CN110236558A - 婴儿发育情况预测方法、装置、存储介质及电子设备 - Google Patents

婴儿发育情况预测方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN110236558A
CN110236558A CN201910346364.8A CN201910346364A CN110236558A CN 110236558 A CN110236558 A CN 110236558A CN 201910346364 A CN201910346364 A CN 201910346364A CN 110236558 A CN110236558 A CN 110236558A
Authority
CN
China
Prior art keywords
data
sample
limb motion
tested
single limb
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.)
Pending
Application number
CN201910346364.8A
Other languages
English (en)
Inventor
彭俊清
黄舒婷
王健宗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910346364.8A priority Critical patent/CN110236558A/zh
Priority to SG11202008420UA priority patent/SG11202008420UA/en
Priority to PCT/CN2019/103148 priority patent/WO2020215566A1/zh
Publication of CN110236558A publication Critical patent/CN110236558A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
    • A61B5/1114—Tracking parts of the body
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/04—Babies, e.g. for SIDS detection

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

公开了一种婴儿发育情况预测方法、装置、存储介质及电子设备，属于计算机程序技术领域。该方法包括：获取待测样本的单次肢体运动数据及对应的月龄数据；进行数据处理，得到与月龄数据相对应的针对待测样本单次肢体运动的特征值；将预定次数的与待测样本相对应的单次肢体运动的特征值及对应的月龄数据带入至堆叠式极限学习机的数学模型，进行逻辑运算；以堆叠式极限学习机的逻辑运算的输出结果作为待测样本发育正常或者发育迟缓的依据，得到婴儿发育情况的预测结果。该装置、存储介质及电子设备能够用于实现该方法。通过其能够对婴儿进行发育情况预测，进一步得到婴儿发育迟缓的可能性，据此，能够为婴儿发育迟缓的早期干预提供可靠的依据。

