CN117133464A - 一种老年人健康智能监测系统及监测方法 - Google Patents
一种老年人健康智能监测系统及监测方法 Download PDFInfo
- Publication number
- CN117133464A CN117133464A CN202311394313.5A CN202311394313A CN117133464A CN 117133464 A CN117133464 A CN 117133464A CN 202311394313 A CN202311394313 A CN 202311394313A CN 117133464 A CN117133464 A CN 117133464A
- Authority
- CN
- China
- Prior art keywords
- data
- elderly
- disease
- elderly patient
- scheme
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000007613 environmental effect Effects 0.000 claims abstract description 97
- 208000024891 symptom Diseases 0.000 claims abstract description 64
- 230000002159 abnormal effect Effects 0.000 claims abstract description 28
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 123
- 201000010099 disease Diseases 0.000 claims description 97
- 230000036772 blood pressure Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 230000036760 body temperature Effects 0.000 claims description 13
- 238000012417 linear regression Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000012503 blood component Substances 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000001815 facial effect Effects 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000001228 spectrum Methods 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种老年人健康智能监测系统及监测方法,涉及健康监测技术领域,对其活动区域内的环境条件进行持续监测,由监测数据建立环境条件集并生成环境系数HQ(t,s),若其超过环境阈值,建立老年患者的体征数据集及体征系数XT(u,v),依据环境条件对体征系数XT(u,v)的影响程度,对活动区域内的环境条件做相应性调整,建立图谱数据集并通过语义网络模型从图谱数据集中选择数据,构建突发病症知识图谱;采集异常特征,并结合突发病症知识图谱判断出疑似病症,依据病症特征从知识图谱中匹配出常规方案作为急救方案,快速确定出老年患者的实际病症及相应的急救方案,并在同时发出求助信息,充分保障其健康和安全。
Description
技术领域
本发明涉及健康监测技术领域,具体为一种老年人健康智能监测系统及监测方法。
背景技术
健康智能监测系统是一种利用先进的传感技术和人工智能算法,对人体健康状况进行监测、评估和预警的综合性系统。它可以帮助老年人等易发病人群,及时发现身体异常情况,并提供个性化的健康管理方案,从而在健康保障方面发挥积极的作用。
在申请号为202310433792.0,公开了一种老年人健康智能监测系统及监测方法,包括采集模块和智能中央处理模块,采集模块与智能中央处理模块通信连接:采集模块包括数据采集模块和图像采集模块,数据采集模块和图像采集模块均与智能中央处理模块通信连接:数据采集模块用于采集人体各项体征数据并传送给智能中央处理模块,图像采集模块用于采集人体姿态实时图像数据并传送给智能中央处理模块,智能中央处理模块根据人体各项体征数据、人体姿态实时图像进行分析处理,得出人体实时状况。
以上申请虽然能够对老年人的健康状况进行全方位全天候的监测,提高老年人独自居家的安全性,但是以上的健康智能监控系统在判断或者预测出患者可能会出现健康状况时,并不能快速地给出救急方案,不利于对其进行快速施救,难以对老年患者的健康状态形成充分保障。
为此,本发明提供了一种老年人健康智能监测系统及监测方法。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种老年人健康智能监测系统及监测方法,对其活动区域内的环境条件进行持续监测,由监测数据建立环境条件集并生成环境系数HQ(t,s),若其超过环境阈值,建立老年患者的体征数据集及体征系数XT(u,v),依据环境条件对体征系数XT(u,v)的影响程度,对活动区域内的环境条件做相应性调整,建立图谱数据集并通过语义网络模型从图谱数据集中选择数据,构建突发病症知识图谱;采集异常特征,并结合突发病症知识图谱判断出疑似病症,依据病症特征从知识图谱中匹配出常规方案作为急救方案,快速确定出老年患者的实际病症及相应的急救方案,并在同时发出求助信息,充分保障其健康和安全,解决了背景技术中提出的,现有的健康智能监控系统在判断或者预测出患者可能会出现健康状况时,并不能快速地给出救急方案,不利于对其进行快速施救,难以对老年患者的健康状态形成充分保障的技术问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种老年人健康智能监测方法,包括如下步骤:
