一种体温测量方法及装置的制造方法
【专利摘要】本发明公开了一种体温测量方法，包括：根据实时测量得到的人体温度来获取实际体温时间序列；根据所述实际体温时间序列，采用预先构建的自回归滑动平均模型，获得体温观测值时间序列；根据所述实际体温时间序列和所述体温观测值时间序列，采用预先构建的神经网络模型，预测预设时段后的人体温度。相应的，本发明还公开了一种体温测量装置。采用本发明实施例，能够提高体温测量的效率。
【专利说明】
一种体温测量方法及装置
技术领域
[0001] 本发明涉及信号检测与处理技术领域，尤其涉及一种体温测量方法及装置。
【背景技术】
[0002] 在医学领域中，常用的检测体温的方法是利用水银温度计进行测量，先将温度计 插进病人体内，使温度计与人体接触的时间足够长，一般为四到八分钟以上，以保证体温检 测的准确性，最后由专业人员对温度计进行读取。这种体温检测方法存在很多不足之处，测 量时间较长，而且在测量的过程中要保证体温计与人体一直保持紧密接触状态，使得被测 者要保持一种比较安稳的状态，对于一些特殊患者来说，显得十分不方便。此外，传统的水 银温度计在读取方面也不太便利，很容易产生人为错误，而且测量的精度很多时候也无法 满足临床上的需要。因此，电子体温计应运而生。但是，为了使温度传感器能够稳固固定，电 子体温计的温度传感器外部包裹了一层导热材料，使得人体和温度传感器之间没有直接接 触，而导热器件需要较长时间的缓慢升温，从而导致电子体温计对外界温度的测量时间较 长，测量效率低下。
【发明内容】
[0003] 本发明实施例提出一种体温测量方法及装置，能够提高体温测量的效率。
[0004] 本发明实施例提供一种体温测量方法，包括：
[0005] 根据实时测量得到的人体温度来获取实际体温时间序列；
[0006] 根据所述实际体温时间序列，采用预先构建的自回归滑动平均模型，获得体温观 测值时间序列；
[0007] 根据所述实际体温时间序列和所述体温观测值时间序列，采用预先构建的神经网 络模型，预测预设时段后的人体温度。
[0008] 进一步地，所述根据所述实际体温时间序列和所述体温观测值时间序列，采用预 先构建的神经网络模型，预测预设时段后的人体温度，具体包括：
[0009] 计算所述实际体温时间序列与所述体温观测值时间序列在每一时刻的差值，获得 体温残差值时间序列；
[0010] 根据所述实际体温时间序列和所述体温残差值时间序列，采用预先构建的神经网 络模型，预测预设时段后的人体温度。
[0011] 进一步，在所述实时测量人体温度，获得实际体温时间序列之前，还包括：
[0012] 对人体温度进行采样，获得体温采样数据;所述体温采样数据包括采样历史值时 间序列；
[0013] 根据所述采样历史值时间序列，构建所述自回归滑动平均模型；
[0014] 根据所述采样历史值时间序列，采用所述自回归滑动平均模型，获得采样观测值 时间序列；
[0015] 根据所述采样历史值时间序列和所述采样观测值时间序列，构建所述神经网络模 型。
[0016] 进一步，所述根据所述采样历史值时间序列和所述采样观测值时间序列，构建所 述神经网络模型，具体包括：
[0017] 计算所述采样历史值时间序列与所述采样观测值时间序列在每一时刻的差值，获 得米样残差值时间序列；
[0018] 对所述采样历史值时间序列进行噪声处理；
[0019] 对所述采样残差值时间序列和噪声处理后的采样历史值时间序列进行归一化处 理；
[0020] 根据归一化处理后的采样残差值时间序列和采样历史值时间序列，构建所述神经 网络模型。
[0021] 进一步，所述体温采样数据还包括所述采样历史值时间序列预设时段后的采样体 温；
[0022] 所述根据归一化处理后的采样残差值时间序列和采样历史值时间序列，构建所述 神经网络模型，具体包括：