Description

婴儿发育情况预测方法、装置、存储介质及电子设备
技术领域
本发明涉及计算机程序技术领域，特别是涉及一种婴儿发育情况预测方法、装置、存储介质及电子设备。
背景技术
现有技术通常是要等到婴幼儿2岁以后才能确诊婴幼儿是否发育迟缓。然而，时至此时才确诊婴幼儿发育迟缓，对婴幼儿的干预已经相对较晚，不利于发育迟缓的婴幼儿恢复。因此，就需要一种能够针对婴儿发育情况进行预测的方法，从而能够为发育迟缓的婴幼儿的恢复进行干预提供依据。
发明内容
有鉴于此，本发明提供了一种婴儿发育情况预测方法、装置、存储介质及电子设备，通过其能够对婴儿进行发育情况预测，进一步得到婴儿发育迟缓的可能性，据此，能够为婴儿发育迟缓的早期干预提供可靠的依据，从而更加适于实用。
为了达到上述第一个目的，本发明提供的婴儿发育情况预测方法的技术方案如下：
本发明提供的婴儿发育情况预测方法包括以下步骤：
获取待测样本的单次肢体运动数据及对应的月龄数据；
针对所述待测样本的单次肢体运动数据进行数据处理，得到与月龄数据相对应的针对所述待测样本单次肢体运动的特征值；
将预定次数的与所述待测样本相对应的单次肢体运动的特征值及对应的月龄数据带入至堆叠式极限学习机的数学模型，进行逻辑运算；
以所述堆叠式极限学习机的逻辑运算的输出结果作为所述待测样本发育正常或者发育迟缓的依据，得到所述婴儿发育情况的预测结果。
本发明提供的婴儿发育情况预测方法还可采用以下技术措施进一步实现。
作为优选，所述堆叠式极限学习机的数学模型的构建方法包括以下步骤：
获取训练样本的单次肢体运动数据及对应的月龄数据，其中，所述训练样本为已知发育状况的样本；
针对所述训练样本的单次肢体运动数据进行数据处理，得到与月龄数据相对应的针对所述训练样本单次肢体运动的特征值；
将所述与月龄数据相对应的针对所述训练样本单次肢体运动的特征值带入至逻辑运算公式：当所述训练样本为多个时，得到多个基于所述逻辑运算公式的表达式；
其中，
L-为单隐层神经网络的节点数，
g(x)-为激活函数，
wi＝[Wi1,wi2,...,win]T-为第i个隐层单元的输入权重，
bi-为第i个隐层单元的偏置，
βi＝[βi1,βi2,...,βim]T-为第i个隐层单元的输出权重，
oj-为针对训练样本，应用堆叠式极限学习机进行分类后的逻辑运算输出结果，其中，所述逻辑运算输出结果包括发育正常和发育迟缓2个大类；
根据所述多个基于所述逻辑运算公式的表达式，确定所述激活函数g(x)的表达式、所述第i个隐层单元的输入权重wi、所述第i个隐层单元的偏置bi以及所述第i个隐层单元的输出权重βi；
再将确定后的激活函数g(x)的表达式、所述第i个隐层单元的输入权重wi、所述第i个隐层单元的偏置bi以及所述第i个隐层单元的输出权重βi带回至所述逻辑运算公式，得到所述堆叠式极限学习机的数学模型。
作为优选，所述单次肢体运动数据包括：
单次肢体运动的始时刻Ti0、末时刻Ti1、平均加速度av、峰值加速度am、左腿运动类型SL、右腿运动类型SR；
其中，单次运动持续时间ti是单次运动末时刻与单次运动始时刻Ti0的差值Ti1-Ti0。
作为优选，针对所述待测样本的单次肢体运动数据进行数据处理，得到与月龄数据相对应的针对所述待测样本单次肢体运动的特征值的方法选自单变量特征选择、递归特征选择、逐步特征选择中的一种，所述针对所述待测样本的单次肢体运动数据进行数据处理，得到与月龄数据相对应的针对所述待测样本单次肢体运动的特征值具体包括：
所述单变量特征选择通过对所述单次肢体运动数据中的单一变量的统计度量方法，选取得到作为所述单次肢体运动的特征值；或
所述递归特征选择通过对所述单次肢体运动数据中的各变量进行归一化数据处理，以得到的数据作为所述单次肢体运动的特征值；或
所述逐步特征选择通过逐一选取所述单次肢体运动数据中的单一变量、对所述单次肢体运动数据中的各变量进行归一化数据处理得到的数据依次作为单次肢体运动的特征值。
作为优选，在所述逻辑运算输出结果中，
根据所述堆叠式极限学习机的数学模型，对发育正常进行不同的分级；
根据所述堆叠式极限学习机的数学模型，对发育迟缓进行不同的分级。
为了达到上述第二个目的，本发明提供的婴儿发育情况预测装置的技术方案如下：
本发明提供的婴儿发育情况预测装置包括：
数据获取单元，用于获取待测样本的单次肢体运动数据及对应的月龄数据；
数据处理单元，用于针对所述待测样本的单次肢体运动数据进行数据处理，得到与月龄数据相对应的针对所述待测样本单次肢体运动的特征值；
运算单元，用于将预定次数的与所述待测样本相对应的处理后的肢体运动数据及对应的月龄数据带入至堆叠式极限学习机的数学模型，进行逻辑运算；
预测结果输出单元，用于以所述堆叠式极限学习机的逻辑运算的输出结果作为所述待测样本发育正常或者发育迟缓的依据，得到所述婴儿发育情况的预测结果。
为了达到上述第三个目的，本发明提供的存储介质的技术方案如下：
本发明提供的存储介质上存储有婴儿发育情况预测程序，所述婴儿发育情况预测程序被处理器执行时实现本发明提供的婴儿发育情况预测方法的步骤。
为了达到上述第四个目的，本发明提供的电子设备的技术方案如下：
本发明提供的电子设备包括运动传感器、处理器、存储器及存储在所述存储器上并可在所述处理器上运行的婴儿发育情况预测程序，其中，
所述运动传感器，用于获取待测样本的单次肢体运动数据；
所述婴儿发育情况预测程序被所述处理器执行时实现本发明提供的婴儿发育情况预测方法的步骤。
本发明提供的婴儿发育情况预测方法、装置、存储介质及电子设备在堆叠式极限学习及的数学模型已知的情况下，获取待测样本的单次肢体运动数据及对应的月龄数据，即可通过数据处理得到待测样本单次肢体运动的特征值，将该特征值代入至已知的堆叠式极限学习及的数学模型，进行逻辑运算，即可得到输出结果，其中，输出结果包括发育迟缓和发育正常2个大类，其中，由于待测样本的月龄数据可以根据出生证明显示的出生日期获得，也就是说，在本发明提供的婴儿发育情况预测方法中，待获取的数据仅为单次肢体运动数据，在这种情况下，可以通过运动传感器直接获得，因此，应用本发明提供的婴儿发育情况预测方法能够较为便捷地对婴儿发育状况进行预测，此外，在本发明提供的婴儿发育情况预测方法中，堆叠式极限学习及的数学模型在构建的过程中，可以涵盖所有月龄的婴儿，因此，即使待测样本的月龄较小，也可以通过该堆叠式极限学习及的数学模型得到相对准确的输出结果，因此，其能够为婴儿发育迟缓的早期干预提供可靠的依据。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例方案涉及的硬件运行环境的婴儿发育情况预测设备结构示意图；
