CN102799794A - 生命体生理状况自助评估***及其评估方法 - Google Patents
生命体生理状况自助评估***及其评估方法 Download PDFInfo
- Publication number
- CN102799794A CN102799794A CN2012103100411A CN201210310041A CN102799794A CN 102799794 A CN102799794 A CN 102799794A CN 2012103100411 A CN2012103100411 A CN 2012103100411A CN 201210310041 A CN201210310041 A CN 201210310041A CN 102799794 A CN102799794 A CN 102799794A
- Authority
- CN
- China
- Prior art keywords
- data
- assessment
- units
- self
- user
- 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
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种生命体生理状况自助评估***,解决现有技术中针对新型传播性疾病的防控,无法实现全地域统一标准的疑似病例判别的问题。该发明包括一个以上的用户终端装置和远程控制中心;该用户终端装置包括数据处理及控制单元,均与数据处理及控制单元相连的第一输入单元、第一输出单元、第一传输单元、费用结算单元、数据检测单元和用户识别单元;所述第一传输单元与远程控制中心相连。本发明还提供了上述***的评估方法。本发明能够24小时提供全地域统一的疑似病例判别标准,在疫情发生时,可实现疑似病例快速筛查,降低疫情扩散风险;且能够指导使用者自助完成医疗检测及评估,随时了解身体健康状况,进行疾病预防和治疗,降低就医成本。
Description
技术领域
本发明涉及一种面向城市社区医疗健康领域,具体涉及一种生命体生理状况自助评估***及其评估方法。
背景技术
在高科技、信息化、市场经济快速发展的社会中,由于心理压力过重,工作节奏加快以及不规则的生活方式,带来日益增多的亚健康状态,它影响了人们的工作效率和生活质量,亦减弱了人体自身免疫力、调控能力以及对自然环境和社会环境的适应力,成为各种慢性病和疑难病的潜在因素。为了有效地防治疾病,增强体质,首先,要不断地增强人们的自我保健意识。希望能研发一种快速、实时、可靠的健康信息检测仪,像钟表报时那样可随时测试机体的生理信息,及时纠正生理功能的偏颇,使疾病早期发现、早期诊疗,防治于未患;同时,通过信息可以具体分析亚健康状态的形成原因,及其不同症型的特征,探求有效的调治方法,使药物治疗、保健营养及强身方法更加合理、有效。
亚健康状态处于健康和疾病之间的边缘状态,往往是疾病的前奏。主要表现在心理和生理功能减退或失调。常出现疲劳肢酸、心烦焦虑或注意力不能集中,失眠多梦,心悸胸闷,记忆力减退,容易感冒,多汗烘热,食欲不振,性功能减退等症状。而现有的医疗仪器和实验指标,尚未能检测确诊,迄今主要靠问卷方式加以分析,或运用扩展型体检(标准体检加心理、体质检测),豪华型体检(上项加甲状腺素、性激素、血液流变学、心脏超彩、骨密度、运动平板、心肺功能)等方法排出疾病,这样给病人带来很大的创痛,更增加了他们的心理负担和经济负担。
然而对于大多数的疾病,人们只有在症状表现明显时才会去医院检查,往往因为拖延时间过长,导致失去了最佳治疗阶段,使患者只能长期忍受疾病的折磨,甚至无法治疗。
且由于现有医疗资源相对紧张、就医成本高、地区医疗水平差异较大,很多疾病不能实现提前预防和治疗。同时目前的医疗体系,针对新型传播性疾病的防控,无法实现全地域统一标准的疑似病例判别。
发明内容
本发明的目的在于提供一种生命体生理状况自助评估***及其评估方法,解决现有技术中针对新型传播性疾病的防控,无法实现全地域统一标准的疑似病例判别的问题;同时解决了现有医疗***无法为患者提供自助医疗服务的问题。
为了实现上述目的,本发明采用的技术方案如下:
生命体生理状况自助评估***,包括一个以上的用户终端装置和远程控制中心;该用户终端装置包括数据处理及控制单元,均与数据处理及控制单元相连的第一输入单元、第一输出单元、第一传输单元、费用结算单元、数据检测单元和用户识别单元;所述第一传输单元与远程控制中心相连。
进一步地,所述的远程控制中心主要由信息处理及控制单元,均与信息处理及控制单元相连的第二传输单元、第二输入单元、第二输出单元、数据运算服务器、管理权限判别单元的远程控制中心,所述第二传输单元与第一传输单元相连。
更进一步地,所述的数据处理及控制单元上还连接有第一存储单元和无线传输单元;所述的信息处理及控制单元上还连接有第二存储单元和费用汇总单元。
生命体生理状况自助评估***的判断方法,包括以下步骤:
(a)判断用户是否为新用户,是,则进行注册;否,则直接进行登录,并识别用户个人信息P[s];
(b)选择评估的类型并判断该类型的模型是否更新,否,则更新模型参数;是,则进行检测项目的制定;
(c)检测仪器是否正常,否,则发出仪器损坏告警;是,则进行下一步;
(d)采用费用结算单元进行费用结算;
(e)判断用户是否到位,否,则判定超时状况;是,则进行生理状况检测,获取生理状况检测数据T[N];
(f)判断数据是否无误,否,则发出数据错误告警,并返回步骤(e);是,则进行生理状态评估或疑似病例预判,并输出相应病例疑似度数据Em、评估结果、详细描述病情、健康警示信息及就医建议;
(g)保存各种数据,显示评估结果及就医建议;
(h)判断是否进行其他评估,是,则返回步骤(b);否,则结束本次评估,并将检测数据、评估结果、就医指引等信息根据用户选择的输出方式进行输出,然后将各种数据传输到远程控制中心;
(i)远程控制中心将接收到的数据进行整理后,统一保存。
进一步地,所述步骤(e)中判定超时状况具体步骤为:判断是否超时,是,则进行超时复位,返回步骤(a);否,则提醒用户尽快到位,返回步骤(e)。
再进一步地,所述步骤(f)中判别数据是否无误的具体步骤为:
(1)对生理检测数据包T[N],先根据校验算法对接收到的数据包中有效数据位进行校验位计算,然后与数据包中的校验位数据进行对比,判别计算获得的校验位与数据包中的校验位数值是否一致,是,则数据传输无误,进入数据判别步骤(2);否,则数据传输有误,发出数据错误告警,重新读取仪器检测数据;
(2)读取生理检测数据包T[N]中的各有效位数据,即用户各项生理检测数据,然后判别数据包中检测数据是否超出对应项目的人体检测数据的最大值极限及最小值极限,是,则数据检测有误,发出数据错误告警,返回步骤(e)重新进行错误项数据检测;否,则数据无误,继续步骤(f)中生理状态评估或疑似病例预判。
更进一步地,所述步骤(f)中生理状态评估或疑似病例预判具体步骤为:
(1)接受***第m项评估请求;
(2)读取第m项评估请求用户的生理检测数据Tm[N]及个人信息数据Pm[S];
(3)对检测数据Tm[N]进行归一化处理,对用户个人信息P[S]进行数字化处理,并将数据打包为评估模型输入数据格式Bm[N+S];
(4)读取第m项评估相应的评估模型LMBP(Bm[N+S]),进行评估,输出评估结果Em;
(5)判别Em是否小于最小评估阈值εm,是则Em置零;否,则进行下一步;
