CN116026493A - 核心体温检测方法及电子设备 - Google Patents
核心体温检测方法及电子设备 Download PDFInfo
- Publication number
- CN116026493A CN116026493A CN202210756427.9A CN202210756427A CN116026493A CN 116026493 A CN116026493 A CN 116026493A CN 202210756427 A CN202210756427 A CN 202210756427A CN 116026493 A CN116026493 A CN 116026493A
- Authority
- CN
- China
- Prior art keywords
- temperature
- core body
- body temperature
- prediction model
- environment
- 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
Links
- 230000036757 core body temperature Effects 0.000 title claims abstract description 207
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000015654 memory Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000001133 acceleration Effects 0.000 description 15
- 230000036760 body temperature Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000002631 hypothermal effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000037396 body weight Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000028016 temperature homeostasis Effects 0.000 description 2
- 206010020843 Hyperthermia Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000009982 effect on human Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036031 hyperthermia Effects 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035485 pulse pressure Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请提供了一种核心体温检测方法及电子设备。该方法包括:接收目标人体的皮肤温度和相对环境温度;接收目标人体的核心体温相关因素的第一数据;根据皮肤温度、相对环境温度和第一数据,确定目标人体当前的核心体温。这样,在核心体温检测过程中综合考虑了核心体温相关因素的数据对核心体温的影响,提高了核心体温检测的准确性。
Description
技术领域
本申请涉及终端设备领域,尤其涉及一种核心体温检测方法及电子设备。
背景技术
体温是人体四大生命体征(呼吸、体温、脉搏、血压)之一,对人体有着很重要的作用。人体有体温调节中枢,体温受体温调节中枢的影响,使体温维持在一定范围之内。体温过高或者过低都会对身体造成一定的影响。
当前,市场上基于穿戴设备的核心体温检测的结果准确性较低。
发明内容
为了解决上述技术问题,本申请提供一种核心体温检测方法及电子设备,在核心体温检测过程中综合考虑了核心体温相关因素的数据对核心体温的影响,提高了核心体温检测的准确性。
第一方面,本申请提供一种核心体温检测方法。该方法应用于电子设备。该方法包括:接收目标人体的皮肤温度和相对环境温度;接收目标人体的核心体温相关因素的第一数据;根据皮肤温度、相对环境温度和第一数据,确定目标人体当前的核心体温。这样,在核心体温检测过程中综合考虑了核心体温相关因素的数据对核心体温的影响,提高了核心体温检测的准确性。
根据第一方面,根据皮肤温度、相对环境温度和第一数据,确定目标人体当前的核心体温,包括:将皮肤温度、相对环境温度和第一数据输入已训练好的核心体温预测模型,以由核心体温预测模型输出目标人体当前的核心体温。这样,利用训练好的机器学习模型确定核心体温,既准确又快速。
根据第一方面,将皮肤温度、相对环境温度和第一数据输入已训练好的核心体温预测模型,以由核心体温预测模型输出目标人体当前的核心体温之前,还包括:接收当前的环境温度;根据环境温度,确定目标核心体温预测模型;将皮肤温度、相对环境温度和第一数据输入已训练好的核心体温预测模型,以由核心体温预测模型输出目标人体当前的核心体温,包括:将皮肤温度、相对环境温度和第一数据输入已训练好的目标核心体温预测模型,以由目标核心体温预测模型输出目标人体当前的核心体温。这样,可以根据环境温度的不同,采用不同的模型预测人的核心体温,使得核心体温检测结果更加准确。
