CN115862300B - 监控脑卒中风险预警方法和脑卒中风险预警的智能眼镜 - Google Patents
监控脑卒中风险预警方法和脑卒中风险预警的智能眼镜 Download PDFInfo
- Publication number
- CN115862300B CN115862300B CN202310115442.XA CN202310115442A CN115862300B CN 115862300 B CN115862300 B CN 115862300B CN 202310115442 A CN202310115442 A CN 202310115442A CN 115862300 B CN115862300 B CN 115862300B
- Authority
- CN
- China
- Prior art keywords
- module
- early warning
- risk
- cerebral apoplexy
- intelligent glasses
- 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
- 208000006011 Stroke Diseases 0.000 title claims abstract description 91
- 206010008190 Cerebrovascular accident Diseases 0.000 title claims abstract description 57
- 230000002490 cerebral effect Effects 0.000 title claims abstract description 57
- 239000011521 glass Substances 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title abstract description 20
- 238000012544 monitoring process Methods 0.000 title abstract description 9
- 210000001525 retina Anatomy 0.000 claims description 47
- 239000004984 smart glass Substances 0.000 claims description 42
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 15
- 230000009429 distress Effects 0.000 claims description 7
- 230000002207 retinal effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000007689 inspection Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 210000004556 brain Anatomy 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 208000032382 Ischaemic stroke Diseases 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010010071 Coma Diseases 0.000 description 1
- 208000016988 Hemorrhagic Stroke Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 208000006550 Mydriasis Diseases 0.000 description 1
- 208000017442 Retinal disease Diseases 0.000 description 1
