本发明涉及信息技术领域，特别是涉及一种基于大数据与人工智能的体征测量方法和医疗机器人系统。
背景技术
体征，生理学、医学用语，指医生在检查病人时所发现的异常变化。与″症状″有别，″症状″是病人自己向医生陈述(或是别人代述)的痛苦表现，而″体征″是医生给病人检查时发现的具有诊断意义的征候。如生命体征，包括体温、脉搏、呼吸、血压等。生命体征就是用来判断病人的病情轻重和危急程度的指征。主要有心率、脉搏、血压、呼吸、疼痛、血氧、瞳孔和角膜反射的改变等等。正常人在安静状态下，脉搏为60-100次/分(一般为70-80次/分)。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：第一种情况，赶到医院的过程是运动的过程，运动之后测量出来的体征是与安静状态下测量出来的体征是不同的，准确的测量数据是以安静状态下测量出来的体征为准的，从而病人到达医院如果立即进行测量会导致测量出来的结果不准确，从而会导致误诊而延误病情甚至危及生命。第二种情况，病人到达医院如果不立即进行测量，而是等候半小时到一小时，一方面会耽误病人时间；如果病情紧急，又会延误诊疗甚至会危及生病。第三种情况，一般的病人都不知道运动对体征测量会有影响，很多医生同样不知道这一点，从而导致因为运动后测量体征不准确时，也不会知情，进而会导致误诊。
因此，现有技术还有待于改进和发展。
技术实现要素：
基于此，有必要针对现有技术中体征测量的缺陷或不足，提供基于大数据与人工智能的体征测量方法和医疗机器人系统，以解决现有技术中测量受运动的影响、测量不准确的缺点，提高测量的准确性、方便性、普适性。
第一方面，本发明实施例提供一种体征测量方法，所述方法包括：
测量体征步骤，获取用户体征的第一测量数据；
运动数据步骤，获取所述用户所述测量之前的运动数据；
测量校准步骤，根据所述第一测量数据、所述运动数据和预设模型计算得到所述用户体征的第二测量数据。
优选地，所述测量体征步骤之前包括：
第一体征步骤，从用户体征测量大数据中获取用户体征的历史第一测量数据；
运动数据步骤，从用户体征测量大数据中获取所述用户历史测量之前的运动数据；
第二体征步骤，从用户体征测量大数据中获取所述用户体征的历史第二测量数据；
关系计算步骤，根据所述历史第一测量数据、所述运动数据、所述历史第二测量数据计算得到所述预设模型。
优选地，所述预设模型为预设深度学习模型；所述关系计算步骤包括：
无监督训练步骤，将所述用户体征的历史第一测量数据、所述用户历史测量之前的运动数据作为所述预设深度学习模型的输入，对所述预设深度学习模型进行无监督训练；
有监督训练步骤，将所述用户体征的历史第一测量数据、所述用户历史测量之前的运动数据作为所述预设深度学习模型的输入，将所述用户体征的历史第二测量数据作为所述预设深度学习模型的输出，对所述预设深度学习模型进行有监督训练。
优选地，所述测量校准步骤包括：
模型计算步骤，将所述用户体征的第一测量数据、所述用户所述测量之前的运动数据作为所述预设深度学习模型的输入，通过所述预设深度学习模型的计算，得到所述预设深度学习模型的输出；
模型输出步骤，将所述预设深度学习模型的输出作为所述用户体征的第二测量数据。
优选地，所述第一测量数据为运动状态下的测量数据，第二测量数据为安静状态下的测量数据。
第二方面，本发明实施例提供一种体征测量系统，所述系统包括：
测量体征模块，获取用户体征的第一测量数据；
运动数据模块，获取所述用户所述测量之前的运动数据；
测量校准模块，根据所述第一测量数据、所述运动数据和预设模型计算得到所述用户体征的第二测量数据。
优选地，所述系统还包括：
第一体征模块，从用户体征测量大数据中获取用户体征的历史第一测量数据；
运动数据模块，从用户体征测量大数据中获取所述用户历史测量之前的运动数据；