在老年患者所在区域内设置监测点,对其活动区域内的环境条件进行持续监测,由监测数据建立环境条件集;由环境条件集生成环境系数HQ(t,s),若所获取到环境系数HQ(t,s)超过预先设置的环境阈值,向外部发出第一预警信息;包括:
对老年患者所处的活动区域内设置若干个监测点,在监测点处获取温度数据,平均后生成区域温度Qt;若区域温度Qt在预先设置的范围之内,则在监测点处继续获取湿度及气压,平均后分别生成区域湿度Qs及区域气压Qq;在连续监测若干个周期后,将以上数据汇总,建立老年患者活动区域内的环境条件集;
在老年患者处于活动区域内时,对老年患者的生命体征进行持续性的监测,并由监测结果建立老年患者的体征数据集,由所述的体征数据集建立老年患者的体征系数XT(u,v),若所获取到体征系数XT(u,v)超过预先设置的体征阈值,向外部发出第二预警信息;
进行多重线性回归分析,判断环境条件对体征系数XT(u,v)的影响程度,若该影响程度超过预期,则对活动区域内的环境条件做相应性调整,并使用表示学习模型以老年患者突发疾病作为检索词,建立图谱数据集;并通过语义网络模型从图谱数据集中选择数据,构建突发病症知识图谱;
依据体征系数XT(u,v)的变化判断老年患者身体条件是否好转,若并未好转,采集老年患者的病症信息并确定出异常特征,并结合突发病症知识图谱判断出疑似病症,依据病症特征从知识图谱中匹配出常规方案作为急救方案,向外部发出求助信息;
在发出求助信息后,结合突发病症知识图谱,先构建病症特征库,再以病症特征库中的病症特征作为检索词,构建临时干预方案库;获取老年患者当前的病症特征,使用匹配模型从临时干预方案库中选择出相对应的干预方案,作为参考方案输出。
进一步地,由环境条件集生成环境系数HQ(t,s),其具体方法如下:对环境条件集内的若干个区域温度Qt、区域湿度Qs及区域气压Qq做线性归一化处理,将对应的数据值均映射到内;再依照如下公式:
其中,为区域温度的历史均值,/>为区域湿度的历史均值,/>为区域气压的历史均值,n为大于1的正整数,/>,/>,/>,/>且,其具体值由用户调整设置;若所获取到环境系数HQ(t,s)超过预先设置的环境阈值,向外部发出第一预警信息。
进一步地,对老年患者的生命体征进行持续性地监测,并由监测结果建立老年患者的体征数据集;所述体征数据集的建立方法如下:在老年患者处于休息状态或者低强度的运动状态下时,由体征监测设备对老年患者的体征数据进行检测,获取体征数据,在平均后,至少分别获取心率Xv、血压Xu及体温Tw,在沿着时间轴连续获取若干组后,汇总并建立体征数据集;
由位于活动区域内的老年患者体征数据集,建立老年患者的体征系数XT(u,v),其生成的方式如下:对体征数据集内的若干个心率Xv、血压Xu及体温Tw做线性归一化处理,将对应的数据值均映射到内,再将其依照产生数据的时间戳依次排列,生成对应的体征数据序列。
进一步地,获取在体征数据列的i位置上的第一中间值及第二中间值/>:
其中,修正系数取值如下:,/>,其具体值由用户调整设置,/>为当前第一中间值/>及第二中间值/>在体征数据序列内的序号,;
依照如下公式,继续生成第三中间值及第四中间值/>,
其中,为在i位置上的第一中间值,/>为i位置及之前第一中间值的均值;/>为在i位置上的第二中间值,/>为i位置及之前的第二中间值的均值;
进一步地,依照如下公式生成数据质量系数XT(u,v):
其中,,n为大于1的正整数,/>,/>,且/>,其具体值由用户调整设置,/>为若干个i位置及之前第三中间值的均值,/>为若干个i位置及之前第四中间值的均值;若所获取到体征系数XT(u,v)超过的体征阈值,向外部发出第二预警信息。
进一步的,在设置评估周期后,沿着时间轴连续获取若干组区域温度Qt、区域湿度Qs及区域气压Qq,以及若干组相对应的体征系数XT(u,v),在依据数据的生成时间添加时间戳后,将以上各组数据对齐;以区域温度Qt、区域湿度Qs及区域气压Qq作为自变量,以体征系数XT(u,v)作为因变量,进行多重线性回归分析,并获取相应的回归方程;
从回归方程中分别获取与自变量相对应的回归系数,加总之后生成系数和Xp;若系数和Xp高于影响度阈值,对环境条件进行相应性调整,至少将区域温度Qt、区域湿度Qs及区域气压Qq调整至同期均值的水平。
进一步地,使用网络表示学习算法,依据线性搜索从公开网络检索数据样本,并在经过训练和测试后,将构建后的网络表示学习模型输出,依据网络表示学习模型,以老年患者突发疾病作为检索词,采用深度优先搜索从公开的网络渠道检索并采集数据,汇总形成图谱数据集;
基于神经网络学习算法,从图谱数据集中选择数据作为样本数据,将样本数据分类为测试集和训练集,在对模型经过训练和测试后,完成语义网络模型的构建,通过语义网络模型从图谱数据集中选择数据,经过处理分析后,完成知识图谱的构建,将其标记为突发病症知识图谱并输出。
进一步地,经过一个评估周期后,依据体征系数XT(u,v)的变化判断老年患者身体条件是否好转;若并未好转,将老年患者接入已经搭建的语音问询系统,以语音问询及数据采样的形式采集老年患者的病症信息,所述的病症信息至少包括:老年患者当前的语言表述状态、面部图像、体温特征、血液成分、行动特征及血压等,在汇总后建立老年患者的病症数据集;
将病症数据集中的病症信息中筛选出异常部分,并将该异常部分作为异常特征;在异常特征至少大于一个时,将异常特征与突发病症知识图谱中的病症数据进行对比,依据两者间的相似度,筛选获取出老年患者当前最可能的病症,确定为疑似病症;
从病症数据集中筛选出与疑似病症相对应的疑似病症数据,将疑似病症数据中超过健康阈值的部分确定为病症特征,依据病症特征从知识图谱中匹配出常规方案;以所述常规方案作为急救方案,结合对应急救方案的执行过程,从突发病症知识图谱中匹配出对应或类似的急救演示图像或模型,结合老年患者当前的位置信息,向外部发出求助信息。
进一步的,在发出求助信息后,结合突发病症知识图谱,通过线性检索收集获取与疑似病症相关的已知病症特征,在经过相似度检验后,汇总并构建病症特征库;以病症特征库中的病症特征作为检索词,从突发病症知识图谱中匹配出相应的一个或者多个相应的干预方案,将所有的干预方案汇总,构建临时干预方案库;
从临时干预方案库中抽取部分数据作为样本数据,采用神经卷积算法搭建深度学习模型,采用样本数据对深度学习模型进行训练,经过测试后,输出为可执行匹配任务的匹配模型;
