CN111803032B - 一种新冠肺炎疑似感染的大面积观测方法及系统 - Google Patents
一种新冠肺炎疑似感染的大面积观测方法及系统 Download PDFInfo
- Publication number
- CN111803032B CN111803032B CN202010632445.7A CN202010632445A CN111803032B CN 111803032 B CN111803032 B CN 111803032B CN 202010632445 A CN202010632445 A CN 202010632445A CN 111803032 B CN111803032 B CN 111803032B
- Authority
- CN
- China
- Prior art keywords
- detected person
- calculation module
- degree
- acquiring
- data
- 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
- 206010035664 Pneumonia Diseases 0.000 title claims abstract description 91
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012502 risk assessment Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 208000024891 symptom Diseases 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000003745 diagnosis Methods 0.000 claims abstract description 9
- 238000013210 evaluation model Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 67
- 230000036760 body temperature Effects 0.000 claims description 47
- 206010011224 Cough Diseases 0.000 claims description 41
- 230000001815 facial effect Effects 0.000 claims description 31
- 230000003287 optical effect Effects 0.000 claims description 31
- 206010028748 Nasal obstruction Diseases 0.000 claims description 30
- 239000008280 blood Substances 0.000 claims description 28
- 210000004369 blood Anatomy 0.000 claims description 28
- 208000017574 dry cough Diseases 0.000 claims description 28
- 230000033001 locomotion Effects 0.000 claims description 27
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 24
- 230000036772 blood pressure Effects 0.000 claims description 24
- 239000001301 oxygen Substances 0.000 claims description 24
- 229910052760 oxygen Inorganic materials 0.000 claims description 24
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 22
- 230000036387 respiratory rate Effects 0.000 claims description 20
- 206010008531 Chills Diseases 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 16
- 230000002269 spontaneous effect Effects 0.000 claims description 16
- 206010016256 fatigue Diseases 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 12
- 230000017531 blood circulation Effects 0.000 claims description 11
- 241001282135 Poromitra oscitans Species 0.000 claims description 10
- 206010048232 Yawning Diseases 0.000 claims description 10
- 230000001121 heart beat frequency Effects 0.000 claims description 10
- 239000007789 gas Substances 0.000 claims description 7
- 230000003867 tiredness Effects 0.000 claims description 6
- 208000016255 tiredness Diseases 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 5
- 210000003462 vein Anatomy 0.000 claims description 5
- 230000001755 vocal effect Effects 0.000 claims description 4
- 210000001508 eye Anatomy 0.000 description 22
- 210000003128 head Anatomy 0.000 description 15