根据第一方面,根据环境温度,确定目标核心体温预测模型,包括:当环境温度大于或等于第一温度值且小于或等于第二温度值,将已训练好的常温环境核心体温预测模型确定为目标核心体温预测模型;第二温度值大于第一温度值;其中,常温环境核心体温预测模型是根据人体在常温环境中的皮肤温度、相对环境温度、核心体温相关因素的数据和核心体温训练得到的,常温环境是指环境温度大于或等于第一温度值且小于或等于第二温度值的环境。这样,当环境温度属于常温时,采用常温环境中训练得到的核心体温预测模型预测人的核心体温,使得核心体温检测结果更加准确。
根据第一方面,根据环境温度,确定目标核心体温预测模型,包括:当环境温度小于第一温度值,将已训练好的低温环境核心体温预测模型确定为目标核心体温预测模型;其中,低温环境核心体温预测模型是根据人体在低温环境中的皮肤温度、相对环境温度、核心体温相关因素的数据和核心体温训练得到的,低温环境是指环境温度小于第一温度值的环境。这样,当环境温度属于低温时,采用低温环境中训练得到的核心体温预测模型预测人的核心体温,使得核心体温检测结果更加准确。
根据第一方面,根据环境温度,确定目标核心体温预测模型,包括:当环境温度大于第二温度值,将已训练好的高温环境核心体温预测模型确定为目标核心体温预测模型;其中,高温环境核心体温预测模型是根据人体在高温环境中的皮肤温度、相对环境温度、核心体温相关因素的数据和核心体温训练得到的,高温环境是指环境温度大于第二温度值的环境。这样,当环境温度属于高温时,采用高温环境中训练得到的核心体温预测模型预测人的核心体温,使得核心体温检测结果更加准确。
根据第一方面,根据皮肤温度、相对环境温度和第一数据,确定目标人体当前的核心体温之前,还包括:根据皮肤温度和相对环境温度确定当前是否已达到温度平衡;如果当前已达到温度平衡,执行根据皮肤温度、相对环境温度和第一数据,确定目标人体当前的核心体温的步骤。这样,在温度平衡的情况下进行核心体温的预测,可以避免干扰,获得准确的核心体温数据。
根据第一方面,根据皮肤温度和相对环境温度确定当前是否已达到温度平衡,包括:根据皮肤温度确定目标人体在第一时间段内的第一温度变化率;根据相对环境温度确定目标人体在第一时间段内的第二温度变化率;判断第一温度变化率是否小于第一阈值,以及判断第二温度变化率是否小于第二阈值;如果第一温度变化率小于第一阈值,且第二温度变化率小于第二阈值,确定当前已达到温度平衡。这样,可以准确地确定是否已达到温度平衡,以方便选择进行核心体温预测的时机。
根据第一方面,核心体温相关因素包括如下因素中的任意一个或多个:目标人体的心率;目标人体的运动速率;目标人体的身体质量指数BMI。这样,通过将心率、运动速率、BMI作为预测核心体温的因素,可以提供核心体温检测结果的准确性。
根据第一方面,核心体温预测模型为门控循环单元GRU网络模型或长短期记忆网络LSTM网络模型。这样,可以利用GRU网络模型或LSTM网络模型快速准确地预测核心体温。
根据第一方面,电子设备为智能耳机、智能手表或智能手环。这样,可以利用可穿戴设备方便地获取各种与核心体温相关的数据,从而方便地确定核心体温。
第二方面,本申请提供一种电子设备,包括:存储器和处理器,存储器与处理器耦合;存储器存储有程序指令,当程序指令由所述处理器执行时,使得电子设备执行第一方面任意一项所述的核心体温检测方法。
第三方面,本申请提供一种计算机可读存储介质,包括计算机程序,当计算机程序在电子设备上运行时,使得电子设备执行前述的第一方面任意一项所述的核心体温检测方法。
附图说明
图1为示例性示出的电子设备100的结构示意图;
图2为示例性示出的本申请实施例的电子设备100的软件结构框图;
图3为示例性示出的电子设备中各个传感器的位置示意图;
图4为示例性示出的核心体温检测方法的一种流程示例图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
本申请实施例的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同的对象,而不是用于描述对象的特定顺序。例如,第一目标对象和第二目标对象等是用于区别不同的目标对象,而不是用于描述目标对象的特定顺序。
在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,除非另有说明,“多个”的含义是指两个或两个以上。例如,多个处理单元是指两个或两个以上的处理单元;多个系统是指两个或两个以上的系统。
相关技术中,核心体温的检测结果是以人体的皮肤温度为依据生成的。这种检测方式比较粗糙,检测结果的准确性较低,对于疾病预警、协助诊断等依赖核心体温数据的应用不能提供有价值的参考。
本申请实施例提供一种核心体温检测方法,综合考虑核心体温相关因素的数据来检测核心体温,提高了核心体温检测的准确性。
本申请实施例中的核心体温检测方法可以应用于电子设备,例如智能耳机、智能手表、智能手环等电子设备。该电子设备的结构可以如图1所示。
