CN116110584B - 一种人体健康风险评估预警*** - Google Patents
一种人体健康风险评估预警*** Download PDFInfo
- Publication number
- CN116110584B CN116110584B CN202310155014.XA CN202310155014A CN116110584B CN 116110584 B CN116110584 B CN 116110584B CN 202310155014 A CN202310155014 A CN 202310155014A CN 116110584 B CN116110584 B CN 116110584B
- Authority
- CN
- China
- Prior art keywords
- data
- user
- motion data
- health risk
- risk assessment
- 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
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
- 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
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- 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)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Psychiatry (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及健康评估技术领域,公开了一种人体健康风险评估预警***,包括:人体信息采集模块,其用于采集使用者的基本信息;评估动作模板存储模块,其用于存储评估动作模板;评估选择模块,其用于选择评估动作模板给使用者,使用者按照顺序模仿选择的评估动作模板来进行运动;运动数据采集模块,其用于采集使用者的运动数据,运动数据包括使用者的身体动作数据和身体机能数据;风险评估模块,其用于评估人体健康风险;本发明基于预设的动作模板来侧重的评估身体健康风险,采集对应的运动数据与历史数据进行对比,能够扩大健康风险的评估范围,并且准确率较高。
Description
技术领域
本发明涉及健康评估技术领域,更具体地说,它涉及一种人体健康风险评估预警***。
背景技术
随着医疗科技的进步,我们逐渐从过去的看病治疗的时代在向病前预防的时代进步,因此对身体进行合理的健康评估是迫切的需要;现有技术中的健康评估***一般是基于年龄、身高、体重、性别来匹配标准的各项身体数据正常值范围与采集的身体数据进行对比,根据身体数据是否超过正常值范围来判断是否存在健康风险,例如智能手表就采用类似的健康评估***,能够评估的健康风险的范围较小,准确率低。
发明内容
本发明提供一种人体健康风险评估预警***,解决相关技术中健康评估准确率低技术问题。
根据本发明的一个方面,提供了一种人体健康风险评估预警***,包括:
人体信息采集模块,其用于采集使用者的基本信息;
评估动作模板存储模块,其用于存储评估动作模板;
评估选择模块,其用于选择评估动作模板给使用者,使用者按照顺序模仿选择的评估动作模板来进行运动;
运动数据采集模块,其用于采集使用者的运动数据,运动数据包括使用者的身体动作数据和身体机能数据;
历史数据存储模块,其用于存储历史使用者的运动数据;
风险评估模块,其用于评估人体健康风险,其包括第一数据处理单元、第二数据处理单元、第三数据处理单元、第四数据处理单元和判断单元,第一数据处理单元用于对使用者的运动数据进行切片获得节点数据,一个节点数据对应于一个时间点的运动数据;
第二数据处理单元用于生成N个第一对象,每个第一对象映射一个二维坐标点,所有第一对象的二维坐标点矩阵阵列分布,每一列的二维坐标点的数量与每一行的二维坐标点的数量相同,相邻的两个二维坐标点的最小距离为1;随机选择N个节点数据映射到第一对象;
第三数据处理单元,其用于迭代执行以下步骤:
从节点数据中随机选择一个作为第二对象,计算第二对象与第一对象的第二距离,选择与第二对象的第二距离最小的第一对象,并更新第一对象以及与其邻域的第一对象;
第四数据处理单元,其用于计算当前使用者的运动数据和历史使用者的运动数据的第一相似度,按照与当前使用者的运动数据的第一相似度的由大至小的顺序对历史使用者的运动数据进行排序,提取前S个历史使用者的运动数据作为邻近集合;
判断单元,其基于邻近集合中的历史使用者的运动数据对应的诊断结果判断当前使用者的健康风险。
进一步地,基本信息包括年龄、身高、体重、体脂率、性别。
进一步地,评估动作模板是包含多个按照时间顺序进行排列的独立动作的动作集;
一个独立动作描述了一个人体的动作姿态。
进一步地,身体动作数据包含使用者的人体骨架节点的三维坐标位置。
