CN117238485B - 基于数据处理的智能管控系统 - Google Patents
基于数据处理的智能管控系统 Download PDFInfo
- Publication number
- CN117238485B CN117238485B CN202311509445.8A CN202311509445A CN117238485B CN 117238485 B CN117238485 B CN 117238485B CN 202311509445 A CN202311509445 A CN 202311509445A CN 117238485 B CN117238485 B CN 117238485B
- Authority
- CN
- China
- Prior art keywords
- current
- patient
- neurology patient
- sensing device
- intelligent
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 50
- 230000036461 convulsion Effects 0.000 claims abstract description 80
- 230000001037 epileptic effect Effects 0.000 claims abstract description 70
- 206010010904 Convulsion Diseases 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 230000000875 corresponding effect Effects 0.000 claims description 79
- 206010015037 epilepsy Diseases 0.000 claims description 43
- 238000001514 detection method Methods 0.000 claims description 36
- 230000000926 neurological effect Effects 0.000 claims description 36
- 206010028347 Muscle twitching Diseases 0.000 claims description 22
- 208000028329 epileptic seizure Diseases 0.000 claims description 15
- 201000010099 disease Diseases 0.000 claims description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 35
- 230000000474 nursing effect Effects 0.000 description 28
- 238000010586 diagram Methods 0.000 description 12
- 208000024891 symptom Diseases 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000000034 method Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 206010047700 Vomiting Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000008673 vomiting Effects 0.000 description 2
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 208000019505 Deglutition disease Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Accommodation For Nursing Or Treatment Tables (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于数据处理的智能管控系统，属于数据处理领域，所述系统包括：多次学习器件，用于对深度神经网络执行设定数目的多次学习操作以获得用于神经内科患者发病判断的智能判断模型；患病判断器件，用于采用智能判断模型基于当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数判断当前神经内科患者在未来时刻是否发作癫痫。通过本发明，针对具有癫痫病史的神经内科患者其癫痫发病时机难以判断的技术问题，能够采用智能判断模型智能判断未来时刻当前神经内科患者是否处于发病状态，从而解决了上述技术问题。
Description
技术领域
本发明涉及数据处理领域，尤其涉及一种基于数据处理的智能管控系统。
背景技术
对于神经内科患者的护理管控，一直是各家医院以及护理机构棘手的项目。神经内科患者的症状，需要根据具体的病因进行分析，如果是脑梗死患者，可能会表现为突发言语不利、口角歪斜、吞咽困难等症状，对于脑出血患者，一般会出现头痛、恶心、呕吐等症状，如果是癫痫病患者，通常表现为单侧或者双侧肢体抽搐症状，同时患者可能会伴有意识丧失、口吐白沫、舌咬伤等症状。
在中国专利号为CN111180029A的申请文件涉及信息化建设助力临床护理风险的防控系统。其包括智能平板和医院大数据平台所述智能平板内设置有患者信息登录模块、评估模块、电子警示标示模块和电子病历模块，所述医院大数据平台包括数据保存模块、智能分析护理模块和信息推送模块；
在中国专利号为CN112259204A的申请文件一种医院护士台管控系统，包括中央导控系统，中央导控系统包括信息传输模块和护士台信息管理模块，护士台信息管理模块包括患者移动终端、护理人员信息采集模块、病房管理模块、床位管理模块、药品管理模块、报警模块和护士台显示模块，患者移动终端包括加床模块和固定床位模块，且固定床位模块包括床位基本信息显示屏；
由此可见，难以判断具有癫痫病史的神经内科患者的癫痫发病时机，是各家医院以及护理机构的护理难点，如果保持24小时的护理人员进行持续的监控和护理，显然会浪费大量的护理资源，提升护理成本，相反，如果减少护理时长以及护理人员，又会导致神经内科患者癫痫发作时，因为缺失必要的护理而引起人身伤害以及设备损坏。
