CN116543903B - 一种酒精浓度预测方法及酒精浓度预测装置 - Google Patents
一种酒精浓度预测方法及酒精浓度预测装置 Download PDFInfo
- Publication number
- CN116543903B CN116543903B CN202310493143.XA CN202310493143A CN116543903B CN 116543903 B CN116543903 B CN 116543903B CN 202310493143 A CN202310493143 A CN 202310493143A CN 116543903 B CN116543903 B CN 116543903B
- Authority
- CN
- China
- Prior art keywords
- alcohol
- user
- concentration
- parameters
- physical
- 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
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 239000008280 blood Substances 0.000 claims abstract description 9
- 210000004369 blood Anatomy 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000033001 locomotion Effects 0.000 claims description 38
- 239000007789 gas Substances 0.000 claims description 34
- 230000001133 acceleration Effects 0.000 claims description 26
- 230000035622 drinking Effects 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 5
- 230000036772 blood pressure Effects 0.000 claims description 5
- 230000036760 body temperature Effects 0.000 claims description 5
- 239000001301 oxygen Substances 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- 230000004060 metabolic process Effects 0.000 abstract description 5
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000002503 metabolic effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003444 anaesthetic effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 206010036067 polydipsia Diseases 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/98—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving alcohol, e.g. ethanol in breath
-
- 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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/082—Evaluation by breath analysis, e.g. determination of the chemical composition of exhaled breath
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
Abstract
本发明涉及酒精浓度预测分析技术领域，具体公开了一种酒精浓度预测方法及酒精浓度预测设备，方法包括：获取间隔一个单位时间的若干名实验者的身体指征参数以及对应时刻下的酒精深度标签值；将身体指征参数作为预设的神经网络模型的输入，将酒精深度标签值作为神经网络模型的输出，对神经网络模型进行训练得到网络参数；根据网络参数部署酒精浓度预测模型；获取用户的身体指征参数，并通过酒精浓度预测模型计算对应时刻下用户的酒精深度标签值。本发明基于用户的身体指征参数实现对用户血液酒精含量的测算，使得用户不仅能够了解自身身体状况，还能够了解体内酒精的代谢情况，有助于用户在身体状况允许的情况下适量饮酒，确保用户生命安全。
Description
技术领域
本发明涉及酒精浓度预测分析技术领域，尤其涉及一种酒精浓度预测方法及酒精浓度预测装置。
