CN116942149B - 基于毫米波雷达的腰椎监控方法、装置、设备及存储介质 - Google Patents
基于毫米波雷达的腰椎监控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116942149B CN116942149B CN202311219121.0A CN202311219121A CN116942149B CN 116942149 B CN116942149 B CN 116942149B CN 202311219121 A CN202311219121 A CN 202311219121A CN 116942149 B CN116942149 B CN 116942149B
- Authority
- CN
- China
- Prior art keywords
- lumbar
- result
- image
- duration
- model
- 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 105
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008859 change Effects 0.000 claims abstract description 60
- 206010050031 Muscle strain Diseases 0.000 claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 50
- 230000036772 blood pressure Effects 0.000 claims description 33
- 210000004204 blood vessel Anatomy 0.000 claims description 29
- 230000000276 sedentary effect Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000013526 transfer learning Methods 0.000 claims description 5
- 230000036541 health Effects 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000036544 posture Effects 0.000 description 66
- 230000006870 function Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 206010047139 Vasoconstriction Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000025033 vasoconstriction Effects 0.000 description 2
- 208000008035 Back Pain Diseases 0.000 description 1
- 241001456553 Chanodichthys dabryi Species 0.000 description 1
- 208000008930 Low Back Pain Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000013178 mathematical model 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
- 238000003062 neural network model Methods 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
-
- 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
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
- A61B5/4538—Evaluating a particular part of the muscoloskeletal system or a particular medical condition
- A61B5/4566—Evaluating the spine
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Abstract
本发明涉及人工智能技术,揭露了一种基于毫米波雷达的腰椎监控方法、装置、设备及存储介质。所述方法包括:利用毫米波雷达实时获取用户的类热图像,对类热图像进行身体指标识别及身体姿势识别操作,得到身体指标参数及身体姿势结果;当所述身体姿势结果属于预设姿势类型时,记录身体姿势结果对应的持续时间,获取所述持续时间内所述身体指标参数对应的变化曲线;利用预训练的腰部劳损监测模型,对所述持续时间、所述身体姿势结果及所述变化曲线进行腰部疲劳分数评估得到腰部疲劳分数结果;当腰部疲劳分数结果达到预设的警戒阈值时,生成报警提示信息。本发明可以对人体腰椎进行健康监测,保护用户身体健康。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于毫米波雷达的腰椎监控方法、装置、设备及计算机可读存储介质。
