CN115660569A - 居家养老智慧管理平台及其方法 - Google Patents
居家养老智慧管理平台及其方法 Download PDFInfo
- Publication number
- CN115660569A CN115660569A CN202211088598.5A CN202211088598A CN115660569A CN 115660569 A CN115660569 A CN 115660569A CN 202211088598 A CN202211088598 A CN 202211088598A CN 115660569 A CN115660569 A CN 115660569A
- Authority
- CN
- China
- Prior art keywords
- feature
- heart rate
- blood pressure
- classification
- scale
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 183
- 230000036772 blood pressure Effects 0.000 claims abstract description 148
- 239000011159 matrix material Substances 0.000 claims abstract description 55
- 238000012544 monitoring process Methods 0.000 claims abstract description 39
- 238000010586 diagram Methods 0.000 claims abstract description 33
- 230000008447 perception Effects 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims description 52
- 238000007726 management method Methods 0.000 claims description 52
- 239000008280 blood Substances 0.000 claims description 42
- 230000002776 aggregation Effects 0.000 claims description 30
- 238000004220 aggregation Methods 0.000 claims description 30
- 238000013527 convolutional neural network Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000036541 health Effects 0.000 abstract description 11
- 239000000284 extract Substances 0.000 abstract description 6
- 230000007423 decrease Effects 0.000 abstract description 4
- 238000006116 polymerization reaction Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 206010020772 Hypertension Diseases 0.000 description 4
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及智能监测领域，其具体地公开了一种居家养老智慧管理平台及其方法，其通过基于老人的心率值和血压值的多尺度邻域特征来提取出不同时间周期内的动态关联特征，并且在构建两者的关联特征矩阵进行分类时，进一步对所述分类特征图进行相位感知的按位置聚合，从而以多层感知的形式来补偿对于向量进行无位置属性的实值分类任务时可能导致的分类准确性下降问题，提高了对于老人身体状态监测的准确性，最后，得到用于表示是否产生预警提示信号至所述被监测老年人的家人的分类结果，进而保障独居老人的生命和健康。
Description
技术领域
本申请涉及智能监测领域，且更为具体地，涉及一种居家养老智慧管理平台及其方法。
背景技术
随着我国经济的迅速发展，社会老龄化程度日益加深，空巢老人越来越多，已经成为一个不容忽视的社会问题，当子女由于工作，学习，结婚等原因离家后，独守的老人其心里和生理均得不到关注，从而产生一系列问题。很多新闻报道，空巢老人由于突发高血压或心脏病猝死家中，而子女却不知晓，就是因为子女无法实时知道老人的身体状况，因为子女时间也比较少，不可能天天陪伴在侧，实时掌握老人身体状况，才导致了这种情况的出现，由于缺少子女或医护人员现场监护，独居家中的老人容易因跌倒得不到及时发现和救治。
随着云计算、大数据、物联网等技术的快速发展，以数据技术为支撑的智能化生活也开始融入人们的日常生活。因此，期待一种居家养老智能管理方案，其能够对独居家中的老人的身体状态进行实时监控并在监测到身体状况异常时产生预警提示。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种居家养老智慧管理平台及其方法，其通过基于老人的心率值和血压值的多尺度邻域特征来提取出不同时间周期内的动态关联特征，并且在构建两者的关联特征矩阵进行分类时，进一步对所述分类特征图进行相位感知的按位置聚合，从而以多层感知的形式来补偿对于向量进行无位置属性的实值分类任务时可能导致的分类准确性下降问题，提高了对于老人身体状态监测的准确性，最后，得到用于表示是否产生预警提示信号至所述被监测老年人的家人的分类结果，进而保障独居老人的生命和健康。
根据本申请的一个方面，提供了一种居家养老智慧管理平台，其包括：
监测数据采集模块，用于获取由被佩戴于被监测老年人的智能手环采集的所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值；
监测数据时序特征提取模块，用于将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域心率特征向量和多尺度邻域血压特征向量；
关联模块，用于对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到心率-血压关联特征矩阵；
