CN116564527B - 一种基于生理特征深度学习的呼吸健康分析方法 - Google Patents
一种基于生理特征深度学习的呼吸健康分析方法 Download PDFInfo
- Publication number
- CN116564527B CN116564527B CN202310845955.6A CN202310845955A CN116564527B CN 116564527 B CN116564527 B CN 116564527B CN 202310845955 A CN202310845955 A CN 202310845955A CN 116564527 B CN116564527 B CN 116564527B
- Authority
- CN
- China
- Prior art keywords
- comparison
- dynamic
- lung
- static
- time
- 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
- 230000000241 respiratory effect Effects 0.000 title claims abstract description 119
- 230000036541 health Effects 0.000 title claims abstract description 106
- 238000004458 analytical method Methods 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 40
- 230000003068 static effect Effects 0.000 claims abstract description 153
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 20
- 210000004072 lung Anatomy 0.000 claims description 152
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 18
- 238000012935 Averaging Methods 0.000 claims description 11
- 238000013136 deep learning model Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000011897 real-time detection Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000001502 supplementing effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 201000002859 sleep apnea Diseases 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000003019 respiratory muscle Anatomy 0.000 description 1
- 230000032678 sex differentiation Effects 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
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种基于生理特征深度学习的呼吸健康分析方法,涉及呼吸数据分析技术领域,包括:获取若干健康用户的生理特征数据,其中,生理特征数据包括静态生理特征数据和动态生理特征数据;对若干健康用户的静态生理特征和动态生理特征进行深度学习,得到不同类型用户的呼吸健康模型;将实时获取到的用户的生理特征数据与呼吸健康模型进行比对,得到用户的呼吸健康分析结果;本发明用于解决现有的技术中对于呼吸健康分析的过程较为复杂,不够快速有效的问题。
Description
技术领域
本发明涉及呼吸数据分析技术领域,尤其涉及一种基于生理特征深度学习的呼吸健康分析方法。
背景技术
在对用户的呼吸健康进行分析的过程中,影响比较大的就是肺活量这一因素,因此在通过肺部数据进行分析时,需要充分考虑到肺活量这一肺部数据的影响,肺活量是指在最大吸气后尽力呼气的气量,包括潮气量、补吸气量和补呼气量三部分,潮气量是指一次呼吸周期中肺吸入或呼出的气量,在潮气量之外再吸入的最大气量为补吸气量,在潮气量之外再呼出的最大气量为补呼气量,最大呼气后残留在肺内的气量为余气量。肺活量存在较大的个体差异,受年龄、性别、身材、呼吸肌强弱及肺和胸廓弹性等因素的影响,一般来说,身体越强壮,肺活量就越大,常用作评价人体素质的指标。
现有技术中,在对人体的生理特征数据进行分析的过程中,缺少对于呼吸数据的分析方法,通常都是基于多种身体的检测数据来进行身体监控分析或者呼吸健康分析,例如,在申请公开号为CN103544397A的申请文件中公开了人体的生理健康指标数据进行汇总分析预警的方法,该方法就是通过对身体的多个检测数据进行分析后,对身体的健康进行预警的,再比如在申请公开号为CN115952450A的申请文件中公开了睡眠呼吸暂停综合征识别方法、装置、计算机和存储介质,该方法也是通过多种身体检测数据对睡眠呼吸进行检测预警的,上述两种方法所需要的采集设备较多,分析过程也较为复杂,因此现有的技术中缺少一种快速有效的呼吸健康的分析方法。
发明内容
针对现有技术存在的不足,本发明通过对生理特征数据进行划分,并针对健康用户的生理特征数据建立呼吸健康比对模型,能够快速且准确的对用户的呼吸健康进行分析,以解决现有的技术中对于呼吸健康分析的过程较为复杂,不够快速有效的问题。
为了实现上述目的,第一方面,一种基于生理特征深度学习的呼吸健康分析方法,包括:
获取若干健康用户的生理特征数据,其中,生理特征数据包括静态生理特征数据和动态生理特征数据;
