CN111227789A - 人体健康监护方法和装置 - Google Patents
人体健康监护方法和装置 Download PDFInfo
- Publication number
- CN111227789A CN111227789A CN201811445238.XA CN201811445238A CN111227789A CN 111227789 A CN111227789 A CN 111227789A CN 201811445238 A CN201811445238 A CN 201811445238A CN 111227789 A CN111227789 A CN 111227789A
- Authority
- CN
- China
- Prior art keywords
- health state
- state detection
- monitored user
- trained
- health
- 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.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 233
- 238000012544 monitoring process Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 191
- 230000001815 facial effect Effects 0.000 claims abstract description 43
- 238000012806 monitoring device Methods 0.000 claims abstract description 10
- 230000003862 health status Effects 0.000 claims description 55
- 238000002372 labelling Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 18
- 230000008921 facial expression Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 description 29
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000000474 nursing effect Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010010904 Convulsion Diseases 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 206010019196 Head injury Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035790 physiological processes and functions 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
- A61B5/72—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了人体健康监护方法和装置。该方法的一具体实施方式包括：获取被监护用户的人脸图像；利用已训练的健康状态检测模型对被监护用户的人脸图像进行检测，得到被监护用户的健康状态检测结果；执行与被监护的用户的健康状态检测结果对应的预设监护操作。该实施方式实现了非接触式的人体健康状态检测，能够快速地针对健康状态检测结果进行监护操作，拓展了健康监护的应用范围。
Description
技术领域
本申请实施例涉及计算机技术领域，具体涉及人工智能领域，尤其涉及人体健康监护方法和装置。
背景技术
人脸识别是一种非接触式的生物特征识别技术，目前人脸识别已被应用在各类身份鉴别场景中，例如门禁系统、安防监控、社保管理等。在医疗监护中，人脸识别也可以被应用于权限管理系统，例如重症病房的人员权限管理。然而，除了身份信息之外，人脸还包含了人体基于外界事物的刺激或生理状态的改变而做出的面部反应所形成的表情特征。
目前的医疗监护中，通常会采用医疗传感器采集人体生理参数，将采集到的生理参数传输至监护中心的设备上。在生理参数超出正常范围后医疗监护设备可以发出告警。这些医疗传感器大都是接触式的，需要佩戴在用户的身体上。而在突发疾病等用户未佩戴医疗传感器的场景中，由于无法实时获取用户的健康状态参数，不能及时的进行救助。
发明内容
本申请实施例提出了人体健康监护方法和装置。
第一方面，本申请实施例提供了一种人体健康监护方法，包括：获取被监护用户的人脸图像；利用已训练的健康状态检测模型对被监护用户的人脸图像进行检测，得到被监护用户的健康状态检测结果；执行与被监护的用户的健康状态检测结果对应的预设监护操作。
在一些实施例中，上述利用已训练的健康状态检测模型对被监护用户的人脸图像进行检测，得到被监护用户的健康状态检测结果，包括：将被监护用户的人脸图像输入已训练的健康状态检测模型中的特征提取网络，以提取出被监护用户的面部表情特征；利用已训练的健康状态检测模型中的识别网络对面部表情特征进行分类，得到健康状态检测结果。
在一些实施例中，上述执行与被监护的用户的健康状态检测结果对应的预设监护操作，包括：根据被监护用户的健康状态检测结果确定被监护用户的救助需求指数；根据预先配置的预设监护操作与预设救助需求指数之间的对应关系，确定被监护用户的救助需求指数对应的目标监护操作，并执行目标监护操作。
在一些实施例中，上述方法还包括：基于样本人脸图像集合训练得出已训练的健康状态检测模型，样本人脸图像集合包括样本人脸图像及对应的用户的健康状态标注信息；以及上述基于样本人脸图像集合训练得出已训练的健康状态检测模型，包括：基于神经网络构建待训练的健康状态检测模型，将样本人脸图像集合输入待训练的健康状态检测模型，得到样本人脸图像集合的健康状态预测结果；基于预设的损失函数，迭代调整待训练的健康状态检测模型的参数，使得损失函数的值满足预设的收敛条件，其中，损失函数的值用于表征样本人脸图像集合的健康状态预测结果偏离样本人脸图像集合对应的健康状态标注信息的置信度。
