CN116564460B - 一种针对白血病患儿的健康行为监控方法和系统 - Google Patents
一种针对白血病患儿的健康行为监控方法和系统 Download PDFInfo
- Publication number
- CN116564460B CN116564460B CN202310821866.8A CN202310821866A CN116564460B CN 116564460 B CN116564460 B CN 116564460B CN 202310821866 A CN202310821866 A CN 202310821866A CN 116564460 B CN116564460 B CN 116564460B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- scene
- behavior
- leukemia
- action
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 396
- 208000032839 leukemia Diseases 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000005548 health behavior Effects 0.000 title claims abstract description 23
- 230000006399 behavior Effects 0.000 claims abstract description 156
- 230000009471 action Effects 0.000 claims abstract description 115
- 238000011156 evaluation Methods 0.000 claims abstract description 49
- 230000002980 postoperative effect Effects 0.000 claims abstract description 40
- 230000037213 diet Effects 0.000 claims description 32
- 235000005911 diet Nutrition 0.000 claims description 32
- 230000001133 acceleration Effects 0.000 claims description 19
- 230000000977 initiatory effect Effects 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 235000012054 meals Nutrition 0.000 claims description 6
- 230000036541 health Effects 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 239000003181 biological factor Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000003715 nutritional status Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000007958 sleep Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明请求保护一种针对白血病患儿的健康行为监控方法和系统,采集白血病患儿动作视频的原始行为数据,提取原始行为数据的关键场景帧进行场景划分,得到行为场景类别,依据预设的场景监控表,获得行为场景类别对应的场景监控策略,对白血病患儿的原始行为数据进行聚类,得到多个监控数据集,对多个监控数据集进行评价,获取多个监控数据集中的平均监控值,对平均监控值进行动作评价,得到平均监控值的动作评价结果,依据动作评价结果,从动作监控关联表中获取白血病患儿的术后监控策略,对白血病患儿进行术后监控。本发明可以有效依据具体的监控场景采取不同的监控数据集,自适应性的给出不同的监控策略,更好提升白血病患儿的健康监测。
Description
技术领域
本发明涉及儿童病情随访技术领域,具体而言,涉及一种针对白血病患儿的健康行为监控方法和系统。
背景技术
不良生活方式与白血病的发病密不可分,其已成为影响人类疾病发生和发展的首要因素,远超生物学因素。传统基本医疗主要集中在与交互直接相关的领域,极易忽视影响疾病最终转归的生活方式因素。生活方式因素包括:环境、情绪、饮食、睡眠、营养、运动等。在此流行病学特点下,全程医学管理的理念不断被中国学者接纳和应用。
生活方式医学全程管理是一个持续时间很长的管理过程,即医务人员需要长期不断收集白血病患儿的疾预警信号况和生活方式医学变化指标数据,并及时给予白血病患儿合理的管理反馈并调整干预方案,这些工作占用医务人员大量的时间和信息交流的不便利性。白血病患儿需要接受的是多次、高效、连续性、不限于医院内的服务。目前,针对生活方式医学全程管理缺少一整套从风险筛查到监测、评估到干预、信息反馈到调整干预方案的智能化管理系统。