背景技术
人们饮酒以后，很容易因为酒精的作用使人的身体处于麻醉状态，不仅大脑意识会变得模糊，从而发生很多不利于人身安全的行为，而且醉酒者自身对身体状况的感知也会变得迟钝且不准确，从而在身体发出异常信号的时候无法及时感知而造成遗憾，所以在人们饮酒时以及饮酒后对身体酒精代谢情况进行监测是非常有必要的。
现有最常用且最简洁的方式就是通过酒精检测仪来检测人体呼出的气体中的酒精含量，但是由于酒精检测仪体积大且功能单一，很多人并不愿意专门购买这样的产品并在饮酒时以及饮酒后使用；另外，酒精检测仪只能检测酒精含量，对于大部分人来说，由于每个人酒精代谢能力以及身体状况不同，是无法仅仅依靠酒精含量的数值实现对人体身体状况有一个准确评估的，所以此方式无法满足现代人们对身体状况进行了解的首要需求。
由于人体在摄入酒精后会使血液循环加快、血管扩张、兴奋，心脏引起心肌收缩力增强，因此会导致心跳加速，所以“心率”的变化和人体摄入酒精的含量存在非常直接的关联，且“心率”是一项能够直观体现人体身体状况的重要信息。在此背景下，如果能够根据对人体心率进行监测并进一步获知人体酒精含量情况，则将会很好的解决现有问题。
综上，本领域人员亟需寻找一种新的技术方案来解决上述的问题。
发明内容
针对现有技术中的技术问题，本发明提供一种酒精浓度预测方法及酒精浓度预测装置。
本发明公开了一种酒精浓度预测方法，包括步骤：
获取间隔一个单位时间的若干名实验者的身体指征参数以及对应时刻下的酒精深度标签值；身体指征参数和酒精深度标签值为实验者饮酒之后开始获取；
将身体指征参数作为预设的神经网络模型的输入，将酒精深度标签值作为神经网络模型的输出，对神经网络模型进行训练得到网络参数；
根据网络参数部署酒精浓度预测模型；
获取用户的身体指征参数，并通过酒精浓度预测模型计算对应时刻下用户的酒精深度标签值；
其中，身体指征参数包括心率特征参数，获取心率特征参数包括：
在第一设定时间内获取实验者的N个完整脉搏时长T1～TN；
根据T1～TN计算近似平均值TV、标准差ST以及心率变异性HRV；近似平
构建向量VCT＝[TV1，ST1，HRV1，……，TV2x，ST2x，HRV2x]作为身体指征参数；
酒精深度标签值为：
通过标准酒精测试仪获取饮酒后实验者在特定时刻下的呼出酒精气体浓度；
根据预设的浓度与标签对照表，确定与呼出酒精气体浓度对应的酒精深度标签值；在浓度与标签对照表中，呼出酒精气体浓度为零时对应的酒精深度标签值等于0。
进一步的，身体指征参数还包括运动量参数，获取运动量参数包括：
在第二设定时间内获取实验者的n组三轴加速度值kx、ky、kz，并计算每组三轴加速度值对应的综合加速度值
根据预设的运动偏差计算策略计算第二设定时间对应的运动偏差v；
单位时间为第二设定时间的y倍，y为整数；
构建向量VCT＝[TV1，ST1，HRV1，……，TV2x，ST2x，HRV2x，v1，v2，……，vy]作为身体指征参数；
进一步的，根据预设的运动偏差计算策略计算第二设定时间对应的运动偏差v，包括：
获取第二设定时间内的综合加速度值分别为k1，k2，……，kn；
将k1，k2，……，kn依次与重力加速度g作差得到m1，m2，……，mn；
计算第一运动偏差j∈[1,n]；
将m1，m2，……，mn中大于2*u的值删除，剩余t个值；
通过剩余t个值，并令n＝t，计算运动偏差v。
进一步的，身体指征参数还包括日期参数date和时间参数time，构建向量VCT＝[TV1，ST1，HRV1，……，TV2x，ST2x，HRV2x，v1，v2，……，vy，time，date]作为身体指征参数。
进一步的，身体指征参数还包括性别、年龄、身高、体重、体温、血氧、血压中的一个或多个特征值。
进一步的，若干名实验者具备的条件包括：
(1)成年人员；
(2)男女比例在[0.85,1.25]之间；
(3)年龄近似平均分配于18～60岁之间；
(4)BMI近似平均分配在16～36之间。
本发明还包括一种酒精浓度预测装置，包括身体指征参数获取模块、主控模块以及显示模块，
身体指征参数获取模块，与主控模块相连接，身体指征参数获取模块用于获取用户的身体指征参数；
主控模块，与身体指征参数获取模块、显示模块相连接，主控模块用于通过酒精浓度预测模型预测对应时刻下用户的酒精深度标签值；其中，酒精浓度预测模型为根据网络参数预先部署在主控模块上；网络参数为通过预设的神经网络模型以获取间隔一个单位时间的若干名实验者的身体指征参数作为输入、以获取对应时刻下的酒精深度标签值为输出进行训练得到的，身体指征参数和酒精深度标签值为实验者饮酒之后开始获取的；其中，身体指征参数包括心率特征参数，获取心率特征参数包括：在第一设定时间内获取实验者的N个完整脉搏时长T1～TN；根据T1～TN计算近似平均值TV、标准差ST以及心率变异性
x为整数；构建向量VCT＝[TV1，ST1，HRV1，……，TV2x，ST2x，HRV2x]作为身体指征参数；酒精深度标签值为：通过标准酒精测试仪获取饮酒后实验者在特定时刻下的呼出酒精气体浓度；根据预设的浓度与标签对照表，确定与呼出酒精气体浓度对应的酒精深度标签值；在浓度与标签对照表中，呼出酒精气体浓度为零时对应的酒精深度标签值等于0；