获取老年患者当前的病症特征,在病症特征库中进行检索,如果存在相同或相似的病症特征,则依据匹配模型从临时干预方案库中选择出与病症特征相对应的干预方案,将该干预方案作为参考方案输出,如果不存在,则不输出。
一种老年人健康智能监测系统,包括:
第一监测单元、在老年患者所在区域内设置监测点,对其活动区域内的环境条件进行持续监测,由监测数据建立环境条件集;由环境条件集生成环境系数HQ(t,s),若所获取到环境系数HQ(t,s)超过预先设置的环境阈值,向外部发出第一预警信息;
第二监测单元、在老年患者处于活动区域内时,对老年患者的生命体征进行持续性的监测,并由监测结果建立老年患者的体征数据集,由所述的体征数据集建立老年患者的体征系数XT(u,v),若所获取到体征系数XT(u,v)超过预先设置的体征阈值,向外部发出第二预警信息;
分析单元、进行多重线性回归分析,判断环境条件对体征系数XT(u,v)的影响程度,若该影响程度超过预期,则对活动区域内的环境条件做相应性调整,并使用表示学习模型以老年患者突发疾病作为检索词,建立图谱数据集;并通过语义网络模型从图谱数据集中选择数据,构建突发病症知识图谱;
求助单元、依据体征系数XT(u,v)的变化判断老年患者身体条件是否好转,若并未好转,采集老年患者的病症信息并确定出异常特征,并结合突发病症知识图谱判断出疑似病症,依据病症特征从知识图谱中匹配出常规方案作为急救方案,向外部发出求助信息;
方案匹配单元、在发出求助信息后,结合突发病症知识图谱,先构建病症特征库,再以病症特征库中的病症特征作为检索词,构建临时干预方案库;获取老年患者当前的病症特征,使用匹配模型从临时干预方案库中选择出相对应的干预方案,作为参考方案输出。
(三)有益效果
本发明提供了一种老年人健康智能监测系统及监测方法,具备以下有益效果:
1、对老年患者的生命体征数据进行持续性的监测,形成监测结果,以心率Xv、血压Xu及体温Tw作为代表性参数,在经过处理后生成体征系数XT(u,v),以其对患者当前的身体状态做出直接判断,若是显示老年患者当前的健康状态较差,及时对环境条件进行调整和改善,减少有环境带来的突然变化对患者健康带来的负面影响,并通过向外部发出第二预警信息,使管理人员能够及时的进行处理,以对老年患者的健康形成充分的保障。
2、通过进行多重线性回归分析并获取相应的回归方程,以生成系数和Xp的形式判断环境条件对老年患者当前健康的影响程度,若是影响程度超过预期,则对环境条件进行相应性调整,从而使老年人能够处于相对更加舒适的环境内,减少环境条件对老年患者健康的影响,通过建立突发病症知识图谱,以便于在产生突发病症时,能够快速进行处理。
3、依据体征系数XT(u,v)的变化判断老年患者身体条件是否好转,若是没有,则在建立的突发病症知识图谱的基础上,筛选获取出老年患者当前的疑似病症,并依据病症特征从知识图谱中匹配出常规方案作为急救方案,在患者可能产生某些突发疾病时,快速确定出老年患者的实际病症及相应的急救方案,以便于快速地对其进行施救,并在同时发出求助信息,以便于对老年患者的健康状态进行监测后,充分保障其健康和安全。
4、在获取急救方案后,在结合突发病症知识图谱的基础上,继续依据老年患者当前的病症特征,给出对应的临时干预方案,并以此作为参考方案,以便于在急救方案不可用或者没有达到预期效果时作为备用方案,以降低干预方案的风险性,而在对老年患者健康进行监控时,降低老年患者的风险性。
附图说明
图1为本发明老年人健康智能监测方法流程示意图;
图2为本发明老年人健康智能监测系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供一种老年人健康智能监测方法,包括如下内容:
步骤一、在老年患者所在区域内设置监测点,对其活动区域内的环境条件进行持续监测,由监测数据建立环境条件集,由环境条件集生成环境系数HQ(t,s),若所获取到环境系数HQ(t,s)超过预先设置的环境阈值,向外部发出第一预警信息;
所述步骤一包括如下内容:
步骤101、在老年患者处于室内时,特别是独自处于监护室或者病房时,对老年患者所处的环境条件进行监测,其中,所监测的内容包括:在确定老年患者所处区域后,将该区域确定为活动区域,在活动区域内设置若干个监测点,在监测点处获取温度数据,平均后生成区域温度Qt;
若区域温度Qt在预先设置的范围之内,则在监测点处继续获取湿度及气压,平均后分别生成区域湿度Qs及区域气压Qq;设置监测周期,例如以5分钟或10分钟为一个监测周期,并在连续监测若干个周期后,将以上数据汇总,建立老年患者活动区域内的环境条件集;
步骤102、由环境条件集生成环境系数HQ(t,s),其具体方法如下:对环境条件集内的若干个区域温度Qt、区域湿度Qs及区域气压Qq做线性归一化处理,将对应的数据值均映射到内;再依照如下公式:
其中,为区域温度的历史均值,/>为区域湿度的历史均值,/>为区域气压的历史均值,n为大于1的正整数,/>,/>,/>,/>且,其具体值由用户调整设置;
依据活动区域内的历史环境数据,在使老年患者处于健康状态的条件下,预先设置环境阈值,若所获取到环境系数HQ(t,s)超过预先设置的环境阈值,则说明活动区域内的环境变动,可能会受到一定的影响,此时,向外部发出第一预警信息;
使用时,结合步骤101及102中的内容:
当老年患者处于活动区域内时,对活动区域内的环境条件进行持续性监测,以便于判断当前的环境条件是否合适当前的老年患者,若是不合适,则可以向外部发出第一预警信息,以便于及时的对其进行调整,以防止当前可能闷热的环境对老年患者的健康状态造成较大的负面影响,在对患者的健康状态进行监测时,对患者的健康形成充分的保障。
步骤二、在老年患者处于活动区域内时,对老年患者的生命体征进行持续性的监测,并由监测结果建立老年患者的体征数据集,由所述的体征数据集建立老年患者的体征系数XT(u,v),若所获取到体征系数XT(u,v)超过预先设置的体征阈值,向外部发出第二预警信息;
所述步骤二包括如下内容:
步骤201、在老年患者处于活动区域内时,例如,老年患者在活动区域内处于休息状态下,对老年患者的生命体征进行持续性监测,并由监测结果建立老年患者的体征数据集;其中,所述体征数据集的建立方法如下:
在老年患者处于休息状态或者低强度的运动状态下时,由体征监测设备,例如心率监测器、血压计、体温计等,对老年患者的体征数据进行检测,以固定的时间间隔,例如以2分钟为一个监测周期,分别获取老年患者在监测周期内的心率、血压及体温等体征数据;
在将以上数据平均后,至少分别获取心率Xv、血压Xu及体温Tw,在沿着时间轴连续获取若干组后,汇总并建立体征数据集;
步骤202、由位于活动区域内的老年患者体征数据集,建立老年患者的体征系数XT(u,v),其生成的方式如下:对体征数据集内的若干个心率Xv、血压Xu及体温Tw做线性归一化处理,将对应的数据值均映射到内,再将其依照产生数据的时间戳依次排列,生成对应的体征数据序列;依照如下公式获取在体征数据列的i位置上的第一中间值/>及第二中间值/>:
其中,修正系数取值如下:,/>,其具体值由用户调整设置,/>为当前第一中间值/>及第二中间值/>在体征数据序列内的序号,;
依照如下公式,继续生成第三中间值及第四中间值/>,
其中,为在i位置上的第一中间值,/>为i位置及之前第一中间值的均值;/>为在i位置上的第二中间值,/>为i位置及之前的第二中间值的均值;
作为进一步的,依照如下公式生成数据质量系数XT(u,v):
其中,,n为大于1的正整数,/>,/>,且/>,其具体值由用户调整设置,/>为若干个i位置及之前第三中间值的均值,/>为若干个i位置及之前第四中间值的均值;
依据老年患者的历史体征数据,在使老年患者处于健康状态的条件下,预先设置体征阈值,若所获取到体征系数XT(u,v)超过预先设置的体征阈值,则说明老年患者当前的健康状态较差,需要至少及时的对环境条件进行调整,此时,向外部发出第二预警信息;
使用时,结合步骤201及202中的内容:
在老年患者处于活动区域内时,对老年患者的生命体征数据进行持续性的监测,形成监测结果,以心率Xv、血压Xu及体温Tw作为代表性参数,在经过处理后生成体征系数XT(u,v),以其对患者当前的身体状态做出直接判断,若是显示老年患者当前的健康状态较差,则及时对环境条件进行调整和改善,减少有环境带来的突然变化对患者健康带来的负面影响,并通过向外部发出第二预警信息,使管理人员能够及时地进行处理,以对老年患者的健康形成充分的保障。
步骤三、进行多重线性回归分析,判断环境条件对体征系数XT(u,v)的影响程度,若该影响程度超过预期,则对活动区域内的环境条件做相应性调整,并使用表示学习模型以老年患者突发疾病作为检索词,建立图谱数据集;并通过语义网络模型从图谱数据集中选择数据,构建突发病症知识图谱;
所述步骤三包括如下内容:
步骤301、在设置评估周期后,例如,以每个小时为一个评估周期,沿着时间轴连续获取若干组区域温度Qt、区域湿度Qs及区域气压Qq,以及若干组相对应的体征系数XT(u,v),在依据数据的生成时间添加时间戳后,将以上各组数据对齐;
以区域温度Qt、区域湿度Qs及区域气压Qq作为自变量,以体征系数XT(u,v)作为因变量,进行多重线性回归分析,并获取相应的回归方程;
步骤302、从回归方程中分别获取与自变量相对应的回归系数,加总之后生成系数和Xp;依据历史数据,在至少确保老年患者身体健康的条件下,依据环境条件的影响程度,预先设置影响度阈值,若系数和Xp高于影响度阈值,则说明当前环境条件的影响会对老年患者的健康带来较大的影响;此时,对环境条件进行相应性调整,至少将区域温度Qt、区域湿度Qs及区域气压Qq调整至同期均值的水平,以使老年患者舒适;
步骤303、使用网络表示学习算法,依据线性搜索从公开网络检索数据样本,并在经过训练和测试后,将构建后的网络表示学习模型输出,依据网络表示学习模型,以老年患者突发疾病作为检索词,采用深度优先搜索从公开的网络渠道检索并采集数据,汇总形成图谱数据集;
步骤304、基于神经网络学习算法,从图谱数据集中选择数据作为样本数据,将样本数据分类为测试集和训练集,在对模型经过训练和测试后,完成语义网络模型的构建,通过语义网络模型从图谱数据集中选择数据,经过处理分析后,完成知识图谱的构建,将其标记为突发病症知识图谱并输出;
使用时,结合步骤301至304中的内容:
通过进行多重线性回归分析并获取相应的回归方程,以生成系数和Xp的形式判断环境条件对老年患者当前健康的影响程度,若是影响程度超过预期,则对环境条件进行相应性调整,从而使老年人能够处于相对更加舒适的环境内,减少环境条件对老年患者健康的影响,而更进一步地,通过建立突发病症知识图谱;以便于在产生突发病症时,能够快速进行处理。
步骤四、依据体征系数XT(u,v)的变化判断老年患者身体条件是否好转,若并未好转,采集老年患者的病症信息并确定出异常特征,并结合突发病症知识图谱判断出疑似病症,依据病症特征从知识图谱中匹配出常规方案作为急救方案,向外部发出求助信息;
所述步骤四包括如下内容:
步骤401、设置评估周期,例如一个评估周期为一小时或者四小时,在经过一个评估周期后,依据体征系数XT(u,v)的变化判断老年患者身体条件是否好转;若并未好转,将老年患者接入已经搭建的语音问询系统,以语音问询及数据采样的形式采集老年患者的病症信息,所述的病症信息至少包括:老年患者当前的语言表述状态、面部图像、体温特征、血液成分、行动特征及血压等,在汇总后建立老年患者的病症数据集;
步骤402、将病症数据集中的病症信息中筛选出异常部分,并将该异常部分作为异常特征;例如,在获取老年患者的血压后,判断血压当前是否较常规情况高,如果较之高,则将确定为异常特征;在异常特征至少大于一个时,将异常特征与突发病症知识图谱中的病症数据进行对比,依据两者间的相似度,筛选获取出老年患者当前最可能的病症,确定为疑似病症;
步骤403、从病症数据集中筛选出与疑似病症相对应的疑似病症数据,例如体温、血压等等;依据常规的体征数据的常规水平作为健康阈值,将疑似病症数据中超过健康阈值的部分确定为病症特征,依据病症特征从知识图谱中匹配出常规方案;需要说明的是,所述的常规方案指的是,在面临该类型的病症时所采用的最为常见的应对方案;
步骤404、以所述常规方案作为急救方案,结合对应急救方案的执行过程,从突发病症知识图谱中匹配出对应或类似的急救演示图像或模型,以便于对该临时救治过程进行指导;结合老年患者当前的位置信息,向外部发出求助信息。
使用时,结合步骤401至步骤404中的内容:
在对活动区域内的环境完成调整后,依据体征系数XT(u,v)的变化判断老年患者身体条件是否好转,若是没有,则在建立的突发病症知识图谱的基础上,筛选获取出老年患者当前的疑似病症,并依据病症特征从知识图谱中匹配出常规方案作为急救方案,从而在患者可能产生某些突发疾病时,快速确定出老年患者的实际病症及相应的急救方案,以便于快速地对其进行施救,并在同时发出求助信息,以便于对老年患者的健康状态进行监测后,充分保障其健康和安全。
步骤五、在发出求助信息后,结合突发病症知识图谱,先构建病症特征库,再以病症特征库中的病症特征作为检索词,构建临时干预方案库;获取老年患者当前的病症特征,使用匹配模型从临时干预方案库中选择出相对应的干预方案,作为参考方案输出;
所述步骤五包括如下内容:
步骤501、在发出求助信息后,结合突发病症知识图谱,通过线性检索收集获取与疑似病症相关的已知病症特征,在经过相似度检验后,汇总并构建病症特征库;以病症特征库中的病症特征作为检索词,从突发病症知识图谱中匹配出相应的一个或者多个相应的干预方案,将所有的干预方案汇总,构建临时干预方案库;
步骤502、从临时干预方案库中抽取部分数据作为样本数据,采用神经卷积算法搭建深度学习模型,采用样本数据对深度学习模型进行训练,经过测试后,输出为可执行匹配任务的匹配模型;
获取老年患者当前的病症特征,在病症特征库中进行检索,如果存在相同或相似的病症特征,则依据匹配模型从临时干预方案库中选择出与病症特征相对应的干预方案,将该干预方案作为参考方案输出,如果不存在,则不输出;
使用时,结合步骤501及502中的内容:
在获取急救方案后,作为进一步的改进,在结合突发病症知识图谱的基础上,继续依据老年患者当前的病症特征,给出对应的临时干预方案,并以此作为参考方案,以便于在急救方案不可用或者没有达到预期效果时作为备用方案,以降低干预方案的风险性,而在对老年患者健康进行监控时,降低老年患者的风险性。
请参阅图2,本发明提供一种老年人健康智能监测系统,包括:
第一监测单元、在老年患者所区域内设置监测点,对其活动区域内的环境条件进行持续监测,由监测数据建立环境条件集;由环境条件集生成环境系数HQ(t,s),若所获取到环境系数HQ(t,s)超过预先设置的环境阈值,向外部发出第一预警信息;
第二监测单元、在老年患者处于活动区域内时,对老年患者的生命体征进行持续性的监测,并由监测结果建立老年患者的体征数据集,由所述的体征数据集建立老年患者的体征系数XT(u,v),若所获取到体征系数XT(u,v)超过预先设置的体征阈值,向外部发出第二预警信息;
分析单元、进行多重线性回归分析,判断环境条件对体征系数XT(u,v)的影响程度,若该影响程度超过预期,则对活动区域内的环境条件做相应性调整,并使用表示学习模型以老年患者突发疾病作为检索词,建立图谱数据集;并通过语义网络模型从图谱数据集中选择数据,构建突发病症知识图谱;
求助单元、依据体征系数XT(u,v)的变化判断老年患者身体条件是否好转,若并未好转,采集老年患者的病症信息并确定出异常特征,并结合突发病症知识图谱判断出疑似病症,依据病症特征从知识图谱中匹配出常规方案作为急救方案,向外部发出求助信息;
方案匹配单元、在发出求助信息后,结合突发病症知识图谱,先构建病症特征库,再以病症特征库中的病症特征作为检索词,构建临时干预方案库;获取老年患者当前的病症特征,使用匹配模型从临时干预方案库中选择出相对应的干预方案,作为参考方案输出。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是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单元来实现本实施例方案的目的。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种老年人健康智能监测方法,其特征在于,包括如下步骤:
在老年患者所在区域内设置监测点,对其活动区域内的环境条件进行持续监测,由监测数据建立环境条件集;由环境条件集生成环境系数HQ(t,s),若所获取到环境系数HQ(t,s)超过预先设置的环境阈值,向外部发出第一预警信息;包括:
对老年患者所处的活动区域内设置若干个监测点,在监测点处获取温度数据,平均后生成区域温度Qt;若区域温度Qt在预先设置的范围之内,则在监测点处继续获取湿度及气压,平均后分别生成区域湿度Qs及区域气压Qq;在连续监测若干个周期后,将以上数据汇总,建立老年患者活动区域内的环境条件集;
在老年患者处于活动区域内时,对老年患者的生命体征进行持续性的监测,并由监测结果建立老年患者的体征数据集,由所述的体征数据集建立老年患者的体征系数XT(u,v),若所获取到体征系数XT(u,v)超过预先设置的体征阈值,向外部发出第二预警信息;
进行多重线性回归分析,判断环境条件对体征系数XT(u,v)的影响程度,若该影响程度超过预期,则对活动区域内的环境条件做相应性调整,并使用表示学习模型以老年患者突发疾病作为检索词,建立图谱数据集;并通过语义网络模型从图谱数据集中选择数据,构建突发病症知识图谱;
依据体征系数XT(u,v)的变化判断老年患者身体条件是否好转,若并未好转,采集老年患者的病症信息并确定出异常特征,并结合突发病症知识图谱判断出疑似病症,依据病症特征从知识图谱中匹配出常规方案作为急救方案,向外部发出求助信息;
在发出求助信息后,结合突发病症知识图谱,先构建病症特征库,再以病症特征库中的病症特征作为检索词,构建临时干预方案库;获取老年患者当前的病症特征,使用匹配模型从临时干预方案库中选择出相对应的干预方案,作为参考方案输出。
2.根据权利要求1所述的一种老年人健康智能监测方法,其特征在于:
由环境条件集生成环境系数HQ(t,s),其具体方法如下:对环境条件集内的若干个区域温度Qt、区域湿度Qs及区域气压Qq做线性归一化处理,将对应的数据值均映射到内;再依照如下公式:
,
其中,为区域温度的历史均值,/>为区域湿度的历史均值,/>为区域气压的历史均值,n为大于1的正整数,/>,n,/>,/>,/>且/>,其具体值由用户调整设置;若所获取到环境系数HQ(t,s)超过预先设置的环境阈值,向外部发出第一预警信息。
3.根据权利要求1所述的一种老年人健康智能监测方法,其特征在于:
对老年患者的生命体征进行持续性的监测,并由监测结果建立老年患者的体征数据集;所述体征数据集的建立方法如下:在老年患者处于休息状态,由体征监测设备对老年患者的体征数据进行检测,获取体征数据,在平均后,至少分别获取心率Xv、血压Xu及体温Tw,在沿着时间轴连续获取若干组后,汇总并建立体征数据集;
由位于活动区域内的老年患者体征数据集,建立老年患者的体征系数XT(u,v),其生成的方式如下:对体征数据集内的若干个心率Xv、血压Xu及体温Tw做线性归一化处理,将对应的数据值均映射到内,再将其依照产生数据的时间戳依次排列,生成对应的体征数据序列。
4.根据权利要求3所述的一种老年人健康智能监测方法,其特征在于:
依照如下公式获取在体征数据列的i位置上的第一中间值及第二中间值/> ,
其中,修正系数取值如下:,/>,其具体值由用户调整设置,/>为当前第一中间值/>及第二中间值/>在体征数据序列内的序号,/>n;
依照如下公式,继续生成第三中间值及第四中间值/>,
,
其中,为在i位置上的第一中间值,/>为i位置及之前第一中间值的均值;/>为在i位置上的第二中间值,/>为i位置及之前的第二中间值的均值。
5.根据权利要求4所述的一种老年人健康智能监测方法,其特征在于:
依照如下公式生成数据质量系数XT(u,v):
,
其中,n,n为大于1的正整数,/>,/>,且/>,其具体值由用户调整设置,/>为若干个i位置及之前第三中间值的均值,/>为若干个i位置及之前第四中间值的均值;
若所获取到体征系数XT(u,v)超过的体征阈值,向外部发出第二预警信息。
6.根据权利要求1所述的一种老年人健康智能监测方法,其特征在于:
在设置评估周期后,沿着时间轴连续获取若干组区域温度Qt、区域湿度Qs及区域气压Qq,以及若干组相对应的体征系数XT(u,v),在依据数据的生成时间添加时间戳后,将以上各组数据对齐;以区域温度Qt、区域湿度Qs及区域气压Qq作为自变量,以体征系数XT(u,v)作为因变量,进行多重线性回归分析,并获取相应的回归方程;
从回归方程中分别获取与自变量相对应的回归系数,加总之后生成系数和Xp;若系数和Xp高于影响度阈值,对环境条件进行相应性调整,至少将区域温度Qt、区域湿度Qs及区域气压Qq调整至同期均值的水平。
7.根据权利要求6所述的一种老年人健康智能监测方法,其特征在于:
使用网络表示学习算法,依据线性搜索从公开网络检索数据样本,并在经过训练和测试后,将构建后的网络表示学习模型输出,依据网络表示学习模型,以老年患者突发疾病作为检索词,采用深度优先搜索从公开的网络渠道检索并采集数据,汇总形成图谱数据集;
基于神经网络学习算法,从图谱数据集中选择数据作为样本数据,将样本数据分类为测试集和训练集,在对模型经过训练和测试后,完成语义网络模型的构建,通过语义网络模型从图谱数据集中选择数据,经过处理分析后,完成知识图谱的构建,将其标记为突发病症知识图谱并输出。
8.根据权利要求1所述的一种老年人健康智能监测方法,其特征在于:
经过一个评估周期后,依据体征系数XT(u,v)的变化判断老年患者身体条件是否好转;若并未好转,将老年患者接入已经搭建的语音问询系统,以语音问询及数据采样的形式采集老年患者的病症信息,所述的病症信息至少包括:老年患者当前的语言表述状态、面部图像、体温特征、血液成分、行动特征及血压等,在汇总后建立老年患者的病症数据集;
将病症数据集中的病症信息中筛选出异常部分,并将该异常部分作为异常特征;在异常特征至少大于一个时,将异常特征与突发病症知识图谱中的病症数据进行对比,依据两者间的相似度,筛选获取出老年患者当前最可能的病症,确定为疑似病症;
从病症数据集中筛选出与疑似病症相对应的疑似病症数据,将疑似病症数据中超过健康阈值的部分确定为病症特征,依据病症特征从知识图谱中匹配出常规方案;以所述常规方案作为急救方案,结合对应急救方案的执行过程,从突发病症知识图谱中匹配出对应或类似的急救演示图像或模型,结合老年患者当前的位置信息,向外部发出求助信息。
9.根据权利要求8所述的一种老年人健康智能监测方法,其特征在于:
在发出求助信息后,结合突发病症知识图谱,通过线性检索收集获取与疑似病症相关的已知病症特征,在经过相似度检验后,汇总并构建病症特征库;以病症特征库中的病症特征作为检索词,从突发病症知识图谱中匹配出相应的一个或者多个相应的干预方案,将所有的干预方案汇总,构建临时干预方案库;
从临时干预方案库中抽取部分数据作为样本数据,采用神经卷积算法搭建深度学习模型,采用样本数据对深度学习模型进行训练,经过测试后,输出为可执行匹配任务的匹配模型;
获取老年患者当前的病症特征,在病症特征库中进行检索,如果存在相同或相似的病症特征,则依据匹配模型从临时干预方案库中选择出与病症特征相对应的干预方案,将该干预方案作为参考方案输出,如果不存在,则不输出。
10.一种老年人健康智能监测系统,其特征在于:包括:
第一监测单元、在老年患者所在区域内设置监测点,对其活动区域内的环境条件进行持续监测,由监测数据建立环境条件集;由环境条件集生成环境系数HQ(t,s),若所获取到环境系数HQ(t,s)超过预先设置的环境阈值,向外部发出第一预警信息;
第二监测单元、在老年患者处于活动区域内时,对老年患者的生命体征进行持续性的监测,并由监测结果建立老年患者的体征数据集,由所述的体征数据集建立老年患者的体征系数XT(u,v),若所获取到体征系数XT(u,v)超过预先设置的体征阈值,向外部发出第二预警信息;
分析单元、进行多重线性回归分析,判断环境条件对体征系数XT(u,v)的影响程度,若该影响程度超过预期,则对活动区域内的环境条件做相应性调整,并使用表示学习模型以老年患者突发疾病作为检索词,建立图谱数据集;并通过语义网络模型从图谱数据集中选择数据,构建突发病症知识图谱;
求助单元、依据体征系数XT(u,v)的变化判断老年患者身体条件是否好转,若并未好转,采集老年患者的病症信息并确定出异常特征,并结合突发病症知识图谱判断出疑似病症,依据病症特征从知识图谱中匹配出常规方案作为急救方案,向外部发出求助信息;
