智能手表健康安全检测算法制造技术

本发明专利技术属于智能优化算法领域，尤其涉及一种智能健康安全检测算法。一种智能手表健康检测算法，其特征在于：它包括以下步骤：（1）、通过模糊状态评估，分别计算被检测者间隔时间内平均行走距离的变化量，平均睡眠时间的变化量，平均确认用药提醒的滞后时间的变化量，平均为手表充电的滞后时间的平均值，平均心率值的变化量；（2）、后台根据被检测者的不同，通过模糊法则针对性的对每个佩戴者实行个性化的警报：由被检测者所佩戴手表的传感器判断被检测者是否跌倒，根据步骤一所述的变化量，去模糊化，结合被检测者的跌倒状况，利用重心法计算出两种情况下具体的风险度。

【技术实现步骤摘要】

本专利技术属于智能优化算法领域，尤其设及一种。
技术介绍
目前，中国人口老龄化问题日益严重，孩子赡养压力大，且基于上班时间等的问 题，孩子很难全天候的陪着老人，时刻照顾老人的身体。因此为了检测老人的实时身体状 况，目前市场上出现了有接近功能的智能手环和手表，基本都是监测健康成年人的运动型 数据，如行走步数、睡眠时间、消耗的热量等。而运些智能手表，的确主要是监测老年人的健 康安全状况，如屯、率、跌倒、GPS等，但基本都是手表与子女手机的直接对接，在紧急情况下 报警。且所有的运些产品，只是使用当时的手表监测到的单项数据独立的作出判断，准确度 低、基于理想的戴表状态、同时丢掉了很多有用的信息。而且，由于其算法的的局限性，简单 的身体状况的变动都会发出警报，造成误判。
技术实现思路
为了解决上述问题，提高智能手表报警的准确性，增加顾客的信任度，本专利技术提供 了一种适用于居家养老的实时监测老人或重病患者的，本专利技术 的具体方案为： -种智能手表健康检测算法，它包括W下步骤： (1)、通过模糊状态评估，分别计算被检测者间隔时间内平均行走距离的变化量， 平均睡眠时间的变化量，平均确认用药提醒的滞后时间的变化量，平均为手表充电的滞后 时间的平均值，平均屯、率值的变化量； (2)、后台根据被检测者的不同，通过模糊法则针对性的对每个佩戴者实行个性化 的警报：由被检测者所佩戴的传感器判断被检测者是否跌倒，根据步骤一所述的变化量，去 模糊化，结合被检测者的跌倒状况，利用重屯、法计算出两种情况下具体的风险度。 优化地，间隔时间可W为两周。[000引优化地，用于模糊健康状态评估的各行走距离(公里)分别为： PLd = 13-(A-50)/3； PMd = 10.835-0.0967x(A-50)； PSd = 6-0.177x(A-50)； Zd = O;其中A为年龄； 用于模糊健康状态估算的各行走距离变化量(公里)分别为： DPLd = I.2x(13-(A-50)/3)； DPMd = l.lx( 10.835-0.0967x(A-50))； DPSd = I.05x(6-0.177x(A-50))； DZd = O;[001 引 DNSd = -1.05x(6-0.177x(A-50)); DNMd = -I. lx( 10.835-0.0967x(A-50)); 面 Ld = -1.2x(13-(A-50)/3);其中 A 为年龄。 优化地，用于模糊健康状态评估的各睡眠时间（小时)分别为： PLs = S; PMs = 6； PSs = 4; Zs = O; 用于模糊健康状态评估的各睡眠时间的变化量(小时)分别为： DPLs = 3；[002引 DPMs = 2; DPSs = I; DZs = O; DNSs = -I; DPMs =-2； DPLs = -3。 优化地，用于模糊健康状态评估的确认用药提醒的滞后时间(分钟)分别为： PLm = 60； PMm = 30； PSm= 15;[003引 Zm = O; 用于模糊健康状态评估的确认用药提醒的滞后时间变化量(分钟)分别为： DPLm = 30； DPMm = 20； DPSm=IO;[00 创 DZm = O; DNSm = -IO; DNMm = -20； DNLm = -30 O 优化地，用于模糊健康状态评估的问为手表充电的滞后时间变化量（分钟）分别 为：[004引 DPLc = 30; DPMc = 20； DPSc = IO; DZc = O; DNSc = -IO; DNMc = -20; DMx =-30。 