CN117594253A - 基于智能监测设备的人员健康预警方法及系统 - Google Patents
基于智能监测设备的人员健康预警方法及系统 Download PDFInfo
- Publication number
- CN117594253A CN117594253A CN202410070573.5A CN202410070573A CN117594253A CN 117594253 A CN117594253 A CN 117594253A CN 202410070573 A CN202410070573 A CN 202410070573A CN 117594253 A CN117594253 A CN 117594253A
- Authority
- CN
- China
- Prior art keywords
- personnel
- data
- association
- time sequence
- data set
- 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 122
- 230000036541 health Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004458 analytical method Methods 0.000 claims abstract description 66
- 230000008859 change Effects 0.000 claims abstract description 29
- 230000005856 abnormality Effects 0.000 claims abstract description 25
- 238000012795 verification Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 66
- 238000004364 calculation method Methods 0.000 claims description 27
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000009825 accumulation Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000008030 elimination Effects 0.000 claims description 9
- 238000003379 elimination reaction Methods 0.000 claims description 9
- 238000012098 association analyses Methods 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 21
- 238000011157 data evaluation Methods 0.000 description 9
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 5
- 239000003245 coal Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000036772 blood pressure Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
- A61B5/0008—Temperature signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- 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
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Pulmonology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Optics & Photonics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本公开提供了一种基于智能监测设备的人员健康预警方法及系统，涉及智能监测技术领域，方法包括：建立人员初始关联；建立环境数据集；接收设备反馈信号；基于时序标识进行体征信号的同作业人员的时序体征变化分析，生成时序异常监测结果；基于人员初始关联进行节点数据集异常分析，生成关联异常监测结果；对时序异常监测结果和关联异常监测结果进行基于环境数据集的异常验证，并基于定位信息生成健康预警信息。能够解决传统的单一通过监测指标分析进行人员健康预警的方法存在预警准确性和可靠性较低的技术问题，可以降低智能监测设备的误报率，提高人员健康预警的准确性和可靠性，从而可以及时并准确地找到预警目标进行救治。
Description
技术领域
本公开涉及智能监测技术领域，并且更具体地，涉及一种基于智能监测设备的人员健康预警方法及系统。
背景技术
人体健康智能监测设备是一种能够实时监测人体健康状况的电子设备，通过传感器采集人体体征数据，并通过算法和数据分析等方法根据人体体征数据进行人体健康状态分析和异常预警，例如：智能手环、智能手表等。
传统的通过智能监测设备进行人员健康监测预警的方法通常只是单一根据设备体征监测数据进行人员健康状态分析，这种方法并未考虑到周围环境对体征监测数据的干扰，同时由于电子设备可能受到周围磁场等环境因素的影响，会存在监测数据异常的情况，因此会导致人员健康预警的准确性和可靠性较低。
现有的基于智能监测设备进行人员健康预警的方法存在的不足之处在于：单一通过监测指标分析进行人员健康预警，会存在预警准确性和可靠性较低的问题。
发明内容
因此，为了解决上述技术问题，本公开的实施例采用的技术方案如下：
基于智能监测设备的人员健康预警方法，包括以下步骤：获取作业任务，基于所述作业任务进行作业人员的人员关联分析，建立人员初始关联；建立环境数据集，所述环境数据集通过对目标监测区域进行区域环境采集构建；接收作业人员的智能穿戴设备的设备反馈信号，其中，所述智能穿戴设备与作业人员具有绑定ID标识，且所述设备反馈信号带有定位信息；调用所述设备反馈信号的体征信号，并基于时序标识进行体征信号的同作业人员的时序体征变化分析，生成时序异常监测结果；对所述体征信号进行同时间节点的数据提取，建立节点数据集，并基于所述人员初始关联进行作业人员的节点数据集异常分析，生成关联异常监测结果；对所述时序异常监测结果和所述关联异常监测结果进行基于环境数据集的异常验证，并基于定位信息生成健康预警信息。