现有的随访方式多采用电话随访,虽然能对患儿及家属进行回访及健康宣教,但是随访时间为医护人员安排,不能准确记录每位患儿不定期的疾病变化,收集到信息不够及时准确,且电话随访存在弊端,久而久之恐会延误治疗。随访信息收集,以前多采用电话询问后代为填写,考虑到可出现问题:(1)儿童家属方言口音各异,电话沟通影响信息收集准确性。(2)电话随访时家属是否有时间配合调查(3)家属顾忌随访产生电话费用,缩短随访时间。(4)担心是诈骗或骚扰电话,拒接电话致使随访中断。(5)不同随访人员收集到信息存在差异,耗费医护人员大量时间精力。因此,发明一种针对白血病患儿的健康行为监控方法和系统,通过对营养及生存质量的评估及日常生活记录,针对不同患儿病情特点采取个体化治疗,监测病情变化,及时调整方案,以改善营养状况,提高生存质量,对日后患儿回归社会意义重大。
发明内容
根据本发明第一方面,本发明请求保护一种针对白血病患儿的健康行为监控方法,包括:
采集白血病患儿动作视频的原始行为数据,提取所述原始行为数据的关键场景帧进行场景划分,得到行为场景类别;
依据预设的场景监控表,获得所述行为场景类别对应的场景监控策略,对所述白血病患儿的原始行为数据进行聚类,得到多个监控数据集;
对多个所述监控数据集进行评价,获取多个所述监控数据集中的平均监控值,对所述平均监控值进行动作评价,得到所述平均监控值的动作评价结果;
依据所述动作评价结果,从动作监控关联表中获取所述白血病患儿的术后监控策略,对所述白血病患儿进行术后监控。
进一步的,所述采集白血病患儿动作视频的原始行为数据,提取所述原始行为数据的关键场景帧进行场景划分,得到行为场景类别,具体包括:
所述白血病患儿动作视频的原始行为数据表示白血病患儿在术后预设时间段长度内的行为视频监控数据;
所述关键场景帧表示所述行为视频监控数据中的背景颜色对比度变换大于背景预设阈值的视频帧、所述行为视频监控数据中的面积大小变换大于第一面积预设阈值的视频帧和所述行为视频监控数据中的像素重合面积变换大于第二面积预设阈值的视频帧;
所述场景类别至少包括第一运动场景、第二运动场景、接触场景以及饮食场景;
所述第一运动场景为低速行为场景,至少包括睡眠、阅读、躺卧、站立、行走场景;
所述第二运动场景为高速运动场景,至少包括跑步、舞蹈场景;
所述接触场景为与他人接触场景,所述接触场景下包括白血病患儿和其他至少一个人的接触动作;
当表示所述行为视频监控数据中的背景颜色对比度变换大于背景预设阈值的关键场景帧数量小于第一预设值时,认定所述行为场景类别为第一运动场景;
当表示所述行为视频监控数据中的背景颜色对比度变换大于背景预设阈值的关键场景帧数量不小于第一预设值时,认定所述行为场景类别为第二运动场景;
当表示所述行为视频监控数据中的面积大小变换大于第一面积预设阈值的关键场景帧数量不小于第二预设值且表示所述行为视频监控数据中的像素重合面积变换大于第二面积预设阈值的关键场景帧数量不小于第三预设值,认定所述行为场景类别为接触场景;
当表示所述行为视频监控数据中的面积大小变换大于第一面积预设阈值的关键场景帧数量不小于第二预设值且表示所述行为视频监控数据中的像素重合面积变换大于第二面积预设阈值的关键场景帧数量小于第三预设值时,认定所述行为场景类别为饮食场景。
进一步的,所述依据预设的场景监控表,获得所述行为场景类别对应的场景监控策略,对所述白血病患儿的原始行为数据进行聚类,得到多个监控数据集,具体包括:
所述场景监控表至少包括三列数据,场景监控策略ID,行为场景类别,场景监控策略内容;
当所述行为场景类别为第一运动场景时,所述场景监控策略内容为对所述原始行为数据进行首尾聚类,采用所述白血病患儿动作视频的原始行为数据的起始预设时长视频片段和终止预设时长视频片段进行聚类,至少得到第一起始监控数据集和第一终止监控数据集;
当所述行为场景类别为第二运动场景时,所述场景监控策略内容为对所述原始行为数据进行加速度确定后聚类,采用所述白血病患儿动作视频的原始行为数据的视频帧的起始预设时长视频片段、加速度变化片段和终止预设时长视频片段进行聚类,至少得到第二起始监控数据集、第二加速监控数据集、第二终止监控数据集;
当所述行为场景类别为接触场景时,所述场景监控策略内容为对所述原始行为数据进行接触确定后聚类,采用所述白血病患儿动作视频的原始行为数据的视频帧的起始预设时长视频片段、接触场景片段和终止预设时长视频片段进行聚类,至少得到第三起始监控数据集、第三接触监控数据集、第三终止监控数据集;
当所述行为场景类别为饮食场景时,所述场景监控策略内容为对所述原始行为数据进行饮食进餐确定后聚类,采用所述白血病患儿动作视频的原始行为数据的视频帧的起始预设时长视频片段、饮食进餐片段和终止预设时长视频片段进行聚类,至少得到第四起始监控数据集、第四饮食监控数据集、第四终止监控数据集。
进一步的,所述对多个所述监控数据集进行评价,获取多个所述监控数据集中的平均监控值,对所述平均监控值进行动作评价,得到所述平均监控值的动作评价结果,具体包括:
所述平均监控值为各个所述监控数据集中用于表示所述白血病患儿进行各项动作的监控分值的平均值;
当所述行为场景类别为第一运动场景,得到第一起始监控数据集和第一终止监控数据集时,所述平均监控值包括所述白血病患儿的第一起始监控数据集中的白血病患儿的起始动作实施和第一终止监控数据集中的终止动作实施的监控分值的平均值;
当所述行为场景类别为第二运动场景时,得到第二起始监控数据集、第二加速监控数据集、第二终止监控数据集时,所述平均监控值包括所述白血病患儿的第二起始监控数据集中的白血病患儿的起始动作实施、第二加速监控数据集中的加速运动动作实施、第二终止监控数据集中的终止动作实施的监控分值的平均值;
当所述行为场景类别为接触场景时,得到第三起始监控数据集、第三接触监控数据集、第三终止监控数据集时,所述平均监控值包括所述白血病患儿的第三起始监控数据集中的白血病患儿的起始动作实施、第三接触监控数据集中的接触动作实施、第三终止监控数据集中的终止动作实施的监控分值的平均值;