方案匹配单元、在发出求助信息后,结合突发病症知识图谱,先构建病症特征库,再以病症特征库中的病症特征作为检索词,构建临时干预方案库;获取老年患者当前的病症特征,使用匹配模型从临时干预方案库中选择出相对应的干预方案,作为参考方案输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311394313.5A CN117133464B (zh) | 2023-10-26 | 2023-10-26 | 一种老年人健康智能监测系统及监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311394313.5A CN117133464B (zh) | 2023-10-26 | 2023-10-26 | 一种老年人健康智能监测系统及监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117133464A true CN117133464A (zh) | 2023-11-28 |
CN117133464B CN117133464B (zh) | 2024-03-12 |
Family
ID=88854921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311394313.5A Active CN117133464B (zh) | 2023-10-26 | 2023-10-26 | 一种老年人健康智能监测系统及监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117133464B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117457173A (zh) * | 2023-12-25 | 2024-01-26 | 中国人民解放军总医院第二医学中心 | 一种用于心内科的可穿戴设备心律失常监测系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070036836A (ko) * | 2005-09-30 | 2007-04-04 | (주)아이크로스테크놀로지 | 고령자를 위한 홈네트워크 서비스 방법 |
US20170173262A1 (en) * | 2017-03-01 | 2017-06-22 | François Paul VELTZ | Medical systems, devices and methods |
CN109326081A (zh) * | 2018-11-09 | 2019-02-12 | 复旦大学 | 基于物联网的老人家庭看护预警系统及健康状况评估方法 |
WO2019166859A1 (en) * | 2018-03-01 | 2019-09-06 | Barreto Nogueira Adriano | Determination or prediction of biological age, rate of aging, or disease installation or outcome by monitoring of the cyclic variation of temperature or other body parameters |
KR102133943B1 (ko) * | 2020-01-16 | 2020-07-14 | 가천대학교 산학협력단 | 시니어의 건강을 위한 홈 헬스케어 제공방법 및 제공장치 |
CN111785374A (zh) * | 2020-06-15 | 2020-10-16 | 山东省玖玖医养健康产业有限公司 | 一种基于大数据的健康状况分析预测方法及系统 |
CN111916215A (zh) * | 2020-06-17 | 2020-11-10 | 扬州大学附属医院 | 一种群集性/慢性疾病早期自动报警、初步特征分析与风险评估系统 |
CN112635055A (zh) * | 2020-12-09 | 2021-04-09 | 珠海格力电器股份有限公司 | 一种睡眠环境参数推荐方法、装置、设备及介质 |
CN115482931A (zh) * | 2022-09-16 | 2022-12-16 | 北京慧养道健康科技有限公司 | 一种基于传感器采集的生命预警系统 |
CN116013511A (zh) * | 2023-03-24 | 2023-04-25 | 吉林大学 | 基于知识图谱的糖尿病干预智能推荐方法及系统 |
CN116364295A (zh) * | 2022-12-28 | 2023-06-30 | 北京谊安医疗系统股份有限公司 | 一种医疗数据处理方法及系统 |
CN116407096A (zh) * | 2021-12-31 | 2023-07-11 | 新加坡国立大学 | 生命体征检测装置、系统及数据处理方法 |
-
2023
- 2023-10-26 CN CN202311394313.5A patent/CN117133464B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070036836A (ko) * | 2005-09-30 | 2007-04-04 | (주)아이크로스테크놀로지 | 고령자를 위한 홈네트워크 서비스 방법 |
US20170173262A1 (en) * | 2017-03-01 | 2017-06-22 | François Paul VELTZ | Medical systems, devices and methods |
WO2019166859A1 (en) * | 2018-03-01 | 2019-09-06 | Barreto Nogueira Adriano | Determination or prediction of biological age, rate of aging, or disease installation or outcome by monitoring of the cyclic variation of temperature or other body parameters |
CN109326081A (zh) * | 2018-11-09 | 2019-02-12 | 复旦大学 | 基于物联网的老人家庭看护预警系统及健康状况评估方法 |