[0023] 以所述归一化处理后的采样残差值时间序列和采样历史值时间序列作为输入数 据，以所述预设时段后的采样体温作为输出数据，对神经网络进行训练，获得神经网络模 型。
[0024] 相应地，本发明实施例还提供一种体温测量装置，包括：
[0025] 实际体温获取模块，用于根据实时测量得到的人体温度来获取实际体温时间序 列；
[0026] 观测值获取模块，用于根据所述实际体温时间序列，采用预先构建的自回归滑动 平均模型，获得体温观测值时间序列；以及，
[0027] 体温预测模块，用于根据所述实际体温时间序列和所述体温观测值时间序列，采 用预先构建的神经网络模型，预测预设时段后的人体温度。
[0028] 进一步，所述体温预测模块具体包括：
[0029] 残差值计算单元，用于计算所述实际体温时间序列与所述体温观测值时间序列在 每一时刻的差值，获得体温残差值时间序列；以及，
[0030] 体温预测单元，用于根据所述实际体温时间序列和所述体温残差值时间序列，采 用预先构建的神经网络模型，预测预设时段后的人体温度。
[0031] 进一步，所述体温测量装置还包括：
[0032] 采样模块，用于对人体温度进行采样，获得体温采样数据;所述体温采样数据包括 米样历史值时间序列；
[0033] 第一模型构建模块，用于根据所述采样历史值时间序列，构建所述自回归滑动平 均模型；
[0034]采样观测值获取模块，用于根据所述采样历史值时间序列，采用所述自回归滑动 平均模型，获得采样观测值时间序列；以及，
[0035] 第二模型构建模块，用于根据所述采样历史值时间序列和所述采样观测值时间序 列，构建所述神经网络模型。
[0036] 进一步，所述第二模型构建模块具体包括：
[0037]采样残差值计算单元，用于计算所述采样历史值时间序列与所述采样观测值时间 序列在每一时刻的差值，获得采样残差值时间序列；
[0038] 噪声处理单元，用于对所述采样历史值时间序列进行噪声处理；
[0039]归一化处理单元，用于对所述采样残差值时间序列和噪声处理后的采样历史值时 间序列进行归一化处理；以及，
[0040] 神经网络模型构建单元，用于根据归一化处理后的采样残差值时间序列和采样历 史值时间序列，构建所述神经网络模型。
[0041] 进一步，所述体温采样数据还包括所述采样历史值时间序列预设时段后的采样体 温；
[0042]所述神经网络模型构建单元具体用于以所述归一化处理后的采样残差值时间序 列和采样历史值时间序列作为输入数据，以所述预设时段后的采样体温作为输出数据，对 神经网络进行训练，获得神经网络模型。
[0043] 实施本发明实施例，具有如下有益效果：
[0044] 本发明实施例提供的体温测量方法及装置，能够根据测量获得的实际体温时间序 列及其相应的体温观测值时间序列，采用神经网络模型，预测人体温度，实现体温的快速测 量，大大节省测量时间，提高测量效率，而且，体温的快速测量能够使医护人员更加及时了 解被测者的生理状况，以便对被测者采取更加准确有效的治疗手段。
【附图说明】
[0045] 图1是本发明提供的体温测量方法的一个实施例的流程示意图；
[0046] 图2是本发明提供的体温测量方法的一个实施例的体温预测曲线图；
[0047] 图3是本发明提供的体温测量方法的另一个实施例的部分流程示意图；
[0048] 图4是本发明提供的体温测量方法的一个实施例的体温采样数据曲线图；
[0049] 图5是本发明提供的体温测量装置的一个实施例的结构示意图；
[0050] 图6是本发明提供的体温测量装置的另一个实施例的部分结构示意图。
【具体实施方式】
[0051] 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他 实施例，都属于本发明保护的范围。
