遠程家庭保健系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種遠程家庭保健系統(tǒng)。該系統(tǒng)包括：融合分檢子系統(tǒng)，用于實時接收傳感器采集到的體征數(shù)據(jù)參數(shù)，對體征數(shù)據(jù)參數(shù)進行融合分檢處理，并根據(jù)生理數(shù)據(jù)和生理模型庫中的生理模型對用戶的身體狀況進行實時的預診和反饋；資源優(yōu)化子系統(tǒng)，用于對生理數(shù)據(jù)庫中的生理數(shù)據(jù)進行定期優(yōu)化，根據(jù)生理數(shù)據(jù)庫中的歷史生理數(shù)據(jù)生成針對用戶的個性化生理模型，將生理模型存儲在生理模型庫中，并根據(jù)生理數(shù)據(jù)庫中的最新生理數(shù)據(jù)更新生理模型庫中的生理模型；綜合評估子系統(tǒng)，用于根據(jù)生理數(shù)據(jù)庫中的生理數(shù)據(jù)和生理模型庫中的生理模型預測用戶的體征變化趨勢和體征動態(tài)變化范圍，并根據(jù)生理數(shù)據(jù)和預測結(jié)果對用戶進行健康評估。
【專利說明】遠程家庭保健系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計算機領(lǐng)域，特別是涉及一種遠程家庭保健系統(tǒng)。
【背景技術(shù)】
[0002]在現(xiàn)有技術(shù)中，家庭醫(yī)療監(jiān)護系統(tǒng)能夠接收多種生理傳感器采集的體征信息，并通過網(wǎng)絡(luò)傳輸?shù)竭h程監(jiān)護中心，能夠長期、連續(xù)地觀測被監(jiān)護人各項身體指標，達到健康監(jiān)護和異常報警的目的。遠程的專家會診和健康評估是指健康顧問對個人健康檔案加以解讀，評估用戶目前的健康狀況，為用戶提供有針對性的健康指導意見。
[0003]目前，現(xiàn)有技術(shù)中存在以下問題，具體包括:
[0004]1、缺乏智能診斷技術(shù):目前的遠程家庭醫(yī)療監(jiān)護系統(tǒng)，將大量數(shù)據(jù)傳輸至遠程監(jiān)護中心后，主要依靠人工進行數(shù)據(jù)的監(jiān)測和健康診斷，這不但加重了醫(yī)生的負擔，同時也很難提聞系統(tǒng)效率。
[0005]2、缺乏個性化。目前的家庭醫(yī)療監(jiān)護系統(tǒng)的診斷報警，都是采用門限值告警的方式，缺乏個性化。對于不同的監(jiān)護對象來說，對應(yīng)的生理情況不同，需要個性化、智能化的輔助診斷技術(shù)。
[0006]3、歷史數(shù)據(jù)錯漏。用戶的生理數(shù)據(jù)采集記錄和健康檔案缺乏必要的維護和優(yōu)化管理，對于普遍存在的數(shù)據(jù)損壞和缺失現(xiàn)象，需要采取一定的修復和彌補方法。
[0007]4、錯誤報警率高。生理傳感器精確度和準確性偶爾會失效，同時，簡單的門限值告警方法很容易導致身體狀況的誤判和漏判。如何將其中錯誤矛盾的信息，獲取更多一致、有效的信息，提高信息的精確度與可信度，是亟待解決的重要問題。高概率的錯誤報警不但影響家庭正常生活，還會導致用戶對報警信號的不信任，延誤真實病情。
[0008]基于以上幾大問題的考慮，遠程家庭醫(yī)療監(jiān)護系統(tǒng)亟需一種智能化、個性化的健康檢測和評估方案。

【發(fā)明內(nèi)容】

[0009]本發(fā)明提供一種遠程家庭保健系統(tǒng)，以解決現(xiàn)有技術(shù)中遠程家庭醫(yī)療保健系統(tǒng)普遍存在的錯誤報警率高、歷史數(shù)據(jù)錯漏、以及缺乏智能化、個性化健康診斷技術(shù)的問題。
[0010]本發(fā)明提供一種遠程家庭保健系統(tǒng)，包括:融合分檢子系統(tǒng)，用于實時接收傳感器采集到的體征數(shù)據(jù)參數(shù)，對體征數(shù)據(jù)參數(shù)進行融合分檢處理，根據(jù)體征數(shù)據(jù)參數(shù)和生理模型庫中的生理模型對用戶的身體狀況進行實時的預診，同時發(fā)現(xiàn)體征數(shù)據(jù)參數(shù)中的錯誤數(shù)據(jù)，并將錯誤數(shù)據(jù)濾除，將融合分檢處理后的數(shù)據(jù)作為生理數(shù)據(jù)存儲到生理數(shù)據(jù)庫；資源優(yōu)化子系統(tǒng)，用于對生理數(shù)據(jù)庫中的生理數(shù)據(jù)進行定期的自我修復和優(yōu)化，根據(jù)生理數(shù)據(jù)庫中的歷史生理數(shù)據(jù)生成針對用戶的個性化生理模型，將生理模型存儲在生理模型庫中，并根據(jù)生理數(shù)據(jù)庫中的最新生理數(shù)據(jù)更新生理模型庫中的生理模型；綜合評估子系統(tǒng)，用于根據(jù)生理數(shù)據(jù)庫中的生理數(shù)據(jù)和生理模型庫中的生理模型預測用戶的體征變化趨勢和體征動態(tài)變化范圍，并根據(jù)生理數(shù)據(jù)和體征變化趨勢和體征動態(tài)變化范圍對用戶進行健康評估；生理數(shù)據(jù)庫，用于存儲用戶的生理數(shù)據(jù)；生理模型庫，用于存儲用戶的生理模型。
[0011]優(yōu)選地，生理數(shù)據(jù)庫中的生理數(shù)據(jù)包括:體征數(shù)據(jù)、電子病歷、以及健康檔案。
[0012]優(yōu)選地，融合分檢子系統(tǒng)進一步用于:在將體征數(shù)據(jù)參數(shù)存儲到生理數(shù)據(jù)庫之前，通過融合分檢處理刪除其中的錯誤數(shù)據(jù)。
[0013]優(yōu)選地，融合分檢子系統(tǒng)具體包括:運動狀態(tài)檢測模塊，用于根據(jù)傳感器實時采集的生理數(shù)據(jù)檢測用戶是否發(fā)生摔倒和是否處于運動狀態(tài)，若檢測到摔倒，則進行摔倒或異常體位報警，并將摔倒或異常體位報警發(fā)送到報警模塊；若檢測到處于運動狀態(tài)，則將運動信息發(fā)送到健康檢測模塊；健康檢測模塊，用于根據(jù)獲取的生理數(shù)據(jù)和運動信息進行數(shù)據(jù)融合關(guān)聯(lián)性處理和歷史數(shù)據(jù)關(guān)聯(lián)性處理，并根據(jù)相應(yīng)的生理數(shù)據(jù)和相應(yīng)生理模型進行疾病判決和生理數(shù)據(jù)錯誤發(fā)現(xiàn)，輸出相應(yīng)的疾病預診結(jié)果，并在疾病預診結(jié)果異常的情況下，進行疾病報警，將疾病預診結(jié)果和疾病報警發(fā)送到報警模塊，將生理數(shù)據(jù)錯誤信號發(fā)送到錯誤定位模塊；錯誤定位模塊，用于接收健康檢測模塊發(fā)送的生理數(shù)據(jù)錯誤信號，對出現(xiàn)錯誤的傳感器進行定位，啟動傳感器出錯報警，提醒用戶檢查相應(yīng)的傳感器；報警模塊，用于根據(jù)運動狀態(tài)檢測模塊發(fā)送的摔倒或異常體位報警、以及健康檢測模塊發(fā)送的疾病預診結(jié)果和疾病報警進行綜合計算，輸出最終報警信息，在根據(jù)最終報警信息確定用戶出現(xiàn)危險情況時，自動向醫(yī)療機構(gòu)和/或用戶家屬進行報警，并發(fā)送用戶的當前異常的生理數(shù)據(jù)。
[0014]優(yōu)選地，健康檢測模塊具體用于:將獲取的各種生理數(shù)據(jù)進行數(shù)據(jù)融合關(guān)聯(lián)性處理；利用公式I根據(jù)傳感器實時采集的各種生理數(shù)據(jù)和生理數(shù)據(jù)庫中存儲的歷史生理數(shù)據(jù)進行歷史數(shù)據(jù)關(guān)聯(lián)性處理；PD (tn)=CP (tn) - NP (tn)，其中，tn為一日內(nèi)任意時間，H)為體征差值，CP為當前某一體征檢測值，NP為體征參考值。
