一种体温测量方法及装置制造方法及图纸

本发明专利技术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，本发明专利技术还公开了一种体温测量装置。采用本发明专利技术实施例，能够提高体温测量的效率。

【技术实现步骤摘要】

本专利技术涉及信号检测与处理
，尤其涉及一种体温测量方法及装置。
技术介绍
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。
技术实现思路
本专利技术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。本专利技术实施例提供一种体温测量方法，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。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：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。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：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。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：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。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；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。相应地，本专利技术实施例还提供一种体温测量装置，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。进一步，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。进一步，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。进一步，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。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；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。实施本专利技术实施例，具有如下有益效果：本专利技术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。附图说明图1是本专利技术提供的体温测量方法的一个实施例的流程示意图；图2是本专利技术提供的体温测量方法的一个实施例的体温预测曲线图；图3是本专利技术提供的体温测量方法的另一个实施例的部分流程示意图；图4是本专利技术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；图5是本专利技术提供的体温测量装置的一个实施例的结构示意图；图6是本专利技术提供的体温测量装置的另一个实施例的部分结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。参见图1，本专利技术提供的体温测量方法的一个实施例的流程示意图，包括：S1、根据实时测量得到的人体温度来获取实际体温时间序列；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；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。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，N≥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本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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
\t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。6.一种体温测量装置，其...

【专利技术属性】
技术研发人员：胡静，
申请(专利权)人：广州视源电子科技股份有限公司，
类型：发明
国别省市：广东;44