(6)对于Em大于患病判别阈值的评估请求,输出评估结果,并根据Em值大小输出详细的病情描述及就医建议。
另外,所述的生命体生理状态评估及疑似病例判决模型为多个针对不同评估需求的判决模型;不同判别类型采用不同结构的评估模型,为每种典型疾病都建立一个评估模型,以此提高判别精度,降低模型复杂度,提高模型建立及判别效率;针对亚健康评估需求,则选取多个典型疾病判决模型,分别评估,获得多个评估结果,从而分析亚健康状况及各种疾病的患病风险。
所述的生命体生理状态评估及疑似病例判决模型的评估方法为以病例的生命状况检测数据Tm[N]、用户个人信息Pm[S]为原始数据,先对数据归一化和数字化,然后打包为评估数据Bm[N+S],最后选取相应的评估模型LM-BP(Bm[N+S])进行评估,输出病例疑似度Em;其中0≤Em≤1,数值越大,表示病例疑似程度越高、病情越重;***根据Em数值输出详细的病情描述及就医建议。
在用户终端装置中,所述数据处理及控制单元,用于对生理状态测量的信息进行处理、判别、分类;数据检测单元,包括生命体各项生理状态测量仪器,用于获取使用者生理状态的各项关键信息,如:血压、血糖、血脂、血常规、心电图、心率、视力、听力、体重、体温、三围等;第一输入单元,用于使用者进行信息输入、监控视频信息输入等;第一输出单元,用于数据的显示、数据打印、数据输出拷贝等,方便用户了解自己现在的生理状况;第一传输单元,用于收到信息传输请求后,按控制程序要求对数据进行传输,方便将信息传输到远程控制中心;用户识别单元,用于对不同使用者的身份进行识别,对不同使用者设定不同使用权限,区分不同使用者的生理状态测量信息及处理结果;费用结算单元,用于使用者现金及刷卡付费结算;第一存储单元,用于对生理状态的信息进行区别存储;无线传输单元,用于将检测数据、评估结果、就医建议等信息传输给用户的个人数字设备。
在远程控制中心中,所述信息处理及控制单元,用于对所有的生命体信息获取、处理及显示装置获取的检测数据、生理状况评估结果、疑似病例预判断结果等数据进行存储、汇总;第二传输单元,用于远程控制中心和用户终端装置间的各种信息传输;第二输入单元,用于管理者进行信息输入、监控视频信息输入等;第二输出单元,用于数据的显示、数据打印、数据输出拷贝等;数据运算服务器,用于处理***数据;管理权限判别单元,用于对不同***管理者身份进行区分,确定管理权限;第二存储单元,用于存储每个用户终端测试后的生理状况信息;费用汇总单元,用于营业状况的统计,了解各用户终端装置的使用频率。
生命体生理状态评估及疑似病例判决模型的设计主要包括以下步骤:
(1)获取以往确诊病例数据样本,每个数据样本均包含两方面的信息:(1a)各项生理信息检测数据,如体温、血压、血糖、体重、心电、体液检测结果等;(1b)用户个人情况描述信息,如性别、年龄、职业、患病史、是否吸烟、是否经常醉酒等。其中(1a)作为主要参数,(1b)作为辅助参数。
(2)对收集到的样本数据进行处理。先把数据进行量化,以便在计算机中识别。生理信息检测数据均以国际医学标准单位记录,用户个人信息情况记录为:(2a)性别:男性记为1,女性记为0;(2b)年龄按真实年龄记录;(2c)职业用***数学1~10记录;(2d)患病史:有记为1,无记为0;(2e)是否吸烟:是记为1,否记为0;(2f)是否经常醉酒:是记为1,否记为0.对这些数据向量化,依次作为一组数据的一个元素输入。那么得到的数据文件中每组数据可以分为14个字段,第1个字段为病例编号;第2个字段表示确诊结果,0为亚健康状态,其它为预设的相对应的典型疾病编号;第3~8个字段表示各项生理信息检测数据;第9~14表示个人信息数据。
(3)从样本数据库中选取典型数据样本N个,在其中随即抽取M(M<N)个样本作为网络训练样本,剩下的各类(N-M)个样本作为测试验证数据。
(4)根据病例数据特征,建立相应结构的评估模型。
(5)模型训练,(5a)网络初始化处理;(5b)依次输入M个样本数据对所设计的评估模型进行训练,计算出模型各参数;(5c)记录已经学习过的样本个数m。如果m<M,则转至步骤(2)继续计算,如果m=M,则结束训练;(5d)按照权值修正公式修正模型参数,按照新的模型参数计算输出,若模型未能达到要求的精度指标或者m<M,则执行步骤(5b)继续训练,否则结束训练。
(6)评估模型测试验证,在评估模型通过训练之后,将(N-M)组测试样本数据输入网络,便可以得到对应的输出。
(7)结果分析,通过比较模型预测的输出结果与原先确诊的结果进行对比分析,可以得到误诊率,判别误诊率是否满足要求,是,则完成建模;否,则返回步骤(4),按照模型结构修正公式修改模型结构,重新建立模型,重新训练。
本发明与现有技术相比,具有以下优点及有益效果:
(1)本发明设有远程控制中心,能够远程更新、添加、删除、重组各终端正常工作所需的正常生理状况参考检测数据、疑似病例生理状况参考检测数据、病例判别中各项指标权重参数;同时能为各终端装置提供复杂数据运算服务;对于各终端在正常工作中获取的用户生理状况检测结果、生理状况评估结果、疑似病例检测结果等数据进行存储,方便终端随时访问;并能根据各终端的上报数据,生成统计结果,对特定传播性疾病,能够随时了解疑似病例分布情况;
(2)本发明能够提供全地域统一的疑似病例判别标准,在疫情发生时,可实现疑似病例快速筛查,降低疫情扩散风险;且能够指导使用者及时进行疾病预防和治疗,降低就医成本;
(3)本发明的生命体生理状况评估及疑似病例判决方法,能够根据用户请求,进行特定项目的生理状况检测、特定科别的健康状况评估、特定疾病的疑似病例预判;
(4)本发明采用了多个评估模型结构,可实现各疑似病例分别训练,分别判别,避免了多病例同时预判时网络复杂度高、预判精度低的问题;
(5)本发明测试功能全面,测试操作方便,测试项目较多,可下载更新;
(6)本发明能够对已获得的表征特定生命体的生理状况信息进行判别,获得生命体生理状态评估结果,并能根据生理状况信息进行典型疾病的疑似病例预判;
(7)本发明能够直接取得测量装置的生命体生理状态信息,也可读取存储介质中存储的生命体生理状态信息,也可同时接受使用者输入的表征生命体生理状态信息的数值信息和语言文字描述性的模糊生理状态信息,能够对语言文字描述性的模糊生理状态信息进行处理,提取关键信息;
(8)本发明能够24小时提供自助医疗服务,能够指导使用者自助完成医疗检测和健康状况评估,帮助使用者随时了解自身健康状况,进行疾病预防和治疗,降低就医成本。
附图说明
图1为本发明中用户终端装置的结构框图。
图2为本发明的结构框图。
图3为本发明中用户终端装置数据处理的流程图。
图4为本发明中远程控制中心数据处理的流程图。
图5为本发明中生命体生理状况评估及疑似病例预判流程图。
图6为本发明中生命体生理状况评估及疑似病例预判模型建模流程图。
图7为本发明中神经网络评估模型结构示意图。
图8为本发明中神经网络评估模型误差的自然对数值随训练次数的变化曲线图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。
实施例
如图1、2所示,生命体生理状况自助评估***,包括一个以上的用户终端装置和远程控制中心;该用户终端装置包括数据处理及控制单元,均与数据处理及控制单元相连的第一输入单元、第一输出单元、第一传输单元、数据检测单元、第一存储单元和用户识别单元;所述第一传输单元与远程控制中心相连。