[0015]優(yōu)選地，健康檢測模塊具體包括:發(fā)熱檢測模塊，用于根據(jù)傳感器實時采集的各種生理數(shù)據(jù)、生理數(shù)據(jù)庫中存儲的歷史生理數(shù)據(jù)進行歷史數(shù)據(jù)關(guān)聯(lián)性處理，并結(jié)合運動信息和相應(yīng)生理模型判斷是否發(fā)熱，并進行生理數(shù)據(jù)錯誤發(fā)現(xiàn)，輸出發(fā)熱預診結(jié)果，并在發(fā)熱預診結(jié)果異常的情況下，進行發(fā)熱報警，其中，獲取的生理數(shù)據(jù)包括:體溫參數(shù)、以及心率參數(shù)；感冒檢測模塊，用于根據(jù)傳感器實時采集的各種生理數(shù)據(jù)、生理數(shù)據(jù)庫中存儲的歷史生理數(shù)據(jù)進行歷史數(shù)據(jù)關(guān)聯(lián)性處理，并結(jié)合運動信息和相應(yīng)的生理數(shù)據(jù)和相應(yīng)生理模型判斷是否感冒，并進行生理數(shù)據(jù)錯誤發(fā)現(xiàn)，輸出感冒預診結(jié)果，并在感冒預診結(jié)果異常的情況下，進行感冒報警，其中，獲取的生理數(shù)據(jù)包括:體溫參數(shù)、心率參數(shù)、以及血氧參數(shù)；心臟血壓檢測模塊，用于根據(jù)傳感器實時采集的各種生理數(shù)據(jù)中的心率參數(shù)、收縮壓參數(shù)、舒張壓參數(shù)進行數(shù)據(jù)融合關(guān)聯(lián)性處理，再將原始的輸入?yún)?shù)和動態(tài)脈壓、平均動脈壓、動態(tài)心率血壓乘積這幾個融合處理后參數(shù)與生理數(shù)據(jù)庫中存儲的歷史生理數(shù)據(jù)進行歷史數(shù)據(jù)關(guān)聯(lián)性處理，并結(jié)合運動信息和相應(yīng)的生理數(shù)據(jù)和相應(yīng)生理模型判斷是否心臟和/或血壓異常，并進行生理數(shù)據(jù)錯誤發(fā)現(xiàn)，輸出心臟血壓預診結(jié)果，并在心臟血壓預診結(jié)果異常的情況下，進行心臟血壓報警，其中，獲取的生理數(shù)據(jù)包括:心率參數(shù)、收縮壓參數(shù)、以及舒張壓參數(shù)；睡眠質(zhì)量檢測模塊，用于根據(jù)傳感器實時采集的各種生理數(shù)據(jù)中的心率參數(shù)、收縮壓參數(shù)、舒張壓參數(shù)進行數(shù)據(jù)融合關(guān)聯(lián)性處理，再將原始的輸入?yún)?shù)和動態(tài)脈壓、平均動脈壓、動態(tài)心率血壓乘積這幾個融合處理后參數(shù)與生理數(shù)據(jù)庫中存儲的歷史生理數(shù)據(jù)進行歷史數(shù)據(jù)關(guān)聯(lián)性處理，并結(jié)合運動信息和相應(yīng)的生理數(shù)據(jù)和相應(yīng)生理模型判斷是否睡眠質(zhì)量異常，并進行生理數(shù)據(jù)錯誤發(fā)現(xiàn)，輸出睡眠質(zhì)量預診結(jié)果，并在睡眠質(zhì)量預診結(jié)果異常的情況下，進行睡眠質(zhì)量報警，其中，獲取的生理數(shù)據(jù)包括:心率參數(shù)、收縮壓參數(shù)、舒張壓參數(shù)、以及血氧參數(shù)。
[0016]優(yōu)選地，錯誤定位模塊具體用于:對出現(xiàn)錯誤的傳感器進行定位后，對出現(xiàn)錯誤的傳感器啟用重傳機制，在重傳的次數(shù)大于預定閾值、且仍然出現(xiàn)錯誤的情況下，啟動傳感器出錯報警，提醒用戶檢查相應(yīng)的傳感器。
[0017]優(yōu)選地，錯誤定位模塊具體用于:根據(jù)公式2獲取定位輸出信號；
[0018]Le=He*23+Ce*22+Be*21+Se*20，其中，Le為定位輸出信號，He為發(fā)熱檢測模塊輸出的錯誤信號值、Ce為感冒檢測模塊輸出的錯誤信號值、Be為心臟血壓檢測模塊輸出的錯誤信號值、Se為睡眠質(zhì)量檢測模塊輸出的錯誤信號值，錯誤信號值為O表示無錯誤，錯誤信號值為I表示發(fā)現(xiàn)錯誤；如果Le=12，則確定體溫傳感器出現(xiàn)錯誤，如果Le=15，則確定心率傳感器出現(xiàn)錯誤，如果Le=3，則確定血壓傳感器出現(xiàn)錯誤，如果Le=5，則確定血氧傳感器出現(xiàn)錯誤，如果Le等于其他值，則確定有至少兩個傳感器出現(xiàn)錯誤。
[0019]優(yōu)選地，資源優(yōu)化子系統(tǒng)具體包括:生理模型訓練模塊，用于根據(jù)生理數(shù)據(jù)庫中的歷史生理數(shù)據(jù)，采用基于徑向基核函數(shù)的SVM模型訓練法，生成針對用戶的個性化生理模型，并將生理模型存儲在生理模型庫中；采用交叉驗證法對生理模型的參數(shù)進行優(yōu)化；根據(jù)新采集的生理數(shù)據(jù)，采用基于徑向基核函數(shù)的SVM模型訓練法，定期更新生理模型庫中的各項生理模型；歷史數(shù)據(jù)修復模塊，用于使用SVM模型對生理數(shù)據(jù)庫中存儲的生理數(shù)據(jù)進行回歸擬合處理，定期對生理數(shù)據(jù)進行查漏補缺，修復離群點。
[0020]優(yōu)選地，生理模型訓練模塊具體用于:將生理數(shù)據(jù)庫中存儲的某用戶最近預定時間段內(nèi)的生理數(shù)據(jù)作為模型訓練集，對生理數(shù)據(jù)進行歸一化預處理，采用徑向基核函數(shù)的SVM模型訓練法，生成針對用戶的個性化生理模型，并將生理模型存儲在生理模型庫中，采用交叉驗證法對生理模型的參數(shù)進行優(yōu)化，其中，生理模型庫中保存有每位用戶專屬的針對各種疾病的多種生理模型；歷史數(shù)據(jù)修復模塊具體用于:將用戶的所有歷史生理數(shù)據(jù)作為模型訓練集，根據(jù)生理數(shù)據(jù)的時間連續(xù)性與平穩(wěn)性，以時間作為模型的自變量，采用SVM模型對生理數(shù)據(jù)進行回歸擬合，輸出用戶歷史生理數(shù)據(jù)的回歸擬合曲線，并根據(jù)回歸擬合曲線對離群點進行平滑處理，并彌補缺失數(shù)據(jù)。
[0021]優(yōu)選地，綜合評估子系統(tǒng)具體包括:體征趨勢預測模塊，用于采用SVM和模糊信息?；姆椒ǎ鶕?jù)生理數(shù)據(jù)庫中的生理數(shù)據(jù)和生理模型庫中的生理模型預測下一階段用戶的體征變化趨勢和體征動態(tài)變化范圍；綜合健康評估模塊，用于使用檢測評測國際通用量表，根據(jù)生理數(shù)據(jù)庫中的生理數(shù)據(jù)和下一階段用戶的體征變化趨勢和體征動態(tài)變化范圍對用戶進行健康評估。
[0022]優(yōu)選地，體征趨勢預測模塊具體用于:設(shè)定模糊粒度參數(shù)，根據(jù)模糊粒度參數(shù)采用三角型模糊粒子對生理數(shù)據(jù)庫中存儲的生理數(shù)據(jù)進行模糊粒化，然后輸入SVM進行預測，得到下一個信息粒的上限、下限和平均水平三個參數(shù)，利用三個參數(shù)確定下一階段用戶的體征變化趨勢和體征動態(tài)變化范圍，其中，較小的模糊粒度參數(shù)能夠反映用戶身體細微的變化情況，較大的模糊粒度參數(shù)能反映用戶總體的體征變化趨勢，且粒度越大可預測的時間范圍就越遠。
[0023]本發(fā)明有益效果如下:
[0024]通過本發(fā)明實施例的遠程家庭保健系統(tǒng)，解決了現(xiàn)有技術(shù)中遠程家庭醫(yī)療保健系統(tǒng)普遍存在的錯誤報警率高、歷史數(shù)據(jù)錯漏、以及缺乏智能化、個性化健康診斷技術(shù)的問題，能夠?qū)崿F(xiàn)智能化、個性化的疾病實時檢測，修復和維護歷史采集數(shù)據(jù)和用戶健康檔案，并提供可靠的健康預測與評估策略，能夠為住戶提供可靠的實時預診服務(wù)，幫助用戶及時了解身體情況；同時通過長期的監(jiān)護，還能發(fā)現(xiàn)某些疾病前兆或是一過性的病癥，提醒患者加強注意并及早赴院治療。