- 206010038923 Retinopathy Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 208000020658 intracerebral hemorrhage Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000004089 microcirculation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007971 neurological deficit Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004256 retinal image Effects 0.000 description 1
- 210000001210 retinal vessel Anatomy 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 210000005166 vasculature Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Eyeglasses (AREA)
Abstract
本发明提出一种监控脑卒中风险预警方法和脑卒中风险预警的智能眼镜,该智能眼镜通过电源给摄像模块、预警模块及控制模块供电,摄像模块获取人体视网膜图像,控制模块接收人体视网膜图像,对人体视网膜图像判别并返回判别结果,预警模块,在诊断为有脑卒中风险时,发出风险预警。如此,形成了一种能够实现脑卒中风险检测地智能眼镜。由于该智能眼镜能够随时随地对脑卒中进行检测,不用去医院进行眼底照相检查,提升了便捷性和依从性。
Description
技术领域
本发明涉及设备检测技术领域,尤其涉及一种监控脑卒中风险预警方法和一种脑卒中风险预警的智能眼镜。
背景技术
脑卒中包括缺血性脑卒中和出血性脑卒中两大类,其中缺血性脑卒中(脑梗死)是指由于脑局部血液循环障碍所导致的急性神经功能缺损综合征。脑卒中的预防显得尤其重要。
脑卒中相关的危险因素包括高血压病、糖尿病、吸烟、心血管疾病、房颤等。但是大多数危险因素需要通过去医院体检才能得知。视网膜血管是人体唯一可在活体状态下用肉眼观察到的血管,观察视网膜的脉管系统可以提供一个有用且无创的方法来评估大脑的微循环状态。目前很多研究提示视网膜病变可以预测脑卒中的发生。但是现在大多数眼底照相检查需要在医院散瞳下进行拍摄,执行难度高、依从性差。
发明内容
本发明提供一种监控脑卒中风险预警方法和一种脑卒中风险预警的智能眼镜,旨在解决现有的脑卒中检查方法存在执行难度高、依从性差的问题。
为此,本发明的目的是提出一种脑卒中风险预警的智能眼镜,包括摄像模块、控制模块、预警模块及电源;其中:
电源用于给摄像模块、预警模块及控制模块供电;
摄像模块用于获取病患视网膜图像;
控制模块用于接收获取病患视网膜图像,通过深度卷积神经网络模型对病患视网膜图像判别,并生成判别结果;
预警模块用于在判别结果为卒中风风险信息时,发出风险预警。
其中,智能眼镜还包括:定位模块、复位模块、及通信模块;电源同时为定位模块、复位模块及通信模块供电;
复位模块用于在预警模块发出风险预警后接收用户输入的复位操作,以取消预警模块发出的风险预警;
定位模块用于按照预设时间间隔获取智能眼镜的位置信息;
通信模块用于在预警模块发出风险预警后预设时段内,复位模块未接收到用户输入的复位操作时,发送求救信息及位置信息至预先关联的紧急联系人。
其中,摄像模块按照预设拍照周期,对病患视网膜进行拍照,并传输至控制模块。
其中,控制模块获取佩戴者身份信息及生理参数,对预设深度卷积神经网络模型进行训练,将人体视网膜图像输入训练后的预设深度卷积神经网络模型进行判别,生成判别结果;其中,
控制模块获取已标记是否患有脑卒中的人体视网膜图像,将人体视网膜图像进行预处理,得到训练集;
将训练集输入至深度卷积神经网络模型进行训练,得到预设深度卷积神经网络模型进行训练。
其中,预警模块包括马达,当诊断为有脑卒中风险时,马达按照预设频率间歇性震动。
其中,智能眼镜还包括:无线收发模块;
电源还用于给无线收发模块供电;
无线收发模块用于与移动终端进行无线通信。
其中,预警模块用于在诊断为有脑卒中风险时,通过无线收发模块发送警示信息至移动终端。
区别于现有技术,本发明提供的脑卒中风险预警的智能眼镜,通过电源给摄像模块、预警模块及控制模块供电,摄像模块获取人体视网膜图像,控制模块接收人体视网膜图像,对人体视网膜图像判别并返回判别结果,预警模块,在诊断为有脑卒中风险时,发出风险预警。如此,形成了一种能够实现脑卒中风险检测地智能眼镜。由于该智能眼镜能够随时随地对脑卒中进行检测,不用去医院进行眼底照相检查,提升了便捷性和依从性。
附图说明