上述的数据处理及控制单元,用于对生理状态测量的信息进行处理、判别、分类;如:ARM、FPGA、DSP、ADC芯片、DAC芯片等。
第一输入单元,用于使用者进行信息输入、监控视频信息输入等;如:触摸屏、键盘、鼠标、摄像头、语音等。
第一输出单元,用于数据的显示、数据打印、数据输出拷贝等;如:显示屏、音响、数据文件、打印机等。
第一传输单元,用于收到信息传输请求后,按控制程序要求对数据进行传输;如:互联网、无线通讯网络、光纤网络等。
数据检测单元,包括生命体各项生理状态测量仪器,用于获取使用者生理状态的各项关键信息,如:血压、血糖、血脂、血常规、心电图、心率、视力、听力、体重、体温、三围等;测量仪器如:血压计、血糖仪、心率计、血氧饱和度检测仪、血常规检测仪、座椅式体重计、体温计、身高测试仪、电子握力计、骨密度检测仪、体液检测仪等。
用户识别单元,用于对不同使用者的身份进行识别,对不同使用者设定不同使用权限,区分不同使用者的生理状态测量信息及处理结果;如:身份证信息、用户名及密码、指纹识别等。
费用结算单元,用于使用者现金及刷卡付费结算;自动售票机、POS机、移动支付等。
第一存储单元,用于对判别模型参数、用户终端运行程序、用户个人信息、用户生理状态信息等进行区别存储;如:PC硬盘、移动存储器等。
无线传输单元,用于将检测数据、评估结果、就医建议等信息传输给用户的个人数字设备,如:无线发射模块。
所述远程控制中心包括信息处理及控制单元,均与信息处理及控制单元相连的第二传输单元、第二输入单元、第二输出单元、数据运算服务器、费用汇总单元、管理权限判别单元和第二存储单元组成,所述第二传输单元与第一传输单元相连。
信息处理及控制单元,用于对各用户终端的运行情况、各种评估模型建立及更新情况、***运行情况进行控制和监管,同时对生命体信息获取、处理及显示装置获取的检测数据、生理状况评估结果、疑似病例预判断结果等数据进行存储、汇总;如:ARM、FPGA、DSP等。
第二传输单元,用于远程控制中心和用户终端装置间的各种信息传输;如:互联网、无线通讯网络、光纤网络等以及相应的传输服务器和交换机。
第二输入单元,用于管理者进行信息输入、监控视频信息输入等;如:触摸屏、键盘、鼠标、语音、监控摄像头等。
第二输出单元,用于数据的显示、数据打印、数据输出拷贝等;如:显示屏、音响、声光告警、数据文件、打印机等。
数据运算服务器,用于处理***数据;如:大型服务器。
管理权限判别单元,用于对不同***管理者身份进行区分,确定管理权限;如:身份证信息、用户名及密码、指纹识别等。
第二存储单元,用于存储每个用户终端测试后的生理状况信息,如:大型数据存储器组。
费用汇总单元,用于营业状况的统计,了解各用户终端装置的使用频率。
如图3所示,由上述装置组成的生命体生理状况自助评估***的判断方法,包括以下步骤:
(a)通过用户识别单元对用户进行确认,如果是新用户,则需要通过第一输入单元进行注册再登录;如果是老用户,则可直接登录,用户识别单元直接识别用户的个人信息P[s];
(b)用户通过第一输入单元选择自己需要评估的类型,并通过数据处理及控制单元确定该类型的模型是否为最新的,如果不是,则更新模型数据;如果是最新的,则可直接制定检测项目;
(c)用户通过费用结算单元进行付费;
(d)数据处理及控制单元对检测仪器进行检测,如果出现问题,则会发出仪器损坏告警;如果检测仪器是正常的,则进行下一步;
(e)数据处理及控制单元判断用户是否到位,如果没有到达检测仪器处,则判定超时状况;如果到位,则进行检测相应的生理数据并获取生理状况检测数据T[N];
(f)数据处理及控制单元随之判断检测的数据是否无误,如果有误,将会发出数据错误告警,并且返回步骤(e);如果无误,则进行生理状态评估或疑似病例预判,并得出疑似病例生理特征权值数据α[N];
(g)第一存储单元对各数据进行保存,并通过输出单元显示评估结果及就医建议;
(h)判断是否进行其他评估,是,则返回步骤(b);否,则结束本次评估,并通过第一传输单元将各种数据传输到远程控制中心;
(i)远程控制中心通过第二传输单元接收各用户终端装置评估后的数据,并将数据进行整理后,统一保存到第二存储单元。最后可根据用户选择,是否将检测数据及评估结果通过无线传输单元发送至用户个人数字设备。
所述步骤(e)中判定超时状况具体步骤为:判断是否超时,是,则进行超时复位,返回步骤(a);否,则提醒用户尽快到位,返回步骤(e)。
而所述步骤(f)中生理状态评估或疑似病例预判具体步骤为:
(1)接受***第m项评估请求;
(2)读取第m项评估请求用户的生理检测数据Tm[N]及个人信息数据Pm[S];
(3)对检测数据Tm[N]进行归一化处理,对用户个人信息P[S]进行数字化处理,并将数据打包为评估模型输入数据格式Bm[N+S];
(4)读取第m项评估相应的评估模型LMBP(Bm[N+S]),进行评估,输出评估结果Em;
(5)判别Em是否小于最小评估阈值εm,是则Em置零;否,则进行下一步;
(6)对于Em大于患病判别阈值的评估请求,输出评估结果,并根据Em值大小输出详细的病情描述及就医建议。
如图4所示,远程控制中心对用户终端装置进行维护的流程,具体如下:
(1)判断管理员是否为新管理员,是,则进行注册;否,则直接进行登录及权限判别;
(2)查看是否有紧急告警通知,是,则进行紧急告警处理;否,则进行***维护类型的选择;
(3)判断管理员是否有权限,否,则重新选择***维护类型;是,则进行***状态信息读取;
(4)判断维护项是否锁定,是,则重新选择***维护类型;否,则向各用户终端装置发送维护通知,启动维护倒计时;
(5)编辑、提交维护内容;
(6)判断维护倒计时是否结束,否,则再次判断维护倒计时是否结束;是,则向各用户终端装置发送正在维护通知;
(7)向各用户终端装置上传更新维护内容;
(8)判断各用户终端装置是否完成更新,否,则确认是否更新超时;是,则更新维护记录保存维护数据;
(9)取消各用户终端装置正在维护通知;
(10)确认是否进行其他维护,是,则返回步骤(2)重新选择***维护类型;否,则结束本次***维护。
所述步骤(8)中判断是否更新超时的具体步骤为:判断是否更新超时,是,则发出维护失败告警通知,并返回步骤(5);否,则返回步骤(7)。
如图5、6所示,本实施例中生命生理状态评估及疑似病例判决模型是一种基于LM-BP神经网络模型,该模型的设计步骤为:
(1)获取以往确诊病例数据样本,每个数据样本均包含两方面的信息:(1a)各项生理信息检测数据,如体温、血压、血糖、体重、心电、体液检测结果等;(1b)用户个人情况描述信息,如性别、年龄、职业、患病史、是否吸烟、是否经常醉酒等。其中(1a)作为主要参数,(1b)作为辅助参数。
(2)对收集到的样本数据进行处理。先把数据进行量化,以便在计算机中识别。生理信息检测数据均以国际医学标准单位记录,用户个人信息情况记录为:(2a)性别:男性记为1,女性记为0;(2b)年龄按真实年龄记录;(2c)职业用***数学1~10记录;(2d)患病史:有记为1,无记为0;(2e)是否吸烟:是记为1,否记为0;(2f)是否经常醉酒:是记为1,否记为0.对这些数据向量化,依次作为一组数据的一个元素输入。那么得到的数据文件中每组数据可以分为14个字段,第1个字段为病例编号;第2个字段表示确诊结果,0为亚健康状态,其它为预设的相对应的典型疾病编号;第3~8个字段表示各项生理信息检测数据;第9~14表示个人信息数据。
