CN117338263B - 一种可穿戴设备的体温心率实时安全监测方法 - Google Patents
一种可穿戴设备的体温心率实时安全监测方法 Download PDFInfo
- Publication number
- CN117338263B CN117338263B CN202311639884.0A CN202311639884A CN117338263B CN 117338263 B CN117338263 B CN 117338263B CN 202311639884 A CN202311639884 A CN 202311639884A CN 117338263 B CN117338263 B CN 117338263B
- Authority
- CN
- China
- Prior art keywords
- sampling time
- time point
- data
- body temperature
- encryption
- 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
- 230000036760 body temperature Effects 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000005070 sampling Methods 0.000 claims description 170
- 230000033001 locomotion Effects 0.000 claims description 61
- 230000036541 health Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 9
- 210000003491 skin Anatomy 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 210000004243 sweat Anatomy 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000008326 skin blood flow Effects 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000191 radiation effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 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
- A61B5/02—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
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Cardiology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Pulmonology (AREA)
- Medical Informatics (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及数据处理技术领域,提出了一种可穿戴设备的体温心率实时安全监测方法,采集体温心率臂环的体温数据、心率数据及跑步步数数据,获取各采样时间点的运动识别指数,根据各采样时间点的运动识别指数得到各采样时间点的有效价值,结合聚类算法将所有采样点的有效价值划分为各加密相似区,获取各加密相似区的平均有效价值及各加密相似区内采集数据进行加密时的密钥长度,从而完成可穿戴设备的体温心率实时安全监测。本发明旨在提高可穿戴设备的体温心率监测的效率及准确率,实现可穿戴设备的体温心率的实时安全监测。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种可穿戴设备的体温心率实时安全监测方法。
背景技术
随着工业革命的快速发展、科学技术的快速进步,人们对化学燃料的使用量大量增加,产生大量的温室气体,从而使大气层形成一层温室气体膜,形成温室效应,使得太阳辐射到地面的热量无法反射出去,导致地球表面温度越来越高,而在高温环境下劳动或运动容易引起热射病,若未及时治疗,热射病会迅速伤害脑、心脏、肾脏和肌肉,出现严重并发症,故需要通过一种可穿戴设备对人的体温、心率进行实时监测。
为保证在高温环境下能够对人的体温、心率进行较长时间的监测,需要保障设备的安全稳定,即需要对设备进行保护,传统的保障设备安全稳定运行方法通常为对设备所采集到的数据进行加密实现,传统的AES加密算法通过分组对数据进行加密,加密效果较好,但在加密时通常采用一个固定的密钥长度,而在对体温、心率数据进行加密时,不同数据所具有的信息量可能不同,即不同数据所具有的研究价值可能不同,无法根据不同数据的不同价值自适应的确定密钥长度,影响加密和解密效率。