第二体征模块，从用户体征测量大数据中获取所述用户体征的历史第二测量数据；
关系计算模块，根据所述历史第一测量数据、所述运动数据、所述历史第二测量数据计算得到所述预设模型。
优选地，所述预设模型为预设深度学习模型；所述关系计算模块包括：
无监督训练模块，将所述用户体征的历史第一测量数据、所述用户历史测量之前的运动数据作为所述预设深度学习模型的输入，对所述预设深度学习模型进行无监督训练；
有监督训练模块，将所述用户体征的历史第一测量数据、所述用户历史测量之前的运动数据作为所述预设深度学习模型的输入，将所述用户体征的历史第二测量数据作为所述预设深度学习模型的输出，对所述预设深度学习模型进行有监督训练；
所述测量校准模块包括：
模型计算模块，将所述用户体征的第一测量数据、所述用户所述测量之前的运动数据作为所述预设深度学习模型的输入，通过所述预设深度学习模型的计算，得到所述预设深度学习模型的输出；
模型输出模块，将所述预设深度学习模型的输出作为所述用户体征的第二测量数据。
优选地，所述第一测量数据为运动状态下的测量数据，第二测量数据为安静状态下的测量数据。
第三方面，本发明实施例提供机器人系统，所述机器人中分别配置有如第二方面任一项所述的体征测量系统。
本发明实施例具有如下优点和有益效果：
本发明实施例提供的基于大数据与人工智能的体征测量方法和医疗机器人系统，根据所述第一测量数据、所述运动数据和预设模型计算得到所述用户体征的第二测量数据，从而可以消除运动对体征测量产生的影响，一方面使得运动状态下的体征第二测量数据依然准确，从而可以提高体征测量的准确率，另一方面使得在测量时无需用户等待到安静状态再测量，从而可以提高体征测量的速度，再一方面使得体征测量在安静或运动状态下都能进行，从而提高了体征测量的普适性、方便性。
附图说明
图1为本发明的实施例1提供的体征测量方法的流程图；
图2为本发明的实施例2提供的体征测量方法的流程图；
图3为本发明的实施例3提供的关系计算步骤的流程图；
图4为本发明的实施例4提供的测量校准步骤的流程图；
图5为本发明的实施例6提供的体征测量系统的原理框图；
图6为本发明的实施例7提供的体征测量系统的原理框图；
图7为本发明的实施例8提供的关系计算模块的原理框图；
图8为本发明的实施例8提供的测量校准模块的原理框图；
具体实施方式
下面结合本发明实施方式，对本发明实施例中的技术方案进行详细地描述。
本发明实施例提供的基于大数据与人工智能的体征测量方法和医疗机器人系统。大数据技术包括用户体征测量大数据的采集和处理；人工智能技术包括对测量数据的深度学习。
实施例1、一种体征测量方法，如图1所示，所述方法包括：
测量体征步骤s210，获取用户体征的第一测量数据。优选地，通过体征测量仪器(例如温度计)对用户进行测量(例如测量体温)；记录测量的结果作为所述第一测量数据。
运动数据步骤s220，获取所述用户所述测量之前的运动数据。优选地，根据测量的类型获取预设时长的运动数据；例如，如果测体温，那么获取半小时之内的运动路程；如果测血压，那么获取二十分钟之内的运动路程。通过手机app(例如统计运动距离的app)获取用户在进行测量之前的所述预设时长内的运动路程。
测量校准步骤s230，根据所述第一测量数据、所述运动数据和预设模型计算得到所述用户体征的第二测量数据。优选地，所述用户为病人，或参加体检的用户；所述预设计算模块为深度学习模型或预设函数，例如所述预设函数f的输入变量为所述第一测量数据、所述运动数据，输出变量为所述用户体征的第二测量数据，例如所述用户体征的第二测量数据＝f(所述第一测量数据，所述运动数据)。
优选地，预先建立不同用户对应的预设模型，在测量校准步骤s230中对不同用户采用不同的预设模型，即根据所述第一测量数据、所述运动数据和所述用户的预设模型计算得到所述用户体征的第二测量数据。