图2为本发明实施例方案涉及的婴儿发育情况预测方法的步骤流程图；
图3为本发明实施例方案涉及的婴儿发育情况预测方法中应用的堆叠式极限学习机的数学模型的构建方法的步骤流程图；
图4为本发明实施例方案涉及的婴儿发育情况预测装置中各功能模块之间的信号流向关系示意图；
图5为本发明实施例方案涉及的婴儿发育情况预测方法中应用的堆叠式极限学习机的原理示意图。
具体实施方式
本发明为解决现有技术存在的问题，提供一种婴儿发育情况预测方法、装置、存储介质及电子设备，通过其能够对婴儿进行发育情况预测，进一步得到婴儿发育迟缓的可能性，据此，能够为婴儿发育迟缓的早期干预提供可靠的依据，从而更加适于实用。
为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婴儿发育情况预测方法、装置、存储介质及电子设备，其具体实施方式、结构、特征及其功效，详细说明如后。在下述说明中，不同的“一实施例”或“实施例”指的不一定是同一实施例。此外，一或多个实施例中的特征、结构、或特点可由任何合适形式组合。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，具体的理解为：可以同时包含有A与B，可以单独存在A，也可以单独存在B，能够具备上述三种任一种情况。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的婴儿发育情况预测设备结构示意图。
如图1所示，该婴儿发育情况预测设备可以包括：处理器1001，例如中央处理器(CentralProcessingUnit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccessMemory，RAM)存储器，也可以是稳定的非易失性存储器(Non-VolatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对婴儿发育情况预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作***、数据存储模块、网络通信模块、用户接口模块以及婴儿发育情况预测程序。
在图1所示的婴儿发育情况预测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明婴儿发育情况预测设备中的处理器1001、存储器1005可以设置在婴儿发育情况预测设备中，婴儿发育情况预测设备通过处理器1001调用存储器1005中存储的婴儿发育情况预测程序，并执行本发明实施例提供的婴儿发育情况预测方法。
实施例一
参见附图1，本发明实施例一提供的婴儿发育情况预测方法包括以下步骤：
步骤101：获取待测样本的单次肢体运动数据及对应的月龄数据。
具体而言，此处是通过传感器获取待测样本的肢体运动数据。其中，肢体运动数据包括单次运动持续时间、单次运动平均加速度av、单次运动峰值加速度am、左腿运动类型SL、右腿运动类型SR。其中，单次运动持续时间ti是单次运动末时刻Ti1与单次运动始时刻Ti0的差值即Ti1-Ti0。其中，左腿运动类型SL、右腿运动类型SR可以应用文字描述的方式展示，例如，可以定性地描述踢腿、下蹲、行走、爬行、弯曲等，还可以给各运动类型定义一符号，例如踢腿＝Q1，下蹲＝Q2，行走＝Q3，爬行＝Q4，弯曲＝Q5，然后，以符号的方式进行描述。另外，由于婴幼儿在24个月内特别是12个月内时，肢体动作能力发展较为迅速，有时，即使仅相差数天，婴幼儿的肢体动作即可发生较大的变化，因此，月龄数据Y需要精确到天，例如，月龄数据可以为2m+1、8m+10等。
步骤102：针对待测样本的单次肢体运动数据进行数据处理，得到与月龄数据相对应的针对待测样本单次肢体运动的特征值。
具体而言，针对所述待测样本的单次肢体运动数据进行数据处理的方式可以包括单变量特征选择、递归特征选择、逐步特征选择等方式，其中，
单变量特征选择指的是通过基于一些单变量的统计度量方法选取到作为待测样本单次肢体运动的特征值Xj。此时，第一实施例可以为Xj＝{Ti1-Ti0，m}；第二实施例可以为Xj＝{av，Y}；第三实施例可以为Xj＝{am，Y}；第四实施例可以为Xj＝{XL，XR，Y}。
递归特征选择指的是通过对上述各变量进行归一化数据处理，以得到的数据作为待测样本单次肢体运动的特征值Xj。例如，此时Xj＝{y1(Ti1-Ti0)+y2av+y3am，XL，XR，Y}，其中，y1为(Ti1-Ti0)的特征系数，y2为av的特征系数，y3为am的特征系数。本实施例中，采取的归一化数据处理方式是线性归一化数据处理，根据实际需要还可以针对上述(Ti1-Ti0)、av、am这三个特征中的某些进行乘方运算，从而增加其影响等级，还可以针对上述(Ti1-Ti0)、av、am这三个特征中的某些进行开方运算，从而降低影响等级。
逐步特征选择指的是，第一次选取Xj＝{Ti1-Ti0，Y}，第二次选取Xj＝{av，Y}，第三次选取Xj＝{am，Y}，第四次选取Xj＝{XL，XR，Y}；然后，还可以第五次选取Xj＝{y1(Ti1-Ti0)+y2av+y3am，XL，XR，Y}。
步骤103：将预定次数的与待测样本相对应的单次肢体运动的特征值及对应的月龄数据带入至堆叠式极限学习机的数学模型，进行逻辑运算。
具体而言，将上述待测样本单次肢体运动的特征值Xj代入至堆叠式极限学习机的数学模型即
其中，
L-为单隐层神经网络的节点数，
g(x)-为激活函数，
wi＝[Wi1,wi2,...,win]T-为第i个隐层单元的输入权重，
bi-为第i个隐层单元的偏置，