基于智能监测设备的人员健康预警系统，包括：人员初始关联建立模块，所述人员初始关联建立模块用于获取作业任务，基于所述作业任务进行作业人员的人员关联分析，建立人员初始关联；环境数据集建立模块，所述环境数据集建立模块用于建立环境数据集，所述环境数据集通过对目标监测区域进行区域环境采集构建；设备反馈信号接收模块，所述设备反馈信号接收模块用于接收作业人员的智能穿戴设备的设备反馈信号，其中，所述智能穿戴设备与作业人员具有绑定ID标识，且所述设备反馈信号带有定位信息；时序体征变化分析模块，所述时序体征变化分析模块用于调用所述设备反馈信号的体征信号，并基于时序标识进行体征信号的同作业人员的时序体征变化分析，生成时序异常监测结果；节点数据集异常分析模块，所述节点数据集异常分析模块用于对所述体征信号进行同时间节点的数据提取，建立节点数据集，并基于所述人员初始关联进行作业人员的节点数据集异常分析，生成关联异常监测结果；健康预警信息生成模块，所述健康预警信息生成模块用于对所述时序异常监测结果和所述关联异常监测结果进行基于环境数据集的异常验证，并基于定位信息生成健康预警信息。
由于采用了上述技术方法，本公开相对于现有技术来说，取得的技术进步有如下几点：
可以解决传统的单一通过监测指标分析进行人员健康预警的方法存在预警准确性和可靠性较低的技术问题。首先，获取作业人员的作业任务，基于所述作业任务进行作业人员的人员关联分析，并根据人员关联分析结果建立人员初始关联；然后对目标监测区域进行区域环境采集，建立环境数据集；接收作业人员的智能穿戴设备的设备反馈信号，其中所述智能穿戴设备与作业人员具有绑定ID标识，且所述设备反馈信号带有定位信息；调用所述设备反馈信号的体征信号，并基于时序标识进行体征信号的同作业人员的时序体征变化分析，生成时序异常监测结果；进一步对所述体征信号进行同时间节点的数据提取，建立节点数据集，然后基于所述人员初始关联进行作业人员的节点数据集异常分析，根据数据异常分析结果生成关联异常监测结果；最后基于所述环境数据集对所述时序异常监测结果和所述关联异常监测结果进行异常验证，并基于定位信息和异常验证结果生成康预警信息。通过上述方法可以降低智能监测设备的误报率，提高人员健康预警的准确性和可靠性，从而可以及时并准确地找到预警目标进行救治。
附图说明
为了更清楚地说明本公开的实施例的技术方案，下面将对实施例的描述中所需要使用的附图作简单的介绍。
图1为本申请提供了一种基于智能监测设备的人员健康预警方法的流程示意图。
图2为本申请提供了一种基于智能监测设备的人员健康预警方法中建立人员初始关联的流程示意图。
图3为本申请提供了一种基于智能监测设备的人员健康预警系统的结构示意图。
附图标记说明：人员初始关联建立模块01、环境数据集建立模块02、设备反馈信号接收模块03、时序体征变化分析模块04、节点数据集异常分析模块05、健康预警信息生成模块06。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整的描述。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
基于上述描述，如图1所示，本公开提供了一种基于智能监测设备的人员健康预警方法，包括：
人体健康智能监测设备是一种能够实时监测人体健康状况的电子设备，例如：智能手表、智能手环等，它内部嵌入有定位系统和生命体征芯片，可以实时测量心率、血压、心电、血氧饱和度、体温等体征数据，并且可以通过WIFI+4G/5G的传输方式将测量的体征数据传输至监控中心，使得监控中心能够实时了解每个人的位置、动态、身体状况等信息，一旦有人员身体出现意外报警，借助定位搜救功能，监控中心人员能够第一时间知道发生意外人员的位置及具体情况，以便于及时找到目标并送医救治。
本申请提供的方法用于对现有的基于智能监测设备进行人员健康预警的方法进行优化，来达到降低智能监测设备的误报率，提高人员健康预警的准确性和可靠性的目的，从而可以及时并准确地找到预警目标进行救治，保障作业人员的生命安全，所述方法具体实施于一种基于智能监测设备的人员健康预警系统。
获取作业任务，基于所述作业任务进行作业人员的人员关联分析，建立人员初始关联。
在本申请实施例中，首先，获取作业人员的作业任务，其中作业人员本领域技术人员可根据实际情况进行设置，例如：矿井作业人员、工厂作业人员、一线电力工人等，在本申请中主要以矿井作业人员进行举例说明；所述作业任务可基于作业人员类型进行设置，例如：井下采煤作业、井下抽水作业等。然后根据所述作业任务对所述作业人员进行人员关联分析，并根据人员关联分析结果建立人员初始关联。
如图2所示，在一个实施例中，所述方法还包括：
对作业人员进行基础信息采集，建立人员基础特征集合。
建立人员特征关联，其中，所述人员特征关联为将所述人员基础特征集合输入特征关联网络后构建的时序关联数据，其中，所述特征关联网络基于时序作业任务完成初始化。
建立人员位置关联，所述人员位置关联通过作业任务的分布结果构建。
基于所述人员特征关联和所述人员位置关联完成人员初始关联建立。
在本申请实施例中，首先，对作业人员进行基础信息采集，其中所述基础信息包括基础身体素质、基础作业能力和有无特殊疾病，其中所述基础身体素质包括身高、体重、血压等数据；所述基础作业能力是指作业人员自身的工作能力，以采煤工人举例，每日挖煤量的平均值可作为基础作业能力；其中有无特殊疾病本领域技术人员可根据作业人员的实际情况进行设置，其中特殊疾病类型也可根据作业任务类型进行设置，例如：心脏病、糖尿病、高血压等。然后根据基础信息采集结果建立人员基础特征集合，其中每个人员的基础特征集合均包括基础身体素质、基础作业能力和有无特殊疾病。
首先，基于所述作业人员的时序作业任务构建特征关联网络，其中时序作业任务包括作业时间、作业类型和作业任务量；其中所述特征关联网络基于所述时序作业任务完成初始化，作用是将时序作业任务相同，且人员基础特征相似的作业人员进行关联，例如：可设置多个基础特征阈值，其中基础特征阈值包括基础身体素质阈值、基础作业能力阈值和有无特殊疾病，本领域技术人员可根据实际情况进行设置，例如：可设置基础作业能力阈值为每间隔10作业能力设置一个作业能力阈值，比如：大于100小于110为一个作业能力阈值，大于110小于120为一个作业能力阈值；并将时序作业任务相同，且人员基础特征处于基础特征阈值内的作业人员进行聚类关联。然后将所述人员基础特征集合输入所述特征关联网络，获得时序关联数据，并将所述时序特征数据作为人员特征关联，其中人员特征关联包括多个人员特征关联聚类集合。
获取所述作业任务的任务执行位置分布，并将相同任务执行位置的作业人员进行关联，建立人员位置关联。然后将所述人员特征关联和所述人员位置关联作为人员初始关联，建立所述人员初始关联。通过建立人员初始关联，为下一步进行作业人员体征监测数据的异常数据分析提供了支持。