优选地，每执行一次s210至s230只处理同一个用户的同一次测量；当处理同一用户的k次测量，则需要循环执行或并行执行k次s210至s230；当处理m个用户的k次测量，则需要循环执行或并行执行m×k次s210至s230。
实施例2、根据实施例1所述的体征测量方法，如图2所示，所述测量体征步骤s210之前包括：
第一体征步骤s110，从用户体征测量大数据中获取用户体征的历史第一测量数据。优选地，所述历史第一测量数据包括多个历史时间点上的第一测量数据，即获取用户体征的多个历史时间点t1、t2、...、tn(n为预设的自然数)上第一测量数据。每个历史时间点上的第一测量数据的具体获取方式与测量体征步骤s210中第一测量数据的具体获取方式同理，不再赘述。在第一体征步骤s110之前还包括用户体征测量大数据的采集步骤，具体为将每个用户每次测量体征的第一测量数据、所述每个用户所述每次测量之前的运动数据、所述每个用户所述每次测量体征的第二测量数据、所述每个用户所述每次测量的时间(作为测量历史时间点)加入用户体征测量大数据。
运动数据步骤s120，从用户体征测量大数据中获取所述用户历史测量之前的运动数据。优选地，从用户体征测量大数据中获取所述用户历史测量之前的运动数据。优选地，获取所述用户所述多个历史时间点t1、t2、...、tn上的测量之前的运动数据。每个历史时间点上的测量之前的运动数据的具体获取方式与运动数据步骤s220中所述测量之前的运动数据的具体获取方式同理，不再赘述。
第二体征步骤s130，从用户体征测量大数据中获取所述用户体征的历史第二测量数据；优选地，获取用户体征的所述多个历史时间点t1、t2、...、tn上第二测量数据。每个历史时间点上的第二测量数据是在所述每个历史时间点开始等待所述用户的状态恢复为安静状态时对所述用户的体征进行测量所得到的数据。
关系计算步骤s140，根据所述历史第一测量数据、所述运动数据、所述历史第二测量数据计算得到所述预设模型。优选地，根据所述多个历史时间点t1、t2、...、tn上第一测量数据、所述多个历史时间点t1、t2、...、tn上测量之前的运动数据、所述多个历史时间点t1、t2、...、tn上历史第二测量数据计算得到所述预设模型。
优选地，建立不同用户对应的预设模型，在关系计算步骤s140中对不同用户计算得到不同的预设模型，即根据所述历史第一测量数据、所述运动数据、所述历史第二测量数据计算得到所述用户的所述预设模型。
优选地，每执行一次s110至s140只能计算得到一个用户的预设模型；当计算m个用户的预设模型，则需要针对m个用户循环执行或并行执行m次s110至s140。
优选地，每隔预设长的时间(例如3年)，就要对每一个用户重新执行一次s110至s140来对所述每一个用户的预设模型进行更新。因为较长时间之后，用户的身体体征与运动之间的关系有可能会发生较大的变化，从而可能会使得原先的预设模型不再适用，因此需要更新。
实施例3、根据实施例2所述的体征测量方法，如图3所示，所述预设模型为预设深度学习模型；所述关系计算步骤s140包括：
无监督训练步骤s141，将所述用户体征的历史第一测量数据、所述用户历史测量之前的运动数据作为所述预设深度学习模型的输入，对所述预设深度学习模型进行无监督训练。优选地，所述所述预设深度学习模型采用卷积神经网络进行初始化，作为初始的所述预设深度学习模型；将所述用户体征的所述多个历史时间点t1、t2、...、tn上第一测量数据、所述用户所述多个历史时间点t1、t2、...、tn上测量之前的运动数据作为所述预设深度学习模型的输入，对所述预设深度学习模型进行无监督训练。