(3)从样本数据库中选取典型数据样本N个,在其中随即抽取M(M<N)个样本作为网络训练样本,剩下的各类(N-M)个样本作为测试验证数据。
(4)根据病例数据特征,建立相应结构的神经网络。
(5)神经网络训练步骤为(5a)网络初始化处理;(5b)依次输入M个样本数据对所设计的神经网络进行训练,计算出模型各参数;(5c)记录已经学习过的样本个数m。如果m<M,则转至步骤(2)继续计算,如果m=M,则结束训练;(5d)按照权值修正公式修正模型参数,按照新的模型参数计算输出,若模型未能达到要求的精度指标或者m<M,则执行步骤(5b)继续训练,否则结束训练。
(6)神经网络测试验证,在神经网络通过训练之后,将(N-M)组测试样本数据输入网络,便可以得到对应的输出。
(7)结果分析,通过比较网络预测的输出结果与原先确诊的结果进行对比分析,可以得到误诊率,判别误诊率是否满足要求,是,则完成建模;否,则返回步骤(4),按照模型结构修正公式修改模型结构,重新建立模型,重新训练。
当生命体生理状态评估及疑似病例判决模型接收到评估请求时,首先确认评估类型,如:第m项,然后读取第m项检测对应的检测数据Tm[N]和用户个人信息Pm[S],并对数据进行归一化和数字化处理,将数据打包为评估数据Bm[N+S],然后选取第m项评估相应的神经网络模型LM-BP(Bm[N+S])进行评估,输出病例疑似度Em;其中0≤Em≤1,数值越大,表示病例疑似程度越高、病情越重;***可根据Em数值输出详细的病情描述及就医建议。
本实施例中,选取100个病例作为数据样本,其中包括冠心病确诊病例、风湿性心脏病确诊病例、高血压确诊病例、健康人员(三种病均无的人员)的体检数据。病例数据中的信息包括烟龄、日饮酒量、高血压病史、风湿患病时长(年)、血压(高压)、血压(低压)、心率、WBC、RBC、心悸胸闷时长(年)、是否胸痛出汗、是否水肿或浮肿、是否头痛头晕这13项信息,还包括是否冠心病、是否高血压、是否风湿性心脏病的确诊结果。
本实施例中采用三层结构的BP神经网络,即包括输入层、一个隐层、输出层,根据数据样本确定输入层节点数为13、输出层节点数为3,根据训练结果确定隐层节点数为13,网络结构示意如图7所示。模型误差值的自然对数值随训练次数的变化曲线图如图8所示。
从100个病例数据中随机选取60个病例数据样本对模型进行训练,60个病例数据的确诊结果如表1(其中1表示患病,0表示未患病):
表1
病例序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 |
冠心病 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
风心病 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
高血压 | 1 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 1 | 1 | 1 |
病例序号 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 |
冠心病 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
风心病 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
高血压 | 1 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 |
病例序号 | 31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | 40 | 41 | 42 | 43 | 44 | 45 |
冠心病 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
风心病 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 0 | 0 | 0 | 0 |
高血压 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 | 1 | 1 | 1 |
病例序号 | 46 | 47 | 48 | 49 | 50 | 51 | 52 | 53 | 54 | 55 | 56 | 57 | 58 | 59 | 60 |
冠心病 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
风心病 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
高血压 | 1 | 1 | 1 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
用表1中的病例数据训练的神经网络模型完成后,病用该模型对上述60个病例再次进行网络检测,最后网络的判定结果如表2:
表2
病例序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
冠心病 | 0.999 | 1.003 | 1.005 | 1.005 | 1.002 | 0.998 | 1.000 | 0.994 | 1.000 | 1.000 |
风心病 | 0.002 | -0.001 | 0.003 | -0.008 | 0.000 | 0.000 | 0.000 | 0.000 | 0.001 | 0.007 |
高血压 | 0.999 | -0.004 | 0.009 | 0.003 | 1.000 | 1.000 | 0.004 | 0.006 | 0.999 | -0.001 |
病例序号 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 |
冠心病 | 1.000 | 1.003 | 0.998 | 1.001 | 1.000 | 0.999 | 1.013 | 0.988 | 1.007 | 1.000 |
风心病 | -0.006 | -0.001 | 0.000 | -0.001 | 0.000 | -0.003 | 0.000 | -0.002 | 0.009 | 0.000 |
高血压 | 0.003 | 0.999 | 1.001 | 1.000 | 0.999 | 1.000 | -0.015 | 0.015 | 1.000 | 1.000 |
病例序号 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 |
冠心病 | 1.003 | 1.000 | 0.996 | 1.005 | 0.993 | 0.999 | 1.001 | 0.993 | 0.996 | 0.999 |
风心病 | 0.003 | 0.004 | 0.005 | -0.006 | -0.001 | 0.004 | -0.001 | -0.008 | -0.008 | 0.003 |
高血压 | -0.002 | 0.002 | -0.006 | 0.007 | -0.014 | -0.007 | 0.000 | 1.002 | 0.000 | 0.003 |
病例序号 | 31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | 40 |