关联特征提取模块，用于将所述心率-血压关联特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图；
特征分布校正模块，用于对所述分类特征图进行相位感知的按位置聚合以得到校正后分类特征图，其中，所述相位感知的按位置聚合基于所述分类特征图中所有位置的特征值集合的全局均值的倒数来进行；以及
预警模块，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否产生预警提示信号至所述被监测老年人的家人。
在上述居家养老智慧管理平台中，所述监测数据时序特征提取模块，包括：第一尺度时序特征提取单元，用于将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度心率特征向量和第一尺度血压特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度时序特征提取单元，用于将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度心率特征向量和第二尺度血压特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度时序特征级联单元，用于将所述第一尺度心率特征向量和第一尺度血压特征向量与第二尺度心率特征向量和第二尺度血压特征向量分别进行级联以得到所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量。
在上述居家养老智慧管理平台中，所述关联模块，进一步用于：以如下公式对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到所述心率-血压关联特征矩阵；
其中，所述公式为：
其中
表示向量相乘，V1表示所述多尺度邻域心率特征向量，
表示所述多尺度邻域心率特征向量的转置向量，V2表示所述多尺度邻域血压特征向量，M表示所述心率-血压关联特征矩阵。
在上述居家养老智慧管理平台中，所述关联特征提取模块，进一步用于：使用所述作为特征提取器的卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述分类特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述心率-血压关联特征矩阵。
在上述居家养老智慧管理平台中，所述特征分布校正模块，进一步用于：以如下公式对所述分类特征图进行相位感知的按位置聚合以得到所述校正后分类特征图；
其中，所述公式为：
其中F表示所述分类特征图，
表示所述分类特征图的全局均值的倒数，F′表示所述校正后分类特征图，⊙表示按位置点乘。
在上述居家养老智慧管理平台中，所述预警模块，进一步用于：使用所述分类器以如下公式对所述校正后分类特征图进行处理以生成所述分类结果，其中，所述公式为：
softmax{(Wn，Bn)：...：(W1，B1)|Project(F)}，其中Project(F)表示将所述校正后分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
根据本申请的另一方面，提供了一种居家养老智慧管理方法，其包括：
获取由被佩戴于被监测老年人的智能手环采集的所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值；
将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域心率特征向量和多尺度邻域血压特征向量；
对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到心率-血压关联特征矩阵；
将所述心率-血压关联特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图；
对所述分类特征图进行相位感知的按位置聚合以得到校正后分类特征图，其中，所述相位感知的按位置聚合基于所述分类特征图中所有位置的特征值集合的全局均值的倒数来进行；以及
将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否产生预警提示信号至所述被监测老年人的家人。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的居家养老智慧管理方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的居家养老智慧管理方法。
与现有技术相比，本申请提供的一种居家养老智慧管理平台及其方法，其通过基于老人的心率值和血压值的多尺度邻域特征来提取出不同时间周期内的动态关联特征，并且在构建两者的关联特征矩阵进行分类时，进一步对所述分类特征图进行相位感知的按位置聚合，从而以多层感知的形式来补偿对于向量进行无位置属性的实值分类任务时可能导致的分类准确性下降问题，提高了对于老人身体状态监测的准确性，最后，得到用于表示是否产生预警提示信号至所述被监测老年人的家人的分类结果，进而保障独居老人的生命和健康。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的居家养老智慧管理平台的框图；
图2图示了根据本申请实施例的居家养老智慧管理平台的***架构图；
图3图示了根据本申请实施例的居家养老智慧管理平台中监测数据时序特征提取模块的框图；
图4图示了根据本申请实施例的居家养老智慧管理平台中卷积神经网络特征提取过程的流程图；
图5图示了根据本申请实施例的居家养老智慧管理方法的流程图；
图6图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
随着我国经济的迅速发展，社会老龄化程度日益加深，空巢老人越来越多，已经成为一个不容忽视的社会问题，当子女由于工作，学习，结婚等原因离家后，独守的老人其心里和生理均得不到关注，从而产生一系列问题。很多新闻报道，空巢老人由于突发高血压或心脏病猝死家中，而子女却不知晓，就是因为子女无法实时知道老人的身体状况，因为子女时间也比较少，不可能天天陪伴在侧，实时掌握老人身体状况，才导致了这种情况的出现，由于缺少子女或医护人员现场监护，独居家中的老人容易因跌倒得不到及时发现和救治。