显示模块，与主控模块相连接，显示模块用于显示身体指征参数以及主控模块预测的用户的酒精深度标签值。
进一步的，主控模块还用于根据浓度与标签对照表和预测的用户的酒精深度标签值得出预测的用户呼出酒精气体浓度；显示模块还用于显示预测的用户呼出酒精气体浓度。
进一步的，还包括无线传输模块，无线传输模块与主控模块相连接，无线传输模块用于获取主控模块预测的用户的酒精深度标签值，并向外部设备发送。
进一步的，还包括输入模块，输入模块与主控模块相连接，输入模块用于生成预测指令并发送给主控模块；主控模块用于根据预测指令预测用户的酒精深度标签值。
本发明的酒精浓度预测方法及酒精浓度预测装置，将心率特征参数作为身体指征参数，首先获取间隔一个单位时间的若干名实验者的身体指征参数以及对应时刻下的酒精深度标签值，然后将身体指征参数作为预设的神经网络模型的输入，将酒精深度标签值作为神经网络模型的输出，对神经网络模型进行训练得到网络参数，继而根据网络参数部署酒精浓度预测模型，在获取到用户的身体指征参数之后，就能够通过酒精浓度预测模型计算对应时刻下用户的酒精深度标签值，从而基于用户的身体指征参数实现对用户血液酒精含量的测算，使得用户不仅能够了解自身身体状况，还能够了解体内酒精的代谢情况，有助于用户在身体状况允许的情况下适量饮酒，确保用户生命安全。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明实施例的酒精浓度预测方法的步骤流程图；
图2为本发明实施例的酒精浓度预测装置的结构组成图(一)；
图3为本发明实施例的酒精浓度预测装置的结构组成图(二)；
图4为本发明实施例的酒精浓度预测装置的结构组成图(三)；
图5为本发明实施例的酒精浓度预测装置的结构组成图(四)；
图6为本发明实施例的电子设备的结构组成图。
具体实施方式
下面将结合本发明中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，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。基于本发明中的实施例，本领域普通的技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本发明的保护范围。
本发明实施例的一种酒精浓度预测方法，如图1所示，包括步骤：
步骤S10：获取间隔一个单位时间的若干名实验者的身体指征参数以及对应时刻下的酒精深度标签值。
本实施例中的身体指征参数和酒精深度标签值为实验者饮酒之后开始获取。为了预测结果的准确性，尽量选择数量多的实验者，且对于若干名实验者的选取可依照以下条件：
(1)成年人员；
(2)男女比例在[0.85,1.25]之间；
(3)年龄近似平均分配于18～60岁之间；
(4)BMI近似平均分配在16～36之间。
本实施例的单位时间以1分钟为例进行说明，本领域技术人员也可根据具体情节设定为其他时长。即每间隔1分钟获取所有实验者的身体指征参数以及该时刻下的每个实验者的酒精深度标签值，可连续获取72个小时，总时长大于100000小时，尽可能获取多的样本数据。
具体的，本实施例中的身体指征参数包括心率特征参数，获取心率特征参数包括：
在第一设定时间内通过获取实验者的N个完整脉搏时长T1～TN。此步骤的第一设定时间例如设定为20秒，在20秒内获取到实验者的N个完整脉搏时长T1～TN。然后根据T1～TN计算近似平均值TV、标准差ST以及心率变异性HRV。
倍，x为整数；构建向量VCT＝[TV1，ST1，HRV1，……，TV2x，ST2x，HRV2x]作为身体指征参数。其中，近似平均值的运算是为了解决平均的个数太少，若个数过多又不能反映瞬间心率问题，所以采用以上计算方式，其中的系数2/(N+1)为归一化配比。描述逐次心跳周期差异的变化情况采用心率变异性的值体现。当单位时间等于1分钟、第一设定时间等于20秒时，x的值等于3，得到向量VCT＝[TV1，ST1，HRV1，……，TV6，ST6，HRV6]作为身体指征参数。
酒精深度标签值为：通过标准酒精测试仪获取饮酒后实验者在特定时刻下的呼出酒精气体浓度；根据预设的浓度与标签对照表，确定与呼出酒精气体浓度对应的酒精深度标签值；在浓度与标签对照表中，呼出酒精气体浓度为零时对应的酒精深度标签值等于0。本实施例中将呼出酒精气体浓度转换成对应的酒精深度标签值是为了便于后续处理运算处理，所以具体的浓度与标签对照表内容本发明实施例不进行具体的限定，本领域技术人员可自行设置。
本发明实施例的实验者在喝酒之后，在每分钟获取身体指征参数的同时获取该实验者的呼出酒精气体浓度，呼出酒精气体浓度可通过标准警用酒精测试仪测量，未饮酒或者完全解酒的情况下呼出酒精气体浓度为零，对应的酒精深度标签值等于0。
具体的，本发明实施例中的身体指征参数还包括运动量参数，获取运动量参数包括：
在第二设定时间内获取实验者的n组三轴加速度值kx、ky、kz，并计算每组三轴加速度值对应的综合加速度值然后根据预设的运动偏差计算策略计算第二设定时间对应的运动偏差v，单位时间为第二设定时间的y倍，y为整数；构建向量VCT＝[TV1，ST1，HRV1，……，TV2x，ST2x，HRV2x，v1，v2，……，vy]作为身体指征参数。
