CN117612713A - 一种基于云计算的脑卒中行为的智能分析***及方法 - Google Patents
一种基于云计算的脑卒中行为的智能分析***及方法 Download PDFInfo
- Publication number
- CN117612713A CN117612713A CN202311293624.2A CN202311293624A CN117612713A CN 117612713 A CN117612713 A CN 117612713A CN 202311293624 A CN202311293624 A CN 202311293624A CN 117612713 A CN117612713 A CN 117612713A
- Authority
- CN
- China
- Prior art keywords
- behavior
- behavior state
- cerebral apoplexy
- data
- cerebral
- 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
- 208000006011 Stroke Diseases 0.000 title claims abstract description 154
- 206010008190 Cerebrovascular accident Diseases 0.000 title claims abstract description 135
- 230000002490 cerebral effect Effects 0.000 title claims abstract description 135
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000033001 locomotion Effects 0.000 claims abstract description 59
- 235000005911 diet Nutrition 0.000 claims abstract description 28
- 230000002093 peripheral effect Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000037213 diet Effects 0.000 claims abstract description 16
- 230000006399 behavior Effects 0.000 claims description 272
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 claims description 22
- 230000003442 weekly effect Effects 0.000 claims description 17
- 230000000378 dietary effect Effects 0.000 claims description 12
- 235000012000 cholesterol Nutrition 0.000 claims description 11
- 230000035622 drinking Effects 0.000 claims description 9
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 3
- 238000004040 coloring Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 235000013305 food Nutrition 0.000 description 4
- 230000002265 prevention Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 235000004213 low-fat Nutrition 0.000 description 2
- 235000015598 salt intake Nutrition 0.000 description 2
- 201000006474 Brain Ischemia Diseases 0.000 description 1
- 206010008120 Cerebral ischaemia Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 235000015278 beef Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000014121 butter Nutrition 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 208000037907 haemorrhagic injury Diseases 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 235000021374 legumes Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 208000037821 progressive disease Diseases 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012106 screening analysis Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 239000003760 tallow Substances 0.000 description 1