显然，上述现有技术仅仅对神经内科的护理结构进行硬件设计以及硬件优化，仍存在具有癫痫病史的神经内科患者其癫痫发病时机难以判断的技术问题，导致各家医院以及护理机构在为每一位具有癫痫病史的神经内科患者安排护理人员以及护理时间时，缺乏足够有效的信息进行参考，容易产生护理资源过度消耗或者护理资源相对不足的两种不同的极端场景。
发明内容
为了解决现有技术中的上述技术问题，本发明提供了一种基于数据处理的智能管控系统，能够基于具有癫痫病史的当前神经内科患者的多项生理数据以及当前神经内科患者的多项过往时刻分别对应的多份运动信息，采用智能判断模型准确判断未来时刻当前神经内科患者是否处于发病状态，并在判断未来时刻处于发病状态时进行未来时刻的发病预警以及相应的护理资源的分配，从而在保证对每一位神经内科患者的护理效果的同时，有效降低神经内科患者的护理成本。
根据本发明的第一方面，提供了一种基于数据处理的智能管控系统，所述系统包括：
第一感应器件，用于感应并输出当前神经内科患者的肢体左侧在间隔均匀的各个时刻分别对应的各份左侧抽动幅值，当前神经内科患者具有癫痫病史；
第二感应器件，用于感应并输出当前神经内科患者的肢体右侧在间隔均匀的各个时刻分别对应的各份右侧抽动幅值；
数据处理器件，分别与第一感应器件以及第二感应器件连接，用于基于间隔均匀的各个时刻分别对应的各份左侧抽动幅值以及各份右侧抽动幅值获取各个时刻分别对应的肢体抽动幅值；
多次学习器件，用于对深度神经网络执行设定数目的多次学习操作以获得用于神经内科患者发病判断的智能判断模型；
患病判断器件，分别与数据处理器件以及多次学习器件连接，用于采用智能判断模型基于当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数判断当前神经内科患者在未来时刻是否发作癫痫；
其中，获取的每一时刻对应的肢体抽动幅值为所述时刻对应的单份左侧抽动幅值和单份右侧抽动幅值中的最大数值；
其中，固定数量的取值与第一感应器件或第二感应器件的幅值检测分辨率正向关联。
根据本发明的第二方面，提供了一种基于数据处理的智能管控系统，所述系统包括第一感应器件、第二感应器件、存储器以及一个或多个处理器，所述第一感应器件用于感应并输出当前神经内科患者的肢体左侧在间隔均匀的各个时刻分别对应的各份左侧抽动幅值，当前神经内科患者具有癫痫病史，所述第二感应器件用于感应并输出当前神经内科患者的肢体右侧在间隔均匀的各个时刻分别对应的各份右侧抽动幅值，所述一个或多个处理器同时与所述存储器、所述第一感应器件以及所述第二感应器件连接，所述存储器存储有计算机程序，所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤：
基于间隔均匀的各个时刻分别对应的各份左侧抽动幅值以及各份右侧抽动幅值获取各个时刻分别对应的肢体抽动幅值；
对深度神经网络执行设定数目的多次学习操作以获得用于神经内科患者发病判断的智能判断模型；
采用智能判断模型基于当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数判断当前神经内科患者在未来时刻是否发作癫痫；
其中，获取的每一时刻对应的肢体抽动幅值为所述时刻对应的单份左侧抽动幅值和单份右侧抽动幅值中的最大数值；
其中，固定数量的取值与第一感应器件或第二感应器件的幅值检测分辨率正向关联；
其中，所述固定数量的取值与第一感应器件或第二感应器件的幅值检测分辨率正向关联包括：第一感应器件或第二感应器件的幅值检测分辨率为对应感应器件能够检测到的最小幅值，第一感应器件的幅值检测分辨率和第二感应器件的幅值检测分辨率相等；
其中，采用智能判断模型基于当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数判断当前神经内科患者在未来时刻是否发作癫痫包括：当前神经内科患者的多项生理参数包括当前神经内科患者的体重、身高、脂肪含量以及癫痫患病时长；
其中，对深度神经网络执行设定数目的多次学习操作以获得用于神经内科患者发病判断的智能判断模型包括：所述设定数目的取值与执行多次学习操作使用的具有癫痫病史的神经内科患者的数量成正比且其包括相等数值的正向学习次数和负向学习次数。
由此可见，相比较于现有技术，本发明至少需要具备以下四处显著的技术进步：
技术进步A：对具有癫痫病史的当前神经内科患者执行多项分时数据的采集以及多项生理参数的采集，所述多项分时数据为未来时刻之前均匀间隔的多个时刻分别对应的多份肢体抽动幅值，所述多项生理参数包括当前神经内科患者的体重、身高、脂肪含量以及癫痫患病时长，每一时刻对应的单份肢体抽动幅值为所述时刻对应的左侧肢体抽动幅值和右侧肢体抽动幅值中的最大数值，从而为后续当前神经内科患者的状态的判断提供充足、可靠的各项基础信息；
技术进步B：引入用于神经内科患者发病判断的智能判断模型以基于各项基础信息智能判断未来时刻当前神经内科患者是否处于发病状态，并在判断处于发病状态时，进行未来时刻的发病预警，从而为神经内科患者的智能监控提供有价值的参考数据；
技术进步C：通过以下几个设计模式保证用于神经内科患者发病判断的智能判断模型的有效性和稳定性：所述智能判断模型为经过多次学习操作后的深度神经网络，学习的总次数与执行多次学习操作使用的具有癫痫病史的神经内科患者的数量成正比，以及学习的总次数包括相等数值的正向学习次数和负向学习次数；
技术进步D：执行智能判断使用的多项分时数据的数量与肢体幅度感应器件的幅值检测分辨率正向关联，其中，肢体幅度感应器件幅值检测分辨率为肢体幅度感应器件能够检测到的最小幅值，从而保证了智能判断使用的智能判断模型能够用于各类肢体幅度感应器件，提升了智能判断模型的兼容性。
附图说明
以下将结合附图对本发明的实施方案进行描述，其中：
图1为根据本发明的基于数据处理的智能管控系统的技术流程图；
图2为根据本发明的实施例1示出的基于数据处理的智能管控系统的结构示意图；
图3为根据本发明的实施例2示出的基于数据处理的智能管控系统的结构示意图；
图4为根据本发明的实施例3示出的基于数据处理的智能管控系统的结构示意图；
图5为根据本发明的实施例4示出的基于数据处理的智能管控系统的结构示意图；
图6为根据本发明的实施例5示出的基于数据处理的智能管控系统的结构示意图；
图7为根据本发明的实施例6示出的基于数据处理的智能管控系统的结构示意图。
具体实施方式
如图1所示，给出了根据本发明示出的基于数据处理的智能管控系统的技术流程图。