冠心病 | 0.000 | -0.004 | -0.002 | 0.000 | 0.002 | -0.002 | -0.001 | 0.001 | -0.002 | 0.006 |
风心病 | 0.994 | 0.995 | 1.000 | 1.004 | 1.000 | 1.005 | 1.005 | 1.005 | 0.994 | 0.997 |
高血压 | -0.006 | 0.000 | -0.002 | -0.006 | 0.003 | 0.007 | 0.007 | 0.002 | -0.006 | 0.000 |
病例序号 | 41 | 42 | 43 | 44 | 45 | 46 | 47 | 48 | 49 | 50 |
冠心病 | 0.007 | -0.001 | 0.002 | -0.009 | -0.004 | -0.007 | 0.012 | 0.002 | 0.000 | 0.000 |
风心病 | 0.004 | 0.003 | 0.001 | 0.000 | -0.008 | -0.006 | 0.008 | 0.000 | -0.003 | 0.003 |
高血压 | 0.998 | 1.004 | 1.000 | 0.997 | 0.997 | 1.001 | 0.995 | 1.005 | 1.003 | 1.001 |
病例序号 | 51 | 52 | 53 | 54 | 55 | 56 | 57 | 58 | 59 | 60 |
冠心病 | -0.001 | 0.001 | -0.005 | 0.002 | 0.003 | 0.012 | 0.000 | -0.006 | -0.006 | 0.000 |
风心病 | -0.004 | 0.002 | -0.004 | -0.005 | 0.002 | 0.004 | 0.000 | 0.005 | 0.003 | -0.003 |
高血压 | -0.002 | 0.004 | 0.000 | -0.006 | -0.003 | -0.006 | -0.002 | 0.009 | 0.006 | -0.001 |
对比病例确诊结果与模型预测结果,可以看到输出数值误差小于±1%,根据数值大于0.8即认定为完全患病,数值小于0.2即判断为完全不患病,该网络模型对60个病例检测正确率为100%,模型建立完成。
然后采用剩余的40个病例数据对模型预测准确度进行验证。40个验证病例数据的确诊结果如表3(其中1表示患病,0表示未患病):
表3
病例序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
冠心病 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
风心病 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
高血压 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 |
病例序号 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 |
冠心病 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 0 |
风心病 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 |
高血压 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 |
病例序号 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 |
冠心病 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
风心病 | 1 | 1 | 1 | 1 | 1 | 1 | 0 | 0 | 0 | 0 |
高血压 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 | 1 | 1 |
病例序号 | 31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | 40 |
冠心病 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
风心病 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
高血压 | 1 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
通过模型网络对上述40个病例进行检测,判定结果如表4:
表4
病例序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
冠心病 | 0.999 | 1.010 | 1.047 | 0.991 | 1.023 | 0.970 | 0.998 | 1.003 | 1.009 | 0.999 |
风心病 | 0.002 | -0.011 | -0.040 | 0.016 | -0.019 | 0.023 | 0.001 | -0.007 | 0.009 | -0.001 |
高血压 | 0.871 | 0.173 | 0.080 | 0.032 | 1.046 | -0.029 | -0.031 | 0.988 | 0.001 | 0.000 |
病例序号 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 |
冠心病 | 1.027 | 0.917 | 1.019 | 1.214 | 0.959 | 1.008 | 1.045 | 1.024 | 1.025 | 0.102 |
风心病 | -0.027 | 0.099 | -0.014 | -0.174 | 0.049 | -0.003 | -0.037 | -0.018 | -0.019 | 0.885 |
高血压 | 0.755 | -0.096 | 0.601 | 0.452 | -0.013 | -0.011 | 0.060 | 0.157 | 0.001 | 0.159 |
病例序号 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 |
冠心病 | -0.004 | 0.021 | 0.015 | 0.005 | 0.011 | -0.032 | -0.003 | -0.007 | 0.000 | -0.002 |
风心病 | 1.001 | 0.988 | 0.989 | 0.995 | 0.977 | 1.026 | -0.007 | -0.004 | 0.008 | 0.012 |
高血压 | -0.002 | -0.035 | -0.010 | 0.023 | 0.107 | 0.042 | 0.992 | 0.998 | 0.994 | 0.958 |
病例序号 | 31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | 40 |
冠心病 | 0.002 | 0.006 | 0.168 | 0.063 | 0.003 | -0.005 | -0.004 | 0.002 | 0.113 | 0.005 |