对若干健康用户的静态生理特征和动态生理特征进行深度学习,得到不同类型用户的呼吸健康模型;
将实时获取到的用户的生理特征数据与呼吸健康模型进行比对,得到用户的呼吸健康分析结果。
进一步地,静态生理特征数据的获取过程包括:获取若干健康用户的肺部影像数据和身体特征数据,其中,静态生理特征数据包括用户的肺部影像数据和用户的身体特征数据;
提取肺部影像数据中的肺部扫描图像,提取用户身体特征数据中的性别、年龄、身高和体重。
进一步地,动态生理特征数据的获取过程包括:获取健康用户的动态呼吸数据,其中,动态生理特征数据包括动态呼吸数据;
动态呼吸数据的获取过程包括:设置第一动态获取状态和第二动态获取状态;第一动态获取状态包括;设置第一时长,使健康用户休息第一时长,获取休息第一时长后的健康用户的肺活量;第二动态获取状态包括:对健康用户进行实时检测,获取实时检测时的健康用户的肺活量;
将第一动态获取状态下获取的健康用户的肺活量设定为第一动态肺活量;将第二动态获取状态下获取的健康用户的肺活量设定为第二动态肺活量;
求取第一动态肺活量和第二动态肺活量的平均值,设定为动态肺活量,动态呼吸数据包括动态肺活量。
进一步地,动态生理特征数据的获取过程还包括:设置第三动态获取状态,第三动态获取状态包括:设定第一肺活量阈值、第二肺活量阈值以及第三肺活量阈值;
第一肺活量阈值等于动态肺活量乘以第一百分比,第二肺活量阈值等于动态肺活量乘以第二百分比,第三肺活量阈值等于动态肺活量乘以第三百分比;
第一百分比小于第二百分比,第二百分比小于第三百分比;
得到动态肺活量后,继续获取一次肺活量;在继续获取一次肺活量的过程中记录肺活量大于第一肺活量阈值的用时时间、肺活量大于第二肺活量阈值的用时时间以及肺活量大于第三肺活量阈值的用时时间,分别设定为第一肺活量时长、第二肺活量时长以及第三肺活量时长;
动态呼吸数据还包括第一肺活量时长、第二肺活量时长以及第三肺活量时长。
进一步地,对若干健康用户的静态生理特征和动态生理特征进行深度学习,得到不同类型用户的呼吸健康模型包括:建立静态生理特征学习比对模型,静态生理特征学习比对模型包括:将性别设定为性别男和性别女,将性别男和性别女设定为第一学习比对特征;
将年龄设定为若干年龄区域,将若干年龄区域设定为第二学习比对特征;
通过身高和体重求取身体质量指数,将身体质量指数划分为三个等级,身体质量指数的三个等级包括超标身体质量等级、合格身体质量等级以及低标身体质量等级,将身体质量指数的三个等级设定为第三学习比对特征;
获取肺部扫描图像,提取肺部扫描图像中的双肺区域的轮廓,求取双肺区域的轮廓的面积,设定为肺部面积,将肺部面积设定为第四学习比对特征;
将第一学习比对特征、第二学习比对特征、第三学习比对特征以及第四学习比对特征由前至后进行排序,得到静态生理特征比对顺序;
依次通过第一学习比对特征、第二学习比对特征以及第三学习比对特征将若干健康用户划分为若干固定静态比对区间,对每个固定静态比对区间内的若干健康用户的肺部面积求取平均值,得到每个固定静态比对区间的肺部参考面积。
进一步地,对若干健康用户的静态生理特征和动态生理特征进行深度学习,得到不同类型用户的呼吸健康模型还包括:将新获取到的健康用户的静态生理特征数据录入到静态生理特征学习比对模型中,更新静态生理特征学习比对模型中的肺部参考面积。
进一步地,对若干健康用户的静态生理特征和动态生理特征进行深度学习,得到不同类型用户的呼吸健康模型还配置有呼吸健康模型,所述呼吸健康模型包括:提取静态生理特征学习比对模型;
将动态肺活量对应到每个固定静态比对区间中,对每个固定静态比对区间内的若干健康用户的动态肺活量求取平均值,得到每个固定静态比对区间的动态参考肺活量;
将动态参考肺活量与肺部参考面积进行转换比对,得到肺部有效参考比,将肺部有效参考比作为第一参考比对特征;
将第一肺活量时长、第二肺活量时长以及第三肺活量时长对应到每个固定静态比对区间中,对每个固定静态比对区间内的若干健康用户的第一肺活量时长求取平均值,得到每个固定静态比对区间的第一参考比对时长;对每个固定静态比对区间内的若干健康用户的第二肺活量时长求取平均值,得到每个固定静态比对区间的第二参考比对时长;对每个固定静态比对区间内的若干健康用户的第三肺活量时长求取平均值,得到每个固定静态比对区间的第三参考比对时长;将第一参考比对时长、第二参考比对时长以及第三参考比对时长设定为第二参考比对特征。
进一步地,对若干健康用户的静态生理特征和动态生理特征进行深度学习,得到不同类型用户的呼吸健康模型还包括:将新获取到的健康用户的动态生理特征数据录入到呼吸健康模型中,更新呼吸健康模型中的第一参考比对特征以及第二参考比对特征。
进一步地,将实时获取到的用户的生理特征数据与呼吸健康模型进行比对,得到用户的呼吸健康分析结果包括:将实时获取到的用户的生理特征数据划分为实时静态数据以及实时动态数据,将实时静态数据代入到静态生理特征学习比对模型中,得到实时用户的固定静态比对区间;
提取实时动态数据中的肺部有效参考比,设定为实时肺部参考比;提取实时动态数据中的第一参考比对时长、第二参考比对时长以及第三参考比对时长,分别设定为第一实时比对时长、第二实时比对时长以及第三实时比对时长;
根据实时用户的固定静态比对区间将实时动态数据代入呼吸健康模型中,通过实时比对公式求取实时对比参考比;所述实时比对公式配置为:;其中,Bss为实时比对参考比,Bcsf为实时肺部参考比,Bfy为肺部有效参考比,Tc1为第一参考比对时长,Tc2为第二参考比对时长,Tc3为第三参考比对时长,Tss1为第一实时比对时长,Tss2为第二实时比对时长,Tss3为第三实时比对时长;
当实时比对参考比小于等于第一比对参考比时,将该用户划分为呼吸风险用户;当实时比对参考比小于等于第二比对参考比且大于第一比对参考比时,将该用户划分为呼吸待定用户;当实时比对参考比大于第二比对参考比时,将该用户划分为呼吸健康用户;将呼吸健康用户的生理特征数据更新至静态生理特征学习比对模型和呼吸健康模型中。
第二方面,本申请提供一种基于生理特征深度学习的呼吸健康分析系统,包括:生理特征参数获取模块、深度学习模型建立模块以及呼吸健康分析模块;