当所述行为场景类别为饮食场景时,得到第四起始监控数据集、第四饮食监控数据集、第四终止监控数据集时,所述平均监控值包括所述白血病患儿的第四起始监控数据集中的白血病患儿的起始动作实施、第四饮食监控数据集中的饮食就餐动作实施、第四终止监控数据集中的终止动作实施的监控分值的平均值;
依据所述监控分值的平均值,认定所述平均监控值的动作评价结果为正常动作、异常动作、或潜在异常动作。
进一步的,依据所述动作评价结果,从动作监控关联表中获取所述白血病患儿的术后监控策略,对所述白血病患儿进行术后监控,具体包括:
当所述平均监控值的动作评价结果为正常动作时,所述动作监控关联表中所述白血病患儿的术后监控策略为每隔第一周期对所述白血病患儿进行术后监控视频采集;
当所述平均监控值的动作评价结果为异常动作时,所述动作监控关联表中所述白血病患儿的术后监控策略为每隔第二周期对所述白血病患儿进行术后监控视频采集;
当所述平均监控值的动作评价结果为潜在异常动作时,所述动作监控关联表中所述白血病患儿的术后监控策略为每隔第三周期对所述白血病患儿进行术后监控视频采集;
所述第一周期长于第三周期,所述第三周期长于第二周期。
根据本发明第二方面,本发明请求保护一种针对白血病患儿的健康行为监控系统,包括:
场景识别模块,采集白血病患儿动作视频的原始行为数据,提取所述原始行为数据的关键场景帧进行场景划分,得到行为场景类别;
聚类模块,依据预设的场景监控表,获得所述行为场景类别对应的场景监控策略,对所述白血病患儿的原始行为数据进行聚类,得到多个监控数据集;
评价模块,对多个所述监控数据集进行评价,获取多个所述监控数据集中的平均监控值,对所述平均监控值进行动作评价,得到所述平均监控值的动作评价结果;
监控模块,依据所述动作评价结果,从动作监控关联表中获取所述白血病患儿的术后监控策略,对所述白血病患儿进行术后监控;
所述一种针对白血病患儿的健康行为监控系统用于执行所述的一种针对白血病患儿的健康行为监控方法。
本发明请求保护一种针对白血病患儿的健康行为监控方法和系统,采集白血病患儿动作视频的原始行为数据,提取原始行为数据的关键场景帧进行场景划分,得到行为场景类别,依据预设的场景监控表,获得行为场景类别对应的场景监控策略,对白血病患儿的原始行为数据进行聚类,得到多个监控数据集,对多个监控数据集进行评价,获取多个监控数据集中的平均监控值,对平均监控值进行动作评价,得到平均监控值的动作评价结果,依据动作评价结果,从动作监控关联表中获取白血病患儿的术后监控策略,对白血病患儿进行术后监控。本发明可以有效依据具体的监控场景采取不同的监控数据集,自适应性的给出不同的监控策略,更好提升白血病患儿的健康监测。
附图说明
图1为本发明所请求保护的一种针对白血病患儿的健康行为监控方法的工作流程图;
图2为本发明所请求保护的一种针对白血病患儿的健康行为监控系统的结构模块图。
具体实施方式
根据本发明第一实施例,参照附图1,本发明请求保护一种针对白血病患儿的健康行为监控方法,包括:
采集白血病患儿动作视频的原始行为数据,提取所述原始行为数据的关键场景帧进行场景划分,得到行为场景类别;
依据预设的场景监控表,获得所述行为场景类别对应的场景监控策略,对所述白血病患儿的原始行为数据进行聚类,得到多个监控数据集;
对多个所述监控数据集进行评价,获取多个所述监控数据集中的平均监控值,对所述平均监控值进行动作评价,得到所述平均监控值的动作评价结果;
依据所述动作评价结果,从动作监控关联表中获取所述白血病患儿的术后监控策略,对所述白血病患儿进行术后监控。
进一步的,所述采集白血病患儿动作视频的原始行为数据,提取所述原始行为数据的关键场景帧进行场景划分,得到行为场景类别,具体包括:
所述白血病患儿动作视频的原始行为数据表示白血病患儿在术后预设时间段长度内的行为视频监控数据;
所述关键场景帧表示所述行为视频监控数据中的背景颜色对比度变换大于背景预设阈值的视频帧、所述行为视频监控数据中的面积大小变换大于第一面积预设阈值的视频帧和所述行为视频监控数据中的像素重合面积变换大于第二面积预设阈值的视频帧;
所述场景类别至少包括第一运动场景、第二运动场景、接触场景以及饮食场景;
所述第一运动场景为低速行为场景,至少包括睡眠、阅读、躺卧、站立、行走场景;
所述第二运动场景为高速运动场景,至少包括跑步、舞蹈场景;
所述接触场景为与他人接触场景,所述接触场景下包括白血病患儿和其他至少一个人的接触动作;
当表示所述行为视频监控数据中的背景颜色对比度变换大于背景预设阈值的关键场景帧数量小于第一预设值时,认定所述行为场景类别为第一运动场景;
当表示所述行为视频监控数据中的背景颜色对比度变换大于背景预设阈值的关键场景帧数量不小于第一预设值时,认定所述行为场景类别为第二运动场景;
当表示所述行为视频监控数据中的面积大小变换大于第一面积预设阈值的关键场景帧数量不小于第二预设值且表示所述行为视频监控数据中的像素重合面积变换大于第二面积预设阈值的关键场景帧数量不小于第三预设值,认定所述行为场景类别为接触场景;
当表示所述行为视频监控数据中的面积大小变换大于第一面积预设阈值的关键场景帧数量不小于第二预设值且表示所述行为视频监控数据中的像素重合面积变换大于第二面积预设阈值的关键场景帧数量小于第三预设值时,认定所述行为场景类别为饮食场景。
其中,在该实施例中,第一运动场景专门指代运动幅度较小或贴近于安静状态下的患儿活动动作,第二运动场景是专门指代与运动幅度较大或运动速度较快的动态较激烈状态下的运动动作。
第三场景和第四场景专门指代与他人接触和饮食就餐场景下的患儿动作,因为在与人接触动作以及饮食就餐过程中患儿的表现具有代表性,容易表达出不同于日常状态下的外部表征,具有极大的监控意义,因此,本实施例中尤其将与他人接触和饮食就餐场景下的患儿动作进行记录。