风心病 | -0.007 | -0.005 | 0.181 | -0.006 | 0.002 | -0.006 | -0.002 | -0.004 | 0.022 | 0.007 |
高血压 | 1.004 | 1.010 | 0.676 | 0.010 | 0.003 | 0.000 | -0.003 | 0.004 | 0.032 | 0.015 |
对比40个病例确诊结果与模型判定结果,根据数值大于0.8即认为完全患病,数值小于0.2即判断为完全不患病,则有3个病例判定结果错误,即准确率为92.5%。基本满足疾病预判准确度要求。
因本实施例建模样本较少,模型预判准确度相对偏低,在样本足够多的前提下,准确度可以进一步提高。
再验证完成后,便可将此模型参数传输给用户终端装置,用户终端装置获得某一用户的个人信息及生理检测信息如表5:
表5
用户终端装置中生命体状态评估针对冠心病、风心病、高血压的评估输出数值为-0.048、1.007、0.0862,根据判别规则,数值大于0.8即认为完全患病,数值小于0.2即判断为完全不患病,则可得到判定结果为0、1、0,即该用户患风湿性心脏病。用户终端装置便会根据此判别结果为用户推荐就医指导和生活指南,并将数据、信息发送至远程控制中心进行存储,同时根据用户选择,是否将检测数据及评估结果通过无线传输单元发送至用户个人数字设备,评估结束。
按照上述实施例,便可很好地实现本发明。
Claims (10)
1.生命体生理状况自助评估***,其特征在于,包括一个以上的用户终端装置和远程控制中心;该用户终端装置包括数据处理及控制单元,均与数据处理及控制单元相连的第一输入单元、第一输出单元、第一传输单元、费用结算单元、数据检测单元和用户识别单元;所述第一传输单元与远程控制中心相连。
2.根据权利要求1所述的生命体生理状况自助评估***,其特征在于,所述的远程控制中心主要由信息处理及控制单元,均与信息处理及控制单元相连的第二传输单元、第二输入单元、第二输出单元、数据运算服务器、管理权限判别单元组成,所述第二传输单元与第一传输单元相连。
3.根据权利要求2所述的生命体生理状况自助评估***,其特征在于,所述的数据处理及控制单元上还连接有第一存储单元和无线传输单元。
4.根据权利要求3所述的生命体生理状况自助评估***,其特征在于,所述的信息处理及控制单元上还连接有第二存储单元和费用汇总单元。
5.由权利要求1~4任一项所述的生命体生理状况自助评估***的评估方法,其特征在于,包括以下步骤:
(a)判断用户是否为新用户,是,则进行注册;否,则直接进行登录,并识别用户个人信息P[s];
(b)选择评估的类型并判断该类型的模型是否更新,否,则更新模型参数;是,则进行检测项目的制定;
(c)检测仪器是否正常,否,则发出仪器损坏告警;是,则进行下一步;
(d)采用费用结算单元进行费用结算;
(e)判断用户是否到位,否,则判定超时状况;是,则进行生理状况检测,获取生理状况检测数据T[N];
(f)判断数据是否无误,否,则发出数据错误告警,并返回步骤(e);是,则进行生理状态评估或疑似病例预判,并输出相应病例疑似度数据Em、评估结果、详细描述病情、健康警示信息及就医建议;
(g)保存各种数据,显示评估结果及就医建议;
(h)判断是否进行其他评估,是,则返回步骤(b);否,则结束本次评估,并将检测数据、评估结果、就医指引等信息根据用户选择的输出方式进行输出,然后将各种数据传输到远程控制中心;
(i)远程控制中心将接收到的数据进行整理后,统一保存。
6.根据权利要求5所述的生命体生理状况自助评估***的评估方法,其特征在于,所述步骤(e)中判定超时状况具体步骤为:判断是否超时,是,则进行超时复位,返回步骤(a);否,则提醒用户尽快到位,返回步骤(e)。
7.根据权利要求6所述生命体生理状况自助评估***的评估方法,其特征在于,所述步骤(f)中判别数据是否无误的具体步骤为:
(1)对生理检测数据包T[N],先根据校验算法对接收到的数据包中有效数据位进行校验位计算,然后与数据包中的校验位数据进行对比,判别计算获得的校验位与数据包中的校验位数值是否一致,是,则数据传输无误,进入数据判别步骤(2);否,则数据传输有误,发出数据错误告警,重新读取仪器检测数据;
(2)读取生理检测数据包T[N]中的各有效位数据,即用户各项生理检测数据,然后判别数据包中检测数据是否超出对应项目的人体检测数据的最大值极限及最小值极限,是,则数据检测有误,发出数据错误告警,返回步骤(e)重新进行错误项数据检测;否,则数据无误,继续步骤(f)中生理状态评估或疑似病例预判。
8.根据权利要求7所述的生命体生理状况自助评估***的评估方法,其特征在于,所述步骤(f)中生理状态评估或疑似病例预判具体步骤为:
(1)接受***第m项评估请求;
(2)读取第m项评估请求用户的生理检测数据Tm[N]及个人信息数据Pm[S];
(3)对检测数据Tm[N]进行归一化处理,对用户个人信息P[S]进行数字化处理,并将数据打包为评估模型输入数据格式Bm[N+S];
(4)读取第m项评估相应的评估模型LMBP(Bm[N+S]),进行评估,输出评估结果Em;
(5)判别Em是否小于最小评估阈值εm,是则Em置零;否,则进行下一步;
(6)对于Em大于患病判别阈值的评估请求,输出评估结果,并根据Em值大小输出详细的病情描述及就医建议。
9.根据权利要求8所述的生命体生理状况自助评估***的评估方法,其特征在于,所述的生命体生理状态评估及疑似病例判决模型为多个针对不同评估需求的判决模型。
10.根据权利要求9所述的生命体生理状况自助评估***的评估方法,其特征在于,所述的生命体生理状态评估及疑似病例判决模型的评估方法为以病例的生命状况检测数据Tm[N]、用户个人信息Pm[S]为原始数据,先对数据归一化和数字化,然后打包为评估数据Bm[N+S],最后选取相应的评估模型LM-BP(Bm[N+S])进行评估,输出病例疑似度Em;***根据Em数值输出详细的病情描述及就医建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210310041.1A CN102799794B (zh) | 2012-08-28 | 2012-08-28 | 生命体生理状况自助评估*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210310041.1A CN102799794B (zh) | 2012-08-28 | 2012-08-28 | 生命体生理状况自助评估*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102799794A true CN102799794A (zh) | 2012-11-28 |
CN102799794B CN102799794B (zh) | 2015-09-23 |
Family
ID=47198901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210310041.1A Expired - Fee Related CN102799794B (zh) | 2012-08-28 | 2012-08-28 | 生命体生理状况自助评估*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102799794B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484562A (zh) * | 2014-12-10 | 2015-04-01 | 山东中弘信息科技有限公司 | 一种基于模糊神经网络的体域网健康信息监测、交互*** |