KR102133943B1 (ko) * | 2020-01-16 | 2020-07-14 | 가천대학교 산학협력단 | 시니어의 건강을 위한 홈 헬스케어 제공방법 및 제공장치 |
CN111785374A (zh) * | 2020-06-15 | 2020-10-16 | 山东省玖玖医养健康产业有限公司 | 一种基于大数据的健康状况分析预测方法及系统 |
CN111916215A (zh) * | 2020-06-17 | 2020-11-10 | 扬州大学附属医院 | 一种群集性/慢性疾病早期自动报警、初步特征分析与风险评估系统 |
CN112635055A (zh) * | 2020-12-09 | 2021-04-09 | 珠海格力电器股份有限公司 | 一种睡眠环境参数推荐方法、装置、设备及介质 |
CN116407096A (zh) * | 2021-12-31 | 2023-07-11 | 新加坡国立大学 | 生命体征检测装置、系统及数据处理方法 |
CN115482931A (zh) * | 2022-09-16 | 2022-12-16 | 北京慧养道健康科技有限公司 | 一种基于传感器采集的生命预警系统 |
CN116364295A (zh) * | 2022-12-28 | 2023-06-30 | 北京谊安医疗系统股份有限公司 | 一种医疗数据处理方法及系统 |
CN116013511A (zh) * | 2023-03-24 | 2023-04-25 | 吉林大学 | 基于知识图谱的糖尿病干预智能推荐方法及系统 |
Non-Patent Citations (1)
Title |
---|
吴一洲;杨佳成;陈前虎;: "健康社区建设的研究进展与关键维度探索――基于国际知识图谱分析", 国际城市规划, vol. 35, no. 05 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117457173A (zh) * | 2023-12-25 | 2024-01-26 | 中国人民解放军总医院第二医学中心 | 一种用于心内科的可穿戴设备心律失常监测系统 |
CN117457173B (zh) * | 2023-12-25 | 2024-03-12 | 中国人民解放军总医院第二医学中心 | 一种用于心内科的可穿戴设备心律失常监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117133464B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3698707B1 (en) | Electrocardiogram information dynamic monitoring system, computer program and computer readable storage medium | |
CN109009017B (zh) | 一种智能健康监测系统及其数据处理方法 | |
AU2006325153B2 (en) | Residual-based monitoring of human health | |
JP6892233B2 (ja) | 双方向の遠隔的な患者監視および状態管理介入システム | |
US8478542B2 (en) | Non-parametric modeling apparatus and method for classification, especially of activity state | |
CN108778097A (zh) | 用于评估心力衰竭的装置和方法 | |
US20040199482A1 (en) | Systems and methods for automatic and incremental learning of patient states from biomedical signals | |
KR20190105163A (ko) | 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법 | |
CN110584601B (zh) | 一种老人认知功能监测和评估系统 | |
CN117133464B (zh) | 一种老年人健康智能监测系统及监测方法 | |
KR102302071B1 (ko) | 우울증 발병 예측 방법 및 이를 이용한 우울증 발병 예측 디바이스 | |
CN111081379B (zh) | 一种疾病概率决策方法及其系统 | |
CN112908481B (zh) | 一种自动化个人健康评估及管理方法及系统 | |
CN116344050B (zh) | 一种基于多维度健康管理模型的评测方法 | |
CN113317762A (zh) | 一种云端服务器 | |
CN110491506A (zh) | 心房颤动预测模型及其预测系统 | |
CN114343585B (zh) | 认知和行为障碍的预警方法、装置、设备及存储介质 | |
CN116344023A (zh) | 一种基于智慧养老医疗的远程监护系统 | |
CN113096792B (zh) | 一种基于机器学习的智能健康监测预警方法及系统 | |
KR102169637B1 (ko) | 사망 위험도의 예측 방법 및 이를 이용한 사망 위험도의 예측 디바이스 | |
AU2021236462A1 (en) | Residual-based monitoring of human health | |
CN111317458A (zh) | 一种基于深度学习的血压检测系统 | |
US20210000405A1 (en) | System for estimating a stress condition of an individual | |
CN116098595B (zh) | 一种心源性及脑源性猝死监测预防系统和方法 | |
CN114464319B (zh) | 一种基于慢特征分析和深度神经网络的ams易感性评估系统 |
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 |