进一步地,一条历史使用者的运动数据对应一个诊断结果,判断单元判断的方法包括:如果邻近集合中的历史使用者的运动数据对应的诊断结果为异常的比例超过设定的第一比例阈值则判断当前使用者的存在健康风险。
进一步地,对使用者的运动数据进行切片的方法包括:
初始时提取运动开始的时间点的运动数据和身体机能数据并记录作为节点数据;
节点数据包括多个属性和对应的属性值;
然后迭代执行以下步骤:
从记录的时间点最晚的运动数据开始向后逐帧提取运动数据,将新提取的运动数据与记录的时间点最晚的运动数据进行对比,如果判断使用者的身体姿态变化超过设定的阈值则记录新提取的运动数据,否则继续向后逐帧提取运动数据;
判断使用者的身体姿态变化超过设定的阈值的方法是:
计算新提取的运动数据的身体动作数据与记录的时间点最晚的运动数据的身体动作数据的第一距离,如果第一距离大于或等于设定的第一距离阈值,则判断使用者的身体姿态变化超过设定的阈值。
进一步地,第一距离通过以下公式计算:
其中、/>、/>分别为一个身体动作数据第i个人体骨架节点的三维坐标,/>、、/>分别为一个身体动作数据第i个人体骨架节点的三维坐标。
进一步地,更新第一对象以及与其关联的第一对象的属性值的公式如下:
其中表示更新之后的第一对象的第j项属性的值,/>表示更新之前的第一对象的第j项属性的值,/>表示第二对象的第j项属性的值,t表示所有第一对象被更新的次数。
进一步地,第一相似度的计算方法包括:
给定赋权二分图,其中集合/>的顶点分别表示当前使用者的运动数据的第一对象,集合Y的顶点分别表示历史使用者的运动数据的第一对象,通过Kuhn-Munkres算法求解赋权二分图G的最大权完美匹配;
求解赋权二分图G的最大权完美匹配时的初始的顶标的值确定如下:
集合Y的顶点的顶标赋值为0,集合的顶点的顶标赋值为该顶点映射的第一对象与集合Y的顶点映射的第一对象的第二相似度的最大值;
第二相似度的计算公式如下:
其中,为集合/>的顶点的第一对象的第f项属性的值,/>为集合/>的顶点的第一对象的第f项属性的值,z为第一对象的属性的总数量;
基于最大权完美匹配获得匹配后的权重和作为第一相似度。
进一步地,一种人体健康风险评估预警***,还包括诊断预测模块,其基于风险评估模块的评估结果为当前使用者推荐相应的诊断项目;
诊断预测模块包括第一预测模块和第二预测模块,第一预测模块从邻近集合中选择与当前使用者的运动数据的第一相似度最大的历史使用者的运动数据对应的诊断结果;
第二预测模块从第一预测模块选择的诊断结果中选择诊断异常的诊断项目,并将选择的诊断项目作为推荐给当前使用者的诊断项目。
本发明的有益效果在于:
本发明基于预设的动作模板来侧重的评估身体健康风险,采集对应的运动数据与历史数据进行对比,能够扩大健康风险的评估范围,能够评估内科和外科领域的健康风险,并且准确率较高,而且能够提供对应的诊断项目的推荐,便于使用者精准就医。
附图说明
图1是本发明的一种人体健康风险评估预警***的模块示意图一;
图2是本发明的风险评估模块的模块示意图;
图3是本发明的一种人体健康风险评估预警***的模块示意图二;
图4是本发明的诊断预测模块的模块示意图。
图中:人体信息采集模块101,评估动作模板存储模块102,评估选择模块103,运动数据采集模块104,历史数据存储模块105,风险评估模块106,第一数据处理单元1061,第二数据处理单元1062,第三数据处理单元1063,第四数据处理单元1064,判断单元1065,诊断预测模块107,第一预测模块1071,第二预测模块1072。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,可以在不脱离本说明书内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其他例子中也可以进行组合。
实施例一
如图1-图2所示,一种人体健康风险评估预警***,包括:
人体信息采集模块101,其用于采集使用者的基本信息;
基本信息包括年龄、身高、体重、体脂率、性别;
评估动作模板存储模块102,其用于存储评估动作模板;
评估动作模板是包含多个按照时间顺序进行排列的独立动作的动作集。
一个独立动作描述了一个人体的动作姿态;
例如对于一个独立动作描述了一个站立状态下单独抬起右腿的动作姿态。
独立动作可以是以文字或图片的方式进行表达。
动作集可以是以视频的方式进行表达。
不同的评估动作模板侧重于不同方面的身体健康风险的评估,例如接近于慢跑的评估动作模板侧重于评估肺部、心脏、腿部、脚部、呼吸道方面的健康风险;
例如包含大量弯腰伸展运动的评估动作模板侧重于脊椎、颈椎方面的健康风险评估;
可以根据使用者的情况选择一个以上的评估动作模板进行评估,也可以选择全部的评估动作模板进行全方位的评估。
评估选择模块103,其用于选择评估动作模板给使用者,使用者按照顺序模仿选择的评估动作模板来进行运动;
运动数据采集模块104,其用于采集使用者的运动数据,运动数据包括使用者的身体动作数据和身体机能数据;
身体动作数据包含使用者的人体骨架节点的三维坐标位置;