CN104657621A (zh) * | 2015-03-09 | 2015-05-27 | 上海万达全程健康门诊部有限公司 | 基于多点采集的人体健康状态评估***及评估方法 |
CN105054902A (zh) * | 2015-08-28 | 2015-11-18 | 浪潮集团有限公司 | 一种新型体检机及其体质评估方法 |
CN105574337A (zh) * | 2015-12-16 | 2016-05-11 | 上海亿保健康管理有限公司 | 一种健康评估装置 |
CN105893725A (zh) * | 2014-11-13 | 2016-08-24 | 北京众智汇医科技有限公司 | 一种医院感染预防与控制全流程管理***及其方法 |
CN106295154A (zh) * | 2016-08-03 | 2017-01-04 | 董碧蓉 | 老年人医学健康评估***及方法 |
WO2017088741A1 (zh) * | 2015-11-23 | 2017-06-01 | 戚本昊 | 一种艾滋病匿名自助检测服务*** |
CN107067152A (zh) * | 2017-02-14 | 2017-08-18 | 上海脉融健康科技有限公司 | 一种基于hrv分析的疲劳恢复指数监测装置及方法 |
CN107066822A (zh) * | 2017-04-18 | 2017-08-18 | 深圳市品格科技有限公司 | 一种健康评估的方法及*** |
CN107789009A (zh) * | 2017-11-20 | 2018-03-13 | 广东里田科技有限公司 | 基于无线传输的血流检测***及血流检测方法 |
CN110141259A (zh) * | 2019-06-04 | 2019-08-20 | 清华大学 | 一种基于无线通信测量认知负荷与心理压力的方法及装置 |
CN110415821A (zh) * | 2019-07-02 | 2019-11-05 | 山东大学 | 一种基于人体生理数据的健康知识推荐***及其运行方法 |
CN110731766A (zh) * | 2018-07-19 | 2020-01-31 | 杭州星迈科技有限公司 | 健康监测方法和*** |
CN111239425A (zh) * | 2018-11-29 | 2020-06-05 | 举康(上海)生物科技有限公司 | 基于循环肿瘤细胞检测的肿瘤辅助诊断*** |
CN111281361A (zh) * | 2020-03-09 | 2020-06-16 | 康瑞健康管理(杭州)有限公司 | 基于大数据的学生健康监测*** |
CN111341463A (zh) * | 2020-03-17 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 疫情排查方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1428128A (zh) * | 2001-12-27 | 2003-07-09 | 丽台科技股份有限公司 | 评估自主神经***功能的自动远端控制方法及*** |
CN102231173A (zh) * | 2011-06-22 | 2011-11-02 | 上海圆天电子科技有限公司 | 基于网络技术的远程人体亚健康测评仪器 |
CN202720650U (zh) * | 2012-08-28 | 2013-02-06 | 史荣涛 | 生命体生理状况自助评估*** |
-
2012
- 2012-08-28 CN CN201210310041.1A patent/CN102799794B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1428128A (zh) * | 2001-12-27 | 2003-07-09 | 丽台科技股份有限公司 | 评估自主神经***功能的自动远端控制方法及*** |
CN102231173A (zh) * | 2011-06-22 | 2011-11-02 | 上海圆天电子科技有限公司 | 基于网络技术的远程人体亚健康测评仪器 |
CN202720650U (zh) * | 2012-08-28 | 2013-02-06 | 史荣涛 | 生命体生理状况自助评估*** |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893725A (zh) * | 2014-11-13 | 2016-08-24 | 北京众智汇医科技有限公司 | 一种医院感染预防与控制全流程管理***及其方法 |
CN105893725B (zh) * | 2014-11-13 | 2019-01-08 | 北京众智汇医科技有限公司 | 一种医院感染预防与控制全流程管理***及其方法 |
CN104484562B (zh) * | 2014-12-10 | 2018-03-16 | 山东中弘信息科技有限公司 | 一种基于模糊神经网络的体域网健康信息监测、交互*** |
CN104484562A (zh) * | 2014-12-10 | 2015-04-01 | 山东中弘信息科技有限公司 | 一种基于模糊神经网络的体域网健康信息监测、交互*** |
CN104657621A (zh) * | 2015-03-09 | 2015-05-27 | 上海万达全程健康门诊部有限公司 | 基于多点采集的人体健康状态评估***及评估方法 |
CN105054902A (zh) * | 2015-08-28 | 2015-11-18 | 浪潮集团有限公司 | 一种新型体检机及其体质评估方法 |
WO2017088741A1 (zh) * | 2015-11-23 | 2017-06-01 | 戚本昊 | 一种艾滋病匿名自助检测服务*** |
CN105574337A (zh) * | 2015-12-16 | 2016-05-11 | 上海亿保健康管理有限公司 | 一种健康评估装置 |
CN106295154A (zh) * | 2016-08-03 | 2017-01-04 | 董碧蓉 | 老年人医学健康评估***及方法 |
CN107067152A (zh) * | 2017-02-14 | 2017-08-18 | 上海脉融健康科技有限公司 | 一种基于hrv分析的疲劳恢复指数监测装置及方法 |
CN107066822A (zh) * | 2017-04-18 | 2017-08-18 | 深圳市品格科技有限公司 | 一种健康评估的方法及*** |
CN107789009A (zh) * | 2017-11-20 | 2018-03-13 | 广东里田科技有限公司 | 基于无线传输的血流检测***及血流检测方法 |
CN110731766A (zh) * | 2018-07-19 | 2020-01-31 | 杭州星迈科技有限公司 | 健康监测方法和*** |