所述生理特征参数获取模块用于获取若干健康用户的生理特征数据,所述生理特征参数获取模块包括静态特征获取单元以及动态特征获取单元,所述静态特征获取单元用于获取静态生理特征数据,所述动态特征获取单元用于获取动态生理特征数据;其中,生理特征数据包括静态生理特征数据和动态生理特征数据;
所述深度学习模型建立模块用于对若干健康用户的静态生理特征和动态生理特征进行深度学习,得到不同类型用户的呼吸健康模型;
所述呼吸健康分析模块用于将实时获取到的用户的生理特征数据与呼吸健康模型进行比对,得到用户的呼吸健康分析结果。
第三方面,本申请提供一种电子设备,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如上任意一项所述方法中的步骤。
第四方面,本申请提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,运行如上任意一项所述方法中的步骤。
本发明的有益效果:本发明通过获取若干健康用户的生理特征数据,其中,生理特征数据包括静态生理特征数据和动态生理特征数据,该设计能够通过大量的健康用户的生理特征数据建立比对数据模型,然后对若干健康用户的静态生理特征和动态生理特征进行深度学习,得到不同类型用户的呼吸健康模型,同时根据健康用户本身的数据特征划分若干个比对区间,能够提高比对的全面性,最后将实时获取到的用户的生理特征数据与呼吸健康模型进行比对,得到用户的呼吸健康分析结果,能够提高对用户呼吸健康分析的比对效率和有效性,通过设定能够深度学习的呼吸健康模型,通过将比对后划分为健康用户的数据继续更新到呼吸健康模型中,能够进一步提高比对的准确度。
本发明附加方面的优点将在下面的具体实施方式的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其他特征、目的和优点将会变得更明显:
图1为本发明的方法的步骤流程图;
图2为本发明的系统的原理框图;
图3为本发明的若干固定静态比对区间的划分原理示意图;
图4为本发明的电子设备的连接框图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
请参阅图1所示,本申请提供一种基于生理特征深度学习的呼吸健康分析方法,通过对生理特征数据进行划分,并针对健康用户的生理特征数据建立呼吸健康比对模型,能够快速且准确的对用户的呼吸健康进行分析,以解决现有的技术中对于呼吸健康分析的过程较为复杂,不够快速有效的问题;具体地,基于生理特征深度学习的呼吸健康分析方法包括如下步骤:
步骤S10,获取若干健康用户的生理特征数据,其中,生理特征数据包括静态生理特征数据和动态生理特征数据;步骤S10还包括如下子步骤:步骤S1011,获取若干健康用户的肺部影像数据和身体特征数据,其中,静态生理特征数据包括用户的肺部影像数据和用户的身体特征数据;
步骤S1012,提取肺部影像数据中的肺部扫描图像,提取用户身体特征数据中的性别、年龄、身高和体重,其中肺部扫描图像用于获取用户的肺部区域的大小,肺部区域的大小能够与肺活量成正比,肺部越大其肺泡数量越多,肺活量越大,另外性别、年龄、身高和体重都与肺部呼吸有明显的关联性;步骤S10还包括如下子步骤:步骤S1021,获取健康用户的动态呼吸数据,其中,动态生理特征数据包括动态呼吸数据;
动态呼吸数据的获取过程还包括:步骤S10211:设置第一动态获取状态和第二动态获取状态;第一动态获取状态包括;设置30min的休息时长,使健康用户休息30min,获取休息30min后的健康用户的肺活量;第二动态获取状态包括:对健康用户进行实时检测,实时检测时不考虑健康用户的实时的状态,例如,健康用户跑步到达检测现场,此时获取到的数据与第一动态获取状态获取到的数据能够进行比对融合,提高数据的准确度,获取实时检测时的健康用户的肺活量;
步骤S10212,将第一动态获取状态下获取的健康用户的肺活量设定为第一动态肺活量;将第二动态获取状态下获取的健康用户的肺活量设定为第二动态肺活量;
步骤S10213,求取第一动态肺活量和第二动态肺活量的平均值,设定为动态肺活量,动态呼吸数据包括动态肺活量,例如第一动态肺活量为3000毫升,第二动态肺活量为2800毫升,则得到的动态肺活量为2900毫升。
步骤S10还包括:步骤S10221,设置第三动态获取状态,第三动态获取状态包括:设定第一肺活量阈值、第二肺活量阈值以及第三肺活量阈值;
步骤S10222,第一肺活量阈值等于动态肺活量乘以第一百分比,第二肺活量阈值等于动态肺活量乘以第二百分比,第三肺活量阈值等于动态肺活量乘以第三百分比;
步骤S10223,第一百分比小于第二百分比,第二百分比小于第三百分比;第一百分比设定为80%,第二百分比设定为90%,第三百分比设定为95%,通常状态下,健康用户在呼气过程中,呼气量达到第一肺活量阈值、第二肺活量阈值以及第三肺活量阈值的时长分别为1秒、2秒以及3秒,如果时长越长表明肺部健康水平越低;
步骤S10224,得到动态肺活量后,继续获取一次肺活量;在继续获取一次肺活量的过程中记录肺活量大于第一肺活量阈值的用时时间、肺活量大于第二肺活量阈值的用时时间以及肺活量大于第三肺活量阈值的用时时间,分别设定为第一肺活量时长、第二肺活量时长以及第三肺活量时长;其中,动态呼吸数据还包括第一肺活量时长、第二肺活量时长以及第三肺活量时长。
步骤S20,对若干健康用户的静态生理特征和动态生理特征进行深度学习,得到不同类型用户的呼吸健康模型;步骤S20包括如下步骤:步骤S2011,建立静态生理特征学习比对模型,静态生理特征学习比对模型包括:将性别设定为性别男和性别女,将性别男和性别女设定为第一学习比对特征;通常情况下,成年健康用户中的男性用户的肺活量为3500毫升,女性健康用户的肺活量为2500毫升,因此第一步比对需要进行性别区分;
步骤S2012,将年龄设定为若干年龄区域,将若干年龄区域设定为第二学习比对特征;不同年龄段的用户的肺部呼吸水平是不同的,在实际划分时,可以根据年龄段划分为1到3岁,4到8岁,9到13岁,14到18岁,19到25岁,26到40岁,41到60岁,61岁以上;