建立环境数据集，所述环境数据集通过对目标监测区域进行区域环境采集构建。
在本申请实施例中，通过多个传感器对目标监测区域进行区域环境数据采集，其中所述目标监测区域为作业人员的任务执行区域，例如：煤矿井下内部环境，其中环境采集数据类型包括温度、湿度、噪音、气体浓度、粉尘浓度等，可根据实际情况进行环境数据类型设置。然后根据环境数据采集结果构建环境数据集。通过构建环境数据集，为下一步对异常监测结果进行异常验证分析提供了支持。
接收作业人员的智能穿戴设备的设备反馈信号，其中，所述智能穿戴设备与作业人员具有绑定ID标识，且所述设备反馈信号带有定位信息。
在本申请实施例中，首先，在监控中心内通过数据传输接收作业人员的智能穿戴设备的设备反馈信号，其中所述智能穿戴设备与作业人员具有绑定ID标识，其中ID标识用于区分作业人员的设备反馈信号，与作业人员一一对应，即每个作业人员的ID标识各不相同；且所述设备反馈信号带有定位信息，所述定位信息为作业人员的实时位置坐标。
调用所述设备反馈信号的体征信号，并基于时序标识进行体征信号的同作业人员的时序体征变化分析，生成时序异常监测结果。
在本申请实施例中，首先，调用所述设备反馈信号中作业人员的体征信号，其中体征信号包括心率、血压、心电、血氧饱和度、体温等体征数据。然后根据作业任务的时序标识进行同作业人员体征信号的时序体征变化分析，即对相同作业时间下作业人员体征信号变化进行共同分析，根据时序特征变化分析结果生成时序异常监测结果。
在一个实施例中，所述方法还包括：
依据所述人员基础特征集合构建敏感触发网络，其中，所述敏感触发网络包括各个作业人员的敏感触发子网络。
在进行时序体征变化分析时，将带有时序标识的作业人员的体征信号输入至所述敏感触发网络，并调用对应的敏感触发子网络进行触发值累计计算，生成累计计算结果。
在本申请实施例中，根据所述人员基础特征集合建立每个作业人员的敏感触发子网络，首先，在所述人员基础特征集合随机选取第一人员基础特征，然后构建敏感特征分析模型对第一人员基础特征进行敏感特征分析，获得第一作业人员的第一敏感特征数据，并将所述第一敏感特征数据嵌入第一敏感触发子网络，完成第一敏感触发子网络的构建，其中第一敏感触发子网络的触发条件为不满足所述第一敏感特征数据即为触发，例如：第一敏感特征数据中的心率特征数据为120次/分钟，当作业人员的心率大于120次/分钟时，则为触发。利用构建第一敏感触发子网络相同的方法依次对作业人员进行敏感触发子网络构建，并根据每个作业人员的敏感触发子网络组建敏感触发网络，获得所述敏感触发网络。
其中所述敏感特征分析模型为基于机器学习构建的BP神经网络模型，所述敏感特征分析模型包括输入层、敏感数据分析层和输出层，其中所述输入层的输入数据为人员基础特征，所述输出层的输出数据为敏感特征数据，其中所述敏感特征数据是指作业人员的异常体征数据。基于作业人员的历史健康日志获取样本训练数据集，其中样本训练数据包括历史人员基础特征和历史敏感特征数据。然后通过所述样本训练数据集对所述敏感特征分析模型进行监督训练，首先，在所述样本训练数据集中随机选取第一样本训练数据；通过所述第一样本训练数据对所述敏感特征分析模型进行监督训练，获得第一敏感特征数据；将所述第一敏感特征数据与所述第一样本训练数据中的第一历史敏感特征数据进行比对，当两者一致时，则根据第二样本训练数据对所述敏感特征分析模型进行监督训练；当两者不一致时，则计算两者之间的第一敏感特征数据偏差，并根据第一敏感特征数据偏差对所述敏感特征分析模型进行权重参数优化调整，然后根据第二样本训练数据对所述敏感特征分析模型进行监督训练；通过所述样本数据集不断进行迭代训练，直到所述敏感特征分析模型趋于收敛状态时，则获得训练完成的敏感特征分析模型。通过基于BP神经网络构建敏感特征分析模型，可以提高敏感特征数据获得的准确率和效率。
在进行作业人员的时序体征变化分析时，将带有时序标识的作业人员的体征信号输入至所述敏感触发网络，并匹配作业人员对应的敏感触发子网络对作业人员的体征信号进行触发值累计计算，得到累计计算结果，其中所述累计计算结果包括每个作业人员的累计触发值。
根据时序标识进行体征信号的变化稳态分析，建立稳态窗口和波动窗口。
通过所述稳态窗口和所述波动窗口进行累计计算结果补偿，生成时序异常监测结果。
在本申请实施例中，首先，根据时序标识对作业人员的特征信号进行变化稳态分析，构建稳态窗口和波动窗口，其中稳态窗口是指作业人员体征信号变化较平稳的时间段；波动窗口是指作业人员体征信号起伏较大的时间段，本领域技术人员可根据实际情况进行稳态窗口和波动窗口的划分。然后根据所述稳态窗口和所述波动窗口对所述累计计算结果进行补偿，获得时序异常监测结果。
在一个实施例中，所述方法还包括：
获取稳态窗口的稳态均值和波动窗口的波动系数。
基于所述稳态窗口和所述波动窗口进行体征信号分割，获得信号分割结果。
将所述信号分割结果顺次输入至对应的敏感触发子网络，根据相邻窗口进行触发值累计补偿，生成所述累计计算结果。
在本申请实施例中，首先，获取稳态窗口的稳态均值和波动窗口的波动系数，其中所述稳态均值是指稳态窗口内体征信号的平均值，可通过进行体征信号均值计算获得；其中所述波动系数用于表征波动窗口内体征信号的波动状态，其中波动状态越大，则波动系数越大。其中波动系数的计算方法可通过对波动窗口内体征信号的体征波动极值、体征波动频率以及体征波动均值进行综合分析获得，例如：首先对体征波动极值、体征波动频率以及体征波动均值进行权重值设置，其中哪项指标对波动状态的影响越大，则指标对应的权重值越大，可通过现有的变异系数法进行权重值设置，其中变异系数法为本领域技术人员常用的赋权方法，在此不进行展开说明。然后根据所述权重值对体征波动极值、体征波动频率以及体征波动均值进行加权计算，并将加权计算结果作为波动系数。通过对体征波动极值、体征波动频率以及体征波动均值分别设置不同权重值，并根据权重值进行加权计算获得波动系数，可以提高波动系数获得的准确性，从而提高时序异常监测结果获得的准确性。
根据所述稳态窗口和所述波动窗口对所述体征信号进行信号分割，得到信号分割结果，其中所述信号分割结果包括稳态信号分割结果和波动信号分割结果，所述稳态信号分割结果包含稳态均值，所述波动信号分割结果包含波动系数。
获取预设稳态均值指标和预设波动系数指标，其中所述预设稳态均值指标和预设波动系数指标本领域技术人员可根据实际监测需求和监测指标类型进行设置，其中监测需求稳定性越高，则所述预设波动系数指标越小。然后将所述信号分割结果按照时序输入至对应的敏感触发子网络，根据相邻窗口进行触发值累计补偿，其中触发值补偿方法为：当触发值处于稳态窗口内时，则对稳态窗口的稳态均值进行判断，当稳态均值不满足所述预设稳态均值指标时，其中不满足的情况包括大于或小于，可根据体征数据类型进行设置。