本实施例中，三轴加速度值可通过3D加速传感器、陀螺仪、磁力计等设备进行获取，以加速度传感器为例，假设其工作频率为100Hz，将第二设定时间设定为1秒，那么每秒可获得n＝100组三轴加速度值，进而得出100组综合加速度值k，再计算出每秒对应的运动偏差v。这样在1分钟的时间一共可获得60个运动偏差v，结合前述实施例，此处可得向量VCT＝[TV1，ST1，HRV1，……，TV6，ST6，HRV6，v1，v2，……，v60]。
具体的，本实施例中：根据预设的运动偏差计算策略计算第二设定时间对应的运动偏差v，包括：
(1)获取第二设定时间内的综合加速度值分别为k1，k2，……，kn。
n＝100时，1秒内获得的加速度值分别为k1，k2，……，k100。
(2)将k1，k2，……，kn依次与重力加速度g作差得到m1，m2，……，mn。
将k1，k2，……，k100依次与重力加速度g作差得到m1，m2，……，m100。
(3)计算第一运动偏差j∈[1,n]。
计算第一运动偏差j∈[1,100]。
(4)将m1，m2，……，mn中大于2*u的值删除，剩余t个值；
(5)通过剩余t个值，并令n＝t，计算运动偏差v。
运动偏差v的计算与上述第一运动偏差u的计算方式相同，只不过运动偏差v所包含的m值数量少于或等于第一运动偏差u所包含的m值数量。
由于一般情况下人在运动时产生的k值变化比较连续，也会因碰撞或其他突发的动作导致对应的k值突变，从而会对最终结果造成比较大的干扰，所以本实施例先计算出第一运动偏差u，进而对大于2*u的值删除，再利用剩余的综合加速度值k计算出最终的运动偏差v。本发明将运动量参数也作为身体指征参数的一部分，这是由于人体在运动时会对“心率”的变化有比较明显的影响，所以本发明实施例将心率特征参数作为酒精浓度的核心因素进行预测时，对人体运动造成的心率变化进行消除，进而保证最终的预测结果更加准确。
具体的，本发明实施例的身体指征参数还包括日期参数date和时间参数time，构建向量VCT＝[TV1，ST1，HRV1，……，TV2x，ST2x，HRV2x，v1，v2，……，vy，time，date]作为身体指征参数。当第一设定时间为20秒，第二设定时间为1秒时，身体指征参数为向量VCT＝[TV1，ST1，HRV1，……，TV6，ST6，HRV6，v1，v2，……，v60，time，date]。
本实施例结合日期参数date和时间参数time，是考虑到心率变化与人体生物钟也相关，因为人体的生物钟在每天不同时间会有不同的状态，在每个季节，春、夏、秋、冬各时节也不同，代谢状态不一样。所以获取日期参数date和时间参数time也非常重要。日期参数date的内容可设定以每年的1月1日记为0，每增加一天其数值加1，时间参数time的内容可设定以每天的0时记为0，每过一分钟其数值加1，直到1439。
本发明实施例的身体指征参数还可以包括性别、年龄、身高、体重、体温、血氧、血压中的一个或多个特征值，这些特征值和心率变化也存在相关性，所以尽可能的考虑与“心率”变化相关的身体指征参数，来消除这些参数对心率的影响，从而才能得到酒精浓度和心率之间最准确的关系，进一步得出更加精确的预测结果。本发明实施例采用越多的特征值，最终的预测结果也将越准确。
基于以上实施例，获取到实验者的身体指征参数以及对应时刻下的酒精深度标签值之后，继续执行步骤S20。
步骤S20：将身体指征参数作为预设的神经网络模型的输入，将酒精深度标签值作为神经网络模型的输出，对神经网络模型进行训练得到网络参数。
本实施例预设的神经网络模型可借鉴现有技术，例如基于transformer架构，并进行适应性的改造。具体可包括：
A、若身体指征参数中包含有时间参数time，所以可以将transformer架构中的位置编码去除；
B、本发明实施例的输出为酒精深度标签值，所以并无需预测未来值，故删减output embedding及相关操作；
C、编码器可以不断堆叠，比如堆叠4层，本模型每次计算采用连续2小时的数据，每一分钟的数据作为一个向量，表示为[3600,L]，第一次input embedding向量长度为L(此处以80为例)，那么第一次output embedding长度降低为L/2再为第二次的input embedding，其时间精度也通过平均进行降低M倍(四次输出M分别为3，3，2，2)，即特征序列为[3600/M,L/2]。四次输出特征序列依次为[1200,40]、[400,20]、[200,10]、[100，5]。
D、最后将[100，5]展平，通过一个全连接得到[10,2]的向量，即最有可能出现在酒精估算值及其出现的概率。
以上对transformer架构的改造仅仅为一种示例，本领域技术人员可根据身体指征参数的数据量再行调整，此处不进行具体的限制。
通过以上示例的神经网络模型，将身体指征参数作为预设的神经网络模型的输入，将酒精深度标签值作为神经网络模型的输出，对神经网络模型进行训练得到网络参数。
步骤S30：根据网络参数部署酒精浓度预测模型。
基于步骤S20所得的网络参数，对预设的神经网络模型的各项参数进行确定，进而得出一个参数明确的酒精浓度预测模型。
步骤S40：获取用户的身体指征参数，并通过酒精浓度预测模型计算对应时刻下用户的酒精深度标签值。