在一些实施例中，上述方法还包括：基于被监护用户的健康状态检测结果以及所执行的预设监护操作，生成被监护用户的监护记录。
第二方面，本申请实施例提供了一种人体健康监护装置，包括：获取单元，被配置为获取被监护用户的人脸图像；检测单元，被配置为利用已训练的健康状态检测模型对被监护用户的人脸图像进行检测，得到被监护用户的健康状态检测结果；监护单元，被配置为执行与被监护的用户的健康状态检测结果对应的预设监护操作。
在一些实施例中，上述检测单元进一步被配置为利用已训练的健康状态检测模型，按照如下方式对被监护用户的人脸图像进行检测，得到被监护用户的健康状态检测结果：将被监护用户的人脸图像输入已训练的健康状态检测模型中的特征提取网络，以提取出被监护用户的面部表情特征；利用已训练的健康状态检测模型中的识别网络对面部表情特征进行分类，得到健康状态检测结果。
在一些实施例中，上述监护单元被进一步被配置为按照如下方式执行与被监护的用户的健康状态检测结果对应的预设监护操作：根据被监护用户的健康状态检测结果确定被监护用户的救助需求指数；根据预先配置的预设监护操作与预设救助需求指数之间的对应关系，确定被监护用户的救助需求指数对应的目标监护操作，并执行目标监护操作。
在一些实施例中，上述装置还包括：训练单元，被配置为基于样本人脸图像集合训练得出已训练的健康状态检测模型，样本人脸图像集合包括样本人脸图像及对应的用户的健康状态标注信息；以及上述训练单元被配置为基于样本人脸图像集合，按照如下方式训练得出已训练的健康状态检测模型：基于神经网络构建待训练的健康状态检测模型，将样本人脸图像集合输入待训练的健康状态检测模型，得到样本人脸图像集合的健康状态预测结果；基于预设的损失函数，迭代调整待训练的健康状态检测模型的参数，使得损失函数的值满足预设的收敛条件，其中，损失函数的值用于表征样本人脸图像集合的健康状态预测结果偏离样本人脸图像集合对应的健康状态标注信息的置信度。
在一些实施例中，上述装置还包括：记录单元，被配置为基于被监护用户的健康状态检测结果以及所执行的预设监护操作，生成被监护用户的监护记录。
第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面提供的人体健康监护方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现第一方面提供的人体健康监护方法。
本申请上述实施例的人体健康监护方法和装置，通过获取被监护用户的人脸图像，利用已训练的健康状态检测模型对被监护用户的人脸图像进行检测，得到被监护用户的健康状态检测结果，执行与被监护的用户的健康状态检测结果对应的预设监护操作，实现了非接触式的人体健康状态检测，能够快速地针对健康状态检测结果进行监护操作，拓展了健康监护的应用范围。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请实施例可以应用于其中的示例性系统架构图；
图2是根据本申请的人体健康监护方法的一个实施例的流程图；
图3是根据本申请的人体健康监护方法的另一个实施例的流程图；
图4是根据本申请的人体健康监护方法的又一个实施例的流程图；
图5是本申请的人体健康监护装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的人体健康监护方法或人体健康监护装置的示例性系统架构100。
如图1所示，系统架构100可以包括图像采集设备101，终端设备102、103，网络104以及服务器105。网络104用以在图像采集设备101和服务器105之间提供通信链路的介质，同时在服务器105与终端设备102、103之间提供通信链路的介质。网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
图像采集设备101可以采集其成像范围内的用户的人脸图像，将用户的人脸图像通过网络104发送至服务器105。图像采集设备101可例如是各种监控摄像头，还可以是诸如手机、平板电脑、智能手表等包含图像采集器件的移动电子设备。
服务器105可以是提供监护服务的服务器。服务器105可以接收图像采集设备101采集的人脸图像，基于人脸图像分析用户的健康状况，并根据分析结果向相应的终端设备102、103发送救护操作指令。
终端设备102、103可以通过网络104与服务器105进行数据传输。终端设备102、103可以接收服务器105下发的指令，并执行相应的操作。终端设备102、103可以是医疗救护设备，例如为警报灯、病房的呼叫器等；终端设备102、103也可以是诸如手机、平板电脑、台式电脑、智能手表等电子设备。
本申请实施例所提供的人体健康监护方法可以由服务器105执行，相应地，人体健康监护装置可以设置于服务器105中。在一些场景中，与图像采集设备101通过网络连接的其他电子设备中可以具有执行复杂运算的处理器(例如GPU等)，则本申请实施例所提供的人体监护方法可以由具有执行复杂运算的处理器的电子设备执行，人体健康监护装置可以设置于具有执行复杂运算的处理器的电子设备中。
应该理解，图1中的图像采集设备、终端设备、网络、服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的图像采集设备、终端设备、网络、服务器。
继续参考图2，其示出了根据本申请的人体健康监护方法的一个实施例的流程200。该人体健康监护方法，包括以下步骤：
步骤201，获取被监护用户的人脸图像。
在本实施例中，上述人体健康监护方法的执行主体(例如图1所示的服务器)可以与图像采集设备连接，获取图像采集设备所采集的被监护用户的人脸图像。在这里，被监护用户可以预设场景中的用户，例如医院病房里的患者、养老院的老人用户、住宅内的家庭成员、写字楼里面工作人员等。可以预先设定被监护用户，也可以将图像采集设备的成像范围内的所有人作为被监护用户。
在实践中，可以获取家庭、医院、养老院等场景中的摄像头采集的人脸图像，该人脸图像可以包括一个或一个以上的被监护用户的人脸图像。
在本实施例的一些可选的实现方式中，上述执行主体可以从图像采集设备采集的图像中确定出人脸区域，进而提取出被监护用户的人脸图像。例如，当采集的图像中包含多个人脸时，可以采用人脸检测方法，从采集的图像中提取出不同用户的人脸区域，并将人脸区域从原图像中分割出来，形成对应的各用户的人脸图像。进一步可选地，还可以预先设定被监护用户，可以基于提取出的多个人脸图像进行人脸识别，判断该人脸图像中的人脸所属的用户是否为预先设定的被监护用户，若是，则将提取出的该用户的人脸图像作为获取得到的被监护用户的人脸图像。