发明内容
为了解决上述技术问题,本发明提供一种可穿戴设备的体温心率实时安全监测方法,以解决现有的问题。
本发明的一种可穿戴设备的体温心率实时安全监测方法采用如下技术方案:
本发明一个实施例提供了一种可穿戴设备的体温心率实时安全监测方法,该方法包括以下步骤:
采集可穿戴设备各采样时间点的体温数据、心率数据及跑步步数数据;
根据各采样时间点的体温数据及跑步步数数据的分布得到各采样时间点的运动系数,结合各采样时间点的心率数据及运动系数得到各采样时间点的运动识别指数;获取各采样时间点的体温数据、心率数据及跑步步数数据的局部熵;结合各采样时间点的运动识别指数及各采样时间点的体温数据、心率数据及跑步步数数据的局部熵得到各采样时间点数据的有效价值;结合聚类算法及各采样时间点数据的有效价值将所有采样时间点划分为各个加密相似区;获取各加密相似区的加密系数,根据各加密相似区的加密系数得到各加密相似区的平均有效价值;根据各加密相似区的平均有效价值得到各加密相似区的密钥长度;根据各加密相似区的密钥长度完成可穿戴设备的体温心率实时安全监测。
优选的,所述根据各采样时间点的体温数据及跑步步数数据的分布得到各采样时间点的运动系数,包括:
将所有采样点的体温数据作为体温序列,将所有采样点的跑步步数数据作为跑步步数序列,各采样时间点的运动系数表达式为:
式中,表示第t个采样时间点的运动系数,/>范围内的整数,/>表示第t采样时间点前的历史时刻数,/>、/>分别表示跑动步数序列中第a个采样时间点与第a+1个采样时间点的跑步步数数据,/>、/>分别表示体温序列中第a个采样时间点与第a+1个采样时间点的体温数据,/>表示以自然常数为底的指数函数。
优选的,所述结合各采样时间点的心率数据及运动系数得到各采样时间点的运动识别指数,包括:
将各采样时间点的心率数据与运动系数的乘积作为各采样时间点的运动识别指数。
优选的,所述获取各采样时间点的体温数据、心率数据及跑步步数数据的局部熵,包括:
针对各采样时间点的体温数据、心率数据及跑步步数数据,设定局部观测窗口,将局部观测窗口内数据的信息熵作为各采样时间点的体温数据、心率数据及跑步步数数据的局部熵。
优选的,所述结合各采样时间点的运动识别指数及各采样时间点的体温数据、心率数据及跑步步数数据的局部熵得到各采样时间点数据的有效价值,包括:
利用LOF异常检测算法获取各采样时间点的运动识别指数的异常得分,计算各采样时间点的体温数据、心率数据及跑步步数数据的局部熵的和值,将所述异常得分与所述和值的乘积作为各采样时间点数据的有效价值。
优选的,所述结合聚类算法及各采样时间点数据的有效价值将所有采样时间点划分为各个加密相似区,包括:
将各采样时间点数据的有效价值作为聚类算法的输入,得到有效价值的各聚类簇,将同一聚类簇的有效价值进行标记,按照对应采样时间点顺序将标记后的有效价值进行排序,将连续相同标记的所有有效价值作为各加密相似区。
优选的,所述获取各加密相似区的加密系数,包括:
计算各加密相似区终止有效价值的采样时间点与起始有效价值的采样时间点的差值,将所述差值的倒数作为各加密相似区的加密系数。
优选的,所述根据各加密相似区的加密系数得到各加密相似区的平均有效价值,包括:
针对各加密相似区,计算所有有效价值的和值,将所述和值与加密系数的乘积作为各加密相似区的平均有效价值。
优选的,所述根据各加密相似区的平均有效价值得到各加密相似区的密钥长度,表达式为:
式中,表示第c个加密相似区的密钥长度,/>表示第c个加密相似区的平均有效价值的归一化值,/>表示AES加密算法可选取密钥长度中的最大值,NNR()为取近邻密钥长度函数。
优选的,所述根据各加密相似区的密钥长度完成可穿戴设备的体温心率实时安全监测,包括:
利用各加密相似区的密钥长度与AES加密算法对采集的各采样时间点的体温数据、心率数据及跑步步数数据进行加密,将解密后的数据输入到BP神经网络中,BP神经网络的输出为体温心率臂环佩戴者各采样时间点的健康状况因子,若采样时间点的健康状况因子小于等于预设健康状况阈值,则表示佩戴者的健康状况出现严重问题,反之,则表示佩戴者的健康状况为正常。
本发明至少具有如下有益效果:
本发明通过分析体温心率臂环佩戴者在运动时的体温、心率与跑动步数特征,构建各采样时间点的运动识别指数;使用LOF异常检测算法计算各采样时间点运动识别指数的异常得分,并计算各采样时间点各维度数据的局部熵,基于各采样时间点的运动识别指数、LOF异常得分与各维度数据的局部熵综合构建各采样时间点的有效价值,反映使用AES加密算法对各采样时间点数据进行加密时,各采样时间点数据所具有的有效价值;
