955 A CN202211408955 A CN 202211408955A CN 115714015 A CN115714015 A CN 115714015A
- Authority
- CN
- China
- Prior art keywords
- sleep
- user
- monitoring
- intelligent
- health
- 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.)
- Pending
Links
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于睡眠监测的健康智能辅助诊断系统及方法，该系统包括：电子可穿戴设备，其用于采集用户在一连续时间段内的睡眠信息；智能问诊模型，其基于深度学习框架构建，智能问诊模型用于根据用户的个人基础信息和睡眠信息输出相应的问诊表，问诊表中包括若干待确认的症状项；判断模型，其用于根据问诊表中用户反馈的数据判断当前用户可能存在的体质健康问题；通过上述系统，基于电子可穿戴设备采集睡眠信息，并通过智能问诊模型获得相应的问诊表，问诊表中的待确认的症状项都是用户当前身体状态相关性比较高的选项，问题靶向性强，从而有效降低用户的数据输入量，而且降低判断模型的数据处理量，并提升诊断准确性。
Description
技术领域
本发明涉及监控检测技术领域，尤其涉及一种基于睡眠监测的健康智能辅助诊断系统及方法。
背景技术
中医诊断学，是在中医基础理论指导下，研究如何诊察病情、辨别病证的基本理论、基本知识和基本技能的一门学科。中医诊断学主要包括诊法、诊病、辨证和病案四大部分，对病人进行检查，收集与病人健康有关资料的方法，传统中医包括望、闻、问、切四种诊法。传统中医的四种基本诊法虽然简单，但是对医师的基本技能要求较高，因此，现如今，随着机器学习技术的不断发展，人们将机器学习模型与中医诊断学结合，以辅助医师快速做出判断，这些机器学习模型有卷积神经网络、递归神经网络(RNN)以及fasttext等，为了提高准确性，不少学者将attention机制引入到相关的模型中来。
对于基于机器学习的诊断模型，其是通过海量的临床诊断数据进行训练，患者使用时，由于模型不清楚当前患者的基本身体状况，因此，会要求患者输入大量的症状项确认结果(也即：用户当前是否具备该症状)，这不但给用户带来数据输入的负担，而且由于数据收集的靶向性不强，还会造成诊断结果不够准确。
另外，基于目前学术研究，人的身体状态与睡眠状况息息相关，也即，通过对人的睡眠情况的分析，可在一定程度上了解各个脏腑的健康状态。
因此，可将睡眠监测与机器学习模型结合，以智能诊断模型的辅助诊断性能。
发明内容
本发明的目的是提供一种针对性地收集用户当前身体状态数据以减轻用户的数据输入负担并有效提升诊断准确性地基于睡眠监测的健康智能辅助诊断系统及方法。
为了实现上述目的，本发明公开了一种基于睡眠监测的健康智能辅助诊断系统，其包括：
电子可穿戴设备，其用于采集用户在一连续时间段内的睡眠信息；
智能问诊模型，其基于深度学习框架构建，所述智能问诊模型用于根据用户的个人基础信息和所述睡眠信息输出相应的问诊表，所述问诊表中包括若干待确认的症状项；
判断模型，其用于根据所述问诊表中用户反馈的数据判断当前用户可能存在的体质健康问题。
较佳地，所述睡眠信息包括深度睡眠时段、浅度睡眠时段、清醒时段、打鼾时段、心率以及单位时长的清醒频率和打鼾频率。
较佳地，所述个人基础信息包括身高、体重、年龄、性别以及用户当前所在地的温度、湿度和天气情况。
较佳地，所述问诊表中，若干症状项相对于当前用户的出现概率以降序排列。
本发明还公开一种基于睡眠监测的健康智能辅助诊断方法，其包括：
创建基础数据库，所述基础数据库中包括若干条特征数据，每一特征数据包括睡眠信息及其相对应的一种或多种症状信息；
基于所述基础数据库和深度学习框架构建智能诊断模型；
通过电子可穿戴设备收集用于在一连续时间段内的睡眠信息；
通过所述智能诊断模型对所述睡眠信息和用户的个人基础信息进行处理，以输出相应的问诊表；
通过判断模型对用户反馈的问诊表进行处理，以获得当前用户可能存在的体质健康问题。
较佳地，所述睡眠信息包括深度睡眠时段、浅度睡眠时段、清醒时段、打鼾时段、心率以及单位时长的清醒频率和打鼾频率。
较佳地，所述个人基础信息包括身高、体重、年龄、性别以及用户当前所在地的温度、湿度和天气情况。
较佳地，在所述问诊表中，按照若干症状项相对于当前用户的出现概率进行降序排列。
本发明还公开另一种基于睡眠监测的健康智能辅助诊断系统，其包括：
一个或多个处理器；
存储器；
以及一个或多个程序，其中一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的基于睡眠监测的健康智能辅助诊断方法的指令。
本发明还公开一种计算机可读存储介质，其包括计算机程序，所述计算机程序可被处理器执行以完成如上所述的基于睡眠监测的健康智能辅助诊断方法。