- 210000001061 forehead Anatomy 0.000 description 10
- 230000003321 amplification Effects 0.000 description 9
- 238000003199 nucleic acid amplification method Methods 0.000 description 9
- 238000012216 screening Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 210000005252 bulbus oculi Anatomy 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000004297 night vision Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000035488 systolic blood pressure Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000001720 vestibular Effects 0.000 description 2
- 230000037303 wrinkles Effects 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000001097 facial muscle Anatomy 0.000 description 1
- 230000036541 health Effects 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
- 210000003205 muscle Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/021—Measuring pressure in heart or blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Measuring devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor or mobility of a limb
- A61B5/1103—Detecting muscular movement of the eye, e.g. eyelid movement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/117—Identification of persons
- A61B5/1171—Identification of persons based on the shapes or appearances of their bodies or parts thereof
- A61B5/1176—Recognition of faces
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Ophthalmology & Optometry (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Optics & Photonics (AREA)
- Evolutionary Computation (AREA)
- Vascular Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种新冠肺炎疑似感染的大面积观测方法及系统，所述观测方法包括以下步骤：生理特征获取，通过传感器组件，直接采集或间接计算被检测者的生理特征；建立风险评估模型，获取新冠肺炎确诊患者的症状和临床体征数据作为训练样本，通过统计学习方法、机器学习方法或深度学习方法进行训练，生成新冠肺炎疑似感染风险评估模型；疑似判断，将所述被检测者的生理特征输入至所述新冠肺炎疑似感染风险评估模型，输出被检测者新冠肺炎疑似感染的风险程度。
Description
技术领域
本发明涉及一种新冠肺炎疑似感染的大面积观测方法及系统，涉及医学监测技术领域。
背景技术
目前，新冠肺炎疫情已在全球范围内大肆流行。为了抑制新冠肺炎病毒的传播，在人员集中场所，常需要对人体进行体温检测筛查，判断被检测人员是否为新冠肺炎疑似感染者。然而，该检测筛查方法只是简单地根据人体体温单一生理指标来进行判断，因而检测结果不够精准，会导致新冠肺炎疑似感染人员的漏检和误检。
实际上，除了体温这一生理特征指标之外，干咳、呼吸率、血氧饱和度、心率、心率变异率、血压、鼻塞、颤抖、身体疲劳、人脸气色等生理特征指标均与新冠肺炎疑似感染密切相关。
发明内容
本发明的目的在于克服现有单一体温指标筛查不够精确的缺点，提供了一种检测精准、适合大面积部署的新冠肺炎疑似感染观测方法及系统。
本发明的技术方案如下：
技术方案一：
一种新冠肺炎疑似感染的大面积观测方法，包括以下步骤：
生理特征获取，通过传感器组件，直接采集或间接计算被检测者的生理特征；
建立风险评估模型，获取新冠肺炎确诊患者的症状和临床体征数据作为训练样本，通过统计学习方法、机器学习方法或深度学习方法进行训练，生成新冠肺炎疑似感染风险评估模型；
疑似判断，将所述被检测者的生理特征输入至所述新冠肺炎疑似感染风险评估模型，输出被检测者新冠肺炎疑似感染的风险程度。
进一步的，在生理特征获取步骤之前，还包括一身份验证步骤，所述身份验证步骤具体如下：
获取被检测者的身份标识，通过验证身份标识判断被检测者是否为本人，验证通过则执行生理特征获取步骤，否则结束；
其中，所述身份标识为人脸数据、声音数据、指纹数据、心率数据、静脉数据或虹膜数据。
进一步的，所述传感器组件包括光学传感器、声音传感器和红外传感器。
进一步的，所述生理特征包括主要判断指标和辅助判断指标，所述主要判断指标包括人脸体温、干咳程度和呼吸率；所述辅助判断指标包括血氧饱和度、心率、心率变异率、血压、眨眼率、鼻塞程度、颤抖程度、疲倦程度、人脸气色；
通过所述光学传感器获取被检测者面部血流光学变化数据、面部动作数据和面部各部位的颜色和纹理；
根据所述面部血流光学变化数据，获取被检测者心跳的时域波形和/或频域波形，基于所述心跳的时域波形和/或频域波形计算被检测者的心率和心率变异率；
根据所述面部血流光学变化数据，获取被检测者脸部不同部位的心跳波峰到达时间差和/或心跳波谷到达时间差和/或脸部不同部位的心跳频谱特征，根据脸部不同部位的心跳波峰到达时间差和/或心跳波谷到达时间差和/或脸部不同部位的心跳频谱特征计算被检测者的血压；