步骤S2013,通过身高和体重求取身体质量指数,将身体质量指数划分为三个等级,身体质量指数的三个等级包括超标身体质量等级、合格身体质量等级以及低标身体质量等级,将身体质量指数的三个等级设定为第三学习比对特征;具体划分时,将身体质量指数低于18的设定为低标身体质量等级,将身体质量指数大于等于18且小于等于24的设定为合格身体质量等级,将身体质量指数大于24的设定为超标身体质量等级;
步骤S2014,获取肺部扫描图像,提取肺部扫描图像中的双肺区域的轮廓,求取双肺区域的轮廓的面积,设定为肺部面积,将肺部面积设定为第四学习比对特征,通常情况下肺部区域的面积越大,所对应的肺活量也越大;
步骤S2015,将第一学习比对特征、第二学习比对特征、第三学习比对特征以及第四学习比对特征由前至后进行排序,得到静态生理特征比对顺序;
请参阅图3所示,步骤S2016,依次通过第一学习比对特征、第二学习比对特征以及第三学习比对特征将若干健康用户划分为若干固定静态比对区间,对每个固定静态比对区间内的若干健康用户的肺部面积求取平均值,得到每个固定静态比对区间的肺部参考面积。
步骤S20还包括如下步骤:步骤S2021,将新获取到的健康用户的静态生理特征数据录入到静态生理特征学习比对模型中,更新静态生理特征学习比对模型中的肺部参考面积,通过不断地更新静态生理特征数据,能够增加健康用户的样本数量,从而提高比对的准确度。
步骤S20还配置有呼吸健康模型,呼吸健康模型包括如下步骤:步骤S2031,提取静态生理特征学习比对模型;
步骤S2032,将动态肺活量对应到每个固定静态比对区间中,对每个固定静态比对区间内的若干健康用户的动态肺活量求取平均值,得到每个固定静态比对区间的动态参考肺活量;
步骤S2033,将动态参考肺活量与肺部参考面积进行转换比对,具体转换比对过程中,将动态参考肺活量除以肺部参考面积得到肺部有效参考比,肺活量的单位为毫升,肺部参考面积的单位为平方厘米,例如动态参考肺活量为3000毫升,肺部参考面积为500平方厘米,得到的肺部有效参考比为6;将肺部有效参考比作为第一参考比对特征;
步骤S2034,将第一肺活量时长、第二肺活量时长以及第三肺活量时长对应到每个固定静态比对区间中,对每个固定静态比对区间内的若干健康用户的第一肺活量时长求取平均值,得到每个固定静态比对区间的第一参考比对时长;对每个固定静态比对区间内的若干健康用户的第二肺活量时长求取平均值,得到每个固定静态比对区间的第二参考比对时长;对每个固定静态比对区间内的若干健康用户的第三肺活量时长求取平均值,得到每个固定静态比对区间的第三参考比对时长;将第一参考比对时长、第二参考比对时长以及第三参考比对时长设定为第二参考比对特征。
步骤S20还包括如下子步骤:步骤S2041,将新获取到的健康用户的动态生理特征数据录入到呼吸健康模型中,更新呼吸健康模型中的第一参考比对特征以及第二参考比对特征,通过不断地更新动态生理特征数据,能够增加健康用户的样本数量,从而提高比对的准确度。
步骤S30,将实时获取到的用户的生理特征数据与呼吸健康模型进行比对,得到用户的呼吸健康分析结果;步骤S30还包括如下子步骤:步骤S301,将实时获取到的用户的生理特征数据划分为实时静态数据以及实时动态数据,将实时静态数据代入到静态生理特征学习比对模型中,得到实时用户的固定静态比对区间;
步骤S302,提取实时动态数据中的肺部有效参考比,设定为实时肺部参考比;提取实时动态数据中的第一参考比对时长、第二参考比对时长以及第三参考比对时长,分别设定为第一实时比对时长、第二实时比对时长以及第三实时比对时长;
步骤S303,根据实时用户的固定静态比对区间将实时动态数据代入呼吸健康模型中,通过实时比对公式求取实时对比参考比;实时比对公式配置为:;其中,Bss为实时比对参考比,Bcsf为实时肺部参考比,Bfy为肺部有效参考比,Tc1为第一参考比对时长,Tc2为第二参考比对时长,Tc3为第三参考比对时长,Tss1为第一实时比对时长,Tss2为第二实时比对时长,Tss3为第三实时比对时长;
步骤S304,当实时比对参考比小于等于第一比对参考比时,将该用户划分为呼吸风险用户;当实时比对参考比小于等于第二比对参考比且大于第一比对参考比时,将该用户划分为呼吸待定用户;当实时比对参考比大于第二比对参考比时,将该用户划分为呼吸健康用户;将呼吸健康用户的生理特征数据更新至静态生理特征学习比对模型和呼吸健康模型中,具体实施时,第一比对参考比设置为1.2,第二比对参考比设置为1.8,参照实时比对公式可以得到,作为一个健康的用户来说,公式中两个相加的权重部分的比值都应趋近于1,因此当实时比对参考比为2时,表明该用户为一个健康用户。
实施例二
请参阅图2所示,本申请还提供一种基于生理特征深度学习的呼吸健康分析系统,系统包括生理特征参数获取模块、深度学习模型建立模块以及呼吸健康分析模块;生理特征参数获取模块用于获取若干健康用户的生理特征数据,其中,生理特征数据包括静态生理特征数据和动态生理特征数据;生理特征参数获取模块包括静态特征获取单元以及动态特征获取单元,静态特征获取单元用于获取静态生理特征数据,静态特征获取单元配置有静态特征获取策略,静态特征获取策略包括:获取若干健康用户的肺部影像数据和身体特征数据,其中,静态生理特征数据包括用户的肺部影像数据和用户的身体特征数据;提取肺部影像数据中的肺部扫描图像,提取用户身体特征数据中的性别、年龄、身高和体重。
动态特征获取单元用于获取动态生理特征数据;动态特征获取单元配置有动态特征获取策略,动态特征获取策略包括:获取健康用户的动态呼吸数据,其中,动态生理特征数据包括动态呼吸数据;
动态呼吸数据的获取过程包括:设置第一动态获取状态和第二动态获取状态;第一动态获取状态包括;设置第一时长,使健康用户休息第一时长,获取休息第一时长后的健康用户的肺活量;第二动态获取状态包括:对健康用户进行实时检测,获取实时检测时的健康用户的肺活量;
将第一动态获取状态下获取的健康用户的肺活量设定为第一动态肺活量;将第二动态获取状态下获取的健康用户的肺活量设定为第二动态肺活量;
求取第一动态肺活量和第二动态肺活量的平均值,设定为动态肺活量,动态呼吸数据包括动态肺活量。
动态特征获取策略还包括:设置第三动态获取状态,第三动态获取状态包括:设定第一肺活量阈值、第二肺活量阈值以及第三肺活量阈值;