背景技术
随着社会科学技术的发展,各种电子设备为人们带来便利的同时也会为人体造成身体健康隐患,由于久坐、坐姿、睡姿不正确等行为,脊椎退行性疾病也日趋严重。如今腰痛已经成为社会患病率极高的一种疾病,不仅给人体带来了极大身体和心理上的伤害,也给人类社会带来了巨大经济损失。
传统的腰椎监控一般通过将穿戴式设备直接穿在身上,利用该穿戴式设备对用户的坐姿进行监控,从而达到保护腰椎的目的,但是穿戴式设备可能会给用户带来不舒服的体验。
发明内容
本发明提供一种基于毫米波雷达的腰椎监控方法、装置、设备及存储介质,其主要目的在于通过毫米波雷达对人体腰椎进行健康监测,保护用户身体健康。
为实现上述目的,本发明提供的一种基于毫米波雷达的腰椎监控方法,包括:
利用预构建的毫米波雷达实时获取用户的类热图像,并对所述类热图像进行基于预设类型身体指标识别操作,得到身体指标参数,及对所述类热图像进行身体姿势识别,得到身体姿势结果;
判断所述身体姿势结果是否属于预设姿势类型;
当所述身体姿势结果属于预设姿势类型时,记录所述身体姿势结果对应的持续时间,并获取所述持续时间内所述身体指标参数对应的变化曲线;
利用预训练的腰部劳损监测模型,对所述持续时间、所述身体姿势结果及所述变化曲线进行腰部疲劳分数评估,得到腰部疲劳分数结果;
当所述腰部疲劳分数结果达到预设的警戒阈值时,生成报警提示信息。
可选的,所述利用预训练的腰部劳损监测模型,对所述持续时间、所述身体姿势结果及所述变化曲线进行腰部疲劳分数评估,得到腰部疲劳分数结果,包括:
利用预训练的腰部劳损监测模型对所述身体姿势结果进行腰部压力识别,得到实时腰部压力;
对所述变化曲线进行基于变化幅度的分段操作,并根据分段结果对所述持续时间进行分段,并根据所述变化曲线中各个分段的变化幅度,配置所述持续时间中每段时间的权重系数;
根据单位时间内的所述实时腰部压力及所述单位时间对应的所述权重系数,计算所述单位时间内的腰部劳损数值,并对所述持续时间内的各个所述腰部劳损数值进行求和计算,得到所述持续时间内的腰部疲劳分数结果。
可选的,所述对所述变化曲线进行基于变化幅度的分段操作,并根据分段结果对所述持续时间进行分段,并根据所述变化曲线中各个分段的变化幅度,配置所述持续时间中每段时间的权重系数,包括:
获取所述变化曲线中的血压曲线、心率曲线及血管厚度曲线;
对所述血压曲线、心率曲线及血管厚度曲线进行曲线曲率计算,并根据各个曲率结果对所述血压曲线、心率曲线及血管厚度曲线进行分段;
根据所述血压升高为正向、心率减缓为正向及血管变细为正向对各个曲线进行初始权重调整,得到各个所述变化曲线中各个分段对应的权重系数。
可选的,所述利用预训练的腰部劳损监测模型之前,所述方法还包括:
获取包含生物力学网络及腰部压力监测网络的腰部劳损监测模型,获取预构建的生物力学模型,获取预构建的久坐图像训练样本;
利用迁移学习方法将所述生物力学模型中的模型参数配置到所述生物力学网络中,并根据预设的模型需求,对所述腰部压力监测网络进行初始化参数配置,得到初始腰部劳损监测模型;
依次从所述久坐图像训练样本中提取一个训练样本,并利用所述初始腰部劳损监测模型对所述训练样本进行网络正向运算,得到预测劳损分数;
利用交叉熵损失算法,计算所述预测劳损分数与所述训练样本对应的人工标签评分之间的损失值;
根据梯度下降方法,对所述损失值进行最小化操作,得到所述损失值最小时的网络参数,并对所述网络参数进行网络逆向更新,得到更新腰部劳损监测模型;
判断所述损失值的收敛性;
当所述损失值未收敛时,返回上述依次从所述久坐图像训练样本中提取一个训练样本的步骤,重新获取训练样本对所述更新腰部劳损监测模型进行迭代训练;
当所述损失值收敛时,停止训练过程,得到训练完成的腰部劳损监测模型。
可选的,所述对所述类热图像进行基于预设类型身体指标识别操作,得到身体指标参数,包括:
对所述类热图像进行基于血压、心率及血管宽度的监测,得到血压参数、心率参数及血管宽度参数;
对所述血压参数、心率参数及血管宽度参数进行统一记录,得到身体指标参数。
可选的,所述对所述类热图像进行身体姿势识别,得到身体姿势结果,包括:
对所述类热图像进行高斯滤波处理,得到降噪图像;
对所述降噪图像进行卷积操作,得到卷积矩阵集合;
对所述卷积矩阵集合进行平均池化及扁平化操作,得到特征序列集合;
对所述特征序列集合进行全连接分类判断,得到身体姿势结果。
可选的,所述当所述腰部疲劳分数结果达到预设的警戒阈值时,生成报警提示信息之前,所述方法还包括:
利用用户输入的自身作息图像数据,对所述腰部劳损监测模型进行微调训练,得到适应所述用户的警戒阈值。
为了解决上述问题,本发明还提供一种基于毫米波雷达的腰椎监控装置,所述装置包括:
毫米波雷达数据获取模块,用于利用预构建的毫米波雷达实时获取用户的类热图像,并对所述类热图像进行基于预设类型身体指标识别操作,得到身体指标参数,及对所述类热图像进行身体姿势识别,得到身体姿势结果;
姿势监控模块,用于判断所述身体姿势结果是否属于预设姿势类型,及当所述身体姿势结果属于预设姿势类型时,记录所述身体姿势结果对应的持续时间,并获取所述持续时间内所述身体指标参数对应的变化曲线;
模型预测模块,用于利用预训练的腰部劳损监测模型,对所述持续时间、所述身体姿势结果及所述变化曲线进行腰部疲劳分数评估,得到腰部疲劳分数结果;
报警模块,用于当所述腰部疲劳分数结果达到预设的警戒阈值时,生成报警提示信息。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的基于毫米波雷达的腰椎监控方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于毫米波雷达的腰椎监控方法。