CN111239425A (zh) * | 2018-11-29 | 2020-06-05 | 举康(上海)生物科技有限公司 | 基于循环肿瘤细胞检测的肿瘤辅助诊断*** |
CN110141259A (zh) * | 2019-06-04 | 2019-08-20 | 清华大学 | 一种基于无线通信测量认知负荷与心理压力的方法及装置 |
CN110415821A (zh) * | 2019-07-02 | 2019-11-05 | 山东大学 | 一种基于人体生理数据的健康知识推荐***及其运行方法 |
CN110415821B (zh) * | 2019-07-02 | 2023-02-24 | 山东大学 | 一种基于人体生理数据的健康知识推荐***及其运行方法 |
CN111281361A (zh) * | 2020-03-09 | 2020-06-16 | 康瑞健康管理(杭州)有限公司 | 基于大数据的学生健康监测*** |
CN111341463A (zh) * | 2020-03-17 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 疫情排查方法、装置、计算机设备和存储介质 |
CN111341463B (zh) * | 2020-03-17 | 2023-08-15 | 腾讯科技(深圳)有限公司 | 疫情排查方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102799794B (zh) | 2015-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102799794B (zh) | 生命体生理状况自助评估*** | |
RU2757048C1 (ru) | Способ и система оценки здоровья тела человека на основе данных большого объема о сне | |
CN103942432B (zh) | 智慧健康管理*** | |
CN104239415B (zh) | 一种健康信息数据监控***及其监控方法 | |
Koman et al. | Quantification of upper extremity function and range of motion in children with cerebral palsy | |
La Porta et al. | Can we scientifically and reliably measure the level of consciousness in vegetative and minimally conscious States? Rasch analysis of the coma recovery scale-revised | |
Rubio et al. | Home monitoring of breathing rate in people with chronic obstructive pulmonary disease: observational study of feasibility, acceptability, and change after exacerbation | |
US8924226B2 (en) | Interactive testing system for analysing biological samples | |
CN104158914A (zh) | 面向家庭的远程尿液检测与健康咨询服务***及方法 | |
US20180060518A1 (en) | Electronic community medical marijuana network | |
CN110875087B (zh) | 一种慢性肺疫病管理*** | |
Jarvis et al. | Are observation selection methods important when comparing early warning score performance? | |
Merone et al. | A decision support system for tele-monitoring COPD-related worrisome events | |
Bolton et al. | The impact of nursing interventions | |
Suter et al. | American College of Rheumatology white paper on performance outcome measures in rheumatology | |
Bai et al. | Mediating effects of fatigue on the relationships among sociodemographic characteristics, depression, and quality of life in patients receiving hemodialysis | |
CN115714022A (zh) | 基于人工智能的新生儿黄疸健康管理*** | |
KR100391549B1 (ko) | 인터넷을 이용한 체력측정 방법과 이를 이용한 시스템 | |
Putri et al. | Reliability and validity analysis of smartwatches use for healthcare | |
US8428965B2 (en) | System for clinical research and clinical management of cardiovascular risk using ambulatory blood pressure monitoring and actigraphy | |
CN116453641B (zh) | 一种中医辅助分析信息的数据处理方法及*** | |
Ioannidis et al. | Early warning systems in inpatient anorexia nervosa: A validation of the MARSIPAN‐based modified early warning system | |
CN202720650U (zh) | 生命体生理状况自助评估*** | |
CN107066816A (zh) | 基于临床数据的就医指导方法、装置及服务器 | |
Vergauwen et al. | An exploratory study of discrepancies between objective and subjective measurement of the physical activity level in female patients with chronic fatigue syndrome |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150923 Termination date: 20200828 |
|
CF01 | Termination of patent right due to non-payment of annual fee |