- 235000013311 vegetables Nutrition 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于云计算的脑卒中行为的智能分析***及方法,包括步骤一:获取脑卒中患者的行为数据,基于脑卒中患者的行为数据得到脑卒中患者的行为状态值,行为获取模块将得到的行为状态值传送至服务器;步骤二:接收服务器传送的行为状态值,根据行为状态值与行为状态极值进行比较处理,得到行为类型,并根据行为类型,X‑Y二维坐标系形成行为状态图像,基于对行为状态图像进行处理,获得个人行为状态;本发明通过对脑卒中患者的行为数据进行获取,即通过周运动数据、工作维度数据和饮食数据进行数据处理得到脑卒中患者的行为状态值,使行为状态值的数值大小对脑卒中患者的表征更加局面,行为状态值对脑卒中患者的表征更加具体和可靠。
Description
技术领域
本发明涉及智能分析技术领域,具体涉及一种基于云计算的脑卒中行为的智能分析***及方法。
背景技术
脑卒中作为一种急性脑血管病,其主要临床表现症状有脑组织缺血及出血性损伤,具体表现为高发病率、高致残率、高死亡率和高复发率。作为一个不可逆的、复杂的、循序渐进的疾病过程,脑卒中没有特定的治疗标准,家庭,社会危害性很大,通过对脑卒中预防筛查分析***进行脑卒中筛查可以有效预防中风和对治疗效果评估,提高病人预防意识,如果延缓中风发病年龄5-10年,将会减轻对家庭、国家、社会的经济负担和就医负担。
如专利申请号202110639300.4公开了一种基于云计算的脑卒中行为分析采集***,可穿戴设备用于采集实时状态参数;当患者位于第一目标范围的第一位置时,可穿戴设备将第一实时状态参数发送至第一边缘计算终端;第一边缘计算终端得出第一边缘计算结果;当第一边缘计算结果符合第一预设条件时,第一边缘计算终端将第一边缘计算结果和第一实时状态参数发送至云平台;云平台基于所述第一边缘计算结果和第一实时状态参数对该脑卒中患者执行行为分析,并基于行为分析结果给出反馈建议,本发明能够基于多维角度分析实现脑卒中患者行为分析。
现有技术中仍然缺少对脑卒中患者前期状态数据的一个监测分析,导致不能对脑卒中进行有效预防。
发明内容
本发明的目的在于提供一种基于云计算的脑卒中行为的智能分析***及方法,通过对脑卒中患者的行为数据进行获取,即通过周运动数据、工作维度数据和饮食数据进行数据处理得到脑卒中患者的行为状态值,该行为状态值从脑卒中患者的运动、工作、饮食、休息等多个维度对脑卒中患者的生活状态进行表征,使行为状态值的数值大小对脑卒中患者的表征更加全面,行为状态值对脑卒中患者的表征更加具体和可靠。
本发明的目的可以通过以下技术方案实现:
一种基于云计算的脑卒中行为的智能分析方法,包括以下步骤:
步骤一:获取脑卒中患者的行为数据,基于脑卒中患者的行为数据得到脑卒中患者的行为状态值,行为获取模块将得到的行为状态值传送至服务器;
步骤二:接收服务器传送的行为状态值,根据行为状态值与行为状态极值进行比较处理,得到行为类型,并根据行为类型,X-Y二维坐标系形成行为状态图像,基于对行为状态图像进行处理,获得个人行为状态。
作为本发明进一步的方案:行为数据包括脑卒中患者的周运动数据、工作维度数据和饮食数据;
通过脑卒中患者的周运动数据得到脑卒中患者运动因子Y;
通过脑卒中患者的工作维度数据得到脑卒中患者工作因子E;
通过脑卒中患者的饮食数据得到脑卒中患者饮食因子N。
作为本发明进一步的方案:脑卒中患者的行为状态值XW的获取过程为:
通过公式获取得到脑卒中患者的行为状态值
XW,其中,d1、d2、d3均为预设比例系数。
作为本发明进一步的方案:脑卒中患者运动因子Y的获取过程为:
周运动数据包括脑卒中患者的周运动强度、周运动频率和周运动时长;
将周运动强度标记为Y1;
将周运动频率标记为Y2;
将周运动时长标记为Y3;
对周运动数据的周运动强度Y1、周运动频率Y2和周运动时长Y3进行数据处理,获取脑卒中患者的运动因子Y,其中为特定比例系数,且。
作为本发明进一步的方案:脑卒中患者工作因子E的获取过程为:
工作维度数据包括脑卒中患者的周工作时长、周工作强度和周休息指数;
将周工作时长标记为E1;
将周工作强度标记为E2;
将周休息指数标记为E3;
对工作维度数据的周工作时长E1、周工作强度E2和周休息指数E3进行数据处理,
通过公式获取得到脑卒中患者的工作因子E。
作为本发明进一步的方案:脑卒中患者饮食因子N的获取过程为:
饮食数据包括脑卒中患者的周饮酒次数、周食盐摄入比、周胆固醇含量比;
将周饮酒次数标记为N1;
将周食盐摄入比标记为N2;
将周胆固醇含量比标记为N3;
对饮食数据的周饮酒次数N1、周食盐摄入比N2和周胆固醇含量比N3进行数据处
理,通过公式获取得到脑卒中患者的饮食因子N。
作为本发明进一步的方案:预设行为状态值的第一行为状态极值为XW1,行为状态值的第二行为状态极值XW2,其中,第一行为状态极值为XW1<第二行为状态极值XW2;
在XW<XW1时,得到第一行为信号,对第一行为信号范围内脑卒中患者的人数进行统计;
当XW1<XW<XW2时,得到第二行为信号,对并第二行为信号范围所述内脑卒中患者的人数进行统计;
当XW>XW2时,得到第三行为信号,对并第三行为信号范围内脑卒中患者的人数进行统计。
作为本发明进一步的方案:将脑卒中患者的人数最多的行为信号的行为类型定为第一危险类型;
将脑卒中患者的人数次之的行为信号的行为类型定为第二危险类型;
将脑卒中患者的人数最少的行为信号的行为类型定为第三危险类型。
作为本发明进一步的方案:获取第三危险类型所有脑卒中患者行为状态值的均值;
建立X-Y二维坐标系,将第三危险类型所对应的行为状态值的均值在X-Y二维坐标系内构建一条基准线;
分别获取将第一危险类型和第二危险类型的所有人的行为状态值,将所有人的行为状态值按连续周在X-Y二维坐标系内进行连线,形成行为状态图像;
将每个人的行为状态图像的两端分别垂直与基准线作辅助线,使行为状态图像形成封闭的图像;
对每个人的行为状态图像进行上色,对上色后的行为状态图像进行拍照得到行为状态照片,对行为状态照片放大若干倍形成像素表格照片,统计像素表格照片中上色的像素格个数;
将位于基准线上部的像素格个数记为+Xg,将位于基准线下部的像素格个数记为-Xg;