根据所述面部血流光学变化数据，获取被检测者脸部红光与红外光的光强度变化量比值，根据所述脸部红光与红外光的光强度变化量比值计算被检测者的血氧饱和度；
根据所述面部动作数据，获取被检测者呼吸的时域波形和/或频域波形，基于所述呼吸的时域波形和/或频域波形计算被检测者的呼吸率；
根据所述面部动作数据，获取被检测者自发性眨眼的次数，基于所述自发性眨眼的次数和检测时间计算被检测者的眨眼率；
根据所述面部动作数据，获取被检测者鼻子部位的微运动，结合鼻子部位瞬间微运动的特征和力度计算被检测者的鼻塞次数和鼻塞程度；
根据所述面部动作数据，获取被检测者头部的周期性颤抖运动，通过头部垂直方向和/或水平方向的颤抖频率计算被检测者头部的颤抖程度；
根据所述面部动作数据，获取被检测者的眨眼时长、眼睛睁开程度、连续闭眼时长、打哈欠程度，通过所述眨眼率、心率、呼吸率、心率变异率、眨眼时长、眼睛睁开程度、连续闭眼时长、打哈欠程度计算被检测者心理和/或身体的疲倦程度；
根据所述面部各部位的颜色和纹理，计算被检测者的人脸气色；
通过所述声音传感器获取被检测者的声纹特征，根据所述被检测者的声纹特征判断被检测者发出的声音为咳嗽音的次数，并根据被检测者发出的咳嗽音的声纹特征的振幅、频率和时长，计算被检测者的干咳程度；
通过所述红外传感器，获取人脸多个部位的温度数据，并计算出人脸体温。
进一步的，还包括一评估结果反馈和上传步骤，具体如下：
根据被检测者的身份验证标识，获取被检测者的个人基本信息；
将被检测者新冠肺炎疑似感染的风险程度发送给被检测者本人和/或被检测者监护人和/或新冠肺炎相关管理人员；
将采集到的被检测者的生理特征指标、被检测者新冠肺炎疑似感染的风险程度和被检测者个人基本信息上传保存到数据库。
技术方案二：
一种新冠肺炎疑似感染的大面积观测系统，包括：生理特征获取模块、风险评估模块和判断模块；
所述生理特征获取模块用于通过传感器组件直接采集或间接计算被检测者的生理特征；
所述风险评估模块用于获取新冠肺炎确诊患者的症状和临床体征数据作为训练样本，通过统计学习方法、机器学习方法或深度学习方法进行训练，生成新冠肺炎疑似感染风险评估模型；
所述判断模块用于将所述被检测者的生理特征输入至所述新冠肺炎疑似感染风险评估模型，输出被检测者新冠肺炎疑似感染的风险程度。
进一步的，还包括身份验证模块，所述身份验证模块用于获取被检测者的身份标识，通过验证身份标识判断被检测者是否为本人；所述身份标识为人脸数据、声音数据、指纹数据、心率数据、静脉数据或虹膜数据。
进一步的，所述生理特征获取模块包括光学传感器、声音传感器和红外传感器。
进一步的，所述光学传感器用于获取被检测者面部血流光学变化数据、面部动作数据和面部各部位的颜色和纹理；所述声音传感器用于获取被检测者的声纹特征；所述红外传感器用于获取人脸一个或多个部位的温度数据；
所述生理特征获取模块还包括人脸体温计算模块、干咳程度计算模块、呼吸率计算模块、血氧饱和度计算模块、心率计算模块、心率变异率计算模块、血压计算模块、眨眼率计算模块、鼻塞程度计算模块、颤抖程度计算模块、疲倦程度计算模块和人脸气色计算模块；
所述心率计算模块用于根据所述面部血流光学变化数据，获取被检测者心跳的时域波形和/或频域波形，基于所述心跳的时域波形和/或频域波形计算被检测者的心率；
所述心率变异率计算模块用于通过所述心跳的时域波形的连续波峰或波谷之间的时间间隔和/或所述心跳的频域波形的频谱特征计算出被检测者的心率变异率；
所述血压计算模块用于根据所述面部血流光学变化数据获取被检测者脸部不同部位的心跳波峰到达时间差和/或心跳波谷到达时间差和/或脸部不同部位的心跳频谱特征，根据脸部不同部位的心跳波峰到达时间差和/或心跳波谷到达时间差和/或脸部不同部位的心跳频谱特征计算被检测者的血压；
所述血氧饱和度计算模块用于获取被检测者脸部红光与红外光的光强度变化量比值，根据所述脸部红光与红外光的光强度变化量比值计算被检测者的血氧饱和度；
所述呼吸率计算模块用于根据所述面部动作数据获取被检测者呼吸的时域波形和/或频域波形，基于所述呼吸的时域波形和/或频域波形计算被检测者的呼吸率；
所述眨眼率计算模块用于根据所述面部动作数据获取被检测者自发性眨眼的次数，并根据所述自发性眨眼的次数和检测时间计算被检测者的眨眼率；
所述鼻塞程度计算模块用于根据所述面部动作数据获取被检测者鼻子部位的微运动，结合鼻子部位瞬间微运动的特征和力度计算被检测者的鼻塞次数和鼻塞程度；
所述颤抖程度计算模块用于根据所述面部动作数据，获取被检测者头部的周期性颤抖运动，通过头部垂直方向和/或水平方向的颤抖频率计算被检测者头部的颤抖程度；
所述疲倦程度计算模块用于根据所述面部动作数据，获取被检测者的眨眼时长、眼睛睁开程度、连续闭眼时长、打哈欠程度，通过所述眨眼率、心率、呼吸率、心率变异率、眨眼时长、眼睛睁开程度、连续闭眼时长、打哈欠程度计算被检测者心理和/或身体的疲倦程度；
所述人脸气色计算模块用于根据所述面部各部位的颜色和纹理，计算被检测者的人脸气色；
所述干咳程度计算模块用于根据所述被检测者的声纹特征判断被检测者发出的声音为咳嗽音的次数，并根据被检测者发出的咳嗽音的声纹特征的振幅、频率和时长，计算被检测者的干咳程度；
所述人脸体温计算模块用于通过所述人脸多个部位的温度数据计算出人脸体温。
进一步的，还包括最终体检结果反馈模块和体检数据远程自动上报模块；所述最终体检结果反馈模块用于将被检测者疑似感染新冠肺炎的风险评估结果发送给被检测者本人和/或被检测者监护人和/或新冠肺炎相关管理人员；所述体检数据远程自动上报模块将采集到的被检测者的生理特征指标、被检测者疑似感染新冠肺炎的风险评估结果和被检测者个人基本信息自动上传保存到数据库。
本发明具有如下有益效果：
1、本发明通过统计学习方法、机器学习方法、深度学习方法中的一种或两种及以上的组合，对新冠肺炎确诊患者的症状和临床体征数据进行训练，生成新冠肺炎疑似感染的风险评估模型，能够进行大面积的新冠肺炎疑似感染筛查，降低了因人为观察所导致的主观判断误差。
2、本发明设置有身份验证模块，确保被检测者是本人后再进行检测，避免了谎报、漏报现象。
3、本发明在现有单一体温指标筛查的基础上另外增加了与新冠肺炎感染密切相关的干咳、呼吸率、血氧饱和度、心率、心率变异率、鼻塞、血压、眨眼率、颤抖程度、疲倦程度和人脸气色等多项生理指标，大大提升了新冠肺炎疑似感染观测判断结果的准确度和鲁棒性。
4、本发明需要采集的生理指标全部可以通过非接触式方式自动远程采集和上报，避免了医护人员现场体检的感染风险。
附图说明
图1为本发明实施例一的流程图；
图2为本发明实施例二的流程图；
图3为本发明实施例三的系统示意图；
图4为本发明实施例三的使用示意图；