[0052] 参见图1，本发明提供的体温测量方法的一个实施例的流程示意图，包括：
[0053] Sl、根据实时测量得到的人体温度来获取实际体温时间序列；
[0054] S2、根据所述实际体温时间序列，采用预先构建的自回归滑动平均模型，获得体温 观测值时间序列；
[0055] S3、根据所述实际体温时间序列和所述体温观测值时间序列，采用预先构建的神 经网络模型，预测预设时段后的人体温度。
[0056] 需要说明的是，在体温测量过程中，每实时通过蓝牙电子体温计测量一次人体温 度，则结合当前时刻的前N个时刻测量到的人体温度，构成实际体温时间序列，其中，1。 将实际体温时间序列中每个时刻所测的体温通过自回归滑动平均模型，即可获得相应时刻 的体温观测值，从而构成体温观测值时间序列。根据实际体温时间序列和体温观测值时间 序列作，通过神经网络模型，即可预测出预设时段后的人体温度。体温的预测实现体温的快 速测量，大大节省测量时间，提高测量效率，免去被测者需要长时间保持相同状态的麻烦， 为医护人员带来更多便利，而且，体温的快速测量能够作为个人或医护人员检测、诊断的基 础，使医护人员更加及时了解被测者的生理状况，以便对被测者采取更加准确有效的治疗 手段。
[0057] 进一步地，所述根据所述实际体温时间序列和所述体温观测值时间序列，采用预 先构建的神经网络模型，预测预设时段后的人体温度，具体包括：
[0058] 计算所述实际体温时间序列与所述体温观测值时间序列在每一时刻的差值，获得 体温残差值时间序列；
[0059] 根据所述实际体温时间序列和所述体温残差值时间序列，采用预先构建的神经网 络模型，预测预设时段后的人体温度。
[0060] 需要说明的是，在获取体温观测值时间序列后，即可求取每一时刻实际体温与体 温观测值之间的差值，构成体温残差值时间序列。以实际体温时间序列和体温残差值时间 序列作为输入，通过神经网络模型，即可预测出预设时段后的人体温度，实现体温的快速测 量，其体温预测曲线图如图2所示。采用神经网络模型对人体温度进行预测，极大提高预测 值与实际值的逼近程度，而且神经网络模型具有较高的拟合精度，具有并行处理、高速度、 高可靠性等明显优越性。
[0061] 进一步，如图3所示，在所述实时测量人体温度，获得实际体温时间序列之前，还包 括：
[0062] SOl、对人体温度进行采样，获得体温采样数据;所述体温采样数据包括采样历史 值时间序列；
[0063] S02、根据所述采样历史值时间序列，构建所述自回归滑动平均模型；
[0064] S03、根据所述采样历史值时间序列，采用所述自回归滑动平均模型，获得采样观 测值时间序列；
[0065] S04、根据所述采样历史值时间序列和所述采样观测值时间序列，构建所述神经网 络模型。
[0066] 需要说明的是，在对体温进行测量前，需先构建自回归滑动平均模型和神经网络 模型。在构建自回归滑动平均模型时，先通过蓝牙电子体温计对人体温度进行采样，每隔 (s)获得一次体温采样数据，采样频率为F(Hz )，从而获得采样历史值时间序列，其变化趋势 如图4所示。利用采样历史值时间序列，构建自回归模型AR ( p ) : g/i) >·, = %，其中， 奴的=1-奶义巧,，，Byt = YmB为延迟算子，p为自回归模型的阶数，yt为时间序列中当 前时刻的观测值，at为随机干扰。在自回归模型AR(p)中，当前时刻的观测值y t由p个历史时 刻的观测值和一个当前时刻的随机干扰at来表示。然后，利用滑动平均法来优化自回归模 型AR(p)，其中，滑动平均模型MA(q)为y t = 0(B) · at J(B) = I-Q1-...-0qBq，其中，q为滑动平 均模型的阶数。在滑动平均模型MA(q)中，当前时刻的观测值y t由q个历史时刻的观测值和 一个当前时刻的随机干扰at来表示。优化后，即可获得自回归滑动平均模型ARMA(p，q): 炉(幻=0外心利用采样历史值时间序列，通过自回归滑动平均模型ARMA(p，q)，即可获 得每一时刻的观测值，从而构成采样观测值时间序列。通过采样历史值时间序列和采样观 测值时间序列对神经网络进行训练，即可构建可靠的神经网络模型以对人体温度进行预 测。