则表征触发值属实，则将该稳态窗口内的触发值保留，当稳态均值满足所述预设稳态均值指标时，则表征触发值不属实，则将该稳态窗口内的触发值剔除；当触发值处于波动窗口内时，则对波动窗口的波动系数进行判断，当波动系数大于等于所述预设波动系数指标时，则将该波动窗口内的触发值保留，当波动系数小于所述预设波动系数指标时，则将该波动窗口内的触发值剔除。获得触发值补偿后的累计计算结果，并将更新后的累计计算结果作为时序异常监测结果。
通过构建稳态窗口和波动窗口对作业人员体征信号的累计触发值进行补偿，并根据补偿后的累计触发值生成时序异常监测结果，可以提高时序异常监测结果获得的准确性，从而可以间接提高人员健康预警的准确性。
对所述体征信号进行同时间节点的数据提取，建立节点数据集，并基于所述人员初始关联进行作业人员的节点数据集异常分析，生成关联异常监测结果。
在本申请实施例中，首先，提取相同时间节点下的所述体征信号中的体征数据，并根据相同时间节点下的体征数据构建节点数据集，所述节点数据集包括多个相同时间节点下的体征数据。然后根据所述人员初始关联对所述节点数据集进行异常分析，得到作业人员的关联异常监测结果。
在一个实施例中，所述方法还包括：
建立同时间节点的判定宽容窗口。
基于所述判定宽容窗口进行窗口内数据的点差值特征分析，完成孤立点数据评价，获得孤立点数据评价结果。
基于孤立点数据评价结果进行数据的异常剔除，并根据数据的异常剔除结果完成节点数据集异常分析。
在本申请实施例中，首先，建立同时间节点的判定宽容窗口，其中所述判定宽容窗口是指时间节点的判定时间范围，本领域技术人员可根据实际情况进行设置，例如：设置时间节点的前后5分钟为判定宽容窗口，则判定窗口为时间节点前5分钟到后5分钟之间的时间段。获取所述判定宽容窗口内的体征数据，然后对所述判定宽容窗口内的体征数据进行点差值分析，并根据点差值分析结果进行孤立点数据评价，得到孤立点数据评价结果，其中点差值分析是指对判定宽容窗口内的多个体征数据分别进行数据异常偏差分析。
其中体征数据点差值分析方法为：首先，获取数据异常指标，其中所述数据异常指标包括相邻数据值偏差和趋势偏差，其中相邻数据值偏差包括数据偏差阈值。然后在所述判定宽容窗口内按照体征数据时间节点的先后顺序进行体征数据趋势识别，即得到所述判定宽容窗口中某一时间段内体征数据的整体变化趋势，其中包括整体上升趋势、整体平稳趋势和整体下降趋势，其中某一时间段为所述判定宽容窗口中任意一个较小的时间段。进一步根据所述数据偏差阈值和体征数据变化趋势对相邻时间节点的体征数据进行判断，将相邻时间节点体征数据中数据偏差大于所述数据偏差阈值且不满足所述体征数据变化趋势的体征数据标记为异常体征数据；将相邻时间节点体征数据中数据偏差小于等于所述数据偏差阈值或满足所述体征数据变化趋势的体征数据标记为正常体征数据，得到孤立点数据评价结果，所述孤立点数据评价结果包括异常体征数据和正常体征数据。
将所述孤立点评价结果中的异常体征数据进行剔除，得到数据的异常剔除结果，其中所述异常剔除结果为剔除异常数据之后的多个体征数据。然后根据所述异常剔除结果进行节点数据集的异常分析。
在一个实施例中，所述方法还包括：
将所述异常剔除结果作为基准数据集，在执行所述基准数据集认证时，以认证数据的时间节点作为初始节点，并通过判定宽容窗口建立认证窗口。
提取所述认证窗口内的其他作业人员的基准数据集数据。
将全部时间节点的数据对应提取完成，构建所述节点数据集。
在本申请实施例中，首先，将所述异常剔除结果作为基准数据集，在对所述基准数据集进行数据异常认证时，首先，在所述基准数据集中随机提取一体征数据作为认证数据，然后将所述认证数据的时间节点作为初始节点，然后基于所述初始节点和所述判定宽容窗口建立认证窗口，其中所述认证窗口是指以所述初始时间节点为标准建立的判定宽容窗口，例如：初始节点为13.00，则认证窗口为12.55~13.05之间的时间段。
提取所述认证窗口内其他作业人员的基准数据集数据，并将所述基准数据集数据作为所述初始节点的对应数据添加进节点数据集中，利用获取所述初始节点的基准数据集数据相同的方法将全部时间节点的数据对应提取完成，并添加进所述节点数据集，完成节点数据集的构建。
通过对判断宽容窗口内的体征数据进行孤立点数据评价，然后根据评价结果将异常数据进行剔除构建节点数据集，可以提高节点数据集设置的准确性，从而提高关联异常监测结果获得的准确性。
根据所述人员初始关联对作业人员的节点数据集进行异常分析，首先，在所述节点数据集中提取具有所述人员初始关联的多个时间节点下作业人员的节点数据，然后对多个节点数据进行均值计算，得到节点数据均值，然后根据所述节点数据均值对多个节点数据进行偏差计算，获得多个节点数据偏差。
设置节点数据偏差阈值，所述节点数据偏差阈值本领域技术人员可根据实际情况选择适配的偏差范围进行设置。然后根据所述节点数据偏差阈值对所述多个节点数据偏差进行判断，当节点数据偏差大于所述节点数据偏差阈值时，表征该节点数据存在异常情况，则将该节点数据标记为异常节点数据，并将异常节点数据添加进关联异常监测结果中，生成关联异常监测结果。
通过对相同时间节点下具有初始关联的作业人员进行体征数据异常分析，并经过比对获得关联异常监测数据，可以提高关联异常监测数据获得的准确性，从而提高人员健康预警的准确性。
对所述时序异常监测结果和所述关联异常监测结果进行基于环境数据集的异常验证，并基于定位信息生成健康预警信息。
在本申请实施例中，根据所述环境数据集对所述时序异常监测结果和所述关联异常监测结果进行异常验证，首先，构建环境-体征影响通道，其中环境-体征影响通道为基于BP神经网络构建的神经网络模型，所述环境-体征影响通道的输入数据为环境数据，输出数据为体征影响偏差数据。调取作业人员的历史体征监测记录，并基于所述历史体征监测记录构建通道训练数据，其中通道训练数据包括历史环境数据和历史体征影响偏差数据，进一步根据所述通道训练数据集对所述环境-体征影响通道进行监督训练，其训练过程与上述敏感特征分析模型的训练方法相同，为了体现说明书的简洁性，在此不进行展开说明，本领域技术人员可参考上述敏感特征分析模型的训练方法，获得训练完成的环境-体征影响通道。
将所述环境数据集输入训练完成的环境-体征影响通道中进行体征数据影响分析，得到体征数据影响偏差。然后根据所述体征数据影响偏差对所述时序异常监测结果和所述关联异常监测结果进行体征监测数据校正，即将所述时序异常监测结果和所述关联异常监测结果减去所述体征数据影响偏差，获得校正完成的时序异常监测结果和关联异常监测结果。
通过基于环境数据集分析获得体征数据影响偏差，并根据体征数据影响偏差对所述时序异常监测结果和所述关联异常监测结果进行体征监测数据校正，可以进一步提高异常体征监测数据获得的准确性，从而提高人员健康预警的准确性和可靠性。