图5为本发明实施例四中生理指标显示模块的系统界面示意图。
具体实施方式
下面结合附图和具体实施例来对本发明进行详细的说明。
实施例一：
参见图1，一种新冠肺炎疑似感染的大面积观测方法，包括以下步骤：
生理特征获取，通过传感器组件，直接采集或间接计算被检测者的生理特征；
建立风险评估模型，获取新冠肺炎确诊患者的症状和临床体征数据作为训练样本，通过统计学习方法、机器学习方法、深度学习方法中的一种或两种及以上的组合进行训练，生成疑似感染新冠肺炎的风险评估模型，统计学习方法、机器学习方法、深度学习方法包括各类统计分析方法、支持向量机、神经网络、遗传算法等；
疑似判断，将所述被检测者的生理特征输入至所述新冠肺炎疑似感染风险评估模型，输出被检测者新冠肺炎疑似感染的风险数值；预设至少一个风险阈值，比对所述被检测者新冠肺炎疑似感染的风险数值和风险阈值，输出被检测者新冠肺炎疑似感染的风险程度。
本实施例通过统计学习方法、机器学习方法、深度学习方法中的一种或两种及以上的组合，对新冠肺炎确诊患者的症状和临床体征数据进行训练，生成新冠肺炎疑似感染的风险评估模型，能够进行大面积的新冠肺炎疑似感染筛查，降低了因人为观察所导致的主观判断误差。
实施例二：
进一步的，参见图2，在本实施例中，通过以下步骤判断被检测者新冠肺炎疑似感染的风险程度：
步骤S100：所述传感器组件包括光学传感器、声音传感器和红外传感器；通过光学传感器获取被检测者的人脸视频数据，所述光学传感器可以采用普通彩色摄像头、红外夜视摄像头、高速摄像头、带有一个或多个滤光片的光学摄像头、网络摄像头、IP摄像头、激光摄像机等；声音传感器可以是普通的笔记本电脑内置的麦克风、手机内置的麦克风、摄像头内置的麦克风、台式机外置的麦克风、全方向立体麦克风或麦克风阵列等；红外传感器可以是红外单点测温传感器、红外点阵测温传感器、红外热成像摄像头、红外热成像摄像仪、红外测温仪等；
步骤S200：对被检测者的身份标识进行验证，判断是否为被检测者本人，如果不是被检测者本人，则重新执行步骤S200，如果是被检测者本人，则执行步骤S300；所述身份标识可以为人脸数据、声音数据、指纹数据、心率数据、静脉数据和虹膜数据，在本实施例中，身份标识采用人脸数据。
步骤S300：基于生理特征数据计算被检测者的主要判断指标和辅助判断指标，所述主要判断指标包括人脸体温、干咳程度和呼吸率；所述辅助判断指标包括血氧饱和度、心率、心率变异率、血压、眨眼率、鼻塞程度、颤抖程度、疲倦程度、人脸气色；各类生理指标的具体计算方法如下：
首先进行光学补偿，维持录制的人脸视频中光亮度的稳定；再选择人脸面部检测效果较好的区域如：额头、面颊处作为特征区域；通过光学传感器，获取特征区域中每个像素点的RGB三维向量（RED、GREEN、BLUE的像素值），通过RGB三维向量获取每个像素点的绿光值、绿光和蓝光的比值以及光强度值三个成分，再通过欧拉颜色放大技术对绿光值、绿光和蓝光的比值以及光强度值进行放大处理，放大处理后再进行滤波处理，通过主成分分析法对滤波处理后的绿光值、绿光和蓝光的比值以及光强度值三个成分进行分析，输出主成分并进行滤波处理，根据滤波后的主成分数值随时间高低变化的峰谷值，计算出被检测者的心跳的时域波形和/或频域波形，基于所述心跳的时域波形和/或频域波形计算被检测者的心率；通过心跳的时域波形获取连续波峰和/或波谷之间的时间间隔统计出多个连续波峰和/或波谷之间的时间间隔特征，通过心跳的频域波形获取心跳的频谱特征，再根据心跳波峰波谷的时间间隔特征和/或心跳的频谱特征计算出被检测者的心率变异率；通过欧拉运动放大技术对人脸视频数据中被检测者面部运动进行放大处理，统计被检测者脸部与呼吸相关的特征点的微运动信息计算出被检测者的呼吸率，人在呼吸时，面部有许多和呼吸相关的特征部位会随之动作，如鼻孔处、鼻翼处，捕捉这些特征点进行欧拉运动放大以计算人的呼吸率；通过获取人体自发性眨眼之间的时间间隔来计算出被检测者的眨眼率，自发性眨眼指的是时间在0.3s~0.4s的闭眼动作，如被检测者闭眼时间超出自发性眨眼的时间区间，则不将当前眨眼统计入自发性眨眼次数；通过获取人脸红光与红外光的光强度变化量比值来计算出被检测者的血氧饱和度；获取人脸不同部位的心跳波峰到达时间差和/或心跳波谷到达时间差和/或脸部不同部位的心跳频谱特征来计算出被检测者的血压信息，因为心脏泵血时，到达不同部位的血管长度不同，所以根据人脸不同部位的心跳波峰到达时间差和/或心跳波谷到达时间差和/或脸部不同部位的心跳频谱特征可以计算出血压数据，通过欧拉颜色放大技术可以知道不同部位何时处于心跳波峰和波谷到达的状态，对人脸视频数据进行抽帧处理可以获取不同部位之间心跳波峰和波谷到达的时间差；人在鼻塞时，吸气困难，会导致脸部多个部位的微运动，如鼻翼处会收缩、鼻头处会耸动，通过边缘检测算法来获取人脸鼻子部位的微运动，结合鼻塞吸气动作引起的鼻子部位瞬间动作、嘴巴微运动特征来计算出被检测者的鼻塞程度信息，如检测到鼻翼处长时间收缩、鼻头上升、鼻头产生褶皱、嘴巴上唇提升，则判定为严重鼻塞，检测到鼻翼处短时间收缩、鼻头轻微耸动、嘴巴部位无明显变化，则判定为轻度鼻塞；人在患病时，会存在发冷颤抖的情况，所以颤抖程度也可以作为一项用来评估是否罹患新冠肺炎的生理特征，根据所述面部动作数据，获取被检测者头部的周期性颤抖运动，通过头部垂直方向和/或水平方向的颤抖频率计算被检测者头部的因前庭反射引起的自发性点头、摇头等颤抖程度；根据所述面部动作数据，获取被检测者的眨眼时长、眼睛睁开程度、连续闭眼时长、打哈欠程度，通过所述眨眼率、心率、呼吸率、心率变异率、眨眼时长、眼睛睁开程度、连续闭眼时长、打哈欠程度中的一种或两种及以上的组合计算被检测者心理和/或身体的疲倦程度，人体疲倦程度也反应了人是否患病，可以作为评估人是否罹患新冠肺炎的生理特征；根据所述面部各部位的颜色和纹理，计算被检测者的人脸气色，对于人脸气色的判断可以通过人脸肤色、脸部肌肉损失、脸部皱纹分布、人脸轮廓等信息估计出人脸的预测年龄，再通过预测年龄与实际年龄之间的差异来计算出被检测者的人脸气色信息，还可以通过被检测者虹膜、眼球的颜色和特征计算人脸气色，如眼睛有很多血丝、虹膜发黄、白眼球发黄，则一个人的人脸气色属于不好的状态，还可以通过舌苔的颜色和纹理，嘴唇的颜色和纹理等面部不同部位的特征计算人脸气色，被检测者的人脸气色也可以反映被检测者的健康状态；
步骤S400：通过声音传感器获取被检测者的声音数据，基于声纹特征匹配技术，判断被检测者发出的声音是否为咳嗽声，通过分析咳嗽声纹特征的振幅、频率、时长等信息，来计算出被检测者的咳嗽次数、咳嗽强度、咳嗽类型等信息；
