买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：亿慧云智能科技(深圳)股份有限公司

摘要：本发明公开一种健康管理智能系统及人体心肺功能信号监测方法，其中，方法包括：S1.预处理数据并进行频域和时域变换；S2.评估数据特征重要性并选择体征数据；S3.实时采集周围视频图像，识别活动人；S4.追踪监测对象位置并进行情感识别；S5.采集心肺热信号建立深度学习模型；S6.输出心肺健康趋势表给应急人员；S7.触发警报并输出异常信息，联通监测对象并启用应急设施，若独处则启动救援并发射求救信息。本发明通过结合监测方法和智能系统，从多维数据对心肺功能信号进行综合分析和智能处理，智能化程度较高，满足个性化评估的需求，提高了急救效率和及时性。

主权项：1.一种人体心肺功能信号监测方法，其特征在于，包括以下步骤：S1：获取历史诊断信息，设置心肺阈值，采集和存储监测对象的体态特征信息并进行预处理，输出预处理数据，将所述预处理数据进行傅里叶变换，获取时域信号并进行小波变换，计算所述预处理数据的协方差矩阵、类间散步矩阵和类内散步矩阵，最大化判别比；S2：使用特征评估指标进行数据特征重要性评估，获得数据特征评估结果，并使用特征选择算法进行选择，输出体征数据，并依据所述体征数据进行追踪识别，所述特征评估指标包括但不限于相关性、方差、信息增益；步骤S2包括以下步骤：S201：基于所述小波变换、协方差矩阵、类间散步矩阵和类内散步矩阵，使用特征评估指标进行数据特征重要性评估，输出数据特征评估结果；S202：基于所述数据特征评估结果，使用所述特征选择算法进行特征选择，输出所述体征数据；S203：建立追踪模型，并基于所述体征数据训练所述追踪模型，并根据所述追踪模型的准确率和鲁棒性，调整所述追踪模型的参数或改进特征提取方法；S204：基于所述体征数据，将训练好的所述追踪模型用于所述监测对象的识别追踪；S3：实时采集所述监测对象周围环境的视频图像信息，建立背景模型，通过比较所述视频图像信息的当前帧与所述背景模型，排除所述监测对象，提取出移动变化对象，结合深度学习算法，判断所述移动变化对象是否为活动的人，若所述移动变化对象为活动的人，则转入步骤S4，反之转入步骤S5；步骤S3，包括以下步骤：S301：捕获所述视频图像信息，使用公式来表示三维坐标上的像素 强度和颜色，其中，x,和y是像素在图像平面上的坐标，t表示时间，是捕获函数； S302：建立背景模型，包括以下公式： ;其中，N和M分别表示时间帧数和像素网格大小；S303：比较所述当前帧与背景模型，包括以下公式： ;其中，表示像素的颜色和纹理特征，由颜色空间转换或纹理提取算法获得；表示背景的颜色和纹理特征；是一个权重参数，用于平衡颜色和纹理差异的重要 性； S304：生成分割掩膜，包括以下公式： ;其中，表示经过高斯模糊处理后的差异图像； S305：使用形态学操作和区域增长算法进一步处理所述分割掩膜，获取所述移动变化对象的位置坐标，包括以下公式： ;其中，腐蚀表示对所述分割掩膜进行腐蚀操作，膨胀表示对所 述分割掩膜进行膨胀操作； 步骤S305包括以下步骤：S3051：腐蚀操作；S3052：膨胀操作；S3053：区域增长；S3054：边缘检测；S3055：提取轮廓和边界；S3056：计算移动物体的位置和尺寸，包括以下公式： ,其中，表示在时间时的所述分割掩膜，表示在时间时的背 景掩膜； ,其中，表示在时间时的所述分割掩膜; S306：使用所述深度学习算法判断所述移动变化对象是否为活动的人，包括以下公式：,其中CNN是一个多层的神经网络结构；S307：进行决策，包括以下公式： ,其中，和是两个预设的阈值，当，则被视为人，且至少存在一个位 