进一步的,所述依据预设的场景监控表,获得所述行为场景类别对应的场景监控策略,对所述白血病患儿的原始行为数据进行聚类,得到多个监控数据集,具体包括:
所述场景监控表至少包括三列数据,场景监控策略ID,行为场景类别,场景监控策略内容;
当所述行为场景类别为第一运动场景时,所述场景监控策略内容为对所述原始行为数据进行首尾聚类,采用所述白血病患儿动作视频的原始行为数据的起始预设时长视频片段和终止预设时长视频片段进行聚类,至少得到第一起始监控数据集和第一终止监控数据集;
当所述行为场景类别为第二运动场景时,所述场景监控策略内容为对所述原始行为数据进行加速度确定后聚类,采用所述白血病患儿动作视频的原始行为数据的视频帧的起始预设时长视频片段、加速度变化片段和终止预设时长视频片段进行聚类,至少得到第二起始监控数据集、第二加速监控数据集、第二终止监控数据集;
当所述行为场景类别为接触场景时,所述场景监控策略内容为对所述原始行为数据进行接触确定后聚类,采用所述白血病患儿动作视频的原始行为数据的视频帧的起始预设时长视频片段、接触场景片段和终止预设时长视频片段进行聚类,至少得到第三起始监控数据集、第三接触监控数据集、第三终止监控数据集;
当所述行为场景类别为饮食场景时,所述场景监控策略内容为对所述原始行为数据进行饮食进餐确定后聚类,采用所述白血病患儿动作视频的原始行为数据的视频帧的起始预设时长视频片段、饮食进餐片段和终止预设时长视频片段进行聚类,至少得到第四起始监控数据集、第四饮食监控数据集、第四终止监控数据集。
其中,在该实施例中,对于患儿的四种场景状态下的监控数据也是具有不同维度的关注重点;对于第一运动场景下时,由于患儿的动作变化幅度不大,因此,仅针对始预设时长视频片段和终止预设时长视频片段进行聚类,对患儿的初始动作的发生和结束状态的记录进行监控记录分析即可;
对于第二运动场景下时,由于患儿的动作变化幅度货速度较大,因此,针对视频帧的起始预设时长视频片段、加速度变化片段和终止预设时长视频片段进行聚类,对患儿的初始动作的发生、中途变化幅度明显的片段结束状态的记录进行监控记录分析即可;
类似的,对于接触场景和饮食场景的聚类参照分析即可。
进一步的,所述对多个所述监控数据集进行评价,获取多个所述监控数据集中的平均监控值,对所述平均监控值进行动作评价,得到所述平均监控值的动作评价结果,具体包括:
所述平均监控值为各个所述监控数据集中用于表示所述白血病患儿进行各项动作的监控分值的平均值;
当所述行为场景类别为第一运动场景,得到第一起始监控数据集和第一终止监控数据集时,所述平均监控值包括所述白血病患儿的第一起始监控数据集中的白血病患儿的起始动作实施和第一终止监控数据集中的终止动作实施的监控分值的平均值;
当所述行为场景类别为第二运动场景时,得到第二起始监控数据集、第二加速监控数据集、第二终止监控数据集时,所述平均监控值包括所述白血病患儿的第二起始监控数据集中的白血病患儿的起始动作实施、第二加速监控数据集中的加速运动动作实施、第二终止监控数据集中的终止动作实施的监控分值的平均值;
当所述行为场景类别为接触场景时,得到第三起始监控数据集、第三接触监控数据集、第三终止监控数据集时,所述平均监控值包括所述白血病患儿的第三起始监控数据集中的白血病患儿的起始动作实施、第三接触监控数据集中的接触动作实施、第三终止监控数据集中的终止动作实施的监控分值的平均值;
当所述行为场景类别为饮食场景时,得到第四起始监控数据集、第四饮食监控数据集、第四终止监控数据集时,所述平均监控值包括所述白血病患儿的第四起始监控数据集中的白血病患儿的起始动作实施、第四饮食监控数据集中的饮食就餐动作实施、第四终止监控数据集中的终止动作实施的监控分值的平均值;
依据所述监控分值的平均值,认定所述平均监控值的动作评价结果为正常动作、异常动作、或潜在异常动作。
其中,在该实施例中,所述平均监控值为各个所述监控数据集中用于表示所述白血病患儿进行各项动作的监控分值的平均值中,所述监控分值是预设的为各项动作给出一标准得分,当监控患儿的动作偏离对应的动作时,相应在标准得分下依据偏离度给出监控分值;
例如,当所述行为场景类别为接触场景时,得到第三起始监控数据集、第三接触监控数据集、第三终止监控数据集时,所述平均监控值包括所述白血病患儿的第三起始监控数据集中的白血病患儿的起始动作实施、第三接触监控数据集中的接触动作实施、第三终止监控数据集中的终止动作实施的监控分值的平均值中,所述第三起始监控数据集中的白血病患儿的起始动作实施是与预设的为起始动作给出一标准得分,当白血病患儿的起始动作偏离对应的动作时,相应在标准得分下依据偏离度给出监控分值。
进一步的,依据所述动作评价结果,从动作监控关联表中获取所述白血病患儿的术后监控策略,对所述白血病患儿进行术后监控,具体包括:
当所述平均监控值的动作评价结果为正常动作时,所述动作监控关联表中所述白血病患儿的术后监控策略为每隔第一周期对所述白血病患儿进行术后监控视频采集;
当所述平均监控值的动作评价结果为异常动作时,所述动作监控关联表中所述白血病患儿的术后监控策略为每隔第二周期对所述白血病患儿进行术后监控视频采集;
当所述平均监控值的动作评价结果为潜在异常动作时,所述动作监控关联表中所述白血病患儿的术后监控策略为每隔第三周期对所述白血病患儿进行术后监控视频采集;
所述第一周期长于第三周期,所述第三周期长于第二周期。
根据本发明第二实施例,参照附图2,本发明请求保护一种针对白血病患儿的健康行为监控系统,包括:
场景识别模块,采集白血病患儿动作视频的原始行为数据,提取所述原始行为数据的关键场景帧进行场景划分,得到行为场景类别;
聚类模块,依据预设的场景监控表,获得所述行为场景类别对应的场景监控策略,对所述白血病患儿的原始行为数据进行聚类,得到多个监控数据集;