根据用户的身体指征参数，由酒精浓度预测模型输出预测的该用户此刻的酒精深度标签值。此步骤还可以包括：根据浓度与标签对照表和预测的用户的酒精深度标签值得出预测的用户呼出酒精气体浓度。
本发明实施例的方法为了达到对用户呼出酒精气体浓度的更精确预测，可在前期为用户预测时，辅助酒精测试仪对用户的实际呼出酒精气体浓度进行测量，将对应的身体指征参数和实际呼出酒精气体浓度再次输入到酒精浓度预测模型中进行训练，对网络参数进行细微的调整，达到用户个人体征与酒精含量的精准拟合，从而完全适用于某个用户。
本发明实施例还包括一种酒精浓度预测装置，如图2所示，包括身体指征参数获取模块101、主控模块102以及显示模块103，身体指征参数获取模块101，与主控模块102相连接，身体指征参数获取模块101用于获取用户的身体指征参数；主控模块102，与身体指征参数获取模块101、显示模块103相连接，主控模块102用于通过酒精浓度预测模型预测对应时刻下用户的酒精深度标签值；其中，酒精浓度预测模型为根据网络参数预先部署在主控模块上；网络参数为通过预设的神经网络模型以获取间隔一个单位时间的若干名实验者的身体指征参数作为输入、以获取对应时刻下的酒精深度标签值为输出进行训练得到的，身体指征参数和酒精深度标签值为实验者饮酒之后开始获取的；其中，身体指征参数包括心率特征参数，获取心率特征参数包括：在第一设定时间内获取实验者的N个完整脉搏时长T1～TN；根据T1～TN计算近似平均值TV、标准差ST
间为第一设定时间的x倍，x为整数；构建向量VCT＝[TV1，ST1，HRV1，……，TV2x，ST2x，HRV2x]作为身体指征参数；酒精深度标签值为：通过标准酒精测试仪获取饮酒后实验者在特定时刻下的呼出酒精气体浓度；根据预设的浓度与标签对照表，确定与呼出酒精气体浓度对应的酒精深度标签值；在浓度与标签对照表中，呼出酒精气体浓度为零时对应的酒精深度标签值等于0；显示模块103，与主控模块102相连接，显示模块103用于显示身体指征参数以及主控模块预测的用户的酒精深度标签值。
上述关于身体指征参数的获取以及酒精浓度预测模型的部署方法均可直接参考前述关于酒精浓度预测方法的实施例，此处将不再重复说明。
另外，本实施例中身体指征参数除了心率特征参数以外，还可以包括运动量参数、日期参数date、时间参数time以及与心率相关的特征值，如性别、年龄、身高、体重、体温、血氧、血压等。显示模块103显示身体指征参数时，可先对身体指征参数进行形式转化，例如根据心率特征参数得出用户的“心率”数据，根据运动量参数得出用户的“运动量”数据，还可显示用户的“体温”值、“血氧”值、“血压”值等，此类数据简单直观，用户可以一目了然。
本实施例中的身体指征参数获取模块101可选用相关功能的传感器实现，例如PPG、ECG、加速度传感器、陀螺仪、磁力计等。数据的处理由主控模块102进行，显示模块103进行相关信息的显示，通过各类显示屏实现，或者采用投影部件实现。
具体的，本发明实施例的主控模块102还用于根据浓度与标签对照表和预测的用户的酒精深度标签值得出预测的用户呼出酒精气体浓度；显示模块103还用于显示预测的用户呼出酒精气体浓度。主控模块102得出预测的用户呼出酒精气体浓度之后，由显示模块103对该数据进行显示，用户即可直观的了解饮酒时以及饮酒后酒精代谢的情况，可以避免用户饮酒过量。
具体的，如图3所示，本发明实施例还包括无线传输模块104，无线传输模块104与主控模块102相连接，无线传输模块104用于获取主控模块102预测的用户的酒精深度标签值，并向外部设备发送。外部设备例如手机、笔记本电脑、平板电脑、网络平台等。无线传输模块104可选择不同通讯距离的组件，例如蓝牙、NB-Lot、2/3/4/5G、wifi、NFC等。
具体的，如图4所示，本发明实施例的装置还包括输入模块105，输入模块105与主控模块102相连接，输入模块105用于生成预测指令并发送给主控模块102；主控模块102用于根据预测指令预测用户的酒精深度标签值。
本实施例的输入模块105还用于输入用户的特征值，例如年龄、性别、BMI、身高、体重等。输入模块105可通过按键、触摸显示屏、旋钮等实现，或通过外部设备无线通讯令主控模块102获取相关数据以及指令。
具体的，如图5所示，本发明实施例的装置还包括提醒模块106，提醒模块106与主控模块102相连接，提醒模块106用于执行主控模块102发出的提醒指令。本实施例中的主控模块102在预测的酒精气体浓度超过设定范围时，说明该用户饮酒较多，此时对用户进行提醒，以防用户饮酒过量进而导致自控能力下降，继而发生醉酒、意识不清等危险状况。一般情况下，年龄越大，能承受的最大心率越低，故可以结合年龄设定提醒的阈值范围。提醒模块106可采用振动和/或声音提醒的组件实现提醒功能。
另外，本实施例中的主控模块102还可具备紧急联系命令的生成，若用户饮酒严重过量时，可通过无线传输模块104联系预先设定的紧急联系人，从而保障用户的人身安全。
具体的，本发明实施例的装置还包括有线传输模块，与主控模块102相连接，有线传输模块例如Type-C、lightning、Micro USB等多类型接口，用于和外部设备进行信息交互。
需要说明的是，本发明实施例的装置为电子产品，需供电之后才能工作，本实施例省略了供电功能的相关说明，本领域技术人员可结合现有技术自行设计。