在图1中，本发明的具体的技术流程可以拆分成以下四个主要步骤：
第一步：为了对具有癫痫病史的当前神经内科患者进行未来时刻是否癫痫发作进行预判，获取用于预判的各项基础数据；
如图1所示，给出了具有癫痫病史的当前神经内科患者所在的护理现场；
具体地，用于预判的各项基础数据包括当前神经内科患者的多项分时数据以及当前神经内科患者的多项生理参数，从而为后续当前神经内科患者的状态的判断提供充足、可靠的各项基础信息；
例如，当前神经内科患者的多项生理参数包括当前神经内科患者的体重、身高、脂肪含量以及癫痫患病时长；
以及当前神经内科患者的多项分时数据为未来时刻之前均匀间隔的多个时刻分别对应的多份肢体抽动幅值，每一时刻对应的单份肢体抽动幅值为所述时刻对应的左侧肢体抽动幅值和右侧肢体抽动幅值中的最大数值；
第二步：为具有癫痫病史的神经内科患者建立发病时刻判断的智能判断模型；
其中，为了保证智能判断模型的判断的稳定性和可靠性，采用了以下针对性设计模式：所述智能判断模型为经过多次学习操作后的深度神经网络，学习的总次数与执行多次学习操作使用的具有癫痫病史的神经内科患者的数量成正比，以及学习的总次数包括相等数值的正向学习次数和负向学习次数；
第三步：使用第三步建立的智能判断模型以基于第一步获取的各项基础数据预判具有癫痫病史的当前神经内科患者未来时刻是否会癫痫发作；
第四步：在预判具有癫痫病史的当前神经内科患者未来时刻会癫痫发作后，执行未来时刻的癫痫发作的预警操作，同时为当前神经内科患者在未来时刻配置充足的护理资源；
相反，在预判具有癫痫病史的当前神经内科患者未来时刻不会癫痫发作后，不执行未来时刻的癫痫发作的预警操作，同时削减为当前神经内科患者在未来时刻配置的护理资源；
由此可见，通过上述智能护理管控机制，能够判断每一位具有癫痫病史的当前神经内科患者未来时刻是否会癫痫发作，进而执行相应的护理资源的配置，从而在保证护理效果的同时，避免造成有限护理资源的浪费。
本发明的关键点在于：对具有癫痫病史的当前神经内科患者进行未来时刻是否癫痫发作进行预判时各项基础数据的针对性选择、智能判断模型的定制化设计以及基于具有癫痫病史的当前神经内科患者未来时刻是否会癫痫发作的预判结果的有限护理资源的动态分配。
下面，将对本发明的基于数据处理的智能管控系统以实施例的方式进行具体说明。
实施例1
图2为根据本发明的实施例1示出的基于数据处理的智能管控系统的结构示意图。
如图2所示，所述基于数据处理的智能管控系统包括以下部件：
第一感应器件，用于感应并输出当前神经内科患者的肢体左侧在间隔均匀的各个时刻分别对应的各份左侧抽动幅值，当前神经内科患者具有癫痫病史；
第二感应器件，用于感应并输出当前神经内科患者的肢体右侧在间隔均匀的各个时刻分别对应的各份右侧抽动幅值；
示例地，所述第一感应器件与所述第二感应器件的结构相同，且所述第一感应器件与所述第二感应器件都内置有动作感应单元以及信号输出单元；
数据处理器件，分别与第一感应器件以及第二感应器件连接，用于基于间隔均匀的各个时刻分别对应的各份左侧抽动幅值以及各份右侧抽动幅值获取各个时刻分别对应的肢体抽动幅值；
示例地，基于间隔均匀的各个时刻分别对应的各份左侧抽动幅值以及各份右侧抽动幅值获取各个时刻分别对应的肢体抽动幅值包括：可以选择数值转换公式执行基于间隔均匀的各个时刻分别对应的各份左侧抽动幅值以及各份右侧抽动幅值获取各个时刻分别对应的肢体抽动幅值的处理；
多次学习器件，用于对深度神经网络执行设定数目的多次学习操作以获得用于神经内科患者发病判断的智能判断模型；
例如，对深度神经网络执行设定数目的多次学习操作以获得用于神经内科患者发病判断的智能判断模型包括：可以选择采用数值仿真模式完成对深度神经网络执行设定数目的多次学习操作的仿真处理；
患病判断器件，分别与数据处理器件以及多次学习器件连接，用于采用智能判断模型基于当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数判断当前神经内科患者在未来时刻是否发作癫痫；
示例地，采用智能判断模型基于当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数判断当前神经内科患者在未来时刻是否发作癫痫包括：可以选择使用MATLAB工具箱完成采用智能判断模型基于当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数判断当前神经内科患者在未来时刻是否发作癫痫的操作；
其中，获取的每一时刻对应的肢体抽动幅值为所述时刻对应的单份左侧抽动幅值和单份右侧抽动幅值中的最大数值；
其中，固定数量的取值与第一感应器件或第二感应器件的幅值检测分辨率正向关联；
例如，固定数量的取值与第一感应器件或第二感应器件的幅值检测分辨率正向关联包括：第一感应器件或第二感应器件的幅值检测分辨率为1毫米的幅值，所述固定数量的取值为30，第一感应器件或第二感应器件的幅值检测分辨率为1.5毫米的幅值，所述固定数量的取值为40,第一感应器件或第二感应器件的幅值检测分辨率为2毫米的幅值，所述固定数量的取值为50;
其中，所述固定数量的取值与第一感应器件或第二感应器件的幅值检测分辨率正向关联包括：第一感应器件或第二感应器件的幅值检测分辨率为对应感应器件能够检测到的最小幅值，第一感应器件的幅值检测分辨率和第二感应器件的幅值检测分辨率相等；
其中，采用智能判断模型基于当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数判断当前神经内科患者在未来时刻是否发作癫痫包括：当前神经内科患者的多项生理参数包括当前神经内科患者的体重、身高、脂肪含量以及癫痫患病时长；
其中，对深度神经网络执行设定数目的多次学习操作以获得用于神经内科患者发病判断的智能判断模型包括：所述设定数目的取值与执行多次学习操作使用的具有癫痫病史的神经内科患者的数量成正比且其包括相等数值的正向学习次数和负向学习次数;
示例地，所述设定数目的取值与执行多次学习操作使用的具有癫痫病史的神经内科患者的数量成正比且其包括相等数值的正向学习次数和负向学习次数包括：执行多次学习操作使用的具有癫痫病史的神经内科患者的数量为8位，所述设定数目的取值为100，正向学习次数为50，负向学习次数为50，执行多次学习操作使用的具有癫痫病史的神经内科患者的数量为16位，所述设定数目的取值为200，正向学习次数为100，负向学习次数为100，以及执行多次学习操作使用的具有癫痫病史的神经内科患者的数量为32位，所述设定数目的取值为400，正向学习次数为200，负向学习次数为200。