与现有技术相比，本发明上述技术内容，基于电子可穿戴设备采集用户在一连续时间段内的睡眠信息，这对于用户来说，不存在技术障碍，而且也不会给用户带来负担，然后，通过智能问诊模型对睡眠信息和个人基础信息进行进行处理，以获得相应的问诊表，此时，由于该问诊表与睡眠信息相对应，因此，问诊表中的待确认的症状项都是用户当前身体状态相关性比较高的选项，问题靶向性强，从而有效降低用户的数据输入量，而且降低判断模型的数据处理量，并提升诊断准确性。
附图说明
图1为本发明实施例中辅助诊断系统原理结构图。
图2为本发明实施例中辅助诊断方法流程图。
具体实施方式
为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。
本实施例公开了一种基于睡眠监测的健康智能辅助诊断系统，以用于身体健康状况的辅助诊断，特别适用于中医诊断，例如，根据根据辅助诊断系统，可诊断出用户当前的某一脏腑存在体质或功能性障碍。如图1，该辅助诊断系统包括电子可穿戴设备、智能问诊模型以及判断模型。
对于电子可穿戴设备，其用于采集用户在一连续时间段(例如三天、一周、一个月等)内的睡眠信息。本实施例中的电子可穿戴设备可为智能手环、智能手表等智能电子设备。现如今，对于电子可穿戴设备来说，普遍具有监测用户睡眠信息的功能，因此，对于电子可穿戴设备监测睡眠信息的技术原理不再赘述。
对于智能问诊模型，其基于深度学习框架构建，该智能问诊模型用于根据用户的个人基础信息和所述睡眠信息输出相应的问诊表，所述问诊表中包括若干待确认的症状项。本实施例中，该智能问诊模型为学习型神经网络模型，因此，不但可基于海量的临床数据进行训练，而且，在使用过程中，可根据用户的反馈结果持续对该智能问诊模型进行优化，使得智能问诊模型的精准度越来越高。
对于判断模型，其用于根据所述问诊表中用户反馈的数据判断当前用户可能存在的体质健康问题。
具体地，本实施例中的智能问诊模型和判断模型均基于Catboost模型构建。
如图1和图2，上述辅助诊断系统的诊断方法包括如下步骤：
S1：通过若干包括海量临床诊断数据或专家经验的特征数据建立基础数据库，在基础数据库中，每一条特征数据包括睡眠状况信息及其相对应的一种或多种症状信息；
S2：通过基础数据库中的数据对智能诊断模型进行训练；
S3：用户通过电子可穿戴设备收集在一连续时间段内的睡眠信息，如连续一周的睡眠信息；
S4：将上述步骤S3收集到的睡眠信息和用户的个人基础信息输入智能诊断模型，智能诊断模型输出相应的问诊表，此时，问诊表中的若干待确认的症状项均与当前睡眠信息相关，例如，根据睡眠信息，当前用户可能存在肝脏方面的问题，那么问诊表中的待确认的症状项都是来源于肝脏方面相关症状；
S5：通过判断模型对用户反馈的问诊表进行处理，以获得当前用户可能存在的体质健康问题。
通过上述实施例公开的辅助诊断系统，首先，由于基于电子可穿戴设备采集用户在一连续时间段内的睡眠信息，这对于用户来说，不存在技术障碍，而且也不会给用户带来负担；然后，通过智能问诊模型对睡眠信息和个人基础信息进行进行处理，以获得相应的问诊表，此时，由于该问诊表与睡眠信息相对应，因此，问诊表中的待确认的症状项都是用户当前身体状态相关性比较高的选项，问题靶向性强，从而有效降低用户的数据输入量，而且降低判断模型的数据处理量，并提升诊断准确性。
另一实施例中，所述睡眠信息包括深度睡眠时段、浅度睡眠时段、清醒时段、打鼾时段、心率以及单位时长的清醒频率和打鼾频率。
所述个人基础信息包括身高、体重、年龄、性别以及用户当前所在地的温度、湿度和天气情况。
另一实施例中，在所述问诊表中，按照若干症状项相对于当前用户的出现概率进行降序排列。也即，通过睡眠信息初步判断出用户的可能健康状况后，将最可能出现的症状列在前面，这样，可增加用户信任度和参与数据输入的积极性。
本发明还公开另一种基于睡眠监测的健康智能辅助诊断系统，其包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的基于睡眠监测的健康智能辅助诊断方法的指令。处理器可以采用通用的中央处理器(Central ProcessingUnit，CPU)，微处理器，应用专用集成电路(Application Specific Integrated Circuit，ASIC)，或者一个或多个集成电路，用于执行相关程序，以实现本申请实施例的基于睡眠监测的健康智能辅助诊断系统中的模块所需执行的功能，或者执行本申请方法实施例的基于睡眠监测的健康智能辅助诊断方法。
本发明还公开一种计算机可读存储介质，其包括计算机程序，所述计算机程序可被处理器执行以完成如上所述的基于睡眠监测的健康智能辅助诊断方法。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read-onlymemory，ROM)，或随机存取存储器(random access memory，RAM)，或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘(digital versatile disc，DVD)、或者半导体介质，例如，固态硬盘(solid state disk，SSD)等。
本申请实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该电子设备执行上述基于睡眠监测的健康智能辅助诊断方法。