身体机能数据包括使用者的年龄、身高、体重、体脂率、心率、血压、体温、呼吸频率等。
历史数据存储模块105,其用于存储历史使用者的运动数据;
一条历史使用者的运动数据是针对于一个评估动作模板的。
在本发明的一个实施例中,一条历史使用者的运动数据对应一个诊断结果。
风险评估模块106,其用于评估人体健康风险,其包括第一数据处理单元1061、第二数据处理单元1062、第三数据处理单元1063、第四数据处理单元1064和判断单元1065,第一数据处理单元1061用于对使用者的运动数据进行切片获得节点数据,一个节点数据对应于一个时间点的运动数据;
对使用者的运动数据进行切片的方法包括:
初始时提取运动开始的时间点的运动数据和身体机能数据并记录作为节点数据;
节点数据包括多个属性和对应的属性值;
在本发明的一个实施例中,一个人体骨架节点的一个维度的坐标作为一个属性,血压作为一个属性。
然后迭代执行以下步骤:
从记录的时间点最晚的运动数据开始向后逐帧提取运动数据,将新提取的运动数据与记录的时间点最晚的运动数据进行对比,如果判断使用者的身体姿态变化超过设定的阈值则记录新提取的运动数据,否则继续向后逐帧提取运动数据;
判断使用者的身体姿态变化超过设定的阈值的方法是:
计算新提取的运动数据的身体动作数据与记录的时间点最晚的运动数据的身体动作数据的第一距离,如果第一距离大于或等于设定的第一距离阈值,则判断使用者的身体姿态变化超过设定的阈值。
相邻的两帧运动数据之间的时间为运动数据的采集间隔。
在本发明的一个实施例中,第一距离的计算方法包括:
提取多个人体骨架节点连接构成的肢体单元,计算两个身体动作数据的同一个肢体单元的夹角,将最大的夹角作为第一距离的值;
在本发明的一个实施例中,第一距离通过以下公式计算:
其中,、/>、/>分别为一个身体动作数据第i个人体骨架节点的三维坐标,/>、/>、/>分别为一个身体动作数据第i个人体骨架节点的三维坐标;
对于标准的人体骨架模型图来说具有18个人体骨架节点
第二数据处理单元1062用于生成N个第一对象,每个第一对象映射一个二维坐标点,所有第一对象的二维坐标点矩阵阵列分布,每一列的二维坐标点的数量与每一行的二维坐标点的数量相同,相邻的两个二维坐标点的最小距离为1;
随机选择N个节点数据映射到第一对象;
N=,其中M为当前使用者的运动数据的节点数据的总数量。
第三数据处理单元1063,其用于迭代执行以下步骤:
从节点数据中随机选择一个作为第二对象,计算第二对象与第一对象的第二距离,选择与第二对象的第二距离最小的第一对象,并更新第一对象以及与其邻域的第一对象;
更新第一对象以及与其关联的第一对象的属性值的公式如下:
其中表示更新之后的第一对象的第j项属性的值,/>表示更新之前的第一对象的第j项属性的值,/>表示第二对象的第j项属性的值,t表示所有第一对象被更新的次数(一个第一对象的属性值被更新计为一个次数)。
第一对象的邻域的第一对象是指两个第一对象映射的二维坐标点的直线距离小于。
第三数据处理单元1063迭代执行上述步骤的终止条件是:所有节点数据均被选择为第一对象,并且每个节点数据仅被选择为一次第一对象。
第四数据处理单元1064,其用于计算当前使用者的运动数据和历史使用者的运动数据的第一相似度,按照与当前使用者的运动数据的第一相似度的由大至小的顺序对历史使用者的运动数据进行排序,提取前S个历史使用者的运动数据作为邻近集合;
第一相似度的计算方法包括:
给定赋权二分图,其中集合/>的顶点分别表示当前使用者的运动数据的第一对象,集合Y的顶点分别表示历史使用者的运动数据的第一对象,通过Kuhn-Munkres算法求解赋权二分图G的最大权完美匹配;
求解赋权二分图G的最大权完美匹配时的初始的顶标的值确定如下:集合Y的顶点的顶标赋值为0,集合的顶点的顶标赋值为该顶点映射的第一对象与集合Y的顶点映射的第一对象的第二相似度的最大值;
第二相似度的计算公式如下:
其中,为集合/>的顶点的第一对象的第f项属性的值,/>为集合/>的顶点的第一对象的第f项属性的值,z为第一对象的属性的总数量;
基于最大权完美匹配获得匹配后的权重和作为第一相似度;
判断单元1065,其基于邻近集合中的历史使用者的运动数据对应的诊断结果判断当前使用者的健康风险;
作为一个判断的方法,如果邻近集合中的历史使用者的运动数据对应的诊断结果为异常的比例超过设定的第一比例阈值则判断当前使用者的存在健康风险。
如图3-图4所示,在本发明的一个实施例中,一种人体健康风险评估预警***还包括诊断预测模块107,其基于风险评估模块106的评估结果为当前使用者推荐相应的诊断项目;
具体的,诊断预测模块107包括第一预测模块1071和第二预测模块1072,第一预测模块1071从邻近集合中选择与当前使用者的运动数据的第一相似度最大的历史使用者的运动数据对应的诊断结果;
第二预测模块1072从第一预测模块1071选择的诊断结果中选择诊断异常的诊断项目,并将选择的诊断项目作为推荐给当前使用者的诊断项目。
在本发明的一个实施例中,由于不同性别的使用者的人体结构差异较大,因此在样本充足的情况下仅选择与当前使用者相同性别的历史使用者的运动数据输入风险评估模块106。