步骤202，利用已训练的健康状态检测模型对被监护用户的人脸图像进行检测，得到被监护用户的健康状态检测结果。
可以将步骤201获取到的被监护用户的人脸图像输入已训练的健康状态检测模型中。已训练的健康状态检测模型可以基于输入的人脸图像预测对应用户的身体健康状态。该已训练的健康状态检测模型可以从人脸图像中提取表征身体健康状态的特征，并基于表征身体健康状态的特征进行分类识别，得到被监护用户的健康状态检测结果。
健康状态检测结果可以是预先设定的健康状态等级或类别，例如良好、一般、不良、差；健康状态检测结果还可以利用面部表情类别的结果来表示，例如，表情类别为“痛苦”、“轻松”，分别对应健康状态检测结果为“需要救助”、“身体状况良好”。在健康状态检测模型的训练过程中，可以将健康状态等级或类别作为输出结果，也可以将表情类别作为输出结果，基于机器学习模型构建初始的健康状态检测模型，在训练过程中不断调整健康状态检测模型的参数，使得健康状态检测模型得出的健康状态检测结果趋于用户真实的健康状态。
在本实施例的一些可选的实现方式中，上述利用已训练的健康状态检测模型对被监护用户的人脸图像进行检测，得到被监护用户的健康状态检测结果的步骤202，可以包括：将被监护用户的人脸图像输入已训练的健康状态检测模型中的特征提取网络，以提取出被监护用户的面部表情特征；利用已训练的健康状态检测模型中的识别网络对面部表情特征进行分类，得到健康状态检测结果。
具体来说，上述健康状态检测模型可以是基于神经网络构建的模型，包括特征提取网络和识别网络。其中特征提取网络可以用于提取人脸图像中的表情特征，表情特征可以包括面部特征点之间的距离、面部特征点的颜色、面部特征部位的尺寸等。识别网络可以基于输入的表情特征进行分类，计算表情特征归为每一个预设的健康状态类别的概率，选择概率最高的一个健康状态类别作为健康状态的检测结果。
步骤203，执行与被监护的用户的健康状态检测结果对应的预设监护操作。
在获得被监护用户的健康状态检测结果之后，可以根据健康检测结果从预先设置的监护操作列表中查询与被监护用户的健康状态对应的监护操作并执行。
在本实施例中，上述执行主体可以存储预先设置的监护操作列表，该监护操作列表包括预设的监护操作与预设的健康状态之间的对应关系。
作为示例，监护操作列表中与“不良”健康状态对应的监护操作可以包括：向被监护用户或被监护用户的监护者的电子设备(例如手机)发送就医提示信息；监护操作列表中与“需要救助”健康状态对应的监护操作可以包括：向急救中心发出救助请求，或者向呼叫器发送控制呼叫器进行呼叫的指令。
在本实施例的一些可选的实现方式中，上述执行主体还可以利用已训练的监护操作确定模型对步骤202得到的健康状态检测结果进行相应的监护操作决策。在这里，已训练的监护操作确定模型可以是机器学习模型，例如基于神经网络的模型，可以采用人工标注的样本健康状态标签与预设监护操作之间的对应关系进行训练。在训练过程中，可以迭代调整待训练的监护操作确定模型，使其对于样本健康状态标签的监护操作决策结果与标注的样本健康状态标签对应的预设监护操作趋于一致。这样，可以基于已训练的模型确定出健康状态检测结果对应的监护操作，提升监护决策的准确性和针对性。
返回参考图1，本申请上述实施例的一个示例性的应用场景为，图像采集设备101采集病房中的患者人脸图像之后，通过网络104发送至服务器105。服务器105可以对患者的人脸图像进行健康状态检测，具体可以采用已训练的健康状态检测模型对患者的人脸图像进行处理，得到患者的健康状态检测结果。当患者的健康状态检测结果为“需要救助”时，服务器105可以向病房的呼叫器102发出呼叫指令，呼叫器102接收到呼叫指令后执行救护呼叫的操作。
本申请上述实施例的人体健康监护方法，通过获取被监护用户的人脸图像，利用已训练的健康状态检测模型对被监护用户的人脸图像进行检测，得到被监护用户的健康状态检测结果，执行与被监护的用户的健康状态检测结果对应的预设监护操作，实现了非接触式的人体健康状态检测，能够快速地针对健康状态检测结果进行监护操作，拓展了健康监护的应用范围。
继续参考图3，其示出了是根据本申请的人体健康监护方法的另一个实施例的流程图。如图3所示，本实施例的人体健康监护方法的流程300，可以包括以下步骤：
步骤301，获取被监护用户的人脸图像。
在本实施例中，上述人体健康监护方法的执行主体(例如图1所示的服务器)可以与图像采集设备连接，获取图像采集设备所采集的被监护用户的人脸图像。被监护用户可以预设场景中的用户，例如医院病房里的患者、养老院的老人用户、住宅内的家庭成员、写字楼里面工作人员等。可以预先设定被监护用户，也可以将图像采集设备的成像范围内的所有人作为被监护用户。
在实践中，可以获取家庭、医院、养老院等场景中的摄像头采集的人脸图像，该人脸图像可以包括一个或一个以上的被监护用户的人脸图像。
步骤302，利用已训练的健康状态检测模型对被监护用户的人脸图像进行检测，得到被监护用户的健康状态检测结果。
可以将步骤301获取到的被监护用户的人脸图像输入已训练的健康状态检测模型中。该已训练的健康状态检测模型可以从人脸图像中提取表征身体健康状态的特征，并基于表征身体健康状态的特征进行分类识别，得到被监护用户的健康状态检测结果。
在本实施例的一些可选的实现方式中，上述利用已训练的健康状态检测模型对被监护用户的人脸图像进行检测，得到被监护用户的健康状态检测结果的步骤302，可以包括：将被监护用户的人脸图像输入已训练的健康状态检测模型中的特征提取网络，以提取出被监护用户的面部表情特征；利用已训练的健康状态检测模型中的识别网络对面部表情特征进行分类，得到健康状态检测结果。
本实施例的步骤301、步骤302分别与前述实施例的步骤201、步骤202一致，步骤301、步骤302的具体实现方式可以分别参考前述实施例中步骤201、步骤202的描述，此处不再赘述。
步骤303，根据被监护用户的健康状态检测结果确定被监护用户的救助需求指数。
救助需求指数可以是需要救助的紧急程度。举例来说，对于突发的心脏病等疾病、头部外伤、哮喘、抽搐等症状，需要立即救助，救助需求指数较高；而对于咳嗽、打喷嚏等症状，可以延时救助，救助需求指数较低。
在这里，可以预先设定不同健康状态对应的救助需求指数，则在步骤302确定被监护用户的健康状态后，可以确定出被监护用户的救助需求指数。在一些可选的实现方式中，健康状态检测结果可以采用健康状态的等级来表示，可以根据预设的救助需求指数计算公式，将被监护用户的健康状态等级输入该计算公式，得出被监护用户的救助需求指数。