随着云计算、大数据、物联网等技术的快速发展，以数据技术为支撑的智能化生活也开始融入人们的日常生活。因此，期待一种居家养老智能管理方案，其能够对独居家中的老人的身体状态进行实时监控并在监测到身体状况异常时产生预警提示。
申请概述
应可以理解，目前空巢老人由于突发高血压或心脏病猝死家中，而子女却不知晓，进而导致老人得不到及时的发现和救治而危及生命。因此，为了能够对于独居家中的老人的身体状态进行实时监控以在状态异常时产生预警，在本申请的技术方案中，基于老人的心率值和血压值的多尺度邻域特征来提取出不同时间周期内的动态关联特征，并且在构建两者的关联特征矩阵进行分类时，进一步对所述分类特征图进行相位感知的按位置聚合，从而以多层感知的形式来补偿对于向量进行无位置属性的实值分类任务时可能导致的分类准确性下降问题，进而提高对于老人身体状态监测的准确性，以保障独居老人的生命和健康。
具体地，在本申请的技术方案中，首先，通过被佩戴于被监测老年人的智能手环采集所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值。接着，为了能够挖掘出所述心率值和所述血压值在时间维度上的动态特征，将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量，以分别整合所述各个预定时间点下的心率值和血压值。然后，由于考虑到所述心率值和所述血压值在所述预定时间段内具有周期性的变化规律，而在不同的周期中会呈现出不同的状态模式，例如在不同的周期中一阵时候大一阵时候小，因此为了能够准确地提取出所述心率值和所述血压值的动态特征，就需要分别对于所述心率值和所述血压值在不同周期内的关联特征进行深度挖掘。也就是，在本申请的技术方案中，进一步将所述心率输入向量和所述血压输入向量分别通过多尺度邻域特征提取模块中进行处理，以分别提取出所述和所述血压在不同时间跨度下的多尺度邻域关联特征，从而得到多尺度邻域心率特征向量和多尺度邻域血压特征向量。
进一步地，为了能够将所述心率动态特征和所述血压动态特征进行关联以提取出这两者特征中的隐含关联性特征来进行老年人的状态检测，在本申请的技术方案中，进一步对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到心率-血压关联特征矩阵。然后，使用在隐含关联特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型来对于所述心率-血压关联特征矩阵进行深层关联特征挖掘，以提取出所述心率的多尺度邻域动态关联特征和所述血压的多尺度邻域动态关联特征的隐藏关联性特征信息，从而得到分类特征图。
继而，将所述分类特征图通过分类器中进行分类，以对于所述被监测老年人的身体状态进行判断，从而得到用于表示是否产生预警提示信号至所述被监测老年人的家人的分类结果。
特别地，在本申请的技术方案中，在对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到心率-血压关联特征矩阵时，是进行所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量的按位置编码，从而使得所述心率-血压关联特征矩阵的各个位置的特征值具有位置属性。相应地，在通过作为特征提取器的卷积神经网络模型得到的分类特征图中，其各个位置的特征值同样具有与所述心率-血压关联特征矩阵相对应的位置属性。
因此，在对所述分类特征图进行分类时，为了避免无位置属性的实值分类任务在忽略位置信息时导致的分类准确性下降，首先对所述分类特征图进行相位感知的按位置聚合，表示为：
F是所述分类特征图，且
是所述分类特征图的全局均值的倒数。这里，特征图的相位感知的表征引入了幅值-相位的类实值-虚值表征，从而基于欧拉公式的原理将特征图进行实值特征值的按位置拼接展开，以实现相位感知的按位置聚合，从而以多层感知的形式补偿对向量进行无位置属性的实值分类任务时可能导致的分类准确性下降，进而提高分类的准确性。这样，能够提高对于老年人身体状态检测判断的准确性，以保障独居老人的身体健康。
基于此，本申请提出了一种居家养老智慧管理平台，其包括：监测数据采集模块，用于获取由被佩戴于被监测老年人的智能手环采集的所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值；监测数据时序特征提取模块，用于将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域心率特征向量和多尺度邻域血压特征向量；关联模块，用于对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到心率-血压关联特征矩阵；关联特征提取模块，用于将所述心率-血压关联特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图；特征分布校正模块，用于对所述分类特征图进行相位感知的按位置聚合以得到校正后分类特征图，其中，所述相位感知的按位置聚合基于所述分类特征图中所有位置的特征值集合的全局均值的倒数来进行；以及，预警模块，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否产生预警提示信号至所述被监测老年人的家人。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***
图1图示了根据本申请实施例的居家养老智慧管理平台的框图。如图1所示，根据本申请实施例的居家养老智慧管理平台300，包括：监测数据采集模块310；监测数据时序特征提取模块320；关联模块330；关联特征提取模块340；特征分布校正模块350；以及，预警模块360。
其中，所述监测数据采集模块310，用于获取由被佩戴于被监测老年人的智能手环采集的所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值；所述监测数据时序特征提取模块320，用于将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域心率特征向量和多尺度邻域血压特征向量；所述关联模块330，用于对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到心率-血压关联特征矩阵；所述关联特征提取模块340，用于将所述心率-血压关联特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图；所述特征分布校正模块350，用于对所述分类特征图进行相位感知的按位置聚合以得到校正后分类特征图，其中，所述相位感知的按位置聚合基于所述分类特征图中所有位置的特征值集合的全局均值的倒数来进行；以及，所述预警模块360，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否产生预警提示信号至所述被监测老年人的家人。