βi＝[βi1,βi2,...,βim]T-为第i个隐层单元的输出权重。
在经过训练的堆叠式极限学习机的数学模型中，激活函数g(x)的表达式、所述第i个隐层单元的输入权重wi、所述第i个隐层单元的偏置bi以及所述第i个隐层单元的输出权重βi均为已知的，因此，通过上述逻辑运算，即可得到输出结果oj，其包括发育正常和发育迟缓2个大类。
步骤104：以堆叠式极限学习机的逻辑运算的输出结果作为待测样本发育正常或者发育迟缓的依据，得到婴儿发育情况的预测结果。
此处需要说明的是，在同一时间段内，获取针对同一待测样本的运动数据的过程中，至少需要获取5-10组肢体运动数据才进行判断，其原因在于，若在获取待测样本的肢体运动数据时，获取的肢体运动数据的组数过少，则有可能由于待测样本由于偶然因素导致运动过于激烈或者运动过于缓慢而导致判断错误，但是，若在同一时间段内，至少获取5-10组肢体运动数据才进行判断时，则能够尽量减少由于偶然因素导致的判断错误。如若获取的肢体运动组数过多，则需要耗费较多的时间，对判断婴幼儿究竟是发育正常还是发育迟缓的意义也不大。若待测样本经过5-10组肢体运动数据判断的结果是发育迟缓，则可以再增加获取1-3倍的肢体运动组数获取数量，更多的肢体运动组数对确诊婴幼儿是否发育迟缓具有确诊的作用。
本发明实施例一提供的婴儿发育情况预测方法在堆叠式极限学习及的数学模型已知的情况下，获取待测样本的单次肢体运动数据及对应的月龄数据，即可通过数据处理得到待测样本单次肢体运动的特征值，将该特征值代入至已知的堆叠式极限学习及的数学模型，进行逻辑运算，即可得到输出结果，其中，输出结果包括发育迟缓和发育正常2个大类，其中，由于待测样本的月龄数据可以根据出生证明显示的出生日期获得，也就是说，在本发明提供的婴儿发育情况预测方法中，待获取的数据仅为单次肢体运动数据，在这种情况下，可以通过运动传感器直接获得，因此，应用本发明提供的婴儿发育情况预测方法能够较为便捷地对婴儿发育状况进行预测，此外，在本发明提供的婴儿发育情况预测方法中，堆叠式极限学习及的数学模型在构建的过程中，可以涵盖所有月龄的婴儿，因此，即使待测样本的月龄较小，也可以通过该堆叠式极限学习及的数学模型得到相对准确的输出结果，因此，其能够为婴儿发育迟缓的早期干预提供可靠的依据。
参见附图3和附图5，堆叠式极限学习机的数学模型的构建方法包括以下步骤：
步骤201：获取训练样本的单次肢体运动数据及对应的月龄数据，其中，训练样本为已知发育状况的样本。
具体而言，此处是通过传感器获取训练样本的肢体运动数据。其中，肢体运动数据包括单次运动持续时间、单次运动平均加速度av、单次运动峰值加速度am、左腿运动类型SL、右腿运动类型SR。其中，单次运动持续时间ti是单次运动末时刻Ti1与单次运动始时刻Ti0的差值即Ti1-Ti0。其中，左腿运动类型SL、右腿运动类型SR可以应用文字描述的方式展示，例如，可以定性地描述踢腿、下蹲、行走、爬行、弯曲等，还可以给各运动类型定义一符号，例如踢腿＝Q1，下蹲＝Q2，行走＝Q3，爬行＝Q4，弯曲＝Q5，然后，以符号的方式进行描述。另外，由于婴幼儿在24个月内特别是12个月内时，肢体动作能力发展较为迅速，有时，即使仅相差数天，婴幼儿的肢体动作即可发生较大的变化，因此，月龄数据Y需要精确到天，例如，月龄数据可以为2m+1、8m+10等。
步骤202：针对训练样本的单次肢体运动数据进行数据处理，得到与月龄数据相对应的针对训练样本单次肢体运动的特征值。
具体而言，针对所述训练样本的单次肢体运动数据进行数据处理的方式可以包括单变量特征选择、递归特征选择、逐步特征选择等方式，所述针对所述待测样本的单次肢体运动数据进行数据处理，得到与月龄数据相对应的针对所述待测样本单次肢体运动的特征值具体包括：
单变量特征选择指的是通过基于一些单变量的统计度量方法选取到作为训练样本单次肢体运动的特征值Xj。此时，第一实施例可以为Xj＝{Ti1-Ti0，m}；第二实施例可以为Xj＝{av，Y}；第三实施例可以为Xj＝{am，Y}；第四实施例可以为Xj＝{XL，XR，Y}。或
递归特征选择指的是通过对上述各变量进行归一化数据处理，以得到的数据作为训练样本单次肢体运动的特征值Xj。例如，此时Xj＝{y1(Ti1-Ti0)+y2av+y3am，XL，XR，Y}，其中，y1为(Ti1-Ti0)的特征系数，y2为av的特征系数，y3为am的特征系数。本实施例中，采取的归一化数据处理方式是线性归一化数据处理，根据实际需要还可以针对上述(Ti1-Ti0)、av、am这三个特征中的某些进行乘方运算，从而增加其影响等级，还可以针对上述(Ti1-Ti0)、av、am这三个特征中的某些进行开方运算，从而降低影响等级。或
逐步特征选择指的是，第一次选取Xj＝{Ti1-Ti0，Y}，第二次选取Xj＝{av，Y}，第三次选取Xj＝{am，Y}，第四次选取Xj＝{XL，XR，Y}；然后，还可以第五次选取Xj＝{y1(Ti1-Ti0)+y2av+y3am，XL，XR，Y}。
步骤203：将与月龄数据相对应的针对训练样本单次肢体运动的特征值带入至逻辑运算公式：当训练样本为多个时，得到多个基于逻辑运算公式的表达式；
其中，
L-为单隐层神经网络的节点数，
g(x)-为激活函数，
wi＝[Wi1,wi2,...,win]T-为第i个隐层单元的输入权重，
bi-为第i个隐层单元的偏置，
βi＝[βi1,βi2,...,βim]T-为第i个隐层单元的输出权重，
oj-为针对训练样本，应用堆叠式极限学习机进行分类后的逻辑运算输出结果，其中，逻辑运算输出结果包括发育正常和发育迟缓2个大类。
此处需要说明的是，在训练样本的情形下，训练样本的发育情况是已知的，也就是说，在训练样本的情形下，oj是已知的。通常情况下，oj包括发育迟缓或者发育正常2个分类，
步骤204：根据多个基于逻辑运算公式的表达式，确定激活函数g(x)的表达式、第i个隐层单元的输入权重wi、第i个隐层单元的偏置bi以及第i个隐层单元的输出权重βi。
在这种情况下，在堆叠式极限学习完成后，得到一个只需要向堆叠式迹线学习机输入待测样本单次肢体运动的特征值Xj并确定单隐层神经网络的节点数L后，即可以输出oj的逻辑运算。也就是说，在这种情况下，只需要获取待测样本单次肢体运动的特征值Xj，即可判断出待测样本的发育状况。
步骤205：再将确定后的激活函数g(x)的表达式、第i个隐层单元的输入权重wi、第i个隐层单元的偏置bi以及第i个隐层单元的输出权重βi带回至逻辑运算公式，得到堆叠式极限学习机的数学模型。
具体而言，在这种情况下，可以得到堆叠式极限学习机的数学模型即
其中，
L-单隐层神经网络的节点数，
g(x)-激活函数，
wi＝[Wi1,wi2,...,win]T-第i个隐层单元的输入权重，
bi-第i个隐层单元的偏置，
βi＝[βi1,βi2,...,βim]T-第i个隐层单元的输出权重。
其中，针对待测样本而言，输出结果是未知的，可以根据已知的激活函数g(x)的表达式、第i个隐层单元的输入权重wi、第i个隐层单元的偏置bi以及第i个隐层单元的输出权重βi以及单隐层神经网络的节点数L，通过逻辑运算输出oj。
其中，单次肢体运动数据包括：单次肢体运动的始时刻Ti0、末时刻Ti1、平均加速度av、峰值加速度am、左腿运动类型SL、右腿运动类型SR。其中，单次运动持续时间ti是单次运动末时刻与单次运动始时刻Ti0的差值Ti1-Ti0。
此处需要解释的是，之所以选取这些指标作为单次肢体运动的数据，首先考虑到的是运动传感器数据的可获得性。然后，还要考虑数据与婴儿发育状况的关联性，其中平均加速度av、峰值加速度am、左腿运动类型SL、右腿运动类型SRz这几个指标能够表示婴儿的大运动能力，因此，将它们作为获取单次肢体运动特征值Xj的基础数据。其中，待测样本的单次肢体运动数据、训练样本的单次肢体运动数据是由同一运动传感器测得，或者，至少是有同一厂商生产的相同型号的传感器得的。之所以选用同一传感器至少是同一厂商生产的相同型号的传感器，是因为这样的选择能够降低由于传感器检测误差导致的判断误差的情况。
其中，针对待测样本的单次肢体运动数据进行数据处理，得到与月龄数据相对应的针对待测样本单次肢体运动的特征值的方法选自单变量特征选择、递归特征选择、逐步特征选择中的一种。其中：
单变量特征选择通过对单次肢体运动数据中的单一变量的统计度量方法，选取得到作为单次肢体运动的特征值。
具体而言，在这种情况下，由于选取的特征为单一变量，因此，计算效率高，但是，由于单一变量考虑的影响因子通常较少，因此，判断结果出现误差的可能性也相对较大。
递归特征选择通过对单次肢体运动数据中的各变量进行归一化数据处理，以得到的数据作为单次肢体运动的特征值。
具体而言，在这种情况下，由于递归特征选择综合考虑了单一变量，并且还通过引用特征系数的方式，考虑了各单一变量之间的关联，因此，能够减少判断结果出现误差的可能性。
逐步特征选择通过逐一选取单次肢体运动数据中的单一变量、对单次肢体运动数据中的各变量进行归一化数据处理得到的数据依次作为单次肢体运动的特征值。
具体而言，在这种情况下，结合了单一变量以及归一化变量进行综合判断，能够更进一步减少判断结果出现误差的可能性。
其中，在逻辑运算输出结果中，
根据堆叠式极限学习机的数学模型，对发育正常进行不同的分级；
根据堆叠式极限学习机的数学模型，对发育迟缓进行不同的分级。
具体而言，在一些需要具体细分的情况下，还可以分别针对发育迟缓和发育正常分类进行更加具体的分类，例如迟缓-1级，迟缓-2级，迟缓-3级，其中迟缓-1级的迟缓程度最轻，迟缓-3级的迟缓程度最重；正常-优，正常-良，正常-中等。具体而言，在上述点变量特征选择、递归特征选择、逐步特征选择的判断结果输出oj的基础上，还可以结合(Ti1-Ti0)、av、am这三个检测数据的取值以及XL，XR这两个数据的类别，对正常或者迟缓进一步进行分级，其中，当oj为正常时，(Ti1-Ti0)、av、am这三个数据数值越大，说明在发育正常的情况下越优秀，此时，还可以进一步针对(Ti1-Ti0)、av、am这三个数据设定优、良、中各自对应的阈值；XL，XR的类别越多，说明在发育正常的情况下越优秀，此时，还可以进一步针对XL，XR的类别设置优、良、中各自对应的阈值。当oj为迟缓时，(Ti1-Ti0)、av、am这三个数据数值越小，说明在发育迟缓的情况下越严重，此时，还可以进一步针对(Ti1-Ti0)、av、am这三个数据设定1级、2级、3级各自对应的阈值；XL，XR的类别越少，说明在发育迟缓的情况下越严重，此时，还可以进一步针对XL，XR的类别设置1级、2级、3级各自对应的阈值。
实施例二
参见附图4，本发明实施例二提供的婴儿发育情况预测装置包括：
数据获取单元301，用于获取待测样本的单次肢体运动数据及对应的月龄数据。
具体而言，此处是通过传感器获取待测样本的肢体运动数据。其中，肢体运动数据包括单次运动持续时间、单次运动平均加速度av、单次运动峰值加速度am、左腿运动类型SL、右腿运动类型SR。其中，单次运动持续时间ti是单次运动末时刻Ti1与单次运动始时刻Ti0的差值即Ti1-Ti0。其中，左腿运动类型SL、右腿运动类型SR可以应用文字描述的方式展示，例如，可以定性地描述踢腿、下蹲、行走、爬行、弯曲等，还可以给各运动类型定义一符号，例如踢腿＝Q1，下蹲＝Q2，行走＝Q3，爬行＝Q4，弯曲＝Q5，然后，以符号的方式进行描述。另外，由于婴幼儿在24个月内特别是12个月内时，肢体动作能力发展较为迅速，有时，即使仅相差数天，婴幼儿的肢体动作即可发生较大的变化，因此，月龄数据Y需要精确到天，例如，月龄数据可以为2m+1、8m+10等。
数据处理单元302，用于针对待测样本的单次肢体运动数据进行数据处理，得到与月龄数据相对应的针对待测样本单次肢体运动的特征值。
具体而言，针对所述待测样本的单次肢体运动数据进行数据处理的方式可以包括单变量特征选择、递归特征选择、逐步特征选择等方式，其中，
单变量特征选择指的是通过基于一些单变量的统计度量方法选取到作为待测样本单次肢体运动的特征值Xj。此时，第一实施例可以为Xj＝{Ti1-Ti0，m}；第二实施例可以为Xj＝{av，Y}；第三实施例可以为Xj＝{am，Y}；第四实施例可以为Xj＝{XL，XR，Y}；
递归特征选择指的是通过对上述各变量进行归一化数据处理，以得到的数据作为待测样本单次肢体运动的特征值Xj。例如，此时Xj＝{y1(Ti1-Ti0)+y2av+y3am，XL，XR，Y}，其中，y1为(Ti1-Ti0)的特征系数，y2为av的特征系数，y3为am的特征系数。本实施例中，采取的归一化数据处理方式是线性归一化数据处理，根据实际需要还可以针对上述(Ti1-Ti0)、av、am这三个特征中的某些进行乘方运算，从而增加其影响等级，还可以针对上述(Ti1-Ti0)、av、am这三个特征中的某些进行开方运算，从而降低影响等级。
逐步特征选择指的是，第一次选取Xj＝{Ti1-Ti0，Y}，第二次选取Xj＝{av，Y}，第三次选取Xj＝{am，Y}，第四次选取Xj＝{XL，XR，Y}；然后，还可以第五次选取Xj＝{y1(Ti1-Ti0)+y2av+y3am，XL，XR，Y}。
运算单元303，用于将预定次数的与待测样本相对应的处理后的肢体运动数据及对应的月龄数据带入至堆叠式极限学习机的数学模型，进行逻辑运算。
具体而言，将上述待测样本单次肢体运动的特征值Xj代入至堆叠式极限学习机的数学模型即
其中，
L-为单隐层神经网络的节点数，
g(x)-为激活函数，
wi＝[Wi1,wi2,...,win]T-为第i个隐层单元的输入权重，
bi-为第i个隐层单元的偏置，
βi＝[βi1,βi2,...,βim]T-为第i个隐层单元的输出权重。
在经过训练的堆叠式极限学习机的数学模型中，激活函数g(x)的表达式、所述第i个隐层单元的输入权重wi、所述第i个隐层单元的偏置bi以及所述第i个隐层单元的输出权重βi均为已知的，因此，通过上述逻辑运算，即可得到输出结果oj，其包括发育正常和发育迟缓2个大类。
预测结果输出单元304，用于以堆叠式极限学习机的逻辑运算的输出结果作为待测样本发育正常或者发育迟缓的依据，得到婴儿发育情况的预测结果。
此处需要说明的是，在同一时间段内，获取针对同一待测样本的运动数据的过程中，至少需要获取5-10组肢体运动数据才进行判断，其原因在于，若在获取待测样本的肢体运动数据时，获取的肢体运动数据的组数过少，则有可能由于待测样本由于偶然因素导致运动过于激烈或者运动过于缓慢而导致判断错误，但是，若在同一时间段内，至少获取5-10组肢体运动数据才进行判断时，则能够尽量减少由于偶然因素导致的判断错误。如若获取的肢体运动组数过多，则需要耗费较多的时间，对判断婴幼儿究竟是发育正常还是发育迟缓的意义也不大。若待测样本经过5-10组肢体运动数据判断的结果是发育迟缓，则可以再增加获取1-3倍的肢体运动组数获取数量，更多的肢体运动组数对确诊婴幼儿是否发育迟缓具有确诊的作用。
本发明实施例二提供的婴儿发育情况预测装置在堆叠式极限学习及的数学模型已知的情况下，获取待测样本的单次肢体运动数据及对应的月龄数据，即可通过数据处理得到待测样本单次肢体运动的特征值，将该特征值代入至已知的堆叠式极限学习及的数学模型，进行逻辑运算，即可得到输出结果，其中，输出结果包括发育迟缓和发育正常2个大类，其中，由于待测样本的月龄数据可以根据出生证明显示的出生日期获得，也就是说，在本发明提供的婴儿发育情况预测方法中，待获取的数据仅为单次肢体运动数据，在这种情况下，可以通过运动传感器直接获得，因此，应用本发明提供的婴儿发育情况预测方法能够较为便捷地对婴儿发育状况进行预测，此外，在本发明提供的婴儿发育情况预测方法中，堆叠式极限学习及的数学模型在构建的过程中，可以涵盖所有月龄的婴儿，因此，即使待测样本的月龄较小，也可以通过该堆叠式极限学习及的数学模型得到相对准确的输出结果，因此，其能够为婴儿发育迟缓的早期干预提供可靠的依据。
实施例三
本发明实施例三提供的存储介质上存储有婴儿发育情况预测程序，婴儿发育情况预测程序被处理器执行时实现本发明提供的婴儿发育情况预测方法的步骤。
本发明实施例三提供的存储介质在堆叠式极限学习及的数学模型已知的情况下，获取待测样本的单次肢体运动数据及对应的月龄数据，即可通过数据处理得到待测样本单次肢体运动的特征值，将该特征值代入至已知的堆叠式极限学习及的数学模型，进行逻辑运算，即可得到输出结果，其中，输出结果包括发育迟缓和发育正常2个大类，其中，由于待测样本的月龄数据可以根据出生证明显示的出生日期获得，也就是说，在本发明提供的婴儿发育情况预测方法中，待获取的数据仅为单次肢体运动数据，在这种情况下，可以通过运动传感器直接获得，因此，应用本发明提供的婴儿发育情况预测方法能够较为便捷地对婴儿发育状况进行预测，此外，在本发明提供的婴儿发育情况预测方法中，堆叠式极限学习及的数学模型在构建的过程中，可以涵盖所有月龄的婴儿，因此，即使待测样本的月龄较小，也可以通过该堆叠式极限学习及的数学模型得到相对准确的输出结果，因此，其能够为婴儿发育迟缓的早期干预提供可靠的依据。
实施例四
本发明实施例四提供的电子设备包括运动传感器、处理器、存储器及存储在存储器上并可在处理器上运行的婴儿发育情况预测程序，其中，
运动传感器，用于获取待测样本的单次肢体运动数据；
婴儿发育情况预测程序被处理器执行时实现本发明实施例一提供的婴儿发育情况预测方法的步骤。
本发明实施例四提供的电子设备在堆叠式极限学习及的数学模型已知的情况下，获取待测样本的单次肢体运动数据及对应的月龄数据，即可通过数据处理得到待测样本单次肢体运动的特征值，将该特征值代入至已知的堆叠式极限学习及的数学模型，进行逻辑运算，即可得到输出结果，其中，输出结果包括发育迟缓和发育正常2个大类，其中，由于待测样本的月龄数据可以根据出生证明显示的出生日期获得，也就是说，在本发明提供的婴儿发育情况预测方法中，待获取的数据仅为单次肢体运动数据，在这种情况下，可以通过运动传感器直接获得，因此，应用本发明提供的婴儿发育情况预测方法能够较为便捷地对婴儿发育状况进行预测，此外，在本发明提供的婴儿发育情况预测方法中，堆叠式极限学习及的数学模型在构建的过程中，可以涵盖所有月龄的婴儿，因此，即使待测样本的月龄较小，也可以通过该堆叠式极限学习及的数学模型得到相对准确的输出结果，因此，其能够为婴儿发育迟缓的早期干预提供可靠的依据。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种婴儿发育情况预测方法，其特征在于，包括以下步骤：
