CN111768863A - 一种基于人工智能的婴幼儿发展监测***及其方法 - Google Patents
一种基于人工智能的婴幼儿发展监测***及其方法 Download PDFInfo
- Publication number
- CN111768863A CN111768863A CN202010594585.XA CN202010594585A CN111768863A CN 111768863 A CN111768863 A CN 111768863A CN 202010594585 A CN202010594585 A CN 202010594585A CN 111768863 A CN111768863 A CN 111768863A
- Authority
- CN
- China
- Prior art keywords
- infant
- data
- development
- sleep
- motion
- 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 53
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 35
- 230000008131 children development Effects 0.000 title claims abstract description 25
- 230000033001 locomotion Effects 0.000 claims abstract description 61
- 238000011161 development Methods 0.000 claims abstract description 38
- 230000018109 developmental process Effects 0.000 claims abstract description 38
- 235000016709 nutrition Nutrition 0.000 claims abstract description 21
- 230000035764 nutrition Effects 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 235000005911 diet Nutrition 0.000 claims description 14
- 230000037213 diet Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 230000000241 respiratory effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000000386 athletic effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000010224 classification analysis Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 150000001720 carbohydrates Chemical class 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000003930 cognitive ability Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 102000004169 proteins and genes Human genes 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 229940088594 vitamin Drugs 0.000 claims description 3
- 229930003231 vitamin Natural products 0.000 claims description 3
- 235000013343 vitamin Nutrition 0.000 claims description 3
- 239000011782 vitamin Substances 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000003203 everyday effect Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 239000000463 material Substances 0.000 abstract description 2
- 230000000474 nursing effect Effects 0.000 abstract 1