[0067] 进一步，所述根据所述采样历史值时间序列和所述采样观测值时间序列，构建所 述神经网络模型，具体包括：
[0068] 计算所述采样历史值时间序列与所述采样观测值时间序列在每一时刻的差值，获 得米样残差值时间序列；
[0069]对所述采样历史值时间序列进行噪声处理；
[0070] 对所述采样残差值时间序列和噪声处理后的采样历史值时间序列进行归一化处 理；
[0071] 根据归一化处理后的采样残差值时间序列和采样历史值时间序列，构建所述神经 网络模型。
[0072] 需要说明的是，在构建神经网络模型时，先选取模型的输入变量。选取自回归滑动 平均模型ARMA(p，q)的最近的N个采样历史值和M个采样残差值，构成采样历史值时间序列 和采样残差值时间序列。其中，N通常为100,可依照采样频率设定，M〈N，p、q可取1，也可取其 他值，满足性能要求即可。在选取输入变量后，对输入变量进行数据预处理。对采样历史值 时间序列进行异常、噪声的处理，直接去除采样历史值时间序列中明显异常的数据。由于数 据采集间隔较短，相邻的几组数据通常只有微小的变化，而数据采集过程中难免存在偶然 干扰，从而导致数据出现跳变，因此对相邻几组数据进行平均化处理即可消除噪声干扰。在 对采样历史值时间序列进行噪声处理后，对采样历史值时间序列和采样残差值时间序列进 行归一化处理。其中，归一化公式；
中，X为输入变量，S为零点偏移 量，Xmin、Xmax*别为输入变量中的最小值和最大值。根据归一化处理后的数据即可构建所需 的神经网络模型。
[0073] 进一步，所述体温采样数据还包括所述采样历史值时间序列预设时段后的采样体 温；
[0074] 所述根据归一化处理后的采样残差值时间序列和采样历史值时间序列，构建所述 神经网络模型，具体包括：
[0075] 以所述归一化处理后的采样残差值时间序列和采样历史值时间序列作为输入数 据，以所述预设时段后的采样体温作为输出数据，对神经网络进行训练，获得神经网络模 型。
[0076]需要说明的是，从体温采样数据中选取采样历史值时间序列预设时段后的采样体 温作为输出数据来训练神经网络，其中，预设时段一般为10分钟。在神经网络结构设计中， 采用自适应法或其他方式来确定隐层数，一般取1即可满足要求，以收敛性能和收敛速度为 目标采用试凑法确定隐层节点数为k个，采用试凑法确定学习速率为μ，一般选取在0.02~ 0.2之间。再采用Levenberg-Marquart算法(列文伯格-马夸尔特法算法)或共辄梯度学习算 法等算法作为神经网络的学习算法，对神经网络进行训练。当神经网络满足误差要求时，即 可将其作为可靠的神经网络模型。
[0077] 本发明实施例提供的体温测量方法，能够根据测量获得的实际体温时间序列及其 相应的体温观测值时间序列，采用神经网络模型，预测人体温度，实现体温的快速测量，大 大节省测量时间，提高测量效率，而且，体温的快速测量能够使医护人员更加及时了解被测 者的生理状况，以便对被测者采取更加准确有效的治疗手段。
[0078] 相应的，本发明还提供一种体温测量装置，能够实现上述实施例中的体温测量方 法的所有流程。
[0079] 参见图5,是本发明提供的体温测量装置的一个实施例的结构示意图，包括：
[0080] 实际体温获取模块1，用于根据实时测量得到的人体温度来获取实际体温时间序 列；