根据体征异常监测指标对校正完成的时序异常监测结果和关联异常监测结果进行判断，其中体征异常监测指标本领域技术人员可根据实际情况进行设置，当所述时序异常监测结果或所述关联异常监测结果不满足所述体征异常监测指标时，则将监测结果对应的作业人员标记为预警作业人员，并生成健康预警信号，最后根据所述预警作业人员的定位信息和所述健康预警信号生成健康预警信息。
在一个实施例中，所述方法还包括：
当识别任意作业人员为预警状态时，则根据预警作业人员的定位信息匹配关联人员，其中，所述关联人员为与预警作业人员的预定距离范围内的作业人员。
将预警作业人员的报警信息同步至关联人员的智能穿戴设备，完成预警管理。
在本申请实施例中，当识别任意作业人员处于预警状态即为预警作业人员时，则根据预警作业人员的定位信息匹配关联人员，其中所述关联人员为预警处理人员，例如：管理人员或紧急救援人员等，且所述关联人员与预警作业人员处于预定距离范围内，其中所述预定距离范围可根据实际情况和作业人员数量进行设置。并将所述预警作业人员的报警信息同步传输至关联人员的智能穿戴设备，完成预警管理。
通过上述方法可以解决传统的单一通过监测指标分析进行人员健康预警的方法存在预警准确性和可靠性较低的技术问题，可以降低智能监测设备的误报率，提高人员健康预警的准确性和可靠性，从而可以及时并准确地找到预警目标进行救治。
在一个实施例中，如图3所示提供了一种基于智能监测设备的人员健康预警系统，包括：人员初始关联建立模块01、环境数据集建立模块02、设备反馈信号接收模块03、时序体征变化分析模块04、节点数据集异常分析模块05、健康预警信息生成模块06，其中：
人员初始关联建立模块01，所述人员初始关联建立模块01用于获取作业任务，基于所述作业任务进行作业人员的人员关联分析，建立人员初始关联。
环境数据集建立模块02，所述环境数据集建立模块02用于建立环境数据集，所述环境数据集通过对目标监测区域进行区域环境采集构建。
设备反馈信号接收模块03，所述设备反馈信号接收模块03用于接收作业人员的智能穿戴设备的设备反馈信号，其中，所述智能穿戴设备与作业人员具有绑定ID标识，且所述设备反馈信号带有定位信息。
时序体征变化分析模块04，所述时序体征变化分析模块04用于调用所述设备反馈信号的体征信号，并基于时序标识进行体征信号的同作业人员的时序体征变化分析，生成时序异常监测结果。
节点数据集异常分析模块05，所述节点数据集异常分析模块05用于对所述体征信号进行同时间节点的数据提取，建立节点数据集，并基于所述人员初始关联进行作业人员的节点数据集异常分析，生成关联异常监测结果。
健康预警信息生成模块06，所述健康预警信息生成模块06用于对所述时序异常监测结果和所述关联异常监测结果进行基于环境数据集的异常验证，并基于定位信息生成健康预警信息。
在一个实施例中，所述系统还包括：
基础信息采集模块，所述基础信息采集模块用于对作业人员进行基础信息采集，建立人员基础特征集合。
人员特征关联建立模块，所述人员特征关联建立模块用于建立人员特征关联，其中，所述人员特征关联为将所述人员基础特征集合输入特征关联网络后构建的时序关联数据，其中，所述特征关联网络基于时序作业任务完成初始化。
人员位置关联建立模块，所述人员位置关联建立模块用于建立人员位置关联，所述人员位置关联通过作业任务的分布结果构建。
人员初始关联建立模块，所述人员初始关联建立模块用于基于所述人员特征关联和所述人员位置关联完成人员初始关联建立。
在一个实施例中，所述系统还包括：
敏感触发网络构建模块，所述敏感触发网络构建模块用于依据所述人员基础特征集合构建敏感触发网络，其中，所述敏感触发网络包括各个作业人员的敏感触发子网络。
累计计算结果生成模块，所述累计计算结果生成模块用于在进行时序体征变化分析时，将带有时序标识的作业人员的体征信号输入至所述敏感触发网络，并调用对应的敏感触发子网络进行触发值累计计算，生成累计计算结果。
变化稳态分析模块，所述变化稳态分析模块用于根据时序标识进行体征信号的变化稳态分析，建立稳态窗口和波动窗口。
累计计算结果补偿模块，所述累计计算结果补偿模块用于通过所述稳态窗口和所述波动窗口进行累计计算结果补偿，生成时序异常监测结果。
在一个实施例中，所述系统还包括：
窗口信息获取模块，所述窗口信息获取模块用于获取稳态窗口的稳态均值和波动窗口的波动系数。
体征信号分割模块，所述体征信号分割模块用于基于所述稳态窗口和所述波动窗口进行体征信号分割，获得信号分割结果。
触发值累计补偿模块，所述触发值累计补偿模块用于将所述信号分割结果顺次输入至对应的敏感触发子网络，根据相邻窗口进行触发值累计补偿，生成所述累计计算结果。
在一个实施例中，所述系统还包括：
判定宽容窗口建立模块，所述判定宽容窗口建立模块用于建立同时间节点的判定宽容窗口。
孤立点数据评价模块，所述孤立点数据评价模块用于基于所述判定宽容窗口进行窗口内数据的点差值特征分析，完成孤立点数据评价，获得孤立点数据评价结果。
数据异常剔除模块，所述数据异常剔除模块用于基于孤立点数据评价结果进行数据的异常剔除，并根据数据的异常剔除结果完成节点数据集异常分析。
在一个实施例中，所述系统还包括：
认证窗口建立模块，所述认证窗口建立模块用于将所述异常剔除结果作为基准数据集，在执行所述基准数据集认证时，以认证数据的时间节点作为初始节点，并通过判定宽容窗口建立认证窗口。
基准数据集数据提取模块，所述基准数据集数据提取模块用于提取所述认证窗口内的其他作业人员的基准数据集数据。
节点数据集构建模块，所述节点数据集构建模块用于将全部时间节点的数据对应提取完成，构建所述节点数据集。
在一个实施例中，所述系统还包括：
关联人员匹配模块，所述关联人员匹配模块用于当识别任意作业人员为预警状态时，则根据预警作业人员的定位信息匹配关联人员，其中，所述关联人员为与预警作业人员的预定距离范围内的作业人员。
预警管理完成模块，所述预警管理完成模块用于将预警作业人员的报警信息同步至关联人员的智能穿戴设备，完成预警管理。
综上所述，与现有技术相比，本公开的实施例具有以下技术效果：
（1）可以降低智能监测设备的误报率，提高人员健康预警的准确性和可靠性，从而可以及时并准确地找到预警目标进行救治。
（2）通过构建稳态窗口和波动窗口对作业人员体征信号的累计触发值进行补偿，并根据补偿后的累计触发值生成时序异常监测结果，可以提高时序异常监测结果获得的准确性，从而可以间接提高人员健康预警的准确性。
（3）通过对判断宽容窗口内的体征数据进行孤立点数据评价，然后根据评价结果将异常数据进行剔除构建节点数据集，可以提高节点数据集设置的准确性，从而提高关联异常监测结果获得的准确性。