实施例2
图3为根据本发明的实施例2示出的基于数据处理的智能管控系统的结构示意图。
如图3所示，相比较于本发明的实施例1，所述基于数据处理的智能管控系统还包括：
预警操作器件，与所述患病判断器件连接，用于在判断当前神经内科患者在未来时刻发作癫痫时，执行对应未来时刻的癫痫发作的预警操作；
示例地，所述预警操作器件为光学预警器件，与所述患病判断器件连接，用于在判断当前神经内科患者在未来时刻发作癫痫时，执行对应未来时刻的癫痫发作的光学预警操作；
以及示例地，所述预警操作器件为声学预警器件，与所述患病判断器件连接，用于在判断当前神经内科患者在未来时刻发作癫痫时，执行对应未来时刻的癫痫发作的声学预警操作。
实施例3
图4为根据本发明的实施例3示出的基于数据处理的智能管控系统的结构示意图。
如图4所示，相比较于本发明的实施例1，所述基于数据处理的智能管控系统还包括：
同步服务器件，分别与所述第一感应器件以及所述第二感应器件连接，用于执行每一时刻所述第一感应器件和第二感应器件的感应动作的同步触发；
例如，所述同步服务器件可以采用方形波的下降沿执行每一时刻所述第一感应器件和第二感应器件的感应动作的同步触发。
实施例4
图5为根据本发明的实施例4示出的基于数据处理的智能管控系统的结构示意图。
如图5所示，相比较于本发明的实施例1，所述基于数据处理的智能管控系统还包括：
模型存储器件，与所述多次学习器件连接，用于存储用于神经内科患者发病判断的智能判断模型的各项模型数据；
示例地，可以选择采用FLASH闪存、MMC存储芯片、TF存储芯片或者CF存储芯片来实现所述模型存储器件。
实施例5
图6为根据本发明的实施例5示出的基于数据处理的智能管控系统的结构示意图。
如图6所示，相比较于本发明的实施例1，所述基于数据处理的智能管控系统还包括：
参数测量器件，与所述患病判断器件连接，用于测量当前神经内科患者的多项生理参数，并将测量获得的当前神经内科患者的多项生理参数发送给所述患病判断器件；
例如，所述参数测量器件可以包括多个参数测量单元，用于分别测量当前神经内科患者的多项生理参数。
接着，继续对本发明的各个实施例进行具体说明。
在上述实施例的各个实施例中，可选地，在所述基于数据处理的智能管控系统中：
对深度神经网络执行设定数目的多次学习操作以获得用于神经内科患者发病判断的智能判断模型还包括：每一次正向学习操作基于某一具有癫痫病史的神经内科患者发病时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及所述某一具有癫痫病史的神经内科患者的多项生理参数，每一次负向学习操作基于某一具有癫痫病史的神经内科患者未发病时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及所述某一具有癫痫病史的神经内科患者的多项生理参数；
具体地，选择对深度神经网络执行多次正向学习操作以保证癫痫发病的时刻的判断精度，同时，选择对深度神经网络执行多次负向学习操作以保证癫痫未发病的时刻的判断精度；
其中，采用智能判断模型基于当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数判断当前神经内科患者在未来时刻是否发作癫痫包括：将当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数并行输入到所述智能判断模型；
其中，采用智能判断模型基于当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数判断当前神经内科患者在未来时刻是否发作癫痫还包括：执行所述智能判断模型以获得其输出的表示当前神经内科患者在未来时刻是否发作癫痫的判断标识；
其中，执行所述智能判断模型以获得其输出的表示当前神经内科患者在未来时刻是否发作癫痫的判断标识包括：在判断标识赋值为0B01时，表示当前神经内科患者在未来时刻发作癫痫，在判断标识赋值为0B00时，表示当前神经内科患者在未来时刻未发作癫痫；
其中，每一次正向学习操作基于某一具有癫痫病史的神经内科患者发病时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及所述某一具有癫痫病史的神经内科患者的多项生理参数包括：在每一次正向学习操作中，将某一具有癫痫病史的神经内科患者发病时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及所述某一具有癫痫病史的神经内科患者的多项生理参数并行输入到所述智能判断模型；
其中，每一次正向学习操作基于某一具有癫痫病史的神经内科患者发病时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及所述某一具有癫痫病史的神经内科患者的多项生理参数还包括：将赋值为0B01的判断标识作为所述智能判断模型的输出内容以完成本次正向学习操作。
以及在上述实施例的各个实施例中，可选地，在所述基于数据处理的智能管控系统中：
采用智能判断模型基于当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数判断当前神经内科患者在未来时刻是否发作癫痫包括：所述未来时刻为当前时刻的下一时刻，所述未来时刻之前固定数量的多个时刻包括当前时刻；
其中，所述未来时刻为当前时刻的下一时刻，所述未来时刻之前固定数量的多个时刻包括当前时刻包括：所述未来时刻与所述未来时刻之前固定数量的多个时刻共同组成一个完整的时间分段且在所述完整的时间分段内各个时刻的两两相邻时刻的间隔时长相等；
例如，所述未来时刻与所述未来时刻之前固定数量的多个时刻共同组成一个完整的时间分段且在所述完整的时间分段内各个时刻的两两相邻时刻的间隔时长相等包括：所述间隔时长的取值为5分钟，所述未来时刻为当前时刻5分钟后的时刻。
实施例6
如图7所示，在本实施例中，本发明搭建了一种基于数据处理的智能管控系统，所述系统包括第一感应器件、第二感应器件、存储器以及一个或多个处理器，所述第一感应器件用于感应并输出当前神经内科患者的肢体左侧在间隔均匀的各个时刻分别对应的各份左侧抽动幅值，当前神经内科患者具有癫痫病史，所述第二感应器件用于感应并输出当前神经内科患者的肢体右侧在间隔均匀的各个时刻分别对应的各份右侧抽动幅值，所述一个或多个处理器同时与所述存储器、所述第一感应器件以及所述第二感应器件连接，所述存储器存储有计算机程序，所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤：
