一種體溫測量方法及裝置制造方法及圖紙

本發明專利技術公開了一種體溫測量方法，包括：根據實時測量得到的人體溫度來獲取實際體溫時間序列；根據所述實際體溫時間序列，采用預先構建的自回歸滑動平均模型，獲得體溫觀測值時間序列；根據所述實際體溫時間序列和所述體溫觀測值時間序列，采用預先構建的神經網絡模型，預測預設時段后的人體溫度。相應的，本發明專利技術還公開了一種體溫測量裝置。采用本發明專利技術實施例，能夠提高體溫測量的效率。

【技術實現步驟摘要】

本專利技術涉及信號檢測與處理
，尤其涉及一種體溫測量方法及裝置。
技術介紹
在醫學領域中，常用的檢測體溫的方法是利用水銀溫度計進行測量，先將溫度計插進病人體內，使溫度計與人體接觸的時間足夠長，一般為四到八分鐘以上，以保證體溫檢測的準確性，最后由專業人員對溫度計進行讀取。這種體溫檢測方法存在很多不足之處，測量時間較長，而且在測量的過程中要保證體溫計與人體一直保持緊密接觸狀態，使得被測者要保持一種比較安穩的狀態，對于一些特殊患者來說，顯得十分不方便。此外，傳統的水銀溫度計在讀取方面也不太便利，很容易產生人為錯誤，而且測量的精度很多時候也無法滿足臨床上的需要。因此，電子體溫計應運而生。但是，為了使溫度傳感器能夠穩固固定，電子體溫計的溫度傳感器外部包裹了一層導熱材料，使得人體和溫度傳感器之間沒有直接接觸，而導熱器件需要較長時間的緩慢升溫，從而導致電子體溫計對外界溫度的測量時間較長，測量效率低下。
技術實現思路
本專利技術實施例提出一種體溫測量方法及裝置，能夠提高體溫測量的效率。本專利技術實施例提供一種體溫測量方法，包括：根據實時測量得到的人體溫度來獲取實際體溫時間序列；根據所述實際體溫時間序列，采用預先構建的自回歸滑動平均模型，獲得體溫觀測值時間序列；根據所述實際體溫時間序列和所述體溫觀測值時間序列，采用預先構建的神經網絡模型，預測預設時段后的人體溫度。進一步地，所述根據所述實際體溫時間序列和所述體溫觀測值時間序列，采用預先構建的神經網絡模型，預測預設時段后的人體溫度，具體包括：計算所述實際體溫時間序列與所述體溫觀測值時間序列在每一時刻的差值，獲得體溫殘差值時間序列；根據所述實際體溫時間序列和所述體溫殘差值時間序列，采用預先構建的神經網絡模型，預測預設時段后的人體溫度。進一步，在所述實時測量人體溫度，獲得實際體溫時間序列之前，還包括：對人體溫度進行采樣，獲得體溫采樣數據；所述體溫采樣數據包括采樣歷史值時間序列；根據所述采樣歷史值時間序列，構建所述自回歸滑動平均模型；根據所述采樣歷史值時間序列，采用所述自回歸滑動平均模型，獲得采樣觀測值時間序列；根據所述采樣歷史值時間序列和所述采樣觀測值時間序列，構建所述神經網絡模型。進一步，所述根據所述采樣歷史值時間序列和所述采樣觀測值時間序列，構建所述神經網絡模型，具體包括：計算所述采樣歷史值時間序列與所述采樣觀測值時間序列在每一時刻的差值，獲得采樣殘差值時間序列；對所述采樣歷史值時間序列進行噪聲處理；對所述采樣殘差值時間序列和噪聲處理后的采樣歷史值時間序列進行歸一化處理；根據歸一化處理后的采樣殘差值時間序列和采樣歷史值時間序列，構建所述神經網絡模型。進一步，所述體溫采樣數據還包括所述采樣歷史值時間序列預設時段后的采樣體溫；所述根據歸一化處理后的采樣殘差值時間序列和采樣歷史值時間序列，構建所述神經網絡模型，具體包括：以所述歸一化處理后的采樣殘差值時間序列和采樣歷史值時間序列作為輸入數據，以所述預設時段后的采樣體溫作為輸出數據，對神經網絡進行訓練，獲得神經網絡模型。相應地，本專利技術實施例還提供一種體溫測量裝置，包括：實際體溫獲取模塊，用于根據實時測量得到的人體溫度來獲取實際體溫時間序列；觀測值獲取模塊，用于根據所述實際體溫時間序列，采用預先構建的自回歸滑動平均模型，獲得體溫觀測值時間序列；以及，體溫預測模塊，用于根據所述實際體溫時間序列和所述體溫觀測值時間序列，采用預先構建的神經網絡模型，預測預設時段后的人體溫度。