步骤S500：通过红外传感器检测人脸额头最高体温、人脸额头最低体温、人脸额头平均体温、面部最高体温、面部最低体温、面部平均体温中的一种或两种及以上的组合，本例中红外传感器采用红外点阵传感器；将红外点阵传感器采集的红外体温人脸轮廓与上述人脸视频信息进行融合，准确提取出人脸额头部位的最高体温、最低体温和平均体温；
步骤S600：判断被检测者进行体检时长是否达到预设值，如果没有达到预设值，则重复执行步骤S200；如果已经达到预设值，则执行步骤S700；根据新冠肺炎疫情的严重程度和检测场地限制，可以灵活对体检时长的预设值进行设置，例如体检时长预设值可以为10秒，30秒，1分钟，2分钟、3分钟、5分钟等；
步骤S700：计算心率、心率变异率、呼吸率、眨眼率、血氧饱和度、血压、鼻塞程度、干咳程度、人脸体温、颤抖程度、疲倦程度以及人脸气色等生理指标的统计特征信息，如计算各类生理指标的最小值、最大值、平均值、标准差等；
步骤S800：获取新冠肺炎确诊患者的症状和临床体征数据作为训练样本，通过统计学习方法、机器学习方法、深度学习方法中的一种或两种及以上的组合进行训练，生成新冠肺炎疑似感染风险评估模型，统计学习方法、机器学习方法、深度学习方法包括各类统计分析方法、支持向量机、神经网络、遗传算法等；
将采集到的被检测者的生理特征输入到训练好的新冠肺炎疑似感染风险评估模型中进行预测和分析，输出被检测者新冠肺炎疑似感染的风险程度；
例如：经过数据挖掘和深度学习后，得到的新冠肺炎疑似感染风险评估模型采用人脸体温、干咳程度、呼吸率三项主要判断指标以及血氧饱和度、心率、血压三项辅助判断指标作为评估指标；新冠肺炎疑似感染风险评估模型根据各项生理特征数值与新冠肺炎确诊患者的相似度进行风险分级评分，人脸体温≤35℃的为3分，35.1-36℃的为1分，36.1-38℃的为0分，38.1-39℃的为1分，≥39.1℃的为2分；呼吸率≤8次/分钟的评分为3分，9-11次/分钟的评分为1分，12-20次/分钟的为0分，21-24次/分钟的为2分，≥25次/分钟的为3分；干咳程度为无干咳症状时评分为0分，轻度干咳时评分为1分，中度干咳时评分为2分，严重干咳时评分为3分；血氧饱和度≤91%的为3分，92%-93%的为2分，94%-95%的为1分，≥96%的为0分；心率≤40次/分钟的为3分，41-50次/分钟的为1分，51-90次/分钟的为0分，91-110次/分钟的为1分，111-130次/分钟的为2分，≥131次/分钟的为3分；收缩压＜90 mmHg的为3分，91-100mmHg的为2分，101-110mmHg的为1分，111- 219mmHg的为0分，＞220mmHg的为3分；经过深度学习，分别赋予人脸体温、呼吸率、干咳程度、血氧饱和度、心率和血压不同的权值，人脸体温为0.25、呼吸率为0.25、干咳程度为0.20、血氧饱和度为0.10、心率为0.10、血压为0.10，得到一个计算新冠肺炎疑似感染风险评估的线性方程模型；预设风险阈值为2.6、1.8、1.2、0.6，当风险评估数值大于等于2.6分时认为被检测者新冠肺炎疑似感染的风险程度为极高，当风险评估数值大于等于1.8小于2.6时，认为被检测者新冠肺炎疑似感染的风险程度为高，当风险评估数值大于等于1.2小于1.8时，认为被检测者新冠肺炎疑似感染的风险程度为中等，当风险评估数值大于等于0.6小于1.2时认为被检测者新冠肺炎疑似感染的风险程度为低，当风险评估数值小于0.6时，认为被检测者新冠肺炎疑似感染的风险程度为极低；例如李某在进行体检时，通过传感器组件测得李某人脸体温为37.2℃，呼吸率为15次/分钟，干咳程度为无干咳症状，血氧饱和度为97%，心率92次/分钟，收缩压为103mmHg，则可以得到李某各项生理特征的风险评分分别为0、0、0、0、1、1，则李某的风险评估数值为0*0.25 + 0*0.25 + 0*0.20 + 0*0.10 + 1*0.10 + 1*0.10 = 0.2，小于0.6，所以认为李某新冠肺炎疑似感染的风险程度为极低；
步骤S900：通过被检测者的身份验证标识获取预录入的被检测者的个人基本信息，将被检测者个人基本信息、上述采集到的生理特征指标信息、以及计算出的新冠肺炎疑似感染的风险程度信息自动远程上报数据库，供新冠肺炎疫情管理部门使用；被检测者个人基本信息包括姓名、身份证号、性别、年龄、所在单位、居住地址、手机号、电子邮箱等；
本实施例在现有单一体温指标筛查的基础上另外增加了与新冠肺炎感染密切相关的干咳、呼吸率、血氧饱和度、心率、心率变异率、鼻塞、血压、眨眼率、颤抖程度、疲倦程度和人脸气色等多项生理指标，大大提升了新冠肺炎疑似感染观测判断结果的准确度和鲁棒性；而且这些生理指标全部可以通过非接触式方式自动远程采集和上报，避免了医护人员现场体检的感染风险。
实施例三：
参见图3，一种新冠肺炎疑似感染的大面积观测系统，包括：生理特征获取模块、风险评估模块和判断模块；
所述生理特征获取模块用于通过传感器组件直接采集或间接计算被检测者的生理特征；
所述风险评估模块用于获取新冠肺炎确诊患者的症状和临床体征数据作为训练样本，通过统计学习方法、机器学习方法、深度学习方法中的一种或两种及以上的组合进行训练，生成新冠肺炎疑似感染风险评估模型；
所述判断模块用于将所述被检测者的生理特征输入至所述新冠肺炎疑似感染风险评估模型，输出被检测者新冠肺炎疑似感染的风险程度。
参见图4，在本实施例中，各模块集成于台式电脑上，被检测者坐在台式电脑正前方就能开始进行新冠肺炎疑似感染的风险评估。
本实施例通过获取被检测者的多种生理特征作为筛查特征，提升了新冠肺炎疑似感染观测判断结果的准确度；通过判断模块，结合新冠肺炎确诊患者的症状和临床体征数据计算被检测者疑似感染新冠肺炎的风险程度，降低了因人为观察所导致的主观判断误差。
实施例四：
进一步的，还包括身份验证模块，所述身份验证模块用于获取被检测者的身份标识，通过验证身份标识判断被检测者是否为本人；所述身份标识包括人脸数据、声音数据、指纹数据、心率数据、静脉数据和虹膜数据。
进一步的，所述生理特征获取模块包括光学传感器、声音传感器和红外传感器；所述光学传感器可以采用普通彩色摄像头、红外夜视摄像头、高速摄像头、带有一个或多个滤光片的光学摄像头、网络摄像头、IP摄像头、激光摄像机等；声音传感器可以是普通的笔记本电脑内置的麦克风、手机内置的麦克风、摄像头内置的麦克风、台式机外置的麦克风、全方向立体麦克风或麦克风阵列等；红外传感器可以是红外单点测温传感器、红外点阵测温传感器、红外热成像摄像头、红外热成像摄像仪、红外测温仪等。
进一步的，所述光学传感器用于获取被检测者面部血流光学变化数据、面部动作数据和面部各部位的颜色和纹理；所述声音传感器用于获取被检测者的声纹特征；所述红外传感器用于获取人脸一个或多个部位的温度数据；