以上所披露的仅为本发明的优选实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等同变化，仍属本发明所涵盖的范围。
Claims (10)
1.一种基于睡眠监测的健康智能辅助诊断系统，其特征在于，包括：
电子可穿戴设备，其用于采集用户在一连续时间段内的睡眠信息；
智能问诊模型，其基于深度学习框架构建，所述智能问诊模型用于根据用户的个人基础信息和所述睡眠信息输出相应的问诊表，所述问诊表中包括若干待确认的症状项；
判断模型，其用于根据所述问诊表中用户反馈的数据判断当前用户可能存在的体质健康问题。
2.根据权利要求1所述的基于睡眠监测的健康智能辅助诊断系统，其特征在于，所述睡眠信息包括深度睡眠时段、浅度睡眠时段、清醒时段、打鼾时段、心率以及单位时长的清醒频率和打鼾频率。
3.根据权利要求1所述的基于睡眠监测的健康智能辅助诊断系统，其特征在于，所述个人基础信息包括身高、体重、年龄、性别以及用户当前所在地的温度、湿度和天气情况。
4.根据权利要求1所述的基于睡眠监测的健康智能辅助诊断系统，其特征在于，所述问诊表中，若干症状项相对于当前用户的出现概率以降序排列。
5.一种基于睡眠监测的健康智能辅助诊断方法，其特征在于，包括：
创建基础数据库，所述基础数据库中包括若干条特征数据，每一特征数据包括睡眠信息及其相对应的一种或多种症状信息；
基于所述基础数据库和深度学习框架构建智能诊断模型；
通过电子可穿戴设备收集用于在一连续时间段内的睡眠信息；
通过所述智能诊断模型对所述睡眠信息和用户的个人基础信息进行处理，以输出相应的问诊表；
通过判断模型对用户反馈的问诊表进行处理，以获得当前用户可能存在的体质健康问题。
6.根据权利要求5所述的基于睡眠监测的健康智能辅助诊断方法，其特征在于，所述睡眠信息包括深度睡眠时段、浅度睡眠时段、清醒时段、打鼾时段、心率以及单位时长的清醒频率和打鼾频率。
7.根据权利要求5所述的基于睡眠监测的健康智能辅助诊断方法，其特征在于，所述个人基础信息包括身高、体重、年龄、性别以及用户当前所在地的温度、湿度和天气情况。
8.根据权利要求5所述的基于睡眠监测的健康智能辅助诊断方法，其特征在于，在所述问诊表中，按照若干症状项相对于当前用户的出现概率进行降序排列。
9.一种基于睡眠监测的健康智能辅助诊断系统，其特征在于，包括：
一个或多个处理器；
存储器；
以及一个或多个程序，其中一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如权利要求5至8任一项所述的基于睡眠监测的健康智能辅助诊断方法的指令。
10.一种计算机可读存储介质，其特征在于，包括计算机程序，所述计算机程序可被处理器执行以完成如权利要求5至8任一项所述的基于睡眠监测的健康智能辅助诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211408955.1A CN115714015A (zh) | 2022-11-10 | 2022-11-10 | 基于睡眠监测的健康智能辅助诊断系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211408955.1A CN115714015A (zh) | 2022-11-10 | 2022-11-10 | 基于睡眠监测的健康智能辅助诊断系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115714015A true CN115714015A (zh) | 2023-02-24 |
Family
ID=85232773
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211408955.1A Pending CN115714015A (zh) | 2022-11-10 | 2022-11-10 | 基于睡眠监测的健康智能辅助诊断系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115714015A (zh) |
-
2022
- 2022-11-10 CN CN202211408955.1A patent/CN115714015A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wei et al. | The research of sleep staging based on single-lead electrocardiogram and deep neural network | |
| CN110944577B (zh) | 一种血氧饱和度的检测方法与系统 | |
| Mashrur et al. | SCNN: Scalogram-based convolutional neural network to detect obstructive sleep apnea using single-lead electrocardiogram signals | |