最为优选的，本发明实施例的装置为一种可穿戴式设备，将相关模型集成在可穿戴式设备上，例如手环、手表、耳机、眼镜等可穿戴式设备。另外，若想达到最佳的酒精浓度预测效果，用户应在饮酒前后全程佩戴。
本发明实施例还包括一种电子设备200，如图6所示，包括：存储器201，用于存储计算机程序；处理器202，用于执行计算机程序时实现上述实施例的酒精浓度预测方法。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。存储器至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(read-onlymemory，ROM)、随机存取存储器(randomaccessmemory，RAM)，例如U盘、移动硬盘、磁碟或者光盘等。
需要特别说明的是，本发明所得的酒精浓度预测模型在用户具体使用之前采用该用户的身体指征参数对模型进行调整，达到用户个人体征与酒精含量的精准拟合，所以本发明的酒精预测结果虽然不如酒精浓度检测仪检测的数值具有更直观的可信度，但二者差异一定是非常小的。
但即使本发明的设计方案所预测的用户的酒精深度标签值(或用户的血液酒精含量)或多或少会与实际酒精浓度检测仪器的测量值存在差异，一方面，本方案建立的酒精浓度预测模型若基于大量的样本数据训练得出，二者的差异并不会很大，另一方面，本发明的设计方案是建立了身体指征参数和酒精浓度二者的关联，所以该差异对一般性体质的用户来说不会产生较大的影响，而对体质特殊的人群也会存在特别的优势，例如，用户A的身体对酒精相较于常人更加敏感，对酒精的代谢能力更弱，那么结合该用户的身体指征参数，得到的酒精预测值会相较于实际值偏大，用户会更注意减少酒精的摄入，也会对自己的身体更加关注；又例如：用户B的身体对酒精的敏感度相较于常人比较低，对酒精的代谢能力更强，那么结合该用户的身体指征参数，得到的酒精预测值会相较于实际值偏小，此类用户在身体指征参数没有达到危险阈值的时候略多摄入一些酒精也无妨。
本发明实施例的酒精浓度预测方法及酒精浓度预测装置，将心率特征参数作为身体指征参数，首先获取间隔一个单位时间的若干名实验者的身体指征参数以及对应时刻下的酒精深度标签值，然后将身体指征参数作为预设的神经网络模型的输入，将酒精深度标签值作为神经网络模型的输出，对神经网络模型进行训练得到网络参数，继而根据网络参数部署酒精浓度预测模型，在获取到用户的身体指征参数之后，就能够通过酒精浓度预测模型计算对应时刻下用户的酒精深度标签值，从而基于用户的身体指征参数实现对用户血液酒精含量的测算，使得用户不仅能够了解自身身体状况，还能够了解体内酒精的代谢情况，有助于用户在身体状况允许的情况下适量饮酒，确保用户生命安全。
以上借助具体实施例对本发明做了进一步描述，但是应该理解的是，这里具体的描述，不应理解为对本发明的实质和范围的限定，本领域内的普通技术人员在阅读本说明书后对上述实施例做出的各种修改，都属于本发明所保护的范围。
Claims (9)
1.一种酒精浓度预测方法，其特征在于，包括步骤：
获取间隔一个单位时间的若干名实验者的身体指征参数以及对应时刻下的酒精深度标签值；所述身体指征参数和所述酒精深度标签值为实验者饮酒之后开始获取；
将所述身体指征参数作为预设的神经网络模型的输入，将所述酒精深度标签值作为所述神经网络模型的输出，对所述神经网络模型进行训练得到网络参数；
根据所述网络参数部署酒精浓度预测模型；
获取用户的身体指征参数，并通过所述酒精浓度预测模型计算对应时刻下用户的酒精深度标签值；
其中，所述身体指征参数包括心率特征参数，获取所述心率特征参数包括：
在第一设定时间内获取实验者的N个完整脉搏时长T1～TN；
根据T1～TN计算近似平均值TV、标准差ST以及心率变异性HRV；所述近
x为整数；
构建向量VCT＝[TV1，ST1，HRV1，……，TV2x，ST2x，HRV2x]作为所述身体指征参数；
所述酒精深度标签值为：
通过标准酒精测试仪获取饮酒后实验者在特定时刻下的呼出酒精气体浓度；
根据预设的浓度与标签对照表，确定与所述呼出酒精气体浓度对应的酒精深度标签值；在所述浓度与标签对照表中，呼出酒精气体浓度为零时对应的酒精深度标签值等于0。
2.如权利要求1所述的一种酒精浓度预测方法，其特征在于，所述身体指征参数还包括运动量参数，获取所述运动量参数包括：
在第二设定时间内获取实验者的n组三轴加速度值kx、ky、kz，并计算每组三轴加速度值对应的综合加速度值
根据预设的运动偏差计算策略计算第二设定时间对应的运动偏差v；
所述单位时间为所述第二设定时间的y倍，y为整数；
构建向量VCT＝[TV1，ST1，HRV1，……，TV2x，ST2x，HRV2x，v1，v2，……，vy]作为所述身体指征参数；
其中，根据预设的运动偏差计算策略计算第二设定时间对应的运动偏差v，包括：
获取第二设定时间内的综合加速度值分别为k1，k2，……，kn；
将k1，k2，……，kn依次与重力加速度g作差得到m1，m2，……，mn；
计算第一运动偏差
将m1，m2，……，mn中大于2*u的值删除，剩余t个值；
通过剩余t个值，并令n＝t，计算运动偏差v，所述运动偏差v的计算与所述第一运动偏差u的计算方式相同。