本发明的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明提供的一种使用场景示意图;
图2为本发明提供的一种脑卒中风险预警的智能眼镜的结构示意图;
图3为本发明提供的一种脑卒中风险预警的智能眼镜中的预警信息示意图;
图4为本发明提供的另一种脑卒中风险预警的智能眼镜的结构示意图;
图5为本发明提供的一种脑卒中风险预警的智能眼镜的系统示意图;
图6为本发明提供的一种脑卒中风险预警的智能眼镜中发出求救信息的流程示意图;
图7为本发明提供的一种脑卒中风险预警的智能眼镜的另一实施例的结构示意图;
图8为本发明提供的一种脑卒中风险预警的智能眼镜进行脑卒中风险预警的系统结构示意图;
图9为本发明提供的一种脑卒中风险预警的智能眼镜的预警方式示意图;
图10为本发明提供的一种监控脑卒中风险预警方法的流程示意图;
图11为本发明提供的一种监控脑卒中风险预警方法中通过智能眼镜筛选脑卒中风险的流程示意图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
图1示出了本发明实施例提供的一种使用场景示意图。如图1所示,用户A(即佩戴者)可以佩戴智能眼镜B。一方面,智能眼镜B可以用于诊断佩戴者(用户)A的脑卒中风险,并在诊断出佩戴者A有脑卒中风险时,发出风险预警。另一方面,用户A可以正常佩戴智能眼镜B出行而不影响佩戴者的视线。以下将结合图2介绍本发明实施例提供的智能眼镜B的具体结构。
本实施例提供一种能进行脑卒中风险预警的智能眼镜,用于对脑卒中风险人群进行重点监测。
参照图2,本发明提供了一种能进行脑卒中风险预警的智能眼镜,包括摄像模块10、控制模块20、预警模块30及电源40。除此之外,智能眼镜还包括镜框、镜腿、镜片、鼻托等器件,便于用户正常佩戴。
电源40,用于给摄像模块10、预警模块30及控制模块20供电。由于智能眼镜受限于尺寸和外形,其电源采用锂电池进行供电。电源40还配置有充电接口及充电电路,优先采用USB接口进行充电。
摄像模块10,用于获取人体视网膜图像。本实施例中,摄像模块10中包含有高清摄像头,高清摄像头设置于镜片的上侧,使得能够对人体视网膜进行拍照。除此之外,高清摄像头还可设置于镜片的下侧。
在一些可能的实施例中,为了准确且正面地拍摄到用户的视网膜照片,又不影响用户的正常视线,可同时在镜片的上侧和下侧分别设置高清摄像头,然后分别对上侧和下侧的高清摄像头拍摄的两个不同角度的视网膜照片进行角度校正处理,结合角度校正处理后的两个不同拍摄角度的视网膜照片得到视网膜的正面照片,以提高视网膜照片的准确性。
控制模块20,用于接收人体视网膜图像,对人体视网膜图像判别并返回判别结果。控制模块20包含有主控芯片,主控芯片可采用君正200主控芯片,该主控芯片是32位XBurst双核结构,该主控芯片具有camera接口、高速SPI接口及PCM CODEC接口等扩展接口。此外,控制模块20还包括用于数据传输的芯片,支持3G/4G/5G、WiFi、蓝牙等模式的数据传输。
预警模块30,在诊断为有脑卒中风险时,发出风险预警。预警模块30用于提示佩戴智能眼镜人员关于脑卒中的风险。风险预警可以是通过声音提示,也可以是通过振动提示,或者同时通过声音和振动提示等。不限于此,在一些可能的实施例中,如图3所示,智能眼镜还具备虚拟现实的功能,那么风险预警可以是通过在用户佩戴智能眼镜时的视线范围内通过虚拟现实的方式显示风险预警的画面310。本申请实施例对此不作限定。
可以知道,当通过声音提示风险预警时,智能眼镜还包括扬声器,电源40可为扬声器供电。当通过振动提示风险预警时,智能眼镜还包括马达,电源可为马达供电。
本发明提供的技术方案中,电源40给摄像模块10、预警模块30及控制模块20供电,摄像模块10获取病患视网膜图像,控制模块20接收病患视网膜图像,对病患视网膜图像判别并返回判别结果,预警模块,在诊断为有脑卒中风险时,发出风险预警。如此,形成了一种能够实现脑卒中风险检测地智能眼镜。由于该智能眼镜能够随时随地对脑卒中进行检测,不用去医院进行眼底照相检查,提升了便捷性和依从性。
进一步地,摄像模块10按照预设拍照周期,对病患视网膜进行拍照,并传输至控制模块20。通常来讲,每天进行一次拍摄即可,即间隔24小时拍摄一次。可以知道,上述预设拍照周期设置的越短,也就是每两次拍摄之间的时间间隔越短,越能及时发现脑卒中风险,保证用户的身体健康及生命安全;上述预设拍照周期设置的越长,也就是每两次拍摄之间的时间间隔越长,越能减小智能眼镜的功耗,提升智能眼镜的续航能力。