对基准线上部的像素格个数与基准线下部的像素格个数进行求和处理,得到行为状态像素格值XGg;
若行为状态像素格值XGg>0,则表示该个人的行为状态值整体向好;
若行为状态像素格值XGg≤0,则表示该个人的行为状态值整体向差。
一种基于云计算的脑卒中行为的智能分析***,包括:
行为获取模块,所述行为获取模块获取脑卒中患者的行为数据,基于脑卒中患者的行为数据得到脑卒中患者的行为状态值,行为获取模块将得到的行为状态值传送至服务器;
行为解析模块,所述行为解析模块接收服务器传送的行为状态值,根据行为状态值与行为状态极值进行比较处理,得到行为类型,并根据行为类型,X-Y二维坐标系形成行为状态图像,基于对行为状态图像进行处理,获得个人行为状态。
本发明的有益效果:
(1)本发明通过对脑卒中患者的行为数据进行获取,即通过周运动数据、工作维度数据和饮食数据进行数据处理得到脑卒中患者的行为状态值,该行为状态值从脑卒中患者的运动、工作、饮食、休息等多个维度对脑卒中患者的生活状态进行表征,使行为状态值的数值大小对脑卒中患者的表征更加局面,行为状态值对脑卒中患者的表征更加具体和可靠;
(2)本发明通过根据脑卒中患者的行为状态值与为状态极值进行比较处理,得到多种行为信号,并对每种行为信号内的脑卒中患者人数进行统计,根据脑卒中患者人数对行为信号进行危险类型进行识别,获取人数最少的危险类型人数行为状态值的均值,将该均值记为基准值,建立X-Y二维坐标系,将其余个人行为状态值按连续周在X-Y二维坐标系内进行连线,形成行为状态图像,对行为状态图像分析处理,获取每个人独立的行为状态像素格值,通过行为状态像素格值对该个人的行为状态进行表征,若该个人的行为状态值差,则表明该个人患脑卒中的概率极高,需要及时就医治疗,或在日常的行为活动中,加强个人运动、平衡饮食并建立良好的工作和休息关系,对个人患脑卒中的风险形成有效的风险识别,起到及时预防作用。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明的流程图;
图2是本发明的程序框图;
图3是本发明获取行为状态值的示意图。
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。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
请参阅图1所示,本发明为一种基于云计算的脑卒中行为的智能分析方法,包括以下步骤:
步骤一:获取脑卒中患者的行为数据,基于脑卒中患者的行为数据得到脑卒中患者的行为状态值,行为获取模块将得到的行为状态值传送至服务器;
步骤二:接收服务器传送的行为状态值,根据行为状态值与行为状态极值进行比较处理,得到行为类型,并根据行为类型,X-Y二维坐标系形成行为状态图像,基于对行为状态图像进行处理,获得个人行为状态。
实施例2
请参阅图2所示,本发明为一种基于云计算的脑卒中行为的智能分析***,包括行为获取模块、行为解析模块和服务器;
所述行为获取模块和行为解析模块与服务器电性连接;
行为获取模块获取脑卒中患者的行为数据,基于脑卒中患者的行为数据得到脑卒中患者的行为状态值,行为获取模块将得到的行为状态值传送至服务器;
行为解析模块接收服务器传送的行为状态值,根据行为状态值与行为状态极值进行比较处理,得到行为类型,并根据行为类型,X-Y二维坐标系形成行为状态图像,基于对行为状态图像进行处理,获得个人行为状态。
行为数据包括脑卒中患者的周运动数据、工作维度数据和饮食数据;
其中,周运动数据包括脑卒中患者的周运动强度、周运动频率和周运动时长;
周运动强度通过心率法评定得到,将周运动强度标记为Y1;
周运动频率为脑卒中患者每周运动次数与周天数的比值,将周运动频率标记为Y2;
周运动时长为脑卒中患者每周运动总时间,将周运动时长标记为Y3;
对周运动数据的周运动强度Y1、周运动频率Y2和周运动时长Y3进行数据处理,获取脑卒中患者的运动因子Y,其中为特定比例系数,且;
其中,工作维度数据包括脑卒中患者的周工作时长、周工作强度和周休息指数;
周工作时长为脑卒中患者每周的工作总时间长度,将周工作时长标记为E1;
周工作强度通过工资与法律规定的工作时间的比率计算得到,将周工作强度标记为E2;
周休息指数为脑卒中患者每周的睡觉总时间长度,将周休息指数标记为E3;
对工作维度数据的周工作时长E1、周工作强度E2和周休息指数E3进行数据处理,
通过公式获取得到脑卒中患者的工作因子E;
其中,饮食数据包括脑卒中患者的周饮酒次数、周食盐摄入比、周胆固醇含量比;
周饮酒次数为脑卒中患者每周的饮酒次数,将周饮酒次数标记为N1;
周食盐摄入比为周食盐摄入量的均值与周食盐摄入基准值的比值;
将周期内的食盐摄入量总量记为Nz,日食盐摄入基准值为5g,周食盐摄入基准值为35g;
通过公式获取得到脑卒患者的周食盐摄入比N2,为预设修正系数,取1.2356;
周胆固醇含量比为周内摄入高胆固醇的食物总质量与摄入低脂肪的食物总质量的比值,将周胆固醇含量比标记为N3;
其中,高胆固醇的食物包括牛油、猪油和奶油;
低脂肪的食物包括蔬菜、水果、蛋类、豆类、粗纤维谷物和各类奶制品;
对饮食数据的周饮酒次数N1、周食盐摄入比N2和周胆固醇含量比N3进行数据处
理,通过公式获取得到脑卒中患者的饮食因子N;
对脑卒中患者运动因子Y、工作因子E和饮食因子N进行处理,通过公式获取得到脑卒中患者的行为状态值XW,其中,d1、d2、d3均
为预设比例系数。
行为解析模块
行为解析模块接收服务器传送的行为状态值,根据行为状态值与行为状态极值进行比较处理,得到行为类型,并根据行为类型,X-Y二维坐标系形成行为状态图像,基于对行为状态图像进行处理,获得个人行为状态;
预设行为状态值的第一行为状态极值为XW1,行为状态值的第二行为状态极值XW2,其中,第一行为状态极值为XW1<第二行为状态极值XW2;
在XW<XW1时,得到第一行为信号,对第一行为信号范围内脑卒中患者的人数进行统计;
当XW1<XW<XW2时,得到第二行为信号,对并第二行为信号范围所述内脑卒中患者的人数进行统计;
当XW>XW2时,得到第三行为信号,对并第三行为信号范围内脑卒中患者的人数进行统计;