進一步，所述體溫預測模塊具體包括：殘差值計算單元，用于計算所述實際體溫時間序列與所述體溫觀測值時間序列在每一時刻的差值，獲得體溫殘差值時間序列；以及，體溫預測單元，用于根據所述實際體溫時間序列和所述體溫殘差值時間序列，采用預先構建的神經網絡模型，預測預設時段后的人體溫度。進一步，所述體溫測量裝置還包括：采樣模塊，用于對人體溫度進行采樣，獲得體溫采樣數據；所述體溫采樣數據包括采樣歷史值時間序列；第一模型構建模塊，用于根據所述采樣歷史值時間序列，構建所述自回歸滑動平均模型；采樣觀測值獲取模塊，用于根據所述采樣歷史值時間序列，采用所述自回歸滑動平均模型，獲得采樣觀測值時間序列；以及，第二模型構建模塊，用于根據所述采樣歷史值時間序列和所述采樣觀測值時間序列，構建所述神經網絡模型。進一步，所述第二模型構建模塊具體包括：采樣殘差值計算單元，用于計算所述采樣歷史值時間序列與所述采樣觀測
值時間序列在每一時刻的差值，獲得采樣殘差值時間序列；噪聲處理單元，用于對所述采樣歷史值時間序列進行噪聲處理；歸一化處理單元，用于對所述采樣殘差值時間序列和噪聲處理后的采樣歷史值時間序列進行歸一化處理；以及，神經網絡模型構建單元，用于根據歸一化處理后的采樣殘差值時間序列和采樣歷史值時間序列，構建所述神經網絡模型。進一步，所述體溫采樣數據還包括所述采樣歷史值時間序列預設時段后的采樣體溫；所述神經網絡模型構建單元具體用于以所述歸一化處理后的采樣殘差值時間序列和采樣歷史值時間序列作為輸入數據，以所述預設時段后的采樣體溫作為輸出數據，對神經網絡進行訓練，獲得神經網絡模型。實施本專利技術實施例，具有如下有益效果：本專利技術實施例提供的體溫測量方法及裝置，能夠根據測量獲得的實際體溫時間序列及其相應的體溫觀測值時間序列，采用神經網絡模型，預測人體溫度，實現體溫的快速測量，大大節省測量時間，提高測量效率，而且，體溫的快速測量能夠使醫護人員更加及時了解被測者的生理狀況，以便對被測者采取更加準確有效的治療手段。附圖說明圖1是本專利技術提供的體溫測量方法的一個實施例的流程示意圖；圖2是本專利技術提供的體溫測量方法的一個實施例的體溫預測曲線圖；圖3是本專利技術提供的體溫測量方法的另一個實施例的部分流程示意圖；圖4是本專利技術提供的體溫測量方法的一個實施例的體溫采樣數據曲線圖；圖5是本專利技術提供的體溫測量裝置的一個實施例的結構示意圖；圖6是本專利技術提供的體溫測量裝置的另一個實施例的部分結構示意圖。具體實施方式下面將結合本專利技術實施例中的附圖，對本專利技術實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本專利技術一部分實施例，而不是全部的實施例。基于本專利技術中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本專利技術保護的范圍。參見圖1，本專利技術提供的體溫測量方法的一個實施例的流程示意圖，包括：S1、根據實時測量得到的人體溫度來獲取實際體溫時間序列；S2、根據所述實際體溫時間序列，采用預先構建的自回歸滑動平均模型，獲得體溫觀測值時間序列；S3、根據所述實際體溫時間序列和所述體溫觀測值時間序列，采用預先構建的神經網絡模型，預測預設時段后的人體溫度。需要說明的是，在體溫測量過程中，每實時通過藍牙電子體溫計測量一次人體溫度，則結合當前時刻的前N個時刻測量到的人體溫度，構成實際體溫時間序列，其中，N≥1。將實際體溫時間序列中每個時刻所測的體溫通過自回歸滑動平均模型，即可獲得相應時刻的體溫觀測值，從而構成體溫觀測值時間序列。根據實際體溫時間序列和體溫觀測值時間序列作，通過神經網絡模型，即可預測出預設時段后的人體溫度。體溫的預測實現體溫的快速測量，大大節省測量時間，提高測量效率，免去被測者需要長時間保持相同狀態的麻煩本文檔來自技高網...