[0025]上述說明僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，而可依照說明書的內(nèi)容予以實施，并且為了讓本發(fā)明的上述和其它目的、特征和優(yōu)點能夠更明顯易懂，以下特舉本發(fā)明的【具體實施方式】。
【專利附圖】

【附圖說明】
[0026]通過閱讀下文優(yōu)選實施方式的詳細描述，各種其他的優(yōu)點和益處對于本領(lǐng)域普通技術(shù)人員將變得清楚明了。附圖僅用于示出優(yōu)選實施方式的目的，而并不認為是對本發(fā)明的限制。而且在整個附圖中，用相同的參考符號表示相同的部件。在附圖中:
[0027]圖1是本發(fā)明實施例的遠程家庭保健系統(tǒng)的結(jié)構(gòu)示意圖；
[0028]圖2是本發(fā)明實施例的遠程家庭保健系統(tǒng)的詳細結(jié)構(gòu)示意圖；
[0029]圖3是本發(fā)明實施例的融合分檢子系統(tǒng)的結(jié)構(gòu)示意圖；
[0030]圖4是本發(fā)明實施例的遠程家庭保健系統(tǒng)進行健康檢測評估處理的流程圖；
[0031]圖5是本發(fā)明實施例的各健康檢測子模塊內(nèi)部邏輯示意圖；
[0032]圖6是本發(fā)明實施例的生理模型建立的處理流程圖；
[0033]圖7是本發(fā)明實施例的體征趨勢預測的處理流程圖。
【具體實施方式】
[0034]下面將參照附圖更詳細地描述本公開的示例性實施例。雖然附圖中顯示了本公開的示例性實施例，然而應(yīng)當理解，可以以各種形式實現(xiàn)本公開而不應(yīng)被這里闡述的實施例所限制。相反，提供這些實施例是為了能夠更透徹地理解本公開，并且能夠?qū)⒈竟_的范圍完整的傳達給本領(lǐng)域的技術(shù)人員。
[0035]為了解決現(xiàn)有技術(shù)中遠程家庭醫(yī)療保健系統(tǒng)普遍存在的錯誤報警率高、歷史數(shù)據(jù)錯漏、以及缺乏智能化、個性化健康診斷技術(shù)的問題，本發(fā)明提供了一種遠程家庭保健系統(tǒng)，以下結(jié)合附圖以及實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不限定本發(fā)明。
[0036]根據(jù)本發(fā)明的實施例，提供了一種遠程家庭保健系統(tǒng)，圖1是本發(fā)明實施例的遠程家庭保健系統(tǒng)的結(jié)構(gòu)示意圖，如圖1所示，根據(jù)本發(fā)明實施例的遠程家庭保健系統(tǒng)包括:融合分檢子系統(tǒng)10、資源優(yōu)化子系統(tǒng)12、綜合評估子系統(tǒng)14、以及生理數(shù)據(jù)庫16和生理模型庫18，以下對本發(fā)明實施例的各個模塊進行詳細的說明。
[0037]融合分檢子系統(tǒng)10，用于實時接收傳感器采集到的體征數(shù)據(jù)參數(shù)，對體征數(shù)據(jù)參數(shù)進行融合分檢處理，根據(jù)所述體征數(shù)據(jù)參數(shù)和生理模型庫18中的生理模型對用戶的身體狀況進行實時的預診，同時發(fā)現(xiàn)所述體征數(shù)據(jù)參數(shù)中的錯誤數(shù)據(jù)，并將所述錯誤數(shù)據(jù)濾除，將體征數(shù)據(jù)參數(shù)和融合分檢處理后的數(shù)據(jù)作為生理數(shù)據(jù)存儲到生理數(shù)據(jù)庫16 ；
[0038]優(yōu)選地，在本發(fā)明實施例中，生理數(shù)據(jù)還包括:電子病歷、健康檔案、以及遠程家庭保健系統(tǒng)處理過程中所需的各種數(shù)據(jù)。
[0039]融合分檢子系統(tǒng)10具體包括:
[0040]運動狀態(tài)檢測模塊，用于根據(jù)傳感器實時采集的生理數(shù)據(jù)檢測用戶是否發(fā)生摔倒和是否處于運動狀態(tài)，若檢測到摔倒，則進行摔倒或異常體位報警，并將所述摔倒或異常體位報警發(fā)送到報警模塊；若檢測到處于運動狀態(tài)，則將運動信息發(fā)送到健康檢測模塊；
[0041]健康檢測模塊，用于根據(jù)獲取的生理數(shù)據(jù)和運動信息進行數(shù)據(jù)融合關(guān)聯(lián)性處理和歷史數(shù)據(jù)關(guān)聯(lián)性處理，并根據(jù)相應(yīng)的生理數(shù)據(jù)和相應(yīng)生理模型進行疾病判決和生理數(shù)據(jù)錯誤發(fā)現(xiàn)，輸出相應(yīng)的疾病預診結(jié)果，并在疾病預診結(jié)果異常的情況下，進行疾病報警，將疾病預診結(jié)果和疾病報警發(fā)送到報警模塊，將生理數(shù)據(jù)錯誤信號發(fā)送到錯誤定位模塊；
[0042]其中，健康檢測模塊具體用于:將獲取的各種生理數(shù)據(jù)進行數(shù)據(jù)融合關(guān)聯(lián)性處理；在本發(fā)明實施例中，在進行數(shù)據(jù)融合關(guān)聯(lián)性處理時，可以使用一定的醫(yī)學權(quán)威公式。根據(jù)公式I根據(jù)傳感器實時采集的各種生理數(shù)據(jù)和生理數(shù)據(jù)庫16中存儲的歷史生理數(shù)據(jù)進行歷史數(shù)據(jù)關(guān)聯(lián)性處理；
[0043]PD (tn) =CP (tn) - NP (tn)公式 I ;
[0044]其中，tn為一日內(nèi)任意時間，ro為體征差值，CP為當前某一體征檢測值，NP為體征參考值。
[0045]優(yōu)選地，健康檢測模塊具體包括:發(fā)熱檢測模塊，用于根據(jù)傳感器實時采集的各種生理數(shù)據(jù)、生理數(shù)據(jù)庫16中存儲的歷史生理數(shù)據(jù)進行歷史數(shù)據(jù)關(guān)聯(lián)性處理，并結(jié)合運動信息和相應(yīng)生理模型判斷是否發(fā)熱，并進行生理數(shù)據(jù)錯誤發(fā)現(xiàn)，輸出發(fā)熱預診結(jié)果，并在發(fā)熱預診結(jié)果異常的情況下，進行發(fā)熱報警，其中，獲取的生理數(shù)據(jù)包括:體溫參數(shù)、以及心率參數(shù)；感冒檢測模塊，用于根據(jù)傳感器實時采集的各種生理數(shù)據(jù)、生理數(shù)據(jù)庫16中存儲的歷史生理數(shù)據(jù)進行歷史數(shù)據(jù)關(guān)聯(lián)`性處理，并結(jié)合運動信息和相應(yīng)的生理數(shù)據(jù)和相應(yīng)生理模型判斷是否感冒，并進行生理數(shù)據(jù)錯誤發(fā)現(xiàn)，輸出感冒預診結(jié)果，并在感冒預診結(jié)果異常的情況下，進行感冒報警，其中，獲取的生理數(shù)據(jù)包括:體溫參數(shù)、心率參數(shù)、以及血氧參數(shù)；心臟血壓檢測模塊，用于根據(jù)傳感器實時采集的各種生理數(shù)據(jù)中的心率參數(shù)、收縮壓參數(shù)、舒張壓參數(shù)按照醫(yī)學權(quán)威公式進行數(shù)據(jù)融合關(guān)聯(lián)性處理，再將原始的輸入?yún)?shù)和動態(tài)脈壓、平均動脈壓、動態(tài)心率血壓乘積這幾個融合處理后參數(shù)與生理數(shù)據(jù)庫16中存儲的歷史生理數(shù)據(jù)進行歷史數(shù)據(jù)關(guān)聯(lián)性處理，并結(jié)合運動信息和相應(yīng)的生理數(shù)據(jù)和相應(yīng)生理模型判斷是否心臟和/或血壓異常，并進行生理數(shù)據(jù)錯誤發(fā)現(xiàn)，輸出心臟血壓預診結(jié)果，并在心臟血壓預診結(jié)果異常的情況下，進行心臟血壓報警，其中，獲取的生理數(shù)據(jù)包括:心率參數(shù)、收縮壓參數(shù)、以及舒張壓參數(shù)；睡眠質(zhì)量檢測模塊，用于根據(jù)傳感器實時采集的各種生理數(shù)據(jù)中的心率參數(shù)、收縮壓參數(shù)、舒張壓參數(shù)按照醫(yī)學權(quán)威公式進行數(shù)據(jù)融合關(guān)聯(lián)性處理，再將原始的輸入?yún)?shù)和動態(tài)脈壓、平均動脈壓、動態(tài)心率血壓乘積這幾個融合處理后參數(shù)與生理數(shù)據(jù)庫16中存儲的歷史生理數(shù)據(jù)進行歷史數(shù)據(jù)關(guān)聯(lián)性處理，并結(jié)合運動信息和相應(yīng)的生理數(shù)據(jù)和相應(yīng)生理模型判斷是否睡眠質(zhì)量異常，并進行生理數(shù)據(jù)錯誤發(fā)現(xiàn)，輸出睡眠質(zhì)量預診結(jié)果，并在睡眠質(zhì)量預診結(jié)果異常的情況下，進行睡眠質(zhì)量報警，其中，獲取的生理數(shù)據(jù)包括:心率參數(shù)收縮壓參數(shù)、舒張壓參數(shù)、以及血氧參數(shù)。