评价模块,对多个所述监控数据集进行评价,获取多个所述监控数据集中的平均监控值,对所述平均监控值进行动作评价,得到所述平均监控值的动作评价结果;
监控模块,依据所述动作评价结果,从动作监控关联表中获取所述白血病患儿的术后监控策略,对所述白血病患儿进行术后监控;
所述一种针对白血病患儿的健康行为监控系统用于执行所述的一种针对白血病患儿的健康行为监控方法。
本领域技术人员能够理解,本公开所披露的内容可以出现多种变型和改进。例如,以上所描述的各种设备或组件可以通过硬件实现,也可以通过软件、固件、或者三者中的一些或全部的组合实现。
本公开中使用了流程图用来说明根据本公开的实施例的方法的步骤。应当理解的是,前面或后面的步骤不一定按照顺序来精确的进行。相反,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中。
本领域普通技术人员可以理解上述方法中的全部或部分的步骤可通过计算机程序来指令相关硬件完成,程序可以存储于计算机可读存储介质中,如只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地,上述实施例中的各模块/单元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。本公开并不限制于任何特定形式的硬件和软件的结合。
除非另有定义,这里使用的所有术语具有与本公开所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
以上是对本公开的说明,而不应被认为是对其的限制。尽管描述了本公开的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本公开的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本公开范围内。应当理解,上面是对本公开的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本公开由权利要求书及其等效物限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“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,对上述术语的示意性表述不一定指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何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (5)
1.一种针对白血病患儿的健康行为监控方法,其特征在于,包括:
采集白血病患儿动作视频的原始行为数据,提取所述原始行为数据的关键场景帧进行场景划分,得到行为场景类别;
依据预设的场景监控表,获得所述行为场景类别对应的场景监控策略,对所述白血病患儿的原始行为数据进行聚类,得到多个监控数据集;
对多个所述监控数据集进行评价,获取多个所述监控数据集中的平均监控值,对所述平均监控值进行动作评价,得到所述平均监控值的动作评价结果;
依据所述动作评价结果,从动作监控关联表中获取所述白血病患儿的术后监控策略,对所述白血病患儿进行术后监控;
所述采集白血病患儿动作视频的原始行为数据,提取所述原始行为数据的关键场景帧进行场景划分,得到行为场景类别,具体包括:
所述白血病患儿动作视频的原始行为数据表示白血病患儿在术后预设时间段长度内的行为视频监控数据;
所述关键场景帧表示所述行为视频监控数据中的背景颜色对比度变换大于背景预设阈值的视频帧、所述行为视频监控数据中的面积大小变换大于第一面积预设阈值的视频帧和所述行为视频监控数据中的像素重合面积变换大于第二面积预设阈值的视频帧;
所述场景类别至少包括第一运动场景、第二运动场景、接触场景以及饮食场景;
所述第一运动场景为低速行为场景,至少包括睡眠、阅读、躺卧、站立、行走场景;
所述第二运动场景为高速运动场景,至少包括跑步、舞蹈场景;
所述接触场景为与他人接触场景,所述接触场景下包括白血病患儿和其他至少一个人的接触动作;
当表示所述行为视频监控数据中的背景颜色对比度变换大于背景预设阈值的关键场景帧数量小于第一预设值时,认定所述行为场景类别为第一运动场景;
当表示所述行为视频监控数据中的背景颜色对比度变换大于背景预设阈值的关键场景帧数量不小于第一预设值时,认定所述行为场景类别为第二运动场景;
当表示所述行为视频监控数据中的面积大小变换大于第一面积预设阈值的关键场景帧数量不小于第二预设值且表示所述行为视频监控数据中的像素重合面积变换大于第二面积预设阈值的关键场景帧数量不小于第三预设值,认定所述行为场景类别为接触场景;
当表示所述行为视频监控数据中的面积大小变换大于第一面积预设阈值的关键场景帧数量不小于第二预设值且表示所述行为视频监控数据中的像素重合面积变换大于第二面积预设阈值的关键场景帧数量小于第三预设值时,认定所述行为场景类别为饮食场景。
2.如权利要求1所述的一种针对白血病患儿的健康行为监控方法,其特征在于,所述依据预设的场景监控表,获得所述行为场景类别对应的场景监控策略,对所述白血病患儿的原始行为数据进行聚类,得到多个监控数据集,具体包括:
所述场景监控表至少包括三列数据,场景监控策略ID,行为场景类别,场景监控策略内容;
当所述行为场景类别为第一运动场景时,所述场景监控策略内容为对所述原始行为数据进行首尾聚类,采用所述白血病患儿动作视频的原始行为数据的起始预设时长视频片段和终止预设时长视频片段进行聚类,至少得到第一起始监控数据集和第一终止监控数据集;