[0081] 观测值获取模块2,用于根据所述实际体温时间序列，采用预先构建的自回归滑动 平均模型，获得体温观测值时间序列；以及，
[0082] 体温预测模块3,用于根据所述实际体温时间序列和所述体温观测值时间序列，采 用预先构建的神经网络模型，预测预设时段后的人体温度。
[0083] 进一步，所述体温预测模块具体包括：
[0084] 残差值计算单元，用于计算所述实际体温时间序列与所述体温观测值时间序列在 每一时刻的差值，获得体温残差值时间序列；以及，
[0085] 体温预测单元，用于根据所述实际体温时间序列和所述体温残差值时间序列，采 用预先构建的神经网络模型，预测预设时段后的人体温度。
[0086] 进一步，如图6所示，所述体温测量装置还包括：
[0087] 采样模块01，用于对人体温度进行采样，获得体温采样数据;所述体温采样数据包 括采样历史值时间序列；
[0088] 第一模型构建模块02,用于根据所述采样历史值时间序列，构建所述自回归滑动 平均模型；
[0089] 采样观测值获取模块03,用于根据所述采样历史值时间序列，采用所述自回归滑 动平均模型，获得采样观测值时间序列；以及，
[0090] 第二模型构建模块04,用于根据所述采样历史值时间序列和所述采样观测值时间 序列，构建所述神经网络模型。
[0091] 进一步，所述第二模型构建模块具体包括：
[0092] 采样残差值计算单元，用于计算所述采样历史值时间序列与所述采样观测值时间 序列在每一时刻的差值，获得采样残差值时间序列；
[0093] 噪声处理单元，用于对所述采样历史值时间序列进行噪声处理；
[0094]归一化处理单元，用于对所述采样残差值时间序列和噪声处理后的采样历史值时 间序列进行归一化处理；以及，
[0095]神经网络模型构建单元，用于根据归一化处理后的采样残差值时间序列和采样历 史值时间序列，构建所述神经网络模型。
[0096]进一步，所述体温采样数据还包括所述采样历史值时间序列预设时段后的采样体 温；
[0097]所述神经网络模型构建单元具体用于以所述归一化处理后的采样残差值时间序 列和采样历史值时间序列作为输入数据，以所述预设时段后的采样体温作为输出数据，对 神经网络进行训练，获得神经网络模型。
[0098] 本发明实施例提供的体温测量装置，能够根据测量获得的实际体温时间序列及其 相应的体温观测值时间序列，采用神经网络模型，预测人体温度，实现体温的快速测量，大 大节省测量时间，提高测量效率，而且，体温的快速测量能够使医护人员更加及时了解被测 者的生理状况，以便对被测者采取更加准确有效的治疗手段。
[0099] 以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员 来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为 本发明的保护范围。
【主权项】
1. 一种体温测量方法，其特征在于，包括： 根据实时测量得到的人体温度来获取实际体温时间序列； 根据所述实际体温时间序列，采用预先构建的自回归滑动平均模型，获得体温观测值 时间序列； 根据所述实际体温时间序列和所述体温观测值时间序列，采用预先构建的神经网络模 型，预测预设时段后的人体温度。2. 如权利要求1所述的体温测量方法，其特征在于，所述根据所述实际体温时间序列和 所述体温观测值时间序列，采用预先构建的神经网络模型，预测预设时段后的人体温度，具 体包括： 计算所述实际体温时间序列与所述体温观测值时间序列在每一时刻的差值，获得体温 残差值时间序列； 根据所述实际体温时间序列和所述体温残差值时间序列，采用预先构建的神经网络模 型，预测预设时段后的人体温度。3. 