在另一些可选的实现方式中，可以采用已训练的救助需求模型确定带监护用户的救助需求指数。该已训练的救助需求模型用于预测各种健康状态下的救助需求指数。在训练时，可以基于专业医护人员对各种健康状态标签的救助需求指数的标注信息，对待训练的救助需求模型进行训练，在训练过程中迭代调整待训练的救助需求模型的参数，不断优化救助需求模型。
步骤304，根据预先配置的预设监护操作与预设救助需求指数之间的对应关系，确定被监护用户的救助需求指数对应的目标监护操作，并执行目标监护操作。
在本实施例中，可以预先配置预设监护操作与预设救助需求指数之间的对应关系，例如可以将预设监护操作与预设救助需求指数的对应关系以列表或key-value(键值对)的方式存储。可以从已存储的预设监护操作与预设救助需求指数的对应关系中查找到被监护用户的救助需求指数对应的预设监护操作，作为目标监护操作，之后可以执行该目标监护操作。
示例性地，预设监护操作可以包括但不限于：向被监护用户的关联电子设备(例如手机)推送健康状态信息、向急救中心发出救助请求(例如拨打急救电话)、向监护设备(例如连接医院对应科室的中控平台的呼叫器)发送操作指令、发送求助语音并通过所连接的电子设备播放求助语音，等等。
在本实施例的一些可选的实现方式中，预设监护操作与预设救助需求指数的对应关系也可以是监护决策模型。该监护决策模型可以是基于机器学习方法训练得出的。则在确定救助需求指数后，可以输入该监护决策模型，得到对应的监护操作的决策结果，作为目标监护操作。
从图3可以看出，本实施例的人体健康监护方法，不仅可以确定出用户的身体健康状态，还可以确定用户的救助需求指数，并依据救助需求指数执行相应的监护操作，能够在未提供接触式生理参数采集设备的前提下，主动并及时地检测出需要救助的用户并提供相应的救助操作。
继续参考图4，其示出了根据本申请的人体健康监护方法的又一个实施例的流程图。如图4所示，本实施例的人体健康监护方法的流程400，包括以下步骤：
步骤401，基于样本人脸图像集合训练得出已训练的健康状态检测模型。
在本实施例中，可以首先获取样本人脸图像集合，该样本人脸图像集合可以包括样本人脸图像和样本人脸图像对应的用户的健康状态标注信息。在这里，样本人脸图像对应的用户的健康状态的标注信息可以通过人工标注获取，该标注信息可以用于表征健康状态的标签。
具体来说，基于样本人脸图像集合训练得出已训练的健康状态检测模型的步骤401可以包括步骤4011和步骤4012。
在步骤4011中，基于神经网络构建待训练的健康状态检测模型，将样本人脸图像集合输入待训练的健康状态检测模型，得到样本人脸图像集合的健康状态预测结果。
可以构建包含多个神经元的待训练的健康状态检测模型，然后将样本人脸图像集合中的样本人脸图像输入待训练的健康状态监测模型进行健康状态检测。待训练的健康状态检测模型可以例如为卷积神经网络、循环神经网络等，可以初始化神经网络中每一层的参数，作为待训练的健康状态检测模型的初始参数。然后利用待训练的健康状态检测模型预测样本人脸图像对应的用户的健康状态。
在步骤4012中，基于预设的损失函数，迭代调整待训练的健康状态检测模型的参数，使得损失函数的值满足预设的收敛条件。
其中，损失函数的值用于表征样本人脸图像集合的健康状态预测结果偏离样本人脸图像集合对应的健康状态标注信息的置信度。
可以基于待训练的健康状态检测模型对样本人脸图像对应的用户的健康状态检测的预测结果与样本人脸图像对应的用户的健康状态的标注信息之间的差异构建损失函数。待训练的健康状态检测模型对样本人脸图像对应的用户的健康状态检测的预测结果偏离样本人脸图像对应的用户的健康状态的标注信息的置信度越高，损失函数的值越大。
在步骤4011得出当前待训练的健康状态检测模型对样本人脸图像集合的健康状态预测结果之后，可以计算当前的损失函数的值，然后判断损失函数的值是否达到预设的收敛条件。若损失函数的值未达到预设的收敛条件，则可以采用反向传播算法将当前待训练的健康状态检测模型的预测误差传播回待训练的健康状态检测模型中，使待训练的健康状态检测模型基于损失函数进行参数的调整。在调整参数后可以重新利用待训练的健康状态检测模型对样本人脸图像集合的健康状态进行检测，接着计算损失函数的值，若损失函数的值不满足预设的收敛条件，则继续反向传播调整待训练的健康状态检测模型的参数。这样，通过多次迭代调整待训练的健康状态检测模型的参数，使待训练的健康状态检测模型对样本人脸图像对应的健康状态的检测结果逼近对应的标注信息。在损失函数的值满足预设的收敛条件时，可以停止调整待训练的健康状态检测模型的参数，得到已训练的健康状态检测模型。其中，预设的收敛条件可以是损失函数的值小于预设的阈值，也可以是损失函数的值经过了预设次数的更新，也即迭代调整参数的次数达到了预设的次数。
步骤402，获取被监护用户的人脸图像。
在本实施例中，上述人体健康监护方法的执行主体(例如图1所示的服务器)可以与图像采集设备连接，获取图像采集设备所采集的被监护用户的人脸图像。被监护用户可以预设场景中的用户，例如医院病房里的患者、养老院的老人用户、住宅内的家庭成员、写字楼里面工作人员等。可以预先设定被监护用户，也可以将图像采集设备的成像范围内的所有人作为被监护用户。
在实践中，可以获取家庭、医院、养老院等场景中的摄像头采集的人脸图像，该人脸图像可以包括一个或一个以上的被监护用户的人脸图像。
步骤403，利用已训练的健康状态检测模型对被监护用户的人脸图像进行检测，得到被监护用户的健康状态检测结果。
可以将步骤402获取到的被监护用户的人脸图像输入步骤401已训练的健康状态检测模型中进行健康状态检测。
在本实施例的一些可选的实现方式中，上述利用已训练的健康状态检测模型对被监护用户的人脸图像进行检测，得到被监护用户的健康状态检测结果的步骤403，可以包括：将被监护用户的人脸图像输入已训练的健康状态检测模型中的特征提取网络，以提取出被监护用户的面部表情特征；利用已训练的健康状态检测模型中的识别网络对面部表情特征进行分类，得到健康状态检测结果。
步骤404，执行与被监护的用户的健康状态检测结果对应的预设监护操作。
本实施例的步骤402、步骤403、步骤404分别与前述实施例的步骤201、步骤202、步骤203一致，步骤402、步骤403、步骤404的具体实现方式还可以分别参考前述实施例中步骤201、步骤202、步骤203的描述，此处不再赘述。