【技術保護點】
一種體溫測量方法，其特征在于，包括：根據實時測量得到的人體溫度來獲取實際體溫時間序列；根據所述實際體溫時間序列，采用預先構建的自回歸滑動平均模型，獲得體溫觀測值時間序列；根據所述實際體溫時間序列和所述體溫觀測值時間序列，采用預先構建的神經網絡模型，預測預設時段后的人體溫度。

【技術特征摘要】
1.一種體溫測量方法，其特征在于，包括：根據實時測量得到的人體溫度來獲取實際體溫時間序列；根據所述實際體溫時間序列，采用預先構建的自回歸滑動平均模型，獲得體溫觀測值時間序列；根據所述實際體溫時間序列和所述體溫觀測值時間序列，采用預先構建的神經網絡模型，預測預設時段后的人體溫度。2.如權利要求1所述的體溫測量方法，其特征在于，所述根據所述實際體溫時間序列和所述體溫觀測值時間序列，采用預先構建的神經網絡模型，預測預設時段后的人體溫度，具體包括：計算所述實際體溫時間序列與所述體溫觀測值時間序列在每一時刻的差值，獲得體溫殘差值時間序列；根據所述實際體溫時間序列和所述體溫殘差值時間序列，采用預先構建的神經網絡模型，預測預設時段后的人體溫度。3.如權利要求1或2所述的體溫測量方法，其特征在于，在所述實時測量人體溫度，獲得實際體溫時間序列之前，還包括：對人體溫度進行采樣，獲得體溫采樣數據；所述體溫采樣數據包括采樣歷史值時間序列；根據所述采樣歷史值時間序列，構建所述自回歸滑動平均模型；根據所述采樣歷史值時間序列，采用所述自回歸滑動平均模型，獲得采樣觀測值時間序列；根據所述采樣歷史值時間序列和所述采樣觀測值時間序列，構建所述神經網絡模型。4.如權利要求3所述的體溫測量方法，其特征在于，所述根據所述采樣歷
\t史值時間序列和所述采樣觀測值時間序列，構建所述神經網絡模型，具體包括：計算所述采樣歷史值時間序列與所述采樣觀測值時間序列在每一時刻的差值，獲得采樣殘差值時間序列；對所述采樣歷史值時間序列進行噪聲處理；對所述采樣殘差值時間序列和噪聲處理后的采樣歷史值時間序列進行歸一化處理；根據歸一化處理后的采樣殘差值時間序列和采樣歷史值時間序列，構建所述神經網絡模型。5.如權利要求4所述的體溫測量方法，其特征在于，所述體溫采樣數據還包括所述采樣歷史值時間序列預設時段后的采樣體溫；所述根據歸一化處理后的采樣殘差值時間序列和采樣歷史值時間序列，構建所述神經網絡模型，具體包括：以所述歸一化處理后的采樣殘差值時間序列和采樣歷史值時間序列作為輸入數據，以所述預設時段后的采樣體溫作為輸出數據，對神經網絡進行訓練，獲得神經網絡模型。6.一種體溫測量裝置，其...

【專利技術屬性】
技術研發人員：胡靜，
申請(專利權)人：廣州視源電子科技股份有限公司，
類型：發明
國別省市：廣東;44