第一肺活量阈值等于动态肺活量乘以第一百分比,第二肺活量阈值等于动态肺活量乘以第二百分比,第三肺活量阈值等于动态肺活量乘以第三百分比;
第一百分比小于第二百分比,第二百分比小于第三百分比;
得到动态肺活量后,继续获取一次肺活量;在继续获取一次肺活量的过程中记录肺活量大于第一肺活量阈值的用时时间、肺活量大于第二肺活量阈值的用时时间以及肺活量大于第三肺活量阈值的用时时间,分别设定为第一肺活量时长、第二肺活量时长以及第三肺活量时长;
动态呼吸数据还包括第一肺活量时长、第二肺活量时长以及第三肺活量时长。
深度学习模型建立模块用于对若干健康用户的静态生理特征和动态生理特征进行深度学习,得到不同类型用户的呼吸健康模型;深度学习模型建立模块配置有静态生理特征学习比对策略,静态生理特征学习比对策略包括:建立静态生理特征学习比对模型,静态生理特征学习比对模型包括:将性别设定为性别男和性别女,将性别男和性别女设定为第一学习比对特征;
将年龄设定为若干年龄区域,将若干年龄区域设定为第二学习比对特征;
通过身高和体重求取身体质量指数,将身体质量指数划分为三个等级,身体质量指数的三个等级包括超标身体质量等级、合格身体质量等级以及低标身体质量等级,将身体质量指数的三个等级设定为第三学习比对特征;
获取肺部扫描图像,提取肺部扫描图像中的双肺区域的轮廓,求取双肺区域的轮廓的面积,设定为肺部面积,将肺部面积设定为第四学习比对特征;
将第一学习比对特征、第二学习比对特征、第三学习比对特征以及第四学习比对特征由前至后进行排序,得到静态生理特征比对顺序;
依次通过第一学习比对特征、第二学习比对特征以及第三学习比对特征将若干健康用户划分为若干固定静态比对区间,对每个固定静态比对区间内的若干健康用户的肺部面积求取平均值,得到每个固定静态比对区间的肺部参考面积。
深度学习模型建立模块配置有静态生理特征深度学习策略,静态生理特征深度学习策略包括:将新获取到的健康用户的静态生理特征数据录入到静态生理特征学习比对模型中,更新静态生理特征学习比对模型中的肺部参考面积。
深度学习模型建立模块还配置有呼吸健康模型,呼吸健康模型包括:提取静态生理特征学习比对模型;
将动态肺活量对应到每个固定静态比对区间中,对每个固定静态比对区间内的若干健康用户的动态肺活量求取平均值,得到每个固定静态比对区间的动态参考肺活量;
将动态参考肺活量与肺部参考面积进行转换比对,得到肺部有效参考比,将肺部有效参考比作为第一参考比对特征;
将第一肺活量时长、第二肺活量时长以及第三肺活量时长对应到每个固定静态比对区间中,对每个固定静态比对区间内的若干健康用户的第一肺活量时长求取平均值,得到每个固定静态比对区间的第一参考比对时长;对每个固定静态比对区间内的若干健康用户的第二肺活量时长求取平均值,得到每个固定静态比对区间的第二参考比对时长;对每个固定静态比对区间内的若干健康用户的第三肺活量时长求取平均值,得到每个固定静态比对区间的第三参考比对时长;将第一参考比对时长、第二参考比对时长以及第三参考比对时长设定为第二参考比对特征。
深度学习模型建立模块还配置有深度学习比对策略,深度学习比对策略包括:将新获取到的健康用户的动态生理特征数据录入到呼吸健康模型中,更新呼吸健康模型中的第一参考比对特征以及第二参考比对特征。
呼吸健康分析模块用于将实时获取到的用户的生理特征数据与呼吸健康模型进行比对,得到用户的呼吸健康分析结果;呼吸健康分析模块配置有呼吸健康分析策略,呼吸健康分析策略包括:将实时获取到的用户的生理特征数据划分为实时静态数据以及实时动态数据,将实时静态数据代入到静态生理特征学习比对模型中,得到实时用户的固定静态比对区间;
提取实时动态数据中的肺部有效参考比,设定为实时肺部参考比;提取实时动态数据中的第一参考比对时长、第二参考比对时长以及第三参考比对时长,分别设定为第一实时比对时长、第二实时比对时长以及第三实时比对时长;
根据实时用户的固定静态比对区间将实时动态数据代入呼吸健康模型中,通过实时比对公式求取实时对比参考比;实时比对公式配置为:;其中,Bss为实时比对参考比,Bcsf为实时肺部参考比,Bfy为肺部有效参考比,Tc1为第一参考比对时长,Tc2为第二参考比对时长,Tc3为第三参考比对时长,Tss1为第一实时比对时长,Tss2为第二实时比对时长,Tss3为第三实时比对时长;
当实时比对参考比小于等于第一比对参考比时,将该用户划分为呼吸风险用户;当实时比对参考比小于等于第二比对参考比且大于第一比对参考比时,将该用户划分为呼吸待定用户;当实时比对参考比大于第二比对参考比时,将该用户划分为呼吸健康用户;将呼吸健康用户的生理特征数据更新至静态生理特征学习比对模型和呼吸健康模型中。
实施例三
如图4所示,本申请还提供一种电子设备,包括处理器402以及存储器401,存储器401存储有计算机可读取指令,当计算机可读取指令由处理器402执行时,运行如上任意一项方法中的步骤。通过上述技术方案,处理器402和存储器401通过通信总线和/或其他形式的连接机构(未标出)互连并相互通讯,存储器401存储有处理器402可执行的计算机程序,当电子设备运行时,处理器402执行该计算机程序,以执行时执行上述实施例的任一可选的实现方式中的方法,以实现以下功能:获取若干健康用户的生理特征数据,其中,生理特征数据包括静态生理特征数据和动态生理特征数据;对若干健康用户的静态生理特征和动态生理特征进行深度学习,得到不同类型用户的呼吸健康模型;将实时获取到的用户的生理特征数据与呼吸健康模型进行比对,得到用户的呼吸健康分析结果。
实施例四