本发明实施例通过毫米波雷达实时获取用户的身体姿势结果与预设类型的身体指标参数,以衡量腰部劳损程度;此外,本发明实施例中通过腰部劳损监测模型对腰部疲劳分数进行分析,从而更好的对腰部健康进行监测。因此,本发明实施例提供的一种基于毫米波雷达的腰椎监控方法、装置、设备及存储介质,能够在于通过毫米波雷达对人体腰椎进行健康监测,保护用户身体健康。
附图说明
图1为本发明一实施例提供的基于毫米波雷达的腰椎监控方法的流程示意图;
图2为本发明一实施例提供的基于毫米波雷达的腰椎监控方法中一个步骤的详细流程示意图;
图3为本发明一实施例提供的基于毫米波雷达的腰椎监控方法中一个步骤的详细流程示意图;
图4为本发明一实施例提供的基于毫米波雷达的腰椎监控装置的功能模块图;
图5为本发明一实施例提供的实现所述基于毫米波雷达的腰椎监控方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于毫米波雷达的腰椎监控方法。本申请实施例中,所述基于毫米波雷达的腰椎监控方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于毫米波雷达的腰椎监控方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于毫米波雷达的腰椎监控方法的流程示意图。在本实施例中,所述基于毫米波雷达的腰椎监控方法包括:
S1、利用预构建的毫米波雷达实时获取用户的类热图像,并对所述类热图像进行基于预设类型身体指标识别操作,得到身体指标参数,及对所述类热图像进行身体姿势识别,得到身体姿势结果。
应当知道,所述毫米波雷达的波长处于微波与厘米波之间,既能检测用户整体图像,又能检测用户胸腔、皮肤血管等局部信息,较为适应家庭健康检测场景。毫米波雷达可以捕捉到人体的轮廓、呼吸、心跳等生理特征。然而,它并不能提供高分辨率的图像,因为毫米波信号的波长较长,无法像光学摄像头那样捕捉到细节,生成的用户图像通常是以灰度或类似热图的形式呈现。
详细的,本发明实施例中,所述对所述类热图像进行基于预设类型身体指标识别操作,得到身体指标参数,包括:
对所述类热图像进行基于血压、心率及血管宽度的监测,得到血压参数、心率参数及血管宽度参数;
对所述血压参数、心率参数及血管宽度参数进行统一记录,得到身体指标参数。
进一步地,本发明实施例通过预构建的图像识别模型对毫米波雷达采集的类热图像进行姿势识别,得到身体姿势结果。
详细的,本发明实施例中,所述对所述类热图像进行身体姿势识别,得到身体姿势结果,包括:
对所述类热图像进行高斯滤波处理,得到降噪图像;
对所述降噪图像进行卷积操作,得到卷积矩阵集合;
对所述卷积矩阵集合进行平均池化及扁平化操作,得到特征序列集合;
对所述特征序列集合进行全连接分类判断,得到身体姿势结果。
其中,所述高斯滤波处理是一种线性平滑滤波,适用于消除高斯噪声,可以应用于图像处理的减噪过程,是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到。
进一步地,本发明实施例通过神经网络的卷积层中的各个卷积核分别对所述降噪图像进行卷积操作,从而得到卷积矩阵集合,再利用平均池化与扁平化两个降维操作,将卷积矩阵集合转化为特征序列集合,进而再通过全连接层进行特征全连接分类判断,得到最终的身体姿势结果。
S2、判断所述身体姿势结果是否属于预设姿势类型。
本发明实施例中,主要监测腰部健康,因此除了久坐以外,还需要包括其他对腰部有害的姿势,例如对弯腰驼背、翘腿、交叉腿、侧睡等错误姿势以及错误的站姿等等。本发明实施例将这些常见动作组成预设姿势类型,为腰部监控提供触发场景。
当所述身体姿势结果不属于预设姿势类型时,则返回上述的S1。
当检测到所述身体姿势结果为,例如行走、运动等情况时,则判断所述身体姿势结果不属于预设姿势类型,则继续对所述身体指标参数进行监控,但不触发模型监控。
当所述身体姿势结果属于预设姿势类型时,执行S3、记录所述身体姿势结果对应的持续时间,并获取所述持续时间内所述身体指标参数对应的变化曲线。
本发明实施例中实时对用户姿势进行监测,当检测到稳定姿势且姿势是预设姿势类型,例如坐姿时,则可以开始计时,直至动作取消,例如起身运动,并将坐姿时间段内的时间作为所述持续时间。
然后,本发明根据所述持续时间,获取所述持续时间内所述身体指标参数对应的变化曲线,所述变化曲线中包括血压曲线、心率曲线及血管厚度曲线。
S4、利用预训练的腰部劳损监测模型,对所述持续时间、所述身体姿势结果及所述变化曲线进行腰部疲劳分数评估,得到腰部疲劳分数结果。
本发明实施例中,所述腰部劳损监测模型包含生物力学网络与腰部压力监测网络的神经网络模型,用于根据身体姿势、持续时间及体内各指标参数变化,来预估腰部劳损情况。
详细的,参考图2所示,本发明实施例中,所述利用预训练的腰部劳损监测模型,对所述持续时间、所述身体姿势结果及所述变化曲线进行腰部疲劳分数评估,得到腰部疲劳分数结果,包括:
S41、利用预训练的腰部劳损监测模型对所述身体姿势结果进行腰部压力识别,得到实时腰部压力;
S42、对所述变化曲线进行基于变化幅度的分段操作,并根据分段结果对所述持续时间进行分段,并根据所述变化曲线中各个分段的变化幅度,配置所述持续时间中每段时间的权重系数;
S43、根据单位时间内的所述实时腰部压力及所述单位时间对应的所述权重系数,计算所述单位时间内的腰部劳损数值,并对所述持续时间内的各个所述腰部劳损数值进行求和计算,得到所述持续时间内的腰部疲劳分数结果。