图1为示例性示出的电子设备100的结构示意图。应该理解的是,图1所示电子设备100仅是电子设备的一个范例,并且电子设备100可以具有比图中所示的更多的或者更少的部件,可以组合两个或多个的部件,或者可以具有不同的部件配置。图1中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
请参见图1,电子设备100可以包括:处理器110,内部存储器121,通用串行总线(universal serial bus,USB)接口130,充电管理模块140,电源管理模块141,电池142,天线1,天线2,移动通信模块150,无线通信模块160,音频模块170,扬声器170A,受话器170B,麦克风170C,耳机接口170D,传感器模块180,指示器192,摄像头193等。
处理器110可以包括一个或多个处理单元,例如:处理器110可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(graphics processingunit,GPU),图像信号处理器(image signal processor,ISP),控制器,存储器,视频编解码器,数字信号处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器(neural-network processing unit,NPU)等。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。
其中,控制器可以是电子设备100的神经中枢和指挥中心。控制器可以根据指令操作码和时序信号,产生操作控制信号,完成取指令和执行指令的控制。
处理器110中还可以设置存储器,用于存储指令和数据。在一些实施例中,处理器110中的存储器为高速缓冲存储器。
其中,传感器模块180可以包括温度传感器180J、加速度传感器180E、PPG(Photoelectric Plethysmography,光电容积描记)传感器等。其中,PPG传感器也称为心率传感器。
其中,温度传感器180J用于检测温度。本实施例中,电子设备中设置了3个温度传感器,其中。一个温度传感器作为皮肤温度传感器,设置在电子设备直接可以贴合到皮肤的位置,用于测量皮肤温度T1;第二个温度传感器作为相对环境温度传感器,设置在皮肤温度传感器正上方垂直于皮肤的位置,用于测量相对环境温度T2;第三个温度传感器作为环境温度传感器,设置在贴合电子设备外壳接触空气的位置,用于测量空气中的环境温度。三个温度传感器均与电子设备内部电池、芯片等会产生热源的位置隔绝。
加速度传感器180E可检测电子设备100在各个方向上(一般为三轴)加速度的大小。当电子设备100静止时可检测出重力的大小及方向。还可以用于识别电子设备姿态,应用于横竖屏切换,计步器等应用。本申请实施例中,可以使用加速度传感器180E来检测用户的运动速率。
其中,PPG传感器设置在贴合电子设备外壳接触皮肤的位置,用于计算心率HR(Heart Rate)。
其中,电子设备100的软件系统可以采用分层架构、事件驱动架构、微核架构、微服务架构,或云架构。本申请实施例以分层架构的安卓(Android)系统为例,示例性说明电子设备100的软件结构。
图2为示例性示出的本申请实施例的电子设备100的软件结构框图。
电子设备100的分层架构将软件分成若干个层,每一层都有清晰的角色和分工。层与层之间通过软件接口通信。在一些实施例中,Android系统可以包括应用程序层、应用程序框架层、系统层以及内核层等。
应用程序层可以包括一系列应用程序包。
如图2所示,电子设备100的应用程序层的应用程序包可以包括WLAN(WirelessLocal Area Networks,无线局域网络)、核心体温检测模块等应用程序。
其中,核心体温检测模块用于执行本申请实施例的核心体温检测方法。
如图2所示,应用程序框架层可以包括资源管理器等应用程序。
其中,资源管理器为应用程序提供各种资源。
如图2所示,系统库可以包括多个功能模块。例如:安卓运行时等。
内核层是硬件和软件之间的层。
如图2所示,内核层可以包括传感器驱动等。
可以理解的是,图2示出的软件结构中的层以及各层中包含的部件,并不构成对电子设备100的具体限定。在本申请另一些实施例中,电子设备100可以包括比图示更多或更少的层,以及每个层中可以包括更多或更少的部件,本申请不做限定。
下面通过实施例,对本申请进行详细说明。
图3为示例性示出的电子设备中各个传感器的位置示意图。请参见图3,皮肤温度传感器设置在电子设备直接可以贴合到皮肤的位置,相对环境温度传感器设置在皮肤温度传感器正上方垂直于皮肤的位置,环境温度传感器设置在不贴合皮肤但贴合电子设备外壳接触空气的位置。皮肤温度传感器、相对环境温度传感器、环境温度传感器均与电子设备内部电池、芯片等会产生热源的位置隔绝。
请继续参见图3,其中,加速度传感器设置在电子设备中的任意位置,心率传感器设置在贴合电子设备外壳接触皮肤的位置。
图3所示的电子设备可以为智能耳机、智能手表、智能手环等可穿戴设备。
图4为示例性示出的核心体温检测方法的一种流程示例图。如图4所示,本实施例中,核心体温检测方法应用于电子设备,例如智能耳机、智能手表、智能手环等可穿戴设备。其中,电子设备中各个传感器的位置可以参见图3,此处不再赘述。
本实施例以检测用户A的核心体温为例,说明核心体温检测的过程。图4中的各个步骤可以由电子设备中的处理器执行。请参见图4,本实施例中,核心体温检测方法的处理过程可以包括如下步骤:
S401、接收用户A的皮肤温度。
用户A穿戴具有图3所示各个传感器的电子设备,电子设备中的皮肤温度传感器可以采集用户A的皮肤温度T1。电子设备中的处理器可以读取皮肤温度传感器采集的皮肤温度T1。
S402、接收用户A的相对环境温度。
电子设备中的相对环境温度传感器可以采集用户A的相对环境温度T2。电子设备中的处理器可以读取相对环境温度传感器采集的相对环境温度T2。
在一个示例中,在电子设备中的处理器读取皮肤温度数据和相对环境温度数据之前,可以对皮肤温度传感器采集的皮肤温度数据和相对环境温度传感器采集的相对环境温度数据使用滤波器进行滤波,以滤除皮肤温度数据和相对环境温度数据中的异常数据,从而确保核心体温预测的准确性。
电子设备中的处理器可以读取滤波之后所得到皮肤温度数据和相对环境温度数据中的的正常数据,用来预测核心体温。
S403、接收用户A的身高信息和体重信息,根据身高信息和体重信息确定用户A的BMI(Body Mass Index,身体质量指数)。
其中,BMI=体重÷身高2
即身体质量指数等于体重除以身高的平方所得的商,体重的单位是千克,身高的单位是米。
人体的胖瘦程度与核心体温之间存在相关的关系,而BMI可以用于衡量人体的胖瘦程度。本申请实施例通过将BMI作为确定人体核心体温的因素之一,可以使核心体温检测结果更加准确。
用户A的身高信息和体重信息可以由用户通过安装在手机等设备上的APP输入到APP中,然后手机等设备可以通过该APP与执行本申请实施例的核心体温检测方法的电子设备(如智能手表、智能耳机等)进行连接,将用户的身高信息和体重信息传输到执行本申请实施例的核心体温检测方法的电子设备中。
S404、接收用户A的加速度数据,根据用户A的加速度数据确定用户A的运动速率。
电子设备中的加速度传感器可以采集用户A的加速度数据。电子设备中的处理器可以读取加速度传感器采集的加速度数据。
一般来说,同一个人在同一个环境内,静止时候的核心体温与运动时候的核心体温也是不同的,运动状态会导致体温上升。不同的运动状态可通过运动速率V进行衡量。本申请实施例通过将运动速率作为确定人体核心体温的因素之一,可以使核心体温检测结果更加准确。
用户的运动速率V可以根据用户A的加速度数据计算得到,可以采用相关技术中的计算方式由加速度数据计算得到运动速率V,此处不再赘述。
S405、接收用户A的心率数据。
电子设备中的心率传感器可以采集用户A的心率数据。电子设备中的处理器可以读取心率传感器采集的心率数据。
心率HR和人体的核心体温之间有相关的关系,例如核心体温越高,心率越快。
本申请实施例通过将BMI作为确定人体核心体温的因素之一,可以使核心体温检测结果更加准确。
S406、接收当前的环境温度。
电子设备中的环境温度传感器可以采集环境温度T3。电子设备中的处理器可以读取环境温度传感器采集的环境温度T3。
同一个人在不同环境温度下保持同一个状态,其核心体温可能是不变的,但是环境温度降低会导致皮肤温度和相对环境温度降低,环境温度升高会导致皮肤温度和相对环境温度升高,单纯依赖皮肤温度和相对环境温度的变化无法消除环境温度变化带来的影响。因此,本申请实施例根据不同的环境温度,使用不同的核心体温预测模型来预测核心体温,会实现更好的预测效果。
根据环境温度的不同,可以将环境划分为低温环境、高温环境和常温环境。
其中,低温环境是指温度低于人体舒适程度的环境,一般可以取18摄氏度以下的温度。高温环境是指温度超过人体舒适程度的环境,一般可以取24摄氏度以上的温度。常温环境即人体最舒适的温度,例如常温环境对应的环境温度范围可以为18摄氏度至24摄氏度。在常温环境下,人体核心体温和环境温度较为平衡。
其中,步骤S401至S406中各个步骤的顺序可以任意调整,本申请实施例对步骤S401至S406中各个步骤的执行顺序不作限定。
S407、根据用户A的皮肤温度和相对环境温度确定当前是否已达到温度平衡,如果是,执行步骤S408,否则返回步骤S401。
在一个示例中,根据皮肤温度和相对环境温度确定当前是否已达到温度平衡,可以包括:
根据皮肤温度确定目标人体在第一时间段内的第一温度变化率;
根据相对环境温度确定目标人体在第一时间段内的第二温度变化率;
判断第一温度变化率是否小于第一阈值,以及判断第二温度变化率是否小于第二阈值;
如果第一温度变化率小于第一阈值,且第二温度变化率小于第二阈值,确定当前已达到温度平衡。
如果第一温度变化率大于或等于第一阈值,或者第二温度变化率大于或等于于第二阈值,可以确定当前还未达到温度平衡。如果当前还未达到温度平衡,不进行核心体温的预测。未达到温度平衡时,核心体温的预测结果偏差会比较大,准确性低。本申请实施例通过温度平衡的判断确定是否进行核心体温预测,可以提高核心体温检测结果的准确性。核心体温的预测是指利用核心体温预测模型得到核心体温检测结果。
这里通过一个示例说明第一温度变化率和第二温度变化率的确定方式。
例如,在t1时刻,用户A的皮肤温度为T11;在t2时刻,用户A的皮肤温度为T12,t2大于t1;在t1时刻,用户A的相对环境温度为T21;在t2时刻,用户A的相对环境温度为T22,t2大于t1。那么,用户A的第一温度变化率=(T12-T11)/(t2-t1),用户A的第一温度变化率=(T22-T21)/(t2-t1)。