所述生理特征获取模块还包括人脸体温计算模块、干咳程度计算模块、呼吸率计算模块、血氧饱和度计算模块、心率计算模块、心率变异率计算模块、血压计算模块、眨眼率计算模块、鼻塞程度计算模块、颤抖程度计算模块、疲倦程度计算模块和人脸气色计算模块；
所述心率计算模块首先进行光学补偿，维持录制的人脸视频中光亮度的稳定；再选择人脸面部检测效果较好的区域如：额头、面颊处作为特征区域；通过光学传感器，获取特征区域中每个像素点的RGB三维向量（RED、GREEN、BLUE的像素值），通过RGB三维向量获取每个像素点的绿光值、绿光和蓝光的比值以及光强度值三个成分，再通过欧拉颜色放大技术对绿光值、绿光和蓝光的比值以及光强度值进行放大处理，放大处理后再进行滤波处理，通过主成分分析法对滤波处理后的绿光值、绿光和蓝光的比值以及光强度值三个成分进行分析，输出主成分并进行滤波处理，根据滤波后的主成分数值随时间高低变化的峰谷值，计算出被检测者的心跳的时域波形和/或频域波形，基于所述心跳的时域波形和/或频域波形计算被检测者的心率；
所述心率变异率计算模块用于通过心跳的时域波形获取连续波峰和/或波谷之间的时间间隔统计出多个连续波峰和/或波谷之间的时间间隔特征，通过心跳的频域波形获取心跳的频谱特征，再根据心跳波峰波谷的时间间隔特征和/或心跳的频谱特征计算出被检测者的心率变异率；
所述血压计算模块用于获取人脸不同部位的心跳波峰到达时间差和/或心跳波谷到达时间差和/或脸部不同部位的心跳频谱特征来计算出被检测者的血压信息，因为心脏泵血时，到达不同部位的血管长度不同，所以根据人脸不同部位的心跳波峰到达时间差和/或心跳波谷到达时间差和/或脸部不同部位的心跳频谱特征可以计算出血压数据，通过欧拉颜色放大技术可以知道不同部位何时处于心跳波峰和波谷到达的状态，对人脸视频数据进行抽帧处理可以获取不同部位之间心跳波峰和波谷到达的时间差；
所述血氧饱和度计算模块用于通过获取人脸红光与红外光的光强度变化量比值来计算出被检测者的血氧饱和度；
所述呼吸率计算模块用于通过欧拉运动放大技术对人脸视频数据中被检测者面部运动进行放大处理，统计被检测者脸部与呼吸相关的特征点的微运动信息计算出被检测者的呼吸率，人在呼吸时，面部有许多和呼吸相关的特征部位会随之运动，如鼻孔处、鼻翼处，捕捉这些特征点进行欧拉运动放大以计算人的呼吸率；
所述眨眼率计算模块用于通过获取人体自发性眨眼之间的时间间隔来计算出被检测者的眨眼率，自发性眨眼指的是时间在0.3s~0.4s的闭眼动作，如被检测者闭眼时间超出自发性眨眼的时间区间，则不将当前眨眼统计入自发性眨眼次数；
所述鼻塞程度计算模块用于通过边缘检测算法来获取人脸鼻子部位的微运动，结合鼻塞吸气动作引起的鼻子部位瞬间动作、嘴巴微运动特征来计算出被检测者的鼻塞程度信息，如检测到鼻翼处长时间收缩、鼻头上升、鼻头产生褶皱、嘴巴上唇提升，则判定为严重鼻塞，检测到鼻翼处短时间收缩、鼻头轻微耸动、嘴巴部位无明显变化，则判定为轻度鼻塞；
所述颤抖程度计算模块用于根据所述面部动作数据，获取被检测者头部的周期性颤抖运动，通过头部垂直方向和/或水平方向的颤抖频率计算被检测者头部的因前庭反射引起的自发性点头、摇头等颤抖程度；
所述疲倦程度计算模块用于根据所述面部动作数据，获取被检测者的眨眼时长、眼睛睁开程度、连续闭眼时长、打哈欠程度，通过所述眨眼率、心率、呼吸率、心率变异率、眨眼时长、眼睛睁开程度、连续闭眼时长、打哈欠程度中的一种或两种及以上的组合计算被检测者心理和/或身体的疲倦程度；
所述人脸气色计算模块用于根据所述面部各部位的颜色和纹理，计算被检测者的人脸气色，对于人脸气色的判断可以通过人脸肤色、脸部肌肉损失、脸部皱纹分布、人脸轮廓等信息估计出人脸的预测年龄，再通过预测年龄与实际年龄之间的差异来计算出被检测者的人脸气色信息，还可以通过被检测者虹膜、眼球的颜色和特征计算人脸气色，如眼睛有很多血丝、虹膜发黄、白眼球发黄，则一个人的人脸气色属于不好的状态，还可以通过舌苔的颜色和纹理，嘴唇的颜色和纹理等面部不同部位的特征计算人脸气色；
所述干咳程度计算模块用于根据所述被检测者的声纹特征判断被检测者发出的声音为咳嗽音的次数，并根据被检测者发出的咳嗽音的声纹特征的振幅、频率和时长，计算被检测者的干咳程度；
所述人脸体温计算模块用于通过红外传感器检测人脸额头最高体温、人脸额头最低体温、人脸额头平均体温、面部最高体温、面部最低体温、面部平均体温中的一种或两种及以上的组合，本例中红外传感器采用红外点阵传感器；将红外点阵传感器采集的红外体温人脸轮廓与上述人脸视频信息进行融合，准确提取出人脸额头部位的最高体温、最低体温和平均体温。
参见图5，还包括生理指标显示模块，生理指标显示模块用于显示心率波形、心率、心率变异率、呼吸率、眨眼率、血氧饱和度、血压、鼻塞程度、干咳程度、人脸体温、颤抖程度、疲倦程度、人脸气色中的一种或两种及以上的检测结果。
进一步的，还包括最终体检结果反馈模块和体检数据远程自动上报模块；所述最终体检结果反馈模块用于将最终的体检结果以文字、图像、声音等形式通过投影仪、笔记本屏幕、台式机显示器、手机屏幕、手机短信、电子邮件、语音播报等方式告知被检测者本人和/或被检测者监护人和/或新冠肺炎相关管理人员；所述体检数据远程自动上报模块将采集到的被检测者的生理特征指标、被检测者疑似感染新冠肺炎的风险评估结果和被检测者个人基本信息自动上传保存到数据库，供新冠肺炎疫情管理人员或部门使用。
本实施例在现有单一体温指标筛查的基础上另外增加了与新冠肺炎感染密切相关的干咳、呼吸率、血氧饱和度、心率、心率变异率、鼻塞、血压、眨眼率、颤抖程度、疲倦程度和人脸气色等多项生理特征指标，大大提升了新冠肺炎疑似感染观测判断结果的准确度和鲁棒性；而且这些生理特征指标全部可以通过非接触式方式自动远程采集和上报，避免了医护人员现场体检的感染风险。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (3)
1.一种新冠肺炎疑似感染的大面积观测系统，其特征在于，包括：生理特征获取模块、风险评估模块和判断模块；
所述生理特征获取模块用于通过传感器组件直接采集或间接计算被检测者的生理特征；
所述风险评估模块用于获取新冠肺炎确诊患者的症状和临床体征数据作为训练样本，通过统计学习方法、机器学习方法或深度学习方法进行训练，生成新冠肺炎疑似感染风险评估模型；
所述判断模块用于将所述被检测者的生理特征输入至所述新冠肺炎疑似感染风险评估模型，输出被检测者新冠肺炎疑似感染的风险程度；
所述生理特征获取模块包括光学传感器、声音传感器和红外传感器；
所述光学传感器用于获取被检测者面部血流光学变化数据、面部动作数据和面部各部位的颜色和纹理；所述声音传感器用于获取被检测者的声纹特征；所述红外传感器用于获取人脸一个或多个部位的温度数据；