图2图示了根据本申请实施例的居家养老智慧管理平台300的***架构图。如图2所示，首先通过所述监测数据采集模块310获取由被佩戴于被监测老年人的智能手环采集的所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值；然后，所述监测数据时序特征提取模块320将所述监测数据采集模块310获取的被所述监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域心率特征向量和多尺度邻域血压特征向量；所述关联模块330对所述监测数据时序特征提取模块320提取到的所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到心率-血压关联特征矩阵；接着，所述关联特征提取模块340将所述心率-血压关联特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图；所述特征分布校正模块350对所述分类特征图进行相位感知的按位置聚合以得到校正后分类特征图，其中，所述相位感知的按位置聚合基于所述分类特征图中所有位置的特征值集合的全局均值的倒数来进行；进而，所述预警模块360将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否产生预警提示信号至所述被监测老年人的家人。
具体地，在所述居家养老智慧管理平台300的运行过程中，所述监测数据采集模块310，用于获取由被佩戴于被监测老年人的智能手环采集的所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值。应可以理解，目前空巢老人由于突发高血压或心脏病猝死家中，而子女却不知晓，进而导致老人得不到及时的发现和救治而危及生命。因此，为了能够对于独居家中的老人的身体状态进行实时监控,可利用通过部署于智能手环里的心率传感器和血压传感器获取由被佩戴于被监测老年人的智能手环采集的所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值。
具体地，在所述居家养老智慧管理平台300的运行过程中，所述监测数据时序特征提取模块320，用于将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域心率特征向量和多尺度邻域血压特征向量。为了能够挖掘出所述心率值和所述血压值在时间维度上的动态特征，将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量，以分别整合所述各个预定时间点下的心率值和血压值。然后，由于考虑到所述心率值和所述血压值在所述预定时间段内具有周期性的变化规律，而在不同的周期中会呈现出不同的状态模式，例如在不同的周期中一阵时候大一阵时候小，因此为了能够准确地提取出所述心率值和所述血压值的动态特征，就需要分别对于所述心率值和所述血压值在不同周期内的关联特征进行深度挖掘。也就是，在本申请的技术方案中，进一步将所述心率输入向量和所述血压输入向量分别通过多尺度邻域特征提取模块中进行处理，以分别提取出所述和所述血压在不同时间跨度下的多尺度邻域关联特征，从而得到多尺度邻域心率特征向量和多尺度邻域血压特征向量。
图3图示了根据本申请实施例的居家养老智慧管理平台中监测数据时序特征提取模块的框图。如图3所示，所述监测数据时序特征提取模块320，包括：第一尺度时序特征提取单元321，用于将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度心率特征向量和第一尺度血压特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度时序特征提取单元322，用于将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度心率特征向量和第二尺度血压特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度时序特征级联单元323，用于将所述第一尺度心率特征向量和第一尺度血压特征向量与第二尺度心率特征向量和第二尺度血压特征向量分别进行级联以得到所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量。
具体地，在所述居家养老智慧管理平台300的运行过程中，所述关联模块330，用于对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到心率-血压关联特征矩阵。也就是，为了能够将所述心率动态特征和所述血压动态特征进行关联以提取出这两者特征中的隐含关联性特征来进行老年人的状态检测，在本申请的技术方案中，进一步对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到心率-血压关联特征矩阵。特别地，在本申请的技术方案中，在对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到心率-血压关联特征矩阵时，是进行所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量的按位置编码，从而使得所述心率-血压关联特征矩阵的各个位置的特征值具有位置属性。
在本申请的一个具体示例中，所述关联模块，进一步用于：以如下公式对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到所述心率-血压关联特征矩阵；
其中，所述公式为：
其中
表示向量相乘，V1表示所述多尺度邻域心率特征向量，
表示所述多尺度邻域心率特征向量的转置向量，V2表示所述多尺度邻域血压特征向量，M表示所述心率-血压关联特征矩阵。