其中,所述生物力学模型是一种数学模型,可以模拟人体的力学行为和力学负荷,通过建立模型,可以计算和预测在不同姿势下施加在腰部的压力,本发明实施例可以通过迁移学习将预构建的生物理力学模型的网络参数转移到所述生物力学网络中,从而识别各个身体姿势对于腰部的压力。
应当知道,久坐不动可能会对心跳和血压产生影响,当我们久坐不动时,肌肉活动减少,血液循环减慢,这可能导致心率变慢。此外,长时间久坐还会导致血管收缩,血液流动减少,从而使血压升高。可见血压、心率及血管收缩的变化对于腰部压力的监测具有重大影响,因此,本发明实施例通过对不同分段变化曲线进行权重配置。
例如以血压为例,起始血压的权重系数可以初始化为1,而一段久坐时间后,可能变为1.5,再过一段时间变成2,不同权重系数越大表明单位时间内对同一姿势对腰部的压力更大。
详细的,本发明实施例中,所述对所述变化曲线进行基于变化幅度的分段操作,并根据分段结果对所述持续时间进行分段,并根据所述变化曲线中各个分段的变化幅度,配置所述持续时间中每段时间的权重系数,包括:
获取所述变化曲线中的血压曲线、心率曲线及血管厚度曲线;
对所述血压曲线、心率曲线及血管厚度曲线进行曲线曲率计算,并根据各个曲率结果对所述血压曲线、心率曲线及血管厚度曲线进行分段;
根据所述血压升高为正向、心率减缓为正向及血管变细为正向对各个曲线进行初始权重调整,得到各个所述变化曲线中各个分段对应的权重系数。
当各身体姿势、持续时间及身体指标对应的权重系数得到后,即可进行模型函数计算,预测得到腰部疲劳分数结果。
进一步的,参考图3所示,本发明实施例中,所述利用预训练的腰部劳损监测模型之前,所述方法还包括:
S401、获取包含生物力学网络及腰部压力监测网络的腰部劳损监测模型,获取预构建的生物力学模型,获取预构建的久坐图像训练样本;
S402、利用迁移学习方法将所述生物力学模型中的模型参数配置到所述生物力学网络中,并根据预设的模型需求,对所述腰部压力监测网络进行初始化参数配置,得到初始腰部劳损监测模型;
S403、依次从所述久坐图像训练样本中提取一个训练样本,并利用所述初始腰部劳损监测模型对所述训练样本进行网络正向运算,得到预测劳损分数;
S404、利用交叉熵损失算法,计算所述预测劳损分数与所述训练样本对应的人工标签评分之间的损失值;
S405、根据梯度下降方法,对所述损失值进行最小化操作,得到所述损失值最小时的网络参数,并对所述网络参数进行网络逆向更新,得到更新腰部劳损监测模型;
S406、判断所述损失值的收敛性;
当所述损失值未收敛时,返回上述S403的步骤,重新获取训练样本对所述更新腰部劳损监测模型进行迭代训练;
当所述损失值收敛时,S407、停止训练过程,得到训练完成的腰部劳损监测模型。
本发明实施例中通过迁移学习方法可以快速将预构建的生物力学模型的网络模型参数转移到生物力学网络中,增加训练效率,然后获取预构建的久坐图像训练样本,其中,每个样本中为男女老少各个人群的实际感受作为人工标签评分。
本发明实施例先通过模型需求,例如,将任意一个训练样本的久坐图像带入所述模型中形成初始化配置,例如,坐姿开始时评分为1,将腰部压力过大难以保持评分为100,从而初始化所述训练样本中各个时间段的腰部压力变化,得到初始腰部劳损监测模型,然后根据交叉熵损失算法及梯度下降方法对所述腰部劳损监测模型进行训练,并通过损失值的收敛性进行把控,从而得到训练完成的腰部劳损监测模型。
S5、判断所述腰部疲劳分数结果是否大于预设的警戒阈值。
本发明实施例中,若一个人的腰部疲劳分数从0~100,则可以将70作为境界阈值。
本发明另一实施例中,所述判断所述腰部疲劳分数结果是否大于预设的警戒阈值之前,所述方法还包括:
利用用户输入的自身作息图像数据,对所述腰部劳损监测模型进行微调训练,得到适应所述用户的警戒阈值。
其中,所述自身作息数据为用户初步使用时前几天的监控图像数据。所述微调训练是指在预训练模型的基础上,通过在特定任务的数据集上进行有监督的训练,进一步调整模型参数以适应该任务。
本发明实施例中,所述警戒阈值可以根据不同用户个体区别进行微调训练,从而得到适合用户个人的警戒阈值。
当所述腰部疲劳分数结果未达到预设的警戒阈值时,返回上述的S4,继续对要不疲劳分数结果进行预测。
当所述腰部疲劳分数结果达到预设的警戒阈值时,S6、生成报警提示信息。
本发明实施例可以通过用户自定义模板生成报警提示信息,并通过灯光语音等设备进行提示。
本发明实施例通过毫米波雷达实时获取用户的身体姿势结果与预设类型的身体指标参数,其中,所述预设类型中包括心率、血压、血管宽度,应当知道久坐不动时会导致肌肉活动减少,血液活动减慢导致心率变慢,而血管收缩又导致血压升高,因此通过观测心率、血压及血管宽度的变化可以有效衡量腰部劳损程度;此外,本发明实施例中通过腰部劳损监测模型对腰部疲劳分数进行分析,其中,所述腰部劳损监测模型中还涉及生物力学网络,可以通过身体姿势来判断腰部压力,从而进一步增加腰部疲劳识别准确度,从而更好的对腰部健康进行监测。因此,本发明实施例提供的一种基于毫米波雷达的腰椎监控方法,能够在于通过毫米波雷达对人体腰椎进行健康监测,保护用户身体健康。
如图4所示,是本发明一实施例提供的基于毫米波雷达的腰椎监控装置的功能模块图。