本实施例中通过增加基于样本人脸图像集合训练得出已训练的健康状态检测模型的步骤401，能够通过监督学习的方式快速获得健康状态检测模型，并且由于对样本人脸图像集合中的样本人脸图像对应的用户的健康状态进行了标注，训练得出的健康状态检测模型预测出的用户的健康状态的类型是标注信息中所包含的类型，能够更准确地对用户的健康状态进行分类。
在上述参考图2、图3、图4描述的实施例的一些可选实现方式中，人体健康监护方法的流程还可以包括：基于被监护用户的健康状态检测结果以及所执行的预设监护操作，生成被监护用户的监护记录。即可以记录被监护用户的健康状态检测结果及上述执行主体响应于获得健康状态检测结果而执行的监护操作。这样，可以持续完整地记录被监护用户的身体状况，在后续就医或分析身体状况时提供监护记录作为参考，从而帮助准确地进行诊断和分析。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种人体健康监护装置的一个实施例，该装置实施例与图2、图3、图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的人体健康监护装置500包括：获取单元501、检测单元502以及监护单元503。其中，获取单元501被配置为获取被监护用户的人脸图像；检测单元502被配置为利用已训练的健康状态检测模型对被监护用户的人脸图像进行检测，得到被监护用户的健康状态检测结果；监护单元503被配置为执行与被监护的用户的健康状态检测结果对应的预设监护操作。
在一些实施例中，上述检测单元502可以进一步被配置为利用已训练的健康状态检测模型，按照如下方式对被监护用户的人脸图像进行检测，得到被监护用户的健康状态检测结果：将被监护用户的人脸图像输入已训练的健康状态检测模型中的特征提取网络，以提取出被监护用户的面部表情特征；利用已训练的健康状态检测模型中的识别网络对面部表情特征进行分类，得到健康状态检测结果。
在一些实施例中，上述监护单元503可以被进一步被配置为按照如下方式执行与被监护的用户的健康状态检测结果对应的预设监护操作：根据被监护用户的健康状态检测结果确定被监护用户的救助需求指数；根据预先配置的预设监护操作与预设救助需求指数之间的对应关系，确定被监护用户的救助需求指数对应的目标监护操作，并执行目标监护操作。
在一些实施例中，上述装置500还可以包括：训练单元，被配置为基于样本人脸图像集合训练得出已训练的健康状态检测模型，样本人脸图像集合包括样本人脸图像及对应的用户的健康状态标注信息；以及训练单元被配置为基于样本人脸图像集合，按照如下方式训练得出已训练的健康状态检测模型：基于神经网络构建待训练的健康状态检测模型，将样本人脸图像集合输入待训练的健康状态检测模型，得到样本人脸图像集合的健康状态预测结果；基于预设的损失函数，迭代调整待训练的健康状态检测模型的参数，使得损失函数的值满足预设的收敛条件，其中，损失函数的值用于表征样本人脸图像集合的健康状态预测结果偏离样本人脸图像集合对应的健康状态标注信息的置信度。
在一些实施例中，上述装置500还可以包括：记录单元，被配置为基于被监护用户的健康状态检测结果以及所执行的预设监护操作，生成被监护用户的监护记录。
应当理解，装置500中记载的诸单元与参考图2、图3和图4描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置500及其中包含的单元，在此不再赘述。
本申请上述实施例的人体健康监护装置500，通过将被监护用户的人脸图像输入已训练的健康状态检测模型，得到被监护用户的健康状态检测结果，并基于被监护用户的健康状态检测结果执行响应的预设监护操作，实现了非接触式的人体健康状态检测，能够快速地针对健康状态检测结果进行监护操作，拓展了健康监护的应用范围。
下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、检测单元和监护单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取被监护用户的人脸图像的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取被监护用户的人脸图像；利用已训练的健康状态检测模型对被监护用户的人脸图像进行检测，得到被监护用户的健康状态检测结果；执行与被监护的用户的健康状态检测结果对应的预设监护操作。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种人体健康监护方法，包括：
获取被监护用户的人脸图像；
利用已训练的健康状态检测模型对所述被监护用户的人脸图像进行检测，得到所述被监护用户的健康状态检测结果；
执行与所述被监护的用户的健康状态检测结果对应的预设监护操作。
2.根据权利要求1所述的方法，其中，所述利用已训练的健康状态检测模型对所述被监护用户的人脸图像进行检测，得到所述被监护用户的健康状态检测结果，包括：
将所述被监护用户的人脸图像输入已训练的健康状态检测模型中的特征提取网络，以提取出所述被监护用户的面部表情特征；
利用所述已训练的健康状态检测模型中的识别网络对所述面部表情特征进行分类，得到健康状态检测结果。
3.根据权利要求1所述的方法，其中，所述执行与所述被监护的用户的健康状态检测结果对应的预设监护操作，包括：
根据所述被监护用户的健康状态检测结果确定所述被监护用户的救助需求指数；
根据预先配置的预设监护操作与预设救助需求指数之间的对应关系，确定所述被监护用户的救助需求指数对应的目标监护操作，并执行所述目标监护操作。
4.根据权利要求1-3任一项所述的方法，其中，所述方法还包括：
基于样本人脸图像集合训练得出所述已训练的健康状态检测模型，所述样本人脸图像集合包括样本人脸图像及对应的用户的健康状态标注信息；以及
所述基于样本人脸图像集合训练得出所述已训练的健康状态检测模型，包括：
基于神经网络构建待训练的健康状态检测模型，将所述样本人脸图像集合输入待训练的健康状态检测模型，得到所述样本人脸图像集合的健康状态预测结果；
基于预设的损失函数，迭代调整所述待训练的健康状态检测模型的参数，使得所述损失函数的值满足预设的收敛条件，其中，所述损失函数的值用于表征所述样本人脸图像集合的健康状态预测结果偏离所述样本人脸图像集合对应的健康状态标注信息的置信度。
5.根据权利要求1-3任一项所述的方法，其中，所述方法还包括：
基于所述被监护用户的健康状态检测结果以及所执行的预设监护操作，生成所述被监护用户的监护记录。
6.一种人体健康监护装置，包括：