具体地，在所述居家养老智慧管理平台300的运行过程中，所述关联特征提取模块340，用于将所述心率-血压关联特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图。也就是，使用在隐含关联特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型来对于所述心率-血压关联特征矩阵进行深层关联特征挖掘，以提取出所述心率的多尺度邻域动态关联特征和所述血压的多尺度邻域动态关联特征的隐藏关联性特征信息，从而得到分类特征图。相应地，在通过作为特征提取器的卷积神经网络模型得到的分类特征图中，其各个位置的特征值同样具有与所述心率-血压关联特征矩阵相对应的位置属性。
图4图示了根据本申请实施例的居家养老智慧管理平台中卷积神经网络特征提取过程的流程图。如图4所述，所述卷积神经网络特征提取过程，包括：S210，对输入数据进行卷积处理以得到卷积特征图；S220，对所述卷积特征图进行基于局部通道维度的均值池化处理以得到池化特征图；以及，S230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述分类特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述心率-血压关联特征矩阵。
具体地，在所述居家养老智慧管理平台300的运行过程中，所述特征分布校正模块350，用于对所述分类特征图进行相位感知的按位置聚合以得到校正后分类特征图，其中，所述相位感知的按位置聚合基于所述分类特征图中所有位置的特征值集合的全局均值的倒数来进行。更具体地，在对所述分类特征图进行分类时，为了避免无位置属性的实值分类任务在忽略位置信息时导致的分类准确性下降，首先对所述分类特征图进行相位感知的按位置聚合。
在本申请的一个具体示例中，所述特征分布校正模块，进一步用于：以如下公式对所述分类特征图进行相位感知的按位置聚合以得到所述校正后分类特征图；
其中，所述公式为：
其中F表示所述分类特征图，
表示所述分类特征图的全局均值的倒数，F'表示所述校正后分类特征图，⊙表示按位置点乘。这里，特征图的相位感知的表征引入了幅值-相位的类实值-虚值表征，从而基于欧拉公式的原理将特征图进行实值特征值的按位置拼接展开，以实现相位感知的按位置聚合，从而以多层感知的形式补偿对向量进行无位置属性的实值分类任务时可能导致的分类准确性下降，进而提高分类的准确性。这样，能够提高对于老年人身体状态检测判断的准确性，以保障独居老人的身体健康。
具体地，在所述居家养老智慧管理平台300的运行过程中，所述预警模块360，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否产生预警提示信号至所述被监测老年人的家人。也就是，将所述分类特征图通过分类器中进行分类，以对于所述被监测老年人的身体状态进行判断，从而得到用于表示是否产生预警提示信号至所述被监测老年人的家人的分类结果。
在本申请的一个具体示例中，所述预警模块，进一步用于：使用所述分类器以如下公式对所述校正后分类特征图进行处理以生成所述分类结果，其中，所述公式为：
softmax{(Wn,Bn):...:(W1,B1)|Project(F)}，其中Project(F)表示将所述校正后分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
综上，根据本申请实施例的居家养老智慧管理平台300被阐明，其通过基于老人的心率值和血压值的多尺度邻域特征来提取出不同时间周期内的动态关联特征，并且在构建两者的关联特征矩阵进行分类时，进一步对所述分类特征图进行相位感知的按位置聚合，从而以多层感知的形式来补偿对于向量进行无位置属性的实值分类任务时可能导致的分类准确性下降问题，提高了对于老人身体状态监测的准确性，最后，得到用于表示是否产生预警提示信号至所述被监测老年人的家人的分类结果，进而保障独居老人的生命和健康。
如上所述，根据本申请实施例的居家养老智慧管理平台可以实现在各种终端设备中。在一个示例中，根据本申请实施例的居家养老智慧管理平台300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该居家养老智慧管理平台300可以是该终端设备的操作***中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该居家养老智慧管理平台300同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该居家养老智慧管理平台300与该终端设备也可以是分立的设备，并且该居家养老智慧管理平台300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图5图示了根据本申请实施例的居家养老智慧管理方法的流程图。如图5所示，根据本申请实施例的居家养老智慧管理方法，包括步骤：S110，监测数据采集模块，用于获取由被佩戴于被监测老年人的智能手环采集的所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值；S120，将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域心率特征向量和多尺度邻域血压特征向量；S130，对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到心率-血压关联特征矩阵；S140，将所述心率-血压关联特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图；S150，对所述分类特征图进行相位感知的按位置聚合以得到校正后分类特征图，其中，所述相位感知的按位置聚合基于所述分类特征图中所有位置的特征值集合的全局均值的倒数来进行；以及，S160，将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否产生预警提示信号至所述被监测老年人的家人。
在一个示例中，在上述居家养老智慧管理方法中，所述步骤S120，包括：将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度心率特征向量和第一尺度血压特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度心率特征向量和第二尺度血压特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一尺度心率特征向量和第一尺度血压特征向量与第二尺度心率特征向量和第二尺度血压特征向量分别进行级联以得到所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量。