进一步,基于各采样时间点的有效价值构建各加密相似区的平均有效价值,反映对各加密相似区内的数据进行分析时,加密相似区内的数据所具有的分析价值,进而计算使用AES加密算法对各加密相似区进行加密时的密钥长度,实现使用AES加密算法对体温、心率、跑动步数数据进行加密时自适应的选取最佳密钥长度,在不影响数据安全性的情况下提高加密速率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种可穿戴设备的体温心率实时安全监测方法的步骤流程图;
图2为体温心率安全监测指标获取流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种可穿戴设备的体温心率实时安全监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种可穿戴设备的体温心率实时安全监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种可穿戴设备的体温心率实时安全监测方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集体温心率臂环的体温数据、心率数据及跑步步数数据,并对采集的数据进行预处理。
由于用于监测体温、心率的可穿戴设备种类较多,本发明实施例以体温心率臂环为例进行分析。通过体温心率臂环内置的皮肤温度传感器、心率传感器、运动传感器采集佩戴者在佩戴时的体温数据、心率数据与跑动步数数据,所述跑动步数数据为佩戴体温心率臂环后的累计跑动步数,记采集间隔为T,记采集次数为N,本实施例中,/>,实施者可根据实际情况自行设定,本实施例对此不做限制。
由于采集到的数据可能存在缺失值等异常情况,导致对后续分析产生影响,因此本实施例对缺失值进行处理,为保留数据间的变化关系,本实施例使用线性回归填充法对缺失值进行填充处理,同时为避免量纲不同影响后续计算结果,本实施例对填充后的数据使用Z-score方法进行归一化处理。其中线性回归填充法与Z-score归一化方法均为现有公知技术,本实施例在此不做详细赘述。
至此,得到预处理后的数据,则可以将预处理后的体温数据、心率数据与跑动步数数据分别记为体温序列A、心率序列B与跑动步数序列C,序列长度为采集次数N,其中在体温序列A、心率序列B与跑动步数序列C中将相同采样时间点的体温数据、心率数据及跑步步数数据作为一组数据,且该组数据表示是三个维度的信息,分别为体温、心率和跑步步数,即各采样时间点的数据表示各采样时间点的体温数据、心率数据及跑步步数数据,以方便后续分析。
步骤S002,基于所采集数据构建各采样时间点的运动识别指数,进而结合各采样时间点运动识别指数的LOF异常得分与各采样时间点各维度数据的局部熵构建各采样时间点的有效价值,基于此构建各加密相似区的平均有效价值。
具体的,本实施例将首先获取各采样时间点的运动识别指数,根据各采样时间点的运动识别指数得到各采样时间点的有效价值,结合聚类算法将所有采样点的有效价值划分为各加密相似区,获取各加密相似区的平均有效价值及各加密相似区内采集数据进行加密时的密钥长度,从而完成可穿戴设备的体温心率实时安全监测,体温心率安全监测指标获取流程图如图2所示。各加密相似区所对应的密钥长度的构建过程具体为:
体温心率臂环内包含加速度传感器,通过感知佩戴者手臂的加速度来估算步数,故当体温心率臂环的佩戴者正在进行的运动包含摆臂动作时,如跑步时,可以通过跑动步数识别佩戴者的运动情况,若在相同时间内步数增加较多,则表明佩戴者此时处于包含摆臂动作的运动状态;若佩戴者所进行的运动摆臂幅度较小或无摆臂动作时,手臂的加速度较小,导致体温心率臂环检测到的步数较少,无法准确的观测到佩戴者的实际运动状态,而佩戴者处于其它运动状态时,体内细胞呼吸作用增强,不断产生热量,为了辅助散热,皮肤血流量可以从正常情况下的250ml/min增加到6到8L/min,这将会造成血液的重新分布,从而引起心率增加;当佩戴者处于运动状态时,人体会通过扩张皮肤血管增加皮肤血流量并增加出汗,这将会增加表皮和环境间的热对流和辐射效应,并通过促进排汗和汗液蒸发将人体热量扩散到周围环境中,而当皮肤表面产生汗液时,汗液会蒸发到空气中,在汗液蒸发的过程中会由于吸热导致皮肤表面温度有所下降,在运动的过程中人体又不断的产生热量,故通过皮肤温度传感器所采集到体温数据的波动性较大。据此构建各采样时间点的运动识别指数,反映体温心率臂环佩戴者处于运动状态的程度,计算公式如下:
式中,表示第t个采样时间点的运动识别指数,/>范围内的整数,表示心率序列中第t个采样时间点的心率数据,/>表示第t采样时间点前的历史时刻数,本实施例中/>,实施者可根据实际情况自行设定,本实施例对此不做限制,/>表示第t个采样时间点的运动系数,/>、/>分别表示跑动步数序列中第a个采样时间点与第a+1个采样时间点的跑步步数数据,/>、/>分别表示体温序列中第a个采样时间点与第a+1个采样时间点的体温数据,/>表示以自然常数为底的指数函数。
通过上述步骤计算范围内各采样时间点数据的运动识别指数,即各采样时间点的/>值,则可以将/>作为t时间点的运动识别二元组,将范围内各时间点的运动识别二元组作为拉格朗日插值法的输入,得到范围内各采样时间点/>的值。其中拉格朗日插值法为现有公知技术,本实施例在此不做详细赘述。至此,得到/>范围内各采样时间点的运动识别指数。