可选地,上述预设拍照周期的大小可由厂家在出厂之前统一设置,也可由用户根据自身需求自行设置,本申请实施例对预设拍照周期的大小不作限定,对设置预设拍照周期的方式不作限定。
可选地,上述预设拍照周期的大小可以随着智能眼镜的剩余电量而变化。具体地,当智能眼镜的剩余电量充足时,预设拍照周期可以较小;当智能眼镜的剩余电量不足时,预设拍照周期可以较大。
可选地,上述预设拍照周期的大小可以随着近期的风险预警结果变化。具体地,当智能眼镜在最近一段时间内均为诊断出有脑卒中风险时,上述预设拍照周期可以较大;当智能眼镜在最近一段时间内诊断出有脑卒中风险时,上述预设拍照周期可以较小。进一步地,当智能眼镜在最近一段时间内诊断出有脑卒中风险的频次越大时,上述预设拍照周期越小。上述最近一段时间例如可以是最近1个月。
在一些可能的实施例中,图4示例性示出了本发明实施例提供的另外一种智能眼镜的结构示意图。如图4所示,除了图2中示出的摄像模块10、控制模块20、预警模块30及电源40,智能眼镜还包括:定位模块50、复位模块60、及通信模块70;电源40给定位模块50、复位模块60及通信模块70供电。
其中,复位模块60可以用于在预警模块30发出风险预警后接收用户输入的复位操作,以取消预警模块30发出的风险预警。例如,当预警模块30通过扬声器发出声音的风险预警后,用户可以通过复位模块60关闭扬声器发出的声音(风险预警的提示音)。又例如,当预警模块30通过马达发出振动的风险预警后,用户可以通过复位模块60关闭马达的振动。再例如,当预警模块30通过虚拟现实的方式在用户的视线前方投射出风险预警的画面之后,用户可以通过复位模块60关闭风险预警的画面。这样可以保证用户在得知风险预警后,关闭风险预警的提示信息,从而继续正常佩戴智能眼镜。
上述复位模块60可以为设置在智能眼镜上的复位按钮。例如但不限于设置在镜腿上,或者设置在镜框的四周等便于用户操作的位置。本申请实施例对于复位模块的实现形式不作限定,对于复位模块设置的位置也不作限定。
上述定位模块50用于按照预设时间间隔获取智能眼镜的位置信息。该定位模块例如可以是GPS定位模块,获取的智能眼镜的位置信息例如可以是经纬度信息等。可以理解,智能眼镜通常由用户佩戴,那么智能眼镜的位置信息即可理解为是佩戴者(用户)的位置信息。上述预设时间间隔例如但不限于为2分钟、5分钟、10分钟等。预设时间间隔越短,越能准确的反映出佩戴者的位置;预设时间间隔越长,越能节约智能眼镜的功耗,提升智能眼镜的续航能力。
在一些可能的实施例中,上述预设时间间隔的大小可以随着智能眼镜的剩余电量而变化。具体地,当智能眼镜的剩余电量充足时,预设时间间隔可以较小;当智能眼镜的剩余电量不足时,预设时间间隔可以较大。
示例性地,如表1所示,预设时间间隔与智能眼镜的剩余电量的对应关系如下:
表1 预设时间间隔与智能眼镜的剩余电量的对应关系表
在一些可能的实施例中,上述预设时间间隔的大小可以随着近期的风险预警结果变化。具体地,当智能眼镜在最近一段时间内均为诊断出有脑卒中风险时,上述预设时间间隔可以较大;当智能眼镜在最近一段时间内诊断出有脑卒中风险时,上述预设时间间隔可以较小。进一步地,当智能眼镜在最近一段时间内诊断出有脑卒中风险的频次越大时,上述预设时间间隔越小。上述最近一段时间例如可以是最近1个月。
上述通信模块70,用于在预警模块30发出风险预警后预设时段内,复位模块60未接收到用户输入的复位操作时,发送求救信息及位置信息至预先关联的紧急联系人。其中,预设时间段例如但不限于为1分钟、2分钟等。
如图5所示,为本发明实施例提供的一种能进行脑卒中风险预警的系统结构示意图。该系统包括:用户A、智能眼镜B及终端C。其中,终端C为紧急联系人对应的终端。终端C可接收智能眼镜B通过通信模块70发送的求救信息及位置信息。
具体地,图6示例性示出了本发明实施例提供的一种发出求救信息的流程示意图。如图6所示,当预警模块30发出风险预警后(610)预设时段内(例如2分钟),复位模块60未接收到用户输入的复位操作(620)时,意味着佩戴者(用户)可能发生了意外,例如昏迷、休克等失去意识,此时用户处于非常危险的境地,抢救时间非常宝贵,则在此情况下,通信模块70可发送求救信息及位置信息(640)至预先关联的紧急联系人(C),以便紧急联系人能在第一时间得知佩戴者的情况及位置信息,对佩戴者施以援救,其中,定位模块50持续的按照预设时间间隔获取智能眼镜的位置信息(630)。进一步地,智能眼镜还可根据用户当前的位置信息查找到最近的医院,并通过通信模块向最近的医院发出求救信息及位置信息,以便用户能在第一时间得到专业的救治。