本发明所述基于毫米波雷达的腰椎监控装置100可以安装于电子设备中。根据实现的功能,所述基于毫米波雷达的腰椎监控装置100可以包括毫米波雷达数据获取模块101、姿势监控模块102、模型预测模块103及报警模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述毫米波雷达数据获取模块101,用于利用预构建的毫米波雷达实时获取用户的类热图像,并对所述类热图像进行基于预设类型身体指标识别操作,得到身体指标参数,及对所述类热图像进行身体姿势识别,得到身体姿势结果;
所述姿势监控模块102,用于判断所述身体姿势结果是否属于预设姿势类型,及当所述身体姿势结果属于预设姿势类型时,记录所述身体姿势结果对应的持续时间,并获取所述持续时间内所述身体指标参数对应的变化曲线;
所述模型预测模块103,用于利用预训练的腰部劳损监测模型,对所述持续时间、所述身体姿势结果及所述变化曲线进行腰部疲劳分数评估,得到腰部疲劳分数结果;
所述报警模块104,用于当所述腰部疲劳分数结果达到预设的警戒阈值时,生成报警提示信息。
详细地,本申请实施例中所述基于毫米波雷达的腰椎监控装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于毫米波雷达的腰椎监控方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现基于毫米波雷达的腰椎监控方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于毫米波雷达的腰椎监控程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于毫米波雷达的腰椎监控程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于毫米波雷达的腰椎监控程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于毫米波雷达的腰椎监控程序是多个指令的组合,在所述处理器10中运行时,可以实现:
利用预构建的毫米波雷达实时获取用户的类热图像,并对所述类热图像进行基于预设类型身体指标识别操作,得到身体指标参数,及对所述类热图像进行身体姿势识别,得到身体姿势结果;
判断所述身体姿势结果是否属于预设姿势类型;
当所述身体姿势结果属于预设姿势类型时,记录所述身体姿势结果对应的持续时间,并获取所述持续时间内所述身体指标参数对应的变化曲线;
利用预训练的腰部劳损监测模型,对所述持续时间、所述身体姿势结果及所述变化曲线进行腰部疲劳分数评估,得到腰部疲劳分数结果;
当所述腰部疲劳分数结果达到预设的警戒阈值时,生成报警提示信息。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/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,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
利用预构建的毫米波雷达实时获取用户的类热图像,并对所述类热图像进行基于预设类型身体指标识别操作,得到身体指标参数,及对所述类热图像进行身体姿势识别,得到身体姿势结果;
判断所述身体姿势结果是否属于预设姿势类型;
当所述身体姿势结果属于预设姿势类型时,记录所述身体姿势结果对应的持续时间,并获取所述持续时间内所述身体指标参数对应的变化曲线;
利用预训练的腰部劳损监测模型,对所述持续时间、所述身体姿势结果及所述变化曲线进行腰部疲劳分数评估,得到腰部疲劳分数结果;
当所述腰部疲劳分数结果达到预设的警戒阈值时,生成报警提示信息。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,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,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (6)
1.一种基于毫米波雷达的腰椎监控方法,其特征在于,所述方法包括:
利用预构建的毫米波雷达实时获取用户的类热图像,并对所述类热图像进行基于预设类型身体指标识别操作,得到身体指标参数,及对所述类热图像进行身体姿势识别,得到身体姿势结果;
判断所述身体姿势结果是否属于预设姿势类型;
当所述身体姿势结果属于预设姿势类型时,记录所述身体姿势结果对应的持续时间,并获取所述持续时间内所述身体指标参数对应的变化曲线;
利用预训练的腰部劳损监测模型,对所述持续时间、所述身体姿势结果及所述变化曲线进行腰部疲劳分数评估,得到腰部疲劳分数结果;
当所述腰部疲劳分数结果达到预设的警戒阈值时,生成报警提示信息;
其中,所述利用预训练的腰部劳损监测模型,对所述持续时间、所述身体姿势结果及所述变化曲线进行腰部疲劳分数评估,得到腰部疲劳分数结果,包括:
利用预训练的腰部劳损监测模型对所述身体姿势结果进行腰部压力识别,得到实时腰部压力;
对所述变化曲线进行基于变化幅度的分段操作,并根据分段结果对所述持续时间进行分段,并根据所述变化曲线中各个分段的变化幅度,配置所述持续时间中每段时间的权重系数;
根据单位时间内的所述实时腰部压力及所述单位时间对应的所述权重系数,计算所述单位时间内的腰部劳损数值,并对所述持续时间内的各个所述腰部劳损数值进行求和计算,得到所述持续时间内的腰部疲劳分数结果;
其中,所述利用预训练的腰部劳损监测模型之前,所述方法还包括:
获取包含生物力学网络及腰部压力监测网络的腰部劳损监测模型,获取预构建的生物力学模型,获取预构建的久坐图像训练样本;
利用迁移学习方法将所述生物力学模型中的模型参数配置到所述生物力学网络中,并根据预设的模型需求,对所述腰部压力监测网络进行初始化参数配置,得到初始腰部劳损监测模型;