上面对本实施例的实施例进行了描述,但是本实施例并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本实施例的启示下,还可做出很多形式,均属于本实施例的保护之内。
Claims (9)
1.一种人体健康风险评估预警***,其特征在于,包括:
人体信息采集模块,其用于采集使用者的基本信息;评估动作模板存储模块,其用于存储评估动作模板;评估选择模块,其用于选择评估动作模板给使用者,使用者按照顺序模仿选择的评估动作模板来进行运动;
运动数据采集模块,其用于采集使用者的运动数据,运动数据包括使用者的身体动作数据和身体机能数据;
历史数据存储模块,其用于存储历史使用者的运动数据;
风险评估模块,其用于评估人体健康风险,其包括第一数据处理单元、第二数据处理单元、第三数据处理单元、第四数据处理单元和判断单元,第一数据处理单元用于对使用者的运动数据进行切片获得节点数据,一个节点数据对应于一个时间点的运动数据;
第二数据处理单元用于生成N个第一对象,每个第一对象映射一个二维坐标点,所有第一对象的二维坐标点矩阵阵列分布,每一列的二维坐标点的数量与每一行的二维坐标点的数量相同,相邻的两个二维坐标点的最小距离为1;随机选择N个节点数据映射到第一对象;
第三数据处理单元,其用于迭代执行以下步骤:从节点数据中随机选择一个作为第二对象,计算第二对象与第一对象的第二距离,选择与第二对象的第二距离最小的第一对象,并更新第一对象以及与其邻域的第一对象;
第四数据处理单元,其用于计算当前使用者的运动数据和历史使用者的运动数据的第一相似度,按照与当前使用者的运动数据的第一相似度的由大至小的顺序对历史使用者的运动数据进行排序,提取前S个历史使用者的运动数据作为邻近集合;
第一相似度的计算方法包括:
给定赋权二分图:
G=(X,Y):X={x1,x2,...xn},Y={y1,y2,...ym},
其中集合X的顶点分别表示当前使用者的运动数据的第一对象,集合Y的顶点分别表示历史使用者的运动数据的第一对象,通过Kuhn-Munkres算法求解赋权二分图G的最大权完美匹配;
求解赋权二分图G的最大权完美匹配时的初始的顶标的值确定如下:
集合Y的顶点的顶标赋值为0,集合X的顶点的顶标赋值为该顶点映射的第一对象与集合Y的顶点映射的第一对象的第二相似度的最大值;
第二相似度S2的计算公式如下:
其中,Df为集合X的顶点的第一对象的第f项属性的值,Ef为集合Y的顶点的第一对象的第f项属性的值,z为第一对象的属性的总数量;
基于最大权完美匹配获得匹配后的权重和作为第一相似度;
判断单元,其基于邻近集合中的历史使用者的运动数据对应的诊断结果判断当前使用者的健康风险。
2.根据权利要求1所述的一种人体健康风险评估预警***,其特征在于,基本信息包括年龄、身高、体重、体脂率、性别。
3.根据权利要求1所述的一种人体健康风险评估预警***,其特征在于,评估动作模板是包含多个按照时间顺序进行排列的独立动作的动作集;
一个独立动作描述了一个人体的动作姿态。
4.根据权利要求1所述的一种人体健康风险评估预警***,其特征在于,身体动作数据包含使用者的人体骨架节点的三维坐标位置。
5.根据权利要求1所述的一种人体健康风险评估预警***,其特征在于,一条历史使用者的运动数据对应一个诊断结果,判断单元判断的方法包括:如果邻近集合中的历史使用者的运动数据对应的诊断结果为异常的比例超过设定的第一比例阈值则判断当前使用者的存在健康风险。
6.根据权利要求1所述的一种人体健康风险评估预警***,其特征在于,对使用者的运动数据进行切片的方法包括:
初始时提取运动开始的时间点的运动数据和身体机能数据并记录作为节点数据;
节点数据包括多个属性和对应的属性值;
然后迭代执行以下步骤:
从记录的时间点最晚的运动数据开始向后逐帧提取运动数据,将新提取的运动数据与记录的时间点最晚的运动数据进行对比,如果判断使用者的身体姿态变化超过设定的阈值则记录新提取的运动数据,否则继续向后逐帧提取运动数据;
判断使用者的身体姿态变化超过设定的阈值的方法是:
计算新提取的运动数据的身体动作数据与记录的时间点最晚的运动数据的身体动作数据的第一距离,如果第一距离大于或等于设定的第一距离阈值,则判断使用者的身体姿态变化超过设定的阈值。
7.根据权利要求6所述的一种人体健康风险评估预警***,其特征在于,第一距离D1通过以下公式计算:
其中,Ai1、Bi1、Ci1分别为一个身体动作数据第i个人体骨架节点的三维坐标,Ai2、Bi2、Ci2分别为一个身体动作数据第i个人体骨架节点的三维坐标。
8.根据权利要求1所述的一种人体健康风险评估预警***,其特征在于,更新第一对象以及与其关联的第一对象的属性值的公式如下:
其中表示更新之后的第一对象的第j项属性的值,/>表示更新之前的第一对象的第j项属性的值,/>表示第二对象的第j项属性的值,t表示所有第一对象被更新的次数。
9.根据权利要求1所述的一种人体健康风险评估预警***,其特征在于,还包括诊断预测模块,其基于风险评估模块的评估结果为当前使用者推荐相应的诊断项目;