具体地，将所述用户体征的所述历史时间点t1上第一测量数据、所述用户所述历史时间点t1上测量之前的运动数据作为所述预设深度学习模型的一次输入，对所述预设深度学习模型进行一次无监督训练；将所述用户体征的所述历史时间点t2上第一测量数据、所述用户所述历史时间点t2上测量之前的运动数据作为所述预设深度学习模型的再一次输入，对所述预设深度学习模型进行再一次无监督训练；如此类推，......，直至将所述用户体征的所述历史时间点tn上第一测量数据、所述用户所述历史时间点tn上测量之前的运动数据作为所述预设深度学习模型的再一次输入，对所述预设深度学习模型进行再一次无监督训练。每一次无监督训练都对上一次无监督训练后得到的所述预设深度学习模型进行无监督训练，得到所述每一次无监督训练后的所述预设深度学习模型。第一次无监督训练是对初始化的深度卷积神经网络进行无监督训练。
有监督训练步骤s142，将所述用户体征的历史第一测量数据、所述用户历史测量之前的运动数据作为所述预设深度学习模型的输入，将所述用户体征的历史第二测量数据作为所述预设深度学习模型的输出，对所述预设深度学习模型进行有监督训练。优选地，将所述用户体征的所述多个历史时间点t1、t2、...、tn上第一测量数据、所述用户所述多个历史时间点t1、t2、...、tn上测量之前的运动数据作为所述预设深度学习模型的输入，将所述用户体征的所述多个历史时间点t1、t2、...、tn上第二测量数据作为所述预设深度学习模型的输出，对所述预设深度学习模型进行有监督训练。具体地，将所述用户体征的所述历史时间点t1上第一测量数据、所述用户所述历史时间点t1上测量之前的运动数据作为所述预设深度学习模型的一次输入，将所述用户体征的所述历史时间点t1上第二测量数据作为所述预设深度学习模型的该一次输出，对所述预设深度学习模型进行一次有监督训练；将所述用户体征的所述历史时间点t2上第一测量数据、所述用户所述历史时间点t2上测量之前的运动数据作为所述预设深度学习模型的再一次输入，将所述用户体征的所述历史时间点t2上第二测量数据作为所述预设深度学习模型的该再一次输出，对所述预设深度学习模型进行再一次有监督训练；如此类推，......，直至将所述用户体征的所述历史时间点tn上第一测量数据、所述用户所述历史时间点tn上测量之前的运动数据作为所述预设深度学习模型的再一次输入，将所述用户体征的所述历史时间点tn上第二测量数据作为所述预设深度学习模型的该再一次输出，对所述预设深度学习模型进行再一次有监督训练。每一次有监督训练都对上一次有监督训练后得到的所述预设深度学习模型进行有监督训练，得到所述每一次有监督训练后的所述预设深度学习模型。第一次有监督训练是对最后一次无监督训练后得到的所述预设深度学习模型进行有监督训练。
优选地，在s142之后还对训练得到的所述预设深度学习模型进行测试，如果测试通过，则得到所述预设深度学习模型；如果测试不通过，则重复执行s141-s142直至测试通过或通过s110至s130增加更多历史时间点的数据后重复执行s141-s142直至测试通过。具体测试方法是将用于测试的所述用户体征的历史第一测量数据、用于测试的所述用户历史测量之前的运动数据作为所述预设深度学习模型的输入，通过所述预设深度学习模型的计算，得到所述预设深度学习模型的输出，将该计算输出与用于测试的所述用户体征的历史第二测量数据进行比较，如果差值小于预设测试阈值，则测试通过，否则测试不通过。
优选地，建立不同用户对应的预设深度学习模型，在无监督训练步骤s141中，将所述用户体征的历史第一测量数据、所述用户历史测量之前的运动数据作为所述预设深度学习模型的输入，对所述用户的所述预设深度学习模型进行无监督训练。在有监督训练步骤s142中，将所述用户体征的历史第一测量数据、所述用户历史测量之前的运动数据作为所述预设深度学习模型的输入，将所述用户体征的历史第二测量数据作为所述预设深度学习模型的输出，对所述用户的所述预设深度学习模型进行有监督训练。