第t个采样时间点的心率越高,即越大,同时第t个采样时间点及其前m个采样时间点跑动步数变化与皮肤表面温度波动越大,即/>越大,越表明此时佩戴者可能处于运动状态,且运动状态越剧烈,故此时的运动识别指数越大;反之,若第t个采样时间点的心率越接近正常值,即/>越小,同时第t个采样时间点及其前m个采样时间点跑动步数变化与皮肤表面温度波动越小,即/>越小,越表明此时佩戴者可能处于静息状态,未进行运动或剧烈运动,故此时的运动识别指数较小。
得到各采样时间点的运动识别指数,反映各采样时间点体温心率臂环佩戴者处于运动状态的程度,不同运动状态所对应的数据安全程度不同,如体温、心率等数据重复出现的数据越大,表明该数据所具有的价值量越小,对该数据进行加密时,该数据所对应的加密程度应适当较低,以提高加密过程中的加密效率。据此本发明实施例基于各采样时间点的运动识别指数构建各采样时间点数据的有效价值,构建过程如下:
以第b个维度的数据为例,将以第t-m个采样时间点为起点、第t个采样时间点为终点的时间段内所构成的时间窗口记为第t个时间点在第b个维度下的局部观测窗口,记为,局部观测窗口长度为m+1,计算各采样时间点的数据的有效价值,其计算公式如下:
式中,表示第t个采样时间点第b个维度数据的局部熵,/>表示所选取的第t采样时间点前的历史时刻数,/>表示第b个维度第c个采样时间点的数据在局部观测窗口中出现的频率,/>表示第t个采样时间点的有效价值,/>表示第t个采样时间点的运动识别指数,/>表示对第t个采样时间点的运动识别指数使用LOF异常检测算法所得异常得分,/>表示所述一组数据的维度,本实施例中/>,分别为体温、心率与跑动步数,实施者可自行添加其他类型数据,本实施例对此不做限制。其中LOF异常检测算法的输入为局部观测窗口中各采样时间点的运动识别指数,输出为局部观测窗口中各采样时间点运动识别指数的异常得分,其中LOF异常检测算法为现有公知技术,本实施例在此不做详细赘述。
若第t个采样时间点第b个维度数据的时间观测窗口内同一元素出现频率越低,即越小,表明该时间观测窗口内数据重复出现情况越不明显,故计算出的局部熵越大,即越大,同时若第t个采样时间点的异常得分越高,即/>越大,表明第t个采样时间点的数据越异常,表明佩戴者的体温、心率、跑动步数可能出现异常,如体温、心率过高等情况,对第t个采样时间点的数据进行分析时,所具有的分析价值越高,故计算出第t个采样时间点的有效价值越大;反之,若第t个采样时间点第b个维度数据的时间观测窗口内同一元素出现频率越高,即/>越大,表明该时间观测窗口内数据重复出现情况越明显,故计算出的局部熵越小,即/>越小,同时若第t个采样时间点的异常得分越低,即/>越低,表明第t个采样时间点的数据越不异常,表明佩戴者的体温、心率、跑动步数越可能在正常范围内,并未出现体温、心率过高等异常情况,对第t个采样时间点的数据进行分析时,所具有的分析价值越低,故计算出第t个采样时间点的有效价值越小。
当体温心率臂环佩戴者在某采样时间点的体温、心率与跑动步数数据的有效价值越高,则对该采样时间点的数据进行分析后所得到的信息越多,即该采样时间点的数据所具有的分析价值越高,故对于不同采样时间点的数据进行加密时,不同价值的数据所对应的加密程度应当不同,同时为提高加密速率,本发明实施例基于各采样时间点的有效价值构建加密相似区,构建过程如下:
将所得各采样时间点的有效价值所构成的序列记为有效价值序列,将有效价值序列作为DBSCAN聚类算法的输入,得到若干聚类簇,记聚类簇数量为K,计算各聚类簇包含所有有效价值的均值,将有效价值的均值按照从小到大的顺序将聚类簇分别编号为1、2、…、K,并将各聚类簇内的所有元素标记为簇的编号,例如聚类簇编号为1内所有采样时间点的有效价值标记均为1,然后将标记过的有效价值根据对应的采样时间点归于时间轴上,将各采样时间点有效价值的标记所构成的序列记为标记序列,对标记序列进行连通域分析,得到各个区域,同一个区域内采样时间点的有效价值标记均相同,将各区域确定为各个加密相似区。其中DBSCAN聚类算法与连通域分析均为现有公知技术,本实施例不做详细赘述。
通过上述步骤将所有采样时间点划分为各个加密相似区,根据加密相似区内各采样时间点的有效价值计算加密相似区的平均有效价值,计算公式如下:
式中,表示第c个加密相似区的平均有效价值,/>表示第c个加密相似区的加密系数,/>、/>分别表示第c个加密相似区的起始采样时间点、终止采样时间点,/>表示第h个采样时间点的有效价值。
加密相似区中各采样时间点所对应的有效价值越大,即越大,则该加密相似区整体所具有的有效价值越大,在对其进行加密时,应当具有较高的加密等级,避免该数据泄露。
步骤S003,基于各加密相似区的平均有效价值,自适应的选取AES加密算法中的密钥长度,提高对体温、心率与跑动步数数据的加密效率。