[0046]錯誤定位模塊，用于接收健康檢測模塊發(fā)送的生理數(shù)據(jù)錯誤信號，對出現(xiàn)錯誤的傳感器進行定位，啟動傳感器出錯報警，提醒用戶檢查相應(yīng)的傳感器；[0047]錯誤定位模塊具體用于:對出現(xiàn)錯誤的傳感器進行定位后，對出現(xiàn)錯誤的傳感器啟用重傳機制，在重傳的次數(shù)大于預定閾值、且仍然出現(xiàn)錯誤的情況下，啟動傳感器出錯報警，提醒用戶檢查相應(yīng)的傳感器。
[0048]優(yōu)選地，錯誤定位模塊具體用于:根據(jù)公式2獲取定位輸出信號；
[0049]公式 2 ；
[0050]其中，Le為定位輸出信號，He為發(fā)熱檢測模塊輸出的錯誤信號值、Ce為感冒檢測模塊輸出的錯誤信號值、Be為心臟血壓檢測模塊輸出的錯誤信號值、Se為睡眠質(zhì)量檢測模塊輸出的錯誤信號值，錯誤信號值為O表示無錯誤，錯誤信號值為I表示發(fā)現(xiàn)錯誤；如果Le=12,則確定體溫傳感器出現(xiàn)錯誤，如果Le=15，則確定心率傳感器出現(xiàn)錯誤，如果Le=3，則確定血壓傳感器出現(xiàn)錯誤，如果Le=5，則確定血氧傳感器出現(xiàn)錯誤，如果Le等于其他值，則確定有至少兩個傳感器出現(xiàn)錯誤。
[0051]報警模塊，用于根據(jù)運動狀態(tài)檢測模塊發(fā)送的摔倒或異常體位報警、以及健康檢測模塊發(fā)送的疾病預診結(jié)果和疾病報警進行綜合計算，輸出最終報警信息，在根據(jù)最終報警信息確定用戶出現(xiàn)危險情況時，自動向醫(yī)療機構(gòu)和/或用戶家屬進行報警，并發(fā)送用戶的當前異常的生理數(shù)據(jù)。
[0052]資源優(yōu)化子系統(tǒng)12，用于對生理數(shù)據(jù)庫16中的生理數(shù)據(jù)進行定期優(yōu)化，根據(jù)生理數(shù)據(jù)庫16中的歷史生理數(shù)據(jù)生成針對用戶的個性化生理模型，將生理模型存儲在生理模型庫18中，并根據(jù)生理數(shù)據(jù)庫16中的最新生理數(shù)據(jù)更新生理模型庫18中的生理模型；
[0053]資源優(yōu)化子系統(tǒng)12具體包括:生理模型訓練模塊，用于根據(jù)生理數(shù)據(jù)庫16中的歷史生理數(shù)據(jù)，采用基于徑向基核函數(shù)的SVM模型訓練法，生成針對用戶的個性化生理模型，并將生理模型存儲在生理模型庫18中；采用交叉驗證法對生理模型的參數(shù)進行優(yōu)化；根據(jù)新采集的生理數(shù)據(jù)，采用基于徑向基核函數(shù)的SVM模型訓練法，定期更新生理模型庫18中的各項生理模型；歷史數(shù)據(jù)修復模塊，用于使用SVM模型對生理數(shù)據(jù)庫16中存儲的生理數(shù)據(jù)進行回歸擬合處理，定期對生理數(shù)據(jù)進行查漏補缺，修復離群點。
[0054]優(yōu)選地，生理模型訓練模塊具體用于:將生理數(shù)據(jù)庫16中存儲的某用戶最近預定時間段內(nèi)的生理數(shù)據(jù)作為模型訓練集，對生理數(shù)據(jù)進行歸一化預處理，采用徑向基核函數(shù)的SVM模型訓練法，生成針對用戶的個性化生理模型，并將生理模型存儲在生理模型庫18中，采用交叉驗證法對生理模型的參數(shù)進行優(yōu)化，其中，生理模型庫18中保存有每位用戶專屬的針對各種疾病的多種生理模型；歷史數(shù)據(jù)修復模塊具體用于:將用戶的所有歷史生理數(shù)據(jù)作為模型訓練集，根據(jù)生理數(shù)據(jù)的時間連續(xù)性與平穩(wěn)性，以時間作為模型的自變量，采用SVM模型對生理數(shù)據(jù)進行回歸擬合，輸出用戶歷史生理數(shù)據(jù)的回歸擬合曲線，并根據(jù)回歸擬合曲線對離群點進行平滑處理，并彌補缺失數(shù)據(jù)。
[0055]綜合評估子系統(tǒng)14，用于根據(jù)生理數(shù)據(jù)庫16中的生理數(shù)據(jù)和生理模型庫18中的生理模型預測用戶的體征變化趨勢和體征動態(tài)變化范圍，并根據(jù)生理數(shù)據(jù)和預測結(jié)果對用戶進行健康評估；生理數(shù)據(jù)庫16，用于存儲用戶的生理數(shù)據(jù)；生理模型庫18，用于存儲用戶的生理模型。
[0056]綜合評估子系統(tǒng)14具體包括:體征趨勢預測模塊，用于采用SVM和模糊信息粒化的方法，根據(jù)生理數(shù)據(jù)庫16中的生理數(shù)據(jù)和生理模型庫18中的生理模型預測下一階段用戶的體征變化趨勢和體征動態(tài)變化范圍；綜合健康評估模塊，用于使用檢測評測國際通用量表，根據(jù)生理數(shù)據(jù)庫16中的生理數(shù)據(jù)和預測結(jié)果對用戶進行健康評估。
[0057]優(yōu)選地，體征趨勢預測模塊具體用于:設(shè)定模糊粒度參數(shù)，根據(jù)模糊粒度參數(shù)采用三角型模糊粒子對生理數(shù)據(jù)庫16中存儲的生理數(shù)據(jù)進行模糊粒化，然后輸入SVM進行預測，得到下一個信息粒的上限、下限和平均水平三個參數(shù)，利用三個參數(shù)確定下一階段用戶的體征變化趨勢和體征動態(tài)變化范圍，其中，模糊粒度參數(shù)可以根據(jù)需要進行調(diào)整，較小的模糊粒度參數(shù)能夠反映用戶身體細微的變化情況，較大的模糊粒度參數(shù)能反映用戶總體的體征變化趨勢，且粒度越大可預測的時間范圍就越遠。
[0058]以下結(jié)合附圖，對本發(fā)明實施例的上述技術(shù)方案進行詳細的說明。
[0059]圖2是本發(fā)明實施例的遠程家庭保健系統(tǒng)的詳細結(jié)構(gòu)示意圖，如圖2所示，在本發(fā)明實施例中，遠程家庭保健系統(tǒng)可以建設(shè)在遠程家庭醫(yī)療監(jiān)護系統(tǒng)的后臺服務(wù)器中，包括融合分檢、資源優(yōu)化和綜合評估三個子系統(tǒng)，以及個性化生理數(shù)據(jù)庫、模型庫。其中，融合分檢子系統(tǒng)需要進行關(guān)聯(lián)性預處理、融合分檢和融合糾錯；資源優(yōu)化子系統(tǒng)包括生理模型訓練和歷史數(shù)據(jù)修復兩個處理模塊；綜合評估子系統(tǒng)包括體征趨勢預測和綜合健康評估兩個模塊；個性化生理數(shù)據(jù)庫存放用戶長期采集到的體征數(shù)據(jù)，電子病歷、健康檔案等，以及處理過程中所需的各種數(shù)據(jù)；個性化生理模型庫存放每一位用戶的諸項生理模型，是智能化診斷的重要工具。
[0060]在本發(fā)明實施例的遠程家庭保健系統(tǒng)中，融合分檢子系統(tǒng)負責接收實時采集到的體征數(shù)據(jù)，并進行一系列融合與分檢處理，對用戶的身體狀況進行實時的預診和反饋，同時，在數(shù)據(jù)進入數(shù)據(jù)庫前，濾除其中的錯誤信號，從而得到較為干凈的體征數(shù)據(jù)；資源優(yōu)化子系統(tǒng)對數(shù)據(jù)庫中存放的用戶歷史數(shù)據(jù)定期進行查漏補缺，彌補缺失數(shù)據(jù)，修復較大離群點，同時，利用新采集的數(shù)據(jù)定期更新個性化生理模型；綜合評估子系統(tǒng)利用用戶的歷史采集數(shù)據(jù)預測下一階段的體征變化趨勢和動態(tài)范圍，結(jié)合用戶的問卷調(diào)查、電子病歷、健康檔案等，對用戶進行多方位的健康評估。