进一步地,控制模块通过预设深度卷积神经网络模型对人体视网膜图像进行判别,生成判别结果。
该预设深度卷积神经网络模型事先通过收集的样本进行训练而成。样本采用的是已标记是否患有脑卒中的彩色人体视网膜图像,将彩色人体视网膜图像进行预处理后,输入至深度卷积神经网络模型进行训练。
进一步地,控制模块还获取人员身份信息及生理参数,对预设深度卷积神经网络模型进行训练,将人体视网膜图像输入训练后的预设深度卷积神经网络模型进行判别,生成判别结果。需要说明的是,人员的年龄、血糖血脂等因素也会影响脑卒中的发生风险,将这些因素考虑在内,可进一步提高脑卒中的判断准确率。为此,在模型训练时,结合人员的年龄、血糖血脂多维度数据,通过整合对训练模型进一步优化。
进一步地,预警模块30包括马达,当诊断为有脑卒中风险时,马达按照预设频率间歇性震动。本实施例中采用转子马达。
在一些可能的实施例中,智能眼镜还可诊断出脑卒中风险的大小。预警模块30可以根据脑卒中风险的大小发出预警信息。例如,当脑卒中风险较小时,控制马达以较小的频率间歇性振动。当脑卒中风险较大时,控制马达以较大的频率持续性振动。本申请实施例对于不同风险的预警信息不作限定。其中,脑卒中风险的大小可以理解为预设深度卷积神经网络模型输出的脑卒中风险的概率。
进一步地,图7示例性示出了本发明实施例提供的另外一种智能眼镜的结构示意图。如图7所示,智能眼镜还包括:无线收发模块80;电源40,还用于给无线收发模块80供电。
图8示例性示出了本发明实施例提供的另外一种能进行脑卒中风险预警的系统结构示意图。该系统包括:用户A、智能眼镜B及移动终端D。
其中,无线收发模块80,用于与移动终端D进行无线通信。其中,无线收发模块80例如可以是蓝牙模块、WiFi模块、NFC模块等。移动终端D也具备对应的无线收发模块。智能眼镜可以通过无线收发模块80与移动终端D建立无线通信连接。
预警模块30具体用于在诊断为有脑卒中风险时,通过无线收发模块80发送警示信息至移动终端D。该移动终端D上可以安装与智能眼镜配套的应用程序。当移动终端D接收到预警模块80发送的警示信息时,移动终端D可以通过该应用程序发出警示信息。该警示信息可以是通过如图9所示的弹窗90的形式体现。该应用程序还可以存储用户在一段时间内的历史佩戴数据,便于用户查看脑卒中风险趋势。除此之外,用户还可以通过该应用程序设置紧急联系人等。
参照图10,为实现上述目的,本发明还提出一种智能监控脑卒中风险预警方法,该方法依托于前一实施例中的智能眼镜进行脑卒中风险预警,包括:
S100:获取病患视网膜图像。
本实施例中,摄像模块10中包含有高清摄像头,高清摄像头设置于眼睛镜片的上侧,使得能够对人体视网膜进行拍照。
S200:通过深度卷积神经网络模型对病患视网膜图像判别,并生成判别结果。
该步骤通过智能眼镜中的控制模块20实现。控制模块20包含有主控芯片,主控芯片可采用君正200主控芯片,该主控芯片是32位XBurst双核结构,该主控芯片具有camera接口、高速SPI接口及PCM CODEC接口等扩展接口。此外,控制模块20还包括用于数据传输的芯片,支持3G/4G/5G、WiFi、蓝牙等模式的数据传输。
S300:若判别结果为卒中风风险信息时,发出风险预警。
该步骤通过智能眼镜中的预警模块30实现。预警模块30用于提示佩戴智能眼镜人员关于脑卒中的风险。提示可以是声音提示、振动提示等。
如图11所示,该方法除了包括上述S100-S300之外,该方法还包括:
S400:输入复位操作,以取消风险预警。
该步骤依托复位模块50实现。
S500:按照预设时间间隔获取病患的位置信息。
其中,S500执行的顺序与S100-S400执行的先后顺序不做限定。也即是说,S500可在执行S100-S400的期间持续执行。
S600:发出风险预警后预设时段内,若未输入复位操作时,发送求救信息及位置信息至预先关联的紧急联系人。
进一步地,通过深度卷积神经网络模型对病患视网膜图像判别,并生成判别结果的步骤之前,还包括对深度卷积神经网络模型进行训练的步骤,包括:
获取已标记是否患有脑卒中的人体视网膜图像,将人体视网膜图像进行预处理,得到训练集;
值得说明的是,标有脑卒中的人体视网膜图像样本,可从医院的脑卒中患者中选取1000名,而未患有脑卒中的样本则可以选择特定数量的志愿者,例如3000名,通过问卷调查、检测视网膜图像收集等,收集其全身数据。
将训练集输入至深度卷积神经网络模型进行训练,得到预设深度卷积神经网络模型。