所述生理特征获取模块还包括人脸体温计算模块、干咳程度计算模块、呼吸率计算模块、血氧饱和度计算模块、心率计算模块、心率变异率计算模块、血压计算模块、眨眼率计算模块、鼻塞程度计算模块、颤抖程度计算模块、疲倦程度计算模块和人脸气色计算模块；
所述心率计算模块用于根据所述面部血流光学变化数据，获取被检测者心跳的时域波形和/或频域波形，基于所述心跳的时域波形和/或频域波形计算被检测者的心率；
所述心率变异率计算模块用于通过所述心跳的时域波形的连续波峰或波谷之间的时间间隔和/或所述心跳的频域波形的频谱特征计算出被检测者的心率变异率；
所述血压计算模块用于根据所述面部血流光学变化数据获取被检测者脸部不同部位的心跳波峰到达时间差和/或心跳波谷到达时间差和/或脸部不同部位的心跳频谱特征，根据脸部不同部位的心跳波峰到达时间差和/或心跳波谷到达时间差和/或脸部不同部位的心跳频谱特征计算被检测者的血压；
所述血氧饱和度计算模块用于获取被检测者脸部红光与红外光的光强度变化量比值，根据所述脸部红光与红外光的光强度变化量比值计算被检测者的血氧饱和度；
所述呼吸率计算模块用于根据所述面部动作数据获取被检测者呼吸的时域波形和/或频域波形，基于所述呼吸的时域波形和/或频域波形计算被检测者的呼吸率；
所述眨眼率计算模块用于根据所述面部动作数据获取被检测者自发性眨眼的次数，并根据所述自发性眨眼的次数和检测时间计算被检测者的眨眼率；
所述鼻塞程度计算模块用于根据所述面部动作数据获取被检测者鼻子部位的微运动，结合鼻子部位瞬间微运动的特征和力度计算被检测者的鼻塞次数和鼻塞程度；
所述颤抖程度计算模块用于根据所述面部动作数据，获取被检测者头部的周期性颤抖运动，通过头部垂直方向和/或水平方向的颤抖频率计算被检测者头部的颤抖程度；
所述疲倦程度计算模块用于根据所述面部动作数据，获取被检测者的眨眼时长、眼睛睁开程度、连续闭眼时长、打哈欠程度，通过所述眨眼率、心率、呼吸率、心率变异率、眨眼时长、眼睛睁开程度、连续闭眼时长、打哈欠程度计算被检测者心理和/或身体的疲倦程度；
所述人脸气色计算模块用于根据所述面部各部位的颜色和纹理，计算被检测者的人脸气色；
所述干咳程度计算模块用于根据所述被检测者的声纹特征判断被检测者发出的声音为咳嗽音的次数，并根据被检测者发出的咳嗽音的声纹特征的振幅、频率和时长，计算被检测者的干咳程度；
所述人脸体温计算模块用于通过所述人脸多个部位的温度数据计算出人脸体温。
2.根据权利要求1所述的一种新冠肺炎疑似感染的大面积观测系统，其特征在于：还包括身份验证模块，所述身份验证模块用于获取被检测者的身份标识，通过验证身份标识判断被检测者是否为本人；所述身份标识为人脸数据、声音数据、指纹数据、心率数据、静脉数据或虹膜数据。
3.根据权利要求1所述的一种新冠肺炎疑似感染的大面积观测系统，其特征在于：还包括最终体检结果反馈模块和体检数据远程自动上报模块；所述最终体检结果反馈模块用于将被检测者疑似感染新冠肺炎的风险评估结果发送给被检测者本人和/或被检测者监护人和/或新冠肺炎相关管理人员；所述体检数据远程自动上报模块将采集到的被检测者的生理特征指标、被检测者疑似感染新冠肺炎的风险评估结果和被检测者个人基本信息自动上传保存到数据库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010632445.7A CN111803032B (zh) | 2020-07-03 | 2020-07-03 | 一种新冠肺炎疑似感染的大面积观测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010632445.7A CN111803032B (zh) | 2020-07-03 | 2020-07-03 | 一种新冠肺炎疑似感染的大面积观测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111803032A CN111803032A (zh) | 2020-10-23 |
| CN111803032B true CN111803032B (zh) | 2022-08-19 |
Family
ID=72855273
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010632445.7A Active CN111803032B (zh) | 2020-07-03 | 2020-07-03 | 一种新冠肺炎疑似感染的大面积观测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111803032B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4238044A4 (en) * | 2020-10-27 | 2024-10-02 | Salcit Technologies Private Limited | A method and system for monitoring health risk of a user |
| CN114758787A (zh) * | 2020-12-25 | 2022-07-15 | 深圳云天励飞技术股份有限公司 | 区域疫情信息处理方法、装置和系统 |
| CN112494032A (zh) * | 2021-02-03 | 2021-03-16 | 中南大学湘雅二医院 | 一种基于声学特征的呼吸道疾病监测预警系统 |
| CN114983352A (zh) * | 2021-03-01 | 2022-09-02 | 浙江远图互联科技股份有限公司 | 一种基于注意力机制的新冠肺炎识别方法及设备 |
| CN113208575A (zh) * | 2021-05-06 | 2021-08-06 | 成都安瑞健康科技有限公司 | 利用物联网可穿戴装置检测冠状病毒感染的方法和系统 |
| WO2022243137A1 (en) * | 2021-05-21 | 2022-11-24 | Femtec Health, Inc. | System and method for pre-symptomatic and/or asymptomatic detection of a human viral or bacterial infection |
| CN116074033A (zh) * | 2021-11-04 | 2023-05-05 | 中兴通讯股份有限公司 | 信息校验方法、服务器及存储介质 |