依次从所述久坐图像训练样本中提取一个训练样本,并利用所述初始腰部劳损监测模型对所述训练样本进行网络正向运算,得到预测劳损分数;
利用交叉熵损失算法,计算所述预测劳损分数与所述训练样本对应的人工标签评分之间的损失值;
根据梯度下降方法,对所述损失值进行最小化操作,得到所述损失值最小时的网络参数,并对所述网络参数进行网络逆向更新,得到更新腰部劳损监测模型;
判断所述损失值的收敛性;
当所述损失值未收敛时,返回上述依次从所述久坐图像训练样本中提取一个训练样本的步骤,重新获取训练样本对所述更新腰部劳损监测模型进行迭代训练;
当所述损失值收敛时,停止训练过程,得到训练完成的腰部劳损监测模型;
其中,所述对所述类热图像进行基于预设类型身体指标识别操作,得到身体指标参数,包括:
对所述类热图像进行基于血压、心率及血管宽度的监测,得到血压参数、心率参数及血管宽度参数;
对所述血压参数、心率参数及血管宽度参数进行统一记录,得到身体指标参数;
其中,所述对所述类热图像进行身体姿势识别,得到身体姿势结果,包括:
对所述类热图像进行高斯滤波处理,得到降噪图像;
对所述降噪图像进行卷积操作,得到卷积矩阵集合;
对所述卷积矩阵集合进行平均池化及扁平化操作,得到特征序列集合;
对所述特征序列集合进行全连接分类判断,得到身体姿势结果。
2.如权利要求1所述的基于毫米波雷达的腰椎监控方法,其特征在于,所述对所述变化曲线进行基于变化幅度的分段操作,并根据分段结果对所述持续时间进行分段,并根据所述变化曲线中各个分段的变化幅度,配置所述持续时间中每段时间的权重系数,包括:
获取所述变化曲线中的血压曲线、心率曲线及血管厚度曲线;
对所述血压曲线、心率曲线及血管厚度曲线进行曲线曲率计算,并根据各个曲率结果对所述血压曲线、心率曲线及血管厚度曲线进行分段;
根据所述血压升高为正向、心率减缓为正向及血管变细为正向对各个曲线进行初始权重调整,得到各个所述变化曲线中各个分段对应的权重系数。
3.如权利要求1所述的基于毫米波雷达的腰椎监控方法,其特征在于,所述当所述腰部疲劳分数结果达到预设的警戒阈值时,生成报警提示信息之前,所述方法还包括:
利用用户输入的自身作息图像数据,对所述腰部劳损监测模型进行微调训练,得到适应所述用户的警戒阈值。
4.一种基于毫米波雷达的腰椎监控装置,其特征在于,所述装置包括:
毫米波雷达数据获取模块,用于利用预构建的毫米波雷达实时获取用户的类热图像,并对所述类热图像进行基于预设类型身体指标识别操作,得到身体指标参数,及对所述类热图像进行身体姿势识别,得到身体姿势结果,其中,所述对所述类热图像进行基于预设类型身体指标识别操作,得到身体指标参数,包括:对所述类热图像进行基于血压、心率及血管宽度的监测,得到血压参数、心率参数及血管宽度参数,对所述血压参数、心率参数及血管宽度参数进行统一记录,得到身体指标参数;以及所述对所述类热图像进行身体姿势识别,得到身体姿势结果,包括:对所述类热图像进行高斯滤波处理,得到降噪图像,对所述降噪图像进行卷积操作,得到卷积矩阵集合,对所述卷积矩阵集合进行平均池化及扁平化操作,得到特征序列集合,对所述特征序列集合进行全连接分类判断,得到身体姿势结果;
姿势监控模块,用于判断所述身体姿势结果是否属于预设姿势类型,及当所述身体姿势结果属于预设姿势类型时,记录所述身体姿势结果对应的持续时间,并获取所述持续时间内所述身体指标参数对应的变化曲线;
模型预测模块,用于获取包含生物力学网络及腰部压力监测网络的腰部劳损监测模型,获取预构建的生物力学模型,获取预构建的久坐图像训练样本;利用迁移学习方法将所述生物力学模型中的模型参数配置到所述生物力学网络中,并根据预设的模型需求,对所述腰部压力监测网络进行初始化参数配置,得到初始腰部劳损监测模型;依次从所述久坐图像训练样本中提取一个训练样本,并利用所述初始腰部劳损监测模型对所述训练样本进行网络正向运算,得到预测劳损分数;利用交叉熵损失算法,计算所述预测劳损分数与所述训练样本对应的人工标签评分之间的损失值;根据梯度下降方法,对所述损失值进行最小化操作,得到所述损失值最小时的网络参数,并对所述网络参数进行网络逆向更新,得到更新腰部劳损监测模型;判断所述损失值的收敛性;当所述损失值未收敛时,返回上述依次从所述久坐图像训练样本中提取一个训练样本的步骤,重新获取训练样本对所述更新腰部劳损监测模型进行迭代训练;当所述损失值收敛时,停止训练过程,得到训练完成的腰部劳损监测模型,利用所述腰部劳损监测模型,对所述持续时间、所述身体姿势结果及所述变化曲线进行腰部疲劳分数评估,得到腰部疲劳分数结果,
其中,所述利用所述腰部劳损监测模型,对所述持续时间、所述身体姿势结果及所述变化曲线进行腰部疲劳分数评估,得到腰部疲劳分数结果,包括:
利用预训练的腰部劳损监测模型对所述身体姿势结果进行腰部压力识别,得到实时腰部压力;
对所述变化曲线进行基于变化幅度的分段操作,并根据分段结果对所述持续时间进行分段,并根据所述变化曲线中各个分段的变化幅度,配置所述持续时间中每段时间的权重系数;
根据单位时间内的所述实时腰部压力及所述单位时间对应的所述权重系数,计算所述单位时间内的腰部劳损数值,并对所述持续时间内的各个所述腰部劳损数值进行求和计算,得到所述持续时间内的腰部疲劳分数结果;
报警模块,用于当所述腰部疲劳分数结果达到预设的警戒阈值时,生成报警提示信息。
5.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至3中任意一项所述的基于毫米波雷达的腰椎监控方法。