获取单元，被配置为获取被监护用户的人脸图像；
检测单元，被配置为利用已训练的健康状态检测模型对所述被监护用户的人脸图像进行检测，得到所述被监护用户的健康状态检测结果；
监护单元，被配置为执行与所述被监护的用户的健康状态检测结果对应的预设监护操作。
7.根据权利要求6所述的装置，其中，所述检测单元进一步被配置为利用已训练的健康状态检测模型，按照如下方式对所述被监护用户的人脸图像进行检测，得到所述被监护用户的健康状态检测结果：
将所述被监护用户的人脸图像输入已训练的健康状态检测模型中的特征提取网络，以提取出所述被监护用户的面部表情特征；
利用所述已训练的健康状态检测模型中的识别网络对所述面部表情特征进行分类，得到健康状态检测结果。
8.根据权利要求6所述的装置，其中，所述监护单元被进一步被配置为按照如下方式执行与所述被监护的用户的健康状态检测结果对应的预设监护操作：
根据所述被监护用户的健康状态检测结果确定所述被监护用户的救助需求指数；
根据预先配置的预设监护操作与预设救助需求指数之间的对应关系，确定所述被监护用户的救助需求指数对应的目标监护操作，并执行所述目标监护操作。
9.根据权利要求6-8任一项所述的装置，其中，所述装置还包括：
训练单元，被配置为基于样本人脸图像集合训练得出所述已训练的健康状态检测模型，所述样本人脸图像集合包括样本人脸图像及对应的用户的健康状态标注信息；以及
所述训练单元被配置为基于样本人脸图像集合，按照如下方式训练得出所述已训练的健康状态检测模型：
基于神经网络构建待训练的健康状态检测模型，将所述样本人脸图像集合输入待训练的健康状态检测模型，得到所述样本人脸图像集合的健康状态预测结果；
基于预设的损失函数，迭代调整所述待训练的健康状态检测模型的参数，使得所述损失函数的值满足预设的收敛条件，其中，所述损失函数的值用于表征所述样本人脸图像集合的健康状态预测结果偏离所述样本人脸图像集合对应的健康状态标注信息的置信度。
10.根据权利要求6-8任一项所述的装置，其中，所述装置还包括：
记录单元，被配置为基于所述被监护用户的健康状态检测结果以及所执行的预设监护操作，生成所述被监护用户的监护记录。
11.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811445238.XA CN111227789A (zh) | 2018-11-29 | 2018-11-29 | 人体健康监护方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811445238.XA CN111227789A (zh) | 2018-11-29 | 2018-11-29 | 人体健康监护方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111227789A true CN111227789A (zh) | 2020-06-05 |
Family
ID=70866478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811445238.XA Pending CN111227789A (zh) | 2018-11-29 | 2018-11-29 | 人体健康监护方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111227789A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111951954A (zh) * | 2020-08-10 | 2020-11-17 | 中国平安人寿保险股份有限公司 | 身体健康状态检测方法、装置、可读存储介质及终端设备 |
| CN112395979A (zh) * | 2020-11-17 | 2021-02-23 | 平安科技（深圳）有限公司 | 基于图像的健康状态识别方法、装置、设备及存储介质 |
| CN112418022A (zh) * | 2020-11-10 | 2021-02-26 | 广州富港万嘉智能科技有限公司 | 一种人体数据的检测方法及装置 |
| CN112861788A (zh) * | 2021-03-10 | 2021-05-28 | 中电健康云科技有限公司 | 基于脸色识别技术判断健康状况的方法 |
| CN116487050A (zh) * | 2023-06-21 | 2023-07-25 | 深圳市万佳安智能科技有限公司 | 人体健康监测方法、装置和计算机设备 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102166118A (zh) * | 2011-04-08 | 2011-08-31 | 常州康新电子科技有限公司 | 远程健康监护系统 |
| CN102831412A (zh) * | 2012-09-11 | 2012-12-19 | 魏骁勇 | 一种基于人脸识别的教学考勤方法及其装置 |
| CN103106327A (zh) * | 2011-11-15 | 2013-05-15 | 马欣 | 远程实时家庭健康监护系统 |
| CN103984919A (zh) * | 2014-04-24 | 2014-08-13 | 上海优思通信科技有限公司 | 基于粗糙集与混合特征的人脸表情识别方法 |
| CN104636580A (zh) * | 2013-11-13 | 2015-05-20 | 广州华久信息科技有限公司 | 一种基于人脸的健康监控手机 |
| CN105868561A (zh) * | 2016-04-01 | 2016-08-17 | 乐视控股（北京）有限公司 | 一种健康监测方法及装置 |
| CN106096598A (zh) * | 2016-08-22 | 2016-11-09 | 深圳市联合视觉创新科技有限公司 | 一种利用深度相关神经网络模型识别人脸表情的方法及装置 |
| CN106652341A (zh) * | 2016-11-10 | 2017-05-10 | 深圳市元征软件开发有限公司 | 一种基于体域网的老人监测救助方法及装置 |
| CN106709468A (zh) * | 2016-12-31 | 2017-05-24 | 北京中科天云科技有限公司 | 一种城市区域布控系统及装置 |