当所述行为场景类别为第二运动场景时,所述场景监控策略内容为对所述原始行为数据进行加速度确定后聚类,采用所述白血病患儿动作视频的原始行为数据的视频帧的起始预设时长视频片段、加速度变化片段和终止预设时长视频片段进行聚类,至少得到第二起始监控数据集、第二加速监控数据集、第二终止监控数据集;
当所述行为场景类别为接触场景时,所述场景监控策略内容为对所述原始行为数据进行接触确定后聚类,采用所述白血病患儿动作视频的原始行为数据的视频帧的起始预设时长视频片段、接触场景片段和终止预设时长视频片段进行聚类,至少得到第三起始监控数据集、第三接触监控数据集、第三终止监控数据集;
当所述行为场景类别为饮食场景时,所述场景监控策略内容为对所述原始行为数据进行饮食进餐确定后聚类,采用所述白血病患儿动作视频的原始行为数据的视频帧的起始预设时长视频片段、饮食进餐片段和终止预设时长视频片段进行聚类,至少得到第四起始监控数据集、第四饮食监控数据集、第四终止监控数据集。
3.如权利要求2所述的一种针对白血病患儿的健康行为监控方法,其特征在于,所述对多个所述监控数据集进行评价,获取多个所述监控数据集中的平均监控值,对所述平均监控值进行动作评价,得到所述平均监控值的动作评价结果,具体包括:
所述平均监控值为各个所述监控数据集中用于表示所述白血病患儿进行各项动作的监控分值的平均值;
当所述行为场景类别为第一运动场景,得到第一起始监控数据集和第一终止监控数据集时,所述平均监控值包括所述白血病患儿的第一起始监控数据集中的白血病患儿的起始动作实施和第一终止监控数据集中的终止动作实施的监控分值的平均值;
当所述行为场景类别为第二运动场景时,得到第二起始监控数据集、第二加速监控数据集、第二终止监控数据集时,所述平均监控值包括所述白血病患儿的第二起始监控数据集中的白血病患儿的起始动作实施、第二加速监控数据集中的加速运动动作实施、第二终止监控数据集中的终止动作实施的监控分值的平均值;
当所述行为场景类别为接触场景时,得到第三起始监控数据集、第三接触监控数据集、第三终止监控数据集时,所述平均监控值包括所述白血病患儿的第三起始监控数据集中的白血病患儿的起始动作实施、第三接触监控数据集中的接触动作实施、第三终止监控数据集中的终止动作实施的监控分值的平均值;
当所述行为场景类别为饮食场景时,得到第四起始监控数据集、第四饮食监控数据集、第四终止监控数据集时,所述平均监控值包括所述白血病患儿的第四起始监控数据集中的白血病患儿的起始动作实施、第四饮食监控数据集中的饮食就餐动作实施、第四终止监控数据集中的终止动作实施的监控分值的平均值;
依据所述监控分值的平均值,认定所述平均监控值的动作评价结果为正常动作、异常动作、或潜在异常动作。
4.如权利要求3所述的一种针对白血病患儿的健康行为监控方法,其特征在于,
依据所述动作评价结果,从动作监控关联表中获取所述白血病患儿的术后监控策略,对所述白血病患儿进行术后监控,具体包括:
当所述平均监控值的动作评价结果为正常动作时,所述动作监控关联表中所述白血病患儿的术后监控策略为每隔第一周期对所述白血病患儿进行术后监控视频采集;
当所述平均监控值的动作评价结果为异常动作时,所述动作监控关联表中所述白血病患儿的术后监控策略为每隔第二周期对所述白血病患儿进行术后监控视频采集;
当所述平均监控值的动作评价结果为潜在异常动作时,所述动作监控关联表中所述白血病患儿的术后监控策略为每隔第三周期对所述白血病患儿进行术后监控视频采集;
所述第一周期长于第三周期,所述第三周期长于第二周期。
5.一种针对白血病患儿的健康行为监控系统,其特征在于,包括:
场景识别模块,采集白血病患儿动作视频的原始行为数据,提取所述原始行为数据的关键场景帧进行场景划分,得到行为场景类别;
聚类模块,依据预设的场景监控表,获得所述行为场景类别对应的场景监控策略,对所述白血病患儿的原始行为数据进行聚类,得到多个监控数据集;
评价模块,对多个所述监控数据集进行评价,获取多个所述监控数据集中的平均监控值,对所述平均监控值进行动作评价,得到所述平均监控值的动作评价结果;
监控模块,依据所述动作评价结果,从动作监控关联表中获取所述白血病患儿的术后监控策略,对所述白血病患儿进行术后监控;
所述一种针对白血病患儿的健康行为监控系统用于执行权利要求1-4任一项所述的一种针对白血病患儿的健康行为监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310821866.8A CN116564460B (zh) | 2023-07-06 | 2023-07-06 | 一种针对白血病患儿的健康行为监控方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310821866.8A CN116564460B (zh) | 2023-07-06 | 2023-07-06 | 一种针对白血病患儿的健康行为监控方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116564460A CN116564460A (zh) | 2023-08-08 |
CN116564460B true CN116564460B (zh) | 2023-09-12 |
Family
ID=87496795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310821866.8A Active CN116564460B (zh) | 2023-07-06 | 2023-07-06 | 一种针对白血病患儿的健康行为监控方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116564460B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985114A (zh) * | 2014-03-21 | 2014-08-13 | 南京大学 | 一种监控视频人物前景分割与分类的方法 |