6.一种计算机可读存储介质,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实现如权利要求1至3中任意一项所述的基于毫米波雷达的腰椎监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311219121.0A CN116942149B (zh) | 2023-09-21 | 2023-09-21 | 基于毫米波雷达的腰椎监控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311219121.0A CN116942149B (zh) | 2023-09-21 | 2023-09-21 | 基于毫米波雷达的腰椎监控方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116942149A CN116942149A (zh) | 2023-10-27 |
CN116942149B true CN116942149B (zh) | 2023-12-01 |
Family
ID=88449653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311219121.0A Active CN116942149B (zh) | 2023-09-21 | 2023-09-21 | 基于毫米波雷达的腰椎监控方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116942149B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117253096B (zh) * | 2023-11-16 | 2024-03-19 | 亿慧云智能科技(深圳)股份有限公司 | 手指自适应的健康指标监控方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016162314A1 (en) * | 2015-04-09 | 2016-10-13 | Koninklijke Philips N.V. | Device, system and method for detecting illness- and/or therapy-related fatigue of a person |
WO2019215597A1 (en) * | 2018-05-07 | 2019-11-14 | Jans Marco | Portable remote signaling device of the position of an injured and/or lost person |
CN111510665A (zh) * | 2019-01-30 | 2020-08-07 | 杭州海康威视数字技术股份有限公司 | 毫米波雷达与摄像机联合的监控系统、监控方法及装置 |
EP3756536A1 (en) * | 2019-06-27 | 2020-12-30 | Koninklijke Philips N.V. | Medical imaging system |
CN112365690A (zh) * | 2020-10-30 | 2021-02-12 | 四川大学华西医院 | 基于场景识别的智能穿戴设备及其预警方法 |
CN113799702A (zh) * | 2021-09-15 | 2021-12-17 | 塔里木大学 | 基于人脸识别的车辆安全报警系统 |
WO2022026658A1 (en) * | 2020-07-29 | 2022-02-03 | Vanderbilt University | System and method for monitoring musculoskeletal loading and applications of same |
CN114391862A (zh) * | 2022-01-20 | 2022-04-26 | 义乌市峰峦网络科技有限公司 | 一种基于大数据ct影像报告生成远程处理方法、设备及计算机存储介质 |
WO2022233027A1 (zh) * | 2021-05-07 | 2022-11-10 | 中国科学院深圳先进技术研究院 | 一种基于可穿戴设备的运动性疲劳检测方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105877756B (zh) * | 2016-03-25 | 2018-10-09 | 深圳市大耳马科技有限公司 | 一种坐姿测量装置、智能坐垫和智能坐具 |
-
2023
- 2023-09-21 CN CN202311219121.0A patent/CN116942149B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016162314A1 (en) * | 2015-04-09 | 2016-10-13 | Koninklijke Philips N.V. | Device, system and method for detecting illness- and/or therapy-related fatigue of a person |