诊断预测模块包括第一预测模块和第二预测模块,第一预测模块从邻近集合中选择与当前使用者的运动数据的第一相似度最大的历史使用者的运动数据对应的诊断结果;
第二预测模块从第一预测模块选择的诊断结果中选择诊断异常的诊断项目,并将选择的诊断项目作为推荐给当前使用者的诊断项目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310155014.XA CN116110584B (zh) | 2023-02-23 | 2023-02-23 | 一种人体健康风险评估预警*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310155014.XA CN116110584B (zh) | 2023-02-23 | 2023-02-23 | 一种人体健康风险评估预警*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116110584A CN116110584A (zh) | 2023-05-12 |
CN116110584B true CN116110584B (zh) | 2023-09-22 |
Family
ID=86263705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310155014.XA Active CN116110584B (zh) | 2023-02-23 | 2023-02-23 | 一种人体健康风险评估预警*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116110584B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013013257A1 (en) * | 2011-07-22 | 2013-01-31 | 2Crisk Pty Ltd | System and method for health risk management |
CN107169307A (zh) * | 2017-07-07 | 2017-09-15 | 中北大学 | 健康风险评估方法和装置 |
CN110415821A (zh) * | 2019-07-02 | 2019-11-05 | 山东大学 | 一种基于人体生理数据的健康知识推荐***及其运行方法 |
CN110738192A (zh) * | 2019-10-29 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 人体运动功能辅助评估方法、装置、设备、***及介质 |
CN111048209A (zh) * | 2019-12-28 | 2020-04-21 | 安徽硕威智能科技有限公司 | 基于活体人脸识别的健康评估方法、装置及其存储介质 |
CN112150327A (zh) * | 2019-12-23 | 2020-12-29 | 淮安信息职业技术学院 | 一种用于学生体质检测的测试*** |
CN112673396A (zh) * | 2018-07-13 | 2021-04-16 | 皇家飞利浦有限公司 | 检测医学成像中的对象运动 |
CN112774079A (zh) * | 2020-12-23 | 2021-05-11 | 浙江好习惯科技有限公司 | 跳绳健康风险评估方法及装置 |
CN112836105A (zh) * | 2021-02-05 | 2021-05-25 | 浙江工业大学 | 一种基于运动生理表征融合的大规模学生有氧能力分群方法 |
CN113516063A (zh) * | 2021-06-29 | 2021-10-19 | 北京精密机电控制设备研究所 | 一种基于K-Means及步态周期相似性的运动模式识别方法 |
CN113869090A (zh) * | 2020-06-30 | 2021-12-31 | 株式会社日立制作所 | 一种跌倒风险评估方法及装置 |
CN114092971A (zh) * | 2021-11-26 | 2022-02-25 | 重庆大学 | 一种基于视觉图像的人体动作评估方法 |
CN114334150A (zh) * | 2021-12-30 | 2022-04-12 | 北京鹰之眼智能健康科技有限公司 | 一种评估人体健康状态的方法和装置 |
CN114566249A (zh) * | 2022-04-29 | 2022-05-31 | 北京奥康达体育产业股份有限公司 | 一种人体运动安全风险评估分析*** |
CN114711754A (zh) * | 2021-01-04 | 2022-07-08 | 深圳职业技术学院 | 一种运动评估方法、***、装置以及计算机可读存储介质 |
CN115497626A (zh) * | 2022-10-17 | 2022-12-20 | 北京新清泰克科技有限公司 | 基于关节点识别的身体健康评估方法 |