| US11062792B2 (en) | Discovering genomes to use in machine learning techniques | |
| Pinto et al. | Multimodal emotion evaluation: A physiological model for cost-effective emotion classification | |
| Yue et al. | Deep learning for diagnosis and classification of obstructive sleep apnea: A nasal airflow-based multi-resolution residual network | |
| Chakrabarti et al. | Smart consumer wearables as digital diagnostic tools: a review | |
| Zhang et al. | Sprsound: Open-source sjtu paediatric respiratory sound database | |
| CN107145715B (zh) | 一种基于推举算法的临床医学智能判别装置 | |
| Lei et al. | Estimation of heart rate and respiratory rate from PPG signal using complementary ensemble empirical mode decomposition with both independent component analysis and non-negative matrix factorization | |
| US20220192556A1 (en) | Predictive, diagnostic and therapeutic applications of wearables for mental health | |
| Xing et al. | Accurate ECG classification based on spiking neural network and attentional mechanism for real-time implementation on personal portable devices | |
| CN103619240B (zh) | 用于确定hrv和rrv并且用来识别潜在病症发作的方法和系统 | |
| Zhu et al. | Predicting ICU mortality by supervised bidirectional LSTM networks. | |
| CN110473631B (zh) | 基于真实世界研究的智能睡眠监测方法和系统 | |
| Martínez-Gramage et al. | A random forest machine learning framework to reduce running injuries in young triathletes | |
| Khanal et al. | A review on computer vision technology for physical exercise monitoring | |
| Mohd Rosli et al. | Improved gender recognition during stepping activity for rehab application using the combinatorial fusion approach of EMG and HRV | |
| CN116453641B (zh) | 一种中医辅助分析信息的数据处理方法及系统 | |
| CN117373595A (zh) | 一种基于ai的内科患者个性化治疗方案生成系统 | |
| Abbasi et al. | Automatic neonatal sleep stage classification: A comparative study | |
| CN115714015A (zh) | 基于睡眠监测的健康智能辅助诊断系统及方法 | |
| Karimi Moridani | An automated method for sleep apnoea detection using HRV | |
| Hu et al. | Automatic heart sound classification using one dimension deep neural network | |
| Luo et al. | Exploring adaptive graph topologies and temporal graph networks for EEG-based depression 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 |