基于间隔均匀的各个时刻分别对应的各份左侧抽动幅值以及各份右侧抽动幅值获取各个时刻分别对应的肢体抽动幅值；
示例地，所述第一感应器件与所述第二感应器件的结构相同，且所述第一感应器件与所述第二感应器件都内置有动作感应单元以及信号输出单元；
示例地，基于间隔均匀的各个时刻分别对应的各份左侧抽动幅值以及各份右侧抽动幅值获取各个时刻分别对应的肢体抽动幅值包括：可以选择数值转换公式执行基于间隔均匀的各个时刻分别对应的各份左侧抽动幅值以及各份右侧抽动幅值获取各个时刻分别对应的肢体抽动幅值的处理；
对深度神经网络执行设定数目的多次学习操作以获得用于神经内科患者发病判断的智能判断模型；
例如，对深度神经网络执行设定数目的多次学习操作以获得用于神经内科患者发病判断的智能判断模型包括：可以选择采用数值仿真模式完成对深度神经网络执行设定数目的多次学习操作的仿真处理；
采用智能判断模型基于当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数判断当前神经内科患者在未来时刻是否发作癫痫；
示例地，采用智能判断模型基于当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数判断当前神经内科患者在未来时刻是否发作癫痫包括：可以选择使用MATLAB工具箱完成采用智能判断模型基于当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数判断当前神经内科患者在未来时刻是否发作癫痫的操作；
其中，获取的每一时刻对应的肢体抽动幅值为所述时刻对应的单份左侧抽动幅值和单份右侧抽动幅值中的最大数值；
其中，固定数量的取值与第一感应器件或第二感应器件的幅值检测分辨率正向关联；
例如，固定数量的取值与第一感应器件或第二感应器件的幅值检测分辨率正向关联包括：第一感应器件或第二感应器件的幅值检测分辨率为1毫米的幅值，所述固定数量的取值为30，第一感应器件或第二感应器件的幅值检测分辨率为1.5毫米的幅值，所述固定数量的取值为40,第一感应器件或第二感应器件的幅值检测分辨率为2毫米的幅值，所述固定数量的取值为50;
其中，所述固定数量的取值与第一感应器件或第二感应器件的幅值检测分辨率正向关联包括：第一感应器件或第二感应器件的幅值检测分辨率为对应感应器件能够检测到的最小幅值，第一感应器件的幅值检测分辨率和第二感应器件的幅值检测分辨率相等；
其中，采用智能判断模型基于当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数判断当前神经内科患者在未来时刻是否发作癫痫包括：当前神经内科患者的多项生理参数包括当前神经内科患者的体重、身高、脂肪含量以及癫痫患病时长；
其中，对深度神经网络执行设定数目的多次学习操作以获得用于神经内科患者发病判断的智能判断模型包括：所述设定数目的取值与执行多次学习操作使用的具有癫痫病史的神经内科患者的数量成正比且其包括相等数值的正向学习次数和负向学习次数；
示例地，所述设定数目的取值与执行多次学习操作使用的具有癫痫病史的神经内科患者的数量成正比且其包括相等数值的正向学习次数和负向学习次数包括：执行多次学习操作使用的具有癫痫病史的神经内科患者的数量为8位，所述设定数目的取值为100，正向学习次数为50，负向学习次数为50，执行多次学习操作使用的具有癫痫病史的神经内科患者的数量为16位，所述设定数目的取值为200，正向学习次数为100，负向学习次数为100，以及执行多次学习操作使用的具有癫痫病史的神经内科患者的数量为32位，所述设定数目的取值为400，正向学习次数为200，负向学习次数为200。
另外，在本发明中，更具体地，每一次负向学习操作基于某一具有癫痫病史的神经内科患者未发病时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及所述某一具有癫痫病史的神经内科患者的多项生理参数包括：在每一次负向学习操作中，将某一具有癫痫病史的神经内科患者未发病时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及所述某一具有癫痫病史的神经内科患者的多项生理参数并行输入到所述智能判断模型；
以及更具体地，每一次负向学习操作基于某一具有癫痫病史的神经内科患者未发病时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及所述某一具有癫痫病史的神经内科患者的多项生理参数还包括：将赋值为0B00的判断标识作为所述智能判断模型的输出内容以完成本次负向学习操作。
虽然本发明已以各种较佳实施例详细披露如上，但是本发明不应解释为仅仅涵盖上述这些实施例，这些实施例仅为示范性的实施例。 任何所属技术领域的技术人员，在不脱离本发明的精神和范围内，当可作些许的更动与改进，因此本发明的保护范围当视权利要求及其等 同物所界定者为准。
Claims (9)
1.一种基于数据处理的智能管控系统，其特征在于，所述系统包括：
第一感应器件，用于感应并输出当前神经内科患者的肢体左侧在间隔均匀的各个时刻分别对应的各份左侧抽动幅值，当前神经内科患者具有癫痫病史；
第二感应器件，用于感应并输出当前神经内科患者的肢体右侧在间隔均匀的各个时刻分别对应的各份右侧抽动幅值；
数据处理器件，分别与第一感应器件以及第二感应器件连接，用于基于间隔均匀的各个时刻分别对应的各份左侧抽动幅值以及各份右侧抽动幅值获取各个时刻分别对应的肢体抽动幅值；
多次学习器件，用于对深度神经网络执行设定数目的多次学习操作以获得用于神经内科患者发病判断的智能判断模型；
患病判断器件，分别与数据处理器件以及多次学习器件连接，用于采用智能判断模型基于当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数判断当前神经内科患者在未来时刻是否发作癫痫；
其中，获取的每一时刻对应的肢体抽动幅值为所述时刻对应的单份左侧抽动幅值和单份右侧抽动幅值中的最大数值；
其中，固定数量的取值与第一感应器件或第二感应器件的幅值检测分辨率正向关联;
其中，所述固定数量的取值与第一感应器件或第二感应器件的幅值检测分辨率正向关联包括：第一感应器件或第二感应器件的幅值检测分辨率为对应感应器件能够检测到的最小幅值，第一感应器件的幅值检测分辨率和第二感应器件的幅值检测分辨率相等；