在一个示例中，在上述居家养老智慧管理方法中，所述步骤S130，进一步用于：以如下公式对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到所述心率-血压关联特征矩阵；
其中，所述公式为：
其中
表示向量相乘，V1表示所述多尺度邻域心率特征向量，
表示所述多尺度邻域心率特征向量的转置向量，V2表示所述多尺度邻域血压特征向量，M表示所述心率-血压关联特征矩阵。
在一个示例中，在上述居家养老智慧管理方法中，所述步骤S140，进一步用于：使用所述作为特征提取器的卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述分类特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述心率-血压关联特征矩阵。
在一个示例中，在上述居家养老智慧管理方法中，所述步骤S150，进一步用于：以如下公式对所述分类特征图进行相位感知的按位置聚合以得到所述校正后分类特征图；
其中，所述公式为：
其中F表示所述分类特征图，
表示所述分类特征图的全局均值的倒数，F'表示所述校正后分类特征图，⊙表示按位置点乘。
在一个示例中，在上述居家养老智慧管理方法中，所述步骤S160，进一步用于：使用所述分类器以如下公式对所述校正后分类特征图进行处理以生成所述分类结果，其中，所述公式为：
softmax{(Wn，Bn):...:(W1，B1)|Project(F)}，其中Project(F)表示将所述校正后分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
综上，根据本申请实施例的居家养老智慧管理方法被阐明，其通过基于老人的心率值和血压值的多尺度邻域特征来提取出不同时间周期内的动态关联特征，并且在构建两者的关联特征矩阵进行分类时，进一步对所述分类特征图进行相位感知的按位置聚合，从而以多层感知的形式来补偿对于向量进行无位置属性的实值分类任务时可能导致的分类准确性下降问题，提高了对于老人身体状态监测的准确性，最后，得到用于表示是否产生预警提示信号至所述被监测老年人的家人的分类结果，进而保障独居老人的生命和健康。
示例性电子设备
下面，参考图6来描述根据本申请实施例的电子设备。
图6图示了根据本申请实施例的电子设备的框图。
如图6所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的居家养老智慧管理平台中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如分类特征图等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性***”部分中描述的根据本申请各种实施例的居家养老智慧管理方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性***”部分中描述的根据本申请各种实施例的居家养老智慧管理方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种居家养老智慧管理平台，其特征在于，包括：
监测数据采集模块，用于获取由被佩戴于被监测老年人的智能手环采集的所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值；
监测数据时序特征提取模块，用于将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域心率特征向量和多尺度邻域血压特征向量；
关联模块，用于对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到心率-血压关联特征矩阵；
关联特征提取模块，用于将所述心率-血压关联特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图；
特征分布校正模块，用于对所述分类特征图进行相位感知的按位置聚合以得到校正后分类特征图，其中，所述相位感知的按位置聚合基于所述分类特征图中所有位置的特征值集合的全局均值的倒数来进行；以及
预警模块，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否产生预警提示信号至所述被监测老年人的家人。
2.根据权利要求1所述的居家养老智慧管理平台，其特征在于，所述监测数据时序特征提取模块，包括：
第一尺度时序特征提取单元，用于将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度心率特征向量和第一尺度血压特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
第二尺度时序特征提取单元，用于将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度心率特征向量和第二尺度血压特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及
多尺度时序特征级联单元，用于将所述第一尺度心率特征向量和第一尺度血压特征向量与第二尺度心率特征向量和第二尺度血压特征向量分别进行级联以得到所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量。
3.根据权利要求2所述的居家养老智慧管理平台，其特征在于，所述关联模块，进一步用于：以如下公式对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到所述心率-血压关联特征矩阵；
其中，所述公式为：
其中
表示向量相乘，V1表示所述多尺度邻域心率特征向量，
表示所述多尺度邻域心率特征向量的转置向量，V2表示所述多尺度邻域血压特征向量，M表示所述心率-血压关联特征矩阵。
4.根据权利要求3所述的居家养老智慧管理平台，其特征在于，所述关联特征提取模块，进一步用于：使用所述作为特征提取器的卷积神经网络的各层在层的正向传递中分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部通道维度的均值池化处理以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述分类特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述心率-血压关联特征矩阵。