获取待测样本的单次肢体运动数据及对应的月龄数据；
针对所述待测样本的单次肢体运动数据进行数据处理，得到与月龄数据相对应的针对所述待测样本单次肢体运动的特征值；
将预定次数的与所述待测样本相对应的单次肢体运动的特征值及对应的月龄数据带入至堆叠式极限学习机的数学模型，进行逻辑运算；
以所述堆叠式极限学习机的逻辑运算的输出结果作为所述待测样本发育正常或者发育迟缓的依据，得到所述婴儿发育情况的预测结果。
2.根据权利要求1所述的婴儿发育情况预测方法，其特征在于，所述堆叠式极限学习机的数学模型的构建方法包括以下步骤：
获取训练样本的单次肢体运动数据及对应的月龄数据，其中，所述训练样本为已知发育状况的样本；
针对所述训练样本的单次肢体运动数据进行数据处理，得到与月龄数据相对应的针对所述训练样本单次肢体运动的特征值；
将所述与月龄数据相对应的针对所述训练样本单次肢体运动的特征值带入至逻辑运算公式：当所述训练样本为多个时，得到多个基于所述逻辑运算公式的表达式；
其中，
L为单隐层神经网络的节点数，
g(x)为激活函数，
wi＝[Wi1,wi2,...,win]T为第i个隐层单元的输入权重，
Bi为第i个隐层单元的偏置，
βi＝[βi1,βi2,...,βim]T为第i个隐层单元的输出权重，
Oj为针对训练样本，应用堆叠式极限学习机进行分类后的逻辑运算输出结果，其中，所述逻辑运算输出结果包括发育正常和发育迟缓2个大类；
根据所述多个基于所述逻辑运算公式的表达式，确定所述激活函数g(x)的表达式、所述第i个隐层单元的输入权重wi、所述第i个隐层单元的偏置bi以及所述第i个隐层单元的输出权重βi；
再将确定后的激活函数g(x)的表达式、所述第i个隐层单元的输入权重wi、所述第i个隐层单元的偏置bi以及所述第i个隐层单元的输出权重βi带回至所述逻辑运算公式，得到所述堆叠式极限学习机的数学模型。
3.根据权利要求1或2所述的婴儿发育情况预测方法，其特征在于，所述单次肢体运动数据包括：
单次肢体运动的始时刻Ti0、末时刻Ti1、平均加速度av、峰值加速度am、左腿运动类型SL、右腿运动类型SR；
其中，单次运动持续时间ti是单次运动末时刻与单次运动始时刻Ti0的差值Ti1-Ti0。
4.根据权利要求1或2所述的婴儿发育情况预测方法，其特征在于，针对所述待测样本的单次肢体运动数据进行数据处理，得到与月龄数据相对应的针对所述待测样本单次肢体运动的特征值的方法选自单变量特征选择、递归特征选择、逐步特征选择中的一种，所述针对所述待测样本的单次肢体运动数据进行数据处理，得到与月龄数据相对应的针对所述待测样本单次肢体运动的特征值具体包括：
所述单变量特征选择通过对所述单次肢体运动数据中的单一变量的统计度量方法，选取得到作为所述单次肢体运动的特征值；或
所述递归特征选择通过对所述单次肢体运动数据中的各变量进行归一化数据处理，以得到的数据作为所述单次肢体运动的特征值；或
所述逐步特征选择通过逐一选取所述单次肢体运动数据中的单一变量、对所述单次肢体运动数据中的各变量进行归一化数据处理得到的数据依次作为单次肢体运动的特征值。
5.根据权利要求2所述的婴儿发育情况预测方法，其特征在于，在所述逻辑运算输出结果中，
根据所述堆叠式极限学习机的数学模型，对发育正常进行不同的分级；
根据所述堆叠式极限学习机的数学模型，对发育迟缓进行不同的分级。
6.一种婴儿发育情况预测装置，其特征在于，包括：
数据获取单元，用于获取待测样本的单次肢体运动数据及对应的月龄数据；
数据处理单元，用于针对所述待测样本的单次肢体运动数据进行数据处理，得到与月龄数据相对应的针对所述待测样本单次肢体运动的特征值；
运算单元，用于将预定次数的与所述待测样本相对应的处理后的肢体运动数据及对应的月龄数据带入至堆叠式极限学习机的数学模型，进行逻辑运算；
预测结果输出单元，用于以所述堆叠式极限学习机的逻辑运算的输出结果作为所述待测样本发育正常或者发育迟缓的依据，得到所述婴儿发育情况的预测结果。
7.一种存储介质，其特征在于，所述存储介质上存储有婴儿发育情况预测程序，所述婴儿发育情况预测程序被处理器执行时实现权利要求1～5中任一所述的婴儿发育情况预测方法的步骤。
8.一种电子设备，其特征在于，包括运动传感器、处理器、存储器及存储在所述存储器上并可在所述处理器上运行的婴儿发育情况预测程序，其中，
所述运动传感器，用于获取待测样本的单次肢体运动数据；
所述婴儿发育情况预测程序被所述处理器执行时实现权利要求1～5中任一所述的婴儿发育情况预测方法的步骤。
CN201910346364.8A 2019-04-26 2019-04-26 婴儿发育情况预测方法、装置、存储介质及电子设备 Pending CN110236558A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910346364.8A CN110236558A (zh) 2019-04-26 2019-04-26 婴儿发育情况预测方法、装置、存储介质及电子设备
SG11202008420UA SG11202008420UA (en) 2019-04-26 2019-08-28 Machine learning based method and device for infant development prediction, storage medium, and electronic device
PCT/CN2019/103148 WO2020215566A1 (zh) 2019-04-26 2019-08-28 基于机器学习的婴儿发育情况预测方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910346364.8A CN110236558A (zh) 2019-04-26 2019-04-26 婴儿发育情况预测方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN110236558A true CN110236558A (zh) 2019-09-17