其中，采用智能判断模型基于当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数判断当前神经内科患者在未来时刻是否发作癫痫包括：当前神经内科患者的多项生理参数包括当前神经内科患者的体重、身高、脂肪含量以及癫痫患病时长；
其中，对深度神经网络执行设定数目的多次学习操作以获得用于神经内科患者发病判断的智能判断模型包括：所述设定数目的取值与执行多次学习操作使用的具有癫痫病史的神经内科患者的数量成正比且其包括相等数值的正向学习次数和负向学习次数。
2.如权利要求1所述的基于数据处理的智能管控系统，其特征在于，所述系统还包括：
预警操作器件，与所述患病判断器件连接，用于在判断当前神经内科患者在未来时刻发作癫痫时，执行对应未来时刻的癫痫发作的预警操作。
3.如权利要求1所述的基于数据处理的智能管控系统，其特征在于，所述系统还包括：
同步服务器件，分别与所述第一感应器件以及所述第二感应器件连接，用于执行每一时刻所述第一感应器件和第二感应器件的感应动作的同步触发。
4.如权利要求1所述的基于数据处理的智能管控系统，其特征在于，所述系统还包括：
模型存储器件，与所述多次学习器件连接，用于存储用于神经内科患者发病判断的智能判断模型的各项模型数据。
5.如权利要求1所述的基于数据处理的智能管控系统，其特征在于，所述系统还包括：
参数测量器件，与所述患病判断器件连接，用于测量当前神经内科患者的多项生理参数，并将测量获得的当前神经内科患者的多项生理参数发送给所述患病判断器件。
6.如权利要求1-5任一所述的基于数据处理的智能管控系统，其特征在于：
对深度神经网络执行设定数目的多次学习操作以获得用于神经内科患者发病判断的智能判断模型还包括：每一次正向学习操作基于某一具有癫痫病史的神经内科患者发病时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及所述某一具有癫痫病史的神经内科患者的多项生理参数，每一次负向学习操作基于某一具有癫痫病史的神经内科患者未发病时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及所述某一具有癫痫病史的神经内科患者的多项生理参数；
其中，采用智能判断模型基于当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数判断当前神经内科患者在未来时刻是否发作癫痫包括：将当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数并行输入到所述智能判断模型；
其中，采用智能判断模型基于当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数判断当前神经内科患者在未来时刻是否发作癫痫还包括：执行所述智能判断模型以获得其输出的表示当前神经内科患者在未来时刻是否发作癫痫的判断标识；
其中，执行所述智能判断模型以获得其输出的表示当前神经内科患者在未来时刻是否发作癫痫的判断标识包括：在判断标识赋值为0B01时，表示当前神经内科患者在未来时刻发作癫痫，在判断标识赋值为0B00时，表示当前神经内科患者在未来时刻未发作癫痫。
7.如权利要求6所述的基于数据处理的智能管控系统，其特征在于：
每一次正向学习操作基于某一具有癫痫病史的神经内科患者发病时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及所述某一具有癫痫病史的神经内科患者的多项生理参数包括：在每一次正向学习操作中，将某一具有癫痫病史的神经内科患者发病时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及所述某一具有癫痫病史的神经内科患者的多项生理参数并行输入到所述智能判断模型；
其中，每一次正向学习操作基于某一具有癫痫病史的神经内科患者发病时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及所述某一具有癫痫病史的神经内科患者的多项生理参数还包括：将赋值为0B01的判断标识作为所述智能判断模型的输出内容以完成本次正向学习操作。
8.如权利要求1-5任一所述的基于数据处理的智能管控系统，其特征在于：
采用智能判断模型基于当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数判断当前神经内科患者在未来时刻是否发作癫痫包括：所述未来时刻为当前时刻的下一时刻，所述未来时刻之前固定数量的多个时刻包括当前时刻；
其中，所述未来时刻为当前时刻的下一时刻，所述未来时刻之前固定数量的多个时刻包括当前时刻包括：所述未来时刻与所述未来时刻之前固定数量的多个时刻共同组成一个完整的时间分段且在所述完整的时间分段内各个时刻的两两相邻时刻的间隔时长相等。
9.一种基于数据处理的智能管控系统，其特征在于，所述系统包括第一感应器件、第二感应器件、存储器以及一个或多个处理器，所述第一感应器件用于感应并输出当前神经内科患者的肢体左侧在间隔均匀的各个时刻分别对应的各份左侧抽动幅值，当前神经内科患者具有癫痫病史，所述第二感应器件用于感应并输出当前神经内科患者的肢体右侧在间隔均匀的各个时刻分别对应的各份右侧抽动幅值，所述一个或多个处理器同时与所述存储器、所述第一感应器件以及所述第二感应器件连接，所述存储器存储有计算机程序，所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤：
基于间隔均匀的各个时刻分别对应的各份左侧抽动幅值以及各份右侧抽动幅值获取各个时刻分别对应的肢体抽动幅值；
对深度神经网络执行设定数目的多次学习操作以获得用于神经内科患者发病判断的智能判断模型；
采用智能判断模型基于当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数判断当前神经内科患者在未来时刻是否发作癫痫；
其中，获取的每一时刻对应的肢体抽动幅值为所述时刻对应的单份左侧抽动幅值和单份右侧抽动幅值中的最大数值；
其中，固定数量的取值与第一感应器件或第二感应器件的幅值检测分辨率正向关联；
其中，所述固定数量的取值与第一感应器件或第二感应器件的幅值检测分辨率正向关联包括：第一感应器件或第二感应器件的幅值检测分辨率为对应感应器件能够检测到的最小幅值，第一感应器件的幅值检测分辨率和第二感应器件的幅值检测分辨率相等；