根据各个行为信号的人数对行为信号的行为类型进行识别;
将脑卒中患者的人数最多的行为信号的行为类型定为第一危险类型;
将脑卒中患者的人数次之的行为信号的行为类型定为第二危险类型;
将脑卒中患者的人数最少的行为信号的行为类型定为第三危险类型;
获取第三危险类型所有脑卒中患者行为状态值的均值;
建立X-Y二维坐标系,将第三危险类型所对应的行为状态值的均值在X-Y二维坐标系内构建一条基准线;
分别获取将第一危险类型和第二危险类型的所有人的行为状态值,将所有人的行为状态值按连续周在X-Y二维坐标系内进行连线,形成行为状态图像;
将每个人的行为状态图像的两端分别垂直与基准线作辅助线,使行为状态图像形成封闭的图像;
对每个人的行为状态图像进行上色,对上色后的行为状态图像进行拍照得到行为状态照片,对行为状态照片放大若干倍形成像素表格照片,统计像素表格照片中上色的像素格个数;
将位于基准线上部的像素格个数记为+Xg,将位于基准线下部的像素格个数记为-Xg;
对基准线上部的像素格个数与基准线下部的像素格个数进行求和处理,得到行为状态像素格值XGg;
若行为状态像素格值XGg>0,则表示该个人的行为状态值整体向好;
若行为状态像素格值XGg≤0,则表示该个人的行为状态值整体向差;
其中,行为状态像素格值XGg越大,则说明该个人的行为状态值越好,患脑卒中的概率越低;
行为状态像素格值XGg越小,则说明该个人的行为状态值越差,患脑卒中的概率越高;
在一个具体的实施例中,对于个人行为状态像素格值XGg小于0时,则表明该个人患脑卒中的概率极高,需要及时就医治疗,或在日常的行为活动中,加强个人运动、平衡饮食并建立良好的工作和休息关系。
本发明的核心点之一:在于通过对脑卒中患者的行为数据进行获取,即通过周运动数据、工作维度数据和饮食数据进行数据处理得到脑卒中患者的行为状态值,该行为状态值从脑卒中患者的运动、工作、饮食、休息等多个维度对脑卒中患者的生活状态进行表征,使行为状态值的数值大小对脑卒中患者的表征更加局面,行为状态值对脑卒中患者的表征更加具体和可靠;
本发明的核心点之二:在于通过根据脑卒中患者的行为状态值与为状态极值进行比较处理,得到多种行为信号,并对每种行为信号内的脑卒中患者人数进行统计,根据脑卒中患者人数对行为信号进行危险类型进行识别,获取人数最少的危险类型人数行为状态值的均值,将该均值记为基准值,建立X-Y二维坐标系,将其余个人行为状态值按连续周在X-Y二维坐标系内进行连线,形成行为状态图像,对行为状态图像分析处理,获取每个人独立的行为状态像素格值,通过行为状态像素格值对该个人的行为状态进行表征,若该个人的行为状态值差,则表明该个人患脑卒中的概率极高,需要及时就医治疗,或在日常的行为活动中,加强个人运动、平衡饮食并建立良好的工作和休息关系,对个人患脑卒中的风险形成有效的风险识别,起到及时预防作用。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (10)
1.一种基于云计算的脑卒中行为的智能分析方法,其特征在于,包括以下步骤:
步骤一:获取脑卒中患者的行为数据,基于脑卒中患者的行为数据得到脑卒中患者的行为状态值,行为获取模块将得到的行为状态值传送至服务器;
步骤二:接收服务器传送的行为状态值,根据行为状态值与行为状态极值进行比较处理,得到行为类型,并根据行为类型,X-Y二维坐标系形成行为状态图像,基于对行为状态图像进行处理,获得个人行为状态。
2.根据权利要求1所述的一种基于云计算的脑卒中行为的智能分析方法,其特征在于,行为数据包括脑卒中患者的周运动数据、工作维度数据和饮食数据;
通过脑卒中患者的周运动数据得到脑卒中患者运动因子Y;
通过脑卒中患者的工作维度数据得到脑卒中患者工作因子E;
通过脑卒中患者的饮食数据得到脑卒中患者饮食因子N。
3.根据权利要求2所述的一种基于云计算的脑卒中行为的智能分析方法,其特征在于,脑卒中患者的行为状态值XW的获取过程为:
通过公式获取得到脑卒中患者的行为状态值XW,其中,d1、d2、d3均为预设比例系数。
4.根据权利要求2所述的一种基于云计算的脑卒中行为的智能分析方法,其特征在于,脑卒中患者运动因子Y的获取过程为:
周运动数据包括脑卒中患者的周运动强度、周运动频率和周运动时长;
将周运动强度标记为Y1;
将周运动频率标记为Y2;
将周运动时长标记为Y3;
对周运动数据的周运动强度Y1、周运动频率Y2和周运动时长Y3进行数据处理,获取脑卒中患者的运动因子Y,其中/>为特定比例系数,且/>。
5.根据权利要求2所述的一种基于云计算的脑卒中行为的智能分析方法,其特征在于,脑卒中患者工作因子E的获取过程为:
工作维度数据包括脑卒中患者的周工作时长、周工作强度和周休息指数;
将周工作时长标记为E1;
将周工作强度标记为E2;
将周休息指数标记为E3;
对工作维度数据的周工作时长E1、周工作强度E2和周休息指数E3进行数据处理,通过公式获取得到脑卒中患者的工作因子E。
6.根据权利要求2所述的一种基于云计算的脑卒中行为的智能分析方法,其特征在于,脑卒中患者饮食因子N的获取过程为:
饮食数据包括脑卒中患者的周饮酒次数、周食盐摄入比、周胆固醇含量比;
将周饮酒次数标记为N1;
将周食盐摄入比标记为N2;
将周胆固醇含量比标记为N3;
对饮食数据的周饮酒次数N1、周食盐摄入比N2和周胆固醇含量比N3进行数据处理,通过公式获取得到脑卒中患者的饮食因子N。
7.根据权利要求3所述的一种基于云计算的脑卒中行为的智能分析方法,其特征在于,预设行为状态值的第一行为状态极值为XW1,行为状态值的第二行为状态极值XW2,其中,第一行为状态极值为XW1<第二行为状态极值XW2;
在XW<XW1时,得到第一行为信号,对第一行为信号范围内脑卒中患者的人数进行统计;
当XW1<XW<XW2时,得到第二行为信号,对并第二行为信号范围所述内脑卒中患者的人数进行统计;
当XW>XW2时,得到第三行为信号,对并第三行为信号范围内脑卒中患者的人数进行统计。
8.根据权利要求7所述的一种基于云计算的脑卒中行为的智能分析方法,其特征在于,将脑卒中患者的人数最多的行为信号的行为类型定为第一危险类型;