实施例4、根据实施例3所述的体征测量方法，如图4所示，所述测量校准步骤s230包括：
模型计算步骤s231，将所述用户体征的第一测量数据、所述用户所述测量之前的运动数据作为所述预设深度学习模型的输入，通过所述预设深度学习模型的计算，得到所述预设深度学习模型的输出。优选地，所述预设深度学习模型是通过s110至s140得到的。
模型输出步骤s232，将所述预设深度学习模型的输出作为所述用户体征的第二测量数据。
实施例5、根据实施例1所述的体征测量方法，所述第一测量数据为运动状态下的测量数据，第二测量数据为安静状态下的测量数据。优选地，所述运动包括骑车或走路或健身；所述安静状态是指休息之后身体恢复平静的状态，安静状态时测量出来的体征数据才是真实准确的可用于诊断的体征数据。
实施例6、一种体征测量系统，如图5所示，所述系统包括：
测量体征模块210，获取用户体征的第一测量数据；
运动数据模块220，获取所述用户所述测量之前的运动数据；
测量校准模块230，根据所述第一测量数据、所述运动数据和预设模型计算得到所述用户体征的第二测量数据。
实施例6的优选实施方式与实施例1的优选实施方式对应、类似，不再赘述。
实施例7、根据实施例6所述的体征测量系统，如图6所示，所述系统还包括：
第一体征模块110，从用户体征测量大数据中获取用户体征的历史第一测量数据；
运动数据模块120，从用户体征测量大数据中获取所述用户历史测量之前的运动数据；
第二体征模块130，从用户体征测量大数据中获取所述用户体征的历史第二测量数据；
关系计算模块140，根据所述历史第一测量数据、所述运动数据、所述历史第二测量数据计算得到所述预设模型。
实施例7的优选实施方式与实施例2的优选实施方式对应、类似，不再赘述。
实施例8、根据实施例7所述的体征测量系统，所述预设模型为预设深度学习模型；如图7所示，所述关系计算模块140包括：
无监督训练模块141，将所述用户体征的历史第一测量数据、所述用户历史测量之前的运动数据作为所述预设深度学习模型的输入，对所述预设深度学习模型进行无监督训练；
有监督训练模块142，将所述用户体征的历史第一测量数据、所述用户历史测量之前的运动数据作为所述预设深度学习模型的输入，将所述用户体征的历史第二测量数据作为所述预设深度学习模型的输出，对所述预设深度学习模型进行有监督训练；
如图8所示，所述测量校准模块230包括：
模型计算模块231，将所述用户体征的第一测量数据、所述用户所述测量之前的运动数据作为所述预设深度学习模型的输入，通过所述预设深度学习模型的计算，得到所述预设深度学习模型的输出；
模型输出模块232，将所述预设深度学习模型的输出作为所述用户体征的第二测量数据。
实施例8的优选实施方式与实施例3、4的优选实施方式对应、类似，不再赘述。
实施例9、根据实施例6所述的体征测量系统，所述第一测量数据为运动状态下的测量数据，第二测量数据为安静状态下的测量数据。
实施例9的优选实施方式与实施例5的优选实施方式对应、类似，不再赘述。
实施例10、一种机器人系统，所述机器人中分别配置有如实施例6-9任一项所述的体征测量系统。
实施例10的优选实施方式与实施例6-9的优选实施方式对应、类似，不再赘述。
本发明实施例提供的基于大数据与人工智能的体征测量方法和医疗机器人系统，根据所述第一测量数据、所述运动数据和预设模型计算得到所述用户体征的第二测量数据，从而可以消除运动对体征测量产生的影响，一方面使得运动状态下的体征第二测量数据依然准确，从而可以提高体征测量的准确率，另一方面使得在测量时无需用户等待到安静状态再测量，从而可以提高体征测量的速度，再一方面使得体征测量在安静或运动状态下都能进行，从而提高了体征测量的普适性、方便性。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。