优化地，用于模糊健康状态评估的屯、率值(次/分钟)分别为： Tlii = 35; Mlii = 45;[0化引 Mi = 70; MHh = 95； THh = 120; 用于模糊健康状态评估的屯、率的变化量值(次/分钟)分别为： DPlii = IS; DPMh = IO; DPSi = S;DZh = O; DNSi = -S; DNMh = -IO; DNLh = -ISo 优化地，步骤一所述变化量相同的条件下，跌倒比不跌倒的风险度高。 优化地，如果系统计算的风险度高，但是被检测者健康状况良好，则系统会根据被 检测者的不同自动调节变化量的风险度。 利用本专利技术的权利要求1所述的智能手表健康检测算法，有一套相应的健康监测 系统，包含被监测者配戴的智能手表、监测者使用的智能手机APP、计算机检测平台与系统 与系统运营商运作的后台服务器。 其中，手表向服务器发送所监测的佩戴者的生理数据W及状态数据，后台服务器 做数据处理分析，做出决策是否向手机和监测平台报警、发送预警或提示。 其中，所述生理数据包括屯、率，跌倒动作等。 其中，所述状态数据包括GI^位置信息，电池电量，是否在充电，用户是否确认用药 提醒等。 本专利技术的，应用人工智能方法和机器学习技术，做数 据分析挖掘;应用人工智能中的模糊逻辑方法，做状态判断，剖析出每个佩戴者的轮廓，包 括其个人的运作、作息和生活习惯等。具体如下： 1.根据GI^的运动距离和速度，测算180天(六个月）内的平均身体状况和近期的身 体状况： 过去的180天内行走的总距离：[007引将过去180天内GPS反馈的每天行走的距离相加求和得到总距离Ls皿： Lsum:=巧兰S LKLi =GPS反馈的第i天行走的距离）； 过去的2周内行走的总距离：将过去两周内GI^反馈的每天行走的距离相加求和得到总距离L2wi : L2wi = S禪自SLKLi=GI^反馈的第巧行走的距离）； 过去的第3-4周内行走的总距离： 将过去的第3-4周内GI^反馈的每天行走的距离相加求和得到总距离L2wi-1: LZwi-I =巧三'山化1二GPS反馈的第:L天行走的距离};最近的180天内行走的距离： 最近的180天内行走的距离Lsum等于过去一天计算的总距离减去前180天中第一 天行走的距离LO再加上手表GPS反馈的最近24小时内行走的距离： Lsum = Lsum-L0+L24i; (LO =前180天中的第一天行走的距离，L24i =手表GPS反馈的最近24小时内行走 的距离）； 最近2周行走的总距离L2W等于过去一天计算的最近2周前第一天行走距离减去两 周前走的总距离再加上手表GPS反馈的最近24小时内行走的距离： L2W = Lsw-1^166+L24i (L166 = 2周前的第一天行走的距离，L24i =手表GPS反馈的最近24小时内行走的 距离）； 最近的前第3-4周内行走的总距离： 最近3-4周行走的总距离L4W等于过去一天计算的最近4周行走总距离减去4周前 第一天行走的总距离再加上手表GPS反馈的最近24小时内行走的：L4W=L4W-L15 化 L166; (L152 = 4周前的第一天行走的距离，L166 = 2周前的第一天行走的距离）； 总天数:Dsum= 180; 过去180天内平均每24小时行走的距离： 过去180天内平均每24小时行走的距离等于过去180天行走的总距离除W总天数 180： L24avg = Lsum/Dsum; 过去2周内平均每24小时行走的距离： 过去2周内平均每24小时行走的距本文档来自技高网...

【技术保护点】
一种智能手表健康检测算法，其特征在于：它包括以下步骤：（1）、通过模糊状态评估，分别计算被检测者间隔时间内平均行走距离的变化量，平均睡眠时间的变化量，平均确认用药提醒的滞后时间的变化量，平均为手表充电的滞后时间的平均值，平均心率值的变化量；（2）、后台根据被检测者的不同，通过模糊法则针对性的对每个佩戴者实行个性化的警报：由被检测者所佩戴的传感器判断被检测者是否跌倒，根据步骤一所述的变化量，去模糊化，结合被检测者的跌倒状况，利用重心法计算出两种情况下具体的风险度。

【技术特征摘要】

【专利技术属性】
技术研发人员：施小博，王飞跃，
申请(专利权)人：青岛中科慧康科技有限公司，青岛智能产业技术研究院，
类型：发明
国别省市：山东;37