- 238000012706 support-vector machine Methods 0.000 description 7
- 230000036541 health Effects 0.000 description 4
- 206010012559 Developmental delay Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 235000012041 food component Nutrition 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 235000019577 caloric intake Nutrition 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000005428 food component Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011165 process development Methods 0.000 description 1
- 230000036578 sleeping time Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Cardiology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Human Computer Interaction (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Pulmonology (AREA)
- Biophysics (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Heart & Thoracic Surgery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Nutrition Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于人工智能的婴幼儿发展监测***及其方法,该***包括发展评估模块、幼儿肢体运动能力识别模块、睡眠监测模块、营养检测模块、医嘱追踪模块;所述幼儿肢体运动能力识别模块,用于获取婴幼儿的运动图片或视频,通过自适应最小二乘法捕捉提取运动图片或视频中的特征点;通过线性预测、迭代调整,形成特征点的运动轨迹,将所述运动轨迹与标准运动图像中特征点的运动轨迹进行对比,观测两个轨迹的拟合程度;本发明通过将人工智能应用在婴幼儿运动捕捉中的图像识别、医嘱跟踪的智能提醒,以及对食物营养分析的神经网络分析方法,最终实现对孩子成长进行全面监测并给予个性化而专业的指导,减少人力物力的投入,降低养育成本。
Description
技术领域
本发明涉及婴幼儿成长监测技术领域,具体涉及一种基于人工智能的婴幼儿发展监测***及其方法。
背景技术
近年来,随着人工智能技术的进步,智能化已成为电子信息产业的发展趋势,越来越多的智能产品在生活领域涌现并进入家庭。而随着中国社会竞争的不断加剧,父母对子女健康和教育的要求也越来越高,“不让孩子输在起跑线”已成为中国父母的普遍共识,为此,父母从怀孕阶段就非常开始重视孩子的营养、健康、发育、教育等方面。
目前此领域还没有很好地将人工智能技术应用到基于人工智能的婴幼儿发展监测中。现有的基于人工智能的婴幼儿发展监测装置的缺点是在医疗资源已如此紧缺的情况下仍需要大量人力介入,使得婴幼儿养育成本高昂,且无法实现婴儿、幼儿、儿童全程发展监测及保健建议。
因此,行业内急需要设计一种可以充分利用人工智能来监测婴幼儿发展成长并给予个性化指导的装置或者方法。
发明内容
本发明的目的是为了克服以上现有技术存在的不足,提供了一种能监测婴幼儿发展成长并给予个性化指导的基于人工智能的婴幼儿发展监测***及其方法。
本发明的目的通过以下的技术方案实现:
一种基于人工智能的婴幼儿发展监测***,包括:发展评估模块、幼儿肢体运动能力识别模块、睡眠监测模块、营养检测模块、医嘱追踪模块;
所述发展评估模块,用于接收用户输入的孩子个人信息,根据孩子个人信息进行针对不同月龄的婴幼儿能力指标完成答题测试,根据用户的答题情况,结合蕴含不同深度学习结构的算法与数学模型,得到能力发展评分,根据评分进一步给出能力发展评估报告;
所述幼儿肢体运动能力识别模块,用于获取婴幼儿的运动图片或视频并基于人工智能技术加以识别,通过自适应最小二乘法捕捉提取运动图片或视频中的特征点;通过线性预测、迭代调整,形成特征点的运动轨迹,将所述运动轨迹与标准运动图像中特征点的运动轨迹进行对比,观测两个轨迹的拟合程度;
所述睡眠监测模块,用于获取幼儿的心率数据、呼吸数据,将心率数据、呼吸数据和对应年龄段的睡眠情况标准曲线进行拟合,判断幼儿的睡眠状态;