将脑卒中患者的人数次之的行为信号的行为类型定为第二危险类型;
将脑卒中患者的人数最少的行为信号的行为类型定为第三危险类型。
9.根据权利要求1所述的一种基于云计算的脑卒中行为的智能分析方法,其特征在于,获取第三危险类型所有脑卒中患者行为状态值的均值;
建立X-Y二维坐标系,将第三危险类型所对应的行为状态值的均值在X-Y二维坐标系内构建一条基准线;
分别获取将第一危险类型和第二危险类型的所有人的行为状态值,将所有人的行为状态值按连续周在X-Y二维坐标系内进行连线,形成行为状态图像;
将每个人的行为状态图像的两端分别垂直与基准线作辅助线,使行为状态图像形成封闭的图像;
对每个人的行为状态图像进行上色,对上色后的行为状态图像进行拍照得到行为状态照片,对行为状态照片放大若干倍形成像素表格照片,统计像素表格照片中上色的像素格个数;
将位于基准线上部的像素格个数记为+Xg,将位于基准线下部的像素格个数记为-Xg;
对基准线上部的像素格个数与基准线下部的像素格个数进行求和处理,得到行为状态像素格值XGg;
若行为状态像素格值XGg>0,则表示该个人的行为状态值整体向好;
若行为状态像素格值XGg≤0,则表示该个人的行为状态值整体向差。
10.一种根据权利要求1-9任一项所述的方法的智能分析***,其特征在于,包括:
行为获取模块,所述行为获取模块获取脑卒中患者的行为数据,基于脑卒中患者的行为数据得到脑卒中患者的行为状态值,行为获取模块将得到的行为状态值传送至服务器;
行为解析模块,所述行为解析模块接收服务器传送的行为状态值,根据行为状态值与行为状态极值进行比较处理,得到行为类型,并根据行为类型,X-Y二维坐标系形成行为状态图像,基于对行为状态图像进行处理,获得个人行为状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311293624.2A CN117612713B (zh) | 2023-10-08 | 2023-10-08 | 一种基于云计算的脑卒中行为的智能分析***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311293624.2A CN117612713B (zh) | 2023-10-08 | 2023-10-08 | 一种基于云计算的脑卒中行为的智能分析***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117612713A true CN117612713A (zh) | 2024-02-27 |
CN117612713B CN117612713B (zh) | 2024-06-11 |
Family
ID=89944857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311293624.2A Active CN117612713B (zh) | 2023-10-08 | 2023-10-08 | 一种基于云计算的脑卒中行为的智能分析***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117612713B (zh) |
Citations (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002024469A (ja) * | 2000-07-04 | 2002-01-25 | Akita Prefecture | 脳卒中発症予測方法及びシステム |
CN101355449A (zh) * | 2008-09-19 | 2009-01-28 | 武汉噢易科技有限公司 | 一种电脑用户行为智能分析***及分析方法 |
CN104318578A (zh) * | 2014-11-12 | 2015-01-28 | 苏州科达科技股份有限公司 | 一种视频图像分析方法及*** |
CN104468660A (zh) * | 2013-09-18 | 2015-03-25 | 天津新云网络技术有限公司 | 一种云数据中心内容管理平台 |
CN104969875A (zh) * | 2015-07-23 | 2015-10-14 | 中山大学深圳研究院 | 一种基于图像变化的宠物行为检测*** |
KR20150130116A (ko) * | 2014-05-13 | 2015-11-23 | 재단법인대구경북과학기술원 | 수면 중 뇌졸중 판단 장치 및 방법 |
KR20160036517A (ko) * | 2014-09-25 | 2016-04-04 | 재단법인 아산사회복지재단 | 뇌졸중 전자동 경색부 구분 방법 |
CN107273704A (zh) * | 2017-07-12 | 2017-10-20 | 北京航空航天大学 | 一种脑卒中复发预测模型的建立方法及装置 |
CN107273652A (zh) * | 2017-03-10 | 2017-10-20 | 马立伟 | 智能脑卒中风险监控*** |
CN108665970A (zh) * | 2018-05-15 | 2018-10-16 | 天津摩嵌动力技术有限公司 | 一种基于网络服务一体化的数字化医疗健康监测*** |
CN109672671A (zh) * | 2018-12-12 | 2019-04-23 | 北京华清信安科技有限公司 | 基于智能行为分析的安全网关及安全防护*** |
CN110830767A (zh) * | 2019-10-31 | 2020-02-21 | 深圳大学 | 一种主动智能行为分析报警装置 |
CN111127263A (zh) * | 2019-11-21 | 2020-05-08 | 张梓恒 | 一种基于区块链的学生成长发展智能分析平台 |
CN111430029A (zh) * | 2020-03-24 | 2020-07-17 | 浙江达美生物技术有限公司 | 基于人工智能的多维度脑卒中预防筛查方法 |