将样本按照3:1的比例分为训练集和验证集,将人体视网膜图像输入至深度卷积网络,利用深度卷积网络的局部连接、池化操作及多层结构,结合有无脑卒中的标记,学习并提取脑卒中患者的人体视网膜特征,构建筛选模型,即预设深度卷积神经网络模型。
在进行脑卒中筛选时,通过摄像装置获取使用人员的人体视网膜图像,输入至预设深度卷积神经网络模型进行诊断,即可得到是否有脑卒中风险的诊断,极大的提高了脑卒中检测的便捷性和依从性。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对所述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在所述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现所述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。所述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
所述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,所述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对所述实施例进行变化、修改、替换和变型。
Claims (5)
1.一种脑卒中风险预警的智能眼镜,其特征在于,包括摄像模块、控制模块、预警模块、电源、定位模块、复位模块、及通信模块;其中:所述电源用于给摄像模块、预警模块、定位模块、复位模块、通信模块及控制模块供电;所述摄像模块用于获取病患视网膜图像;所述摄像模块包括高清摄像头,所述高清摄像头同时设置在镜片的上侧和下侧,分别对上侧和下侧的高清摄像头拍摄的两个不同角度的视网膜照片进行角度校正处理,结合角度校正处理后的两个不同拍摄角度的视网膜照片得到视网膜的正面照片;
所述控制模块用于接收所述获取病患视网膜图像,通过深度卷积神经网络模型对病患视网膜图像判别,并生成判别结果;所述控制模块获取佩戴者身份信息及生理参数,对预设深度卷积神经网络模型进行训练,将人体视网膜图像输入训练后的预设深度卷积神经网络模型进行判别,生成判别结果;其中,所述控制模块获取已标记是否患有脑卒中的人体视网膜图像,将人体视网膜图像进行预处理,得到训练集;将训练集输入至深度卷积神经网络模型进行训练,得到预设深度卷积神经网络模型进行训练;
所述预警模块用于在所述判别结果为卒中风风险信息时,发出风险预警;
其中,所述预警模块根据深度卷积神经网络模型输出的脑卒中风险的概率,以不同振动频率进行预警;
所述复位模块用于在所述预警模块发出风险预警后接收用户输入的复位操作,以取消所述预警模块发出的所述风险预警;所述定位模块用于按照预设时间间隔获取所述智能眼镜的位置信息;所述通信模块用于在所述预警模块发出风险预警后预设时段内,所述复位模块未接收到所述用户输入的复位操作时,发送求救信息及所述位置信息至预先关联的紧急联系人;所述预设时间间隔的大小可以随着智能眼镜的剩余电量而变化;当智能眼镜的剩余电量大于80%时,预设时间设置为1分钟;当智能眼镜的剩余电量为大于20%不大于80%时,预设时间设为5分钟;当所述电量不大于20%时,预设时间设为10分钟。
2.根据权利要求1所述的脑卒中风险预警的智能眼镜,其特征在于,所述摄像模块按照预设拍照周期,对病患视网膜进行拍照,并传输至控制模块。
3.根据权利要求1所述的脑卒中风险预警的智能眼镜,其特征在于,所述预警模块包括马达,当诊断为有脑卒中风险时,所述马达按照预设频率间歇性震动。
4.根据权利要求1所述的脑卒中风险预警的智能眼镜,其特征在于,所述智能眼镜还包括:无线收发模块;所述电源还用于给所述无线收发模块供电;所述无线收发模块用于与移动终端进行无线通信。
5.根据权利要求4所述的脑卒中风险预警的智能眼镜,其特征在于,所述预警模块用于在诊断为有脑卒中风险时,通过所述无线收发模块发送警示信息至所述移动终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310115442.XA CN115862300B (zh) | 2023-02-15 | 2023-02-15 | 监控脑卒中风险预警方法和脑卒中风险预警的智能眼镜 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310115442.XA CN115862300B (zh) | 2023-02-15 | 2023-02-15 | 监控脑卒中风险预警方法和脑卒中风险预警的智能眼镜 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115862300A CN115862300A (zh) | 2023-03-28 |