所述营养检测系模块,用于获取幼儿的食物图像,基于前期图像识别模型训练时所建立的食物图像数据库,以及利用基于卷积神经网络多层训练所得到的计算机视觉模型,将食物图像进行卷积处理,并将卷积后的结果再次与前期训练得到的食物图像识别模型进行拟合,运用分类器对所得特征进行分类处理,并将分类结果输出给用户,最终得到食物营养监测结果;
所述医嘱追踪模块,用于获取签约医院医生的医嘱、每日给予注意事项。
优选地,所述个人信息包括:年龄、身高、体重、病史;所述能力指标包括精细动作、粗大动作、社交能力、语言功能、认知能力。
优选地,所述幼儿肢体运动能力识别模块,还用于获取婴幼儿的运动图片或视频,通过自适应最小二乘法捕捉提取运动图片或视频中的肢体动作、行为举止;通过恢复丢失特征点的方法,对幼儿的动作数据进行捕捉和修复,通过线性预测、迭代调整方法,形成用户的特征点的运动轨迹,将所述运动轨迹与标准运动图像中特征点的运动轨迹进行对比,观测两个轨迹的拟合程度;其中拟合程度越高,则表明幼儿运动能力越优秀,对于拟合情况极差的数据给予重新拍摄的指导,对多次测试后仍表现不佳的用户推荐相应的训练课程。
优选地,通过婴幼儿睡眠检测枕头检测幼儿的睡眠数据,通过红外线睡眠检测仪进行心率监测,获取心率数据。
优选地,所述睡眠监测模块,还用于当判断出幼儿睡眠情况不安稳时,自动播放摇篮曲帮助安睡;判断出多次睡眠不安稳时,发出警报并向父母提供改进建议,若两个方案皆无法解决问题,把幼儿的睡眠数据传送给合作医院的签约医生,医生根据数据给予线上指导,仍不可解决问题时则可预约医院医生进行线下诊断。
优选地,所述营养检测系模块,还用于获取幼儿的食物图片,通过对食物图片进行视觉分析,采用图案识别技术判断图片中每个像素的深度,将特定食物的照片和数据库相连,判断出幼儿的食物,在识别出食物的基础上对食物进行营养分析,提供食物热量信息,告知用户食物中蛋白质、脂肪、碳水化合物、维生素及其他成分的含量;结合幼儿过往数据及基本情况,给予个性化饮食辅导。
一种基于人工智能的婴幼儿发展监测方法,包括:
S1、获取幼儿的身体数据;所述身体数据包括:身高数据、体重数据、与睡眠状况相关的数据、与饮食相关的数据、位置数据、与智力发展相关的数据;
S2、对所述身体数据进行处理;
S3、将所述身体数据与对应年龄对应指标的标准曲线拟合,判定身体数据是否在预设安全范围内,得出监控结果和对应的建议;将所述身体数据运用拉格朗日插值法***对应年龄对应指标的标准曲线,不断对标准曲线进行修正,最终获得该用户的生长曲线;将用户数据与生成的该用户生长曲线进行对比,并根据曲线数据给出相应预测;
S4、将监控结果、对应的建议和相应预测传送给用户终端。
优选地,所述标准曲线为预先根据前期数据集训练拟合出的不同年龄不同指标的曲线,所述标准曲线形成包括如下步骤:
预先获取婴幼儿生长发育数据,筛选能够评估婴幼儿生长发育的前沿医学指标,将获取的婴幼儿生长发育数据经过组合计算、通过前沿医学指标量化处理后,对数据进行筛选和拟合,得到年龄-身高发育标准曲线、年龄-体重发育标准曲线、年龄-睡眠量标准曲线。
优选地,若身体数据为与睡眠状况相关的数据,S3包括:服务器依据被监护人的年龄、身体状态以及与睡眠状况相关的数据,与对应年龄的身体状态睡眠量标准曲线进行对比,进而得到训练建议以及睡眠量范围。
优选地,骤S2包括:对所述身体数据进行清洗,删除空白数据以及对部分数据进行规划处理;使用SVM归类算法对身体数据进行分类分析。
本发明相对于现有技术具有如下优点:
本发明的基于人工智能的婴幼儿发展监测***包括:发展评估模块、幼儿肢体运动能力识别模块、睡眠监测模块、营养检测模块、医嘱追踪模块;人工智能主要应用在婴幼儿运动捕捉中的图像识别、医嘱跟踪的智能提醒,以及对食物营养分析的神经网络分析方法,最终实现对孩子成长进行全面监测并给予个性化而专业的指导,减少人力物力的投入,降低婴幼儿养育成本。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本实施例的基于人工智能的婴幼儿发展监测方法的示意流程图。
图2为本实施例的基于人工智能的捕捉与提取影像片段中人物动作的示意流程图。
图3为本实施例的基于深度学习的深度神经网络方法的食物图像分析的示意流程图。
图4为本实施例的成长测评的手机截图。
图5为本实施例的身高助手的手机截图。
图6为本实施例的成长状况问答的手机截图。
图7为本实施例的成长测评报告的手机截图。
图8为本实施例的营养助手的手机截图。
图9为本实施例的医嘱追踪的手机截图。
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。
参见图1、一种基于人工智能的婴幼儿发展监测方法,包括:
S1、基于人工智能技术及结合相关设备,获取幼儿的身体数据。
获取幼儿的身体数据;所述身体数据包括:身高数据、体重数据、与睡眠状况相关的数据、与饮食相关的数据、位置数据、与智力发展相关的数据;
S2、对所述身体数据进行处理;利用人工智能领域的深度学习方法,进行数据理解,去掉无关数据、选择适合的数据、合并数据、对数据做离散化等处理。具体地,步骤S2包括:对所述身体数据进行清洗,删除空白数据以及对部分数据进行规划处理;使用SVM归类算法对身体数据进行分类分析。进一步使用SVM归类算法对数据进行分类分析,具体分析步骤为:随机将健康数据与发育迟缓数据打散,用SVM分类出迟缓数据,对筛选出来的迟缓数据进行人工判定,在多次迭代中修正关键系数,提高模型辨别发育迟缓的准确率。
S3、前期将所述身体数据与对应年龄对应指标的标准曲线拟合,判定身体数据是否在预设安全范围内,得出监控结果和对应的建议;中期将所述身体数据运用拉格朗日插值法***对应年龄对应指标的标准曲线,不断对标准曲线进行修正,最终获得该用户的生长曲线;将用户数据与生成的该用户生长曲线进行对比,并根据曲线数据给出相应预测;
如图5所示,所述标准曲线为预先根据前期数据集训练拟合出的不同年龄不同指标的曲线,所述标准曲线形成包括如下步骤:预先获取婴幼儿生长发育数据,筛选能够评估婴幼儿生长发育的前沿医学指标,将获取的婴幼儿生长发育数据经过组合计算、通过前沿医学指标量化处理后,对数据进行筛选和拟合,得到年龄-身高发育标准曲线、年龄-体重发育标准曲线、年龄-睡眠量标准曲线。
比如,若身体数据为与睡眠状况相关的数据,S3包括:服务器依据被监护人的年龄、身体状态以及与睡眠状况相关的数据,与对应年龄的身体状态睡眠量标准曲线进行对比,进而得到训练建议以及睡眠量范围。
S4、将监控结果、对应的建议和相应预测传送给用户终端。步骤S3由服务器进行判定,服务器完成判定后将监控结果和对应的建议传送给安装有监控测评APP的用户终端,用户终端为智能手机、平板电脑、PC机或笔记本电脑中的一种。监护人(用户)也可以通过用户终端访问服务器查询监控数据,如图4、7、8所示。
一种基于上述基于人工智能的婴幼儿发展监测方法的基于人工智能的婴幼儿发展监测***,包括:发展评估模块、幼儿肢体运动能力识别模块、睡眠监测模块、营养检测模块、医嘱追踪模块;
如图6所示,所述发展评估模块,用于接收用户输入的孩子个人信息(年龄、身高、体重、病史),根据孩子个人信息进行针对不同月龄的婴幼儿能力指标(精细动作、粗大动作、社交能力、语言功能、认知能力)完成答题测试,根据用户的答题情况,再结合蕴含不同深度学习结构的算法与数学模型(例如:1.使用支持矢量机(sⅥM)算法进行训练,输出的因变量可判断病人是否发育迟缓。2.运用人工智能Random Forest算法构建不同的理论数学模型),并对所得结果进行算术综合,得到能力发展评分,根据评分进一步给出能力发展评估报告;
参见图2,所述幼儿肢体运动能力识别模块,用于获取婴幼儿的运动图片或视频,通过自适应最小二乘法捕捉提取运动图片或视频中的特征点;通过线性预测、迭代调整,形成特征点的运动轨迹,将所述运动轨迹与标准运动图像中特征点的运动轨迹进行对比,观测两个轨迹的拟合程度;本方法通过利用了深度卷积神经网络(CNN网络)可以自动学习的优势,可以从低级特征中迭代地提取更复杂和更高级的特征,从而更好地建立了计算机视觉模型。
具体地,所述幼儿肢体运动能力识别模块,还用于获取婴幼儿的运动图片或视频,通过自适应最小二乘法捕捉提取运动图片或视频中的肢体动作、行为举止;通过恢复丢失特征点的方法,对幼儿的动作数据进行捕捉和修复,通过线性预测、迭代调整方法,形成用户的特征点的运动轨迹,将所述运动轨迹与标准运动图像中特征点的运动轨迹进行对比,观测两个轨迹的拟合程度;其中拟合程度越高,则表明幼儿运动能力越优秀,对于拟合情况极差的数据给予重新拍摄的指导,对多次测试后仍表现不佳的用户推荐相应的训练课程。
所述睡眠监测模块,用于获取幼儿的心率数据、呼吸数据,将心率数据、呼吸数据和对应年龄段的睡眠情况标准曲线进行拟合,判断幼儿的睡眠状态;
在本实施例,通过婴幼儿睡眠检测枕头检测幼儿的睡眠数据,通过红外线睡眠检测仪进行心率监测,获取心率数据。所述睡眠监测模块,还用于当判断出幼儿睡眠情况不安稳时,自动播放摇篮曲帮助安睡;判断出多次睡眠不安稳时,发出警报并向父母提供改进建议,若两个方案皆无法解决问题,把幼儿的睡眠数据传送给合作医院的签约医生,医生根据数据给予线上指导,仍不可解决问题时则可预约医院医生进行线下诊断。
参见图3,所述营养检测系模块,用于获取幼儿的食物图像,基于前期图像识别模型训练时所建立的食物图像数据库,以及利用基于卷积神经网络多层训练所得到的计算机视觉模型,将食物图像进行卷积处理,并将卷积后的结果再次与前期训练得到的食物图像识别模型进行拟合,运用分类器对所得特征(如食物的种类、热量、营养成分等)进行分类处理,并将分类结果输出给用户,最终得到食物营养监测结果;其中,卷积神经网络(CNN网络)主要通过输入层、隐层和输出层的多层训练不断完善,提高识别命中率。输入层主要负责对用户输入的原始图像的裁剪、缩放与分割,对原始图像进行预处理。具体地,所述营养检测系模块,还用于获取幼儿的食物图片,通过对食物图片进行视觉分析,采用图案识别技术判断图片中每个像素的深度,将特定食物的照片和数据库相连,判断出幼儿的食物,在识别出食物的基础上对食物进行营养分析,提供食物热量信息,告知用户食物中蛋白质、脂肪、碳水化合物、维生素及其他成分的含量;结合幼儿过往数据及基本情况,给予个性化饮食辅导。
如图9,所述医嘱追踪模块,用于获取签约医院医生的医嘱、每日给予注意事项。
在本实施例,所述基于人工智能的婴幼儿发展监测***,还包括饮食模块,所述饮食模块,用于通过收集用户提供的食物图片数据构成训练集,运用SVM算法提取图片中的特征向量(如食物的量、食物成分等),根据特征向量对用户提供到终端的数据进行计算,根据计算结果将用户的饮食结构分为两类,一类是有益于婴幼儿健康发展的饮食结构,一类是不健康、不益于婴幼儿健康发展的饮食结构,在热量摄入、饮食建议上为用户定制适合宝宝年龄段、以及生长发育情况的方案。
在上述基于人工智能的婴幼儿发展监测***中,对实现生长发育监测功能所必需的身体数据进行区分,将数据分为可用监控终端直接获取的数据,以及不能直接获取的数据。可直接获取的数据(如年龄、身高、体重等)在向用户收集信息时选择直接收集,面对不能直接获取的数据(如运动能力、社交能力等),通过学习现有医学常用指标,进而开发智能数据采集算法,如对婴幼儿进行动作捕捉、语音分析等算法实现对数据的采集,在这个过程中充分将图像识别、语音识别等领域的先进论文算法化。
在本实施例,还进行上述各个模块的优化与检验:在模型趋于稳定时结束深度学习,此时对服务器给出的最终算法进行测试检验。输入一批医院最新的完整数据(年龄、身高、体重、睡眠量、饮食结构等),代入最终的拟合曲线交由服务器进行计算,输出用户的身体体征、运动能力等评测数据,以及对用户的睡眠时间、饮食结构给出的参考建议。将算法测试结果与医生判断结果比对,查看是否吻合,若不吻合,改进学习算法再次学习;若吻合,则对所得出算法嵌入app对部分用户进行内测。
在本实施例,还进行微信小程序及应用的开发:前期开发以apk为中心,安卓应用将运用以jdk为环境,android sdk和adt为工具,eclipse为编辑器来开发,中期将APK的UI进行美化和改进,后期以安卓为参考建立微信公众号以及在IOS平台上开发。
上述具体实施方式为本发明的优选实施例,并不能对本发明进行限定,其他的任何未背离本发明的技术方案而所做的改变或其它等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的婴幼儿发展监测***,其特征在于,包括:发展评估模块、幼儿肢体运动能力识别模块、睡眠监测模块、营养检测模块、医嘱追踪模块;
所述发展评估模块,用于接收用户输入的孩子个人信息,根据孩子个人信息进行针对不同月龄的婴幼儿能力指标完成答题测试,根据用户的答题情况,结合蕴含不同深度学习结构的算法与数学模型,得到能力发展评分,根据评分进一步给出能力发展评估报告;
所述幼儿肢体运动能力识别模块,用于获取婴幼儿的运动图片或视频并基于人工智能技术加以识别,通过自适应最小二乘法捕捉提取运动图片或视频中的特征点;通过线性预测、迭代调整,形成特征点的运动轨迹,将所述运动轨迹与标准运动图像中特征点的运动轨迹进行对比,观测两个轨迹的拟合程度;
所述睡眠监测模块,用于获取幼儿的心率数据、呼吸数据,将心率数据、呼吸数据和对应年龄段的睡眠情况标准曲线进行拟合,判断幼儿的睡眠状态;
所述营养检测系模块,用于获取幼儿的食物图像,基于前期图像识别模型训练时所建立的食物图像数据库,以及利用基于卷积神经网络多层训练所得到的计算机视觉模型,将食物图像进行卷积处理,并将卷积后的结果再次与前期训练得到的食物图像识别模型进行拟合,运用分类器对所得特征进行分类处理,并将分类结果输出给用户,最终得到食物营养监测结果;
所述医嘱追踪模块,用于获取签约医院医生的医嘱、每日给予注意事项。
2.根据权利要求1所述的基于人工智能的婴幼儿发展监测***及其方法,其特征在于,所述个人信息包括:年龄、身高、体重、病史;所述能力指标包括精细动作、粗大动作、社交能力、语言功能、认知能力。
3.根据权利要求1所述的基于人工智能的婴幼儿发展监测***及其方法,其特征在于,所述幼儿肢体运动能力识别模块,还用于获取婴幼儿的运动图片或视频,通过自适应最小二乘法捕捉提取运动图片或视频中的肢体动作、行为举止;通过恢复丢失特征点的方法,对幼儿的动作数据进行捕捉和修复,通过线性预测、迭代调整方法,形成用户的特征点的运动轨迹,将所述运动轨迹与标准运动图像中特征点的运动轨迹进行对比,观测两个轨迹的拟合程度;其中拟合程度越高,则表明幼儿运动能力越优秀,对于拟合情况极差的数据给予重新拍摄的指导,对多次测试后仍表现不佳的用户推荐相应的训练课程。
4.根据权利要求1所述的基于人工智能的婴幼儿发展监测***,其特征在于,通过婴幼儿睡眠检测枕头检测幼儿的睡眠数据,通过红外线睡眠检测仪进行心率监测,获取心率数据。
5.根据权利要求1所述的基于人工智能的婴幼儿发展监测***,其特征在于,所述睡眠监测模块,还用于当判断出幼儿睡眠情况不安稳时,自动播放摇篮曲帮助安睡;判断出多次睡眠不安稳时,发出警报并向父母提供改进建议,若两个方案皆无法解决问题,把幼儿的睡眠数据传送给合作医院的签约医生,医生根据数据给予线上指导,仍不可解决问题时则可预约医院医生进行线下诊断。
6.根据权利要求1所述的基于人工智能的婴幼儿发展监测***,其特征在于,所述营养检测系模块,还用于获取幼儿的食物图片,通过对食物图片进行视觉分析,采用图案识别技术判断图片中每个像素的深度,将特定食物的照片和数据库相连,判断出幼儿的食物,在识别出食物的基础上对食物进行营养分析,提供食物热量信息,告知用户食物中蛋白质、脂肪、碳水化合物、维生素及其他成分的含量;结合幼儿过往数据及基本情况,给予个性化饮食辅导。
7.一种基于人工智能的婴幼儿发展监测方法,其特征在于,包括:
S1、获取幼儿的身体数据;所述身体数据包括:身高数据、体重数据、与睡眠状况相关的数据、与饮食相关的数据、位置数据、与智力发展相关的数据;
S2、对所述身体数据进行处理;
S3、将所述身体数据与对应年龄对应指标的标准曲线拟合,判定身体数据是否在预设安全范围内,得出监控结果和对应的建议;将所述身体数据运用拉格朗日插值法***对应年龄对应指标的标准曲线,不断对标准曲线进行修正,最终获得该用户的生长曲线;将用户数据与生成的该用户生长曲线进行对比,并根据曲线数据给出相应预测;
S4、将监控结果、对应的建议和相应预测传送给用户终端。
8.根据权利要求7所述的基于人工智能的婴幼儿发展监测方法,其特征在于,所述标准曲线为预先根据前期数据集训练拟合出的不同年龄不同指标的曲线,所述标准曲线形成包括如下步骤:
预先获取婴幼儿生长发育数据,筛选能够评估婴幼儿生长发育的前沿医学指标,将获取的婴幼儿生长发育数据经过组合计算、通过前沿医学指标量化处理后,对数据进行筛选和拟合,得到年龄-身高发育标准曲线、年龄-体重发育标准曲线、年龄-睡眠量标准曲线。
9.根据权利要求8所述的基于人工智能的婴幼儿发展监测方法,其特征在于,若身体数据为与睡眠状况相关的数据,S3包括:服务器依据被监护人的年龄、身体状态以及与睡眠状况相关的数据,与对应年龄的身体状态睡眠量标准曲线进行对比,进而得到训练建议以及睡眠量范围。
10.根据权利要求7所述的基于人工智能的婴幼儿发展监测方法,其特征在于,步骤S2包括:
对所述身体数据进行清洗,删除空白数据以及对部分数据进行规划处理;使用SVM归类算法对身体数据进行分类分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010594585.XA CN111768863B (zh) | 2020-06-28 | 2020-06-28 | 一种基于人工智能的婴幼儿发展监测***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010594585.XA CN111768863B (zh) | 2020-06-28 | 2020-06-28 | 一种基于人工智能的婴幼儿发展监测***及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111768863A true CN111768863A (zh) | 2020-10-13 |
CN111768863B CN111768863B (zh) | 2024-02-02 |
Family
ID=72721914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010594585.XA Active CN111768863B (zh) | 2020-06-28 | 2020-06-28 | 一种基于人工智能的婴幼儿发展监测***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111768863B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700843A (zh) * | 2021-01-14 | 2021-04-23 | 徐磊 | 婴幼儿营养综合监测*** |
CN114098654A (zh) * | 2022-01-24 | 2022-03-01 | 南京信息工程大学 | 一种人体睡眠状态检测方法及装置 |
CN114387678A (zh) * | 2022-01-11 | 2022-04-22 | 凌云美嘉(西安)智能科技有限公司 | 利用非词语性身体符号评价语言阅读能力的方法及设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809472A (zh) * | 2015-05-04 | 2015-07-29 | 哈尔滨理工大学 | 一种基于svm的食物分类识别方法 |
CN106023244A (zh) * | 2016-04-13 | 2016-10-12 | 南京邮电大学 | 基于最小二乘法轨迹预测及智能避障模型的行人跟踪方法 |
CN106295158A (zh) * | 2016-08-04 | 2017-01-04 | 青岛歌尔声学科技有限公司 | 一种婴幼儿自动辅助管理***、管理方法和设备 |
CN106709525A (zh) * | 2017-01-05 | 2017-05-24 | 北京大学 | 一种相机测量食物营养成分方法 |
CN107358034A (zh) * | 2017-06-26 | 2017-11-17 | 怡璟科技(北京)有限公司 | 一种儿童健康的综合监控方法及*** |
CN107595248A (zh) * | 2017-08-31 | 2018-01-19 | 郭淳 | 一种检测和评价儿童生长发育状况的方法和*** |
CN109447140A (zh) * | 2018-10-19 | 2019-03-08 | 广州四十五度科技有限公司 | 一种基于神经网络深度学习的图像识别并推荐认知的方法 |
CN109636694A (zh) * | 2018-12-21 | 2019-04-16 | 广州智而康网络科技有限公司 | 一种幼儿健康数据管理的方法及*** |
CN110060777A (zh) * | 2019-03-29 | 2019-07-26 | 井红 | 一种儿童身体评价及营养早教指导***及方法 |
CN110741404A (zh) * | 2017-06-30 | 2020-01-31 | 尤妮佳股份有限公司 | 程序和儿童保育支持方法 |
-
2020
- 2020-06-28 CN CN202010594585.XA patent/CN111768863B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809472A (zh) * | 2015-05-04 | 2015-07-29 | 哈尔滨理工大学 | 一种基于svm的食物分类识别方法 |
CN106023244A (zh) * | 2016-04-13 | 2016-10-12 | 南京邮电大学 | 基于最小二乘法轨迹预测及智能避障模型的行人跟踪方法 |
CN106295158A (zh) * | 2016-08-04 | 2017-01-04 | 青岛歌尔声学科技有限公司 | 一种婴幼儿自动辅助管理***、管理方法和设备 |
CN106709525A (zh) * | 2017-01-05 | 2017-05-24 | 北京大学 | 一种相机测量食物营养成分方法 |
CN107358034A (zh) * | 2017-06-26 | 2017-11-17 | 怡璟科技(北京)有限公司 | 一种儿童健康的综合监控方法及*** |
CN110741404A (zh) * | 2017-06-30 | 2020-01-31 | 尤妮佳股份有限公司 | 程序和儿童保育支持方法 |
CN107595248A (zh) * | 2017-08-31 | 2018-01-19 | 郭淳 | 一种检测和评价儿童生长发育状况的方法和*** |
CN109447140A (zh) * | 2018-10-19 | 2019-03-08 | 广州四十五度科技有限公司 | 一种基于神经网络深度学习的图像识别并推荐认知的方法 |
CN109636694A (zh) * | 2018-12-21 | 2019-04-16 | 广州智而康网络科技有限公司 | 一种幼儿健康数据管理的方法及*** |
CN110060777A (zh) * | 2019-03-29 | 2019-07-26 | 井红 | 一种儿童身体评价及营养早教指导***及方法 |
Non-Patent Citations (1)
Title |
---|
叶亚等: "某社区1岁儿童营养过剩与睡眠时间的关系研究", 《中国医药指南》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700843A (zh) * | 2021-01-14 | 2021-04-23 | 徐磊 | 婴幼儿营养综合监测*** |
CN114387678A (zh) * | 2022-01-11 | 2022-04-22 | 凌云美嘉(西安)智能科技有限公司 | 利用非词语性身体符号评价语言阅读能力的方法及设备 |
CN114098654A (zh) * | 2022-01-24 | 2022-03-01 | 南京信息工程大学 | 一种人体睡眠状态检测方法及装置 |