KR102219201B1 (ko) * | 2020-10-06 | 2021-02-23 | 주식회사 휴런 | 뇌졸중이 존재하는 환자군을 선별하여 임상시험 성공 확률을 높이는 방법 |
CN112967807A (zh) * | 2021-03-03 | 2021-06-15 | 吾征智能技术(北京)有限公司 | 基于饮食行为预测脑卒中的***、设备及存储介质 |
CN113270196A (zh) * | 2021-05-25 | 2021-08-17 | 郑州大学 | 一种脑卒中复发风险感知与行为决策模型构建***及方法 |
CN113362968A (zh) * | 2021-06-08 | 2021-09-07 | 郑州大学 | 基于云计算的脑卒中行为分析采集*** |
CN113611428A (zh) * | 2021-08-16 | 2021-11-05 | 新乡医学院第一附属医院 | 一种脑卒中高危人群筛选方法和*** |
US20220160287A1 (en) * | 2016-03-04 | 2022-05-26 | Brainsview Inc. | System, process, and devices for real-time brain monitoring |
CN114566283A (zh) * | 2022-03-11 | 2022-05-31 | 山东中医药大学附属医院 | 基于脑卒中患者日常保护***及预防方法 |
CN114822838A (zh) * | 2022-03-14 | 2022-07-29 | 海南医学院 | 一种脑卒中患者跌倒风险预测模型的构建方法及*** |
CN114822851A (zh) * | 2022-05-16 | 2022-07-29 | 郑州大学 | 一种脑卒中复发风险预警模型及分级干预*** |
WO2022179637A1 (zh) * | 2021-02-26 | 2022-09-01 | 中国医学科学院阜外医院 | 脑卒中多基因遗传风险评分及发病风险评估装置及其应用 |
CN116230233A (zh) * | 2023-03-13 | 2023-06-06 | 无锡市第九人民医院 | 一种脑卒中患者的落床风险评估方法及*** |
CN116682556A (zh) * | 2023-06-02 | 2023-09-01 | 浙江中医药大学附属第三医院(浙江省中山医院) | 临床多源数据康复监测方法 |
CN116779164A (zh) * | 2023-06-16 | 2023-09-19 | 中国疾病预防控制中心慢性非传染性疾病预防控制中心 | 一种慢性病共病患者自我管理评价量表的生成方法 |
WO2023179305A1 (zh) * | 2022-03-25 | 2023-09-28 | 丹阳慧创医疗设备有限公司 | 用近红外脑功能成像装置进行卒中康复分析的方法、*** |
-
2023
- 2023-10-08 CN CN202311293624.2A patent/CN117612713B/zh active Active
Patent Citations (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002024469A (ja) * | 2000-07-04 | 2002-01-25 | Akita Prefecture | 脳卒中発症予測方法及びシステム |
CN101355449A (zh) * | 2008-09-19 | 2009-01-28 | 武汉噢易科技有限公司 | 一种电脑用户行为智能分析***及分析方法 |
CN104468660A (zh) * | 2013-09-18 | 2015-03-25 | 天津新云网络技术有限公司 | 一种云数据中心内容管理平台 |
KR20150130116A (ko) * | 2014-05-13 | 2015-11-23 | 재단법인대구경북과학기술원 | 수면 중 뇌졸중 판단 장치 및 방법 |
KR20160036517A (ko) * | 2014-09-25 | 2016-04-04 | 재단법인 아산사회복지재단 | 뇌졸중 전자동 경색부 구분 방법 |
CN104318578A (zh) * | 2014-11-12 | 2015-01-28 | 苏州科达科技股份有限公司 | 一种视频图像分析方法及*** |
CN104969875A (zh) * | 2015-07-23 | 2015-10-14 | 中山大学深圳研究院 | 一种基于图像变化的宠物行为检测*** |
US20220160287A1 (en) * | 2016-03-04 | 2022-05-26 | Brainsview Inc. | System, process, and devices for real-time brain monitoring |
CN107273652A (zh) * | 2017-03-10 | 2017-10-20 | 马立伟 | 智能脑卒中风险监控*** |
CN107273704A (zh) * | 2017-07-12 | 2017-10-20 | 北京航空航天大学 | 一种脑卒中复发预测模型的建立方法及装置 |
CN108665970A (zh) * | 2018-05-15 | 2018-10-16 | 天津摩嵌动力技术有限公司 | 一种基于网络服务一体化的数字化医疗健康监测*** |
CN109672671A (zh) * | 2018-12-12 | 2019-04-23 | 北京华清信安科技有限公司 | 基于智能行为分析的安全网关及安全防护*** |
CN110830767A (zh) * | 2019-10-31 | 2020-02-21 | 深圳大学 | 一种主动智能行为分析报警装置 |
CN111127263A (zh) * | 2019-11-21 | 2020-05-08 | 张梓恒 | 一种基于区块链的学生成长发展智能分析平台 |
CN111430029A (zh) * | 2020-03-24 | 2020-07-17 | 浙江达美生物技术有限公司 | 基于人工智能的多维度脑卒中预防筛查方法 |