CN115862300B true CN115862300B (zh) | 2023-11-14 |
Family
ID=85658068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310115442.XA Active CN115862300B (zh) | 2023-02-15 | 2023-02-15 | 监控脑卒中风险预警方法和脑卒中风险预警的智能眼镜 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115862300B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620766A (zh) * | 2009-07-20 | 2010-01-06 | 北京航空航天大学 | 生命体智能跟踪监护系统 |
CN110400301A (zh) * | 2019-07-25 | 2019-11-01 | 中山大学中山眼科中心 | 一种基于眼部特征的脑卒中人工智能筛查方法 |
CN111511318A (zh) * | 2017-09-27 | 2020-08-07 | 迈阿密大学 | 数字治疗矫正眼镜 |
CN111588345A (zh) * | 2020-06-18 | 2020-08-28 | 歌尔科技有限公司 | 眼部疾病检测方法、ar眼镜及可读存储介质 |
CN111916209A (zh) * | 2020-08-12 | 2020-11-10 | 贵州医科大学附属医院 | 一种脑卒中患者预警系统 |
CN215019838U (zh) * | 2021-04-20 | 2021-12-07 | 嘉兴市第二医院 | 一种脑卒中单侧空间忽略红外感应振动提醒训练眼镜 |
CN114488572A (zh) * | 2022-03-04 | 2022-05-13 | 深圳市必爱智能生命科技有限公司 | 一种多路ppg结合眼部扫描的数字智能眼镜 |
CN115185365A (zh) * | 2021-12-16 | 2022-10-14 | 广东技术师范大学 | 一种无线控制的眼睛控制系统及其控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10791938B2 (en) * | 2015-06-14 | 2020-10-06 | Facense Ltd. | Smartglasses for detecting congestive heart failure |
KR102058884B1 (ko) * | 2019-04-11 | 2019-12-24 | 주식회사 홍복 | 치매를 진단을 하기 위해 홍채 영상을 인공지능으로 분석하는 방법 |
-
2023
- 2023-02-15 CN CN202310115442.XA patent/CN115862300B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620766A (zh) * | 2009-07-20 | 2010-01-06 | 北京航空航天大学 | 生命体智能跟踪监护系统 |
CN111511318A (zh) * | 2017-09-27 | 2020-08-07 | 迈阿密大学 | 数字治疗矫正眼镜 |
CN110400301A (zh) * | 2019-07-25 | 2019-11-01 | 中山大学中山眼科中心 | 一种基于眼部特征的脑卒中人工智能筛查方法 |
CN111588345A (zh) * | 2020-06-18 | 2020-08-28 | 歌尔科技有限公司 | 眼部疾病检测方法、ar眼镜及可读存储介质 |
CN111916209A (zh) * | 2020-08-12 | 2020-11-10 | 贵州医科大学附属医院 | 一种脑卒中患者预警系统 |
CN215019838U (zh) * | 2021-04-20 | 2021-12-07 | 嘉兴市第二医院 | 一种脑卒中单侧空间忽略红外感应振动提醒训练眼镜 |