（4）通过基于环境数据集分析获得体征数据影响偏差，并根据体征数据影响偏差对所述时序异常监测结果和所述关联异常监测结果进行体征监测数据校正，可以进一步提高异常体征监测数据获得的准确性，从而提高人员健康预警的准确性和可靠性。
以上所述实施例仅表达了本公开的几种实施方式，但并不能因此而理解为对发明专利范围的限制。因此，在不脱离如由所附权利要求限定的本公开构思的范围的情况下，本领域普通技术人员可做出各种类型的替换、修改和变更，并且这些替换、修改和变更都属于本公开的保护范围。
Claims (8)
1.基于智能监测设备的人员健康预警方法，其特征在于，所述方法包括：
获取作业任务，基于所述作业任务进行作业人员的人员关联分析，建立人员初始关联；
建立环境数据集，所述环境数据集通过对目标监测区域进行区域环境采集构建；
接收作业人员的智能穿戴设备的设备反馈信号，其中，所述智能穿戴设备与作业人员具有绑定ID标识，且所述设备反馈信号带有定位信息；
调用所述设备反馈信号的体征信号，并基于时序标识进行体征信号的同作业人员的时序体征变化分析，生成时序异常监测结果；
对所述体征信号进行同时间节点的数据提取，建立节点数据集，并基于所述人员初始关联进行作业人员的节点数据集异常分析，生成关联异常监测结果；
对所述时序异常监测结果和所述关联异常监测结果进行基于环境数据集的异常验证，并基于定位信息生成健康预警信息。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
对作业人员进行基础信息采集，建立人员基础特征集合；
建立人员特征关联，其中，所述人员特征关联为将所述人员基础特征集合输入特征关联网络后构建的时序关联数据，其中，所述特征关联网络基于时序作业任务完成初始化；
建立人员位置关联，所述人员位置关联通过作业任务的分布结果构建；
基于所述人员特征关联和所述人员位置关联完成人员初始关联建立。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
依据所述人员基础特征集合构建敏感触发网络，其中，所述敏感触发网络包括各个作业人员的敏感触发子网络；
在进行时序体征变化分析时，将带有时序标识的作业人员的体征信号输入至所述敏感触发网络，并调用对应的敏感触发子网络进行触发值累计计算，生成累计计算结果；
根据时序标识进行体征信号的变化稳态分析，建立稳态窗口和波动窗口；
通过所述稳态窗口和所述波动窗口进行累计计算结果补偿，生成时序异常监测结果。
4.如权利要求3所述的方法，其特征在于，所述方法还包括：
获取稳态窗口的稳态均值和波动窗口的波动系数；
基于所述稳态窗口和所述波动窗口进行体征信号分割，获得信号分割结果；
将所述信号分割结果顺次输入至对应的敏感触发子网络，根据相邻窗口进行触发值累计补偿，生成所述累计计算结果。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
建立同时间节点的判定宽容窗口；
基于所述判定宽容窗口进行窗口内数据的点差值特征分析，完成孤立点数据评价，获得孤立点数据评价结果；
基于孤立点数据评价结果进行数据的异常剔除，并根据数据的异常剔除结果完成节点数据集异常分析。
6.如权利要求5所述的方法，其特征在于，所述建立节点数据集还包括：
将所述异常剔除结果作为基准数据集，在执行所述基准数据集认证时，以认证数据的时间节点作为初始节点，并通过判定宽容窗口建立认证窗口；
提取所述认证窗口内的其他作业人员的基准数据集数据；
将全部时间节点的数据对应提取完成，构建所述节点数据集。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
当识别任意作业人员为预警状态时，则根据预警作业人员的定位信息匹配关联人员，其中，所述关联人员为与预警作业人员的预定距离范围内的作业人员；
将预警作业人员的报警信息同步至关联人员的智能穿戴设备，完成预警管理。
8.基于智能监测设备的人员健康预警系统，其特征在于，用于执行权利要求1-7中所述的基于智能监测设备的人员健康预警方法中任意一项方法的步骤，所述系统包括：
人员初始关联建立模块，所述人员初始关联建立模块用于获取作业任务，基于所述作业任务进行作业人员的人员关联分析，建立人员初始关联；
环境数据集建立模块，所述环境数据集建立模块用于建立环境数据集，所述环境数据集通过对目标监测区域进行区域环境采集构建；
设备反馈信号接收模块，所述设备反馈信号接收模块用于接收作业人员的智能穿戴设备的设备反馈信号，其中，所述智能穿戴设备与作业人员具有绑定ID标识，且所述设备反馈信号带有定位信息；
时序体征变化分析模块，所述时序体征变化分析模块用于调用所述设备反馈信号的体征信号，并基于时序标识进行体征信号的同作业人员的时序体征变化分析，生成时序异常监测结果；
节点数据集异常分析模块，所述节点数据集异常分析模块用于对所述体征信号进行同时间节点的数据提取，建立节点数据集，并基于所述人员初始关联进行作业人员的节点数据集异常分析，生成关联异常监测结果；
健康预警信息生成模块，所述健康预警信息生成模块用于对所述时序异常监测结果和所述关联异常监测结果进行基于环境数据集的异常验证，并基于定位信息生成健康预警信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410070573.5A CN117594253B (zh) | 2024-01-18 | 2024-01-18 | 基于智能监测设备的人员健康预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410070573.5A CN117594253B (zh) | 2024-01-18 | 2024-01-18 | 基于智能监测设备的人员健康预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117594253A true CN117594253A (zh) | 2024-02-23 |
| CN117594253B CN117594253B (zh) | 2024-05-28 |
Family
ID=89920459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410070573.5A Active CN117594253B (zh) | 2024-01-18 | 2024-01-18 | 基于智能监测设备的人员健康预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117594253B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117954133A (zh) * | 2024-03-26 | 2024-04-30 | 北京麦迪克斯科技有限公司 | 一种心脏监测预警系统 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4272249B1 (ja) * | 2008-03-24 | 2009-06-03 | 株式会社エヌ・ティ・ティ・データ | 作業者の疲労度管理装置、方法及びコンピュータプログラム |