3.如权利要求2所述的一种酒精浓度预测方法，其特征在于，所述身体指征参数还包括日期参数date和时间参数time，构建向量VCT＝[TV1，ST1，HRV1，……，TV2x，ST2x，HRV2x，v1，v2，……，vy，time，date]作为所述身体指征参数。
4.如权利要求3所述的一种酒精浓度预测方法，其特征在于，所述身体指征参数还包括性别、年龄、身高、体重、体温、血氧、血压中的一个或多个特征值。
5.如权利要求3所述的一种酒精浓度预测方法，其特征在于，若干名实验者具备的条件包括：
(1)成年人员；
(2)男女比例在[0.85,1.25]之间；
(3)年龄平均分配于18～60岁之间；
(4)BMI平均分配在16～36之间。
6.一种酒精浓度预测装置，其特征在于，包括身体指征参数获取模块、主控模块以及显示模块，
所述身体指征参数获取模块，与所述主控模块相连接，所述身体指征参数获取模块用于获取用户的身体指征参数；
所述主控模块，与所述身体指征参数获取模块、显示模块相连接，所述主控模块用于通过酒精浓度预测模型预测对应时刻下用户的酒精深度标签值；其中，所述酒精浓度预测模型为根据网络参数预先部署在所述主控模块上；所述网络参数为通过预设的神经网络模型以获取间隔一个单位时间的若干名实验者的身体指征参数作为输入、以获取对应时刻下的酒精深度标签值为输出进行训练得到的，所述身体指征参数和所述酒精深度标签值为实验者饮酒之后开始获取的；其中，所述身体指征参数包括心率特征参数，获取所述心率特征参数包括：在第一设定时间内获取实验者的N个完整脉搏时长T1～TN；根据T1～TN计算近似平均值TV、标准差ST以及心率变异性HRV；所述近似平均值
数；构建向量VCT＝[TV1，ST1，HRV1，……，TV2x，ST2x，HRV2x]作为所述身体指征参数；所述酒精深度标签值为：通过标准酒精测试仪获取饮酒后实验者在特定时刻下的呼出酒精气体浓度；根据预设的浓度与标签对照表，确定与所述呼出酒精气体浓度对应的酒精深度标签值；在所述浓度与标签对照表中，呼出酒精气体浓度为零时对应的酒精深度标签值等于0；
所述显示模块，与所述主控模块相连接，所述显示模块用于显示所述身体指征参数以及所述主控模块预测的用户的酒精深度标签值。
7.如权利要求6所述的一种酒精浓度预测装置，其特征在于，所述主控模块还用于根据所述浓度与标签对照表和预测的用户的酒精深度标签值得出预测的用户呼出酒精气体浓度；所述显示模块还用于显示预测的用户呼出酒精气体浓度。
8.如权利要求7所述的一种酒精浓度预测装置，其特征在于，还包括无线传输模块，所述无线传输模块与所述主控模块相连接，所述无线传输模块用于获取所述主控模块预测的用户的酒精深度标签值，并向外部设备发送。
9.如权利要求8所述的一种酒精浓度预测装置，其特征在于，还包括输入模块，所述输入模块与所述主控模块相连接，所述输入模块用于生成预测指令并发送给主控模块；所述主控模块用于根据所述预测指令预测用户的酒精深度标签值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310493143.XA CN116543903B (zh) | 2023-04-28 | 2023-04-28 | 一种酒精浓度预测方法及酒精浓度预测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310493143.XA CN116543903B (zh) | 2023-04-28 | 2023-04-28 | 一种酒精浓度预测方法及酒精浓度预测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116543903A CN116543903A (zh) | 2023-08-04 |
| CN116543903B true CN116543903B (zh) | 2024-02-27 |
Family
ID=87455481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310493143.XA Active CN116543903B (zh) | 2023-04-28 | 2023-04-28 | 一种酒精浓度预测方法及酒精浓度预测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116543903B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010005108A (ja) * | 2008-06-26 | 2010-01-14 | Toyota Motor Corp | 飲酒状態判定装置 |
| CN111671408A (zh) * | 2020-07-07 | 2020-09-18 | 方滨 | 一种用户饮酒安全监护方法、用户终端、服务器 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170350877A1 (en) * | 2016-04-08 | 2017-12-07 | Soberlink Healthcare, Llc | Sobriety monitoring system with identification indicia |