| CN106778657A (zh) * | 2016-12-28 | 2017-05-31 | 南京邮电大学 | 基于卷积神经网络的新生儿疼痛表情分类方法 |
| CN106778506A (zh) * | 2016-11-24 | 2017-05-31 | 重庆邮电大学 | 一种融合深度图像和多通道特征的表情识别方法 |
| CN107180225A (zh) * | 2017-04-19 | 2017-09-19 | 华南理工大学 | 一种针对卡通人物面部表情的识别方法 |
| CN107491740A (zh) * | 2017-07-28 | 2017-12-19 | 北京科技大学 | 一种基于面部表情分析的新生儿疼痛识别方法 |
| CN108062971A (zh) * | 2017-12-08 | 2018-05-22 | 青岛海尔智能技术研发有限公司 | 冰箱菜谱推荐的方法、装置及计算机可读存储介质 |
| CN108268850A (zh) * | 2018-01-24 | 2018-07-10 | 成都鼎智汇科技有限公司 | 一种基于图像的大数据处理方法 |
| CN108304826A (zh) * | 2018-03-01 | 2018-07-20 | 河海大学 | 基于卷积神经网络的人脸表情识别方法 |
| CN108491835A (zh) * | 2018-06-12 | 2018-09-04 | 常州大学 | 面向面部表情识别的双通道卷积神经网络 |
| CN108509905A (zh) * | 2018-03-30 | 2018-09-07 | 百度在线网络技术（北京）有限公司 | 健康状态评估方法、装置、电子设备及存储介质 |
| CN108511066A (zh) * | 2018-03-29 | 2018-09-07 | 百度在线网络技术（北京）有限公司 | 信息生成方法和装置 |
| CN108629945A (zh) * | 2018-05-29 | 2018-10-09 | 深圳来邦科技有限公司 | 一种医养结合的居家式养老监护系统 |
-
2018
- 2018-11-29 CN CN201811445238.XA patent/CN111227789A/zh active Pending
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102166118A (zh) * | 2011-04-08 | 2011-08-31 | 常州康新电子科技有限公司 | 远程健康监护系统 |
| CN103106327A (zh) * | 2011-11-15 | 2013-05-15 | 马欣 | 远程实时家庭健康监护系统 |
| CN102831412A (zh) * | 2012-09-11 | 2012-12-19 | 魏骁勇 | 一种基于人脸识别的教学考勤方法及其装置 |
| CN104636580A (zh) * | 2013-11-13 | 2015-05-20 | 广州华久信息科技有限公司 | 一种基于人脸的健康监控手机 |
| CN103984919A (zh) * | 2014-04-24 | 2014-08-13 | 上海优思通信科技有限公司 | 基于粗糙集与混合特征的人脸表情识别方法 |
| CN105868561A (zh) * | 2016-04-01 | 2016-08-17 | 乐视控股（北京）有限公司 | 一种健康监测方法及装置 |
| CN106096598A (zh) * | 2016-08-22 | 2016-11-09 | 深圳市联合视觉创新科技有限公司 | 一种利用深度相关神经网络模型识别人脸表情的方法及装置 |
| CN106652341A (zh) * | 2016-11-10 | 2017-05-10 | 深圳市元征软件开发有限公司 | 一种基于体域网的老人监测救助方法及装置 |
| CN106778506A (zh) * | 2016-11-24 | 2017-05-31 | 重庆邮电大学 | 一种融合深度图像和多通道特征的表情识别方法 |
| CN106778657A (zh) * | 2016-12-28 | 2017-05-31 | 南京邮电大学 | 基于卷积神经网络的新生儿疼痛表情分类方法 |
| CN106709468A (zh) * | 2016-12-31 | 2017-05-24 | 北京中科天云科技有限公司 | 一种城市区域布控系统及装置 |
| CN107180225A (zh) * | 2017-04-19 | 2017-09-19 | 华南理工大学 | 一种针对卡通人物面部表情的识别方法 |
| CN107491740A (zh) * | 2017-07-28 | 2017-12-19 | 北京科技大学 | 一种基于面部表情分析的新生儿疼痛识别方法 |
| CN108062971A (zh) * | 2017-12-08 | 2018-05-22 | 青岛海尔智能技术研发有限公司 | 冰箱菜谱推荐的方法、装置及计算机可读存储介质 |
| CN108268850A (zh) * | 2018-01-24 | 2018-07-10 | 成都鼎智汇科技有限公司 | 一种基于图像的大数据处理方法 |
| CN108304826A (zh) * | 2018-03-01 | 2018-07-20 | 河海大学 | 基于卷积神经网络的人脸表情识别方法 |
| CN108511066A (zh) * | 2018-03-29 | 2018-09-07 | 百度在线网络技术（北京）有限公司 | 信息生成方法和装置 |
| CN108509905A (zh) * | 2018-03-30 | 2018-09-07 | 百度在线网络技术（北京）有限公司 | 健康状态评估方法、装置、电子设备及存储介质 |
| CN108629945A (zh) * | 2018-05-29 | 2018-10-09 | 深圳来邦科技有限公司 | 一种医养结合的居家式养老监护系统 |
| CN108491835A (zh) * | 2018-06-12 | 2018-09-04 | 常州大学 | 面向面部表情识别的双通道卷积神经网络 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111951954A (zh) * | 2020-08-10 | 2020-11-17 | 中国平安人寿保险股份有限公司 | 身体健康状态检测方法、装置、可读存储介质及终端设备 |