| CN106777954A (zh) * | 2016-12-09 | 2017-05-31 | 电子科技大学 | 一种空巢老人健康的智能监护系统及方法 |
| US20180113986A1 (en) * | 2016-10-20 | 2018-04-26 | Jiping Zhu | Method and system for quantitative classification of health conditions via a mobile health monitor and application thereof |
| CN110477885A (zh) * | 2019-09-09 | 2019-11-22 | 安徽理工大学 | 一种煤矿井下工人生命体征监测及报警救援系统 |
| KR20200095630A (ko) * | 2019-01-31 | 2020-08-11 | 부경대학교 산학협력단 | 작업자와 작업환경의 모니터링이 가능한 헬멧 및 이를 이용한 작업현장 모니터링 시스템 |
| US20210186342A1 (en) * | 2019-12-24 | 2021-06-24 | Cipher Skin | Intelligent head protective equipment |
| US20210375456A1 (en) * | 2020-05-28 | 2021-12-02 | Aetna Inc. | Systems and methods for determining and using health conditions based on machine learning algorithms and a smart vital device |
| CN113850535A (zh) * | 2021-11-30 | 2021-12-28 | 中通服建设有限公司 | 基于穿戴设备的智慧工地人员管理方法 |
| WO2022013738A1 (en) * | 2020-07-16 | 2022-01-20 | Stone Three Digital (Pty) Ltd | Worker health and safety system and method |
| CN114176539A (zh) * | 2021-12-21 | 2022-03-15 | 北京同方电气工程有限公司 | 用于地下作业的多维安全监控系统 |
| CN114550408A (zh) * | 2022-02-18 | 2022-05-27 | 艾新好 | 一种场地作业人员安全智能化管理系统及方法 |
| KR20220140144A (ko) * | 2021-04-09 | 2022-10-18 | 주식회사 이엠비 | 집단시설 인원들의 건강 상태를 모니터링 및 분석하기 위한 시스템 및 방법 |
| CN117010696A (zh) * | 2023-08-16 | 2023-11-07 | 北京凡米物联科技有限公司 | 一种矿工个体安全即时护航预警系统及其方法 |
| CN117158955A (zh) * | 2023-10-17 | 2023-12-05 | 宁波软通教育科技有限公司 | 基于可佩戴监测设备的用户安全智能监测方法 |
| CN117198561A (zh) * | 2023-08-21 | 2023-12-08 | 北京雪扬科技有限公司 | 一种基于穿戴设备的sos求助方法 |
| CN117255109A (zh) * | 2023-11-17 | 2023-12-19 | 中国人民解放军总医院第六医学中心 | 一种基于数据分析的穿戴式设备监测方法及系统 |
-
2024
- 2024-01-18 CN CN202410070573.5A patent/CN117594253B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4272249B1 (ja) * | 2008-03-24 | 2009-06-03 | 株式会社エヌ・ティ・ティ・データ | 作業者の疲労度管理装置、方法及びコンピュータプログラム |
| US20180113986A1 (en) * | 2016-10-20 | 2018-04-26 | Jiping Zhu | Method and system for quantitative classification of health conditions via a mobile health monitor and application thereof |
| CN106777954A (zh) * | 2016-12-09 | 2017-05-31 | 电子科技大学 | 一种空巢老人健康的智能监护系统及方法 |
| KR20200095630A (ko) * | 2019-01-31 | 2020-08-11 | 부경대학교 산학협력단 | 작업자와 작업환경의 모니터링이 가능한 헬멧 및 이를 이용한 작업현장 모니터링 시스템 |
| CN110477885A (zh) * | 2019-09-09 | 2019-11-22 | 安徽理工大学 | 一种煤矿井下工人生命体征监测及报警救援系统 |
| US20210186342A1 (en) * | 2019-12-24 | 2021-06-24 | Cipher Skin | Intelligent head protective equipment |
| US20210375456A1 (en) * | 2020-05-28 | 2021-12-02 | Aetna Inc. | Systems and methods for determining and using health conditions based on machine learning algorithms and a smart vital device |
| WO2022013738A1 (en) * | 2020-07-16 | 2022-01-20 | Stone Three Digital (Pty) Ltd | Worker health and safety system and method |