CN115660503A (zh) * | 2022-11-09 | 2023-01-31 | 杭银消费金融股份有限公司 | 一种基于行为分析的项目健康度监测分析方法及设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10157488B2 (en) * | 2015-09-21 | 2018-12-18 | TuringSense Inc. | System and method for capturing and analyzing motions |
US20220020498A1 (en) * | 2016-11-01 | 2022-01-20 | b.well Connected Health, Inc. | Dynamically evaluating health care risk |
US20190009133A1 (en) * | 2017-07-06 | 2019-01-10 | Icuemotion Llc | Systems and methods for data-driven movement skill training |
-
2023
- 2023-02-23 CN CN202310155014.XA patent/CN116110584B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013013257A1 (en) * | 2011-07-22 | 2013-01-31 | 2Crisk Pty Ltd | System and method for health risk management |
CN107169307A (zh) * | 2017-07-07 | 2017-09-15 | 中北大学 | 健康风险评估方法和装置 |
CN112673396A (zh) * | 2018-07-13 | 2021-04-16 | 皇家飞利浦有限公司 | 检测医学成像中的对象运动 |
CN110415821A (zh) * | 2019-07-02 | 2019-11-05 | 山东大学 | 一种基于人体生理数据的健康知识推荐***及其运行方法 |
CN110738192A (zh) * | 2019-10-29 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 人体运动功能辅助评估方法、装置、设备、***及介质 |
CN112150327A (zh) * | 2019-12-23 | 2020-12-29 | 淮安信息职业技术学院 | 一种用于学生体质检测的测试*** |
CN111048209A (zh) * | 2019-12-28 | 2020-04-21 | 安徽硕威智能科技有限公司 | 基于活体人脸识别的健康评估方法、装置及其存储介质 |
CN113869090A (zh) * | 2020-06-30 | 2021-12-31 | 株式会社日立制作所 | 一种跌倒风险评估方法及装置 |
CN112774079A (zh) * | 2020-12-23 | 2021-05-11 | 浙江好习惯科技有限公司 | 跳绳健康风险评估方法及装置 |
CN114711754A (zh) * | 2021-01-04 | 2022-07-08 | 深圳职业技术学院 | 一种运动评估方法、***、装置以及计算机可读存储介质 |
CN112836105A (zh) * | 2021-02-05 | 2021-05-25 | 浙江工业大学 | 一种基于运动生理表征融合的大规模学生有氧能力分群方法 |
CN113516063A (zh) * | 2021-06-29 | 2021-10-19 | 北京精密机电控制设备研究所 | 一种基于K-Means及步态周期相似性的运动模式识别方法 |
CN114092971A (zh) * | 2021-11-26 | 2022-02-25 | 重庆大学 | 一种基于视觉图像的人体动作评估方法 |
CN114334150A (zh) * | 2021-12-30 | 2022-04-12 | 北京鹰之眼智能健康科技有限公司 | 一种评估人体健康状态的方法和装置 |
CN114566249A (zh) * | 2022-04-29 | 2022-05-31 | 北京奥康达体育产业股份有限公司 | 一种人体运动安全风险评估分析*** |
CN115497626A (zh) * | 2022-10-17 | 2022-12-20 | 北京新清泰克科技有限公司 | 基于关节点识别的身体健康评估方法 |
CN115660503A (zh) * | 2022-11-09 | 2023-01-31 | 杭银消费金融股份有限公司 | 一种基于行为分析的项目健康度监测分析方法及设备 |
Non-Patent Citations (1)
Title |
---|
四肢联动在健康青年人心肺适能评估中应用的可行性分析;钱贞;陈伟;李瑾;高民;***;;中国全科医学(第35期);59-64 * |