Family

ID=67883539

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910346364.8A Pending CN110236558A (zh) 2019-04-26 2019-04-26 婴儿发育情况预测方法、装置、存储介质及电子设备

Country Status (3)

Country Link
CN (1) CN110236558A (zh)
SG (1) SG11202008420UA (zh)
WO (1) WO2020215566A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114469072A (zh) * 2021-12-08 2022-05-13 四川大学华西第二医院 用摄像机自动预测婴儿心理发育的方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070016109A1 (en) * 2003-10-31 2007-01-18 Tokyo University Of Agriculture And Technology Tlo Infant movement analysis system and infant movement analysis method
US20120059283A1 (en) * 2010-08-26 2012-03-08 University Of California System for evaluating infant movement
US20140066780A1 (en) * 2010-08-26 2014-03-06 University Of California System for evaluating infant movement using gesture recognition
CN105310695A (zh) * 2015-11-03 2016-02-10 苏州景昱医疗器械有限公司 异动症评估设备
CN106388831A (zh) * 2016-11-04 2017-02-15 郑州航空工业管理学院 基于样本加权算法的检测摔倒动作的方法
CN107851356A (zh) * 2015-04-05 2018-03-27 斯米拉布莱斯有限公司 确定婴幼儿的姿势和运动的可穿戴婴幼儿监测装置和***
CN109009143A (zh) * 2018-07-12 2018-12-18 杭州电子科技大学 一种通过人体步态预测心电信息的方法
CN109620244A (zh) * 2018-12-07 2019-04-16 吉林大学 基于条件生成对抗网络和svm的婴儿异常行为检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2891327T3 (es) * 2012-08-25 2022-01-27 Owlet Baby Care Inc Monitor inalámbrico para salud infantil
US9848786B2 (en) * 2013-09-12 2017-12-26 Mattel, Inc. Infant monitoring system and methods
CN104765959A (zh) * 2015-03-30 2015-07-08 燕山大学 基于计算机视觉的婴儿全身运动评估方法
WO2016178772A1 (en) * 2015-04-05 2016-11-10 Smilables Inc. Remotely aggregating and analyzing measurement data from multiple infant monitoring systems
EP3335126A4 (en) * 2015-08-11 2019-05-01 Cognoa, Inc. METHODS AND APPARATUS FOR DETERMINING DEVELOPMENT EVOLUTION THROUGH ARTIFICIAL INTELLIGENCE AND USER INPUT

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070016109A1 (en) * 2003-10-31 2007-01-18 Tokyo University Of Agriculture And Technology Tlo Infant movement analysis system and infant movement analysis method
US20120059283A1 (en) * 2010-08-26 2012-03-08 University Of California System for evaluating infant movement
US20140066780A1 (en) * 2010-08-26 2014-03-06 University Of California System for evaluating infant movement using gesture recognition
CN107851356A (zh) * 2015-04-05 2018-03-27 斯米拉布莱斯有限公司 确定婴幼儿的姿势和运动的可穿戴婴幼儿监测装置和***
CN105310695A (zh) * 2015-11-03 2016-02-10 苏州景昱医疗器械有限公司 异动症评估设备
CN106388831A (zh) * 2016-11-04 2017-02-15 郑州航空工业管理学院 基于样本加权算法的检测摔倒动作的方法
CN109009143A (zh) * 2018-07-12 2018-12-18 杭州电子科技大学 一种通过人体步态预测心电信息的方法
CN109620244A (zh) * 2018-12-07 2019-04-16 吉林大学 基于条件生成对抗网络和svm的婴儿异常行为检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
DAVID GOODFELLOW 等: "《Predicting infant motor development status using day long movement data from wearable sensors》", 《ARXIV.ORG》 *
DAVID GOODFELLOW 等: "《Predicting infant motor development status using day long movement data from wearable sensors》", 《ARXIV.ORG》, 14 October 2018 (2018-10-14), pages 1 - 5 *
崔金铎: "《基于近红外光谱的堆叠极限学习机算法及其应用研究》", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
崔金铎: "《基于近红外光谱的堆叠极限学习机算法及其应用研究》", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 January 2019 (2019-01-15), pages 8 - 19 *
邵肖梅: "《胎儿和新生儿脑损伤 第2版》", 31 October 2017 *
马良: "《扭动运动阶段全身运动细化评估信度效度研究以及在高危儿随访中的应用》", 《中国博士学位论文全文数据库医药卫生科技辑》, 15 February 2019 (2019-02-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114469072A (zh) * 2021-12-08 2022-05-13 四川大学华西第二医院 用摄像机自动预测婴儿心理发育的方法
CN114469072B (zh) * 2021-12-08 2023-08-08 四川大学华西第二医院 用摄像机自动预测婴儿心理发育的方法

Also Published As

Publication number Publication date
SG11202008420UA (en) 2020-11-27
WO2020215566A1 (zh) 2020-10-29

Similar Documents

Publication Publication Date Title
Liu et al. A comprehensive active learning method for multiclass imbalanced data streams with concept drift
Minku et al. The impact of diversity on online ensemble learning in the presence of concept drift
Lu et al. Adaptive ensemble undersampling-boost: a novel learning framework for imbalanced data
Baraldi et al. Classifier-ensemble incremental-learning procedure for nuclear transient identification at different operational conditions
Liang et al. Multi-scale dynamic adaptive residual network for fault diagnosis
CN108090510A (zh) 一种基于间隔优化的集成学习方法及装置
CN107784312A (zh) 机器学习模型训练方法及装置
CN108228684A (zh) 聚类模型的训练方法、装置、电子设备和计算机存储介质
Zhao et al. A neural architecture search method based on gradient descent for remaining useful life estimation
Nagar Combining human and machine intelligence for making predictions
Waegeman et al. On the scalability of ordered multi-class ROC analysis
CN110236558A (zh) 婴儿发育情况预测方法、装置、存储介质及电子设备
Nouwou Mindom et al. A comparison of reinforcement learning frameworks for software testing tasks
US20210216845A1 (en) Synthetic clickstream testing using a neural network
CN106776757A (zh) 用户完成网银操作的指示方法及装置
CN116413587B (zh) 回退路径的选择方法和装置
CN114386688B (zh) 一种基于多数据融合的用户意图预测方法及***
CN111783930A (zh) 一种基于路径状态的神经网络测试充分性评估方法
Fontes et al. Automated support for unit test generation
Juselius Time to reject the privileging of economic theory over empirical evidence? A Reply to Lawson (2009)
Fontes et al. Automated support for unit test generation: a tutorial book chapter
US20230419104A1 (en) High dimensional dense tensor representation for log data
Zhang et al. An improved Conv-LSTM method for gear fault detection
EP4287198A1 (en) Method and system for determining which stage a user performance belongs to
CN116052907A (zh) 问诊方法、装置及电子设备

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