5.根据权利要求4所述的居家养老智慧管理平台，其特征在于，所述特征分布校正模块，进一步用于：以如下公式对所述分类特征图进行相位感知的按位置聚合以得到所述校正后分类特征图；
其中，所述公式为：
其中F表示所述分类特征图，
表示所述分类特征图的全局均值的倒数，F'表示所述校正后分类特征图，⊙表示按位置点乘。
6.根据权利要求5所述的居家养老智慧管理平台，其特征在于，所述预警模块，进一步用于：使用所述分类器以如下公式对所述校正后分类特征图进行处理以生成所述分类结果，其中，所述公式为：
softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述校正后分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
7.一种居家养老智慧管理方法，其特征在于，包括：
获取由被佩戴于被监测老年人的智能手环采集的所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值；
将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域心率特征向量和多尺度邻域血压特征向量；
对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到心率-血压关联特征矩阵；
将所述心率-血压关联特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图；
对所述分类特征图进行相位感知的按位置聚合以得到校正后分类特征图，其中，所述相位感知的按位置聚合基于所述分类特征图中所有位置的特征值集合的全局均值的倒数来进行；以及
将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否产生预警提示信号至所述被监测老年人的家人。
8.根据权利要求7所述的居家养老智慧管理方法，其特征在于，所述对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到心率-血压关联特征矩阵，进一步用于：以如下公式对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到所述心率-血压关联特征矩阵；
其中，所述公式为：
其中
表示向量相乘，V1表示所述多尺度邻域心率特征向量，
表示所述多尺度邻域心率特征向量的转置向量，V2表示所述多尺度邻域血压特征向量，M表示所述心率-血压关联特征矩阵。
9.根据权利要求7所述的居家养老智慧管理方法，其特征在于，所述对所述分类特征图进行相位感知的按位置聚合以得到校正后分类特征图，其中，所述相位感知的按位置聚合基于所述分类特征图中所有位置的特征值集合的全局均值的倒数来进行，进一步用于：以如下公式对所述分类特征图进行相位感知的按位置聚合以得到所述校正后分类特征图；
其中，所述公式为：
其中F表示所述分类特征图，
表示所述分类特征图的全局均值的倒数，F'表示所述校正后分类特征图，⊙表示按位置点乘。
10.根据权利要求7所述的居家养老智慧管理方法，其特征在于，所述将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否产生预警提示信号至所述被监测老年人的家人，进一步用于：使用所述分类器以如下公式对所述校正后分类特征图进行处理以生成所述分类结果，其中，所述公式为：
softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述校正后分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211088598.5A CN115660569A (zh) | 2022-09-07 | 2022-09-07 | 居家养老智慧管理平台及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211088598.5A CN115660569A (zh) | 2022-09-07 | 2022-09-07 | 居家养老智慧管理平台及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115660569A true CN115660569A (zh) | 2023-01-31 |
Family
ID=84983851
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211088598.5A Withdrawn CN115660569A (zh) | 2022-09-07 | 2022-09-07 | 居家养老智慧管理平台及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115660569A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115827257A (zh) * | 2023-02-20 | 2023-03-21 | 腾云创威信息科技(威海)有限公司 | 用于处理器体系的cpu容量预测方法及其*** |
| CN115862151A (zh) * | 2023-02-14 | 2023-03-28 | 福建中医药大学 | 基于游戏预测老年人反应能力的数据处理***及方法 |
| CN116092701A (zh) * | 2023-03-07 | 2023-05-09 | 南京康尔健医疗科技有限公司 | 基于健康数据分析管理平台的控制***及其方法 |
| CN116431004A (zh) * | 2023-06-01 | 2023-07-14 | 山东协和学院 | 康复机器人交互行为的控制方法及*** |
| CN116864112A (zh) * | 2023-07-18 | 2023-10-10 | 湘南学院 | 用于人体芯片的用户数据智能管理***及其方法 |
| CN117438024A (zh) * | 2023-12-15 | 2024-01-23 | 吉林大学 | 急诊病人体征数据的智能采集分析***及方法 |
-
2022