其中，采用智能判断模型基于当前神经内科患者在未来时刻之前固定数量的多个时刻分别对应的多份肢体抽动幅值以及当前神经内科患者的多项生理参数判断当前神经内科患者在未来时刻是否发作癫痫包括：当前神经内科患者的多项生理参数包括当前神经内科患者的体重、身高、脂肪含量以及癫痫患病时长；
其中，对深度神经网络执行设定数目的多次学习操作以获得用于神经内科患者发病判断的智能判断模型包括：所述设定数目的取值与执行多次学习操作使用的具有癫痫病史的神经内科患者的数量成正比且其包括相等数值的正向学习次数和负向学习次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311509445.8A CN117238485B (zh) | 2023-11-14 | 2023-11-14 | 基于数据处理的智能管控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311509445.8A CN117238485B (zh) | 2023-11-14 | 2023-11-14 | 基于数据处理的智能管控系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117238485A CN117238485A (zh) | 2023-12-15 |
| CN117238485B true CN117238485B (zh) | 2024-01-30 |
Family
ID=89084686
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311509445.8A Active CN117238485B (zh) | 2023-11-14 | 2023-11-14 | 基于数据处理的智能管控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117238485B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105760861A (zh) * | 2016-03-29 | 2016-07-13 | 华东师范大学 | 一种基于深度数据的癫痫发作监控方法及系统 |
| CN106821376A (zh) * | 2017-03-28 | 2017-06-13 | 南京医科大学 | 一种基于深度学习算法的癫痫发作预警系统及方法 |
| CN108903939A (zh) * | 2018-05-28 | 2018-11-30 | 中国医学科学院生物医学工程研究所 | 一种在大鼠清醒状态下测量tms运动阈值的方法 |
| CN110739077A (zh) * | 2018-07-19 | 2020-01-31 | 杭州星迈科技有限公司 | 癫痫发作预警方法及系统 |
| CN112582068A (zh) * | 2020-12-31 | 2021-03-30 | 山东省妇幼保健院 | 一种用于妊娠期子痫症状的安全装置 |
| CN113096816A (zh) * | 2021-03-18 | 2021-07-09 | 西安交通大学 | 脑疾病发病风险预测模型建立方法、系统、设备及存储介质 |
| CN214279129U (zh) * | 2021-03-22 | 2021-09-24 | 西南交通大学 | 一种儿童癫痫症状检测及提示装置 |
| CN113520319A (zh) * | 2021-07-12 | 2021-10-22 | 吾征智能技术(北京)有限公司 | 一种基于逻辑回归的癫痫事件风险管理方法和系统 |
| CN114027856A (zh) * | 2021-12-28 | 2022-02-11 | 郑州大学第二附属医院 | 一种用于癫痫异常的监测系统 |
| CN115530774A (zh) * | 2021-06-30 | 2022-12-30 | 荣耀终端有限公司 | 癫痫检测方法和装置 |
| CN115804572A (zh) * | 2023-02-07 | 2023-03-17 | 之江实验室 | 一种癫痫发作自动监护系统及装置 |
| CN116439726A (zh) * | 2023-04-24 | 2023-07-18 | 东南大学 | 一种基于混合动态因果模型的癫痫兴奋性和抑制性平衡计算方法 |
| CN116844720A (zh) * | 2023-06-30 | 2023-10-03 | 石嘴山市第二人民医院 | 老年衰弱健康智能监控管理系统 |
-
2023
- 2023-11-14 CN CN202311509445.8A patent/CN117238485B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105760861A (zh) * | 2016-03-29 | 2016-07-13 | 华东师范大学 | 一种基于深度数据的癫痫发作监控方法及系统 |
| CN106821376A (zh) * | 2017-03-28 | 2017-06-13 | 南京医科大学 | 一种基于深度学习算法的癫痫发作预警系统及方法 |
| CN108903939A (zh) * | 2018-05-28 | 2018-11-30 | 中国医学科学院生物医学工程研究所 | 一种在大鼠清醒状态下测量tms运动阈值的方法 |
| CN110739077A (zh) * | 2018-07-19 | 2020-01-31 | 杭州星迈科技有限公司 | 癫痫发作预警方法及系统 |
| CN112582068A (zh) * | 2020-12-31 | 2021-03-30 | 山东省妇幼保健院 | 一种用于妊娠期子痫症状的安全装置 |
| CN113096816A (zh) * | 2021-03-18 | 2021-07-09 | 西安交通大学 | 脑疾病发病风险预测模型建立方法、系统、设备及存储介质 |
| CN214279129U (zh) * | 2021-03-22 | 2021-09-24 | 西南交通大学 | 一种儿童癫痫症状检测及提示装置 |
| CN115530774A (zh) * | 2021-06-30 | 2022-12-30 | 荣耀终端有限公司 | 癫痫检测方法和装置 |
| CN113520319A (zh) * | 2021-07-12 | 2021-10-22 | 吾征智能技术(北京)有限公司 | 一种基于逻辑回归的癫痫事件风险管理方法和系统 |