| CN112418022A (zh) * | 2020-11-10 | 2021-02-26 | 广州富港万嘉智能科技有限公司 | 一种人体数据的检测方法及装置 |
| CN112418022B (zh) * | 2020-11-10 | 2024-04-09 | 广州富港生活智能科技有限公司 | 一种人体数据的检测方法及装置 |
| CN112395979A (zh) * | 2020-11-17 | 2021-02-23 | 平安科技（深圳）有限公司 | 基于图像的健康状态识别方法、装置、设备及存储介质 |
| CN112395979B (zh) * | 2020-11-17 | 2024-05-10 | 平安科技（深圳）有限公司 | 基于图像的健康状态识别方法、装置、设备及存储介质 |
| CN112861788A (zh) * | 2021-03-10 | 2021-05-28 | 中电健康云科技有限公司 | 基于脸色识别技术判断健康状况的方法 |
| CN116487050A (zh) * | 2023-06-21 | 2023-07-25 | 深圳市万佳安智能科技有限公司 | 人体健康监测方法、装置和计算机设备 |
| CN116487050B (zh) * | 2023-06-21 | 2023-12-22 | 深圳市万佳安智能科技有限公司 | 人体健康监测方法、装置和计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111227789A (zh) | 人体健康监护方法和装置 | |
| Kim et al. | Emergency situation monitoring service using context motion tracking of chronic disease patients | |
| KR102133943B1 (ko) | 시니어의 건강을 위한 홈 헬스케어 제공방법 및 제공장치 | |
| US20190216333A1 (en) | Thermal face image use for health estimation | |
| US20210327562A1 (en) | Artificial intelligence driven rapid testing system for infectious diseases | |
| CN109492595B (zh) | 适用于固定群体的行为预测方法和系统 | |
| US11631306B2 (en) | Methods and system for monitoring an environment | |
| CN108877914A (zh) | 基于物联网的患者的行为监控方法及装置、存储介质、终端 | |
| CN113569671B (zh) | 异常行为报警方法、装置 | |
| CN117617921B (zh) | 基于物联网的智能血压监控系统及方法 | |
| CN112992325A (zh) | 一种监护对象的检测数据处理方法、系统及装置 | |
| CN113990500A (zh) | 一种生命体征参数的监测方法、装置以及储存介质 | |
| US20220391760A1 (en) | Combining model outputs into a combined model output | |
| Alvarez et al. | Multimodal monitoring of Parkinson's and Alzheimer's patients using the ICT4LIFE platform | |
| Mocanu et al. | AmIHomCare: A complex ambient intelligent system for home medical assistance | |
| Elgendy et al. | Fog-based remote in-home health monitoring framework | |
| KR102645192B1 (ko) | 인공지능 모델을 기반으로 욕창을 관리하는 방법 및 이를 수행하는 전자 장치 | |
| US11688264B2 (en) | System and method for patient movement detection and fall monitoring | |
| Di Martino et al. | A computational framework to support the treatment of bedsores during COVID-19 diffusion | |
| Sundharamurthy et al. | Cloud‐based onboard prediction and diagnosis of diabetic retinopathy | |
| Gutiérrez et al. | Fall detection system based on far infrared images | |
| US11922696B2 (en) | Machine learning based dignity preserving transformation of videos for remote monitoring | |
| Kansal | Deep Learning based Spectrum predictions for Cognitive Healthcare system | |
| KR20150085569A (ko) | 휴먼케어를 위한 클라우드 기반 웰니스 서비스 플랫폼 구축 방법 및 장치 | |
| US20240315648A1 (en) | Seizure Forecasting in Subsutaneous Electroencephalography Data Using Machine Learning |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200605 |
|
| RJ01 | Rejection of invention patent application after publication |