Also Published As
Publication number | Publication date |
---|---|
CN116110584A (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101846370B1 (ko) | 심층신경망을 이용한 골 연령 산출방법 및 프로그램 | |
CN110444263B (zh) | 基于联邦学习的疾病数据处理方法、装置、设备及介质 | |
US11763603B2 (en) | Physical activity quantification and monitoring | |
US10657709B2 (en) | Generation of body models and measurements | |
Andersen et al. | A computationally efficient optimisation-based method for parameter identification of kinematically determinate and over-determinate biomechanical systems | |
CN105596021B (zh) | 图像分析装置和图像分析方法 | |
CN110766735B (zh) | 一种图像的匹配方法、装置、设备及存储介质 | |
CN109859823B (zh) | 计算个性化患者模型的方法、计算单元和计算机程序产品 | |
US20210020295A1 (en) | Physical function independence support device of physical function and method therefor | |
KR20220028654A (ko) | 미러 디스플레이를 이용하여 태권도 동작 코칭 서비스를 제공하는 장치 및 방법 | |
AU2020280078A1 (en) | Scoring metric for physical activity performance and training | |
JP6440135B1 (ja) | 医療情報仮想現実サーバ、医療情報仮想現実プログラム、および医療情報仮想現実用データの作製方法 | |
JP2013192569A (ja) | 画像処理装置、方法及びプログラム | |
CN113782149A (zh) | 健身方案信息的推荐方法和装置 | |
Maskeliūnas et al. | BiomacVR: A virtual reality-based system for precise human posture and motion analysis in rehabilitation exercises using depth sensors | |
Vakanski et al. | Metrics for performance evaluation of patient exercises during physical therapy | |
CN114419676A (zh) | 基于人工智能的坐姿分析方法、装置、计算机设备及介质 | |
CN116110584B (zh) | 一种人体健康风险评估预警*** | |
CN117392746A (zh) | 康复训练评估辅助方法、装置、计算机设备和存储介质 | |
CN116645391A (zh) | 学生脊柱健康管理***及方法 | |
Seredin et al. | The basic assembly of skeletal models in the fall detection problem | |
Xu et al. | Estimating 3-D L5/S1 moments during manual lifting using a video coding system: Validity and interrater reliability | |
Vermander et al. | Intelligent systems for sitting posture monitoring and anomaly detection: an overview | |
Liang et al. | Finite element-based machine learning method to predict breast displacement during running | |
Khairilanwar et al. | Physical activity technique monitoring (patmo) based pose estimation using cnn |
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 |