KR102219201B1 (ko) * | 2020-10-06 | 2021-02-23 | 주식회사 휴런 | 뇌졸중이 존재하는 환자군을 선별하여 임상시험 성공 확률을 높이는 방법 |
WO2022179637A1 (zh) * | 2021-02-26 | 2022-09-01 | 中国医学科学院阜外医院 | 脑卒中多基因遗传风险评分及发病风险评估装置及其应用 |
CN112967807A (zh) * | 2021-03-03 | 2021-06-15 | 吾征智能技术(北京)有限公司 | 基于饮食行为预测脑卒中的***、设备及存储介质 |
CN113270196A (zh) * | 2021-05-25 | 2021-08-17 | 郑州大学 | 一种脑卒中复发风险感知与行为决策模型构建***及方法 |
CN113362968A (zh) * | 2021-06-08 | 2021-09-07 | 郑州大学 | 基于云计算的脑卒中行为分析采集*** |
CN113611428A (zh) * | 2021-08-16 | 2021-11-05 | 新乡医学院第一附属医院 | 一种脑卒中高危人群筛选方法和*** |
CN114566283A (zh) * | 2022-03-11 | 2022-05-31 | 山东中医药大学附属医院 | 基于脑卒中患者日常保护***及预防方法 |
CN114822838A (zh) * | 2022-03-14 | 2022-07-29 | 海南医学院 | 一种脑卒中患者跌倒风险预测模型的构建方法及*** |
WO2023179305A1 (zh) * | 2022-03-25 | 2023-09-28 | 丹阳慧创医疗设备有限公司 | 用近红外脑功能成像装置进行卒中康复分析的方法、*** |
CN114822851A (zh) * | 2022-05-16 | 2022-07-29 | 郑州大学 | 一种脑卒中复发风险预警模型及分级干预*** |
CN116230233A (zh) * | 2023-03-13 | 2023-06-06 | 无锡市第九人民医院 | 一种脑卒中患者的落床风险评估方法及*** |
CN116682556A (zh) * | 2023-06-02 | 2023-09-01 | 浙江中医药大学附属第三医院(浙江省中山医院) | 临床多源数据康复监测方法 |
CN116779164A (zh) * | 2023-06-16 | 2023-09-19 | 中国疾病预防控制中心慢性非传染性疾病预防控制中心 | 一种慢性病共病患者自我管理评价量表的生成方法 |
Non-Patent Citations (3)
Title |
---|
ZHANG XT,ET AL: "a nested pneumatic muscle arrangement for amplified stroke and force behaviour", JOURNAL OF INTELLIGENT MATERIAL SYSTEMS AND STRUCTURE, vol. 29, no. 6, 30 April 2018 (2018-04-30), pages 1139 - 1156 * |
李 会, 等: "脑卒中后认知障碍风险预测模型研究进展", 护理研究, vol. 36, no. 20, 31 October 2022 (2022-10-31), pages 3645 - 3650 * |
贾彩玲;: "社区护理干预对提升脑卒中合并高血压患者生活质量的价值分析", 首都食品与医药, vol. 27, no. 03, 1 February 2020 (2020-02-01), pages 159 - 160 * |
Also Published As
Publication number | Publication date |
---|---|
CN117612713B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | Hyperspectral imaging as an effective tool for quality analysis and control of fish and other seafoods: Current research and potential applications | |
Ma et al. | Multispectral imaging for rapid and non-destructive determination of aerobic plate count (APC) in cooked pork sausages | |
Gillespie et al. | Listeria monocytogenes infection in the over-60s in England between 2005 and 2008: a retrospective case–control study utilizing market research panel data | |
Przybylski et al. | Effect of heat treatment by the sous-vide method on the quality of poultry meat | |
Ghasemi-Varnamkhasti et al. | Application of image analysis combined with computational expert approaches for shrimp freshness evaluation | |
Ilic et al. | Influence of boiling, steaming, and sous-vide on oral processing parameters of celeriac (Apium graveolens var. rapaceum) | |