| CN114613488A (zh) * | 2022-02-18 | 2022-06-10 | 骏楷国际有限公司 | 一种新冠肺炎检测方法、装置、移动终端及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106355035A (zh) * | 2016-09-28 | 2017-01-25 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的肺炎预测方法和预测系统 |
| WO2018096335A1 (en) * | 2016-11-24 | 2018-05-31 | Ucl Business Plc | Apparatus comprising a nasal airflow sensing device and a computing system |
| CN110584618A (zh) * | 2019-08-15 | 2019-12-20 | 济南市疾病预防控制中心 | 基于人工智能的传染病机器识别系统 |
| CN110891486A (zh) * | 2017-03-10 | 2020-03-17 | 梅西莫股份有限公司 | 肺炎筛查仪 |
| CN111110269A (zh) * | 2020-01-07 | 2020-05-08 | 湖南大学 | 一种基于混合深度学习模型的婴幼儿肺炎快速智能诊断方法 |
-
2020
- 2020-07-03 CN CN202010632445.7A patent/CN111803032B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106355035A (zh) * | 2016-09-28 | 2017-01-25 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的肺炎预测方法和预测系统 |
| WO2018096335A1 (en) * | 2016-11-24 | 2018-05-31 | Ucl Business Plc | Apparatus comprising a nasal airflow sensing device and a computing system |
| CN110891486A (zh) * | 2017-03-10 | 2020-03-17 | 梅西莫股份有限公司 | 肺炎筛查仪 |
| CN110584618A (zh) * | 2019-08-15 | 2019-12-20 | 济南市疾病预防控制中心 | 基于人工智能的传染病机器识别系统 |
| CN111110269A (zh) * | 2020-01-07 | 2020-05-08 | 湖南大学 | 一种基于混合深度学习模型的婴幼儿肺炎快速智能诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111803032A (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111803032B (zh) | 一种新冠肺炎疑似感染的大面积观测方法及系统 | |
| CN102985007B (zh) | 健康装置监视装置 | |
| JP4401079B2 (ja) | 被験者の行動解析 | |
| CN111839489B (zh) | 非接触式生理心理健康检测系统 | |
| EP2748743B1 (en) | Data administration system and method | |
| US12318185B2 (en) | Breathing measurement and management using an electronic device | |
| US12245851B2 (en) | System and method for non-face-to-face health status measurement through camera-based vital sign data extraction and electronic questionnaire | |
| CN112233516A (zh) | 一种医师cpr考试训练与考核的评分方法及系统 | |
| KR101738278B1 (ko) | 영상을 이용한 감정 인식 방법 | |
| US20090216092A1 (en) | System for analyzing eye responses to accurately detect deception | |
| CN111803031A (zh) | 一种非接触式吸毒人员复吸监测方法及系统 | |
| CN113040773A (zh) | 一种数据采集处理方法 | |
| CN108597621B (zh) | 基于中医理论的健康状态监控装置、系统及方法 | |
| CN112233515A (zh) | 一种应用于医生cpr考核的无人值考和智能评分方法 | |
| US20250037884A1 (en) | Cyber-physical system to enhance usability and quality of telehealth consultation | |
| CN109431522A (zh) | 基于叫名反应范式的孤独症早期筛查装置 | |
| CN119741744A (zh) | 一种基于热成像的多模态疲劳驾驶检测方法 | |
| CN119007273A (zh) | 一种基于面部信息融合的认知障碍识别方法 | |
| CN116311510B (zh) | 一种基于图像采集的情绪检测方法及系统 | |
| CN118216914A (zh) | 一种基于高光谱视频分析的心理健康监测预警方法及系统 | |
| CN109640819A (zh) | 用于检测对象的哮喘发作或哮喘的设备、系统和方法 | |
| RU2549314C2 (ru) | Способ контроля сердечно-легочной реанимации и устройство для его осуществления | |
| CN113052427A (zh) | 一种基于视频数据的学生状态分析系统 | |
| CN116369853B (zh) | 一种基于脑机交互技术的嗅觉功能标准化评估装置及方法 | |
| US20240260904A1 (en) | Electronic device |
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 |