其中,第一阈值和第二阈值可以根据实际应用确定。
S408、将用户A的皮肤温度、相对环境温度、BMI、加速度数据和心率数据进行融合,得到融合数据。
本步骤中的融合是指,将皮肤温度、相对环境温度、BMI、加速度数据和心率数据,按照核心体温预测模型的输入数据格式要求组织起来。
S409、判断环境温度T3是否小于第一温度值,如果是,执行步骤S412,否则执行步骤S410。
在一个示例中,第一温度值可以为18摄氏度。当然,这个数值仅为列举的示例,本实施例对第一温度值的具体取值不作限定。
S410、判断环境温度T3是否大于第二温度值,如果是,执行步骤S413,否则执行步骤S411。
其中,第二温度值大于第一温度值。
在一个示例中,第二温度值可以为24摄氏度。当然,这个数值仅为列举的示例,本申请实施例对第二温度值的具体取值不作限定。
S411、将融合数据输入已训练好的常温环境核心体温预测模型,由常温环境核心体温预测模型输出用户A的核心体温,结束。
其中,常温核心体温预测模型可以为GRU(Gated Recurrent Unit,门控循环单元)网络模型或LSTM(Long Short-Term Memory,长短期记忆网络)网络模型。
S412、将融合数据输入已训练好的低温环境核心体温预测模型,由低温环境核心体温预测模型输出用户A的核心体温,结束。
其中,低温核心体温预测模型可以为GRU网络模型或LSTM网络模型。
S413、将融合数据输入已训练好的高温环境核心体温预测模型,由高温环境核心体温预测模型输出用户A的核心体温,结束。
其中,高温核心体温预测模型可以为GRU网络模型或LSTM网络模型。
其中,不同环境温度下的核心体温预测模型可以采用同一种类的网络模型、但网络模型的参数不同。
例如,常温核心体温预测模型、低温核心体温预测模型和常温核心体温预测模型可以都采用GRU网络模型,但作为常温核心体温预测模型的GRU网络模型与作为低温核心体温预测模型的GRU网络模型,以及作为高温核心体温预测模型的GRU网络模型的参数值不同。
其中,常温核心体温预测模型的训练过程可以包括:
创建核心体温预测模型,并初始化核心体温预测模型的参数值;
采集若干组样本数据,其中每一组样本数据可以包括:同一用户在常温环境下的皮肤温度、相对环境温度、BMI、运动速率、心率和作为标签数据的核心体温;
利用采集的样本数据对核心体温预测模型进行训练,得到训练好的常温核心体温预测模型。
其中,低温核心体温预测模型的训练过程可以包括:
创建核心体温预测模型,并初始化核心体温预测模型的参数值;
采集若干组样本数据,其中每一组样本数据可以包括:同一用户在低温环境下的皮肤温度、相对环境温度、BMI、运动速率、心率和作为标签数据的核心体温;
利用采集的样本数据对核心体温预测模型进行训练,得到训练好的低温核心体温预测模型。
其中,高温核心体温预测模型的训练过程可以包括:
创建核心体温预测模型,并初始化核心体温预测模型的参数值;
采集若干组样本数据,其中每一组样本数据可以包括:同一用户在高温环境下的皮肤温度、相对环境温度、BMI、运动速率、心率和作为标签数据的核心体温;
利用采集的样本数据对核心体温预测模型进行训练,得到训练好的高温核心体温预测模型。
在一个示例中,用户点击电子设备进行单次核心体温检测。此时,电子设备执行一次图4所示流程,实时获取核心体温数据。并且当核心体温数据显示核心体温异常时,电子设备可以发出异常体温提醒。
在另一个示例中,用户可以设置周期性的核心体温检测。此时,电子设备每隔一个周期,执行一次图4所示流程,这样就可以长期监测用户的核心体温,为疾病预警、协助诊断提供有价值的参考。
需要说明的是,尽管图4所示实施例中,在检测核心体温时考虑了BMI、运动速率、心率的影响,但在本申请其他实施例中,也可以将BMI、运动速率、心率中的任意一个或两个作为影响核心体温的因素来检测核心体温,或者将BMI、运动速率、心率之外的其他的因素作为影响核心体温的因素来检测核心体温,本申请对此不作限制。
本申请实施例还提供一种电子设备,该电子设备包括存储器和处理器,存储器与处理器耦合,存储器存储有程序指令,当程序指令由所述处理器执行时,使得电子设备前述电子设备所执行的核心体温检测方法。
可以理解的是,电子设备为了实现上述功能,其包含了执行各个功能相应的硬件和/或软件模块。结合本文中所公开的实施例描述的各示例的算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以结合实施例对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本实施例还提供一种计算机存储介质,该计算机存储介质中存储有计算机指令,当该计算机指令在电子设备上运行时,使得电子设备执行上述相关方法步骤实现上述实施例中的核心体温检测方法。
本实施例还提供了一种计算机程序产品,当该计算机程序产品在计算机上运行时,使得计算机执行上述相关步骤,以实现上述实施例中的核心体温检测方法。
另外,本申请实施例还提供一种装置,这个装置具体可以是芯片,组件或模块,该装置可包括相连的处理器和存储器;其中,存储器用于存储计算机执行指令,当装置运行时,处理器可执行存储器存储的计算机执行指令,以使芯片执行上述各方法实施例中的核心体温检测方法。