| KR20220140144A (ko) * | 2021-04-09 | 2022-10-18 | 주식회사 이엠비 | 집단시설 인원들의 건강 상태를 모니터링 및 분석하기 위한 시스템 및 방법 |
| CN113850535A (zh) * | 2021-11-30 | 2021-12-28 | 中通服建设有限公司 | 基于穿戴设备的智慧工地人员管理方法 |
| CN114176539A (zh) * | 2021-12-21 | 2022-03-15 | 北京同方电气工程有限公司 | 用于地下作业的多维安全监控系统 |
| CN114550408A (zh) * | 2022-02-18 | 2022-05-27 | 艾新好 | 一种场地作业人员安全智能化管理系统及方法 |
| CN117010696A (zh) * | 2023-08-16 | 2023-11-07 | 北京凡米物联科技有限公司 | 一种矿工个体安全即时护航预警系统及其方法 |
| CN117198561A (zh) * | 2023-08-21 | 2023-12-08 | 北京雪扬科技有限公司 | 一种基于穿戴设备的sos求助方法 |
| CN117158955A (zh) * | 2023-10-17 | 2023-12-05 | 宁波软通教育科技有限公司 | 基于可佩戴监测设备的用户安全智能监测方法 |
| CN117255109A (zh) * | 2023-11-17 | 2023-12-19 | 中国人民解放军总医院第六医学中心 | 一种基于数据分析的穿戴式设备监测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| TAE-GYU, LEE: "Periodic Biometric Information Collection Interface Method for Wearable Vulnerable Users", THE INTERNATIONAL JOURNAL OF ADVANCED SMART CONVERGENCE, 25 October 2021 (2021-10-25) * |
| 徐博: "户外运动人员可穿戴式健康监测系统研究", 中国优秀硕士学位论文全文数据库 基础科学辑, 15 July 2023 (2023-07-15) * |
| 徐越斌;韦哲;陈韬;: "穿戴式智能健康监测与诊疗指导系统研究设计", 中国医学装备, no. 01, 31 January 2018 (2018-01-31) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117954133A (zh) * | 2024-03-26 | 2024-04-30 | 北京麦迪克斯科技有限公司 | 一种心脏监测预警系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117594253B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117594253B (zh) | 基于智能监测设备的人员健康预警方法及系统 | |
| US10758139B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
| CN106714220B (zh) | 一种基于mea-bp神经网络wsn异常检测方法 | |
| CN111653368A (zh) | 一种人工智能疫情大数据防控预警系统 | |
| CN111540471B (zh) | 一种基于用户健康数据的健康状态跟踪及预警方法和系统 | |
| US20210020025A1 (en) | System and method for processing multiple signals | |
| US20220022799A1 (en) | Automatic method to delineate or categorize an electrocardiogram | |
| CN106936517A (zh) | 一种异常无线电信号的自动识别系统及其方法 | |
| CN115828170B (zh) | 一种基于掘进机电控数据的故障检测方法 | |
| CN115736902B (zh) | 一种基于智能穿戴设备的施工人员管理系统 | |
| Salem et al. | Markov models for anomaly detection in wireless body area networks for secure health monitoring | |
| CN110163347A (zh) | 一种煤矿井下人体姿态监测方法 | |
| CN116823227A (zh) | 一种基于物联网的智能设备管理系统及方法 | |
| CN107609477A (zh) | 一种基于深度学习与智能手环相结合的摔倒检测方法 | |
| CN112270807A (zh) | 一种老人跌倒预警系统 | |
| CN106875613A (zh) | 一种火警态势分析方法 | |
| CN112800975A (zh) | 一种基于图像处理的安检通道内行为识别方法 | |
| CN107661092B (zh) | 生命体征状态监测方法及计算机可读存储介质 | |
| CN117158955A (zh) | 基于可佩戴监测设备的用户安全智能监测方法 | |
| Poorani et al. | Sensor based decision making inference system for remote health monitoring | |
| Al Jassmi et al. | Automatic recognition of labor activity: A machine learning approach to capture activity physiological patterns using wearable sensors | |
| CN113191191B (zh) | 一种基于用户习惯分析的社区疫情管理方法和系统 | |
| CN113288088B (zh) | 一种基于生命体征检测的实时体温监测预警系统 | |
| US20210174663A1 (en) | Fall detection system and method | |
| CN113113148A (zh) | 一种基于lle结合som的矿工体检情况辨识方法 |
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 |