根据所得的各加密相似区的平均有效价值,使用AES加密算法对所采集体温、心率、跑动步数数据进行加密的过程中,可对各加密相似区不同的平均有效价值采取不同的密钥长度进行加密,首先,对各加密相似区的平均有效价值利用Z-score方法进行归一化,得到各加密相似区的平均有效价值的归一化值,各加密相似区所对应的密钥长度计算公式如下:
式中,表示第c个加密相似区的密钥长度,/>表示第c个加密相似区的平均有效价值的归一化值,/>表示AES加密算法可选取密钥长度中的最大值,本实施例中,实施者可根据实际情况自行设定,本实施例对此不做限制,AES加密算法中密钥长度分别为128位、192位与256位,NNR()为取近邻密钥长度函数,即对括号内的值取距离128、192、256最近的值,例如括号内的值为200,距离192最近,则NNR(200)取值为192。其中Z-score归一化方法为现有公知技术,本实施例在此不做详细赘述。
重复上述步骤,则可以得到使用AES算法对体温、心率、跑动步数数据进行加密时各加密相似区的密钥长度,进而实现根据数据的不同价值自适应的对数据进行不同程度的加密,在保证数据安全的情况下提高了加密速率。
将加密后的各采样点的体温、心率及跑步步数据输入到热射病监测系统中,并采用热射病监测系统中的AES算法解密模块完成对各采样点采集数据的解密,解密后的数据送入BP神经网络,BP神经网络的输出为体温心率臂环佩戴者各采样时间点的健康状况因子,其中健康状况因子的取值范围为,其中,健康状况因子越大,表示体温心率臂环佩戴者越健康,设定健康状况阈值/>,本实施例中/>,实施者可根据实际情况自行设定,本实施例对此不做限制,若采样时间点的健康状况因子小于等于健康状况阈值,则表示佩戴者的健康状况出现严重问题,通过体温心率臂环的警报模块对佩戴者进行提醒,若采样时间点的健康状况因子大于健康状况阈值,则表示佩戴者的健康状况为正常,体温心率臂环正常工作。需要说明的是所述热射病监测系统包括AES算法解密模块和BP神经网络模型,且AES算法、BP神经网络模型以及训练过程均为现有公知技术,本实施例在此不做详细赘述。
综上所述,本发明实施例解决了可穿戴设备由于数据传输安全性低造成体温心率监测准确性降低的问题,结合AES加密算法,提高了可穿戴设备采集数据传输的效率及体温心率监测的准确性,实现可穿戴设备体温心率的实时安全监测。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种可穿戴设备的体温心率实时安全监测方法,其特征在于,该方法包括以下步骤:
采集可穿戴设备各采样时间点的体温数据、心率数据及跑步步数数据;
根据各采样时间点的体温数据及跑步步数数据的分布得到各采样时间点的运动系数,结合各采样时间点的心率数据及运动系数得到各采样时间点的运动识别指数;获取各采样时间点的体温数据、心率数据及跑步步数数据各自的局部熵;结合各采样时间点的运动识别指数及各采样时间点的体温数据、心率数据及跑步步数数据的局部熵得到各采样时间点数据的有效价值;结合聚类算法及各采样时间点数据的有效价值将所有采样时间点划分为各个加密相似区;获取各加密相似区的加密系数,根据各加密相似区的加密系数得到各加密相似区的平均有效价值;根据各加密相似区的平均有效价值得到各加密相似区的密钥长度;根据各加密相似区的密钥长度完成可穿戴设备的体温心率实时安全监测;
所述根据各采样时间点的体温数据及跑步步数数据的分布得到各采样时间点的运动系数,包括:
将所有采样点的体温数据作为体温序列,将所有采样点的跑步步数数据作为跑步步数序列,各采样时间点的运动系数表达式为:
式中,表示第t个采样时间点的运动系数,/>范围内的整数,/>表示第t采样时间点前的历史时刻数,/>、/>分别表示跑动步数序列中第a个采样时间点与第a+1个采样时间点的跑步步数数据,/>、/>分别表示体温序列中第a个采样时间点与第a+1个采样时间点的体温数据,/>表示以自然常数为底的指数函数,N表示采集次数;
所述结合各采样时间点的心率数据及运动系数得到各采样时间点的运动识别指数,包括:
将各采样时间点的心率数据与运动系数的乘积作为各采样时间点的运动识别指数;
所述结合各采样时间点的运动识别指数及各采样时间点的体温数据、心率数据及跑步步数数据的局部熵得到各采样时间点数据的有效价值,包括:
利用LOF异常检测算法获取各采样时间点的运动识别指数的异常得分,计算各采样时间点的体温数据、心率数据及跑步步数数据的局部熵的和值,将所述异常得分与所述和值的乘积作为各采样时间点数据的有效价值;
所述结合聚类算法及各采样时间点数据的有效价值将所有采样时间点划分为各个加密相似区,包括:
将各采样时间点数据的有效价值作为聚类算法的输入,得到有效价值的各聚类簇,将同一聚类簇的有效价值进行标记,按照对应采样时间点顺序将标记后的有效价值进行排序,将连续相同标记的所有有效价值作为各加密相似区;
所述获取各加密相似区的加密系数,包括:
计算各加密相似区终止有效价值的采样时间点与起始有效价值的采样时间点的差值,将所述差值的倒数作为各加密相似区的加密系数;
所述根据各加密相似区的加密系数得到各加密相似区的平均有效价值,包括:
针对各加密相似区,计算所有有效价值的和值,将所述和值与加密系数的乘积作为各加密相似区的平均有效价值;
所述根据各加密相似区的平均有效价值得到各加密相似区的密钥长度,表达式为:
式中,表示第c个加密相似区的密钥长度,/>表示第c个加密相似区的平均有效价值的归一化值,/>表示AES加密算法可选取密钥长度中的最大值,NNR()为取近邻密钥长度函数;
所述根据各加密相似区的密钥长度完成可穿戴设备的体温心率实时安全监测,包括:
利用各加密相似区的密钥长度与AES加密算法对采集的各采样时间点的体温数据、心率数据及跑步步数数据进行加密,将解密后的数据输入到BP神经网络中,BP神经网络的输出为体温心率臂环佩戴者各采样时间点的健康状况因子,若采样时间点的健康状况因子小于等于预设健康状况阈值,则表示佩戴者的健康状况出现严重问题,反之,则表示佩戴者的健康状况为正常。
2.根据权利要求1所述的一种可穿戴设备的体温心率实时安全监测方法,其特征在于,所述获取各采样时间点的体温数据、心率数据及跑步步数数据各自的局部熵,包括:
针对各采样时间点的体温数据、心率数据及跑步步数数据,分别设定局部观测窗口,将局部观测窗口内数据的信息熵作为各采样时间点的体温数据、心率数据及跑步步数数据的局部熵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311639884.0A CN117338263B (zh) | 2023-12-04 | 2023-12-04 | 一种可穿戴设备的体温心率实时安全监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311639884.0A CN117338263B (zh) | 2023-12-04 | 2023-12-04 | 一种可穿戴设备的体温心率实时安全监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117338263A CN117338263A (zh) | 2024-01-05 |
CN117338263B true CN117338263B (zh) | 2024-02-09 |
Family
ID=89363497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311639884.0A Active CN117338263B (zh) | 2023-12-04 | 2023-12-04 | 一种可穿戴设备的体温心率实时安全监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117338263B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1689267A (zh) * | 2002-08-26 | 2005-10-26 | 睦塞德技术公司 | 以相似的效率处理任意密钥位长加密操作的方法和设备 |
CN111222137A (zh) * | 2018-11-26 | 2020-06-02 | 华为技术有限公司 | 一种程序分类模型训练方法、程序分类方法及装置 |
CN114912065A (zh) * | 2022-05-17 | 2022-08-16 | 深圳市爱都科技有限公司 | 运动距离的计算方法、装置、可穿戴设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210000347A1 (en) * | 2014-07-29 | 2021-01-07 | Sempulse Corporation | Enhanced physiological monitoring devices and computer-implemented systems and methods of remote physiological monitoring of subjects |
-
2023
- 2023-12-04 CN CN202311639884.0A patent/CN117338263B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1689267A (zh) * | 2002-08-26 | 2005-10-26 | 睦塞德技术公司 | 以相似的效率处理任意密钥位长加密操作的方法和设备 |
CN111222137A (zh) * | 2018-11-26 | 2020-06-02 | 华为技术有限公司 | 一种程序分类模型训练方法、程序分类方法及装置 |