KR101750094B1 (ko) * | 2015-12-29 | 2017-06-26 | 건국대학교 산학협력단 | 영상의 실시간 모니터링을 통한 비정상 집단행동 분류 방법 |
CN107256386A (zh) * | 2017-05-23 | 2017-10-17 | 东南大学 | 基于深度学习的人类行为分析方法 |
CN111177714A (zh) * | 2019-12-19 | 2020-05-19 | 未鲲(上海)科技服务有限公司 | 异常行为检测方法、装置、计算机设备和存储介质 |
CN113779336A (zh) * | 2021-09-08 | 2021-12-10 | 五八同城信息技术有限公司 | 用户行为数据的处理方法及装置、电子设备 |
CN114120177A (zh) * | 2021-11-11 | 2022-03-01 | 邹雪 | 一种基于智慧健康监控的用户行为引导方法及系统 |
CN114202803A (zh) * | 2021-12-17 | 2022-03-18 | 北方工业大学 | 一种基于残差网络的多阶段人体异常动作检测方法 |
CN114601454A (zh) * | 2022-03-11 | 2022-06-10 | 上海太翼健康科技有限公司 | 一种病人卧床姿势的监控方法 |
CN115620212A (zh) * | 2022-12-14 | 2023-01-17 | 南京迈能能源科技有限公司 | 一种基于监控视频的行为识别方法及系统 |
CN116313163A (zh) * | 2023-05-16 | 2023-06-23 | 四川省医学科学院·四川省人民医院 | 一种基于白血病患儿治疗的交互方法和系统 |
CN116363554A (zh) * | 2023-03-04 | 2023-06-30 | 西安电子科技大学青岛计算技术研究院 | 一种监控视频关键帧提取方法、系统、介质、设备及终端 |
CN116386795A (zh) * | 2023-03-02 | 2023-07-04 | 北大荒集团齐齐哈尔医院(北大荒集团齐齐哈尔妇幼保健院) | 一种产科康复数据管理方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116434927A (zh) * | 2023-03-10 | 2023-07-14 | 深圳市华方信息产业有限公司 | 一种医院感染的监控管理方法、装置、设备和介质 |
-
2023
- 2023-07-06 CN CN202310821866.8A patent/CN116564460B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985114A (zh) * | 2014-03-21 | 2014-08-13 | 南京大学 | 一种监控视频人物前景分割与分类的方法 |
KR101750094B1 (ko) * | 2015-12-29 | 2017-06-26 | 건국대학교 산학협력단 | 영상의 실시간 모니터링을 통한 비정상 집단행동 분류 방법 |
CN107256386A (zh) * | 2017-05-23 | 2017-10-17 | 东南大学 | 基于深度学习的人类行为分析方法 |
CN111177714A (zh) * | 2019-12-19 | 2020-05-19 | 未鲲(上海)科技服务有限公司 | 异常行为检测方法、装置、计算机设备和存储介质 |
CN113779336A (zh) * | 2021-09-08 | 2021-12-10 | 五八同城信息技术有限公司 | 用户行为数据的处理方法及装置、电子设备 |
CN114120177A (zh) * | 2021-11-11 | 2022-03-01 | 邹雪 | 一种基于智慧健康监控的用户行为引导方法及系统 |
CN114202803A (zh) * | 2021-12-17 | 2022-03-18 | 北方工业大学 | 一种基于残差网络的多阶段人体异常动作检测方法 |
CN114601454A (zh) * | 2022-03-11 | 2022-06-10 | 上海太翼健康科技有限公司 | 一种病人卧床姿势的监控方法 |
CN115620212A (zh) * | 2022-12-14 | 2023-01-17 | 南京迈能能源科技有限公司 | 一种基于监控视频的行为识别方法及系统 |
CN116386795A (zh) * | 2023-03-02 | 2023-07-04 | 北大荒集团齐齐哈尔医院(北大荒集团齐齐哈尔妇幼保健院) | 一种产科康复数据管理方法及系统 |
CN116363554A (zh) * | 2023-03-04 | 2023-06-30 | 西安电子科技大学青岛计算技术研究院 | 一种监控视频关键帧提取方法、系统、介质、设备及终端 |
CN116313163A (zh) * | 2023-05-16 | 2023-06-23 | 四川省医学科学院·四川省人民医院 | 一种基于白血病患儿治疗的交互方法和系统 |
Non-Patent Citations (1)
Title |
---|