[0061]以下分別對上述各子系統(tǒng)進行詳細的說明
[0062]融合分檢子系統(tǒng)
[0063]圖3是本發(fā)明實施例的融合分檢子系統(tǒng)的結(jié)構(gòu)示意圖，如圖3所示，融合分檢子系統(tǒng)接收實時采集到的某用戶多項體征參數(shù)，首先由運動狀態(tài)檢測模塊檢測用戶是否發(fā)生意外摔倒，是否處于運動狀態(tài)，并將運動信息發(fā)送給各健康檢測子模塊。發(fā)熱檢測模塊、感冒檢測模塊、心臟血壓檢測模塊和睡眠質(zhì)量檢測模塊這四個健康檢測子模塊分別選擇所需要的相關(guān)輸入，先后經(jīng)歷數(shù)據(jù)融合關(guān)聯(lián)性處理和歷史數(shù)據(jù)關(guān)聯(lián)性處理，再通過個性化SVM融合分類模型實現(xiàn)疾病的判決與錯誤發(fā)現(xiàn)。
[0064]錯誤定位模塊接收來自發(fā)熱、感冒、心臟血壓、睡眠質(zhì)量四個檢測模塊發(fā)出的出錯信號。通過邏輯推理、運算與譯碼，對出現(xiàn)錯誤的傳感器進行定位，即判斷出是哪一個傳感器出現(xiàn)錯誤。對出現(xiàn)錯誤的傳感器啟用重傳機制，若重傳兩次仍然錯誤，則啟動傳感器出錯報警，提醒用戶檢查該傳感設(shè)備。最后報警模塊根據(jù)健康檢測子模塊和運動狀態(tài)檢測子模塊的檢測結(jié)果與錯誤定位模塊輸出結(jié)果，輸出反饋與報警信息。也就是說，報警模塊根據(jù)運動狀態(tài)檢測模塊發(fā)送的摔倒或異常體位報警和運動信息、以及健康檢測模塊發(fā)送的疾病預診結(jié)果和疾病報警進行綜合計算，輸出最終報警信息，在根據(jù)最終報警信息確定用戶出現(xiàn)危險情況時，自動向醫(yī)療機構(gòu)和/或用戶家屬進行報警，并發(fā)送用戶的當前異常的生理數(shù)據(jù)
[0065]資源優(yōu)化子系統(tǒng)
[0066]資源優(yōu)化子系統(tǒng)包括生理模型訓練和歷史數(shù)據(jù)修復兩個處理模塊。前者根據(jù)用戶新采集的數(shù)據(jù)，采用基于徑向基核函數(shù)的SVM模型訓練法，定期更新個性化生理模型庫中的各項生理模型，確保生理模型及時跟進用戶身體發(fā)展動向。后者用SVM模型對數(shù)據(jù)庫中存放的用戶歷史數(shù)據(jù)進行回歸擬合處理，定期進行查漏補缺，彌補缺失數(shù)據(jù)，修復較大離群點，保證采集記錄和健康檔案的完整性和準確性。
[0067]綜合評估子系統(tǒng)
[0068]綜合評估子系統(tǒng)包括體征趨勢預測和綜合健康評估兩部分。它將支持向量機與模糊信息?；椒ㄏ嘟Y(jié)合，利用用戶的歷史采集數(shù)據(jù)預測下一階段的體征變化趨勢和動態(tài)范圍。再結(jié)合用戶的問卷調(diào)查、電子病歷、健康檔案等，使用健康測評國際通用量表對用戶進行多方位的健康評估。最后根據(jù)評估結(jié)果，給予相應(yīng)的健康服務(wù)。
[0069]個性化醫(yī)療數(shù)據(jù)庫、模型庫
[0070]個性化生理數(shù)據(jù)庫存放用戶長期采集到的體征數(shù)據(jù)，電子病歷、健康檔案等，以及處理過程中所需的各種數(shù)據(jù)。其中存放的用戶歷史數(shù)據(jù)先經(jīng)過融合分檢子系統(tǒng)，得到第一步的錯誤信息過濾，再由資源優(yōu)化子系統(tǒng)定期修復其中的錯漏數(shù)據(jù)，可保證歷史數(shù)據(jù)的完整有效。這些數(shù)據(jù)將用于個性化生理模型的訓練，以及體征的趨勢預測，同時也為健康評估提供了良好的數(shù)據(jù)資源。
[0071]個性化生理模型庫存放每一位用戶的諸項生理模型，是實現(xiàn)智能化診斷的重要工具。它們根據(jù)每個用戶的大量歷史生理數(shù)據(jù)訓練完成，存儲在個性化醫(yī)療模型庫中。由于信息的融合分檢具有實時性，不允許模型實時訓練，所以調(diào)用已訓練好的模型是必須的。生理模型庫不用實時更新，一般數(shù)日或一周更新一次即可，但在用戶健康狀況發(fā)生重大變化時需要即時更新。
[0072]圖4是本發(fā)明實施例的遠程家庭保健系統(tǒng)進行健康檢測評估處理的流程圖，如圖4所示，具體包括如下處理:
[0073]步驟一，融合分檢子系統(tǒng)實時接收體征采集終端上傳的用戶生理參數(shù)，并將接收到的數(shù)據(jù)按照用戶一時間一體征三級分類管理；
[0074]步驟二，如圖3所示，首先由運動狀態(tài)檢測模塊檢測用戶是否發(fā)生意外摔倒，是否處于運動狀態(tài)，并將運動信息(主要是計步數(shù))發(fā)送給各健康檢測子模塊。
[0075]步驟三，發(fā)熱檢測模塊、感冒檢測模塊、心臟血壓檢測模塊和睡眠質(zhì)量檢測模塊這四個健康檢測子模塊分別選擇所需要的相關(guān)輸入，發(fā)熱檢測子模塊輸入體溫、心率參數(shù)，感冒檢測子模塊輸入體溫、心率、血氧參數(shù)，心臟血壓子模塊輸入心率、收縮壓、舒張壓參數(shù)，睡眠質(zhì)量檢測模塊輸入心率、血壓、血氧參數(shù)，同時各健康檢測子模塊輸入計步數(shù)信息。
[0076]步驟四，各健康檢測子模塊內(nèi)部邏輯如圖5所示，為了使輸出的判決結(jié)果能夠更加精確有效，每個子模塊需要先將輸入信號進行一定的相關(guān)性處理。在本專利中，信號關(guān)聯(lián)性處理一般須經(jīng)兩步，分別是:基于數(shù)據(jù)融合的關(guān)聯(lián)性處理和基于歷史數(shù)據(jù)的關(guān)聯(lián)性處理。其實施步驟在不同的子模塊中略有差異，其中心臟血壓檢測模塊和睡眠質(zhì)量檢測模塊需先后經(jīng)歷數(shù)據(jù)融合關(guān)聯(lián)性處理和歷史數(shù)據(jù)關(guān)聯(lián)性處理兩步，而發(fā)熱檢測模塊和感冒檢測模塊僅需經(jīng)歷歷史數(shù)據(jù)關(guān)聯(lián)性處理一步，運動狀態(tài)檢測模塊則不需經(jīng)過關(guān)聯(lián)性處理。[0077]基于數(shù)據(jù)融合的關(guān)聯(lián)性處理:
[0078]在心臟血壓診斷模塊和睡眠質(zhì)量診斷模塊中，輸入信號均有心率(HR)、收縮壓(SP)和舒張壓(DP)。根據(jù)醫(yī)學知識，動態(tài)脈壓(APP)，平均動脈壓(MAP)和動態(tài)心率血壓乘積(ARPP)這三個參數(shù)往往能夠更有效地用于心血管疾病的診斷。因此，先將輸入的信號按照以下三個醫(yī)學權(quán)威公式進行融合處理，再將原始的輸入?yún)?shù)和APP、MAP、ARPP這幾個融合處理后參數(shù)一起向后方輸送。
[0079]APP=F1 (SP，DP) =SP-DP
[0080]MAP=F3 (SP，DP) =DP+ (SP-DP) /3[0081 ] ARPP=F2 (HR, SP) =HR*SP
[0082]基于歷史數(shù)據(jù)的關(guān)聯(lián)性處理:
[0083]四個健康檢測子模塊都需經(jīng)歷基于歷史數(shù)據(jù)的關(guān)聯(lián)性處理，這主要是因為人體的諸項體征參數(shù)在一日內(nèi)會發(fā)生輕微變化，若不考慮體征變化的情況，很容易導致誤判。因此同樣需要進行一步基于歷史數(shù)據(jù)的關(guān)聯(lián)性處理。這些歷史數(shù)據(jù)來自用戶在正常狀態(tài)下檢測到的一日體征值，用作日常體征參考值(Normal Parameters,簡稱為NP),存儲在該用戶的個人生理數(shù)據(jù)庫中。將當前某一體征檢測值(Current Parameters,簡稱為CP)與同一時刻的該體征參考值相減，即可得到體征差值(Parameter Difference,簡稱為H))。PD(tn)=CP(tn) -NP(tn), tn為一日內(nèi)任意時間，H)顯然比CP更具分類意義，作為分類器的輸入可顯著提高分類精度。