如权利要求1或2所述的体温测量方法，其特征在于，在所述实时测量人体温度，获得 实际体温时间序列之前，还包括： 对人体温度进行采样，获得体温采样数据;所述体温采样数据包括采样历史值时间序 列； 根据所述采样历史值时间序列，构建所述自回归滑动平均模型； 根据所述采样历史值时间序列，采用所述自回归滑动平均模型，获得采样观测值时间 序列； 根据所述采样历史值时间序列和所述采样观测值时间序列，构建所述神经网络模型。4. 如权利要求3所述的体温测量方法，其特征在于，所述根据所述采样历史值时间序列 和所述采样观测值时间序列，构建所述神经网络模型，具体包括： 计算所述采样历史值时间序列与所述采样观测值时间序列在每一时刻的差值，获得采 样残差值时间序列； 对所述采样历史值时间序列进行噪声处理； 对所述采样残差值时间序列和噪声处理后的采样历史值时间序列进行归一化处理； 根据归一化处理后的采样残差值时间序列和采样历史值时间序列，构建所述神经网络 模型。5. 如权利要求4所述的体温测量方法，其特征在于，所述体温采样数据还包括所述采样 历史值时间序列预设时段后的采样体温； 所述根据归一化处理后的采样残差值时间序列和采样历史值时间序列，构建所述神经 网络模型，具体包括： 以所述归一化处理后的采样残差值时间序列和采样历史值时间序列作为输入数据，以 所述预设时段后的采样体温作为输出数据，对神经网络进行训练，获得神经网络模型。6. -种体温测量装置，其特征在于，包括： 实际体温获取模块，用于根据实时测量得到的人体温度来获取实际体温时间序列； 观测值获取模块，用于根据所述实际体温时间序列，采用预先构建的自回归滑动平均 模型，获得体温观测值时间序列；以及， 体温预测模块，用于根据所述实际体温时间序列和所述体温观测值时间序列，采用预 先构建的神经网络模型，预测预设时段后的人体温度。7. 如权利要求6所述的体温测量装置，其特征在于，所述体温预测模块具体包括： 残差值计算单元，用于计算所述实际体温时间序列与所述体温观测值时间序列在每一 时刻的差值，获得体温残差值时间序列；以及， 体温预测单元，用于根据所述实际体温时间序列和所述体温残差值时间序列，采用预 先构建的神经网络模型，预测预设时段后的人体温度。8. 如权利要求6或7所述的体温测量装置，其特征在于，所述体温测量装置还包括： 采样模块，用于对人体温度进行采样，获得体温采样数据;所述体温采样数据包括采样 历史值时间序列； 第一模型构建模块，用于根据所述采样历史值时间序列，构建所述自回归滑动平均模 型； 采样观测值获取模块，用于根据所述采样历史值时间序列，采用所述自回归滑动平均 模型，获得采样观测值时间序列；以及， 第二模型构建模块，用于根据所述采样历史值时间序列和所述采样观测值时间序列， 构建所述神经网络模型。9. 如权利要求8所述的体温测量装置，其特征在于，所述第二模型构建模块具体包括： 采样残差值计算单元，用于计算所述采样历史值时间序列与所述采样观测值时间序列 在每一时刻的差值，获得采样残差值时间序列； 噪声处理单元，用于对所述采样历史值时间序列进行噪声处理； 归一化处理单元，用于对所述采样残差值时间序列和噪声处理后的采样历史值时间序 列进行归一化处理；以及， 神经网络模型构建单元，用于根据归一化处理后的采样残差值时间序列和采样历史值 时间序列，构建所述神经网络模型。10. 如权利要求9所述的体温测量装置，其特征在于，所述体温采样数据还包括所述采 样历史值时间序列预设时段后的采样体温； 所述神经网络模型构建单元具体用于以所述归一化处理后的采样残差值时间序列和 采样历史值时间序列作为输入数据，以所述预设时段后的采样体温作为输出数据，对神经 网络进行训练，获得神经网络模型。
【文档编号】A61B5/01GK105962906SQ201610415281
【公开日】2016年9月28日
【申请日】2016年6月14日
【发明人】胡静
【申请人】广州视源电子科技股份有限公司