CN115185365A (zh) * | 2021-12-16 | 2022-10-14 | 广东技术师范大学 | 一种无线控制的眼睛控制系统及其控制方法 |
CN114488572A (zh) * | 2022-03-04 | 2022-05-13 | 深圳市必爱智能生命科技有限公司 | 一种多路ppg结合眼部扫描的数字智能眼镜 |
Also Published As
Publication number | Publication date |
---|---|
CN115862300A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210169321A1 (en) | Smartphone-based handheld ophthalmic examination devices | |
US20110176106A1 (en) | Portable eye monitoring device and methods for using the same | |
US11786117B2 (en) | Mobile device application for ocular misalignment measurement | |
US20080192202A1 (en) | Device and Method for Investigating Changes in the Eye | |
WO2014182769A1 (en) | Automated and non-mydriatic fundus-perimetry camera for irreversible eye diseases | |
US8911090B2 (en) | System for at-home eye movement monitoring | |
KR102344493B1 (ko) | 인공 지능 기반의 스마트 안진 검사 시스템, 방법 및 프로그램 | |
KR101637314B1 (ko) | 안구 촬영 장치 및 방법 | |
Lakshminarayanan et al. | " Smartphone Science" in Eye Care and Medicine | |
CN115862300B (zh) | 监控脑卒中风险预警方法和脑卒中风险预警的智能眼镜 | |
KR102283939B1 (ko) | 안구촬영장치 | |
JP2023509522A (ja) | 着用可能な眼振検出デバイスおよびその使用方法 | |
KR20220079076A (ko) | 인공지능 기반 치매 조기 진단 플랫폼 | |
KR101887375B1 (ko) | 눈의 망막과 공막의 혈관을 촬영하는 촬영장치 및 이를 이용하여 진단하는 방법 | |
US11510583B2 (en) | Diagnostic mask and method | |
JP7099768B1 (ja) | めまいの診断装置並びに遠隔めまい診断プログラム及びシステム | |
CN218943312U (zh) | 一种便携式儿童眼科检查仪 | |
US20230172507A1 (en) | Method, System and Apparatus for Investigating or Assessing Eye or Pupil Movement | |
KR102204112B1 (ko) | 동공과 홍채를 이용한 이석증 질병예측정보를 제공하는 방법 | |
AU2005301087A1 (en) | Devic and method for investigating changes in the eye | |
CN115624317A (zh) | 耳石症的一种人工智能诊疗方法 | |
CN115916031A (zh) | 圆锥角膜及散光等的简易诊断辅助装置以及诊断辅助系统 | |
CN117204804A (zh) | 一种便携式儿童眼科检查仪 | |
KR20210068371A (ko) | 호흡 패턴을 기반으로, 기억력 정보 및 반응 속도 정보를 이용한 경도인지 장애 진단 및 훈련 시스템 | |
CN116058809A (zh) | 可佩戴式智能检测设备及管理系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |