CN111933283B - 一种健康监测方法及装置 - Google Patents
一种健康监测方法及装置 Download PDFInfo
- Publication number
- CN111933283B CN111933283B CN202010774229.6A CN202010774229A CN111933283B CN 111933283 B CN111933283 B CN 111933283B CN 202010774229 A CN202010774229 A CN 202010774229A CN 111933283 B CN111933283 B CN 111933283B
- Authority
- CN
- China
- Prior art keywords
- user
- health
- data
- health data
- group
- 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
Links
- 230000036541 health Effects 0.000 title claims abstract description 231
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012806 monitoring device Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 16
- 238000013135 deep learning Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000001364 causal effect Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 2
- 208000015181 infectious disease Diseases 0.000 abstract description 8
- 238000007619 statistical method Methods 0.000 abstract description 6
- 239000002699 waste material Substances 0.000 abstract description 6
- 230000036760 body temperature Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 12
- 230000036772 blood pressure Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000001815 facial effect Effects 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 7
- 241000700605 Viruses Species 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000008921 facial expression Effects 0.000 description 5
- 230000004630 mental health Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 206010020772 Hypertension Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 210000004709 eyebrow Anatomy 0.000 description 3
- 230000036449 good health Effects 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 201000009310 astigmatism Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000011010 flushing procedure Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 201000009240 nasopharyngitis Diseases 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- 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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明的实施例公开一种健康监测方法及装置，涉及医疗安全领域。能够解决在对人员的健康状况进行统计分析时，造成的医疗资源浪费以及检查人员可能存在的不可控的感染风险的问题。该方法包括：将获取的第一预设时间段的第一用户的至少一组健康数据输入至健康监测模型中，生成第一用户在第一预设时间段的健康状况数据；其中每组健康数据包括N个健康数据，N≤3，每个健康数据用于表示一种用户体征，用户体征用于表示用户的临床表现。本发明实施例应用于网络***。
Description
技术领域
本发明的实施例涉及医学安全领域，尤其涉及一种健康监测方法及装置。
背景技术
在疫情处理期间，人员的健康状况数据(如体温、心率等)主要是靠大量的检查人员现场采集并统计分析，耗费了大量的人力与物力，且在此过程中，检查人员与潜在的病毒感染者存在不可控的感染风险。
发明内容
本发明提供一种健康监测方法及装置，能够解决在对人员的健康状况进行统计分析时，造成的医疗资源浪费以及检查人员可能存在的不可控的感染风险的问题。
为达到上述目的，本发明采用如下技术方案：
第一方面，提供一种健康监测方法，该方法包括：将获取的第一预设时间段的第一用户的至少一组健康数据输入至健康监测模型中，生成第一用户在第一预设时间段的健康状况数据；其中每组健康数据包括N个健康数据，N≤3，每个健康数据用于表示一种用户体征，用户体征用于表示用户的临床表现。
基于上述方法，通过健康监测模型对用户输入的至少一组健康数据的分析，来获得用户的健康状况数据；以便解决由于传染性强的疾病在集中爆发的时候，需要大量的检查人员对用户进行健康状况数据的统计分析的问题，从而减少了医疗资源的浪费；并且，通过本申请这种端到端的解决方案，从根源上杜绝检查人员与潜在的病毒感染者的接触，降低检查人员的感染风险。
第二方面，提供一种健康监测装置，该装置包括：
获取单元，用于获取第一预设时间段的第一用户的至少一组健康数据；其中每组健康数据包括N个健康数据，N≤3，每个健康数据用于表示一种用户体征，用户体征用于表示用户的临床表现。
处理单元，用于将获取单元获取的至少一组健康数据输入至健康监测模型中，生成第一用户在第一预设时间段的健康状况数据。
可以理解地，上述提供的健康监测装置用于执行上文所提供的第一方面对应的方法，因此，其所能达到的有益效果可参考上文第一方面对应的方法以及下文具体实施方式中对应的方案的有益效果，此处不再赘述。
第三方面，提供了一种健康监测装置，该健康监测装置的结构中包括处理器，处理器用于执行程序指令，使得该健康监测装置执行第一方面的方法。
第四方面，提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序代码，当计算机程序代码在健康监测装置上运行时，使得该健康监测装置执行上述第一方面的方法。
第五方面，提供一种计算机程序产品，该计算机程序产品储存有上述计算机软件指令，当计算机软件指令在健康监测装置上运行时，使得该健康监测装置执行如上述第一方面的方法的程序。
附图说明
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种含多个隐含层的深度学习模型示意图；
图2为本发明实施例提供的一种健康监测***的结构示意图；
图3为本发明的实施例提供的一种数据传输***的结构示例图；
图4为本发明的实施例提供的一种通信装置的结构示意图；
图5为本发明实施例提供的一种健康监测方法的流程示意图；
图6为本发明实施例提供的一种健康监测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
需要说明的是，本发明实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
还需要说明的是，本发明实施例中，“的(英文：of)”，“相应的(英文：corresponding，relevant)”和“对应的(英文：corresponding)”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是一致的。
在本申请的实施例中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
为了更清楚的理解本申请实施例提供的一种健康监测方法，下面对本申请实施例涉及到的技术要素进行简单说明。
深度学习(deep learning，DL)
深度学习是机器学习(machine learning，ML)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(Artificial Intelligence，AI)。
深度学习是机器学习的一种，而机器学习是实现人工智能的必经路径。深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本等。
示例性的，如图1，提供了一种含多个隐含层的深度学习模型示意图，该深度学习模型包括输入层、隐含层以及输出层三层；信息从输入层经过隐含层的逐层变换，传输到输出层；其中，输入层包含四个节点，隐含层一共有5层，每层包含5个隐含节点；输出层包含一个输出节点；一个输入产生一个输出。在这种图中每一个节点表示一个基本的计算以及一个计算的值，计算的结果被应用到这个节点的子节点的值。输入节点没有父节点，输出节点没有子节点。
参照图2，本申请实施例提供一种健康监测***20，该***20包括数据采集设备201和健康监测装置202。示例性的，数据采集设备201可以是如图2所示的运动手环2012，或者是红外温度检测仪2011，或者是集成运动手环2012和红外温度监测仪2011的功能于一体的设备，也可以是手机软件(application，App)等，另外，需要说明的是，本申请涉及的用户的健康数据可以由多种不同功能的数据采集设备201共同采集获取，可根据健康数据的种类，确定具备相应功能的数据采集设备采集相关数据；本发明实施例不对数据采集设备201的具体功能、数量以及种类做任何限定。
如图3，本申请实施例提供一种数据传输***的结构示例图，包括用户设备、无线接入通信网络(radio access network，RAN)或者接入通信网络(access network，AN)(下文中将RAN和AN统称为(R)AN)、核心网(core network，CN)、防火墙以及互联网(internet)。具体的，无线接入通信网络包括基站、汇聚节点设备、MEC服务器；核心网包括移动管理实体(mobility management entity，MME)、服务网关(serving gate way，SGW)以及PDN网关(PDN gate way，PGW)，PDN为公用数据网(public data network)。需要说明的是，结合图1，本申请涉及健康监测装置202可以安装在MEC服务器中实现下述的健康监测方法，也可以是独立的设备，安装于MEC服务器与汇聚节点设备之间。因此，本申请对健康监测装置的设备形式不作任何限定。
这里，本发明实施例描述的***架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着网络架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
可选的，本申请实施例所提及的设备，例如数据采集设备、健康监测设备等，均可以由图4所示的通信装置40来实现。
如图4所示，该装置40包括至少一个处理器401，通信线路402，存储器403以及至少一个通信接口404。
处理器401可以是一个通用中央处理器(central processing unit，CPU)，微处理器，特定应用集成电路(application-specific integrated circuit，ASIC)，或一个或多个用于控制本申请方案程序执行的集成电路。
通信线路402可包括一通路，在上述组件之间传送信息。
通信接口404，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN)，无线局域网(wireless local areanetworks，WLAN)等。
存储器403可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory，EEPROM)、只读光盘(compact disc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过通信线路402与处理器相连接。存储器也可以和处理器集成在一起。
其中，存储器403用于存储执行本申请方案的计算机执行指令，并由处理器401来控制执行。处理器401用于执行存储器403中存储的计算机执行指令，从而实现本申请下述实施例提供的健康监测方法。
可选的，本申请实施例中的计算机执行指令也可以称之为应用程序代码，本申请实施例对此不作具体限定。
在具体实现中，作为一种实施例，处理器401可以包括一个或多个CPU，例如图4中的CPU0和CPU1。
在具体实现中，作为一种实施例，装置400可以包括多个处理器，例如图4中的处理器401和处理器407。这些处理器中的每一个可以是一个单核(single-CPU)处理器，也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
在具体实现中，作为一种实施例，装置400还可以包括输出设备405和输入设备406。输出设备405和处理器401通信，可以以多种方式来显示信息。例如，输出设备405可以是液晶显示器(liquid crystal display，LCD)，发光二级管(light emitting diode，LED)显示设备，阴极射线管(cathode ray tube，CRT)显示设备，或投影仪(projector)等。输入设备406和处理器401通信，可以以多种方式接收用户的输入。例如，输入设备406可以是鼠标、键盘、触摸屏设备或传感设备等。
下面结合图2、图3以及图4，对本申请实施例提供的健康监测方法进行具体阐述。以解决由于传染性强的疾病在集中爆发的时候，需要大量的检查人员对用户进行健康状况数据的统计分析，以及检查人员与潜在的病毒感染者存在不可控的感染风险的问题。
可选的，本申请下述实施例中各个消息名字或消息中各参数的名字等只是一个示例，具体实现中也可以是其他的名字，本申请实施例对此不作具体限定。
本申请所述方法的原理是：通过将需要监测的用户在预设时间段的健康数据输入至健康监测模型中，得到用户在该预设时间段的健康状况数据。另外，在此之前，首先对历史的健康数据进行清洗归类，再利用归一化算法以及深度学习算法的结合获取上述的健康监测模型。这样既能减少医疗资源的浪费，又能降低检查人员的感染风险。
如图5所示，本发明实施例提供的一种健康监测方法，具体包括如下步骤：
S501、获取第一预设时间段的第一用户的至少一组健康数据。
其中，每组健康数据包括N个健康数据，N≤3，每个健康数据用于表示一种用户体征，用户体征用于表示用户的临床表现。
示例性的，健康数据可以是但不限于以下的任意一项：心率、血压、体温、运动、面部特征的颜色、体重、身高以及面部表情等对应的数据。
S502、将至少一组健康数据输入至健康监测模型中，生成第一用户在第一预设时间段的健康状况数据。
进一步的，获取预设监测区域内所有用户在任一预设时间段的健康数据，输入至健康监测模型中，即可获取该预设监测区域内所有用户各自的健康状况数据。还可对所有用户的健康状况数据统计获取该预设监测区域内整体的健康状况数据。
示例性的，假设预设监测区域内有10个用户，将获取的该10个用户按照小时为单位，共一周的健康数据，输入至健康监测模型，该健康监测模型将分别输出10个用户各自的健康状态，以及10个用户整体的健康状态。如：用户1：亚健康-轻度高血压；用户2：健康情况良好-各项指标均显示正常；用户3：亚健康-有发热症状-最高一次出现在某年某月某日的上午某时某分；用户4：亚健康-体重偏高；用户5到用户10：健康情况良好-各项指标均显示正常；整体情况：该健康监测区域的总用户数为10人，80％的人处于亚健康情况，其中10％有高血压，10％的人怀疑有感冒症状，60％的人健康状况良好。
在一种实现方式中，上述的健康监测模型的生成方式可以包括：首先，获取第二预设时间段，至少一个第二用户中每个第二用户的至少一组健康数据；之后，对每个第二用户的每组健康数据进行语义标注；并生成标注后的每个第二用户的至少一组健康数据的对应的图像序列；最后，对图像序列进行深度学习，生成健康监测模型。
具体的，在该种实现方式中，通过获取远程电子设备采集的第二预设时间段内，至少一个第二用户的健康数据；之后，对至少一个第二用户的健康数据进行数据清洗，并根据预设逻辑关系进行分类，获取至少一个第二用户中每个第二用户的至少一组健康数据。
示例性的，远程电子设备对应的服务器可直接部署在如图3所示的MEC服务器端，健康数据获取后可直接上传到MEC服务器；远程电子设备包括但不限于以下的一项或多项：可穿戴设备和具有健康数据采集功能的手机App(如微信运动)等，其中，可穿戴设备和具有健康数据采集功能的手机APP可通过网络从第三方内容提供商服务器对应应用程序接口(application programming interface，API)获取。
其中，远程电子设备包括但不限于以下的一项或多项：人脸识别装置、红外探测装置、可穿戴设备及具有健康数据采集功能的手机APP(如微信运动)。
可选的，远程电子设备采集的健康数据以及用户身份信息可预先存储在数据库中，数据库主要包括两种功能：一是存储用户提前录入的身份认证所需数据；即对于健康监测面向用户的对象标定，存储需要的身份ID、面部特征、姓名、身份证号等身份信息，为后续的用户鉴权机制提供数据支撑；二是提供针对该身份信息的相关健康数据的新增录入、修改、删除、查询等基础功能，为用户鉴权机制和后续的健康数据采集、处理等提供涉及身份信息的基础服务。
进一步的，本申请除了可以应用于监测关于用户生理性的健康状况，还可以应用于监测日常的心理健康的判断；以用户ID区分，每个用户的健康数据可以暂分为心理健康数据和生理健康数据两个部分。例如，心理健康可以以面部表情作为判断依据，如五官舒展，表示该用户此时心情比较顺畅，心理健康的可能性就大；而若该用户长期眉头紧锁、嘴角向下，则心情较差的几率大，心理健康的可能性比较低；该部分的面部表情也可以共享用户数据库中存储用于用户鉴权方面的面部特征；通过将面部表情数值化，从而作为用户心理健康判断的依据。生理健康可以通过但不限于以下的一项或多项用户体征进行判定：心率、血压、体温、一段时间内的运动数据、身高/体重数据，以及面部特征的颜色；其中，由于，很多的病症会通过面部反应。比如，心脏病，嘴唇会发紫；肺不好，脸色潮红；身体健康的人，脸色红润，表示血气充盈；而身体不适的人脸色白皙，表示血气虚衰。一般来讲，健康人的脸色通常是微黄，显红润而有光泽；不健康的人常常表现出多种异常的脸色，如苍白、潮红、青紫、发黄、黑色等。将健康数据作为数据库的统计维度，将相应数值存储在对应的用户体征下，完成用户健康数据数据库的建库。后续根据需求再进行数据库的扩展和维护。
可选的，数据清洗主要是完成数据去重、数据格式统一，保留精确度、可信度高的数据。比如说，针对运动数据，可能来源于微信运动APP的运动数据，也可能来自于某一其他APP的数据，对运动数据进行单一来源去重，选择可信度高的数据源进行采集，即抛弃其他APP的运动数据。针对体温数据，运动手环和红外设备测量得到的体温单位可能有区别，提前设置已摄氏度为准，其他体温采集装置的数据进行单位转换后再进行存储。
当根据预设逻辑关系对健康数据进行分类时，预设逻辑关系可以是以下的任意一项：数学关系、因果关系、层递关系、主次关系、总分关系、并列关系等；比如，根据数学关系，心率、血压、体温可以分成一组；按照因果关系，人心情好时会笑，即表现出“眉开眼弯嘴上翘”的面部表情，因此可通过提取用户面部多个特征点，计算同一个用户眉距、眼白的宽度以及嘴角上扬的角度。本申请对预设逻辑关系不作任何限定。
可选的，根据上述预设逻辑关系的分组结果，将健康数据进行归一化后的数值对应标定在三维坐标系后，可将其中的一维坐标映射到另外一个二维坐标系中，第一个健康数据为x轴对应的数值，第2个健康数据为y轴对应的数值，第三个健康数据为对应(x,y)点的函数值。如心率、血压、体温为一组，按每分钟为一个时间单位进行取值，心率每分钟变化归一化值为x轴数值，血压每分钟变化归一化值为y轴数值，体温归一化后的为z轴的数值，选择将z轴的数值映射到x轴和y轴所在的二维坐标系中，映射后的数值即为(x,y)对应点的函数值。这样，每日统计数据汇总并投影为1幅图像，连续的一周、一个月……就构成了一个图像序列。这样将数值处理转化到图像处理，不仅有利于统计某一指标的变化情况，也有利于统计一段时间内某一个体的心理/生理健康情况以及整个用户群体的健康变化趋势。
示例性的，对将体温、血压、心率分为一组，这里设定血压仅包括高压，每小时采集用户A的体温、血压、心率，按照医学标准中规定的上述三种用户体征的健康区间，对每组健康数据进行语义标注；例如，假设，血压在正常情况下，映射到包括x轴和y轴的二维坐标系上的图像散点应分布在x轴的(100，120)范围内；心率在正常情况下，映射到包括x轴和y轴的二维坐标系上的图像散点应分布在y轴的(60，100)范围内；体温在正常情况下，映射到x轴和y轴的二维坐标系上的图像散点应分布在函数值为(36，37)范围内，即在(100，60，36)，(120，100，37)的范围内认为是正常的；若某一用户该组数据有某一个或少量分布在该范围以外，则认为轻微亚健康，并能够输出原因。如某人该组数据为(150，90，36.5)，则可以看出该用户可能有高血压；严重程度根据分布在该正常范围以外的散点数量占该映射图像中总散点数的比值决定。
另外，在上述实现方式中，生成标注后的每个第二用户的至少一组健康数据的对应的图像序列包括：对标注后的每个第二用户的每组健康数据中的每个健康数据分别进行归一化计算，生成每个健康数据的归一化值；之后，将每个健康数据的归一化值分别映射到坐标系中，生成每组健康数据对应的图像序列。
例如，同一用户的采集得到的健康数据共计A个子类别(一个子类别表示一种用户体征)，n个子类别分成一组，共计A/n个组(需保证A/n为整数)，即每个用户映射得A/n组图像序列。以A＝9，n＝3为例，即每个用户的健康数据分为3组，设定每24小时的数据构成一幅图像序列，则每个用户一周产生3*7＝21幅图像序列。
具体的，按照医学标准中规定的每种用户体征的健康区间标准对每个用户的图像序列进行语义标注。
另外，该方法还包括：响应于用户操作，对用户操作进行鉴权；其中，用户操作用于获取用户在第一预设时间段的健康状况数据；若鉴权通过，将用户的健康状况数据反馈至用户。
在一种实现方式中，鉴权方式包括：当用户进入到预设的健康检测区域，通过人脸识别等方法进行身份信息提取，上传到用户身份数据库指定位置，并与已录入用户身份数据库的信息进行比对；比对过程由如图3所示的MEC服务器提供处理能力；比对成功后，获得唯一确定的身份ID标识，将结果回传到用户端。
为了更好的理解，现以示例性的方式对本申请的健康监测方法进行说明。
每个用户设定每24小时的健康数据形成一个图像序列；共采集7天，则共可以获取A*7幅图像序列；将这A*7幅图像序列通过健康监测模型对用户输入的至少一组健康数据的分析，来获得用户的健康状况数据；以便解决由于传染性强的疾病在集中爆发的时候，需要大量的检查人员对用户进行健康状况数据的统计分析的问题，从而减少了医疗资源的浪费；并且，通过本申请这种端到端的解决方案，从根源上杜绝检查人员与潜在的病毒感染者的接触，降低检查人员的感染风险。
综上所述，本申请实施例通过健康监测模型对用户输入的至少一组健康数据的分析，来获得用户的健康状况数据；以便解决由于传染性强的疾病在集中爆发的时候，需要大量的检查人员对用户进行健康状况数据的统计分析的问题，从而减少了医疗资源的浪费；并且，通过本申请这种端到端的解决方案，从根源上杜绝检查人员与潜在的病毒感染者的接触，降低检查人员的感染风险。
本发明实施例可以根据上述方法实施例对健康监测装置202进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
如图6所示，为本发明实施例提供的一种健康监测装置202的结构示意图，该健康监测装置202具体包括：
获取单元601，用于获取第一预设时间段的第一用户的至少一组健康数据；其中每组健康数据包括N个健康数据，N≤3，每个健康数据用于表示一种用户体征，用户体征用于表示用户的临床表现。
处理单元602，用于将获取单元601获取的至少一组健康数据输入至健康监测模型中，生成第一用户在第一预设时间段的健康状况数据。
在一种示例性的方案中，获取单元601，获取第二预设时间段，至少一个第二用户中每个第二用户的至少一组健康数据。
处理单元602，用于对获取单元601获取的每个第二用户的每组健康数据进行语义标注。
处理单元602，还用于生成标注后的每个第二用户的至少一组健康数据的对应的图像序列。
处理单元602，还用于对图像序列进行深度学习，生成健康监测模型。
在一种示例性的方案中，处理单元602，具体用于对标注后的每个第二用户的每组健康数据中的每个健康数据分别进行归一化计算，生成每个健康数据的归一化值。
处理单元602，还用于将每个健康数据的归一化值分别映射到坐标系中，生成每组健康数据对应的图像序列。
在一种示例性的方案中，获取单元601，具体用于获取远程电子设备采集的第二预设时间段内，至少一个第二用户的健康数据。
处理单元602，用于对获取单元601获取的至少一个第二用户的健康数据进行数据清洗，并根据预设逻辑关系进行分类，获取至少一个第二用户中每个第二用户的至少一组健康数据。
在一种示例性的方案中，处理单元602，还用于按照医学标准中规定的每种用户体征的健康区间标准对每个用户的图像序列进行语义标注。
在一种示例性的方案中，处理单元602，还用于响应于用户操作，对用户操作进行鉴权；其中，用户操作用于获取用户在第一预设时间段的健康状况数据。
若处理单元602鉴权通过，反馈单元603，用于将用户的健康状况数据反馈至用户。
当然，本发明实施例提供的健康监测装置202包括但不限于上述模块，例如健康监测装置202还可以包括存储单元604。存储单元604可以用于存储该健康监测装置202的程序代码，还可以用于存储健康监测装置202在运行过程中生成的数据，如写请求中的数据等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何在本发明揭露的技术范围内的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种健康监测方法，其特征在于，包括：
获取第一预设时间段的第一用户的至少一组健康数据；其中每组健康数据包括N个健康数据，N≤3，每个健康数据用于表示一种用户体征，所述用户体征用于表示用户的临床表现；
将所述至少一组健康数据输入至健康监测模型中，生成所述第一用户在所述第一预设时间段的健康状况数据；
所述健康监测模型的生成方式，具体包括：
获取第二预设时间段，至少一个第二用户中每个第二用户的至少一组健康数据；
对每个第二用户的每组健康数据进行语义标注；
生成标注后的所述每个第二用户的所述至少一组健康数据的对应的图像序列；
对所述图像序列进行深度学习，生成所述健康监测模型；
所述获取第二预设时间段，至少一个第二用户中每个第二用户的至少一组健康数据，具体包括：
获取远程电子设备采集的第二预设时间段内，所述至少一个第二用户的健康数据；
对所述至少一个第二用户的健康数据进行数据清洗，并根据预设逻辑关系进行分类，获取所述至少一个第二用户中每个所述第二用户的所述至少一组健康数据；其中，所述预设逻辑关系为：数学关系、因果关系、层递关系、主次关系、总分关系、并列关系中的任意一项 ；
根据所述预设逻辑关系的分组结果，将健康数据进行归一化后的数值对应标定在三维坐标系；将其中的一维坐标映射到另外一个二维坐标系中，第一个健康数据为x轴对应的数值，第2个健康数据为y轴对应的数值，第三个健康数据为对应（x,y）点的函数值。
2.根据权利要求1所述的健康监测方法，其特征在于，所述生成标注后的所述每个第二用户的所述至少一组健康数据的对应的图像序列，具体包括：
对标注后的所述每个第二用户的每组健康数据中的每个健康数据分别进行归一化计算，生成所述每个健康数据的归一化值；
将所述每个健康数据的所述归一化值分别映射到坐标系中，生成所述每组健康数据对应的图像序列。
3.根据权利要求1或2所述的健康监测方法，其特征在于，所述对所述图像序列进行语义标注，具体包括：
按照医学标准中规定的每种用户体征的健康区间标准对所述每个用户的所述图像序列进行语义标注。
4.根据权利要求1所述的健康监测方法，其特征在于，所述方法还包括：
响应于用户操作，对所述用户操作进行鉴权；其中，所述用户操作用于获取用户在所述第一预设时间段的健康状况数据；
若鉴权通过，将所述用户的健康状况数据反馈至用户。
5.一种健康监测装置，其特征在于，包括：
获取单元，用于获取第一预设时间段的第一用户的至少一组健康数据；其中每组健康数据包括N个健康数据，N≤3，每个健康数据用于表示一种用户体征，所述用户体征用于表示用户的临床表现；
处理单元，用于将所述获取单元获取的所述至少一组健康数据输入至健康监测模型中，生成所述第一用户在所述第一预设时间段的健康状况数据；
所述获取单元，获取第二预设时间段，至少一个第二用户中每个第二用户的至少一组健康数据；
所述处理单元，用于对所述获取单元获取的每个第二用户的每组健康数据进行语义标注；
所述处理单元，还用于生成标注后的所述每个第二用户的所述至少一组健康数据的对应的图像序列；
所述处理单元，还用于对所述图像序列进行深度学习，生成所述健康监测模型；
所述处理单元，还用于对所述至少一个第二用户的健康数据进行数据清洗，并根据预设逻辑关系进行分类，获取所述至少一个第二用户中每个所述第二用户的所述至少一组健康数据；其中，所述预设逻辑关系为：数学关系、因果关系、层递关系、主次关系、总分关系、并列关系中的任意一项 ；
根据所述预设逻辑关系的分组结果，将健康数据进行归一化后的数值对应标定在三维坐标系；将其中的一维坐标映射到另外一个二维坐标系中，第一个健康数据为x轴对应的数值，第2个健康数据为y轴对应的数值，第三个健康数据为对应（x,y）点的函数值。
6.根据权利要求5所述的健康监测装置，其特征在于，包括：
所述处理单元，具体用于对标注后的所述每个第二用户的每组健康数据中的每个健康数据分别进行归一化计算，生成所述每个健康数据的归一化值；
所述处理单元，还用于将所述每个健康数据的所述归一化值分别映射到坐标系中，生成所述每组健康数据对应的图像序列。
7.根据权利要求5或6所述的健康监测装置，其特征在于，所述对所述图像序列进行语义标注，具体包括：
所述处理单元，还用于按照医学标准中规定的每种用户体征的健康区间标准对所述每个用户的所述图像序列进行语义标注。
8.根据权利要求5所述的健康监测装置，其特征在于，所述装置还包括：
所述处理单元，还用于响应于用户操作，对所述用户操作进行鉴权；其中，所述用户操作用于获取用户在所述第一预设时间段的健康状况数据；
若所述处理单元鉴权通过，反馈单元，用于将所述用户的健康状况数据反馈至用户。
9.一种健康监测装置，其特征在于，所述健康监测装置的结构中包括处理器，所述处理器用于执行程序指令，使得所述健康监测装置执行如权利要求1-4任一项所述的健康监测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序代码，当所述计算机程序代码在健康监测装置上运行时，使得所述健康监测装置执行如权利要求1-4任一项所述的健康监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010774229.6A CN111933283B (zh) | 2020-08-04 | 2020-08-04 | 一种健康监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010774229.6A CN111933283B (zh) | 2020-08-04 | 2020-08-04 | 一种健康监测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111933283A CN111933283A (zh) | 2020-11-13 |
| CN111933283B true CN111933283B (zh) | 2024-02-09 |
Family
ID=73307667
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010774229.6A Active CN111933283B (zh) | 2020-08-04 | 2020-08-04 | 一种健康监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111933283B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113837396B (zh) * | 2021-09-26 | 2023-08-04 | 中国联合网络通信集团有限公司 | 基于b-m2m的设备模仿学习方法、mec及存储介质 |
| CN114300134A (zh) * | 2021-12-14 | 2022-04-08 | 中南大学 | 用户健康情况的检测方法、装置、终端及可读存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017113134A1 (zh) * | 2015-12-29 | 2017-07-06 | 深圳市鼎芯无限科技有限公司 | 医疗数据监测的方法及装置 |
| WO2018076619A1 (zh) * | 2016-10-29 | 2018-05-03 | 深圳市前海安测信息技术有限公司 | 基于物联网的健康状况评估***及方法 |
| CN109390056A (zh) * | 2018-11-05 | 2019-02-26 | 平安科技（深圳）有限公司 | 健康预测方法、装置、终端设备及计算机可读存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180113987A1 (en) * | 2016-10-20 | 2018-04-26 | Jiping Zhu | Method and system for quantitative classification of health conditions via wearable device and application thereof |
-
2020
- 2020-08-04 CN CN202010774229.6A patent/CN111933283B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017113134A1 (zh) * | 2015-12-29 | 2017-07-06 | 深圳市鼎芯无限科技有限公司 | 医疗数据监测的方法及装置 |
| WO2018076619A1 (zh) * | 2016-10-29 | 2018-05-03 | 深圳市前海安测信息技术有限公司 | 基于物联网的健康状况评估***及方法 |
| CN109390056A (zh) * | 2018-11-05 | 2019-02-26 | 平安科技（深圳）有限公司 | 健康预测方法、装置、终端设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111933283A (zh) | 2020-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kalid et al. | Based real time remote health monitoring systems: A review on patients prioritization and related" big data" using body sensors information and communication technology | |
| US20160004827A1 (en) | Geographic utilization of artificial intelligence in real-time for disease identification and alert notification | |
| CN111933283B (zh) | 一种健康监测方法及装置 | |
| Islam et al. | An integrated scalable framework for cloud and iot based green healthcare system | |
| Zhao et al. | Defining the concepts of a smart nursing home and its potential technology utilities that integrate medical services and are acceptable to stakeholders: a scoping review | |
| CN111723277A (zh) | 影像结构化报告云端需求分类***及其方法 | |
| Rafe et al. | Designing an architectural style for pervasive healthcare systems | |
| Said et al. | Development of Data Mining Framework Cardiovascular Disease Prediction | |
| Adeniji et al. | An improved bagging ensemble in predicting mental disorder using hybridized random forest-artificial neural network model | |
| Abd Algani et al. | Autonomous service for managing real time notification in detection of COVID-19 virus | |
| CN113688205A (zh) | 一种基于深度学习的疾病检测方法 | |
| Li et al. | A proposed framework for machine learning-aided triage in public specialty ophthalmology clinics in Hong Kong | |
| Ujager et al. | A context-aware accurate wellness determination (CAAWD) model for elderly people using lazy associative classification | |
| CN116543917A (zh) | 一种针对异构时间序列数据的信息挖掘方法 | |
| Hadjadj et al. | Improving health disabled people through smart wheelchair based on fuzzy ontology | |
| Surantha et al. | High-performance and resource-efficient IoT-based sleep monitoring system | |
| De Lauretis et al. | How to leverage intelligent agents and complex event processing to improve patient monitoring | |
| Mano et al. | ENLACE: A Combination of Layer‐Based Architecture and Wireless Communication for Emotion Monitoring in Healthcare | |
| Lu | A knowledge-driven decision support system for remote medical management | |
| Dobre et al. | Parameters weighting in elderly monitoring based on multi-criteria methods | |
| Zeng et al. | Distributed representation of patients and its use for medical cost prediction | |
| Baig et al. | Multiple physical signs detection and decision support system for hospitalized older adults | |
| Rajaraajeswari et al. | Fuzzy logic for decision-enablement: a novel context-awareness framework for smarter environments | |
| Costantini et al. | An intelligent ecosystem to improve patient monitoring using wearables and artificial intelligence | |
| US20240086771A1 (en) | Machine learning to generate service recommendations |
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 |