本申请还提供一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时,运行如上任意一项方法中的步骤。通过上述技术方案,计算机程序被处理器执行时,执行上述实施例的任一可选的实现方式中的方法,以实现以下功能:获取若干健康用户的生理特征数据,其中,生理特征数据包括静态生理特征数据和动态生理特征数据;对若干健康用户的静态生理特征和动态生理特征进行深度学习,得到不同类型用户的呼吸健康模型;将实时获取到的用户的生理特征数据与呼吸健康模型进行比对,得到用户的呼吸健康分析结果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random AccessMemory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable ProgrammableRead Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-OnlyMemory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于生理特征深度学习的呼吸健康分析方法,其特征在于,包括:
获取若干健康用户的生理特征数据,其中,生理特征数据包括静态生理特征数据和动态生理特征数据;
对若干健康用户的静态生理特征和动态生理特征进行深度学习,得到不同类型用户的呼吸健康模型;
将实时获取到的用户的生理特征数据与呼吸健康模型进行比对,得到用户的呼吸健康分析结果;
静态生理特征数据的获取过程包括:获取若干健康用户的肺部影像数据和身体特征数据,其中,静态生理特征数据包括用户的肺部影像数据和用户的身体特征数据;
提取肺部影像数据中的肺部扫描图像,提取用户身体特征数据中的性别、年龄、身高和体重;
动态生理特征数据的获取过程包括:获取健康用户的动态呼吸数据,其中,动态生理特征数据包括动态呼吸数据;
动态呼吸数据的获取过程包括:设置第一动态获取状态和第二动态获取状态;第一动态获取状态包括;设置第一时长,使健康用户休息第一时长,获取休息第一时长后的健康用户的肺活量;第二动态获取状态包括:对健康用户进行实时检测,获取实时检测时的健康用户的肺活量;
将第一动态获取状态下获取的健康用户的肺活量设定为第一动态肺活量;将第二动态获取状态下获取的健康用户的肺活量设定为第二动态肺活量;
求取第一动态肺活量和第二动态肺活量的平均值,设定为动态肺活量,动态呼吸数据包括动态肺活量。
2.根据权利要求1所述的一种基于生理特征深度学习的呼吸健康分析方法,其特征在于,动态生理特征数据的获取过程还包括:设置第三动态获取状态,第三动态获取状态包括:设定第一肺活量阈值、第二肺活量阈值以及第三肺活量阈值;
第一肺活量阈值等于动态肺活量乘以第一百分比,第二肺活量阈值等于动态肺活量乘以第二百分比,第三肺活量阈值等于动态肺活量乘以第三百分比;
第一百分比小于第二百分比,第二百分比小于第三百分比;
得到动态肺活量后,继续获取一次肺活量;在继续获取一次肺活量的过程中记录肺活量大于第一肺活量阈值的用时时间、肺活量大于第二肺活量阈值的用时时间以及肺活量大于第三肺活量阈值的用时时间,分别设定为第一肺活量时长、第二肺活量时长以及第三肺活量时长;
动态呼吸数据还包括第一肺活量时长、第二肺活量时长以及第三肺活量时长。
3.根据权利要求2所述的一种基于生理特征深度学习的呼吸健康分析方法,其特征在于,对若干健康用户的静态生理特征和动态生理特征进行深度学习,得到不同类型用户的呼吸健康模型包括:建立静态生理特征学习比对模型,静态生理特征学习比对模型包括:将性别设定为性别男和性别女,将性别男和性别女设定为第一学习比对特征;
将年龄设定为若干年龄区域,将若干年龄区域设定为第二学习比对特征;
通过身高和体重求取身体质量指数,将身体质量指数划分为三个等级,身体质量指数的三个等级包括超标身体质量等级、合格身体质量等级以及低标身体质量等级,将身体质量指数的三个等级设定为第三学习比对特征;
获取肺部扫描图像,提取肺部扫描图像中的双肺区域的轮廓,求取双肺区域的轮廓的面积,设定为肺部面积,将肺部面积设定为第四学习比对特征;
将第一学习比对特征、第二学习比对特征、第三学习比对特征以及第四学习比对特征由前至后进行排序,得到静态生理特征比对顺序;
依次通过第一学习比对特征、第二学习比对特征以及第三学习比对特征将若干健康用户划分为若干固定静态比对区间,对每个固定静态比对区间内的若干健康用户的肺部面积求取平均值,得到每个固定静态比对区间的肺部参考面积。
4.根据权利要求3所述的一种基于生理特征深度学习的呼吸健康分析方法,其特征在于,对若干健康用户的静态生理特征和动态生理特征进行深度学习,得到不同类型用户的呼吸健康模型还包括:将新获取到的健康用户的静态生理特征数据录入到静态生理特征学习比对模型中,更新静态生理特征学习比对模型中的肺部参考面积。
5.根据权利要求4所述的一种基于生理特征深度学习的呼吸健康分析方法,其特征在于,对若干健康用户的静态生理特征和动态生理特征进行深度学习,得到不同类型用户的呼吸健康模型还配置有呼吸健康模型,所述呼吸健康模型包括:提取静态生理特征学习比对模型;
将动态肺活量对应到每个固定静态比对区间中,对每个固定静态比对区间内的若干健康用户的动态肺活量求取平均值,得到每个固定静态比对区间的动态参考肺活量;
将动态参考肺活量与肺部参考面积进行转换比对,得到肺部有效参考比,将肺部有效参考比作为第一参考比对特征;
将第一肺活量时长、第二肺活量时长以及第三肺活量时长对应到每个固定静态比对区间中,对每个固定静态比对区间内的若干健康用户的第一肺活量时长求取平均值,得到每个固定静态比对区间的第一参考比对时长;对每个固定静态比对区间内的若干健康用户的第二肺活量时长求取平均值,得到每个固定静态比对区间的第二参考比对时长;对每个固定静态比对区间内的若干健康用户的第三肺活量时长求取平均值,得到每个固定静态比对区间的第三参考比对时长;将第一参考比对时长、第二参考比对时长以及第三参考比对时长设定为第二参考比对特征。
6.根据权利要求5所述的一种基于生理特征深度学习的呼吸健康分析方法,其特征在于,对若干健康用户的静态生理特征和动态生理特征进行深度学习,得到不同类型用户的呼吸健康模型还包括:将新获取到的健康用户的动态生理特征数据录入到呼吸健康模型中,更新呼吸健康模型中的第一参考比对特征以及第二参考比对特征。
7.根据权利要求6所述的一种基于生理特征深度学习的呼吸健康分析方法,其特征在于,将实时获取到的用户的生理特征数据与呼吸健康模型进行比对,得到用户的呼吸健康分析结果包括:将实时获取到的用户的生理特征数据划分为实时静态数据以及实时动态数据,将实时静态数据代入到静态生理特征学习比对模型中,得到实时用户的固定静态比对区间;