其中,本实施例提供的电子设备、计算机存储介质、计算机程序产品或芯片均用于执行上文所提供的对应的方法,因此,其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果,此处不再赘述。
通过以上实施方式的描述,所属领域的技术人员可以了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
本申请各个实施例的任意内容,以及同一实施例的任意内容,均可以自由组合。对上述内容的任意组合均在本申请的范围之内。
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,可以存储在一个可读取存储介质中。基于这样的理解,本申请实施例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个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例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。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
结合本申请实施例公开内容所描述的方法或者算法的步骤可以硬件的方式来实现,也可以是由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成,软件模块可以被存放于随机存取存储器(Random Access Memory,RAM)、闪存、只读存储器(Read Only Memory,ROM)、可擦除可编程只读存储器(Erasable Programmable ROM,EPROM)、电可擦可编程只读存储器(Electrically EPROM,EEPROM)、寄存器、硬盘、移动硬盘、只读光盘(CD-ROM)或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本申请实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (13)
1.一种核心体温检测方法,其特征在于,应用于电子设备,包括:
接收目标人体的皮肤温度和相对环境温度;
接收目标人体的核心体温相关因素的第一数据;
根据所述皮肤温度、所述相对环境温度和所述第一数据,确定目标人体当前的核心体温。
2.根据权利要求1所述的方法,其特征在于,根据所述皮肤温度、所述相对环境温度和所述第一数据,确定目标人体当前的核心体温,包括:
将所述皮肤温度、所述相对环境温度和所述第一数据输入已训练好的核心体温预测模型,以由核心体温预测模型输出目标人体当前的核心体温。
3.根据权利要求2所述的方法,其特征在于,将所述皮肤温度、所述相对环境温度和所述第一数据输入已训练好的核心体温预测模型,以由核心体温预测模型输出目标人体当前的核心体温之前,还包括:
接收当前的环境温度;
根据所述环境温度,确定目标核心体温预测模型;
将所述皮肤温度、所述相对环境温度和所述第一数据输入已训练好的核心体温预测模型,以由核心体温预测模型输出目标人体当前的核心体温,包括:
将所述皮肤温度、所述相对环境温度和所述第一数据输入已训练好的目标核心体温预测模型,以由目标核心体温预测模型输出目标人体当前的核心体温。
4.根据权利要求3所述的方法,其特征在于,根据所述环境温度,确定目标核心体温预测模型,包括:
当所述环境温度大于或等于第一温度值且小于或等于第二温度值,将已训练好的常温环境核心体温预测模型确定为目标核心体温预测模型;所述第二温度值大于所述第一温度值;
其中,常温环境核心体温预测模型是根据人体在常温环境中的皮肤温度、相对环境温度、核心体温相关因素的数据和核心体温训练得到的,常温环境是指环境温度大于或等于第一温度值且小于或等于第二温度值的环境。
5.根据权利要求3所述的方法,其特征在于,根据所述环境温度,确定目标核心体温预测模型,包括:
当所述环境温度小于第一温度值,将已训练好的低温环境核心体温预测模型确定为目标核心体温预测模型;
其中,低温环境核心体温预测模型是根据人体在低温环境中的皮肤温度、相对环境温度、核心体温相关因素的数据和核心体温训练得到的,低温环境是指环境温度小于第一温度值的环境。
6.根据权利要求3所述的方法,其特征在于,根据所述环境温度,确定目标核心体温预测模型,包括:
当所述环境温度大于第二温度值,将已训练好的高温环境核心体温预测模型确定为目标核心体温预测模型;
其中,高温环境核心体温预测模型是根据人体在高温环境中的皮肤温度、相对环境温度、核心体温相关因素的数据和核心体温训练得到的,高温环境是指环境温度大于第二温度值的环境。
7.根据权利要求1所述的方法,其特征在于,根据所述皮肤温度、所述相对环境温度和所述第一数据,确定目标人体当前的核心体温之前,还包括:
根据所述皮肤温度和所述相对环境温度确定当前是否已达到温度平衡;
如果当前已达到温度平衡,执行根据所述皮肤温度、所述相对环境温度和所述第一数据,确定目标人体当前的核心体温的步骤。
8.根据权利要求7所述的方法,其特征在于,根据所述皮肤温度和所述相对环境温度确定当前是否已达到温度平衡,包括:
根据所述皮肤温度确定所述目标人体在第一时间段内的第一温度变化率;
根据所述相对环境温度确定所述目标人体在所述第一时间段内的第二温度变化率;