CN114912065A (zh) * | 2022-05-17 | 2022-08-16 | 深圳市爱都科技有限公司 | 运动距离的计算方法、装置、可穿戴设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117338263A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fullerton et al. | Recognizing human activity in free-living using multiple body-worn accelerometers | |
Akmandor et al. | Smart, secure, yet energy-efficient, Internet-of-Things sensors | |
TW201918222A (zh) | 事件檢測方法及設備、房顫檢測方法和非暫時性儲存介質 | |
WO2019140047A1 (en) | System and method for smart, secure, energy-efficient iot sensors | |
CN114052744B (zh) | 基于脉冲神经网络的心电信号分类方法 | |
Wang et al. | An ensemble classification model with unsupervised representation learning for driving stress recognition using physiological signals | |
CN103888943B (zh) | 用于医疗监护的无线体域网密钥协商方法 | |
Lin et al. | Symmetric cryptography with a chaotic map and a multilayer machine learning network for physiological signal infosecurity: Case study in electrocardiogram | |
CN106446552A (zh) | 一种基于增量式神经网络模型的睡眠障碍预测方法和预测系统 | |
CN106355035A (zh) | 一种基于增量式神经网络模型的肺炎预测方法和预测系统 | |
CN106446560A (zh) | 一种基于增量式神经网络模型的高血脂症预测方法和预测系统 | |
CN117338263B (zh) | 一种可穿戴设备的体温心率实时安全监测方法 | |
CN106250712A (zh) | 一种基于增量式神经网络模型的输尿管结石预测方法和预测系统 | |
CN106650206A (zh) | 一种基于增量式神经网络模型的高血压预测方法和预测系统 | |
CN106384013A (zh) | 一种基于增量式神经网络模型的ii型糖尿病预测方法和预测系统 | |
CN106384012A (zh) | 一种基于增量式神经网络模型的过敏性皮炎预测方法和预测系统 | |
CN106355034A (zh) | 一种基于增量式神经网络模型的亚健康预测方法和预测系统 | |
He et al. | Compression and encryption of heterogeneous signals for internet of medical things | |
CN106407694A (zh) | 一种基于增量式神经网络模型的神经衰弱预测方法和预测系统 | |
Yu et al. | Intensive care unit false alarm identification based on convolution neural network | |
CN106384005A (zh) | 一种基于增量式神经网络模型的抑郁症预测方法和预测系统 | |
CN106250715A (zh) | 一种基于增量式神经网络模型的慢性咽喉炎预测方法和预测系统 | |
Zhou | The application of machine learning in activity recognition with healthy older people using a batteryless wearable sensor | |
Kumar et al. | Role of artificial intelligence in the next generation wearable devices | |
Ernesto et al. | Wearable technology and machine learning to monitor upper-limb use in brain injury survivors |
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 |