提取实时动态数据中的肺部有效参考比,设定为实时肺部参考比;提取实时动态数据中的第一参考比对时长、第二参考比对时长以及第三参考比对时长,分别设定为第一实时比对时长、第二实时比对时长以及第三实时比对时长;
根据实时用户的固定静态比对区间将实时动态数据代入呼吸健康模型中,通过实时比对公式求取实时比对参考比;所述实时比对公式配置为:;其中,Bss为实时比对参考比,Bcsf为实时肺部参考比,Bfy为肺部有效参考比,Tc1为第一参考比对时长,Tc2为第二参考比对时长,Tc3为第三参考比对时长,Tss1为第一实时比对时长,Tss2为第二实时比对时长,Tss3为第三实时比对时长;
当实时比对参考比小于等于第一比对参考比时,将该用户划分为呼吸风险用户;当实时比对参考比小于等于第二比对参考比且大于第一比对参考比时,将该用户划分为呼吸待定用户;当实时比对参考比大于第二比对参考比时,将该用户划分为呼吸健康用户;将呼吸健康用户的生理特征数据更新至静态生理特征学习比对模型和呼吸健康模型中。
8.适用于权利要求1-7任意一项所述的一种基于生理特征深度学习的呼吸健康分析方法的系统,其特征在于,包括生理特征参数获取模块、深度学习模型建立模块以及呼吸健康分析模块;
所述生理特征参数获取模块用于获取若干健康用户的生理特征数据,所述生理特征参数获取模块包括静态特征获取单元以及动态特征获取单元,所述静态特征获取单元用于获取静态生理特征数据,所述动态特征获取单元用于获取动态生理特征数据;其中,生理特征数据包括静态生理特征数据和动态生理特征数据;
所述深度学习模型建立模块用于对若干健康用户的静态生理特征和动态生理特征进行深度学习,得到不同类型用户的呼吸健康模型;
所述呼吸健康分析模块用于将实时获取到的用户的生理特征数据与呼吸健康模型进行比对,得到用户的呼吸健康分析结果。
9.一种电子设备,其特征在于,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如权利要求1-7任一项所述方法中的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,运行如权利要求1-7任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310845955.6A CN116564527B (zh) | 2023-07-11 | 2023-07-11 | 一种基于生理特征深度学习的呼吸健康分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310845955.6A CN116564527B (zh) | 2023-07-11 | 2023-07-11 | 一种基于生理特征深度学习的呼吸健康分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116564527A CN116564527A (zh) | 2023-08-08 |
CN116564527B true CN116564527B (zh) | 2023-09-15 |
Family
ID=87496950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310845955.6A Active CN116564527B (zh) | 2023-07-11 | 2023-07-11 | 一种基于生理特征深度学习的呼吸健康分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116564527B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102008290A (zh) * | 2010-09-28 | 2011-04-13 | 深圳市倍泰健康测量分析技术有限公司 | 人体健康采集分析设备及方法 |
CN106126895A (zh) * | 2016-06-20 | 2016-11-16 | 上海朗朗信息科技有限公司 | 基于移动终端的健康生活行为管理系统及方法 |
CN106446765A (zh) * | 2016-07-26 | 2017-02-22 | 重庆大学 | 一种基于多维生理大数据深度学习的健康状态评价系统 |
CN111540471A (zh) * | 2020-05-12 | 2020-08-14 | 西安交通大学医学院第一附属医院 | 一种基于用户健康数据的健康状态跟踪及预警方法和系统 |
CN111598895A (zh) * | 2020-04-14 | 2020-08-28 | 苏州复元医疗科技有限公司 | 一种基于诊断影像和机器学习的测量肺功能指标的方法 |
CN116110580A (zh) * | 2023-01-19 | 2023-05-12 | 江苏雷奥生物科技有限公司 | 一种基于大数据的医疗健康管理系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11529072B2 (en) * | 2012-06-18 | 2022-12-20 | AireHealth Inc. | Method and apparatus for performing dynamic respiratory classification and tracking of wheeze and crackle |
-
2023
- 2023-07-11 CN CN202310845955.6A patent/CN116564527B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102008290A (zh) * | 2010-09-28 | 2011-04-13 | 深圳市倍泰健康测量分析技术有限公司 | 人体健康采集分析设备及方法 |
CN106126895A (zh) * | 2016-06-20 | 2016-11-16 | 上海朗朗信息科技有限公司 | 基于移动终端的健康生活行为管理系统及方法 |