判断所述第一温度变化率是否小于第一阈值,以及判断所述第二温度变化率是否小于第二阈值;
如果所述第一温度变化率小于所述第一阈值,且所述第二温度变化率小于所述第二阈值,确定当前已达到温度平衡。
9.根据权利要求1所述的方法,其特征在于,所述核心体温相关因素包括如下因素中的任意一个或多个:
目标人体的心率;
目标人体的运动速率;
目标人体的身体质量指数BMI。
10.根据权利要求1所述的方法,其特征在于,所述核心体温预测模型为门控循环单元GRU网络模型或长短期记忆网络LSTM网络模型。
11.根据权利要求1所述的方法,其特征在于,所述电子设备为智能耳机、智能手表或智能手环。
12.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器与所述处理器耦合;
所述存储器存储有程序指令,当所述程序指令由所述处理器执行时,使得所述电子设备执行权利要求1-11中任意一项所述的核心体温检测方法。
13.一种计算机可读存储介质,包括计算机程序,其特征在于,当所述计算机程序在电子设备上运行时,使得所述电子设备执行如权利要求1-11中任意一项所述的核心体温检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210756427.9A CN116026493B (zh) | 2022-06-30 | 2022-06-30 | 核心体温检测方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210756427.9A CN116026493B (zh) | 2022-06-30 | 2022-06-30 | 核心体温检测方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116026493A true CN116026493A (zh) | 2023-04-28 |
CN116026493B CN116026493B (zh) | 2024-04-05 |
Family
ID=86078334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210756427.9A Active CN116026493B (zh) | 2022-06-30 | 2022-06-30 | 核心体温检测方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116026493B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101112306A (zh) * | 2007-06-27 | 2008-01-30 | 杨福生 | 无创体核温度测量的方法、装置和标定设备及其标定方法 |
US20080300819A1 (en) * | 2007-06-02 | 2008-12-04 | Drager Safety Ag & Co. Kgaa | Device and method for measuring the body temperature of a living being |
CN112781753A (zh) * | 2021-01-07 | 2021-05-11 | 深圳市博陆科电子科技有限公司 | 一种人体温度监测方法、装置、电子设备及存储介质 |
CN113167657A (zh) * | 2018-11-27 | 2021-07-23 | 皇家飞利浦有限公司 | 基于通量测量结果的核心体温传感器系统 |
CN113520333A (zh) * | 2020-04-13 | 2021-10-22 | 广东小天才科技有限公司 | 核心体温的确定方法、装置、设备及可读介质 |
CN113545756A (zh) * | 2020-04-02 | 2021-10-26 | 广东小天才科技有限公司 | 核心体温的测量方法、装置、可穿戴设备及存储介质 |
CN113576423A (zh) * | 2020-04-15 | 2021-11-02 | 广东小天才科技有限公司 | 一种核心体温的确定方法、装置、设备及存储介质 |
CN114235210A (zh) * | 2021-11-16 | 2022-03-25 | 中国科学院深圳先进技术研究院 | 一种核心体温测量方法和装置 |
-
2022
- 2022-06-30 CN CN202210756427.9A patent/CN116026493B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080300819A1 (en) * | 2007-06-02 | 2008-12-04 | Drager Safety Ag & Co. Kgaa | Device and method for measuring the body temperature of a living being |
CN101112306A (zh) * | 2007-06-27 | 2008-01-30 | 杨福生 | 无创体核温度测量的方法、装置和标定设备及其标定方法 |