- 2022-09-07 CN CN202211088598.5A patent/CN115660569A/zh not_active Withdrawn
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115862151A (zh) * | 2023-02-14 | 2023-03-28 | 福建中医药大学 | 基于游戏预测老年人反应能力的数据处理***及方法 |
| CN115827257A (zh) * | 2023-02-20 | 2023-03-21 | 腾云创威信息科技(威海)有限公司 | 用于处理器体系的cpu容量预测方法及其*** |
| CN116092701A (zh) * | 2023-03-07 | 2023-05-09 | 南京康尔健医疗科技有限公司 | 基于健康数据分析管理平台的控制***及其方法 |
| CN116431004A (zh) * | 2023-06-01 | 2023-07-14 | 山东协和学院 | 康复机器人交互行为的控制方法及*** |
| CN116431004B (zh) * | 2023-06-01 | 2023-08-29 | 山东协和学院 | 康复机器人交互行为的控制方法及*** |
| CN116864112A (zh) * | 2023-07-18 | 2023-10-10 | 湘南学院 | 用于人体芯片的用户数据智能管理***及其方法 |
| CN116864112B (zh) * | 2023-07-18 | 2024-05-07 | 湘南学院 | 用于人体芯片的用户数据智能管理***及其方法 |
| CN117438024A (zh) * | 2023-12-15 | 2024-01-23 | 吉林大学 | 急诊病人体征数据的智能采集分析***及方法 |
| CN117438024B (zh) * | 2023-12-15 | 2024-03-08 | 吉林大学 | 急诊病人体征数据的智能采集分析***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115660569A (zh) | 居家养老智慧管理平台及其方法 | |
| Jiwani et al. | Novel healthcare framework for cardiac arrest with the application of AI using ANN | |
| JP6692488B2 (ja) | ニューロンネットワークをトレーニングする方法及び能動学習システム | |
| CN110133610B (zh) | 基于时变距离-多普勒图的超宽带雷达动作识别方法 | |
| CN115482498A (zh) | 基于视频的智慧养老监控***及其方法 | |
| CN116092701B (zh) | 基于健康数据分析管理平台的控制***及其方法 | |
| US20180177415A1 (en) | Cardiovascular disease detection | |
| CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及*** | |
| Shang | Multiscale Tsallis permutation entropy analysis for complex physiological time series | |
| Ardani et al. | A new approach to signal filtering method using K-means clustering and distance-based Kalman filtering | |
| CN112800217A (zh) | 基于向量关联性矩阵的政务事务处理报告的智能评估方法 | |
| CN113936765A (zh) | 周期行为报告的生成方法及装置、存储介质、电子设备 | |
| US11715032B2 (en) | Training a machine learning model using a batch based active learning approach | |
| CN115862151B (zh) | 基于游戏预测老年人反应能力的数据处理***及方法 | |
| CN113892910A (zh) | 基于物联网的智能马桶的老年人监测方法 | |
| Faal et al. | ECG Signal modeling using volatility properties: its application in sleep apnea syndrome | |
| CN115526882A (zh) | 一种医学图像的分类方法、装置、设备及存储介质 | |
| CN115661758A (zh) | 基于人工智能的公共场所人群密集度监测方法及其*** | |
| Kachuee et al. | Context-aware feature query to improve the prediction performance | |
| Ganesan et al. | Elderly people activity recognition in smart grid monitoring environment | |
| CN113855008A (zh) | 可穿戴式体液监测装置及其运行方法 | |
| Al-Shamery et al. | A New Approach of Rough Set Theory for Feature Selection and Bayes Net Classifier Applied on Heart Disease Dataset | |
| CN117393153B (zh) | 基于医疗物联网时序数据和深度学习算法的休克实时风险预警监测方法及*** | |
| KR20140094996A (ko) | 시계열 데이터의 최소 표현 및 패턴 세그먼트화 방법 및 시스템 | |
| CN115496105B (zh) | 睡眠预测模型训练方法、睡眠状况预测方法及相关装置 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230131 |
|
| WW01 | Invention patent application withdrawn after publication |