CN106446765A (zh) * | 2016-07-26 | 2017-02-22 | 重庆大学 | 一种基于多维生理大数据深度学习的健康状态评价系统 |
CN111598895A (zh) * | 2020-04-14 | 2020-08-28 | 苏州复元医疗科技有限公司 | 一种基于诊断影像和机器学习的测量肺功能指标的方法 |
CN111540471A (zh) * | 2020-05-12 | 2020-08-14 | 西安交通大学医学院第一附属医院 | 一种基于用户健康数据的健康状态跟踪及预警方法和系统 |
CN116110580A (zh) * | 2023-01-19 | 2023-05-12 | 江苏雷奥生物科技有限公司 | 一种基于大数据的医疗健康管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116564527A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Maier et al. | DeepFlow: Detecting optimal user experience from physiological data using deep neural networks. | |
CN109036553A (zh) | 一种基于自动抽取医疗专家知识的疾病预测方法 | |
CN109998482A (zh) | 睡眠状况的检测 | |
CN110179465A (zh) | 机械通气脱机量化评估方法、装置、设备和存储介质 | |
EP2536333A1 (en) | Nitric oxide measurement method and apparatus | |
Casaseca-de-la-Higuera et al. | Weaning from mechanical ventilation: a retrospective analysis leading to a multimodal perspective | |
CN102187343A (zh) | 用于检测对象呼吸中呼吸功能不全的系统和方法 | |
Coffman et al. | Optimizing the calculation of DM, CO and VC via the single breath single oxygen tension DLCO/NO method | |
JP2024074846A (ja) | 健康度ポジショニングマップおよび健康関数を作成する方法、システム、およびプログラム、ならびにそれらの使用方法 | |
CN113012544A (zh) | 肺功能波形模拟测试方法、装置、计算机设备及存储介质 | |
CN116564527B (zh) | 一种基于生理特征深度学习的呼吸健康分析方法 | |
CN113599647B (zh) | 呼吸机机械通气的通气模式匹配方法、装置和相关设备 | |
CN110251137A (zh) | 一种用于无创呼吸机的入睡检测方法及使用该方法的呼吸机 | |
CN117690585A (zh) | 一种基于生物反馈的睡眠障碍治疗系统及方法 | |
Ang et al. | Virtual patient framework for the testing of mechanical ventilation airway pressure and flow settings protocol | |
Młyńczak et al. | Flow parameters derived from impedance pneumography after nonlinear calibration based on neural networks | |
CN116110539A (zh) | 一种缓解疼痛的虚拟现实系统和方法 | |
Ang et al. | Predicting mechanically ventilated patients future respiratory system elastance–A stochastic modelling approach | |
CN112043251B (zh) | 动静态切换下的心肺功能评估方法、装置、设备、存储介质及系统 | |
Redmond et al. | A minimal algorithm for a minimal recruitment model–model estimation of alveoli opening pressure of an acute respiratory distress syndrome (ARDS) lung | |
Caminal et al. | Optimized symbolic dynamics approach for the analysis of the respiratory pattern | |
Ivanov et al. | Prediction of critical pulmonary shunts in infants | |
Victor Jr et al. | Mixed‐integer quadratic programming approach for noninvasive estimation of respiratory effort profile during pressure support ventilation | |
von Platen et al. | Automated positive end-expiratory pressure titration during mechanical ventilation | |
Ivanov et al. | Estimation of blood oxygen content using context-aware filtering |
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 |