CN113167657A (zh) * | 2018-11-27 | 2021-07-23 | 皇家飞利浦有限公司 | 基于通量测量结果的核心体温传感器系统 |
CN113545756A (zh) * | 2020-04-02 | 2021-10-26 | 广东小天才科技有限公司 | 核心体温的测量方法、装置、可穿戴设备及存储介质 |
CN113520333A (zh) * | 2020-04-13 | 2021-10-22 | 广东小天才科技有限公司 | 核心体温的确定方法、装置、设备及可读介质 |
CN113576423A (zh) * | 2020-04-15 | 2021-11-02 | 广东小天才科技有限公司 | 一种核心体温的确定方法、装置、设备及存储介质 |
CN112781753A (zh) * | 2021-01-07 | 2021-05-11 | 深圳市博陆科电子科技有限公司 | 一种人体温度监测方法、装置、电子设备及存储介质 |
CN114235210A (zh) * | 2021-11-16 | 2022-03-25 | 中国科学院深圳先进技术研究院 | 一种核心体温测量方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116026493B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10031491B2 (en) | Adaptive sensor data selection and sampling based on current and future context | |
US20210085221A1 (en) | Activity Recognition Using Accelerometer Data | |
CN105595976B (zh) | 基于可穿戴设备的提醒方法以及可穿戴设备 | |
CN105632101A (zh) | 一种人体防跌倒预警方法及系统 | |
Ngu et al. | Fall detection using smartwatch sensor data with accessor architecture | |
CN106456060B (zh) | 活动量测定装置和活动量测定方法 | |
US20240264197A1 (en) | Sensor Data Processing Method, Electronic Device, and Readable Storage Medium | |
Spasova et al. | A survey on automatic fall detection in the context of ambient assisted living systems | |
CN108158591A (zh) | 检测摔倒的方法及装置 | |
CN108810272A (zh) | 基于移动终端多传感器的行为识别模型训练方法及装置 | |
US11596764B2 (en) | Electronic device and method for providing information for stress relief by same | |
CN105243787A (zh) | 一种老年人跌倒报警系统、报警方法及报警器 | |
CN106730761A (zh) | 一种运动数据管理方法及装置、用户设备 | |
Fujinami et al. | Design and Implementation of an On-body Placement-aware Smartphone | |
CN116026493B (zh) | 核心体温检测方法及电子设备 | |
CN104754301A (zh) | 具近端看护功能及云端传送的自动监视系统 | |
Pascoal et al. | Activity recognition in outdoor sports environments: smart data for end-users involving mobile pervasive augmented reality systems | |
KR102012804B1 (ko) | 사용자 행위를 인지하는 방법, 장치 및 컴퓨터 프로그램 | |
JP2020194206A (ja) | 学習方法、運転支援方法、学習プログラム、運転支援プログラム、学習装置、運転支援システム及び学習システム | |
CN109364454A (zh) | 踏频分析方法、装置、可穿戴设备及系统 | |
CN112834047A (zh) | 一种可穿戴式温度监测设备、温度监测方法及存储介质 | |
US20170245782A1 (en) | Impairment detection with environmental considerations | |
CN117426758B (zh) | 一种基于多传感信息融合的智慧服装系统及方法 | |
CN105046881A (zh) | 一种老年人跌倒报警器 | |
WO2023109550A1 (zh) | 体温测量方法及电子设备 |
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 |