| CN114027856A (zh) * | 2021-12-28 | 2022-02-11 | 郑州大学第二附属医院 | 一种用于癫痫异常的监测系统 |
| CN115804572A (zh) * | 2023-02-07 | 2023-03-17 | 之江实验室 | 一种癫痫发作自动监护系统及装置 |
| CN116439726A (zh) * | 2023-04-24 | 2023-07-18 | 东南大学 | 一种基于混合动态因果模型的癫痫兴奋性和抑制性平衡计算方法 |
| CN116844720A (zh) * | 2023-06-30 | 2023-10-03 | 石嘴山市第二人民医院 | 老年衰弱健康智能监控管理系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于深度学习多模型决策的癫痫发作类型分类算法研究;党宁;《中国知网硕士电子期刊》;全文 * |
| 多模神经电刺激仪的设计;薛慧君等;《中国老年保健医学》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117238485A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20240013872A1 (en) | System and method for determining subject conditions in mobile health clinical trials | |
| Zhang et al. | A context-aware mhealth system for online physiological monitoring in remote healthcare | |
| WO2015199258A1 (ko) | 진단모델 생성 시스템 및 방법 | |
| CN111372506B (zh) | 使用可穿戴设备预测甲状腺毒症的系统和计算机程序 | |
| CN102902874A (zh) | 用于在急诊部中进行自动化的检伤分类和安排的系统和方法 | |
| Wrobel et al. | Medical cyber-physical system for home telecare of high-risk pregnancy: design challenges and requirements | |
| CN116110577B (zh) | 一种基于大数据的健康监测分析方法及系统 | |
| Kozlovszky et al. | Cardiovascular and diabetes focused remote patient monitoring | |
| KR102598101B1 (ko) | 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템 및 방법 | |
| CN113905664B (zh) | 一种用于检测生理状况的事件驱动脉冲神经网络系统 | |
| AU2023200857A1 (en) | Advanced cardiac waveform analytics | |
| CN117238485B (zh) | 基于数据处理的智能管控系统 | |
| US20240099665A1 (en) | Electrocardiogram data processing server, electrocardiogram data processing method of extracting analysis required section while segmenting electrocardiogram signal into signal segments with variable window sizes, and computer program | |
| Usharani et al. | Pregnancy Women—Smart Care Intelligent Systems: Patient Condition Screening, Visualization and Monitoring with Multimedia Technology | |
| CN112233816A (zh) | 健康监测方法、装置及计算机可读介质 | |
| Parvez et al. | Analysis of the Effect of IoT-based Wearables in Healthcare Applications | |
| Ahmed et al. | Hardware/software prototyping of dependable real-time system for elderly health monitoring | |
| CN111904400B (zh) | 电子腕带 | |
| Pravin et al. | Machine learning and IoT-based automatic health monitoring system | |
| US20190108916A1 (en) | Decision-support tools for pediatric obesity | |
| Pillard et al. | Development of a 3D accelerometric device for gait analysis in dogs | |
| JP7537776B2 (ja) | 医療データ提供装置、医療データ提供方法及びコンピュータプログラム | |
| EP3685395A1 (en) | Equipment for determinig human health status using synchronized data from multiple sensors and method of operation thereof | |
| EP4368115A1 (en) | Cardiotocographic scanning session duration | |
| KR102539342B1 (ko) | 심장질환 및 내과질환을 가진 반려동물 진료용 건강기록 서비스 제공 시스템 |
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 |