Piperata et al. | Intra‐population variation in anemia status and its relationship to economic status and self‐perceived health in the Mexican family life survey: Implications for bioarchaeology | |
Ratprakhon et al. | Developing an automatic color determination procedure for the quality assessment of mangos (Mangifera indica) using a CCD camera and color standards | |
Ropelewska et al. | Effect of lacto-fermentation and freeze-drying on the quality of beetroot evaluated using machine vision and sensory analysis | |
Hasani et al. | Effect of combination of time and temperature on quality characteristics of sous vide chicken breast | |
Bechtel et al. | Effect of par frying on composition and texture of breaded and battered catfish | |
Echegaray et al. | Total phenol content and antioxidant activity of different celta pig carcass locations as affected by the finishing diet (chestnuts or commercial feed) | |
Martins et al. | Portuguese local pig breeds: Genotype effects on meat and fat quality traits | |
Hassoun et al. | Use of spectroscopic techniques for a rapid and non-destructive monitoring of thermal treatments and storage time of sous-vide cooked cod fillets | |
Cho et al. | Effect of searing process on quality characteristics and storage stability of sous-vide cooked pork patties | |
CN117612713B (zh) | 一种基于云计算的脑卒中行为的智能分析***及方法 | |
Tahsin et al. | A review on the techniques for quality assurance of fish and fish products | |
Modzelewska-Kapituła et al. | The influence of sous vide parameters on nutritional characteristics and safety of pikeperch fillets | |
Miguel et al. | Liveweight and sex effects on instrumental meat quality of Rubia de El Molar autochthonous ovine breed | |
Sujarwanta et al. | Rice bran makes a healthy and tasty traditional Indonesian goat meatball,‘bakso’ | |
Rybicka et al. | The development of smoked mackerel with reduced sodium content | |
Ropelewska et al. | Relationship of Textures from Tomato Fruit Images Acquired Using a Digital Camera and Lycopene Content Determined by High-Performance Liquid Chromatography | |
Leiva-Valenzuela et al. | Statistical pattern recognition classification with computer vision images for assessing the furan content of fried dough pieces | |
Chung et al. | Effect of monosodium glutamate on salt and sugar content reduction in cooked foods for the sensory characteristics and consumer acceptability | |
Oliveira et al. | Physicochemical properties and consumer acceptance of hamburgers processed with chicken meat affected by wooden breast myopathy |
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 |