[0084]步驟五，各健康檢測子模塊將輸入?yún)?shù)進行一系列關(guān)聯(lián)性處理后，再通過個性化SVM融合分類模型實現(xiàn)疾病的判決與錯誤發(fā)現(xiàn)。每種疾病的融合模型由資源優(yōu)化子系統(tǒng)訓練并定期更新，存儲在個性化生理模型庫中。
[0085]每個融合模型通過不同體征參數(shù)的融合分類判決，可以判斷出多種不同的情況，可判斷的健康狀況包括:正常情況，可識別的幾種異常情況，以及發(fā)現(xiàn)錯誤信息的情況。如在心臟血壓檢測模塊中，融合模型輸出結(jié)果有:正常、高血壓、低血壓以及出錯這四種情況。其中正常、異常類型信號由result端口輸出，出錯信號由error端口輸出。
[0086]步驟六，錯誤定位模塊接收來自發(fā)熱、感冒、心臟血壓、睡眠質(zhì)量四個檢測模塊發(fā)出的出錯信號。通過邏輯推理、運算與譯碼，對出現(xiàn)錯誤的傳感器進行定位，即判斷出是哪一個傳感器出現(xiàn)錯誤。對出現(xiàn)錯誤的傳感器啟用重傳機制，若重傳兩次仍然錯誤，則啟動傳感器出錯報警，提醒用戶檢查該傳感設(shè)備。
[0087]其中，錯誤信號定位方法為:設(shè)各融合檢測子模塊輸出的出錯信號，I表示發(fā)現(xiàn)錯誤、O表示無錯誤。發(fā)熱、感冒、心臟血壓、睡眠質(zhì)量四模塊輸出的出錯信號值分別用He、Ce、Be、Se表示，定位輸出信號以Le表示，則Le=HeWiCeWiBeWkSeWc1, Le=12，說明體溫傳感器出現(xiàn)問題；Le=15，說明心率傳感器出現(xiàn)問題；Le=3，說明血壓傳感器有錯；Le=5，說明血氧傳感器出錯；Others，說明定位有誤或不止一個傳感器出錯。
[0088]步驟七，根據(jù)健康檢測子模塊和運動狀態(tài)檢測子模塊的檢測結(jié)果與錯誤定位模塊輸出結(jié)果，輸出報警信息。若收到錯誤定位信號，無論其余模塊檢測結(jié)果為何，均啟動重傳機制，重傳后依然無效則啟動傳感器出錯報警。若檢測到危急情況，則由網(wǎng)關(guān)自動向就近的醫(yī)療保健機構(gòu)和患者家屬報警，并通過網(wǎng)絡(luò)向醫(yī)院監(jiān)護人員發(fā)送該患者的基本信息以及當前的體征參數(shù)和身體狀態(tài)。[0089]步驟八，根據(jù)新采集的數(shù)據(jù)定期更新個性化生理模型庫中的各項生理模型，確保生理模型及時跟進用戶身體發(fā)展動向。生理模型的建立方法如圖6所示，將數(shù)據(jù)庫中存儲的某用戶最近數(shù)周乃至數(shù)月的生理數(shù)據(jù)作為模型訓練集。由于各生理參數(shù)并不在同一量綱，因此在進行訓練之前，需要對數(shù)據(jù)進行歸一化預處理，即把原始數(shù)據(jù)規(guī)整到[0，1]范圍內(nèi)。為了取得理想的分類結(jié)果，采用以徑向基為核函數(shù)的SVM分類模型，并用交叉驗證法對模型參數(shù)進行優(yōu)化。然后對支持向量機進行訓練，得到的模型可替代前一次訓練的模型，即定期對模型庫進行更新。融合模型根據(jù)每個用戶的大量歷史生理數(shù)據(jù)訓練完成，滿足個性化診斷的需求。且每種疾病都有相對應(yīng)的SVM融合模型，即每位用戶都有專屬于他的多種融合模型。融合分檢子系統(tǒng)在對采集數(shù)據(jù)進行融合處理時調(diào)用所需的模型，即可實現(xiàn)實時的檢測與分類。
[0090]步驟九，歷史數(shù)據(jù)回歸擬合將用戶長期以來的生理采集記錄、甚至是該用戶所有的歷史采集數(shù)據(jù)作為模型訓練集。根據(jù)體征數(shù)據(jù)的時間連續(xù)性與平穩(wěn)性，采用“時間”作為模型的自變量，用SVM模型對用戶歷史生理數(shù)據(jù)進行回歸擬合，最后輸出該用戶某一體征歷史數(shù)據(jù)的回歸擬合曲線?；貧w擬合結(jié)果與原始數(shù)值基本匹配，只有對少數(shù)離群點進行了平滑處理，并彌補個別缺失數(shù)據(jù)。生理數(shù)據(jù)庫需要定期進行修復，以保證生理模型訓練數(shù)據(jù)的準確有效，以及健康評估數(shù)據(jù)資料的完整可靠。
[0091]步驟十，利用用戶的歷史采集數(shù)據(jù)預測下一階段的體征變化趨勢和動態(tài)范圍。體征趨勢預測方法如圖7所示，它將SVM與模糊信息粒化方法相結(jié)合，對人體生理參數(shù)的變化趨勢和變化空間進行有效地預測。首先設(shè)定模糊粒度參數(shù)，小粒度能夠反映用戶身體細微的變化情況，而大粒度更能反映用戶總體的體征變化趨勢，且粒度越大可預測的時間范圍就越遠，因此，在預測模型中，應(yīng)將粒度參數(shù)適當調(diào)大，但也不能過大，否則預測得到的動態(tài)范圍太廣，就失去了預測的意義。然后采用三角型模糊粒子對數(shù)據(jù)進行模糊?；?，得到每一粒的上下限和平均水平，可分別用up、low和r三個參數(shù)來表示。子系統(tǒng)對用戶存儲于個性化生理數(shù)據(jù)庫中的長期歷史數(shù)據(jù)進行模糊信息?；?，然后輸入支持向量機進行預測，得到下一個信息粒的up、low和r三個參數(shù)。利用這三個參數(shù)可以看出下一時期生理數(shù)據(jù)的變化趨勢和動態(tài)范圍。體征趨勢預測需要完整有效的歷史生理數(shù)據(jù)以及SVM生理模型的支持，這都有賴于融合分檢以及資源優(yōu)化兩個子系統(tǒng)的幫助。
[0092]步驟十一，結(jié)合用戶的問卷調(diào)查、電子病歷、健康檔案等，對用戶進行多方位的健康評估。綜合健康評估可根據(jù)預測得到的各項體征參數(shù)，以及用戶的健康檔案、病歷資料等，結(jié)合健康測評國際通用量表進行健康評估。通過問卷的方式，評估內(nèi)容可得到多方位的擴展，如生活質(zhì)量、飲食習慣、社會環(huán)境、心理健康、及亞健康程度等等，采用選項計分制和加權(quán)法即可得到相應(yīng)的健康評估值。最后根據(jù)評估結(jié)果，給予相應(yīng)的健康服務(wù)。
[0093]綜上所述，借助于本發(fā)明實施例的技術(shù)方案，通過本發(fā)明實施例的遠程家庭保健系統(tǒng)，解決了現(xiàn)有技術(shù)中遠程家庭醫(yī)療保健系統(tǒng)普遍存在的錯誤報警率高、歷史數(shù)據(jù)錯漏、以及缺乏智能化、個性化健康診斷技術(shù)的問題，能夠?qū)崿F(xiàn)智能化、個性化的疾病實時檢測，修復和維護歷史采集數(shù)據(jù)和用戶健康檔案，并提供可靠的健康預測與評估策略，能夠為住戶提供可靠的實時預診服務(wù)，幫助用戶及時了解身體情況；同時通過長期的監(jiān)護，還能發(fā)現(xiàn)某些疾病前兆或是一過性的病癥，提醒患者加強注意并及早赴院治療。
[0094]在此提供的算法和顯示不與任何特定計算機、虛擬系統(tǒng)或者其它設(shè)備固有相關(guān)。各種通用系統(tǒng)也可以與基于在此的示教一起使用。根據(jù)上面的描述，構(gòu)造這類系統(tǒng)所要求的結(jié)構(gòu)是顯而易見的。此外，本發(fā)明也不針對任何特定編程語言。應(yīng)當明白，可以利用各種編程語言實現(xiàn)在此描述的本發(fā)明的內(nèi)容，并且上面對特定語言所做的描述是為了披露本發(fā)明的最佳實施方式。
[0095]在此處所提供的說明書中，說明了大量具體細節(jié)。然而，能夠理解，本發(fā)明的實施例可以在沒有這些具體細節(jié)的情況下實踐。在一些實例中，并未詳細示出公知的方法、結(jié)構(gòu)和技術(shù)，以便不模糊對本說明書的理解。