WO2019215597A1 (en) * | 2018-05-07 | 2019-11-14 | Jans Marco | Portable remote signaling device of the position of an injured and/or lost person |
CN111510665A (zh) * | 2019-01-30 | 2020-08-07 | 杭州海康威视数字技术股份有限公司 | 毫米波雷达与摄像机联合的监控系统、监控方法及装置 |
EP3756536A1 (en) * | 2019-06-27 | 2020-12-30 | Koninklijke Philips N.V. | Medical imaging system |
WO2022026658A1 (en) * | 2020-07-29 | 2022-02-03 | Vanderbilt University | System and method for monitoring musculoskeletal loading and applications of same |
CN112365690A (zh) * | 2020-10-30 | 2021-02-12 | 四川大学华西医院 | 基于场景识别的智能穿戴设备及其预警方法 |
WO2022233027A1 (zh) * | 2021-05-07 | 2022-11-10 | 中国科学院深圳先进技术研究院 | 一种基于可穿戴设备的运动性疲劳检测方法和系统 |
CN113799702A (zh) * | 2021-09-15 | 2021-12-17 | 塔里木大学 | 基于人脸识别的车辆安全报警系统 |
CN114391862A (zh) * | 2022-01-20 | 2022-04-26 | 义乌市峰峦网络科技有限公司 | 一种基于大数据ct影像报告生成远程处理方法、设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116942149A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pandey | Machine learning and IoT for prediction and detection of stress | |
JP2023171650A (ja) | プライバシーの保護を伴う人物の識別しおよび/または痛み、疲労、気分、および意図の識別および定量化のためのシステムおよび方法 | |
US20170147777A1 (en) | Method and apparatus for predicting health data value through generation of health data pattern | |
KR20170016778A (ko) | 심층신경망을 이용한 골 연령 산출방법 및 프로그램 | |
KR20180110100A (ko) | 심부전을 평가하기 위한 장치 및 방법 | |
CN116942149B (zh) | 基于毫米波雷达的腰椎监控方法、装置、设备及存储介质 | |
CN111183424A (zh) | 识别用户的系统和方法 | |
JP2022516586A (ja) | ボディの分析 | |
CN107563997B (zh) | 一种皮肤病诊断系统、构建方法、分类方法和诊断装置 | |
KR101576526B1 (ko) | 재활운동 지원 장치 및 방법 | |
CN116311539B (zh) | 基于毫米波的睡眠动作捕捉方法、装置、设备及存储介质 | |
CN111134677B (zh) | 一种基于磁共振影像的卒中致残预测方法及系统 | |
Mortensen et al. | Multi-class stress detection through heart rate variability: A deep neural network based study | |
CN111436940B (zh) | 一种步态健康评估方法及装置 | |
KR102445752B1 (ko) | 주름 검출을 통해 질환을 예측하는 방법 및 장치 | |
KR102541362B1 (ko) | 인공 지능을 이용한 혈액 투석 중 저혈압 예측 장치 및 그 방법 | |
CN115130851A (zh) | 一种临床护理控制方法和系统 | |
CN115268531A (zh) | 一种智能浴缸的水流调温控制方法、装置、设备及存储介质 | |
KR102033063B1 (ko) | 개인 히스토리 데이터 기반 맞춤형 건강 관리 시스템 및 방법 | |
CN112957018A (zh) | 基于人工智能的心脏状态检测方法和装置 | |
CN116687357B (zh) | 基于毫米波雷达的睡眠监测方法、装置、设备及存储介质 | |
CN117524413B (zh) | 基于毫米波雷达的运动保护方法、装置、设备及介质 | |
CN117253096B (zh) | 手指自适应的健康指标监控方法、装置、设备及存储介质 | |
CN117838072A (zh) | 智能床垫的心血管疾病监控方法、装置、设备及存储介质 | |
Yaying et al. | Respiratory rate estimation via simultaneously tracking and segmentation |
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 |