CN114098654B (zh) * | 2022-01-24 | 2022-04-08 | 南京信息工程大学 | 一种人体睡眠状态检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111768863B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chambers et al. | Computer vision to automatically assess infant neuromotor risk | |
JP3224675U (ja) | 瞳孔反応、顔追跡、及び感情検出を使用した対話型・適応型学習、神経認知障害診断、並びに非追随性検出のシステム | |
KR102166010B1 (ko) | 얼굴인식을 이용한 인지장애 판단 방법 및 시스템 | |
CN111768863A (zh) | 一种基于人工智能的婴幼儿发展监测***及其方法 | |
CN108428202A (zh) | 一种用于交付和管理学习培训计划的方法和*** | |
WO2020010668A1 (zh) | 基于睡眠大数据的人体健康评估方法及评估*** | |
CN110135242B (zh) | 基于低分辨率红外热成像深度感知的情绪识别装置及方法 | |
CN105873515A (zh) | 用于经由眼跟踪来评估婴儿和儿童发育的方法 | |
CN112334989A (zh) | 用于表征婴幼儿粪便模式的方法和*** | |
CN110584601A (zh) | 一种老人认知功能监测和评估方法 | |
CN114999646B (zh) | 新生儿运动发育评估***、方法、装置及存储介质 | |
JP3954295B2 (ja) | 識別・反応計測方法、識別・反応計測プログラムを記録したコンピュータ読み取り可能な記録媒体及び識別・反応計測装置 | |
Roffo et al. | Automating the administration and analysis of psychiatric tests: The case of attachment in school age children | |
CN117064388A (zh) | 基于情绪识别实现精神障碍评估分析的*** | |
CN117133409A (zh) | 基于vr交互技术辅助儿童孤独症谱系障碍康复*** | |
CN113658697B (zh) | 一种基于视频注视差异的心理测评*** | |
Bethell et al. | A deep transfer learning model for head pose estimation in rhesus macaques during cognitive tasks: Towards a nonrestraint noninvasive 3Rs approach | |
US11995527B2 (en) | Apparatus, method and computer program for developing a behaviour tool to estimate a behaviour of a person | |
Tolu et al. | Perspective on investigation of neurodegenerative diseases with neurorobotics approaches | |
Wedyan | Augmented reality and novel virtual sample generation algorithm based autism diagnosis system | |
KR101878359B1 (ko) | 정보기술을 이용한 다중지능 검사 장치 및 방법 | |
Guo et al. | Upper limb motion recognition for unsupervised stroke rehabilitation based on Support Vector Machine | |
Maharaj et al. | Automated measurement of repetitive behavior using the Microsoft Kinect: a proof of concept | |
Shabbeer et al. | Detection of Parkinson's Disease and Its Severity Using Deep Learning | |
Jakubowski et al. | Application of imaging techniques to objectify the Finger Tapping test used in the diagnosis of Parkinson's disease |
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 |