[0096]類似地，應(yīng)當理解，為了精簡本公開并幫助理解各個發(fā)明方面中的一個或多個，在上面對本發(fā)明的示例性實施例的描述中，本發(fā)明的各個特征有時被一起分組到單個實施例、圖、或者對其的描述中。然而，并不應(yīng)將該公開的方法解釋成反映如下意圖:即所要求保護的本發(fā)明要求比在每個權(quán)利要求中所明確記載的特征更多的特征。更確切地說，如下面的權(quán)利要求書所反映的那樣，發(fā)明方面在于少于前面公開的單個實施例的所有特征。因此，遵循【具體實施方式】的權(quán)利要求書由此明確地并入該【具體實施方式】，其中每個權(quán)利要求本身都作為本發(fā)明的單獨實施例。
[0097]本領(lǐng)域那些技術(shù)人員可以理解，可以對實施例中的設(shè)備中的模塊進行自適應(yīng)性地改變并且把它們設(shè)置在與該實施例不同的一個或多個設(shè)備中?？梢园褜嵤├械哪K或單元或組件組合成一個模塊或單元或組件，以及此外可以把它們分成多個子模塊或子單元或子組件。除了這樣的特征和/或過程或者單元中的至少一些是相互排斥之外，可以采用任何組合對本說明書(包括伴隨的權(quán)利要求、摘要和附圖)中公開的所有特征以及如此公開的任何方法或者設(shè)備的所有過程或單元進行組合。除非另外明確陳述，本說明書(包括伴隨的權(quán)利要求、摘要和附圖)中公開的每個特征可以由提供相同、等同或相似目的的替代特征來代替。
[0098]此外，本領(lǐng)域的技術(shù)人員能夠理解，盡管在此所述的一些實施例包括其它實施例中所包括的某些特征而不是其它特征，但是不同實施例的特征的組合意味著處于本發(fā)明的范圍之內(nèi)并且形成不同的實施例。例如，在下面的權(quán)利要求書中，所要求保護的實施例的任意之一都可以以任意的組合方式來使用。
[0099]本發(fā)明的各個部件實施例可以以硬件實現(xiàn)，或者以在一個或者多個處理器上運行的軟件模塊實現(xiàn)，或者以它們的組合實現(xiàn)。本領(lǐng)域的技術(shù)人員應(yīng)當理解，可以在實踐中使用微處理器或者數(shù)字信號處理器(DSP )來實現(xiàn)根據(jù)本發(fā)明實施例的遠程家庭保健系統(tǒng)中的一些或者全部部件的一些或者全部功能。本發(fā)明還可以實現(xiàn)為用于執(zhí)行這里所描述的方法的一部分或者全部的設(shè)備或者裝置程序(例如，計算機程序和計算機程序產(chǎn)品)。這樣的實現(xiàn)本發(fā)明的程序可以存儲在計算機可讀介質(zhì)上，或者可以具有一個或者多個信號的形式。這樣的信號可以從因特網(wǎng)網(wǎng)站上下載得到，或者在載體信號上提供，或者以任何其他形式提供。
[0100]應(yīng)該注意的是上述實施例對本發(fā)明進行說明而不是對本發(fā)明進行限制，并且本領(lǐng)域技術(shù)人員在不脫離所附權(quán)利要求的范圍的情況下可設(shè)計出替換實施例。在權(quán)利要求中，不應(yīng)將位于括號之間的任何參考符號構(gòu)造成對權(quán)利要求的限制。單詞“包含”不排除存在未列在權(quán)利要求中的元件或步驟。位于元件之前的單詞“一”或“一個”不排除存在多個這樣的元件。本發(fā)明可以借助于包括有若干不同元件的硬件以及借助于適當編程的計算機來實現(xiàn)。在列舉了若干裝置的單元權(quán)利要求中，這些裝置中的若干個可以是通過同一個硬件項來具體體現(xiàn)。單詞第一、第二、以及第三等的使用不表示任何順序?？蓪⑦@些單詞解釋為名稱。
【權(quán)利要求】
1.一種遠程家庭保健系統(tǒng)，其特征在于，包括: 融合分檢子系統(tǒng)，用于實時接收傳感器采集到的體征數(shù)據(jù)參數(shù)，對所述體征數(shù)據(jù)參數(shù)進行融合分檢處理，根據(jù)所述體征數(shù)據(jù)參數(shù)和生理模型庫中的生理模型對用戶的身體狀況進行實時的預診，同時發(fā)現(xiàn)所述體征數(shù)據(jù)參數(shù)中的錯誤數(shù)據(jù)，并將所述錯誤數(shù)據(jù)濾除，將融合分檢處理后的數(shù)據(jù)作為生理數(shù)據(jù)存儲到生理數(shù)據(jù)庫； 資源優(yōu)化子系統(tǒng)，用于對所述生理數(shù)據(jù)庫中的生理數(shù)據(jù)進行定期的自我修復和優(yōu)化，根據(jù)所述生理數(shù)據(jù)庫中的歷史生理數(shù)據(jù)生成針對所述用戶的個性化生理模型，將所述生理模型存儲在所述生理模型庫中，并根據(jù)所述生理數(shù)據(jù)庫中的最新生理數(shù)據(jù)更新所述生理模型庫中的生理模型； 綜合評估子系統(tǒng)，用于根據(jù)所述生理數(shù)據(jù)庫中的生理數(shù)據(jù)和所述生理模型庫中的生理模型預測所述用戶的體征變化趨勢和體征動態(tài)變化范圍，并根據(jù)所述生理數(shù)據(jù)和所述體征變化趨勢和體征動態(tài)變化范圍對用戶進行健康評估； 所述生理數(shù)據(jù)庫，用于存儲用戶的生理數(shù)據(jù)； 所述生理模型庫，用于存儲用戶的生理模型。
2.如權(quán)利要求1所述的系統(tǒng)，其特征在于，所述生理數(shù)據(jù)庫中的生理數(shù)據(jù)包括:體征數(shù)據(jù)、電子病歷、以及健康檔案。
3.如權(quán)利要求2所述的系統(tǒng)， 其特征在于，所述融合分檢子系統(tǒng)進一步用于:在將所述體征數(shù)據(jù)參數(shù)存儲到生理數(shù)據(jù)庫之前，通過融合分檢處理刪除其中的錯誤數(shù)據(jù)。
4.如權(quán)利要求2或3所述的系統(tǒng)，其特征在于，所述融合分檢子系統(tǒng)具體包括: 運動狀態(tài)檢測模塊，用于根據(jù)傳感器實時采集的生理數(shù)據(jù)檢測用戶是否發(fā)生摔倒和是否處于運動狀態(tài)，若檢測到摔倒，則進行摔倒或異常體位報警，并將所述摔倒或異常體位報警發(fā)送到報警模塊；若檢測到處于運動狀態(tài)，則將運動信息發(fā)送到健康檢測模塊； 健康檢測模塊，用于根據(jù)獲取的生理數(shù)據(jù)和所述運動信息進行數(shù)據(jù)融合關(guān)聯(lián)性處理和歷史數(shù)據(jù)關(guān)聯(lián)性處理，并根據(jù)相應(yīng)的生理數(shù)據(jù)和相應(yīng)生理模型進行疾病判決和生理數(shù)據(jù)錯誤發(fā)現(xiàn)，輸出相應(yīng)的疾病預診結(jié)果，并在疾病預診結(jié)果異常的情況下，進行疾病報警，將所述疾病預診結(jié)果和所述疾病報警發(fā)送到報警模塊，將生理數(shù)據(jù)錯誤信號發(fā)送到錯誤定位模塊； 錯誤定位模塊，用于接收所述健康檢測模塊發(fā)送的生理數(shù)據(jù)錯誤信號，對出現(xiàn)錯誤的傳感器進行定位，啟動傳感器出錯報警，提醒用戶檢查相應(yīng)的傳感器； 報警模塊，用于根據(jù)所述運動狀態(tài)檢測模塊發(fā)送的所述摔倒或異常體位報警、以及所述健康檢測模塊發(fā)送的疾病預診結(jié)果和所述疾病報警進行綜合計算，輸出最終報警信息，在根據(jù)所述最終報警信息確定用戶出現(xiàn)危險情況時，自動向醫(yī)療機構(gòu)和/或用戶家屬進行報警，并發(fā)送所述用戶的當前異常的生理數(shù)據(jù)。
5.如權(quán)利要求4所述的系統(tǒng)，其特征在于，所述健康檢測模塊具體用于: 將獲取的各種生理數(shù)據(jù)進行數(shù)據(jù)融合關(guān)聯(lián)性處理； 利用公式I根據(jù)傳感器實時采集的各種生理數(shù)據(jù)和所述生理數(shù)據(jù)庫中存儲的歷史生理數(shù)據(jù)進行歷史數(shù)據(jù)關(guān)聯(lián)性處理； PD (tn)=CP (tn) - NP (tn)公式 I ; 其中，tn為一日內(nèi)任意時間，ro為體征差值，CP為當前某一體征檢測值，NP為體征參考值。