置满足; S4：采用隐私处理算法，阻隔对所述移动变化对象的监测，并基于所述体征数据，持续追踪所述监测对象的位置和运动，通过过滤处理获取所述监测对象的状态信息，并进行情感识别和分析，输出状态数据，若所述状态数据出现异常，则转入步骤S5；步骤S4包括以下步骤：S401：采集监测信息，并基于所述监测信息执行所述隐私算法处理，包括以下步骤：引入随机噪声以混淆所述监测信息；采用模糊算法对所述监测信息进行处理；引入差分隐私机制，通过向所述监测信息中添加所述随机噪声来防止个体信息的泄露；采用加密算法对所述监测信息进行加密；对所述监测信息中的敏感部分进行脱敏处理；获得经过隐私处理的所述监测信息；402：持续追踪所述监测对象的位置和运动；403：过滤处理所述监测对象的所述状态信息；404：情感识别和分析，包括以下步骤：提取所述监测对象的生理信号中的特征，设所述生理信号为,其中t表示时间； 将提取的所述生理信号中的特征组合成特征向量;设定情感标签Y，使用训练集,其中，是第i个样本的特征向量，是对应的 情感标签； 设情感模型为，其中表示模型参数；定义损失函数;优化模型参数;对新的所述生理信号提取特征;利用训练好的模型进行情感预测;设定判断阈值，判断情感的强度，包括以下公式： ;可视化情感变化趋势，对异常情感进行关联分析，输出情感分析结果；405：将经过滤波处理的所述监测对象的所述状态信息和情感分析结果结合，输出综合的所述状态数据；406：设计异常检测算法，通过监测所述状态数据中的异常，判断是否存在异常情况，若存在则转入步骤S5；S5：使用非接触式探测仪采集所述监测对象的心肺热信号，捕捉所述监测对象的心肺微小运动，建立标准数据结构，同步时间戳，输出综合心肺功能数据集，建立深度学习模型，进行正常和异常心肺功能特征模式训练，并基于所述综合心肺功能数据集进行处理分析，获取分析结果数据并存储，若所述分析结果数据正常则转入步骤S6，反之转入步骤S7；步骤S5包括以下步骤：S501：使用所述非接触式探测仪采集所述监测对象的所述心肺热信号，捕捉所述监测对象的心肺微小运动信号；S502：对采集的所述心肺热信号进行温度校准和背景去噪，并应用快速傅里叶变换进行频谱分析，提取呼吸频率数据和心率基本成分数据；S503：对所述心肺微小运动信号进行多普勒处理和时间门控，提取所述监测对象的生命体征运动信息，并基于所述生命体征运动信息进行小波变换，在时频域中同时捕捉心跳瞬态特征和呼吸瞬态特征；S504：建立所述标准数据结构，并将所述呼吸频率数据、心率基本成分数据、心跳瞬态特征和呼吸瞬态特征映射到所述标准数据结构中，确保所述时间戳同步，并对不同单位或量级的所述呼吸频率数据、心率基本成分数据、心跳瞬态特征和呼吸瞬态特征进行缩放或转换；S505：对采集的所述呼吸频率数据、心率基本成分数据、心跳瞬态特征和呼吸瞬态特征进行时间同步，再根据应用场景和信号特性，选择合适的数据融合法，赋予不同所述非接触式探测仪的权重，再使用选择的所述数据融合法进行处理，输出所述综合心肺功能数据集；S506：建立所述深度学习模型，进行正常和异常心肺功能特征模式训练，再将所述综合心肺功能数据集输入到所述深度学习模型中进行实时分析，输出所述分析结果数据并存储；S507：将所述分析结果数据与所述心肺阈值进行配比，若超过所述心肺阈值，则判断为异常，若未超过所述心肺阈值，则判断为正常；S6：实时调取所述分析结果数据并输出趋势表，所述趋势表用于应急人员判断所述监测对象的心肺健康状况趋势，所述应急人员制定个性化策略并反馈给所述监测对象；S7：触发警报，并输出异常信息给所述应急人员，所述应急人员基于所述异常信息，获取所述监测对象的地理位置信息，制定应急策略，自动识别所需应急设施并启用，同时基于所述异常信息，判断所述监测对象是否独处，若非独处，所述应急人员紧急连通所述监测对象的显示装置进行应急指导，若独处，按就近原则连通社区服务站展开救援，并桥接授权信号发射端，按梯级由近及远设定信号覆盖范围，发射急救求救信息。

全文数据：

权利要求：

百度查询： 亿慧云智能科技(深圳)股份有限公司 一种健康管理智能系统及人体心肺功能信号监测方法