"急性淋巴细胞白血病儿童营养状况与医院感染相关性研究";林嘉乐;《中国实验血液学杂志》;第28卷(第3期);第767-774页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116564460A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Erdodi | Aggregating validity indicators: The salience of domain specificity and the indeterminate range in multivariate models of performance validity assessment | |
KR101395197B1 (ko) | 수면 상태 및 각성 상태의 자동 검출 방법 및 장치 | |
US7761144B2 (en) | Method, apparatus, and computer program product for stochastic psycho-physiological assessment of attentional impairments | |
CN111493828B (zh) | 基于全卷积网络的序列到序列的睡眠障碍检测方法 | |
CN105636515A (zh) | 用于自动评估失神eeg的方法、计算机程序和评估设备 | |
CN110801221A (zh) | 基于无监督特征学习的睡眠呼吸暂停片段检测方法及设备 | |
Barata et al. | Automatic recognition, segmentation, and sex assignment of nocturnal asthmatic coughs and cough epochs in smartphone audio recordings: observational field study | |
CN104636580A (zh) | 一种基于人脸的健康监控手机 | |
Erguzel et al. | Binomial logistic regression and artificial neural network methods to classify opioid-dependent subjects and control group using quantitative EEG power measures | |
Emami et al. | Autoencoding of long-term scalp electroencephalogram to detect epileptic seizure for diagnosis support system | |
Harris et al. | Embedded structures and representation of nursing knowledge | |
Liu et al. | Wearable device heart rate and activity data in an unsupervised approach to personalized sleep monitoring: algorithm validation | |
CN115116612A (zh) | 一种儿童患者病情智能风险评估系统及方法 | |
CN116564460B (zh) | 一种针对白血病患儿的健康行为监控方法和系统 | |
Hu et al. | Prediction of clinicians' treatment in preterm infants with suspected late-onset sepsis—An ML approach | |
CN117238510A (zh) | 一种基于深度学习的脓毒症预测方法及系统 | |
CN117064333A (zh) | 一种针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置 | |
WO2012006174A2 (en) | Methods, systems, and computer readable media for evaluating a hospital patient's risk of mortality | |
CN109994211B (zh) | 一种基于ehr数据的慢性肾脏病恶化风险的建模方法 | |
US20230170097A1 (en) | Methods and computing device related to sleep evaluation | |
US20230068453A1 (en) | Methods and systems for determining and displaying dynamic patient readmission risk and intervention recommendation | |
Fritz et al. | Identifying varying health states in smart home sensor data: An expert-guided approach | |
CN115349821A (zh) | 一种基于多模态生理信号融合的睡眠分期方法及系统 | |
Yin et al. | How patient work changes over time for people with multimorbid type 2 diabetes: qualitative study | |
CN115067875A (zh) | 一种基于压缩脑电的新生儿睡眠分期方法 |
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 |