6.如權(quán)利要求5所述的系統(tǒng)，其特征在于，所述健康檢測模塊具體包括: 發(fā)熱檢測模塊，用于根據(jù)傳感器實時采集的各種生理數(shù)據(jù)、所述生理數(shù)據(jù)庫中存儲的歷史生理數(shù)據(jù)進行歷史數(shù)據(jù)關(guān)聯(lián)性處理，并結(jié)合運動信息和相應(yīng)生理模型判斷是否發(fā)熱，并進行生理數(shù)據(jù)錯誤發(fā)現(xiàn)，輸出發(fā)熱預診結(jié)果，并在發(fā)熱預診結(jié)果異常的情況下，進行發(fā)熱報警，其中，所述獲取的生理數(shù)據(jù)包括:體溫參數(shù)、以及心率參數(shù)； 感冒檢測模塊，用于根據(jù)傳感器實時采集的各種生理數(shù)據(jù)、所述生理數(shù)據(jù)庫中存儲的歷史生理數(shù)據(jù)進行歷史數(shù)據(jù)關(guān)聯(lián)性處理，并結(jié)合運動信息和相應(yīng)的生理數(shù)據(jù)和相應(yīng)生理模型判斷是否感冒，并進行生理數(shù)據(jù)錯誤發(fā)現(xiàn)，輸出感冒預診結(jié)果，并在感冒預診結(jié)果異常的情況下，進行感冒報警，其中，所述獲取的生理數(shù)據(jù)包括:體溫參數(shù)、心率參數(shù)、以及血氧參數(shù)； 心臟血壓檢測模塊，用于根據(jù)傳感器實時采集的各種生理數(shù)據(jù)中的心率參數(shù)、收縮壓參數(shù)、舒張壓參數(shù)進行數(shù)據(jù)融合關(guān)聯(lián)性處理，再將原始的輸入?yún)?shù)和動態(tài)脈壓、平均動脈壓、動態(tài)心率血壓乘積這幾個融合處理后參數(shù)與所述生理數(shù)據(jù)庫中存儲的歷史生理數(shù)據(jù)進行歷史數(shù)據(jù)關(guān)聯(lián)性處理，并結(jié)合運動信息和相應(yīng)的生理數(shù)據(jù)和相應(yīng)生理模型判斷是否心臟和/或血壓異常，并進行生理數(shù)據(jù)錯誤發(fā)現(xiàn)，輸出心臟血壓預診結(jié)果，并在心臟血壓預診結(jié)果異常的情況下，進行心臟血壓報警，其中，所述獲取的生理數(shù)據(jù)包括:心率參數(shù)、收縮壓參數(shù)、以及舒張壓參數(shù)； 睡眠質(zhì)量檢測模塊，用于根據(jù)傳感器實時采集的各種生理數(shù)據(jù)中的心率參數(shù)、收縮壓參數(shù)、舒張壓參數(shù)進行數(shù)據(jù)融合關(guān)聯(lián)性處理，再將原始的輸入?yún)?shù)和動態(tài)脈壓、平均動脈壓、動態(tài)心率血壓乘積這幾個融合處理后參數(shù)與所述生理數(shù)據(jù)庫中存儲的歷史生理數(shù)據(jù)進行歷史數(shù)據(jù)關(guān)聯(lián)性處理，并結(jié)合運動信息和相應(yīng)的生理數(shù)據(jù)和相應(yīng)生理模型判斷是否睡眠質(zhì)量異常，并進行生理數(shù)據(jù)錯誤發(fā)現(xiàn)，輸出睡眠質(zhì)量預診結(jié)果，并在睡眠質(zhì)量預診結(jié)果異常的情況下，進行睡眠質(zhì)量報警，其中，所述獲取的生理數(shù)據(jù)包括:心率參數(shù)、收縮壓參數(shù)、舒張壓參數(shù)、以及血氧參數(shù)。`
7.如權(quán)利要求6所述的系統(tǒng)，其特征在于，所述錯誤定位模塊具體用于:對出現(xiàn)錯誤的傳感器進行定位后，對出現(xiàn)錯誤的傳感器啟用重傳機制，在重傳的次數(shù)大于預定閾值、且仍然出現(xiàn)錯誤的情況下，啟動傳感器出錯報警，提醒用戶檢查相應(yīng)的傳感器。
8.如權(quán)利要求6所述的系統(tǒng)，其特征在于，所述錯誤定位模塊具體用于: 根據(jù)公式2獲取定位輸出信號； LesHeWS+CeWiBeWkSeW。公式 2 ； 其中，Le為定位輸出信號，He為發(fā)熱檢測模塊輸出的錯誤信號值、Ce為感冒檢測模塊輸出的錯誤信號值、Be為心臟血壓檢測模塊輸出的錯誤信號值、Se為睡眠質(zhì)量檢測模塊輸出的錯誤信號值，錯誤信號值為O表示無錯誤，錯誤信號值為I表示發(fā)現(xiàn)錯誤； 如果Le=12，則確定體溫傳感器出現(xiàn)錯誤，如果Le=15，則確定心率傳感器出現(xiàn)錯誤，如果Le=3，則確定血壓傳感器出現(xiàn)錯誤，如果Le=5，則確定血氧傳感器出現(xiàn)錯誤，如果Le等于其他值，則確定有至少兩個傳感器出現(xiàn)錯誤。
9.如權(quán)利要求2所述的系統(tǒng)，其特征在于，所述資源優(yōu)化子系統(tǒng)具體包括: 生理模型訓練模塊，用于根據(jù)所述生理數(shù)據(jù)庫中的歷史生理數(shù)據(jù)，采用基于徑向基核函數(shù)的SVM模型訓練法，生成針對所述用戶的個性化生理模型，并將所述生理模型存儲在所述生理模型庫中；采用交叉驗證法對所述生理模型的參數(shù)進行優(yōu)化；根據(jù)新采集的生理數(shù)據(jù)，采用基于徑向基核函數(shù)的SVM模型訓練法，定期更新所述生理模型庫中的各項生理模型； 歷史數(shù)據(jù)修復模塊，用于使用SVM模型對所述生理數(shù)據(jù)庫中存儲的生理數(shù)據(jù)進行回歸擬合處理，定期對所述生理數(shù)據(jù)進行查漏補缺，修復離群點。
10.如權(quán)利要求9所述的系統(tǒng)，其特征在于， 所述生理模型訓練模塊具體用于:將所述生理數(shù)據(jù)庫中存儲的某用戶最近預定時間段內(nèi)的生理數(shù)據(jù)作為模型訓練集，對所述生理數(shù)據(jù)進行歸一化預處理，采用徑向基核函數(shù)的SVM模型訓練法，生成針對所述用戶的個性化生理模型，并將所述生理模型存儲在所述生理模型庫中，采用交叉驗證法對所述生理模型的參數(shù)進行優(yōu)化，其中，所述生理模型庫中保存有每位用戶專屬的針對各種疾病的多種生理模型； 所述歷史數(shù)據(jù)修復模塊具體用于:將所述用戶的所有歷史生理數(shù)據(jù)作為模型訓練集，根據(jù)生理數(shù)據(jù)的時間連續(xù)性與平穩(wěn)性，以時間作為模型的自變量，采用SVM模型對生理數(shù)據(jù)進行回歸擬合，輸出所述用戶歷史生理數(shù)據(jù)的回歸擬合曲線，并根據(jù)回歸擬合曲線對離群點進行平滑處理，并彌補缺失數(shù)據(jù)。
11.如權(quán)利要求2所述的系統(tǒng)，其特征在于，所述綜合評估子系統(tǒng)具體包括: 體征趨勢預測模塊，用于采用SVM和模糊信息粒化的方法，根據(jù)所述生理數(shù)據(jù)庫中的生理數(shù)據(jù)和所述生理模型庫中的生理模型預測下一階段用戶的體征變化趨勢和體征動態(tài)變化范圍； 綜合健康評估模塊，用于使用檢測評測國際通用量表，根據(jù)所述生理數(shù)據(jù)庫中的生理數(shù)據(jù)和所述下一階段用戶的體征變化趨勢和體征動態(tài)變化范圍對用戶進行健康評估。`
12.如權(quán)利要求11所述的系統(tǒng)，其特征在于，所述體征趨勢預測模塊具體用于:設(shè)定模糊粒度參數(shù)，根據(jù)所述模糊粒度參數(shù)采用三角型模糊粒子對所述生理數(shù)據(jù)庫中存儲的生理數(shù)據(jù)進行模糊粒化，然后輸入SVM進行預測，得到下一個信息粒的上限、下限和平均水平三個參數(shù)，利用所述三個參數(shù)確定下一階段用戶的體征變化趨勢和體征動態(tài)變化范圍，其中，較小的模糊粒度參數(shù)能夠反映用戶身體細微的變化情況，較大的模糊粒度參數(shù)能反映用戶總體的體征變化趨勢，且粒度越大可預測的時間范圍就越遠。
【文檔編號】G06F19/00GK103778312SQ201210409115
【公開日】2014年5月7日 申請日期:2012年10月24日 優(yōu)先權(quán)日:2012年10月24日
【發(fā)明者】陸平, 鄧碩, 婁夢茜, 謝怡, 孫知信 申請人:中興通訊股份有限公司