CN111466929B - 一种基于危险性级别判断的暴力精神障碍患者防范*** - Google Patents

一种基于危险性级别判断的暴力精神障碍患者防范*** Download PDF

Info

Publication number
CN111466929B
CN111466929B CN202010276117.8A CN202010276117A CN111466929B CN 111466929 B CN111466929 B CN 111466929B CN 202010276117 A CN202010276117 A CN 202010276117A CN 111466929 B CN111466929 B CN 111466929B
Authority
CN
China
Prior art keywords
patient
grade
computer
data
matrix
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
Application number
CN202010276117.8A
Other languages
English (en)
Other versions
CN111466929A (zh
Inventor
向静
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.)
Southwest University Of Political Science & Law
Original Assignee
Southwest University Of Political Science & Law
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 Southwest University Of Political Science & Law filed Critical Southwest University Of Political Science & Law
Priority to CN202010276117.8A priority Critical patent/CN111466929B/zh
Publication of CN111466929A publication Critical patent/CN111466929A/zh
Application granted granted Critical
Publication of CN111466929B publication Critical patent/CN111466929B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • 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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Neurology (AREA)
  • Cardiology (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Dentistry (AREA)
  • Neurosurgery (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提供一种基于危险性级别判断的暴力精神障碍患者防范***，包括计算机，可穿戴设备,智能门锁：所述计算机分别与可穿戴设备连接；所述计算机与智能门锁连接；所述计算机计算精神障碍患者最终危险状态系数；所述计算机判断当患者最终危险状态系数大于预设值时则向智能门锁发出锁闭信号。本发明的有益效果是：通过对患者生理信息和活动视频以及语音监控，自动获取患者精神障碍状态评估数据并发送至服务器，当患者独自在家且处于预设危险等级的不稳定状态时，及时关闭门锁，限定患者的移动范围，降低了精神障碍患者伤害他人的可能性。

Description

一种基于危险性级别判断的暴力精神障碍患者防范***
技术领域
本申请涉及信息技术领域，具体涉及一种基于危险性级别判断的暴力精神障碍患者防范系 统。
背景技术
《严重精神障碍管理治疗工作规范(2018年版)》公布的危险性评估标准较简单，只考虑了行为表现而忽略了多因素危险性，与病理性精神症状分离严重，只能用作简单分级方便 随访管理，无法对是否发病、病情轻重进行准确评估，大部分基层管控人员人手有限又身兼 数职，多靠电话随访，不能起到有效监管作用。
发明内容
为了解决通过精神障碍患者生理信号数据和行动影像数据对精神障碍患者精神状态进行 评估和预警的问题，本发明提供一种基于危险性级别判断的暴力精神障碍患者防范***，包 括计算机，可穿戴设备,智能门锁：
所述计算机分别与可穿戴设备连接；
所述计算机与智能门锁连接；
所述计算机计算精神障碍患者最终危险状态系数；
所述计算机判断当患者最终危险状态系数大于预设值时则向智能门锁发出锁闭信号。
进一步的，所述计算机执行以下步骤：
S1:通过患者佩戴的可穿戴设备和患者行动范围的安防监控设备获取患者的心跳数据，体 感姿势数据，语音数据，监控视频数据；
S2:依据所述心跳数据，所述语音数据，体感姿势数据，监控视频数据分析患者行为，自 动生成患者行为数据，并有患者行为数据获取患者危险等级数据；
S3：依据用户危险等级数据获取患者最终危险状态系数。
进一步的，
所述危险等级包括低危，中危，高危三个级别。
进一步的，
所述步骤S3包括以下步骤：
S31:依据以下规则确定等级分值：
等级低每项分值为1，
等级中每项分值为10，
等级高每项分值为100,
对目标列归类,
Y对应17X1的矩阵，对应第1～17特征，如果有相应的特征，则标记为1，否则标记0，则有
Figure BDA0002444848690000021
令最终的评分为Yfen，则有
Figure BDA0002444848690000031
如果Yfen＝0，则病人正常，不需要进行计算；
如果Yfen∈(0,10]，则病人对应的等级为低；
如果Yfen∈(10,100)，则病人对应的等级为中；
如果Yfen≥100，则病人对应的等级为高。
S321：根据S31步骤的设定，确定由低，中，高三种级别建立的对比矩阵分别为：
Figure BDA0002444848690000032
其中i＝1，2，3，4，5，6时，x1i＝1，其他x1i＝0。(i取值为1-17的整数)
Figure BDA0002444848690000033
其中i＝7，8，9，10，11时，x2i＝1，其他x2i＝0。(i取值为1-17的整数)
Figure BDA0002444848690000034
其中i＝12，13，14，15，16，17时，x3i＝1，其他x3i＝0。(i取值为1-17的整数)
S322:令：
Figure BDA0002444848690000035
时，xa1i＝1，其它xa1i＝0.(i取值为1-17的整数)
Figure BDA0002444848690000036
时，xa2i＝1，其它xa2i＝0.(i取值为1-17的整数)
Figure BDA0002444848690000037
时，xa3i＝1，其它xa3i＝0.(i取值为1-17的整数)
令
Figure BDA0002444848690000041
其中：
当病人等级为低时，令
Figure BDA0002444848690000042
进行灰色关联度计算；
当病人等级为中时，令X1＝X'zhong，令X01＝Xa1·Y、X02＝Xa2·Y，分别令X0＝X01和 X0＝X02带入X(1)＝[X0 X1]中进行灰色关联度计算，最终分别得到两个关联度系数r01和 r02；
当病人等级为高时，有X1＝X'gao
令X01＝Xa1·Y、X02＝Xa2·Y和X03＝Xa3·Y，分别令X0＝X01、X0＝X02和X0＝X03；带 入X(1)＝[X0 X1]中进行灰色关联度计算，最终分别得到三个关联度系数r01、r02和r03；
S323：计算灰色关联度步骤，包括，
S3231：
对：
Figure BDA0002444848690000043
逐行进行归一化，公式如下：
Figure BDA0002444848690000044
通过上述公式逐一计算出归一化后每一个新xij组成新矩阵X(2)，则：
Figure BDA0002444848690000051
S3232：对矩阵X(2)求差序列Δ、Δmax和Δmin
令：
Δ＝[Δi1],i＝1,…,17
Δij＝|xi0-xi1|,i＝1,…,17,j＝0,1
则：
Figure BDA0002444848690000052
Figure BDA0002444848690000053
S3233采用以下公式求灰色关联度系数矩阵ξ
ξ＝[ξi1],i＝1,…,17
Figure BDA0002444848690000054
其中，β为关联系数；
S3234：
令比较序列X和目标序列Y的灰色关联度为r，采用以下公式计算r
Figure BDA0002444848690000055
S324计算状态系数R，包括，
令W＝[w1 w2 w3]为权重矩阵，其中W1对应着患者低的权重系数、W2对应着患者中的 权重系数、W3对应着患者高等级的权重系数，分别表示低、中、高等级分量在患者心理疾病 中所占比重大小，这一系数由用户预先设定，并且w1 w2 w3满足w1+w2+w3＝1。
状态系数R计算公式如下：
Figure BDA0002444848690000061
当病人等级为低时，
R＝w1·r01
当病人等级为中时，
R＝w1·r01+w2·r02
当病人等级为高时，
R＝w1·r01+w2·r02+w3·r03。
本发明的有益效果是：通过对患者生理信息和活动视频以及语音监控，自动获取患者精神 障碍状态评估数据并发送至服务器，当患者独自在家且处于预设危险等级的不稳定状态时， 及时关闭门锁，限定患者的移动范围，降低了精神障碍患者伤害他人的可能性。
附图说明
图1为本发明流程图。
图2为本发明架构图。
具体实施方式
如图1所示本发明提供一种基于危险性级别判断的暴力精神障碍患者防范***，包括计算 机，可穿戴设备,智能门锁：
所述计算机分别与可穿戴设备连接；
所述计算机与智能门锁连接；
所述计算机计算精神障碍患者最终危险状态系数；
所述计算机判断当患者最终危险状态系数大于预设值时则向智能门锁发出锁闭信号。
智能门锁与计算机同时接入互联网，通过互联网传输数据。
智能门锁可以采用中国专利一种基于互联网的远程门锁控制***(申请号：CN201810357157.8)公开的技术方案。
进一步的，所述计算机执行以下步骤：
S1:通过患者佩戴的可穿戴设备和患者行动范围的安防监控设备获取患者的心跳数据，体 感姿势数据，语音数据，监控视频数据；
S2:依据所述心跳数据，所述语音数据，体感姿势数据，监控视频数据分析患者行为，自 动生成患者行为数据，并有患者行为数据获取患者危险等级数据；
S3：依据用户危险等级数据获取患者最终危险状态系数。
在本发明实施过程中，按下表将危险等级分为低危，中危，高危三个级别。
Figure BDA0002444848690000071
Figure BDA0002444848690000081
上述行为与症状表现通过计算机自动分析患者心跳数据，所述语音数据，体感姿势数据， 监控视频数据自动得出。
在本发明实施过程中，可穿戴设备可以是具有通信功能且具有心跳传感器、体感姿势传感 器的智能手表，智能手表检测用户的心跳数据、体感姿势数据并智能分析睡眠状况(深睡时 间、浅睡时间、起床次数)发送至计算机。智能手表带有麦克风，麦克风可获取患者的语音 数据，并将语音数据发送至计算机。在本发明一实施例中采用苹果智能手表,在本发明另一实 施例中，智能手表采用集成了麦克风的华为watchGT2。
患者的视频数据可以由患者所处环境中的监控设备获取，在本发明一实施例中，计算机与 安防监控设备连接，由患者居住小区的安防监控设备获取患者的视频数据。
体感数据可以通过智能手表内集成的加速度计和陀螺仪获取。
上述计算机通过视频数据和语音数据分析患者行为的技术方案均为公知技术。
下面对依据用户危险等级数据获取患者最终危险状态系数的过程进行具体说明。
第一步：确定分级
Step1:确定等级分值
等级 每项分值
低 1
中 10
高 100 
Step2：对目标列归类
Y对应17X1的矩阵，对应第1～17特征，如果有相应的特征，则标记为1，否则标记0，则有
Figure BDA0002444848690000091
令最终的评分为Yfen，则有
Figure BDA0002444848690000092
如果Yfen＝0，则病人正常，不需要进行计算；
如果Yfen∈(0,10]，则病人对应的等级为低；
如果Yfen∈(10,100)，则病人对应的等级为中；
如果Yfen≥100，则病人对应的等级为高。
第二步：确定不同等级内的严重程度评分
Step1：确定对比矩阵
根据以上设定，则有由低，中，高三种建立的对比矩阵分别为：
Figure BDA0002444848690000093
其中i＝1，2，3，4，5，6时，x1i＝1，其他x1i＝0。(i取值为1-17的整数)
Figure BDA0002444848690000094
其中i＝7，8，9，10，11时，x2i＝1，其他x2i＝0。(i取值为1-17的整数)
Figure BDA0002444848690000095
其中i＝12，13，14，15，16，17时，x3i＝1，其他x3i＝0。(i取值为1-17的整数)
Step2确定输入矩阵
令：
Figure BDA0002444848690000096
时，xa1i＝1，其它xa1i＝0.(i取值为1-17的整数)
Figure BDA0002444848690000101
时，xa2i＝1，其它xa2i＝0.(i取值为1-17的整数)
Figure BDA0002444848690000102
时，xa3i＝1，其它xa3i＝0.(i取值为1-17的整数)
令
Figure BDA0002444848690000103
其中：
当病人等级为低时，令
Figure BDA0002444848690000104
当病人等级为中时，令X1＝X'zhong
并且因为Y＝Xa1·Y+Xa2·Y
令X01＝Xa1·Y、X02＝Xa2·Y，分别令X0＝X01和X0＝X02带入X(1)＝[X0 X1]中进行灰色关联度计算，最终分别得到两个关联度系数r01和r02。
当病人等级为高时，有X1＝X'gao
并且因为Y＝Xa1·Y+Xa2·Y+Xa3·Y
令X01＝Xa1·Y、X02＝Xa2·Y和X03＝Xa3·Y，分别令X0＝X01、X0＝X02和X0＝X03；带 入X(1)＝[X0 X1]中进行灰色关联度计算，最终分别得到三个关联度系数r01、r02和r03。
从上式中得到，当病人等级为中时，r03＝0；当病人等级为低时，r03＝r02＝0。
那么对于一个精神病人，一定存在三个系数r01r02r03和病人的特征矩阵Rbingren，使Rbingren＝[r01 r02 r03]。
Step3：计算灰色关联度
Step3.1归一化
对：
Figure BDA0002444848690000111
逐行进行归一化，公式如下：
Figure BDA0002444848690000112
通过上述公式逐一计算出归一化后每一个新xij组成新矩阵X(2)，则：
Figure BDA0002444848690000113
Step3.2对矩阵X(2)求差序列Δ、Δmax和Δmin
令：
Δ＝[Δi1],i＝1,…,17
Δij＝|xi0-xi1|,i＝1,…,17,j＝0,1
则：
Figure BDA0002444848690000114
Figure BDA0002444848690000115
Step3.3求灰色关联度系数矩阵ξ
ξ＝[ξi1],i＝1,…,17
Figure BDA0002444848690000121
其中β为关联系数，没有特殊要求的情况下，一般取0.5即可。
Step3.4：计算灰色关联度r
令比较序列X和目标序列Y的灰色关联度为r，则有：
Figure BDA0002444848690000122
Step4计算状态系数R
Step3.4中得到的灰色关联度r反映了病人的特征与最严重的当前等级的关联度，为了 获得一个可以较为完整的反映病人状态的特征量，则需要对灰色关联度r进行进一步的处理。
令W＝[w1 w2 w3]为权重矩阵，其中w1 w2 w3分别对应着病人低、中、高等级的权 重系数，分别表示低、中、高等级分量在病人心理疾病中所占比重大小，这一系数一般由专 家评判给出。并且w1 w2 w3满足w1+w2+w3＝1。
由step2中得知，一个病人的特征矩阵Rbingren＝[r01 r02 r03]，其中r01 r02 r03分别对应 着在step2中得到的三个个关联度系数r01、r02和r03
则有R计算公式如下：
Figure BDA0002444848690000123
X'di表示矩阵Xdi的转置，X'zhong表示矩阵Xzhong的转置，X'gao表示矩阵Xgao的转置，W'表 示矩阵W的转置。
最终系数R即为不同等级下的严重程度分值，并且R是介于0和1之间的数值，当R越大，说明病人在当前等级下越严重。
并且有：
当病人等级为低时，
R＝w1·r01
当病人等级为中时，
R＝w1·r01+w2·r02
当病人等级为高时，
R＝w1·r01+w2·r02+w3·r03。
本发明通过预先设置的三个权重系数并计算三个关联度系数r01、r02和r03实现了更加精准 的精神障碍患者精神状态数值量化。
本发明的有益效果是：通过对患者生理信息和活动视频以及语音监控，自动获取患者精 神障碍状态评估数据并发送至服务器，当患者独自在家且处于预设危险等级的不稳定状态时， 及时关闭门锁，限定患者的移动范围，降低了精神障碍患者伤害他人的可能性。

Claims (1)

1.一种基于危险性级别判断的暴力精神障碍患者防范***，其特征在于，包括计算机，可穿戴设备,智能门锁：
所述计算机分别与可穿戴设备连接；
所述计算机与智能门锁连接；
所述计算机计算精神障碍患者最终危险状态系数；
所述计算机判断当患者最终危险状态系数大于预设值时则向智能门锁发出锁闭信号；
所述计算机执行以下步骤：
S1:通过患者佩戴的可穿戴设备和患者行动范围的安防监控设备获取患者的心跳数据，体感姿势数据，语音数据，监控视频数据；
S2:依据所述心跳数据，所述语音数据，体感姿势数据，监控视频数据分析患者行为，自动生成患者行为数据，并有患者行为数据获取患者危险等级数据；
S3：依据用户危险等级数据获取患者最终危险状态系数；
所述危险等级包括低危，中危，高危三个级别；
S31:依据以下规则确定等级分值：
等级低每项分值为1，
等级中每项分值为10，
等级高每项分值为100,
对目标列归类,
Y对应17X1的矩阵，对应第1～17特征，如果有相应的特征，则标记为1，否则标记0，则有
Figure FDA0004092226850000011
令最终的评分为Yfen，则有
Figure FDA0004092226850000012
如果Yfen＝0，则病人正常，不需要进行计算；
如果Yfen∈(0,10]，则病人对应的等级为低；
如果Yfen∈(10，100)，则病人对应的等级为中；
如果Yfen≥100，则病人对应的等级为高；
S321：根据S31步骤的设定，确定由低，中，高三种级别建立的对比矩阵分别为：
Figure FDA0004092226850000021
其中i＝1，2，3，4，5，6时，
Figure FDA0004092226850000022
其他
Figure FDA0004092226850000023
取值为1-17的整数；
Figure FDA0004092226850000024
其中i＝7，8，9，10，11时，
Figure FDA0004092226850000025
其他
Figure FDA0004092226850000026
取值为1-17的整数；
Figure FDA0004092226850000027
其中i＝12，13，14，15，16，17时，
Figure FDA0004092226850000028
其他
Figure FDA0004092226850000029
取值为1-17的整数；
S322:令：
Figure FDA00040922268500000210
i＝1，2，·…6时，xa1i＝1，其它xa1i＝0
Figure FDA00040922268500000211
i＝7，8，·…11时，xa2i＝1，其它xa2i＝0
Figure FDA00040922268500000212
i＝12，13，·…17时，xa3i＝1，其它xa3i＝0
i取值为1-17的整数；
令
Figure FDA00040922268500000213
其中：
当病人等级为低时，令
X1＝X'di，
Figure FDA0004092226850000031
进行灰色关联度计算，最终得到一个关联度系数r01；
当病人等级为中时，令X1＝X'zhong，令X01＝Xa1·Y、X02＝Xa2·Y，分别令X0＝X01和X0＝X02带入X(1)＝[X0 X1]中进行灰色关联度计算，最终分别得到两个关联度系数r01和r02；
当病人等级为高时，有X1＝X'gao
令X01＝Xa1·Y、X02＝Xa2·Y和X03＝Xa3·Y，分别令X0＝X01、X0＝X02和X0＝X03；带入X(1)＝[X0 X1]中进行灰色关联度计算，最终分别得到三个关联度系数r01、r02和r03；
X'di表示矩阵Xdi的转置，X'zhong表示矩阵Xzhong的转置，X'gao表示矩阵Xgao的转置；
S323：计算灰色关联度步骤，包括，
S3231：
对：
Figure FDA0004092226850000032
逐行进行归一化，公式如下：
Figure FDA0004092226850000033
通过上述公式逐一计算出归一化后每一个新xij组成新矩阵X(2)，则：
Figure FDA0004092226850000034
S3232：对矩阵X(2)求差序列Δ、Δmax和Δmin
令：
Δ＝[Δi1],i＝1,…,17
Δij＝|xi0-xi1|,i＝1,…,17,j＝0,1
则：
Figure FDA0004092226850000041
Figure FDA0004092226850000042
S3233采用以下公式求灰色关联度系数矩阵ξ
ξ＝[ξi1],i＝1,…,17
Figure FDA0004092226850000043
其中，β为关联系数；
S3234：
令比较序列X和目标序列Y的灰色关联度为r，采用以下公式计算r
Figure FDA0004092226850000044
S324计算状态系数R，包括，
令W＝[w1 w2 w3]为权重矩阵，其中w1对应着患者低的权重系数、w2对应着患者中的权重系数、w3对应着患者高等级的权重系数，分别表示低、中、高等级分量在患者心理疾病中所占比重大小，这一系数由用户预先设定，并且w1 w2 w3满足w1+w2+w3＝1；
状态系数R计算公式如下：
Figure FDA0004092226850000045
W'表示矩阵W的转置；
当病人等级为低时，
R＝w1·r01
当病人等级为中时，
R＝w1·r01+w2·r02
当病人等级为高时，
R＝w1·r01+w2·r02+w3·r03。
CN202010276117.8A 2020-04-09 2020-04-09 一种基于危险性级别判断的暴力精神障碍患者防范*** Active CN111466929B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010276117.8A CN111466929B (zh) 2020-04-09 2020-04-09 一种基于危险性级别判断的暴力精神障碍患者防范***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010276117.8A CN111466929B (zh) 2020-04-09 2020-04-09 一种基于危险性级别判断的暴力精神障碍患者防范***

Publications (2)

Publication Number Publication Date
CN111466929A CN111466929A (zh) 2020-07-31
CN111466929B true CN111466929B (zh) 2023-05-09

Family

ID=71751682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010276117.8A Active CN111466929B (zh) 2020-04-09 2020-04-09 一种基于危险性级别判断的暴力精神障碍患者防范***

Country Status (1)

Country Link
CN (1) CN111466929B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2599148A1 (en) * 2005-02-22 2006-08-31 Health-Smart Limited Methods and systems for physiological and psycho-physiological monitoring and uses thereof
CN107517375A (zh) * 2017-07-25 2017-12-26 天津大学 对立体深度运动引起的立体观看疲劳的评价分析方法
CN110189500A (zh) * 2019-06-21 2019-08-30 西南政法大学 一种基于蓝牙定位的智能远程精神障碍者危险性预警***
CN110522983A (zh) * 2018-05-23 2019-12-03 深圳先进技术研究院 基于人工智能的脑刺激***、方法、设备和存储介质
GB202000242D0 (en) * 2020-01-08 2020-02-19 Limbic Ltd Dynamic user response data collection system & method

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10244975B2 (en) * 2016-10-17 2019-04-02 Morehouse School Of Medicine Mental health assessment method and kiosk-based system for implementation
CN106539574A (zh) * 2017-01-03 2017-03-29 浙江物云科技有限公司 一种应急联动健康监测***及方法
CN108153161A (zh) * 2017-12-29 2018-06-12 北京数字天域科技有限责任公司 智能门锁控制智能家居的方法及装置
CN108986281A (zh) * 2018-07-20 2018-12-11 清华大学苏州汽车研究院（吴江） 基于人脸识别的家庭成员智能认证***
CN110200643A (zh) * 2019-06-21 2019-09-06 西南政法大学 一种远程智能精神障碍者危险性预警***
CN110634214B (zh) * 2019-09-18 2021-11-26 青岛海尔科技有限公司 物联网操作***的设备控制方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2599148A1 (en) * 2005-02-22 2006-08-31 Health-Smart Limited Methods and systems for physiological and psycho-physiological monitoring and uses thereof
CN107517375A (zh) * 2017-07-25 2017-12-26 天津大学 对立体深度运动引起的立体观看疲劳的评价分析方法
CN110522983A (zh) * 2018-05-23 2019-12-03 深圳先进技术研究院 基于人工智能的脑刺激***、方法、设备和存储介质
CN110189500A (zh) * 2019-06-21 2019-08-30 西南政法大学 一种基于蓝牙定位的智能远程精神障碍者危险性预警***
GB202000242D0 (en) * 2020-01-08 2020-02-19 Limbic Ltd Dynamic user response data collection system & method

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Ambulatory assessment in panic disorder and specific phobia;Alpers G W;《Psychological assessment》;全文 *
安全心理尺度的三角模糊数学表达方法研究;刘琛,等;《中国安全科学学报》;全文 *

Also Published As

Publication number Publication date
CN111466929A (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
Khandoker et al. Wavelet-based feature extraction for support vector machines for screening balance impairments in the elderly
CN112509696A (zh) 基于卷积自编码器高斯混合模型的健康数据检测方法
JP7316038B2 (ja) 事象予測システム、センサ信号処理システム及びプログラム
CN111481215B (zh) 一种基于危险性级别判断的精神障碍患者远程预警***
CN112906157A (zh) 一种主轴轴承健康状态评估及剩余寿命预测方法及装置
CN111466929B (zh) 一种基于危险性级别判断的暴力精神障碍患者防范***
CN114343585B (zh) 认知和行为障碍的预警方法、装置、设备及存储介质
CN110610761A (zh) 一种高血压辅诊方法和***
CN117423455A (zh) 一种基于数据分析的用户健康管理***及方法
CN117133464B (zh) 一种老年人健康智能监测***及监测方法
CN111481182B (zh) 一种精神障碍患者危险级别判断***
CN111466928B (zh) 一种基于危险性级别判断的精神障碍患者随身预警***
CN111481214B (zh) 一种精神障碍患者危险级别判断方法
CN111369763B (zh) 一种精神障碍患者攻击防范***
EP3222207A1 (en) System and method for non-intrusive detection and monitoring of parkinson's disease symptoms
KR102599132B1 (ko) 빅데이터 기반의 질환 발병 위험도 예측 시스템, 예측 방법, 및 프로그램
DeMasi et al. Detecting change in depressive symptoms from daily wellbeing questions, personality, and activity
CN114557690B (zh) 一种用于连续葡萄糖监测的校准***及方法
CN116245555A (zh) 一种基于大数据的用户信息收集分析***
Punarselvam A pragmatic approach of Parkinson disease detection using hybrid case-based reasoning neuro-fuzzy classification system over Mobile edge computing
CN114847949A (zh) 一种基于脑电特征及放松度指标的认知疲劳康复方法
CN115617604A (zh) 基于图像模式匹配的磁盘故障预测方法及***
Qian et al. Multivariate spatiotemporal functional principal component analysis for modeling hospitalization and mortality rates in the dialysis population
Qin et al. A time-frequency functional model for locally stationary time series data
Chawan et al. Person identification and tinetti score prediction using balance parameters: A machine learning approach to determine fall risk

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