-
2023
- 2023-04-28 CN CN202310493143.XA patent/CN116543903B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010005108A (ja) * | 2008-06-26 | 2010-01-14 | Toyota Motor Corp | 飲酒状態判定装置 |
| CN111671408A (zh) * | 2020-07-07 | 2020-09-18 | 方滨 | 一种用户饮酒安全监护方法、用户终端、服务器 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116543903A (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20180204638A1 (en) | Dynamic scale and accurate food measuring | |
| EP2051620B1 (en) | Method and device for monitoring a physiological parameter | |
| JP5923857B2 (ja) | 活動量計 | |
| CN103959291B (zh) | 基于具有自适应选择的核和正则化参数的正则化网络的葡萄糖预测器 | |
| RU2535615C2 (ru) | Определение затрат энергии пользователя | |
| US7910840B2 (en) | Apparatus and method for determining growth status of a human subject | |
| EP0556702A2 (en) | Exercise-hardness data output apparatus | |
| EP3324358A1 (en) | Lifestyle management assistance device and lifestyle management assistance method | |
| EP2842491A1 (en) | Device for calculating amount of retained physical activity, method for calculating amount of retained physical activity and system for calculating amount of retained physical activity | |
| RU2712395C1 (ru) | Способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, и соответствующая система (варианты) | |
| CA2738623A1 (en) | Personalized activity monitor and weight management system | |
| US11324449B2 (en) | Method and system for transdermal alcohol monitoring | |
| JP5180509B2 (ja) | 健康管理システム | |
| JP2006204446A (ja) | 運動量計測装置及びそれを用いた活動量計 | |
| JP2016024669A (ja) | 身体状況提示装置、身体状況提示システム、提示情報出力方法及び提示情報出力プログラム | |
| JP2012165947A (ja) | 体重管理装置 | |
| CN105138844B (zh) | 一种信息处理方法、装置以及智能手表 | |
| JP3027346B2 (ja) | 運動レベル経時記憶装置 | |
| EP1952765A1 (en) | Apparatus and method for determining obesity-related disease risk indicators of a human subject | |
| KR20200072172A (ko) | 인지 능력 평가 방법, 이의 시스템 및 이를 위한 웨어러블 디바이스 | |
| TW201143712A (en) | Methods, devices, and systems for health management | |
| CN116543903B (zh) | 一种酒精浓度预测方法及酒精浓度预测装置 | |
| JP2020038573A (ja) | 評価システム、及び評価プログラム | |
| JP2008246163A (ja) | 活動量計 | |
| JP3880260B2 (ja) | 運動レベル記録装置 |
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 |